一种车辆逆行的判定方法、装置、设备及存储介质与流程

本发明涉及图像处理技术领域，尤其涉及一种车辆逆行的判定方法、装置、设备及存储介质。

背景技术：

目前，车辆逆行行为的审核是通过人工方式，该方法成本较高，效率低下，并且长时间重复性查看图片易使人产生疲劳、注意力不集中等状态，最终影响审核准确率。如何快速准确地对渣土车进行审核，同时避免人工检测成本高，检测人员易疲劳、易疏忽错误等弊端，是急需解决的技术问题。

技术实现要素：

本发明实施例提供了一种车辆逆行的判定方法、装置、设备及存储介质，可以准确判断目标车有无逆行等违法行为，同时审核的全程自动检测识别，既节约了人力，又保证了审核工作的公开、公正。

第一方面，本发明实施例提供了一种车辆逆行的判定方法，包括：

根据目标车牌号确定待检测图像中的目标车，所述待检测图像包括全景图和特写图；

根据所述待检测图像的路面信息确定逆行区域；

提取所述目标车对应的车底盘点；

判断所述车底盘点是否位于所述逆行区域内，若是，则所述目标车逆行。

第二方面，本发明实施例还提供了一种车辆逆行的判定装置，包括：

目标车确定模块，用于根据目标车牌号确定待检测图像中的目标车，所述待检测图像包括全景图和特写图；

逆行区域确定模块，用于根据所述待检测图像的路面信息确定逆行区域；

车底盘点提取模块，用于提取所述目标车对应的车底盘点；

逆行判断模块，用于判断所述车底盘点是否位于所述逆行区域内，若是，则所述目标车逆行。

第三方面，本发明实施例还提供了一种车辆逆行的判定设备，该设备包括：

包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如本发明实施例任一所述的车辆逆行的判定方法。

第四方面，本发明实施例还提供了一种车辆逆行的判定存储介质，其上存储有计算机程序，该程序被处理装置执行时实现如本发明实施例任一所述的车辆逆行的判定方法。

本发明实施例首先根据目标车牌号确定待检测图像中的目标车，待检测图像包括全景图和特写图；然后根据待检测图像的路面信息确定逆行区域；再提取目标车对应的车底盘点；最后判断车底盘点是否位于逆行区域内，若是，则目标车逆行。本发明实施例提供的车辆逆行的判定方法，通过根据待检测图像确定目标车及逆行区域，判定目标车的车底盘点是否位于逆行区域呃逆，能够准确判断目标车有无逆行等违法行为，同时审核的全程自动检测识别，既节约了人力，又保证了审核工作的公开、公正。

附图说明

图1是本发明实施例一中的一种车辆逆行的判定方法流程图；

图2是本发明实施例一中的一种待检测图像示意图；

图3是本发明实施例一中的一种车底盘点位置示意图；

图4是本发明实施例二中的一种待检测图像中的目标车的确定方法流程图；

图5是本发明实施例二中的一种第一全景图示意图；

图6是本发明实施例二中的一种第二全景图示意图；

图7是本发明实施例三中的一种逆行区域的确定方法流程图；

图8是本发明实施例四中的一种车辆逆行的判定装置结构示意图；

图9是本发明实施例五中的一种计算机设备的结构示意图。

具体实施方式

下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释本发明，而非对本发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本发明相关的部分而非全部结构。

实施例一

图1为本发明实施例一提供的一种车辆逆行的判定方法流程图，本实施例可适用于判定道路上的车辆是否逆行的情况，该方法可以由车辆逆行的判定装置来执行，该装置可由硬件和/或软件组成，并一般可集成在具有车辆逆行的判定功能的设备中，该设备可以是服务器或服务器集群等电子设备。如图1所示，具体包括如下步骤：

步骤110、根据目标车牌号确定待检测图像中的目标车。

其中，目标车可以是电子警察抓拍到的可能违法故需要审核的车辆，待检测图像包括全景图和特写图。

具体的，电子警察可以提供目标车牌号以及与目标车对应的待检测图像，待检测图像一般为四合一结构，前三张为目标车的证据链图像帧，我们称之为三张全景图，最后一张为目标车特写图。图2是本发明实施例一提供的一种待检测图像示意图，如图2所示，待检测图像由四张小图组成，前三张为全景图，位于右下角的最后一张图为目标车特写图。

在本实施例中，根据目标车牌号确定待检测图像中的目标车的方式可以是：对全景图进行车牌检测，获得全景图中包含的至少一个车牌图像；对至少一个车牌图像进行车牌识别，获得至少一个车牌号；将至少一个车牌号与目标车牌号进行比对，根据比对结果确定目标车。

可选的，为对目标车进行审核从而判定其是否违法，可以通过电子警察提供的目标车牌号找到待检测图像中的目标车，进而可以根据目标车在待检测图像中的位置进行判定。确定目标车时，首先可以对待检测图像中包含的全景图进行目标检测，获得全景图中包含的至少一个车辆检测框；然后可以提取车辆检测框所包围的图像，获得至少一个车辆图像；最后对至少一个车辆图像进行车牌检测，获取至少一个车牌图像。

优选的，对全景图进行目标检测时可以使用目标检测模型(centernet)，利用该模型可以检测出全景图中的所有车辆，并确定所有车辆的矩形检测框的大小和位置坐标。然后可以提取检测框中的车辆图像，再使用车牌检测模型(yolov3-tiny)检测出车辆图像中的车牌图像。

进一步地，获取车牌图像后可以对其进行车牌识别，识别出车牌图像中的车牌号，最后将识别到的车牌号与目标车牌号进行比对，根据比对结果确定目标车。在进行车牌号的比对时，可以分别计算识别到的车牌号与目标车牌号的误差位，然后将与目标车牌号的误差位在设定阈值内的车牌号对应的车辆确定为目标车。

具体的，可以使用文字识别模型(crnn)进行车牌识别，获取车牌图像中的车牌号。获取到车牌图像中的车牌号后，可以将获取到的车牌号与目标车牌号进行比对，将误差位数在设定阈值内的车牌号对应的车辆确定为目标车。例如，若目标车牌号为沪123456，车牌号误差位数的阈值为2，全景图中包含两辆车a和b，两车识别出的车牌号分别为沪123455和京123444，车辆a和b的车牌号与目标车牌号的误差位分别是1和3，则将车辆a确定为目标车。

在本实施例中，根据目标车牌号确定待检测图像中的目标车的方式还可以是：若根据目标车牌号在全景图中未识别出目标车，则对特写图进行车牌识别，获取特写车牌号；将特写车牌号与目标车牌号进行比对，若特写车牌号与目标车牌号的误差位在设定阈值内，则将特写图对应的车辆确定为目标车；提取特写图中目标车的车辆特征；基于车辆特征对全景图进行车辆识别，获得全景图中的目标车。

可选的，若根据待检测图像中包含的全景图未能识别出目标车，则可以利用特写图进行判定。与通过全景图确定目标车的方式类似，可以对特写图进行车牌识别，获取特写图中的特写车牌号，将该车牌号与目标车牌号比对，最后判断两者误差是否在设定阈值内，若是，则该特写图中的车辆为目标车，若否，则说明电子警察提供的待检测图像中不包含目标车，此时无法进行逆行违法判定。若确定特写图中的车辆为目标车，则可以提取目标车的车辆特征在全景图中进行车辆识别，最后在全景图中确定目标车。

步骤120、根据待检测图像的路面信息确定逆行区域。

其中，路面信息可以包括路面上的指示线信息，例如路面上的停止线、白色实线、黄色实线和导向线等。逆行区域可以是根据路面信息划定的一个固定区域，若目标车辆位于该区域内则判定车辆逆行。

在本实施例中，根据待检测图像的路面信息确定逆行区域的方式可以是：提取待检测图像中的路面信息；路面信息包括至少两种路面指示线；根据至少两种路面指示线确定逆行区域。

其中，路面指示线包括停止线和道路分割线。进一步地，道路分割线可以包括白色实线和黄色实线。

具体的，可以根据待检测图像中的路面指示线确定逆行区域。例如，可以根据停止线、道路分割线以及待检测图像的图像边界线确定出逆行区域的四条边界线，四条边界线包围的区域可以确定为逆行区域。

步骤130、提取目标车对应的车底盘点。

其中，车底盘点可以是车辆底盘处可以构成一个平行四边形的四个点。图3是本发明实施例一提供的一种车底盘点位置示意图，如图3所示，图中车辆的四个车底盘点组成一个四边形，该四边形可以代表该车的车底盘。

可选的，可以使用关键点模型对目标车进行预测，从而确定对应的车底盘点位置，作为判罚是否逆行的依据。关键点模型可以通过一个计算机视觉和机器学习软件库(opencv)进行调用，在设定好的模型中输入车辆图像可以获得该车的车底盘点。

步骤140、判断车底盘点是否位于逆行区域内，若是，则目标车逆行。

可选的，可以根据上述步骤所确定的逆行区域与车底盘点判定目标车辆是否逆行。若目标车辆的四个车底盘点都位于逆行区域内，则可以判定目标车辆逆行，即目标车辆违法；否则不能判定目标车辆逆行，认为目标车辆不违法。进一步地，若上述步骤中未能确定逆行区域，则不能判定车辆是否逆行，认为目标车辆不违法。

本发明实施例首先根据目标车牌号确定待检测图像中的目标车，待检测图像包括全景图和特写图；然后根据待检测图像的路面信息确定逆行区域；再提取目标车对应的车底盘点；最后判断车底盘点是否位于逆行区域内，若是，则所述目标车逆行。本发明实施例提供的车辆逆行的判定方法，通过根据待检测图像确定目标车及逆行区域，判定目标车的车底盘点是否位于逆行区域呃逆，能够准确判断目标车有无逆行等违法行为，同时审核的全程自动检测识别，既节约了人力，又保证了审核工作的公开、公正。

实施例二

图4是本发明实施例二中的一种待检测图像中的目标车的确定方法流程图，本实施例可适用于确定待检测图像中的目标车的情况。如图4所示，具体包括如下步骤：

步骤111、若根据目标车牌号在全景图中未识别出目标车，则对特写图进行车牌识别，获取特写车牌号。

其中，特写车牌号可以是利用特写图检测出的特写车辆的车牌号。

优选地，在确定目标车时首先可以利用待检测图像中的全景图进行识别，根据全景图中识别出的车牌号确定目标车，若由于图像不够清晰或车牌遮挡等原因在三张全景图中不能识别出目标车牌号，则可以利用特写图进行识别。

具体的，可以对特写图使用目标检测模型，获得特写图中的车辆图像，再使用车牌检测模型检测出车辆图像中的车牌图像，然后可以对车牌图像使用文字识别模型进行车牌识别，获取车牌图像中的车牌号。

步骤112、将特写车牌号与目标车牌号进行比对，若特写车牌号与目标车牌号的误差位在设定阈值内，则将特写图对应的车辆确定为目标车。

其中，设定阈值可以是一个人为确定的误差范围，若识别出的特写车牌号与目标车牌号的误差小于等于设定阈值，则可以认为识别出的特写车牌号与目标车牌号一致，也就是说特写图对应的特写车辆为目标车。

具体的，可以将识别到的特写车牌号与目标车牌号进行比对，根据比对结果确定目标车。例如，若目标车牌号为沪123456，车牌号误差位数的阈值为2，在特写图中识别出的特写车牌号为沪123455，特写车牌号与目标车牌号的误差位为1，在设定阈值内，则可以将特写图中的对应车辆确定为目标车。

步骤113、提取特写图中目标车的车辆特征。

其中，可以利用车辆重识别模型车进行辆特征提取。车辆重识别模型可以在给定车辆图像的情况下，在数据库中搜索包含由多个摄像机捕获的相同车辆的图像。车辆重识别在视频监控，智能交通和城市计算方面具有普遍应用，可以在大型监控视频中快速发现，定位和跟踪目标车辆。

具体的，利用特写图确定目标车之后，为了在其他全景图中确定目标车的位置，可以从算法库中调用车辆重识别模型，将特写图中的目标车图像输入该模型中，从而提取特写图中目标车的车辆特征。

步骤114、基于车辆特征对全景图进行车辆识别，获得全景图中的目标车。

其中，可以利用车辆匹配技术对全景图进行车辆识别。

具体的，车辆匹配技术可以根据已获取的车辆特征在其他图像中识别出目标车辆。

可选的，基于车辆特征对全景图进行车辆识别，获得全景图中的目标车的方式可以是：若有一张特写图和至少一张全景图，其中根据特写图确定可以目标车，根据全景图不能确定目标车，则可以分别提取特写图和全景图中包含的车辆的特征，获取相应的特征向量，然后利用特征向量进行余弦相似度计算，获得余弦相似度矩阵，最后根据余弦相似度矩阵确定全景图中的目标车。

可选的，基于车辆特征对全景图进行车辆识别，获得全景图中的目标车的方式还可以是：若全景图包括至少两张，将检测到目标车的全景图确定为第一全景图，将未检测到目标车的全景图确定为第二全景图；提取第一全景图中的包含的车辆的特征，获得第一特征向量；提取第二全景图中包含的车辆的特征，获得第二特征向量；将第一特征向量中的每个特征分别与第二特征向量进行余弦相似度计算，获得余弦相似度矩阵；根据余弦相似度矩阵确定第二全景图中的目标车。

具体的，可以使用车辆重识别模型分别提取第一全景图和第二全景图中的车辆特征，获取相应的第一特征向量f1,f2,f3,...,fn和第二特征向量f′1,f′2,f′3,...,f′m，然后使用f1分别与f′1,f′2,f′3,...,f′m求余弦相似度，得到score11,score12,score13,...,score1m，再使用f2分别与f′1,f′2,f′3,...,f′m求余弦相似度，得到score21,score22,score23,...,score2m，以此类推，直到使用fn分别与f′1,f′2,f′3,...,f′m求余弦相似度，得到scoren1,scoren2,scoren3,...,scorenm。这样我们就可以得到一个n行m列的余弦相似度矩阵。

进一步地，根据余弦相似度矩阵确定第二全景图中的目标车的方式可以是：提取余弦相似度矩阵第i行中的第一最大值，且第一最大值处于第j列；提取余弦相似度矩阵第j列中的第二最大值；若第二最大值处于第i行，则判断第一全景图中的第i个车辆是否为目标车；如是，则判断第一最大值是否大于第一相似度阈值；若大于，则第二全景图中第j个车辆为目标车。

进一步地，若第二最大值未第i行，则确定目标车在第一全景图中的序号p；提取余弦相似度矩阵第p行中最大值对应的列序号；将第二全景图中编号为列序号的车辆确定为目标车。

具体的，获得余弦相似度矩阵后，可以进行如下判断：先计算第i行的最大值，若该最大值的位置为(i，j)，即第i行第j列，则对j列计算出该列的最大值；若第j列的中的最大值位于第i行，即位置也为(i，j)，则判断第一全景图中的第i辆车是否为目标车；若第一全景图中的第i辆车为目标车，则判断余弦相似度矩阵中第i行第j列的余弦相似度值是否大于第一余弦相似度阈值，第一相似度阈值可以是根据模型特性设置的经验值，优选地，可以设为0.85；若大于，则可以认为第二全景图中的j辆车为目标车。

若第一全景图中的第i辆车不是目标车，则可以进行如下的进一步判断：判断余弦相似度矩阵中第i行第j列的余弦相似度值是否大于第二余弦相似度阈值，第二相似度阈值可以是根据模型特写设置的经验值，优选地，第一设为0.7；若大于，则认为第一全景图中的第i辆车和第二全景图中的第j辆车为同一辆车，且都不为目标车，可以将这辆车过滤掉。

对于剩余的暂时无法过滤的车辆，可以获取第一全景图中的目标车辆的序号p，则直接取出余弦相似度矩阵中的第p行的最大值，该最大值对应的列序号即为第二全景图中目标车的编号。

图5是本发明实施例二中的一种第一全景图示意图，图6是本发明实施例二中的一种第二全景图示意图。如图所示，图5中的车辆a与图6中的车辆b为同一辆车，在识别图6中的目标车时即可将其过滤掉。图6中的车辆c、d和e可以根据前述步骤进行过滤，对于不能过滤的车辆同样根据前述步骤确定目标车。

本发明实施例首先若根据目标车牌号在全景图中未识别出目标车，则对特写图进行车牌识别，获取特写车牌号；然后将特写车牌号与目标车牌号进行比对，若特写车牌号与目标车牌号的误差位在设定阈值内，则将特写图对应的车辆确定为目标车；再提取特写图中目标车的车辆特征；最后基于车辆特征对全景图进行车辆识别，获得全景图中的目标车。本发明实施例提供的待检测图像中的目标车的确定方法，通过提取已确定的目标车的特征向量，确定其他图像中的目标车，可以实现对目标车辆的准确确定，从而可以对车辆的违法行为进行进一步判断。

实施例三

图7为本发明实施例三提供的一种逆行区域的确定方法流程图，本实施例可适用于确定道路逆行区域的情况。如图7所示，具体包括如下步骤：

步骤121、提取待检测图像中的路面信息。

其中，路面信息可以是待检测图像中的路面情况信息，优选地，路面信息包括至少两种路面指示线。

具体的，路面指示线包括停止线、道路分割线和导向线，道路分割线可以包括白色实线和黄色实线。

提取待检测图像中的路面信息时可以利用直线拟合函数，优选地，可以调用opencv中的直线拟合函数fitline对待检测图像拟合出对应线段，其中，停止线可以记为ltzx，黄色实线可以记为lhsx，白色实线可能有多条，可以分别记为lbsx1，lbsx2，...，lbsxn。

优选地，在提取路面信息时可以首先确定待检测图像中是否存在停止线，若不存在则无法确定逆行区域，也就无法对目标车辆是否逆行进行判定；若待检测图像中存在停止线，则进一步确定图像中是否存在黄色实线或白色实线，若均不存在则无法确定逆行区域，也就无法对目标车辆是否逆行进行判定。

步骤122、根据至少两种路面指示线确定逆行区域。

若待检测图像中存在停止线，且黄色实线和白色实线至少存在一种，则可以根据路面指示线确定逆行区域的边界线，进而确定逆行区域。

在本实施例中，根据至少两种路面指示线确定逆行区域的方式可以是：

根据停止线确定逆行区域的第一边界线；判断道路分割线中是否包含黄色实线；若是，则将黄色实线作为逆行区域的第二边界线；将与第一边界线平行的图像边界作为逆行区域的第三边界线；将与第二边界线平行的图像边界作为逆行区域的第四边界线；将第一边界线、第二边界线、第三边界线和第四边界线包围的区域确定为逆行区域。

具体的，逆行区域的第一边界线位于停止线所在直线上，第二边界线可以根据道路分割线即黄色实线或白色实线确定，第三边界线和第四边界线位于待检测图像的图像边界所在的直线上，且第一边界线、第二边界线、第三边界线和第四边界线可以组成一个四边形。

进一步地，根据道路分割线确定逆行区域的第二边界线的方式可以是：若道路分割线包括黄色实线，则将黄色实线作为逆行区域的第二边界线。

具体的，若待检测图像中存在停止线和黄色实线，则可以将黄色实线作为逆行区域的第二边界线。此时，向两端延长停止线使其一端与黄色实线相交，交点为p1，另一端与待检测图像的右边界相交，交点为p2，p1和p2之间的线段为第一边界线；向两端延长黄色实线，一端与停止线相交，交点为p1，另一端为与待检测图像的下边界相交，交点为p3，p1和p2之间的线段为第二边界线。最后图像的右下顶点为p4，p3和p4之间的线段为第三边界线，p2和p4之间的线段为第四边界线。这4个点就构成一个四边形，该四边形即为逆行区域。

进一步地，路面指示线还可以包括导向线，判断道路分割线中是否包含黄色实线的方式还可以是：若道路分割线包括至少两条白色实线且未包含黄色实线，则将离每个导向线最近的左右两边的两条白色实线作为一组；根据每组白色实线之间的距离计算车道宽度，根据车道宽度过滤不满足条件的白色实线；将过滤后的白色实线中与停止线端点的横向距离小于设定值的白色实线确定所述逆行区域的第二边界线；其中，停止线端点为处于道路中央的端点。

具体的，若待检测图像中不存在黄色实线，且存在停止线和至少一条白色实线，则可以找到一条合适的白色实线将其确定第二边界线。可选的，可以将相邻两条白色实线作为一组。优选地，可以遍历所有的导向线，依次找出离每个导向线最近的左右两边的白色实线，导向线与白色实线之间的距离可以通过两者中点的欧式距离来判断。进一步地，分组后可以根据每组白色实线之间的距离计算车道宽度。优选地，假设有三组白色实线，可以计算出每一组白色实线中心点的横坐标差的绝对值，代表每个车道的宽度，若最宽的车道大于其他车道的宽度的平均值的1.5倍以上(1.5为经验值)，则认为最宽的车道不合法(可能是模型误检)，从而将其过滤掉。

进一步地，可以计算剩下的车道宽度的平均值，设该平均值为m，然后可以按照从左到右的顺序依次计算出过滤后的白色实线中与停止线端点的横向距离，其中，停止线端点为处于道路中央的端点而非道路边界处或图像边界处的端点。优选地，设白色实线与停止线端点的横向距离为m，若m大于m/3则认为该实线不是逆行区域第二边界线，将其过滤掉，最后找出与停止线端点的横向距离小于设定值的白色实线，即为逆行区域第二边界。

本发明实施例首先提取待检测图像中的路面信息，然后根据至少两种路面指示线确定逆行区域。本发明实施例提供的逆行区域的确定方法，通过待检测图像中的路面信息确定逆行区域，可以在待检测图像中划分出目标车的逆行区域，进而可以对目标车是否逆行进行合理判定。

实施例四

图8为本发明实施例四提供的一种车辆逆行的判定装置结构示意图。如图8所示，该装置包括：目标车确定模块210，逆行区域确定模块220，车底盘点提取模块230，逆行判断模块240。

目标车确定模块210，用于根据目标车牌号确定待检测图像中的目标车，所述待检测图像包括全景图和特写图。

可选的，目标车确定模块210还用于：

对全景图进行车牌检测，获得全景图中包含的至少一个车牌图像；对至少一个车牌图像进行车牌识别，获得至少一个车牌号；将至少一个车牌号与目标车牌号进行比对，根据比对结果确定目标车。

可选的，目标车确定模块210还用于：

若根据目标车牌号在全景图中未识别出目标车，则对特写图进行车牌识别，获取特写车牌号；将特写车牌号与目标车牌号进行比对，若特写车牌号与目标车牌号的误差位在设定阈值内，则将特写图对应的车辆确定为目标车；提取特写图中目标车的车辆特征；基于车辆特征对全景图进行车辆识别，获得全景图中的目标车。

可选的，目标车确定模块210还用于：

若全景图包括至少两张，将检测到目标车的全景图确定为第一全景图，将未检测到目标车的全景图确定为第二全景图；提取第一全景图中的包含的车辆的特征，获得第一特征向量；提取第二全景图中包含的车辆的特征，获得第二特征向量；将第一特征向量中的每个特征分别与第二特征向量进行余弦相似度计算，获得余弦相似度矩阵；根据余弦相似度矩阵确定第二全景图中的目标车。

可选的，目标车确定模块210还用于：

提取余弦相似度矩阵第i行中的第一最大值，且第一最大值处于第j列；提取余弦相似度矩阵第j列中的第二最大值；若第二最大值处于第i行，则判断第一全景图中的第i个车辆是否为目标车；如是，则判断第一最大值是否大于第一相似度阈值；若大于，则第二全景图中第j个车辆为目标车。

可选的，目标车确定模块210还用于：

若第二最大值未第i行，则确定目标车在第一全景图中的序号p；提取余弦相似度矩阵第p行中最大值对应的列序号；将第二全景图中编号为列序号的车辆确定为目标车。

逆行区域确定模块220，用于根据待检测图像的路面信息与目标车的行驶方向确定逆行区域。

可选的，逆行区域确定模块220还用于：

根据目标车的行驶方向确定逆行方向；提取待检测图像中的路面信息；路面信息包括至少两种路面指示线；根据至少两种路面指示线与逆行方向确定逆行区域。

可选的，逆行区域确定模块220还用于：

根据停止线确定逆行区域的第一边界线；根据道路分割线确定逆行区域的第二边界线；根据逆行方向将与第一边界平行的图像边界作为逆行区域的第三边界线；根据逆行方向将与第二边界线平行的图像边界作为逆行区域的第四边界线；将第一边界线、第二边界线、第三边界线和第四边界线包围的区域确定为逆行区域。

可选的，逆行区域确定模块220还用于：

若分割线包括黄色实线，则将黄色实线作为逆行区域的第二边界线。

可选的，逆行区域确定模块220还用于：

若分割线包括至少两条白色实线且未包含黄色实线，则将相邻两条白色实线作为一组；根据每组白色实线之间的距离计算车道宽度，根据车道宽度过滤不满足条件的白色实线；将过滤后的白色实线中与停止线端点的横向距离小于设定值的白色实线确定逆行区域的第二边界线；其中，停止线端点为处于道路中央的端点。

车底盘点提取模块230，用于提取目标车对应的车底盘点。

逆行判断模块240，用于判断车底盘点是否位于逆行区域内，若是，则目标车逆行。

上述装置可执行本公开前述所有实施例所提供的方法，具备执行上述方法相应的功能模块和有益效果。未在本实施例中详尽描述的技术细节，可参见本公开前述所有实施例所提供的方法。

实施例五

图9为本发明实施例五提供的一种计算机设备的结构示意图。图9示出了适于用来实现本发明实施方式的计算机设备312的框图。图9显示的计算机设备312仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。设备312是典型的车辆逆行的判定计算设备。如图9所示，计算机设备312以通用计算设备的形式表现。计算机设备312的组件可以包括但不限于：一个或者多个处理器316，存储装置328，连接不同系统组件(包括存储装置328和处理器316)的总线318。

总线318表示几类总线结构中的一种或多种，包括存储器总线或者存储器控制器，外围总线，图形加速端口，处理器或者使用多种总线结构中的任意总线结构的局域总线。举例来说，这些体系结构包括但不限于工业标准体系结构(industrystandardarchitecture，isa)总线，微通道体系结构(microchannelarchitecture，mca)总线，增强型isa总线、视频电子标准协会(videoelectronicsstandardsassociation，vesa)局域总线以及外围组件互连(peripheralcomponentinterconnect，pci)总线。

计算机设备312典型地包括多种计算机系统可读介质。这些介质可以是任何能够被计算机设备312访问的可用介质，包括易失性和非易失性介质，可移动的和不可移动的介质。

存储装置328可以包括易失性存储器形式的计算机系统可读介质，例如随机存取存储器(randomaccessmemory，ram)330和/或高速缓存存储器332。计算机设备312可以进一步包括其它可移动/不可移动的、易失性/非易失性计算机系统存储介质。仅作为举例，存储系统334可以用于读写不可移动的、非易失性磁介质(图9未显示，通常称为“硬盘驱动器”)。尽管图9中未示出，可以提供用于对可移动非易失性磁盘(例如“软盘”)读写的磁盘驱动器，以及对可移动非易失性光盘(例如只读光盘(compactdisc-readonlymemory，cd-rom)、数字视盘(digitalvideodisc-readonlymemory，dvd-rom)或者其它光介质)读写的光盘驱动器。在这些情况下，每个驱动器可以通过一个或者多个数据介质接口与总线318相连。存储装置328可以包括至少一个程序产品，该程序产品具有一组(例如至少一个)程序模块，这些程序模块被配置以执行本发明各实施例的功能。

具有一组(至少一个)程序模块326的程序336，可以存储在例如存储装置328中，这样的程序模块326包括但不限于操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。程序模块326通常执行本发明所描述的实施例中的功能和/或方法。

计算机设备312也可以与一个或多个外部设备314(例如键盘、指向设备、摄像头、显示器324等)通信，还可与一个或者多个使得用户能与该计算机设备312交互的设备通信，和/或与使得该计算机设备312能与一个或多个其它计算设备进行通信的任何设备(例如网卡，调制解调器等等)通信。这种通信可以通过输入/输出(i/o)接口322进行。并且，计算机设备312还可以通过网络适配器320与一个或者多个网络(例如局域网(localareanetwork，lan)，广域网wideareanetwork，wan)和/或公共网络，例如因特网)通信。如图所示，网络适配器320通过总线318与计算机设备312的其它模块通信。应当明白，尽管图中未示出，可以结合计算机设备312使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、磁盘阵列(redundantarraysofindependentdisks，raid)系统、磁带驱动器以及数据备份存储系统等。

处理器316通过运行存储在存储装置328中的程序，从而执行各种功能应用以及数据处理，例如实现本发明上述实施例所提供的车辆逆行的判定方法。

实施例六

本发明实施例提供了一种计算机可读存储介质，该计算机可读存储介质上存储有计算机程序，该程序被处理装置执行时实现如本发明实施例中的车辆逆行的判定方法。本发明上述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(ram)、只读存储器(rom)、可擦式可编程只读存储器(eprom或闪存)、光纤、便携式紧凑磁盘只读存储器(cd-rom)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。在本公开中，计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读信号介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：电线、光缆、rf(射频)等等，或者上述的任意合适的组合。

在一些实施方式中，客户端、服务器可以利用诸如http(hypertexttransferprotocol，超文本传输协议)之类的任何当前已知或未来研发的网络协议进行通信，并且可以与任意形式或介质的数字数据通信(例如，通信网络)互连。通信网络的示例包括局域网(“lan”)，广域网(“wan”)，网际网(例如，互联网)以及端对端网络(例如，adhoc端对端网络)，以及任何当前已知或未来研发的网络。

上述计算机可读介质可以是上述电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该电子设备执行时，使得该电子设备：根据目标车牌号确定待检测图像中的目标车，待检测图像包括全景图和特写图；根据待检测图像的路面信息确定逆行区域；提取目标车对应的车底盘点；判断车底盘点是否位于逆行区域内，若是，则目标车逆行。

可以以一种或多种程序设计语言或其组合来编写用于执行本公开的操作的计算机程序代码，上述程序设计语言包括但不限于面向对象的程序设计语言，诸如java、smalltalk、c ，还包括常规的过程式程序设计语言—诸如“c”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络连接到用户计算机，包括局域网(lan)或广域网(wan)，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。

附图中的流程图和框图，图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

描述于本公开实施例中所涉及到的单元可以通过软件的方式实现，也可以通过硬件的方式来实现。单元的名称在某种情况下并不构成对该单元本身的限定。本文中以上描述的功能可以至少部分地由一个或多个硬件逻辑部件来执行。例如，非限制性地，可以使用的示范类型的硬件逻辑部件包括：现场可编程门阵列(fpga)、专用集成电路(asic)、专用标准产品(assp)、片上系统(soc)、复杂可编程逻辑设备(cpld)等等。

在本公开的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的或半导体系统、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(ram)、只读存储器(rom)、可擦除可编程只读存储器(eprom或快闪存储器)、光纤、便捷式紧凑盘只读存储器(cd-rom)、光学储存设备、磁储存设备、或上述内容的任何合适组合。

注意，上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解，本发明不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此，虽然通过以上实施例对本发明进行了较为详细的说明，但是本发明不仅仅限于以上实施例，在不脱离本发明构思的情况下，还可以包括更多其他等效实施例，而本发明的范围由所附的权利要求范围决定。