一种车辆违章的识别方法、装置、介质及电子设备与流程

1.本技术实施例涉及视频监控技术领域，尤其涉及一种车辆违章的识别方法、装置、介质及电子设备。


背景技术：

2.随着科技水平的提高，视频监控领域无论从设备端，还是从服务端，都迎来了巨大的发展。
3.目前，在交通运输领域，可以通过摄像头抓拍图片来确定车辆是否存在违章情况。但是，其有一个强制约束条件为摄像头必须正对车道，即摄像头需要安装在车道的正上方的中间位置。但是部分摄像头由于空间限制，无法架设在正对车道的方向，这就使得异常角度车辆的违章识别存在误判。另外车辆行驶过程中，识别方式通常是通过车辆识别框，框选出识别到的车辆模型所在矩形区域，该矩形在非正对角度下，会与车道线形成交叉，也容易造成误判。
4.因此，如何还原车辆前方特征点，并通过特征点与车道线的位置关系，判定车辆存在越线或压线行驶等违章行为，成为了本领域亟待解决的技术难题。


技术实现要素：

5.本技术实施例提供一种车辆违章的识别方法、装置、介质及电子设备，可以达到在摄像头装置因场地原因无法安装在车道正上方时，根据其他角度的车辆图像对车辆进行违章识别的目的。
6.第一方面，本技术实施例提供了一种车辆违章的识别方法，所述方法包括：
7.获取车辆的行驶图像，识别所述行驶图像中车辆模型的矩形框；并根据像素点的灰度值属性确定至少两个初选点；
8.根据各初选点与所述矩形框的边界距离，确定各初选点的可信度；
9.根据所述可信度，从所述至少两个初选点中确定第一特征点；并根据所述第一特征点的可信度计算方式确定第二特征点；
10.根据所述第一特征点和所述第二特征点，与车道线的位置关系，确定车辆违章的识别结果。
11.可选的，根据各初选点与所述矩形框的边界距离，确定各初选点的可信度，包括：
12.根据初选点的位置，确定左侧边界和右侧边界中距离初选点最近的侧边界为目标侧边界；
13.根据初选点与所述矩形框的下边界距离和目标侧边界距离，确定初选点的可信度；
14.遍历所有初选点，得到各初选点的可信度。
15.可选的，在确定左侧边界和右侧边界中距离初选点最近的侧边界为目标侧边界之后，所述方法还包括：
16.确定所述目标侧边界与所述下边界的交点为矩形框角点；
17.相应的，根据初选点与所述矩形框的下边界距离和目标侧边界距离，确定初选点的可信度，包括：
18.根据初选点与所述矩形框的下边界距离和目标侧边界距离，以及初选点与所述矩形框角点的距离，确定初选点的可信度。
19.可选的，所述初选点的可信度采用如下公式确定：
[0020][0021]
其中，t(a)为初选点的可信度，α1为灰度值系数，ka为灰度梯度变化参数，β1为水平距离系数，w为矩形框宽度，d
wa
为初选点到侧边界的水平距离，β2为竖直距离系数，h为矩形框高度，d
ha
为初选点到下边界的竖直距离，a,b为常数，γ1为矩形框角点距离系数，d
sa
为初选点到矩形框角点的距离，c为常数。
[0022]
可选的，根据所述第一特征点的可信度计算方式确定第二特征点，包括：
[0023]
筛选出第一特征点之后，确定剩余初选点与所述第一特征点的灰度值属性的接近程度，以及剩余初选点与所述矩形框的下边界距离和目标侧边界距离，以及与矩形框下边界中点的距离，确定剩余初选点的可信度；
[0024]
遍历所有剩余初选点，将各剩余初选点中可信度最高的确定为第二特征点。
[0025]
可选的，所述剩余初选点的可信度采用如下公式确定：
[0026][0027]
其中，t(b)为剩余初选点的可信度，α2为灰度值系数，kb为灰度梯度变化参数，β3为水平距离系数，w为矩形框宽度，d
wb
为初选点到侧边界的水平距离，β4为竖直距离系数，h为矩形框高度，d
hb
为初选点到下边界的竖直距离，c,d为常数，γ2为矩形框下边界中点的距离系数，d
sb
为剩余初选点到矩形框下边界中点的距离，d为常数，ρ为接近程度系数，ka为第一特征点的灰度梯度变化参数，kb为剩余初选点的灰度梯度变化参数。
[0028]
可选的，根据所述第一特征点和所述第二特征点，与车道线的位置关系，确定车辆违章的识别结果，包括：
[0029]
连接所述第一特征点和所述第二特征点，形成车辆位置线段；
[0030]
若所述车辆位置线段与车道线相交，则确定车辆存在违章行为。
[0031]
第二方面，本技术实施例提供了一种车辆违章的识别装置，所述装置包括：
[0032]
初选点确定模块，用于获取车辆的行驶图像，识别所述行驶图像中车辆模型的矩形框；并根据像素点的灰度值属性确定至少两个初选点；
[0033]
初选点可信度确定模块，用于根据各初选点与所述矩形框的边界距离，确定各初选点的可信度；
[0034]
特征点确定模块，用于根据所述可信度，从所述至少两个初选点中确定第一特征点；并根据所述第一特征点的可信度计算方式确定第二特征点；
[0035]
违章结果确定模块，用于根据所述第一特征点和所述第二特征点，与车道线的位置关系，确定车辆违章的识别结果。
[0036]
第三方面，本技术实施例提供了一种计算机可读存储介质，其上存储有计算机程
序，该程序被处理器执行时实现如本技术实施例所述的车辆违章的识别方法。
[0037]
第四方面，本技术实施例提供了一种电子设备，包括存储器，处理器及存储在存储器上并可在处理器运行的计算机程序，所述处理器执行所述计算机程序时实现如本技术实施例所述的车辆违章的识别方法。
[0038]
本技术实施例所提供的技术方案，获取车辆的行驶图像，识别所述行驶图像中车辆模型的矩形框；并根据像素点的灰度值属性确定至少两个初选点；根据各初选点与所述矩形框的边界距离，确定各初选点的可信度；根据所述可信度，从所述至少两个初选点中确定第一特征点；并根据所述第一特征点的可信度计算方式确定第二特征点；根据所述第一特征点和所述第二特征点，与车道线的位置关系，确定车辆违章的识别结果。本技术所提供的技术方案，可在摄像头装置因场地原因无法安装在车道正上方时，根据其他角度的车辆图像对车辆进行违章识别，提高了车辆违章识别的准确度，同时提高了车辆违章识别方法的鲁棒性。
附图说明
[0039]
图1a是本技术实施例一提供的一种车辆违章的识别方法的流程图；
[0040]
图1b是图像灰度强度以及灰度梯度对应关系示意图；
[0041]
图1c为本技术实施例提供的一种车辆违章的识别结果图；
[0042]
图1d为本技术实施例提供的另一种车辆违章的识别结果图；
[0043]
图2是本技术实施例二提供的一种车辆违章的识别方法的流程图；
[0044]
图3a是本技术实施例三提供的一种车辆违章的识别方法的流程图；
[0045]
图3b为本技术实施例提供的初选点的可信度计算方法示意图
[0046]
图4是本技术实施例四提供的一种车辆违章的识别方法的流程图；
[0047]
图5是本技术实施例五提供的一种车辆违章的识别装置的结构示意图；
[0048]
图6是本技术实施例七提供的一种电子设备的结构示意图。
具体实施方式
[0049]
下面结合附图和实施例对本技术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技术，而非对本技术的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本技术相关的部分而非全部结构。
[0050]
在更加详细地讨论示例性实施例之前应当提到的是，一些示例性实施例被描述成作为流程图描绘的处理或方法。虽然流程图将各步骤描述成顺序的处理，但是其中的许多步骤可以被并行地、并发地或者同时实施。此外，各步骤的顺序可以被重新安排。当其操作完成时所述处理可以被终止，但是还可以具有未包括在附图中的附加步骤。所述处理可以对应于方法、函数、规程、子例程、子程序等等。
[0051]
实施例一
[0052]
图1a是本技术实施例一提供的一种车辆违章的识别方法的流程图，本实施例可适用于在摄像头装置因场地原因无法安装在车道正上方时，根据其他角度的车辆图像对车辆进行违章识别的情况，该方法可以由本技术实施例所提供的车辆违章的识别装置执行，该装置可以由软件和/或硬件的方式来实现，并可集成于运行此系统的电子设备中。
[0053]
如图1a所示，所述车辆违章的识别方法包括：
[0054]
s110、获取车辆的行驶图像，识别所述行驶图像中车辆模型的矩形框；并根据像素点的灰度值属性确定至少两个初选点。
[0055]
其中，车辆的行驶图像是指由交通监控摄像器或者其他具有拍摄功能的电子设备拍摄的同时包括有车辆和车道线的图像。其中，矩形框用于框出行驶图像中的车辆。该矩形框可以使用目标检测模型对行驶图像中车辆进行识别标注得到的，也可以是通过人工手动标注得到的，在这里不作限定，依据实际情况确定。可选的，利用轮廓检测算法识别车辆的行驶图像中车辆模型的矩形框。然后根据该矩形框内像素点的灰度属性确定至少两个初选点。其中，像素点的灰度属性可以是像素的灰度梯度。初选点一般为矩形框内车辆上灰度梯度较大的点。
[0056]
具体的，计算出该矩形框内所有像素点的灰度梯度，并将计算得到的所有像素点的灰度梯度与设定阈值相比较，将灰度梯度值大于设定阈值的像素点确定为初选点。其中，设定阈值是由技术人员根据实际情况设定的经验值，在这里不作限定。可选的，行驶图像中车辆模型的矩形框内至少有两个像素点的灰度梯度大于设定阈值。
[0057]
可选的，像素的灰度梯度的方向以及灰度梯度的大小计算方式如下：
[0058]
图1b是图像灰度强度以及灰度梯度对应关系示意图，图1b显示了图像中所有像素沿直线ab的灰度强度以及灰度梯度的变化趋势。其中，a为原始图像，b为a对应的灰度强度图，c为a对应的灰度梯度图。
[0059]
相邻像素之间的对比度发生显著变化的位置，灰度强度迅速增加。左侧路灯下部和暗门与光墙有明显的灰度差。可以通过观察灰度梯度来给发生变化的像素指定唯一的坐标。在直线ab下方可以看到c的灰度梯度渐变轮廓。图像灰度强度的突然变化在梯度剖面中以明显的峰谷清晰可见。首先从左到右，然后从上到下寻找这样的峰，找到在水平和垂直方向上都显示梯度峰的点，并选择它们作为x和y坐标的关键点。在上面的示例中，这对角点最有效，而类似边缘的结构在所有位置都有或多或少相同的梯度，在x和y中没有明显的峰值。
[0060]
基于以上观测，进入关键点检测的第一步就是梯度图像的计算。在数学上，梯度是图像灰度对x和y方向的偏导数。像素的灰度梯度主要为水平方向、竖直方向以及对角方向这三个方向的灰度梯度。
[0061]
水平方向灰度梯度用表示，其中，可以通过公式(1)计算得到：
[0062][0063]
竖直方向灰度梯度用表示，其中，可以通过公式(2)计算得到：
[0064][0065]
对角方向灰度梯度用表示，其中，和可以分别通过公式(1)或公式(2)计算得到。
[0066]
在公式(1)和公式(2)中，灰度梯度与相邻像素之间的灰度差除以相邻像素在x和y方向上的距离近似相等。其中，i为图像像素点灰度，xn，yn表示索引为n的像素点的坐标，n是当前计算灰度差的索引。
[0067]
基于灰度梯度向量，可以通过公式(3)和公式(4)计算灰度梯度的方向和灰度梯度的大小。
[0068][0069][0070]
其中，θ表示灰度梯度的方向；k表示灰度梯度的方向的大小。
[0071]
s120、根据各初选点与所述矩形框的边界距离，确定各初选点的可信度。
[0072]
其中，初选点的可信度是指在步骤s110得到的初选点作为车辆违章识别的各候选点作为特征点的可信度。具体的，各初选点的可信度可以根据各初选点与矩形框的边界距离确定。其中，矩形框的边界距离是指初选点距离矩形框的下水平边界和侧边界的距离。可选的，通过欧式距离计算公式得到该距离。
[0073]
由于车辆在矩形框内，初选点距离矩形框的下边界和侧边界越近，则表明该初选点是车辆外边缘的概率越高。因此，在确定初选点的可信度时，距离矩形框的侧边界近的初选点的可信度更高。综合考虑各初选点与矩形框的下边界和侧边界的距离，确定各初选点的可信度。
[0074]
s130、根据所述可信度，从所述至少两个初选点中确定第一特征点；并根据所述第一特征点的可信度计算方式确定第二特征点。
[0075]
其中，第一特征点是指按照预设规则从初选点中选择出来，用于车辆违章识别最终的特征点的一个初选点。具体的，将计算得到的初选点的可信度按照从大到小的顺序进行排序，从中选出可信度最大的初选点作为第一特征点。
[0076]
其中，第一特征点的可信度是根据其与矩形框的边界距离计算得到的，则第二特征点可信度同样通过计算其与矩形框的边界距离得到。可选的，第二特征点是根据第二特征点可信度，从步骤s110中确定的除了被选作第一特征点的初选点以外的其他初选点中选择可信度最高的一个初选点。
[0077]
s140、根据所述第一特征点和所述第二特征点，与车道线的位置关系，确定车辆违章的识别结果。
[0078]
其中，车道线是指车辆行驶图像中被矩形框框出的车辆的大部分车体所在车道的车道线。可选的，行驶图像中的车道线可以由人工手动标注出来或者通过特定算法如霍夫直线检测算法自动检测得到。其中，车辆违章的识别结果是指判断车辆行驶图像中矩形框框出的车辆是否存在越线的违章行为。
[0079]
在一个可选的实施例中，连接所述第一特征点和所述第二特征点，形成车辆位置线段；若所述车辆位置线段与车道线相交，则确定车辆存在违章行为。
[0080]
图1c为本技术实施例提供的一种车辆违章的识别结果图，如图1c所示，其中，点a和点b分别为第一特征点和第二特征点，线段ab为车辆位置线段。点b’为车辆位置线段ab延
长线与一侧车道线的交点。从图1c可知，车辆位置线段ab与左侧车道线相交，故可以确定图1c中车辆存在越线的违章行为。
[0081]
相对的，若所述车辆位置线段与车道线不相交，或者仅与其中一侧车道线相交则确定车辆不存在违章行为。图1d为本技术实施例提供的另一种车辆违章的识别结果图，如图1d所示，其中，点a和点b分别为第一特征点和第二特征点，线段ab为车辆位置线段。点a’和点b’分别为车辆位置线段ab延长线与两侧车道线的交点。从图1d可知，车辆位置线段ab并未与车道线相交，故可以确定图1d中车辆不存在违章行为。
[0082]
通过判断车辆位置线段是否与车道线相交即可识别车辆的违章行为，简化了车辆违章识别过程，使得车辆违章识别不再依赖与车辆行驶图像的拍摄角度，提高了车辆违章识别的鲁棒性。
[0083]
本技术实施例还可用于对于车辆违章判罚结果的复核，具体的，对被其他车辆违章识别算法如基于深度学习的车辆违章识别算法，判定为存在越线违章的车辆，再利用本技术实施例提供的车辆违章识别算法进行复核，以避免发生违章误判的情况。
[0084]
本技术实施例所提供的技术方案，获取车辆的行驶图像，识别所述行驶图像中车辆模型的矩形框；并根据像素点的灰度值属性确定至少两个初选点；根据各初选点与所述矩形框的边界距离，确定各初选点的可信度；根据所述可信度，从所述至少两个初选点中确定第一特征点；并根据所述第一特征点的可信度计算方式确定第二特征点；根据所述第一特征点和所述第二特征点，与车道线的位置关系，确定车辆违章的识别结果。本技术所提供的技术方案，可以在摄像头装置因场地原因无法安装在车道正上方时，根据其他角度的车辆图像对车辆进行违章识别，提高了车辆违章识别的准确度，同时提高了车辆违章识别方法的鲁棒性。
[0085]
实施例二
[0086]
图2是本技术实施例二提供的一种车辆违章的识别方法的流程图。本实施例在上述实施例的基础上进一步地优化。具体优化为：根据初选点的位置，确定左侧边界和右侧边界中距离初选点最近的侧边界为目标侧边界；根据初选点与所述矩形框的下边界距离和目标侧边界距离，确定初选点的可信度；遍历所有初选点，得到各初选点的可信度。
[0087]
如图2所示，所述车辆违章的识别方法包括：
[0088]
s210、获取车辆的行驶图像，识别所述行驶图像中车辆模型的矩形框；并根据像素点的灰度值属性确定至少两个初选点。
[0089]
s220、根据初选点的位置，确定左侧边界和右侧边界中距离初选点最近的侧边界为目标侧边界。
[0090]
具体的，可以以矩形框的上下水平边界的中点连成的直线为界线将矩形框分成左右两个部分，然后判断初选点位于矩形框的左半部分还是右半部分，确定距离初选点与矩形框左侧边界的距离与矩形框右侧边界的距离。选择距离初选点近的矩形框的两条侧边界作为目标侧边界。
[0091]
示例性的，若初选点位于矩形框的左半部分，该初选点的目标侧边界为与矩形框的左侧边界；相对的，若初选点位于矩形框的右半部分，该初选点的目标侧边界为与矩形框的右侧边界。
[0092]
s230、根据初选点与所述矩形框的下边界距离和目标侧边界距离，确定初选点的
可信度。
[0093]
由于矩形框的下水平边界为距离拍摄设备近的一端，根据透视原理，如果车辆靠近拍摄设备近的一端存在违章行为如越线，则该车辆必定存在违章行为。相对的，如果车辆靠近拍摄设备近的一端不存在违章行为如越线，则该车辆不一定存在违章行为。因此，在确定初选点的可信度时，距离矩形框的下水平边界近的初选点的可信度更高。
[0094]
初选点与目标边界的距离越近，初选点为车辆两侧边缘的可能性越大，而车辆的边缘点对于判断车辆是否违章有很大的参考意义。因此，距离目标侧边界越近的初选点的可信度相较于离目标侧距离远的初选点的可信度更高。
[0095]
综合考虑初选点与矩形框的下边界距离和目标侧边界距离确定初选点的可信度。
[0096]
s240、遍历所有初选点，得到各初选点的可信度。
[0097]
所有初选点是指车辆行驶图像中矩形框内的全部初选点，计算全部初选点的可信度。
[0098]
s250、根据所述可信度，从所述至少两个初选点中确定第一特征点；并根据所述第一特征点的可信度计算方式确定第二特征点。
[0099]
s260、根据所述第一特征点和所述第二特征点，与车道线的位置关系，确定车辆违章的识别结果。
[0100]
本技术实施例所提供的技术方案，获取车辆的行驶图像，识别所述行驶图像中车辆模型的矩形框；并根据像素点的灰度值属性确定至少两个初选点；根据初选点的位置，确定左侧边界和右侧边界中距离初选点最近的侧边界为目标侧边界；根据初选点与所述矩形框的下边界距离和目标侧边界距离，确定初选点的可信度；遍历所有初选点，得到各初选点的可信度；根据所述可信度，从所述至少两个初选点中确定第一特征点；并根据所述第一特征点的可信度计算方式确定第二特征点；根据所述第一特征点和所述第二特征点，与车道线的位置关系，确定车辆违章的识别结果。本技术所提供的技术方案，可以根据初选点与所述矩形框的下边界距离和目标侧边界距离，确定初选点的可信度，再根据可信度从初选点中确定特征点，简化了特征点的确定过程，提高了特征点确定效率和准确度，从而提高了车辆违章识别的准确度，同时提高了车辆违章识别方法的鲁棒性。
[0101]
实施例三
[0102]
图3a是本技术实施例三提供的一种车辆违章的识别方法的流程图。本实施例在上述实施例的基础上进行进一步地优化。具体优化为，根据初选点与所述矩形框的下边界距离和目标侧边界距离，以及初选点与所述矩形框角点的距离，确定初选点的可信度。
[0103]
如图3a所示，所述车辆违章的识别方法包括：
[0104]
s310、获取车辆的行驶图像，识别所述行驶图像中车辆模型的矩形框；并根据像素点的灰度值属性确定至少两个初选点。
[0105]
s320、根据初选点的位置，确定左侧边界和右侧边界中距离初选点最近的侧边界为目标侧边界。
[0106]
在一个可选的实施例中，确定所述目标侧边界与所述下边界的交点为矩形框角点。
[0107]
s330、根据初选点与所述矩形框的下边界距离和目标侧边界距离，以及初选点与所述矩形框角点的距离，确定初选点的可信度。
[0108]
其中，矩形框角点是指距离初选点最近的矩形框左下顶点或者右下顶点。具体的，可以以矩形框的上下水平边界的中点连成的直线为界线将矩形框分成左右两个部分，然后判断初选点位于矩形框的左半部分还是右半部分，确定距离初选点与矩形框左下顶点的距离和矩形框右下顶点的距离。与矩形框角点距离越近的初选点的可信度越高。
[0109]
图3b为本技术实施例提供的初选点的可信度计算方法示意图，如图3b所示，a点和b点均为初选点，点c为矩形框角点。当初选点为a点时，在一可选的实施例中，所述初选点的可信度采用公式(5)确定：
[0110][0111]
其中，t(a)为初选点的可信度，α1为灰度值系数，ka为灰度梯度变化参数，β1为水平距离系数，w为矩形框宽度，d
wa
为初选点到侧边界的水平距离，β2为竖直距离系数，h为矩形框高度，d
ha
为初选点到下边界的竖直距离，a,b为常数，γ1为矩形框角点距离系数，d
sa
为初选点到矩形框角点的距离，c为常数。其中，灰度值系数α1，水平距离系数β1，竖直距离系数β2和矩形框角点距离系数γ1以及常数a,b和c为本领域技术人员经过大量实验确定的经验值，在这里不作限定，具体依据实际情况确定。
[0112]
通过控制变量法对公式(5)进行分析，公式(5)中α1·
ka是与初选点灰度梯度相关项，在其他项不变的情况下，初选点的灰度梯度与初选点的可信度成正比，初选点的灰度梯度越大初选点的可信度越高。和三项依次分别为与初选点到矩形框目标侧边界、矩形框水平下边界和矩形框角点的距离相关项。在其他项不变的情况下，以上三个距离相关项均与初选点的可信度成反比。初选点与矩形框目标侧边界、矩形框水平下边界或矩形框角点任一项，距离越近，初选点的可信度越高。
[0113]
在计算初选点的可信度时综合考虑，初选点的灰度梯度和初选点与矩形框目标侧边界、矩形框水平下边界和矩形框角点之间的距离，是为了使位于矩形框下端，距离矩形框目标侧更近，灰度梯度更大的初选点的可信度更大，从而更准确的选择出用于车辆违章识别的特征点，进而提高车辆违章识别的准确度。
[0114]
s340、遍历所有初选点，得到各初选点的可信度。
[0115]
s350、根据所述可信度，从所述至少两个初选点中确定第一特征点；并根据所述第一特征点的可信度计算方式确定第二特征点。
[0116]
s360、根据所述第一特征点和所述第二特征点，与车道线的位置关系，确定车辆违章的识别结果。
[0117]
本技术实施例所提供的技术方案，获取车辆的行驶图像，识别所述行驶图像中车辆模型的矩形框；并根据像素点的灰度值属性确定至少两个初选点。根据初选点的位置，确定左侧边界和右侧边界中距离初选点最近的侧边界为目标侧边界；根据初选点与所述矩形框的下边界距离和目标侧边界距离，以及初选点与所述矩形框角点的距离，确定初选点的可信度；遍历所有初选点，得到各初选点的可信度；根据所述可信度，从所述至少两个初选点中确定第一特征点；并根据所述第一特征点的可信度计算方式确定第二特征点；根据所述第一特征点和所述第二特征点，与车道线的位置关系，确定车辆违章的识别结果。本技术所提供的技术方案，可以通过根据初选点与所述矩形框的下边界距离和目标侧边界距离，
以及初选点与所述矩形框角点的距离，确定初选点的可信度，从而更准确的选择出用于车辆违章识别的特征点，进而提高车辆违章识别的准确度。
[0118]
实施例四
[0119]
图4是本技术实施例四提供的一种车辆违章的识别方法的流程图。本实施例在上述实施例的基础上进行进一步地优化。具体优化为，筛选出第一特征点之后，确定剩余初选点与所述第一特征点的灰度值属性的接近程度，以及剩余初选点与所述矩形框的下边界距离和目标侧边界距离，以及与矩形框下边界中点的距离，确定剩余初选点的可信度；遍历所有剩余初选点，将各剩余初选点中可信度最高的确定为第二特征点。
[0120]
如图4所示，所述车辆违章的识别方法包括：
[0121]
s410、获取车辆的行驶图像，识别所述行驶图像中车辆模型的矩形框；并根据像素点的灰度值属性确定至少两个初选点。
[0122]
s420、根据各初选点与所述矩形框的边界距离，确定各初选点的可信度。
[0123]
s430、根据所述可信度，从所述至少两个初选点中确定第一特征点。
[0124]
s440、筛选出第一特征点之后，确定剩余初选点与所述第一特征点的灰度值属性的接近程度，以及剩余初选点与所述矩形框的下边界距离和目标侧边界距离，以及与矩形框下边界中点的距离，确定剩余初选点的可信度。
[0125]
其中，灰度属性是指第一特征点的灰度梯度。可选的，计算第一特征点以及剩余初选点的灰度梯度，并将剩余初选点的灰度梯度与第一特征点的灰度梯度作差，用剩余初选点的灰度梯度与第一特征点的灰度梯度的差值作为衡量剩余初选点与第一特征点的灰度值属性接近程度的基准。同等条件下，剩余初选点中与所述第一特征点的灰度梯度越接近的初选点的可信度越高。
[0126]
剩余初选点与矩形框下边界中点的距离可以根据剩余初选点和矩形下边界中的坐标，通过欧式距离计算公式计算得到。
[0127]
综合考虑剩余初选点与第一特征点的灰度值属性的接近程度，以及剩余初选点与矩形框的下边界距离和目标侧边界距离，以及与矩形框下边界中点的距离，确定剩余初选点的可信度。
[0128]
图3b为初选点的可信度计算方法示意图，如图3b所示，a点和b点均为初选点，点c为矩形框角点，点d矩形框下边界中点。当确定a点为第一特征点以后时，以点b为例，在一个可选的实施例中，剩余初选点的可信度采用公式(6)确定：
[0129][0130]
其中，t(b)为剩余初选点的可信度，α2为灰度值系数，kb为灰度梯度变化参数，β3为水平距离系数，w为矩形框宽度，d
wb
为初选点到侧边界的水平距离，β4为竖直距离系数，h为矩形框高度，d
hb
为初选点到下边界的竖直距离，c,d为常数，γ2为矩形框下边界中点的距离系数，d
sb
为剩余初选点到矩形框下边界中点的距离，d为常数，ρ为接近程度系数，ka为第一特征点的灰度梯度变化参数，kb为剩余初选点的灰度梯度变化参数。
[0131]
其中，灰度值系数α2，水平距离系数β3，竖直距离系数β4，矩形框下边界中点的距离系数γ2，接近程度系数ρ以及常数c,d和d，为本领域技术人员经过大量实验确定的经验值，在这里不作限定，具体依据实际情况确定。
[0132]
其中，项为剩余初选点与第一特征点的灰度值属性的接近程度的相关项，同等条件下，初选点与第一特征点的灰度梯度越接近，该初选点的可信度越高。
[0133]
公式(6)中α2·
kb是与初选点灰度梯度相关项，在其他项不变的情况下，初选点的灰度梯度与初选点的可信度成正比，初选点的灰度梯度越大初选点的可信度越高。和三项依次分别为与初选点到矩形框目标侧边界、矩形框水平下边界和矩形框下边界中点的距离相关项。在其他项不变的情况下，以上三个距离相关项均与初选点的可信度成反比。初选点与矩形框目标侧边界、矩形框水平下边界或矩形框下边界中点任一项，距离越近，初选点的可信度越高。
[0134]
在计算初选点的可信度时综合考虑，初选点的灰度梯度和初选点与矩形框目标侧边界、矩形框水平下边界和矩形框下边界中点之间的距离，是为了使位于矩形框下端，距离矩形框目标侧更近，灰度梯度更大的特征点相似性更高，初选点的可信度更大，从而更准确的选择出用于车辆违章识别的特征点，进而提高车辆违章识别的准确度。
[0135]
s450、遍历所有剩余初选点，将各剩余初选点中可信度最高的确定为第二特征点。
[0136]
其中，第二特征点是指按照预设规则从所有剩余初选点中选择出来，作为车辆违章识别的另一个最终特征点。具体的，将计算得到的所有剩余初选点的可信度按照从大到小的顺序进行排序，从中选出可信度最大的初选点作为第二特征点。
[0137]
一般而言，车辆具有左右对称性，可选的，根据车辆的轮距以及第一特征点的位置确定第二特征点。具体的，以第一特征点为端点，做与矩形框下边界平行的射线。然后在该射线上确定一点，使该点与第一特征点构成的线段的长度与车辆轮距相等。此时，该点即可作为第二特征点。也可将以该点为圆心以设定范围为半径的区域内作为预选范围，计算在该范围内初选点的可信度，进而选出该范围内可信度最高的初选点作为第二特征点，通过预先确定第二特征点的选择范围，降低了初选点的可信度的计算量，从而提高了车辆违章识别的效率。
[0138]
s460、根据所述第一特征点和所述第二特征点，与车道线的位置关系，确定车辆违章的识别结果。
[0139]
本实施例在上述各实施例的基础上，提供了一种第二特征点的确定方法，在确定第一特征点之后，采用上述方式确定第二特征点，可以更加准确的得到与第一特征点相对应的位置，从而可以表征出车辆行驶过程中，较为接近地面且能够与车辆宽度相符的第二特征点的点位，从而可以提高本方案对车辆违章识别的准确度。
[0140]
实施例五
[0141]
图5是本技术实施例五提供的一种车辆违章的识别装置，本实施例可适用于在摄像头装置因场地原因无法安装在车道正上方时，根据其他角度的车辆图像对车辆进行违章识别的情况，所述装置可由软件和/或硬件实现，并可集成于智能终端等电子设备中。
[0142]
如图5所示，该装置可以包括：初选点确定模块510、初选点可信度确定模块520、特征点确定模块530和违章结果确定模块540。
[0143]
初选点确定模块510，用于获取车辆的行驶图像，识别所述行驶图像中车辆模型的矩形框；并根据像素点的灰度值属性确定至少两个初选点；
[0144]
初选点可信度确定模块520，用于根据各初选点与所述矩形框的边界距离，确定各
初选点的可信度；
[0145]
特征点确定模块530，用于根据所述可信度，从所述至少两个初选点中确定第一特征点；并根据所述第一特征点的可信度计算方式确定第二特征点；
[0146]
违章结果确定模块540，用于根据所述第一特征点和所述第二特征点，与车道线的位置关系，确定车辆违章的识别结果。
[0147]
本技术实施例所提供的技术方案，获取车辆的行驶图像，识别所述行驶图像中车辆模型的矩形框；并根据像素点的灰度值属性确定至少两个初选点；根据各初选点与所述矩形框的边界距离，确定各初选点的可信度；根据所述可信度，从所述至少两个初选点中确定第一特征点；并根据所述第一特征点的可信度计算方式确定第二特征点；根据所述第一特征点和所述第二特征点，与车道线的位置关系，确定车辆违章的识别结果。本技术所提供的技术方案，可在摄像头装置因场地原因无法安装在车道正上方时，根据其他角度的车辆图像对车辆进行违章识别，提高了车辆违章识别的准确度，同时提高了车辆违章识别方法的鲁棒性。
[0148]
可选的，初选点可信度确定模块520，包括：目标侧边界确定子模块，用于根据初选点的位置，确定左侧边界和右侧边界中距离初选点最近的侧边界为目标侧边界；初选点可信度确定子模块，用于根据初选点与所述矩形框的下边界距离和目标侧边界距离，确定初选点的可信度；可信度获取子模块，遍历所有初选点，得到各初选点的可信度。
[0149]
可选的，所述装置还包括：矩形框角点确定模块，用于在确定左侧边界和右侧边界中距离初选点最近的侧边界为目标侧边界之后，确定所述目标侧边界与所述下边界的交点为矩形框角点；
[0150]
可选的，初选点可信度确定子模块，具体用于根据初选点与所述矩形框的下边界距离和目标侧边界距离，以及初选点与所述矩形框角点的距离，确定初选点的可信度。
[0151]
可选的，所述初选点的可信度采用如下公式确定：
[0152][0153]
其中，t(a)为初选点的可信度，α1为灰度值系数，ka为灰度梯度变化参数，β1为水平距离系数，w为矩形框宽度，d
wa
为初选点到侧边界的水平距离，β2为竖直距离系数，h为矩形框高度，d
ha
为初选点到下边界的竖直距离，a,b为常数，γ1为矩形框角点距离系数，d
sa
为初选点到矩形框角点的距离，c为常数。
[0154]
可选的，特征点确定模块530包括：第一特征点确定子模块和第二特征点确定子模块。其中，第二特征点确定子模块，包括：剩余初选点可信度确定单元，用于筛选出第一特征点之后，确定剩余初选点与所述第一特征点的灰度值属性的接近程度，以及剩余初选点与所述矩形框的下边界距离和目标侧边界距离，以及与矩形框下边界中点的距离，确定剩余初选点的可信度；第二特征点确定单元，用于遍历所有剩余初选点，将各剩余初选点中可信度最高的确定为第二特征点。
[0155]
可选的，所述剩余初选点的可信度采用如下公式确定：
[0156][0157]
其中，t(b)为剩余初选点的可信度，α2为灰度值系数，kb为灰度梯度变化参数，β3为
水平距离系数，w为矩形框宽度，d
wb
为初选点到侧边界的水平距离，β4为竖直距离系数，h为矩形框高度，d
hb
为初选点到下边界的竖直距离，c,d为常数，γ2为矩形框下边界中点的距离系数，d
sb
为剩余初选点到矩形框下边界中点的距离，d为常数，ρ为接近程度系数，ka为第一特征点的灰度梯度变化参数，kb为剩余初选点的灰度梯度变化参数。
[0158]
可选的，违章结果确定模块540，包括：车辆位置线段形成子模块，用于连接所述第一特征点和所述第二特征点，形成车辆位置线段；车辆违章行为确定子模块，用于若所述车辆位置线段与车道线相交，则确定车辆存在违章行为。
[0159]
本发明实施例所提供的一种车辆违章的识别装置可执行本发明任意实施例所提供的一种车辆违章的识别方法，具备执行一种车辆违章的识别方法相应的功能模块和有益效果。
[0160]
实施例六
[0161]
本技术实施例六还提供一种包含计算机可执行指令的存储介质，所述计算机可执行指令在由计算机处理器执行时用于执行一种车辆违章的识别方法，该方法包括：
[0162]
获取车辆的行驶图像，识别所述行驶图像中车辆模型的矩形框；并根据像素点的灰度值属性确定至少两个初选点；
[0163]
根据各初选点与所述矩形框的边界距离，确定各初选点的可信度；
[0164]
根据所述可信度，从所述至少两个初选点中确定第一特征点；并根据所述第一特征点的可信度计算方式确定第二特征点；
[0165]
根据所述第一特征点和所述第二特征点，与车道线的位置关系，确定车辆违章的识别结果。
[0166]
存储介质是指任何的各种类型的存储器电子设备或存储电子设备。术语“存储介质”旨在包括：安装介质，例如cd-rom、软盘或磁带装置；计算机系统存储器或随机存取存储器，诸如dram、ddr ram、sram、edo ram，兰巴斯(rambus)ram等；非易失性存储器，诸如闪存、磁介质(例如硬盘或光存储)；寄存器或其它相似类型的存储器元件等。存储介质可以还包括其它类型的存储器或其组合。另外，存储介质可以位于程序在其中被执行的计算机系统中，或者可以位于不同的第二计算机系统中，第二计算机系统通过网络(诸如因特网)连接到计算机系统。第二计算机系统可以提供程序指令给计算机用于执行。术语“存储介质”可以包括可以驻留在不同未知中(例如在通过网络连接的不同计算机系统中)的两个或更多存储介质。存储介质可以存储可由一个或多个处理器执行的程序指令(例如具体实现为计算机程序)。
[0167]
当然，本技术实施例所提供的一种包含计算机可执行指令的存储介质，其计算机可执行指令不限于如上所述的车辆违章的识别操作，还可以执行本技术任意实施例所提供的车辆违章的识别方法中的相关操作。
[0168]
实施例七
[0169]
本技术实施例七提供了一种电子设备，该电子设备中可集成本技术实施例提供的车辆违章的识别装置，该电子设备可以是配置于系统内的，也可以是执行系统内的部分或者全部功能的设备。图6是本技术实施例七提供的一种电子设备的结构示意图。如图6所示，本实施例提供了一种电子设备600，其包括：一个或多个处理器620；存储装置610，用于存储一个或多个程序，当所述一个或多个程序被所述一个或多个处理器620执行，使得所述一个
或多个处理器620实现本技术实施例所提供的车辆违章的识别方法，该方法包括：
[0170]
获取车辆的行驶图像，识别所述行驶图像中车辆模型的矩形框；并根据像素点的灰度值属性确定至少两个初选点；
[0171]
根据各初选点与所述矩形框的边界距离，确定各初选点的可信度；
[0172]
根据所述可信度，从所述至少两个初选点中确定第一特征点；并根据所述第一特征点的可信度计算方式确定第二特征点；
[0173]
根据所述第一特征点和所述第二特征点，与车道线的位置关系，确定车辆违章的识别结果。
[0174]
当然，本领域技术人员可以理解，处理器620还实现本技术任意实施例所提供的车辆违章的识别方法的技术方案。
[0175]
图6显示的电子设备600仅仅是一个示例，不应对本技术实施例的功能和使用范围带来任何限制。
[0176]
如图6所示，该电子设备600包括处理器620、存储装置610、输入装置630和输出装置640；电子设备中处理器620的数量可以是一个或多个，图6中以一个处理器620为例；电子设备中的处理器620、存储装置610、输入装置630和输出装置640可以通过总线或其他方式连接，图6中以通过总线650连接为例。
[0177]
存储装置610作为一种计算机可读存储介质，可用于存储软件程序、计算机可执行程序以及模块单元，如本技术实施例中的车辆违章的识别方法对应的程序指令。
[0178]
存储装置610可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序；存储数据区可存储根据终端的使用所创建的数据等。此外，存储装置610可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实例中，存储装置610可进一步包括相对于处理器620远程设置的存储器，这些远程存储器可以通过网络连接。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
[0179]
输入装置630可用于接收输入的数字、字符信息或语音信息，以及产生与电子设备的用户设置以及功能控制有关的键信号输入。输出装置640可包括显示屏、扬声器等电子设备。
[0180]
本技术实施例提供的电子设备，可以在摄像头装置因场地原因无法安装在车道正上方时，根据其他角度的车辆图像对车辆进行违章识别，以提高车辆违章识别的准确度。
[0181]
上述实施例中提供的车辆违章的识别装置、介质及电子设备可执行本技术任意实施例所提供的车辆违章的识别方法，具备执行该方法相应的功能模块和有益效果。未在上述实施例中详尽描述的技术细节，可参见本技术任意实施例所提供的车辆违章的识别方法。
[0182]
注意，上述仅为本技术的较佳实施例及所运用技术原理。本领域技术人员会理解，本技术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技术的保护范围。因此，虽然通过以上实施例对本技术进行了较为详细的说明，但是本技术不仅仅限于以上实施例，在不脱离本技术构思的情况下，还可以包括更多其他等效实施例，而本技术的范围由所附的权利要求范围决定。