买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：平安科技(深圳)有限公司

摘要：本申请涉及图像检测领域，提供识别车辆违章行为的方法、服务器及存储介质，该方法包括：检测到停车图像中的检测对象为机动车后，根据边缘检测方式检测到停车图像中的检测对象为机动车后，利用图像识别算识别检测对象的特征区域，从特征区域中提取梯度直方图特征并输入神经网络分类器，以对神经网络分类器中的预训练模型进行训练，根据检测对象的位置信息对训练结果计算像素均值和标准差，将像素均值和标准差最大的计算结果确定为检测对象的车辆信息和泊车信息，根据检测对象的车辆信息和泊车信息判断检测对象是否符合违停条件。本方案能够提高违停识别准确率和速度、减轻交警工作量以及应对城市车辆增长迅速带来的日益严重的违章停车情况。

主权项：1.一种识别车辆违章行为的方法，其特征在于，所述方法包括：获取停车图像；对所述停车图像进行边缘检测，若检测到所述停车图像中的检测对象为机动车后，利用图像识别算法从所述停车图像中识别所述检测对象的特征区域，从所述特征区域中提取梯度直方图特征，将所述梯度直方图特征输入神经网络分类器，根据所述梯度直方图特征对所述神经网络分类器中的预训练模型进行训练，根据检测对象的位置信息对所述预训练模型的训练结果计算像素均值和标准差，将像素均值和标准差最大的计算结果确定为所述检测对象的车辆信息和泊车信息，所述车辆信息包括车辆类型和车牌号，所述泊车信息包括停车的位置信息和交通标志；其中，所述神经网络分类器的一种表示方式为：I^i,j=Ii,j-μi,jσi,j+C，μ、σ分别是以像素点i,j为中心的局部小邻域内的像素均值和标准差，C是常数，I是像素点i,j的灰度值，i,j∈W，W为所述梯度直方图特征；根据所述检测对象的车辆信息和泊车信息判断所述检测对象是否符合违停条件；所述获取停车图像之后，所述检测到所述停车图像中的检测对象为机动车之前，所述方法还包括：在上传所述停车图像的入口设置上传条件，检测所述停车图像是否符合所述上传条件，如果所述停车图像符合所述上传条件，则上传所述停车图像；如果所述停车图像不符合所述上传条件，则显示提示信息；所述上传条件包括以下项之一：车辆不同距离或角度的图像、或者包含车辆信息的图像；其中，所述不同距离的图像包括远景图像和近景图像；所述上传条件还包括满足图像质量标准；从二值化图像中识别所述检测对象的车辆信息，以及按照预设的停车特征格式从所述二值化图像中识别所述检测对象中与所述停车特征格式匹配的泊车信息，包括：在像素级层面对所述停车图像中的每个像素进行分类，抽取所述停车图像中带有车辆特征信息的抽象特征信息；采用超像素分割算法，按照抽取的抽象特征信息将所述停车图像分割成多个超像素区域块，所述超像素区域块是指所述停车图像的各部分的特征所对应的像素区域；采用基于HOG特征的局部SVM分类器从各超像素区域块中识别出带有车辆特征信息的超像素区域块；若各超像素区域块中存在带有车辆特征信息的超像素区域块，则从带有车辆特征信息的超像素区域块中提取车辆类别特征信息；若根据提取的车辆类别特征信息确定所述检测对象为机动车，则根据带有车辆特征信息的超像素区域块识别所述检测对象的位置信息和所述交通标志的位置信息；所述根据带有车辆特征信息的超像素区域块识别所述检测对象的位置信息和所述交通标志的位置信息，包括：定位出所述检测对象的位置信息；计算所述检测对象与所述交通标志的巴氏距离；根据所述检测对象的位置信息与所述巴氏距离计算得到所述交通标志的位置信息；其中，计算所述巴氏距离的公式如下： ；px是指所述检测对象的位置信息，qx是指与目标车辆相邻的交通标志的位置信息，BC（p，q）是指所述检测对象与所述交通标志的巴氏距离；所述根据所述检测对象的车辆信息和泊车信息判断所述检测对象是否符合违停条件，包括：将所述车牌号与后台数据比对，判断所述车牌号的真伪，以及判断所述车牌号是否在限号列表中；若所述车牌号为假车牌号，则确定所述停车图像中的车辆属于违停行为；若所述车牌号为限号列表中的车牌号，则确定该停车图像中的车辆属于违停行为。

全文数据：一种识别车辆违章行为的方法、服务器及存储介质技术领域本申请涉及图像检测领域，尤其涉及一种识别车辆违章行为的方法、服务器及存储介质。背景技术随着我国机动车保有量不断地增加,违章停车问题也逐渐增多。执勤交警受工作时间、人力等因素无法对所有违停车辆进行现场处罚,而定点的拍照或监控设备由于存在盲区也不能拍摄所有的违停行为，群众拍照举报系统往往也需要大量审核人员处理。但是，现有机制中检测违章停车时，存在以下问题：无法有效的、自动的判断车辆与停车标志线关系；所拍摄的涉嫌违停车辆照片的存在失效和重复性问题；对于群众拍照交通举报系统往往也需要大量审核人员处理，照片的筛选、识别效率低，且劳动强度大。发明内容本申请提供了一种识别车辆违章行为的方法、服务器及存储介质，能够解决现有技术中违停识别技术准确率低、速度慢，交警工作量大的问题。第一方面，本申请提供一种识别车辆违章行为的方法，所述方法包括：获取停车图像；若检测到所述停车图像中的检测对象为机动车后，利用图像识别算法从所述停车图像中识别所述检测对象的车辆信息和泊车信息，所述车辆信息包括车辆类型和车牌号，所述泊车信息包括停车的位置信息和交通标志；根据所述检测对象的车辆信息和泊车信息判断所述检测对象是否符合违停条件。一种可能的设计中，所述获取停车图像之后，所述检测到所述停车图像中的检测对象为机动车之前，所述方法还包括：在上传所述停车图像的入口设置上传条件，所述上传条件包括以下项之一：车辆不同距离或角度的图像、或者包含车辆信息的图像。一种可能的设计中，所述获取停车图像之后，所述检测到所述停车图像中的检测对象为机动车之前，所述方法还包括：对上传的所有停车图像进行分析，获取所述停车图像的直方图的图像特征，所述图像特征包括旋转、位移、放大、缩小和不变性；根据所述停车图像的图像特征，对所有上传的停车图像进行直方图比较，将在预设的阈值范围内的近似图像确定为重复的停车图像；对在预设的阈值范围内的近似图像进行剔除处理。一种可能的设计中，所述从所述停车图像中识别所述检测对象的车辆信息和泊车信息，包括：将所述停车图像分割成多个超像素区域块；采用局部分类器从各超像素区域块中识别出带有车辆特征信息的超像素区域块；若各超像素区域块中存在带有车辆特征信息的超像素区域块，则从带有车辆特征信息的超像素区域块中提取车辆类别特征信息；若根据提取的车辆类别特征信息确定所述检测对象为机动车，则根据带有车辆特征信息的超像素区域块识别所述检测对象的位置信息和所述交通标志的位置信息。一种可能的设计中，所述根据带有车辆特征信息的超像素区域块识别所述检测对象的位置信息和所述交通标志的位置信息，包括：定位出所述检测对象的位置信息；计算所述检测对象与所述交通标志的巴氏距离：根据所述检测对象的位置信息与所述巴氏距离计算得到所述交通标志的位置信息；其中，计算所述巴氏距离的公式如下：px是指所述检测对象的位置信息，qx是指与目标车辆相邻的交通标志的位置信息，BCp，q是指所述检测对象与所述交通标志的巴氏距离。一种可能的设计中，所述根据所述检测对象的车辆信息和泊车信息判断所述检测对象是否符合违停条件，包括：将所述车牌号与后台数据比对，判断所述车牌号的真伪，以及判断所述车牌号是否在限号列表中；若所述车牌号为假车牌号，则确定所述停车图像中的车辆属于违停行为；若所述车牌号为限号列表中的车牌号，则确定该停车图像中的车辆属于违停行为。一种可能的设计中，所述根据所述检测对象的车辆信息和泊车信息判断所述检测对象是否符合违停条件，包括：定位出所述检测对象的位置信息；根据语义分割网络译码后的物体分类标注，判断检测对象是否遮挡所述交通标志，所述交通标志包括停车地标线或禁停标志线；若所述交通标志的坐标位置与所述检测对象的坐标位置发生重叠，则确定所述检测对象对应的车辆存在违章行为。第二方面，本申请提供一种服务器，具有实现对应于上述第一方面提供的识别车辆违章行为的方法的功能。所述功能可以通过硬件实现，也可以通过硬件执行相应的软件实现。硬件或软件包括一个或多个与上述功能相对应的模块，所述模块可以是软件和或硬件。一种可能的设计中，所述服务器包括：获取模块，用于获取停车图像；检测模块，用于检测模块，用于对所述停车图像进行边缘检测，以检测所述停车图像中的检测对象；处理模块，用于若所述检测模块检测到所述停车图像中的检测对象为机动车后，利用图像识别算法从所述停车图像中识别所述检测对象的特征区域，从所述特征区域中提取梯度直方图特征，将所述梯度直方图特征输入神经网络分类器，根据所述梯度直方图特征对所述神经网络分类器中的预训练模型进行训练，根据检测对象的位置信息对所述预训练模型的训练结果计算像素均值和标准差，将像素均值和标准差最大的计算结果确定为所述检测对象的车辆信息和泊车信息，所述车辆信息包括车辆类型和车牌号，所述泊车信息包括停车的位置信息和交通标志；根据所述检测对象的车辆信息和泊车信息判断所述检测对象是否符合违停条件；其中，所述神经网络分类器的一种表示方式为：I^i,j＝Ii,j-μi,jσi,j+C，μ、σ分别是以像素点i,j为中心的局部小邻域内的像素均值和标准差，C是常数，I是像素点i,j的灰度值，i,j∈W，W为所述梯度直方图特征。一种可能的设计中，所述处理模块在所述获取模块获取停车图像之后，所述检测模块检测到所述停车图像中的检测对象为机动车之前，还用于：在上传所述停车图像的入口设置上传条件，所述上传条件包括以下项之一：车辆不同距离或角度的图像、或者包含车辆信息的图像。一种可能的设计中，所述处理模块在所述获取模块获取停车图像之后，所述检测模块检测到所述停车图像中的检测对象为机动车之前，还用于：对上传的所有停车图像进行分析，获取所述停车图像的直方图的图像特征，所述图像特征包括旋转、位移、放大、缩小和不变性；根据所述停车图像的图像特征，对所有上传的停车图像进行直方图比较，将在预设的阈值范围内的近似图像确定为重复的停车图像；对在预设的阈值范围内的近似图像进行剔除处理。一种可能的设计中，所述处理模块具体用于：在像素级层面对所述停车图像中的每个像素进行分类，抽取所述停车图像中带有车辆特征信息的抽象特征信息；采用超像素分割算法，按照抽取的抽象特征信息将所述停车图像分割成多个超像素区域块，所述超像素区域块是指所述停车图像的各部分的特征所对应的像素区域；采用基于HOG特征的局部SVM分类器从各超像素区域块中识别出带有车辆特征信息的超像素区域块；若各超像素区域块中存在带有车辆特征信息的超像素区域块，则从带有车辆特征信息的超像素区域块中提取车辆类别特征信息；若根据提取的车辆类别特征信息确定所述检测对象为机动车，则根据带有车辆特征信息的超像素区域块识别所述检测对象的位置信息和所述交通标志的位置信息。一种可能的设计中，所述处理模块具体用于：通过所述检测模块定位出所述检测对象的位置信息；计算所述检测对象与所述交通标志的巴氏距离：根据所述检测对象的位置信息与所述巴氏距离计算得到所述交通标志的位置信息；其中，巴氏距离的计算公式如下：px是指所述检测对象的位置信息，qx是指与目标车辆相邻的交通标志的位置信息，BCp，q是指所述检测对象与所述交通标志的巴氏距离。一种可能的设计中，所述处理模块具体用于：将所述车牌号与后台数据比对，判断所述车牌号的真伪，以及判断所述车牌号是否在限号列表中；若所述车牌号为假车牌号，则确定所述停车图像中的车辆属于违停行为；若所述车牌号为限号列表中的车牌号，则确定该停车图像中的车辆属于违停行为。一种可能的设计中，所述处理模块具体用于：通过所述检测模块定位出所述检测对象的位置信息；根据语义分割网络译码后的物体分类标注，判断检测对象是否遮挡所述交通标志，所述交通标志包括停车地标线或禁停标志线；若所述交通标志的坐标位置与所述检测对象的坐标位置发生重叠，则确定所述检测对象对应的车辆存在违章行为。本申请又一方面提供了一种计算机装置，其包括至少一个连接的处理器、存储器、发射器和接收器，其中，所述存储器用于存储程序代码，所述处理器用于调用所述存储器中的程序代码来执行上述第一方面所述的方法。本申请又一方面提供了一种计算机存储介质，其包括指令，当其在计算机上运行时，使得计算机执行上述第一方面所述的方法。相较于现有技术，本申请提供的方案中，获取停车图像后，若检测到所述停车图像中的检测对象为机动车，利用图像识别算法从所述停车图像中识别所述检测对象的车辆信息和泊车信息，根据所述检测对象的车辆信息和泊车信息判断所述检测对象是否符合违停条件。可见，本申请既可以承接定点设备所拍摄的停车图像，也可以只需要特定时段巡逻拍摄图像或群众举报图像传至交管后台即可，大大加强对违章停车行为的威慑，同时，也提高违停识别技术准确率和速度，能够有效减轻交警工作量，还可以应对城市车辆增长迅速带来的日益严重的违章停车情况。附图说明图1为本申请实施例中识别车辆违章行为的方法的一种流程示意图；图2为本申请实施例中识别车辆信息和泊车信息的一种流程示意图；图3为本申请实施例中服务器的一种结构示意图；图4为本申请实施例中服务器的一种结构示意图。本申请目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。具体实施方式应当理解，此处所描述的具体实施例仅用以解释本申请，并不用于限定本申请。本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的实施例能够以除了在这里图示或描述的内容以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或模块的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或模块，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或模块，本申请中所出现的模块的划分，仅仅是一种逻辑上的划分，实际应用中实现时可以有另外的划分方式，例如多个模块可以结合成或集成在另一个系统中，或一些特征可以忽略，或不执行。本申请提供一种识别车辆违章行为的方法、服务器及存储介质，可用于交通违章。为解决上述技术问题，本申请主要提供以下技术方案：通过基于深度学习的停车图像识别方法和违停车辆照片检测方法解决车辆识别的效率和准确率，将静态图像下的车辆检测问题转换成以超像素为单位的目标与背景二分类问题,以局部学习中心选取策略和巴氏距离大小为基础,将样本划分若干子集并在每个子集上训练一个局部分类器来检测各超像素是否属于车辆,从而确定目标车辆区域。通过将基于卷积神经网络ConvolutionalNeuralNetworks，CNN的方法与长短期记忆网络LongShort-TermMemory，LSTM相结合，形成长期递归卷积网络Long-termRecurrentConvolutionalNetwork，LRCN，有效检测车辆是否停在指定区域，判断车辆与停车标志线关系。以及通过面向违停车辆的举报照片有效性检测方案和多信息联合的车辆举报照片去重方案，利用车牌识别，提高检测效率和有效性、基于深度学习的停车图像识别方法以及手机端的方向传感器数据来检测举报照片是否满足有效性标准。参照图1，以下介绍本申请的一种识别车辆违章行为的方法，该方法由交管后台的服务器执行，所述方法包括：101、获取停车图像。其中，所述停车图像包括停车位以及停在所述停车位上的车辆。所述停车图像可以是交警在特定时段巡逻拍摄的图像，或也可以是来自于群众通过交管平台举报的图像。一些实施方式中，为提高车辆违停识别的效率，可以在上传停车图像的入口设置上传条件。其中，所述上传条件可包括：车辆不同距离或角度的图像、或者包含车辆信息的图像。例如，不同距离的图像需要包括一张远景照片以及一张车辆近景图像，所述近景照片包括车辆号牌信息。其中，远景照片作为判断汽车是否发生违章行为的判断依据例如车辆压路边黄色实线，近景照片则用于识别车辆的车牌信息以及对远景违章判别的双重验证。为便于后台的服务器对违章行为进行分析，还需要检测上传的测量图像的质量。例如，在上传入口，要求同时提供清晰的远近景图片各一张，其中，远景图片要求包含整车轮廓例如遮挡范围10％及交通标志线，近景图片要求包含完整涉嫌违停的车牌号信息。如果该上传的停车图像中不包括车辆的局部或全局图像，则确定该停车图像不合格，弹出对话框，提示“不合格，请重新上传”，这样在前端将停车图像进行初筛，减少后端服务器的数据处理负荷，提高违停行为的识别效率。一些实施方式中，为避免重复上传停车图像，还可以对上传的所有停车图像进行分析，识别出重复的停车图像后，可对这些停车图像进行去重处理。具体来说，在获取停车图像之后，所述检测到所述停车图像中的检测对象为机动车之前，所述方法还包括：对上传的所有停车图像进行分析，获取所述停车图像的直方图的图像特征，所述图像特征包括旋转、位移、放大、缩小和不变性；根据所述停车图像的图像特征，对所有上传的停车图像进行直方图比较，将在预设的阈值范围内的近似图像确定为重复的停车图像。可见，识别出重复的停车图像后，通过对在预设的阈值范围内的近似图像进行剔除处理即对这些停车图像进行去重处理，能够减少不必要的噪声图像，便于后台的服务器进行违停分析。102、对所述停车图像进行边缘检测，若检测到所述停车图像中的检测对象为机动车后，利用图像识别算法从所述停车图像中识别所述检测对象的车辆信息和泊车信息。其中，所述车辆信息包括车辆类型和车牌号，所述泊车信息包括停车的位置信息和交通标志。所述交通标志至少包括停车标志线、禁停标志线、禁停标志牌或者停车标志牌。一些实施方式中，可利用图像识别算法识别所述停车图像中的车辆信息和泊车信息，该图像识别算法可以是卷积神经网络。举例来说，识别车牌号时，可通过目标车牌位置检测和车牌号码分类进行车牌号识别，通过大型神经网络Faster-RecurrentNeuralNetworks，Faster-RCNN获取车牌的准确坐标区域，同时对该停车图像中的检测对象进行分类以及位置检测。若车牌不规则，还可以针对指定区域进行车牌角度校正，便于服务器识别。一些实施方式中，所述利用图像识别算法从所述停车图像中识别所述检测对象的车辆信息和泊车信息，包括：利用图像识别算法从所述停车图像中识别所述检测对象的特征区域；从所述特征区域中提取梯度直方图特征；将所述梯度直方图特征输入神经网络分类器，根据所述梯度直方图特征对所述神经网络分类器中的预训练模型进行训练；根据检测对象的位置信息对所述预训练模型的训练结果计算像素均值和标准差，将像素均值和标准差最大的计算结果确定为所述检测对象的车辆信息和泊车信息。其中，所述神经网络分类器的一种表示方式为：I^i,j＝Ii,j-μi,jσi,j+C，μ、σ分别是以像素点i,j为中心的局部小邻域内的像素均值和标准差，C是常数，I是像素点i,j的灰度值，i,j∈W，W为所述梯度直方图特征。另一些实施方式中，所述利用图像识别算法从所述停车图像中识别所述检测对象的车辆信息和泊车信息，包括：利用图像识别算法对所述停车图像依次进行灰度化处理、灰度拉伸处理、二值化处理和中值滤波处理，得到二值化图像；按照预设的车辆特征格式从所述二值化图像中识别所述检测对象中与所述车辆特征格式匹配的车辆信息，以及按照预设的停车特征格式从所述二值化图像中识别所述检测对象中与所述停车特征格式匹配的泊车信息。其中，所述车辆信息包括车辆类型和车牌号，所述泊车信息包括停车的位置信息和交通标志；所述车辆特征格式包括车牌特征格式和车辆类型特征格式。本申请实施例中，由于图像分析与图像识别的前提是图像特征提取，图像特征提取是将高维的图像数据进行简化表达最有效的方式，即根据一幅图像的的数据矩阵中的数据提取出该幅图像中的关键信息，例如颜色特征、纹理特征、形状特征以及局部特征点。本申请中实现图像特征提取的图像识别算法包括卷积神经网络、局部二值模式LBP特征提取算法、方向梯度直方图HOG特征提取算法、小波和Haar特征提取算子、二阶拉普拉斯-高斯边缘LoG提取算法、SIFT特征提取算子或SURF特征提取算法。卷积神经网络包含一个由卷积层和子采样层构成的特征抽取器，用于图像识别。局部二值模式LocalBinaryPatterns，LBP是提取局部特征作为判别依据的，为一种有效的纹理描述算子，度量和提取图像局部的纹理信息，对光照具有不变性。方向梯度直方图HistogramofOrientedGradient,HOG特征提取算法是一种在计算机视觉和图像处理中用来进行物体检测的特征描述子，它通过计算和统计图像局部区域的梯度方向直方图来构成特征。HoG特征提取算法提取的是图像各个像素梯度的统计直方图，一般会将这些梯度直方图转化成一个向量，用于分类器的训练输入。Haar特征提取算子得到的Haar特征值反映图像的灰度变化情况。Haar特征分为边缘特征、线性特征、中心特征和对角线特征，组合成特征模板。特征模板内有白色和黑色两种矩形，并定义该模板的特征值为白色矩形像素和减去黑色矩形像素和。二阶拉普拉斯-高斯边缘提取算法图像即LoG特征提取算法，在进行图像识别时，先对图像进行高斯滤波，然后对图像进行拉普拉斯边缘提取。SIFT特征提取算子是一种检测局部特征的算法，也可称为SIFT特征匹配算法，该算法通过求一幅图中的特征点及其有关尺寸和方向的描述子得到特征并进行图像特征点匹配，每个特征点的SIFT特征是128维向量。SURF特征提取算法是SIFT特征提取算子的改进版，主要用在亮度变化上匹配。一些实施方式中，识别交通标志时，以交通标志为地标线为例，可根据待检测的停车图像在卷积神经网络中的推理结果，判断停车图像是否存在停车地标线；若存在停车地标线，则输出原停车图像中停车地标线的位置信息。103、根据所述检测对象的车辆信息和泊车信息判断所述检测对象是否符合违停条件。一些实施方式中，所述根据所述检测对象的车辆信息和泊车信息判断所述检测对象是否符合违停条件，包括以下步骤：将所述车牌号与后台数据比对，判断所述车牌号的真伪，以及判断所述车牌号是否在限号列表中；若所述车牌号为假车牌号，则确定所述停车图像中的车辆属于违停行为；若所述车牌号为限号列表中的车牌号，则确定该停车图像中的车辆属于违停行为。例如该停车位只能粤B车牌号使用，但该车牌号为鄂A车牌号，则确定该停车图像中的车辆属于违停行为。另一些实施方式中，所述根据所述检测对象的车辆信息和泊车信息判断所述检测对象是否符合违停条件，包括：定位出所述检测对象的位置信息；根据语义分割网络译码后的物体分类标注，判断检测对象是否遮挡所述交通标志，所述交通标志包括停车地标线或禁停标志线；若所述交通标志的坐标位置与所述检测对象的坐标位置发生重叠，则确定所述检测对象对应的车辆存在违章行为。与现有机制相比，本申请实施例中，获取停车图像后，若检测到所述停车图像中的检测对象为机动车，利用图像识别算法从所述停车图像中识别所述检测对象的车辆信息和泊车信息，根据所述检测对象的车辆信息和泊车信息判断所述检测对象是否符合违停条件。可见，本申请既可以承接定点设备所拍摄的停车图像，也可以只需要特定时段巡逻拍摄图像或群众举报图像传至交管后台即可，大大加强对违章停车行为的威慑，同时，也提高违停识别技术准确率和速度，能够有效减轻交警工作量，还可以应对城市车辆增长迅速带来的日益严重的违章停车情况。可选的，在本申请的一些实施例中，所述从所述停车图像中识别所述检测对象的车辆信息和泊车信息，包括如图2所示的步骤201至步骤204：201、将所述停车图像分割成多个超像素区域块。其中，所述超像素区域块是指所述停车图像的各部分的特征所对应的像素区域。一些实施方式中，在像素级层面对每个像素进行分类，抽取图片中物体的抽象特征信息，采用超像素分割算法，按照抽取的抽象特征信息将所述停车图像分割成多个超像素区域块，所述超像素区域块是指所述停车图像的各部分的特征所对应的像素区域。然后通过多个池化层逐渐降低模型空间维度。随后通过译码过程逐步恢复物体的位置信息，在编码与译码的对称结构中加入直接的信息连接，以提高目标细节的恢复准确率。采用超像素分割算法，按照抽取的抽象特征信息将所述停车图像分割成多个超像素区域块，所述超像素区域块是指所述停车图像的各部分的特征所对应的像素区域。具体来说，采用超像素分割算法在原始停车图像中选取若干个种子点，通过距离度量颜色距离与空间距离，为每个像素点分配对应的类别标签，根据像素点的类别标签和抽取的抽象特征信息将所述停车图像分割成多个超像素区域块。超像素分割算法的一种公式如下：其中dc为像素点与种子点的颜色距离，ds为空间距离，D’为经过标准化的度量系数。202、采用局部分类器从各超像素区域块中识别出带有车辆特征信息的超像素区域块。其余的超像素区域块不带有车辆特征信息，其所含的信息全部为背景特征信息。一些实施方式中，局部分类器是指利用给定的类别已知的训练数据来学习分类规则和分类器，然后对未知数据进行分类或预测。本申请中的局部分类器可采用支持向量机SupportVectorMachine，SVM，通过SVM可在特征空间上找到最佳的分离超平面使得训练集上正负样本间隔最大。即本申请中的局部分类器可以为基于HOG特征的局部SVM分类器。203、判断各超像素区域块中是否存在带有车辆特征信息的超像素区域块。判断结果分下述步骤203-1和步骤203-2：203-1、若各超像素区域块中存在带有车辆特征信息的超像素区域块，则从带有车辆特征信息的超像素区域块中提取车辆类别特征信息。203-2、若不存在，则确定所述停车图像无效，检测流程结束。204、根据提取的车辆类别特征信息判断所述检测对象是否为机动车。判断结果分下述步骤204-1和步骤204-2：204-1、若根据提取的车辆类别特征信息确定所述检测对象为机动车，则根据带有车辆特征信息的超像素区域块识别所述检测对象的位置信息和所述交通标志的位置信息。204-2、若确定该检测对象非机动车，则确定所述停车图像无效，检测流程结束。另一些实施方式中，由于停车图像的获取途径、拍摄者的硬件不同等因素，会导致上传的停车图像无法被机器识别，那么，还可以对机器无法识别的停车图像进行后期的人工判断流程。机器无法识别的停车图像一般包括下述几种情况：a.能识别出车辆位置，但无法识别车牌号信息；b.能识别车牌号信息，但无法识别车辆的完整位置；c.能识别车辆位置及车牌号信息，但无法识别地标线的位置；d.目标车辆位置与车牌位置无法匹配；e.无法识别地标线的类型。可选的，在本申请的一些实施例中，所述根据带有车辆特征信息的超像素区域块识别所述检测对象的位置信息和所述交通标志的位置信息，包括：定位出所述检测对象的位置信息；计算所述检测对象与所述交通标志的巴氏距离：根据所述检测对象的位置信息与所述巴氏距离计算得到所述交通标志的位置信息；其中，巴氏距离的计算公式如下：px是指所述检测对象的位置信息，qx是指与目标车辆相邻的交通标志的位置信息，BCp，q是指所述检测对象与所述交通标志的巴氏距离。上述图1-图2中所对应的实施例中提及的各项技术特征也同样适用于本申请中的图3和图4所对应的实施例，后续类似之处不再赘述。以上对本申请中一种识别车辆违章行为的方法进行说明，以下对执行上述识别车辆违章行为的方法的服务器进行描述。如图3所示的一种服务器30的结构示意图，其可应用于交通违章管理。本申请实施例中的服务器能够实现对应于上述图1所对应的实施例中所执行的识别车辆违章行为的方法的步骤。服务器30实现的功能可以通过硬件实现，也可以通过硬件执行相应的软件实现。硬件或软件包括一个或多个与上述功能相对应的模块，所述模块可以是软件和或硬件。所述服务器可包括获取模块301、检测模块302和处理模块303，所述处理模块303、检测模块302和获取模块301的功能实现可参考图1所对应的实施例中所执行的操作，此处不作赘述。处理模块可用于控制所述获取模块301的收发操作，以及控制检测模块302的检测操作。一些实施方式中，所述获取模块301可用于获取停车图像；所述检测模块302可用于对所述停车图像进行边缘检测，以检测所述停车图像中的检测对象；所述处理模块303可用于若所述检测模块302检测到所述停车图像中的检测对象为机动车后，利用图像识别算法从所述停车图像中识别所述检测对象的车辆信息和泊车信息，所述车辆信息包括车辆类型和车牌号，所述泊车信息包括停车的位置信息和交通标志；根据所述检测对象的车辆信息和泊车信息判断所述检测对象是否符合违停条件。具体来说，所述处理模块303用于：若所述检测模块302检测到所述停车图像中的检测对象为机动车后，利用图像识别算法从所述停车图像中识别所述检测对象的特征区域，从所述特征区域中提取梯度直方图特征，将所述梯度直方图特征输入神经网络分类器，根据所述梯度直方图特征对所述神经网络分类器中的预训练模型进行训练，根据检测对象的位置信息对所述预训练模型的训练结果计算像素均值和标准差，将像素均值和标准差最大的计算结果确定为所述检测对象的车辆信息和泊车信息，所述车辆信息包括车辆类型和车牌号，所述泊车信息包括停车的位置信息和交通标志。其中，所述神经网络分类器的一种表示方式为：I^i,j＝Ii,j-μi,jσi,j+C，μ、σ分别是以像素点i,j为中心的局部小邻域内的像素均值和标准差，C是常数，I是像素点i,j的灰度值，i,j∈W，W为所述梯度直方图特征。本申请实施例中，获取模块301获取停车图像后，若检测模块302检测到所述停车图像中的检测对象为机动车，则处理模块302利用图像识别算法从所述停车图像中识别所述检测对象的车辆信息和泊车信息，根据所述检测对象的车辆信息和泊车信息判断所述检测对象是否符合违停条件。可见，本申请既可以承接定点设备所拍摄的停车图像，也可以只需要特定时段巡逻拍摄图像或群众举报图像传至交管后台即可，大大加强对违章停车行为的威慑，同时，也提高违停识别技术准确率和速度，能够有效减轻交警工作量，还可以应对城市车辆增长迅速带来的日益严重的违章停车情况。一些实施方式中，所述处理模块303在所述获取模块301获取停车图像之后，所述检测模块302检测到所述停车图像中的检测对象为机动车之前，还用于：在上传所述停车图像的入口设置上传条件，所述上传条件包括以下项之一：车辆不同距离或角度的图像、或者包含车辆信息的图像。一些实施方式中，所述处理模块303在所述获取模块301获取停车图像之后，所述检测模块302检测到所述停车图像中的检测对象为机动车之前，还用于：对上传的所有停车图像进行分析，获取所述停车图像的直方图的图像特征，所述图像特征包括旋转、位移、放大、缩小和不变性；根据所述停车图像的图像特征，对所有上传的停车图像进行直方图比较，将在预设的阈值范围内的近似图像确定为重复的停车图像；对在预设的阈值范围内的近似图像进行剔除处理。一些实施方式中，所述处理模块303具体用于：在像素级层面对所述停车图像中的每个像素进行分类，抽取所述停车图像中带有车辆特征信息的抽象特征信息；采用超像素分割算法，按照抽取的抽象特征信息将所述停车图像分割成多个超像素区域块，所述超像素区域块是指所述停车图像的各部分的特征所对应的像素区域；采用基于HOG特征的局部SVM分类器从各超像素区域块中识别出带有车辆特征信息的超像素区域块；若各超像素区域块中存在带有车辆特征信息的超像素区域块，则从带有车辆特征信息的超像素区域块中提取车辆类别特征信息；若根据提取的车辆类别特征信息确定所述检测对象为机动车，则根据带有车辆特征信息的超像素区域块识别所述检测对象的位置信息和所述交通标志的位置信息。一些实施方式中，所述处理模块303具体用于：通过所述检测模块302定位出所述检测对象的位置信息；根据下述巴氏距离计算公式计算所述检测对象与所述交通标志的巴氏距离：根据所述检测对象的位置信息与所述巴氏距离计算得到所述交通标志的位置信息；其中，巴氏距离的计算公式如下：px是指所述检测对象的位置信息，qx是指与目标车辆相邻的交通标志的位置信息，BCp，q是指所述检测对象与所述交通标志的巴氏距离。一些实施方式中，所述处理模块303具体用于：将所述车牌号与后台数据比对，判断所述车牌号的真伪，以及判断所述车牌号是否在限号列表中；若所述车牌号为假车牌号，则确定所述停车图像中的车辆属于违停行为；若所述车牌号为限号列表中的车牌号，则确定该停车图像中的车辆属于违停行为。一些实施方式中，所述处理模块303具体用于：通过所述检测模块302定位出所述检测对象的位置信息；根据语义分割网络译码后的物体分类标注，判断检测对象是否遮挡所述交通标志，所述交通标志包括停车地标线或禁停标志线；若所述交通标志的坐标位置与所述检测对象的坐标位置发生重叠，则确定所述检测对象对应的车辆存在违章行为。上面从模块化功能实体的角度分别介绍了本申请实施例中的计算机装置，以下从硬件角度介绍一种计算机装置，如图4所示，其包括：处理器、存储器、收发器也可以是输入输出单元，图4中未标识出以及存储在所述存储器中并可在所述处理器上运行的计算机程序。例如，该计算机程序可以为图1所对应的实施例中识别车辆违章行为的方法对应的程序。例如，当计算机装置实现如图3所示的服务器30的功能时，所述处理器执行所述计算机程序时实现上述图3所对应的实施例中由服务器30执行的识别车辆违章行为的方法中的各步骤；或者，所述处理器执行所述计算机程序时实现上述图3所对应的实施例的服务器30中各模块的功能。又例如，该计算机程序可以为图1所对应的实施例中识别车辆违章行为的方法对应的程序。所称处理器可以是中央处理单元CentralProcessingUnit，CPU，还可以是其他通用处理器、数字信号处理器DigitalSignalProcessor，DSP、专用集成电路ApplicationSpecificIntegratedCircuit，ASIC、现成可编程门阵列Field-ProgrammableGateArray，FPGA或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等，所述处理器是所述计算机装置的控制中心，利用各种接口和线路连接整个计算机装置的各个部分。所述存储器可用于存储所述计算机程序和或模块，所述处理器通过运行或执行存储在所述存储器内的计算机程序和或模块，以及调用存储在存储器内的数据，实现所述计算机装置的各种功能。所述存储器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比如声音播放功能、图像播放功能等等；存储数据区可存储根据手机的使用所创建的数据比如音频数据、视频数据等等。此外，存储器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，例如硬盘、内存、插接式硬盘，智能存储卡SmartMediaCard,SMC，安全数字SecureDigital,SD卡，闪存卡FlashCard、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。所述收发器也可以用接收器和发送器代替，可以为相同或者不同的物理实体。为相同的物理实体时，可以统称为收发器。所述存储器可以集成在所述处理器中，也可以与所述处理器分开设置。该收发器可以为输入输出单元。通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质如ROMRAM中，包括若干指令用以使得一台终端可以是手机，计算机，服务器或者网络设备等执行本申请各个实施例所述的方法。上面结合附图对本申请的实施例进行了描述，但是本申请并不局限于上述的具体实施方式，上述的具体实施方式仅仅是示意性的，而不是限制性的，本领域的普通技术人员在本申请的启示下，在不脱离本申请宗旨和权利要求所保护的范围情况下，还可做出很多形式，凡是利用本申请说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，这些均属于本申请的保护之内。

权利要求：1.一种识别车辆违章行为的方法，其特征在于，所述方法包括：获取停车图像；对所述停车图像进行边缘检测，若检测到所述停车图像中的检测对象为机动车后，利用图像识别算法从所述停车图像中识别所述检测对象的特征区域，从所述特征区域中提取梯度直方图特征，将所述梯度直方图特征输入神经网络分类器，根据所述梯度直方图特征对所述神经网络分类器中的预训练模型进行训练，根据检测对象的位置信息对所述预训练模型的训练结果计算像素均值和标准差，将像素均值和标准差最大的计算结果确定为所述检测对象的车辆信息和泊车信息，所述车辆信息包括车辆类型和车牌号，所述泊车信息包括停车的位置信息和交通标志；其中，所述神经网络分类器的一种表示方式为：I^i,j＝Ii,j-μi,jσi,j+C，μ、σ分别是以像素点i,j为中心的局部小邻域内的像素均值和标准差，C是常数，I是像素点i,j的灰度值，i,j∈W，W为所述梯度直方图特征；根据所述检测对象的车辆信息和泊车信息判断所述检测对象是否符合违停条件。2.根据权利要求1所述的方法，其特征在于，所述获取停车图像之后，所述检测到所述停车图像中的检测对象为机动车之前，所述方法还包括：在上传所述停车图像的入口设置上传条件，所述上传条件包括以下项之一：车辆不同距离或角度的图像、或者包含车辆信息的图像。3.根据权利要求1所述的方法，其特征在于，所述获取停车图像之后，所述检测到所述停车图像中的检测对象为机动车之前，所述方法还包括：对上传的所有停车图像进行分析，获取所述停车图像的直方图的图像特征，所述图像特征包括旋转、位移、放大、缩小和不变性；根据所述停车图像的图像特征，对所有上传的停车图像进行直方图比较，将在预设的阈值范围内的近似图像确定为重复的停车图像；对在预设的阈值范围内的近似图像进行剔除处理。4.根据权利要求1-3中任一项所述的方法，其特征在于，所述从所述二值化图像中识别所述检测对象的车辆信息，以及按照预设的停车特征格式从所述二值化图像中识别所述检测对象中与所述停车特征格式匹配的泊车信息，包括：在像素级层面对所述停车图像中的每个像素进行分类，抽取所述停车图像中带有车辆特征信息的抽象特征信息；采用超像素分割算法，按照抽取的抽象特征信息将所述停车图像分割成多个超像素区域块，所述超像素区域块是指所述停车图像的各部分的特征所对应的像素区域；采用基于HOG特征的局部SVM分类器从各超像素区域块中识别出带有车辆特征信息的超像素区域块；若各超像素区域块中存在带有车辆特征信息的超像素区域块，则从带有车辆特征信息的超像素区域块中提取车辆类别特征信息；若根据提取的车辆类别特征信息确定所述检测对象为机动车，则根据带有车辆特征信息的超像素区域块识别所述检测对象的位置信息和所述交通标志的位置信息。5.根据权利要求4所述的方法，其特征在于，所述根据带有车辆特征信息的超像素区域块识别所述检测对象的位置信息和所述交通标志的位置信息，包括：定位出所述检测对象的位置信息；计算所述检测对象与所述交通标志的巴氏距离：根据所述检测对象的位置信息与所述巴氏距离计算得到所述交通标志的位置信息；其中，计算所述巴氏距离的公式如下：px是指所述检测对象的位置信息，qx是指与目标车辆相邻的交通标志的位置信息，BCp，q是指所述检测对象与所述交通标志的巴氏距离。6.根据权利要求5所述的方法，其特征在于，所述根据所述检测对象的车辆信息和泊车信息判断所述检测对象是否符合违停条件，包括：将所述车牌号与后台数据比对，判断所述车牌号的真伪，以及判断所述车牌号是否在限号列表中；若所述车牌号为假车牌号，则确定所述停车图像中的车辆属于违停行为；若所述车牌号为限号列表中的车牌号，则确定该停车图像中的车辆属于违停行为。7.根据权利要求5所述的方法，其特征在于，所述根据所述检测对象的车辆信息和泊车信息判断所述检测对象是否符合违停条件，包括：定位出所述检测对象的位置信息；根据语义分割网络译码后的物体分类标注，判断检测对象是否遮挡所述交通标志，所述交通标志包括停车地标线或禁停标志线；若所述交通标志的坐标位置与所述检测对象的坐标位置发生重叠，则确定所述检测对象对应的车辆存在违章行为。8.一种服务器，其特征在于，所述服务器包括：获取模块，用于获取停车图像；检测模块，用于对所述停车图像进行边缘检测，以检测所述停车图像中的检测对象；处理模块，用于若所述检测模块检测到所述停车图像中的检测对象为机动车后，利用图像识别算法从所述停车图像中识别所述检测对象的特征区域，从所述特征区域中提取梯度直方图特征，将所述梯度直方图特征输入神经网络分类器，根据所述梯度直方图特征对所述神经网络分类器中的预训练模型进行训练，根据检测对象的位置信息对所述预训练模型的训练结果计算像素均值和标准差，将像素均值和标准差最大的计算结果确定为所述检测对象的车辆信息和泊车信息，所述车辆信息包括车辆类型和车牌号，所述泊车信息包括停车的位置信息和交通标志；根据所述检测对象的车辆信息和泊车信息判断所述检测对象是否符合违停条件；其中，所述神经网络分类器的一种表示方式为：I^i,j＝Ii,j-μi,jσi,j+C，μ、σ分别是以像素点i,j为中心的局部小邻域内的像素均值和标准差，C是常数，I是像素点i,j的灰度值，i,j∈W，W为所述梯度直方图特征。9.一种计算机装置，其特征在于，所述计算机装置包括：至少一个处理器、存储器和收发器；其中，所述存储器用于存储程序代码，所述处理器用于调用所述存储器中存储的程序代码来执行如权利要求1-7中任一项所述的方法。10.一种计算机存储介质，其特征在于，其包括指令，当其在计算机上运行时，使得计算机执行如权利要求1-7中任一项所述的方法。

百度查询： 平安科技(深圳)有限公司 一种识别车辆违章行为的方法、服务器及存储介质