[发明专利]交通违章案件的鉴别方法、装置和计算机设备

权利要求书

1.一种交通违章案件的鉴别方法，其特征在于，包括：

获取交通违章案件的图像；

对所述图像中的关键要素进行检测；

对检测获得的所述关键要素中的信息进行识别；

根据检测获得的所述关键要素、所述关键要素之间的位置关系和识别获得的所述关键要素中的信息，确定所述交通违章案件的违规类型和所述交通违章案件处理的合规性。

2.根据权利要求1所述的方法，其特征在于，所述交通违章案件的图像包括：交通执法人员拍摄的交通违章案件的图像、布控抓拍的交通违章案件的图像和/或交通视频中的帧图像。

3.根据权利要求1或2所述的方法，其特征在于，所述对所述图像中的关键要素进行检测包括：

对所述图像的尺寸和颜色分布进行归一化处理；

利用预先训练的深度神经网络模型，对归一化处理后的图像进行图像识别，获得所述归一化处理后的图像中关键要素所在的区域和所述关键要素的类别，所述关键要素的类别包括以下之一或组合：车辆、所述车辆的车牌和车速检测结果、交通标志和罚单。

4.根据权利要求3所述的方法，其特征在于，所述利用预先训练的深度神经网络模型，对归一化处理后的图像进行图像识别之前，还包括：

利用训练图像和所述训练图像对应的标注文件，对训练模型进行训练，获得训练好的所述深度神经网络模型。

5.根据权利要求4所述的方法，其特征在于，所述利用训练图像和所述训练图像对应的标注文件，对训练模型进行训练包括：

将所述训练图像和所述训练图像对应的标注文件输入所述训练模型，利用深度神经网络算法对所述训练模型进行训练；所述训练图像对应的标注文件包括所述训练图像中关键要素所在的区域和所述关键要素的类别；

当所述训练模型输出的结果与所述训练图像对应的标注文件之间的误差小于预定阈值时，获得训练好的所述深度神经网络模型。

6.根据权利要求3所述的方法，其特征在于，所述关键要素中的信息包括以下之一或组合：所述车牌的车牌号码、所述车速检测结果中的车速数值、所述交通标志的指示和所述罚单中的处罚信息；

所述对检测获得的所述关键要素中的信息进行识别包括：

通过车牌识别技术对所述车牌的车牌号码进行识别；和/或，

通过光学字符识别对所述车速检测结果中的车速数值、所述交通标志的指示和所述罚单中的处罚信息之一或组合进行识别。

7.根据权利要求6所述的方法，其特征在于，所述根据检测获得的所述关键要素、所述关键要素之间的位置关系和识别获得的所述关键要素中的信息，确定所述交通违章案件的违规类型和所述交通违章案件处理的合规性包括：

对检测获得的车辆的完整性进行检测；

在确定所述车辆完整之后，确定检测获得的交通标志与所述车辆的位置关系；

根据所述位置关系，以及识别获得的所述关键要素中的信息，确定所述交通违章案件的违规类型；

将所述交通违章案件的违规类型与识别获得的罚单中的处罚信息进行对比，根据所述交通违章案件的违规类型与所述罚单中的处罚信息是否匹配，确定所述交通违章案件处理的合规性。

8.一种交通违章案件的鉴别装置，其特征在于，包括：

获取模块，用于获取交通违章案件的图像；

检测模块，用于对所述获取模块获取的图像中的关键要素进行检测；

识别模块，用于对所述检测模块检测获得的所述关键要素中的信息进行识别；

确定模块，用于根据检测获得的所述关键要素、所述关键要素之间的位置关系和识别获得的所述关键要素中的信息，确定所述交通违章案件的违规类型和所述交通违章案件处理的合规性。

9.一种计算机设备，其特征在于，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时，实现如权利要求1-7中任一所述的方法。

10.一种非易失性计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1-7中任一所述的方法。