[发明专利]车辆违规识别方法、系统、计算机设备和存储介质

权利要求书

1.一种车辆违规识别方法，其特征在于，包括：

从道路监控视频中采集多个视频段；

从第一视频段中获取多个视频帧；所述第一视频段为所述多个视频段中的任一视频段；

识别每个所述视频帧中各车辆的车牌区域，根据车辆的车牌区域从每个所述视频帧中划分出与各车辆一一对应的子视频帧；

将属于同一车辆的各子视频帧按时间先后顺序进行排列，得到多个子视频帧组；各子视频帧组与各车辆一一对应；

从第一车辆所对应的子视频帧组中提取车辆动作特征；所述第一车辆为所述各车辆中的任一车辆；

将所述车辆动作特征输入至循环神经网络RNN动作识别模型；所述RNN动作识别模型根据所述车辆动作特征对所述第一车辆所对应的子视频帧组进行动作识别，若所述第一车辆所对应的子视频帧组中存在与预设姿态数据匹配的动作，则判定所述第一车辆存在违规动作，并根据所述违规动作，为所述第一车辆设置对应的违规概率值；若所述第一车辆所对应的子视频帧组中不存在与预设姿态数据匹配的动作，则设置所述第一车辆所对应的违规概率值为0；最终得到违规概率值集合；所述违规概率值集合包括所述第一车辆在每个视频段中所对应的违规概率值；

根据所述违规概率值集合计算所述第一车辆的违规概率均值；若所述违规概率均值大于预警值，则判定所述第一车辆存在违规行为。

2.根据权利要求1所述的车辆违规识别方法，其特征在于，

所述识别每个所述视频帧中各车辆的车牌区域，包括：

通过第一卷积神经网络CNN模型分别提取每个所述视频帧中的车牌特征；

根据所述车牌特征识别出每个所述视频帧中各车辆的车牌区域；

所述车牌特征至少包括车牌形状特征、车牌颜色特征、车牌数字轮廓特征和车牌开头字母位置特征中的一项。

3.根据权利要求1所述的车辆违规识别方法，其特征在于，

所述从第一车辆所对应的子视频帧组中提取车辆动作特征，包括：

为所述第一车辆所对应的子视频帧组设置第二卷积神经网络CNN模型；

通过所述第二CNN模型的卷积核分别对所述第一车辆所对应的子视频帧组中的每个子视频帧进行滑动采样，得到每个子视频帧中的若干个第二区域图像；

依次将各子视频帧中对应区域的第二区域图像串接起来，得到若干个第二区域图像组，将各所述第二区域图像组输入至所述第二CNN模型的池化层中；

通过所述第二CNN模型的池化层从各所述第二区域图像组中提取所述车辆动作特征。

4.根据权利要求1所述的车辆违规识别方法，其特征在于，

所述根据所述违规概率值集合计算所述第一车辆的违规概率均值，包括：

为所述第一车辆设置累加器；

将所述累加器所存的值初始化为0；

通过所述累加器计算所述违规概率值集合中的违规概率值的总和；

将所述总和与视频段的数量做除法运算，得到所述违规概率均值。

5.根据权利要求1所述的车辆违规识别方法，其特征在于，

所述RNN动作识别模型的算法公式为：

其中，I为输入向量的维度，V为向量化的字符或者字符部分的维度，H为隐层的神经元个数，K为输出层的神经元个数，x为第二CNN模型提取出来的所述车辆动作特征，v为递归神经网络对所述车辆动作特征识别结果化成的向量数据，为时刻RNN动作识别模型中隐含层神经元的输入，为时刻RNN动作识别模型中隐含层神经元的输出；为时刻RNN动作识别模型中输出层神经元的输入；为时刻RNN动作识别模型中输出层神经元的输出，为违规概率值。

6.根据权利要求1所述的车辆违规识别方法，其特征在于，

所述车辆动作特征至少包括车辆转向动作特征、车辆打灯动作特征、车行方向特征和路面车辆行驶指示特征中的一项。