技术领域
[0001] 本
发明涉及计算机领域，尤其涉及一种交通违法处罚证据链补全方法及设备。
背景技术
[0002] 在智能交通领域，
电子警察的主要功能是捕获交通违法行为，并采集图像，形成违法行为的证据链图像。违法证据链一般包含多张图像，包含目标轨迹说明图、特写图等。除了证据链图像，电子警察同时还会保存一段违法行为关联视频，用于图像证据链的补足。
[0003] 通常电警中形成的证据链还需要进行人工复核，若证据链图像不足以作为证据客观证明目标违法时，原违法证据链图像将会被丢弃。证据链被丢弃的情况包括抓取了未违法的目标和原违法证据链
图像采集错误两种。首先，人工审核耗时耗
力、
质量不稳定，且需要审核人员具备较高交通法律知识；其次，原违法证据链图像采集错误情况不能进行证据链补足，让很多交通违法行为逍遥法外，逃避应有的法律处罚。
[0004] 综上，现有的对人工对原违法证据链图像进行手动复核的方式的
缺陷在于:
[0005] 1、人工处理效率低下，质量不稳定，且对审核人员的技能要求高；
[0006] 2、人工审核不能对违法行为采集错误的证据链图像进行补全。
发明内容
[0007] 本发明的一个目的是提供一种交通违法处罚证据链补全方法及设备。
[0008] 根据本发明的一个方面，提供了一种交通违法处罚证据链补全方法，该方法包括：
[0009] 获取目标车辆的原违法证据链图像、目标车辆的原号牌和所述原违法证据链图像的关联视频；
[0010] 通过所述目标车辆的原号牌获取所述关联视频中所述目标车辆的
位置轨迹；
[0011] 提取场景交通标志标线，通过所述目标车辆的位置轨迹和场景交通标志标线，判断所述目标车辆的行为是否违反所述场景交通标志标线的指示，
[0012] 若违反，从所述关联视频中提取关联图像作为补充的证据链图像。
[0013] 进一步的，上述方法中，通过所述目标车辆的原号牌获取所述关联视频中所述目标车辆的位置轨迹，包括：
[0014] 提取所述原违法证据链图像的梯度图像G，对所述梯度图像G进行区域积分，以得到梯度积分图GI；
[0015] 遍历所述关联视频中的所有
帧的关联图像，提取所述每帧的梯度图像F，对所述梯度图像F进行区域积分，以得到梯度积分图FI；
[0016] 分别计算每帧关联图像的各个GI与原违法证据链图像的各个FI帧差和，找到帧差和最小的一帧关联图像ft；
[0017] 通过所述目标车辆的原号牌在所述关联图像ft中检测是否存在所述目标车辆，[0018] 若存在，则在所述关联图像ft中获取所述目标车辆的位置Lt；
[0019] 从所述关联图像ft的目标车辆的位置Lt开始，在所述关联视频的关联图像的序列中分别向前和向后，对所述目标车辆进行
跟踪，形成所述目标车辆在所述关联视频中的位置轨迹。
[0020] 进一步的，上述方法中，对所述梯度图像G进行区域积分，以得到梯度积分图GI，包括：
[0021] 通过如下公式对所述梯度图像G进行区域积分，以得到梯度积分图GI：
[0022]
[0023] 其中，m表示积分区域的横向宽度，n表示积分区域的纵向宽度，(x,y)表示梯度积分图GI的坐标位置，(x+i,y+j)表示梯度图像G的坐标位置；
[0024] 对所述梯度图像F进行区域积分，以得到梯度积分图FI,包括：
[0025] 通过如下公式对所述梯度图像F进行区域积分，以得到梯度积分图FI：
[0026]
[0027] m表示积分区域的横向宽度，n表示积分区域的纵向宽度，(x,y)表示梯度积分图FI的坐标位置，(x+i,y+j)表示梯度图像F的坐标位置。
[0028] 进一步的，上述方法中，分别计算每帧关联图像的各个GI与原违法证据链图像的各个FI帧差和，包括：
[0029] 利用如下公式计算每帧关联图像的各个GI与原违法证据链图像的各个FI帧差和：
[0030] ValI＝∑|GI-FI|。
[0031] 进一步的，上述方法中，通过所述目标车辆的位置轨迹和场景交通标志标线，判断所述目标车辆的行为是否违反所述场景交通标志标线的指示，包括：
[0032] 判断所述位置轨迹与所述场景交通标志标线的关系，以确定所述目标车辆的行为是否违反所述场景交通标志标线的指示。
[0033] 进一步的，上述方法中，若违反之后，还包括：
[0034] 通过判断出的所述位置轨迹与所述场景交通标志标线的关系，得到实际违法类型；
[0035] 获取所述目标车辆的原违法类型，比较所述实际违法类型与所述原违法类型是否一致，若不一致，将所述原违法类型
修改为所述实际违法类型。
[0036] 进一步的，上述方法中，若违反之后，还包括：
[0037] 通过所述位置轨迹从所述关联视频中检测并识别所述目标车辆的号牌，得到目标车辆的实际号牌；
[0038] 比较所述目标车辆的原号牌与实际号牌是否一致，若不一致，将所述目标车辆的原号牌修改为所述实际号牌。
[0039] 进一步的，上述方法中，从所述关联视频中提取关联图像作为补充的证据链图像，包括：
[0040] 根据预设的证据链提取标准，从所述关联视频中提取符合所述证据链提取标准的关联图像作为补充的证据链图像。
[0041] 进一步的，上述方法中，从所述关联视频中提取符合所述证据链提取标准的关联图像作为补充的证据链图像，包括：
[0042] 从所述关联视频中提取符合所述证据链提取标准的关联图像；
[0043] 检测原违法证据链图像中的违法证据是否充足，
[0044] 若充足，对原违法证据链图像进行保留；
[0045] 若不充足，用提取到的符合所述证据链提取标准的关联图像，替换原违法证据链图像。
[0046] 根据本发明的另一方面，还提供了一种计算机可读介质，其上存储有计算机可读指令，所述计算机可读指令可被处理器执行以实现上述任一项所述的方法。
[0047] 根据本发明的另一方面，还提供了一种用于在网络设备端信息处理的设备，该设备包括用于存储
计算机程序指令的
存储器和用于执行程序指令的处理器，其中，当该计算机程序指令被该处理器执行时，触发该设备执行上述任一项所述的方法。
[0048] 与
现有技术相比，本发明针对违法证据不充分的证据链图像，通过分析关联视频，对证据链图像错误的情况进行证据补足，形成证据充分的新证据链图像，不仅能实现原违法证据链图像自动补全，解放了人工，处理效率得到大幅提升，提升了违法审核的效率，而且，也能防止因证据链不充分而被遗漏的违法行为成为漏网之鱼，极大地提升了
智能交通系统的违法抓捕率。
附图说明
[0049] 通过阅读参照以下附图对非限制性
实施例所作的详细描述，本发明的其它特征、目的和优点将会变得更明显：
[0050] 图1示出本发明一实施例的交通违法处罚证据链补全方法的
流程图；
[0051] 图2示出本发明一实施例的由梯度图像G生成梯度积分图GI的示意图。
[0052] 附图中相同或相似的附图标记代表相同或相似的部件。
具体实施方式
[0053] 下面结合附图对本发明作进一步详细描述。
[0054] 在本
申请一个典型的配置中，终端、服务网络的设备和可信方均包括一个或多个处理器(CPU)、输入/输出
接口、网络接口和内存。
[0055] 内存可能包括计算机可读介质中的非永久性存储器，
随机存取存储器(RAM)和/或非易失性内存等形式，如
只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。
[0056] 计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模
块或其他数据。计算机的存储介质的例子包括，但不限于
相变内存(PRAM)、静态随机存取存储器(SRAM)、
动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、
电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁盘存储或其他
磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备
访问的信息。按照本文中的界定，计算机可读介质不包括非暂存电脑可读媒体(transitory media)，如调制的数据
信号和载波。
[0057] 如图1所示，本发明提供一种交通违法处罚证据链补全方法，所述方法包括：
[0058] 步骤S1，获取目标车辆的原违法证据链图像、目标车辆的原号牌和所述原违法证据链图像的关联视频，所述关联视频包括关联图像的序列；
[0059] 在此，可以获取前端传入的原违法证据链图像、目标车辆的原号牌及原违法类型、关联视频等，所述关联视频可以是原违法证据链图像获取的同时段拍摄的相关的视频，所述关联视频中可能包含有目标车辆的关联图像；
[0060] 步骤S2，通过所述目标车辆的原号牌获取所述关联视频中所述目标车辆的位置轨迹；
[0061] 在此，在关联视频中
定位到目标车辆出现的
视频帧；
[0062] 步骤S3，提取场景交通标志标线；
[0063] 在此，可以通过包含但不限于手工标注、语义分割等技术，对场景交通标志标线进行提取；
[0064] 步骤S4，通过所述目标车辆的位置轨迹和场景交通标志标线，判断所述目标车辆的行为是否违反所述场景交通标志标线的指示，
[0065] 步骤S5，若违反，从所述关联视频中提取关联图像作为补充的证据链图像。
[0066] 在此，若未违反，则丢弃所述原违法证据链图像。
[0067] 本发明针对违法证据不充分的证据链图像，通过分析关联视频，对证据链图像错误的情况进行证据补足，形成证据充分的新证据链图像，不仅能实现原违法证据链图像自动补全，解放了人工，处理效率得到大幅提升，提升了违法审核的效率，而且，也能防止因证据链不充分而被遗漏的违法行为成为漏网之鱼，极大的提升了智能交通系统的违法抓捕率。
[0068] 本发明的交通违法处罚证据链补全方法一实施例中，步骤S2，通过所述目标车辆的原号牌获取所述关联视频中所述目标车辆的位置轨迹，包括：
[0069] 步骤S21，提取所述原违法证据链图像的梯度图像G，对所述梯度图像G进行区域积分，以得到梯度积分图GI；
[0070] 步骤S22，遍历所述关联视频中的所有帧的关联图像，提取所述每帧的梯度图像F，对所述梯度图像F进行区域积分，以得到梯度积分图FI；
[0071] 步骤S23，分别计算每帧关联图像的各个GI与原违法证据链图像的各个FI帧差和，找到帧差和最小的一帧关联图像ft；
[0072] 步骤S24，通过所述目标车辆的原号牌在所述关联图像ft中检测是否存在所述目标车辆，
[0073] 步骤S25，若存在，则在所述关联图像ft中获取所述目标车辆的位置Lt；
[0074] 在此，可以检测ft中的目标车辆，对其号牌进行检测和识别，与目标车辆的原号牌进行对比，进行模糊匹配，找到违法目标车辆的位置(Lt)；
[0075] 在此，若不存在，重新获取原违法证据链图像后，重新从步骤S2开始执行寻找Lt，若所有的原违法证据链图像对应的所述关联图像ft中都不存所述目标车辆，则退出；
[0076] 步骤S26，从所述关联图像ft中目标车辆的位置Lt开始，在所述关联视频的关联图像的序列中分别向前和向后，对所述目标车辆进行跟踪，形成所述目标车辆的在各帧关联图像中的位置轨迹L0L1......Lt-1LtLt+1......Lk，i＝(0～k)，其中,k为正整数，Li表示所述关联视频的第i帧的关联图像中的所述目标车辆的位置。
[0077] 在此，通过梯度积分图的帧差和，可以高效、可靠地获取所述目标车辆的位置，进而获取到所述目标车辆的在各帧关联图像中的位置轨迹L0L1......Lt-1LtLt+1......Lk。
[0078] 本发明的交通违法处罚证据链补全方法一实施例中，步骤S21中，对所述梯度图像G进行区域积分，以得到梯度积分图GI，包括：
[0079] 如图2所示，通过如下公式对所述梯度图像G进行区域积分，以得到梯度积分图GI：
[0080]
[0081] 其中，m表示积分区域的横向宽度，n表示积分区域的纵向宽度，(x,y)表示梯度积分图GI的坐标位置，(x+i,y+j)表示梯度图像G的坐标位置。
[0082] 在此，可以提取所述原违法证据链图像中一张图像的梯度图像(G)，然后通过(1)式进行区域积分，形成梯度积分图(GI),示例如图2。
[0083]
[0084] (1)式中m表示积分区域的横向宽度，n表示积分区域的纵向宽度，(x,y)表示梯度积分图GI的坐标位置，(x+i,y+j)表示梯度图像G的坐标位置。
[0085] 本发明的交通违法处罚证据链补全方法一实施例中，步骤S22中，对所述梯度图像F进行区域积分，以得到梯度积分图FI，包括：
[0086] 通过如下公式对所述梯度图像F进行区域积分，以得到梯度积分图FI：
[0087]
[0088] m表示积分区域的横向宽度，n表示积分区域的纵向宽度，(x,y)表示梯度积分图FI的坐标位置，(x+i,y+j)表示梯度图像F的坐标位置。
[0089] 在此，可以遍历所述关联视频中的所有帧的关联图像，按(2)式计算每帧关联图像的梯度积分图(FI)，
[0090]
[0091] 其中，m、n表示积分区域的大小。通过(2)式可以准确地得到梯度积分图。
[0092] 本发明的交通违法处罚证据链补全方法一实施例中，步骤S23中，分别计算每帧关联图像的各个GI与原违法证据链图像的各个FI帧差和，包括：
[0093] 利用如下公式计算每帧关联图像的各个GI与原违法证据链图像的各个FI帧差和：
[0094] ValI＝∑|GI-FI|。
[0095] 本发明的交通违法处罚证据链补全方法一实施例中，步骤S4，通过所述目标车辆的位置轨迹和场景交通标志标线，判断所述目标车辆的行为是否违反所述场景交通标志标线的指示，包括：
[0096] 步骤S41，判断所述位置轨迹L0L1......Lt-1LtLt+1......Lk与所述场景交通标志标线的关系，以确定所述目标车辆的行为是否违反所述场景交通标志标线的指示。
[0097] 在此，所述关系可以是位置关系、方向关系、逻辑关系等，判断所述目标车辆的行为是否违反所述场景交通标志标线的指示，包含但不限于如违反信号灯、违反车道导向线指示的方向、压车道线等。
[0098] 如图2所示，本发明的交通违法处罚证据链补全方法一实施例中，步骤S5，若违反之后，还包括：
[0099] 步骤S6，基于判断出的所述位置轨迹L0L1......Lt-1LtLt+1......Lk与所述场景交通标志标线的关系，得到实际违法类型；
[0100] 步骤S7，获取所述目标车辆在的原违法类型，比较所述实际违法类型与所述原违法类型是否一致，若不一致，将所述原违法类型修改为所述实际违法类型。
[0101] 在此，可以检测所述违法类型是否一致，若不一致修改新违法证据链的违法类型。
[0102] 如图2所示，本发明的交通违法处罚证据链补全方法一实施例中，步骤S5，若违反之后，还包括：
[0103] 步骤S8，基于所述位置轨迹L0L1......Lt-1LtLt+1......Lk从所述关联视频中检测和识别的所述目标车辆的号牌，得到目标车辆的实际号牌；
[0104] 在此，可以基于所述位置轨迹L0L1......Lt-1LtLt+1......Lk从所述关联视频中检测和识别的所述目标车辆的号牌，按位置进行投票融合，得到目标车辆的实际号牌；
[0105] 步骤S9，比较所述目标车辆的原号牌与实际号牌是否一致，若不一致，将所述目标车辆的原号牌修改为所述实际号牌。
[0106] 本发明的交通违法处罚证据链补全方法一实施例中，步骤S5，从所述关联视频中提取关联图像作为补充的证据链图像，包括：
[0107] 步骤S51，根据预设的证据链提取标准，从所述关联视频中提取符合所述证据链提取标准的关联图像作为补充的证据链图像，以提取到可靠的补充证据。
[0108] 本发明的交通违法处罚证据链补全方法一实施例中，步骤S51中，提取符合所述证据链提取标准的关联图像作为补充的证据链图像，包括：
[0109] 步骤S511，从所述关联视频中提取符合所述证据链提取标准的关联图像；
[0110] 步骤S512，检测原违法证据链图像中的违法证据是否充足，
[0111] 步骤S513，若充足，对原违法证据链图像进行保留；
[0112] 步骤S514，若不充足，用提取到的符合所述证据链提取标准的关联图像，替换原违法证据链图像。
[0113] 在此，对于关联视频图片质量没有原违法证据链图像质量高的情况，可以尽量保留原违法证据链图像。在多张原违法证据链图像中，保留证据充足的图片，对于证据不充足的原违法证据链图像，可以从关联视频中
抽取的证据充足的证据链图像进行替换。
[0114] 根据本发明的另一方面，还提供了一种计算机可读介质，其上存储有计算机可读指令，所述计算机可读指令可被处理器执行以实现上述任一项所述的方法。
[0115] 根据本发明的另一方面，还提供了一种用于在网络设备端信息处理的设备，该设备包括用于存储计算机程序指令的存储器和用于执行程序指令的处理器，其中，当该计算机程序指令被该处理器执行时，触发该设备执行上述任一项所述的方法。
[0116] 本发明的各设备和存储介质实施例的详细内容，具体可参见各方法实施例的对应部分，在此，不再赘述。
[0117] 显然，本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的精神和范围。这样，倘若本申请的这些修改和变型属于本申请
权利要求及其等同技术的范围之内，则本申请也意图包含这些改动和变型在内。
[0118] 需要注意的是，本发明可在
软件和/或软件与
硬件的组合体中被实施，例如，可采用专用集成
电路(ASIC)、通用目的计算机或任何其他类似硬件设备来实现。在一个实施例中，本发明的软件程序可以通过处理器执行以实现上文所述步骤或功能。同样地，本发明的软件程序(包括相关的数据结构)可以被存储到计算机可读记录介质中，例如，RAM存储器，磁或光
驱动器或软磁盘及类似设备。另外，本发明的一些步骤或功能可采用硬件来实现，例如，作为与处理器配合从而执行各个步骤或功能的电路。
[0119] 另外，本发明的一部分可被应用为计算机程序产品，例如计算机程序指令，当其被计算机执行时，通过该计算机的操作，可以调用或提供根据本发明的方法和/或技术方案。而调用本发明的方法的程序指令，可能被存储在固定的或可移动的记录介质中，和/或通过广播或其他信号承载媒体中的数据流而被传输，和/或被存储在根据所述程序指令运行的计算机设备的工作存储器中。在此，根据本发明的一个实施例包括一个装置，该装置包括用于存储计算机程序指令的存储器和用于执行程序指令的处理器，其中，当该计算机程序指令被该处理器执行时，触发该装置运行基于前述根据本发明的多个实施例的方法和/或技术方案。
[0120] 对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。此外，显然“包括”一词不排除其他单元或步骤，单数不排除复数。装置权利要求中陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第一，第二等词语用来表示名称，而并不表示任何特定的顺序。
