異常停車行為檢測方法、裝置、計算機設備和存儲介質與流程
2024-04-13 16:34:05
1.本技術涉及圖像識別技術領域，特別是涉及一種異常停車行為檢測方法、裝置、計算機設備、存儲介質和電腦程式產品。
背景技術：
2.停車場收費設備越來越多的普及，某些車主存在異常停車行為，這些異常停車行為主要是車主為了逃費而想出的方法，其目的都是為了讓道閘抬起，逃繳停車費。
3.目前，異常停車行為主要是基於車輛的車牌進行識別，然而，有少數車主用人工舉假牌或套假牌的方式來實現異常停車行為，因此，車牌識別等方式準確度的較低。
技術實現要素：
4.基於此，有必要針對上述技術問題，提供一種能夠提高準確度的異常停車行為檢測方法、裝置、計算機設備、計算機可讀存儲介質和電腦程式產品。
5.第一方面，本技術提供了一種異常停車行為檢測方法。所述方法包括：
6.獲取車輛出入口的視頻畫面；
7.根據移動對象的面積特徵與目標部位特徵，檢測所述視頻畫面是否包括車輛；
8.在所述視頻畫面包括車輛時，根據所述車輛出入口的道閘信息與所述視頻畫面的車輛軌跡信息中的至少一種信息，對異常停車行為進行檢測；
9.在所述視頻畫面不包括車輛時，根據是否識別出所述移動對象的車牌信息，對異常停車行為進行檢測。
10.在其中一個實施例中，所述根據移動對象的面積特徵與目標部位特徵，檢測所述視頻畫面是否包括車輛，包括：
11.根據所述移動對象在所述視頻畫面的面積是否滿足面積檢測條件，得到面積檢測結果；
12.當所述目標部位特徵包括所述目標部位的顏色分布信息時，基於所述目標部位的顏色分布信息生成顏色檢測結果；
13.當所述目標部位特徵包括所述目標部位的部件結構特徵時，對所述部件結構特徵進行識別，得到部件檢測結果；
14.按照所述面積檢測結果，以及所述顏色檢測結果及所述部件檢測結果中的至少一種目標部位特徵的檢測結果，檢測所述視頻畫面是否包括車輛。
15.在其中一個實施例中，所述對所述部件的結構進行識別，包括：
16.按照所述目標部位對應的多種預設部件形狀，對所述目標部位安裝的部件進行識別；
17.其中，所述多種預設部件形狀，包括預設進氣柵形狀和預設車燈形狀中的至少一種形狀。
18.在其中一個實施例中，所述根據所述車輛出入口的道閘信息與所述視頻畫面的車
輛軌跡信息中的至少一種信息，對異常停車行為進行檢測，包括：
19.當預設軌跡信息與所述視頻畫面的車輛軌跡信息在形成過程的差異是否超過對應的閾值時，存在異常停車行為；和/或，
20.當所述車輛軌跡信息在所述視頻畫面的時長超過所述預設時長時，存在異常停車行為。
21.在其中一個實施例中，所述根據所述車輛出入口的道閘信息與所述視頻畫面的車輛軌跡信息中的至少一種信息，對異常停車行為進行檢測，包括：
22.根據所述車輛出入口的道閘接收到的信號生成所述道閘信息；
23.根據所述道閘信息確定所述車輛出入口的道閘狀態；所述道閘狀態用於表徵所述車輛出入口的道閘是否放行車輛；
24.根據預設軌跡信息與所述視頻畫面的車輛軌跡信息在形成過程的差異超過對應的閾值，生成軌跡信息狀態；
25.根據所述道閘狀態和所述軌跡信息狀態，判斷所述視頻畫面是否存在異常停車行為。
26.在其中一個實施例中，所述根據所述車輛出入口的道閘信息與所述視頻畫面的車輛軌跡信息中的至少一種信息，對異常停車行為進行檢測，包括：
27.當識別出所述視頻畫面的車牌信息，且根據所述車牌信息和所述視頻畫面的車輛繳費狀態確定所述車牌信息對應的車輛未繳費時，根據所述車輛出入口的道閘信息與所述視頻畫面的車輛軌跡信息中的至少一種信息，對異常停車行為進行檢測。
28.在其中一個實施例中，所述方法還包括：
29.當存在異常停車行為時，採集所述車輛出入口的取證畫面；
30.其中，所述取證畫面的範圍大於所述視頻畫面的範圍。
31.第二方面，本技術還提供了一種異常停車行為檢測裝置。所述裝置包括：
32.識別畫面採集模塊，用於獲取車輛出入口的視頻畫面；
33.車輛檢測模塊，用於根據移動對象的面積特徵與目標部位特徵，檢測所述視頻畫面是否包括車輛；
34.第一異常停車行為檢測模塊，用於在所述視頻畫面包括車輛時，根據所述車輛出入口的道閘信息與所述視頻畫面的車輛軌跡信息中的至少一種信息，對異常停車行為進行檢測；
35.第二異常停車行為檢測模塊，用於在所述視頻畫面不包括車輛時，根據所述道閘信息對異常停車行為進行檢測。
36.第三方面，本技術還提供了一種計算機設備。所述計算機設備包括存儲器和處理器，所述存儲器存儲有電腦程式，所述處理器執行所述電腦程式時實現上述任意實施例中異常停車行為檢測的步驟。
37.第四方面，本技術還提供了一種計算機可讀存儲介質。所述計算機可讀存儲介質，其上存儲有電腦程式，所述電腦程式被處理器執行時實現上述任意實施例中異常停車行為檢測的步驟。
38.第五方面，本技術還提供了一種電腦程式產品。所述電腦程式產品，包括電腦程式，該電腦程式被處理器執行時實現上述任意實施例中異常停車行為檢測的步驟。
39.上述異常停車行為檢測方法、裝置、計算機設備、存儲介質和電腦程式產品，根據移動對象的面積特徵與目標部位特徵，檢測所述視頻畫面是否包括車輛，以獲得更為準確地車輛識別結果，並根據視頻畫面是否包括車輛形成不同異常停車行為的檢測數據，採用不同檢測數據對異常停車行為進行檢測；在所述視頻畫面包括車輛時，根據所述車輛出入口的道閘信息與所述視頻畫面的車輛軌跡信息中的至少一種信息，對異常停車行為進行檢測，能夠較為準確地檢測出車輛的具體異常停車行為；在所述視頻畫面不包括車輛時，根據是否識別出所述移動對象的車牌信息，對異常停車行為進行檢測，能夠準確地識別出手舉假牌的停車行為代表的具體異常停車行為。
附圖說明
40.圖1為一個實施例中異常停車行為檢測方法的應用環境圖；
41.圖2為一個實施例中異常停車行為檢測方法的流程示意圖；
42.圖3為一個實施例中目標部位的圖像特徵示意圖；
43.圖4為一個實施例中預設軌跡信息的形成過程示意圖；
44.圖5為一個實施例中異常停車行為檢測方法的應用環境圖；
45.圖6為一個實施例中車輛的目標部位檢測的流程示意圖；
46.圖7為一個實施例中異常停車行為檢測方法的流程示意圖；
47.圖8為一個實施例中異常停車行為檢測裝置的結構框圖；
48.圖9為一個實施例中計算機設備的內部結構圖。
具體實施方式
49.為了使本技術的目的、技術方案及優點更加清楚明白，以下結合附圖及實施例，對本技術進行進一步詳細說明。應當理解，此處描述的具體實施例僅僅用以解釋本技術，並不用於限定本技術。
50.本技術實施例提供的異常停車行為檢測方法，可以應用於如圖1所示的應用環境中。其中，終端102通過網絡與伺服器104進行通信。數據存儲系統可以存儲伺服器104需要處理的數據。數據存儲系統可以集成在伺服器104上，也可以放在雲上或其他網絡伺服器上。
51.其中，終端102可以但不限於是各種識別相機、全景相機、車輛檢測一體機、個人計算機、筆記本電腦、智慧型手機、平板電腦、物聯網設備和可攜式可穿戴設備，物聯網設備可為智能車載設備等。可攜式可穿戴設備可為智能手錶、智能手環、頭戴設備等。伺服器104可以用獨立的伺服器或者是多個伺服器組成的伺服器集群來實現，伺服器可以是雲平臺。
52.在一個實施例中，如圖2所示，提供了一種異常停車行為檢測方法，以該方法應用於圖1中的終端為例進行說明，包括以下步驟：
53.步驟202，獲取車輛出入口的視頻畫面。
54.車輛出入口是出入停車場的車道區域，該車道區域設置有對應的道閘及控制道閘的終端；終端包括車輛識別相機，通過車輛識別相機採集車輛出入口的視頻畫面。車輛出入口的視頻畫面包括至少兩幀畫面，通過至少兩幀畫面中的差異信息能夠識別出視頻畫面中的移動對象。
55.在一個實施例中，通過移動對象的檢測模型檢測視頻畫面，確定視頻畫面中的移動對象。可選地，移動對象的檢測模型可以是傳統的cnn檢測模型，而為了進一步提高準確度，通過移動對象的檢測模型檢測視頻畫面，包括：基於用於分析移動對象是否為車輛的yolo模型，檢測視頻畫面中的移動對象所在區域；其中，yolo模型可以是yolov1模型、yolov2模型、yolov3模型、yolov4模型、yolov5模型、yolox模型、yolov6模型、yolor模型、yolov7模型等模型。視頻畫面中的移動對象其可能是車輛、人類或者其他可移動的對象。
56.步驟204，根據移動對象的面積特徵與目標部位特徵，檢測視頻畫面是否包括車輛。
57.移動對象的面積特徵是移動對象在視頻畫面的面積。根據移動對象在視頻畫面的面積是否滿足面積檢測條件，生成面積檢測結果，以通過面積檢測結果對移動對象是否為車輛進行分析。
58.目標部位特徵是移動對象在目標部位的圖像特徵。根據目標部位特徵是否符合車輛在目標部位的圖像特徵，生成目標部位特徵檢測結果，以通過目標部位特徵檢測結果對移動對象是否為車輛進行分析。可選地，目標部位特徵可以是車頭部位的顏色特徵與面積特徵中的至少一種特徵，而在特徵數量在某個特徵數量範圍的情況下，特徵數量與準確度是正相關的。示例性地，按照車頭部位的顏色特徵與面積特徵中的至少一種特徵，對移動對象進行檢測，得到目標部位特徵檢測結果。車輛在目標部位的圖像特徵如圖3(a)所示，對應的，非車輛在目標部位的圖像特徵如圖3(b)所示。
59.在一個可能的實施例中，根據移動對象的面積特徵與目標部位特徵，檢測視頻畫面是否包括車輛，包括：按照車輛的檢測模型，對移動對象的面積特徵與目標部位特徵進行識別，得到車輛識別結果；根據車輛識別結果判斷視頻畫面是否包括車輛。
60.在一個可能的實施例中，根據移動對象的面積特徵與目標部位特徵，檢測視頻畫面是否包括車輛，包括：根據移動對象的面積特徵與目標部位特徵生成面積檢測結果與目標部位特徵檢測結果；將面積檢測結果與目標部位特徵檢測結果對應的數據進行加權計算，得到加權計算結果；根據加權計算結果，判斷視頻畫面是否包括車輛。
61.可選地，在視頻畫面包括車輛時，對車牌信息進行識別，並對車輛的軌跡進行跟蹤。若識別出車牌信息，根據車輛的繳費狀態對異常停車行為是否檢測進行判斷；若識別不出車牌信息，則可能存在設備故障或者異常停車行為。其中，車輛的繳費狀態包括「待繳費」和「已繳費」。如果出現「待繳費」車輛離場，則判斷為繳費異常；當存在繳費異常時，才根據車輛出入口的道閘信息與視頻畫面的車輛軌跡信息中的至少一種信息，對異常停車行為進行檢測，以有效檢測停車場的司機逃費行為，並較為及時地提醒車場主有逃費行為發生，從而有效挽回車場主的經濟損失。具體的，當識別出視頻畫面的車牌信息，且根據車牌信息和視頻畫面的車輛繳費狀態確定車牌信息對應的車輛未繳費時，根據車輛出入口的道閘信息與視頻畫面的車輛軌跡信息中的至少一種信息，對異常停車行為進行檢測。
62.步驟206，在視頻畫面包括車輛時，根據車輛出入口的道閘信息與視頻畫面的車輛軌跡信息中的至少一種信息，對異常停車行為進行檢測。
63.車輛出入口的道閘信息是道閘的狀態信號。狀態信號包括發送到道閘的開閘信號與落閘信號，以及道閘反饋的開閘完成信號與落閘完成信號。不同的落閘信號用於表徵不同的落閘狀態，通過道閘的不同狀態信號，獲取道閘的實時狀態，進而可以判斷出是設備控
制的開閘還是人為遙控開閘，抑或是有車強行衝閘。
64.在一個實施例中，根據車輛出入口的道閘信息，對異常停車行為進行檢測，包括：判斷道閘信息是否按照預設順序傳輸，若是，則無法基於道閘狀態確定異常停車行為；若否，則能夠基於道閘狀態確定異常停車行為。示例性地，若道閘未收到開閘信號，卻反饋了開閘完成信號；則出現的異常停車行為是人工遙控開閘異常。
65.視頻畫面的車輛軌跡信息，是根據移動對象在視頻畫面中的位置變化而形成的軌跡信息。示例性地，按照時間順序對視頻畫面中的移動對象的坐標位置進行跟蹤，得到視頻畫面的車輛軌跡信息；視頻畫面的車輛軌跡信息是移動對象在視頻畫面中的位移坐標位置變化。
66.在一可選地實施例中，當根據車輛出入口的道閘信息與視頻畫面的車輛軌跡信息中的至少一種信息，對異常停車行為進行檢測，包括：當預設軌跡信息與視頻畫面的車輛軌跡信息在形成過程的差異超過對應的閾值時，存在異常停車行為；和/或，當車輛軌跡信息在視頻畫面的時長超過預設時長時，存在異常停車行為。
67.在一個示例性地實施例中，判斷預設軌跡信息與視頻畫面的車輛軌跡信息在形成過程的差異超過對應的閾值，包括：確定預設軌跡信息是沿第一方向運動的，並確定視頻畫面的車輛軌跡信息是沿第二方向運動的，則在第一方向與第二方向相反時，確定形成過程的差異超過對應的閾值。示例性地，預設軌跡信息是正常車輛軌跡，正常車輛軌跡是從視頻的上方進入，並從視頻的下方離開如果車輛軌跡在是從視頻的下方進入，並從視頻的上方離開，則確定形成過程的差異超過對應的閾值。
68.除了形成過程的運動方向以外，其形成過程中，預設軌跡信息還包括車輛的面積變化信息、位移變化信息中的一種或多種。示例性地，在預設軌跡信息的形成過程中，車輛的面積由小變大的；則在視頻畫面的車輛軌跡信息的形成過程中，車輛的面積由大變小時，確定形成過程的差異超過對應的閾值。在預設軌跡信息的形成過程中，車輛是逐漸靠近道閘的；則在視頻畫面的車輛軌跡信息的形成過程中，若車輛是逐漸遠離道閘或者車輛是橫向移動的時，確定形成過程的差異超過對應的閾值。根據形成過程中的差異信息，能夠準確地判斷出視頻畫面中的車輛是離開停車場還是返回停車場這類異常停車行為。
69.在一個示例性地實施例，預設軌跡信息的形成過程可以是如圖4(a)所示的正常軌跡的形成過程，也可以是如圖4(b)所示的異常軌跡信的形成過程。
70.在一個示例性地實施例中，當車輛軌跡信息在視頻畫面的時長超過預設時長時，可判斷視頻畫面中的車輛是否在停車場中停留，以準確地識別出長時佔用通道的異常停車行為。
71.在一可選地實施例中，在上述實施例的基礎上，基於車輛出入口的道閘信息和視頻畫面的車輛軌跡信息進行檢測；對應的，根據車輛出入口的道閘信息與視頻畫面的車輛軌跡信息中的至少一種信息，對異常停車行為進行檢測，包括：根據車輛出入口的道閘接收到的信號生成道閘信息；根據道閘信息確定車輛出入口的道閘狀態；道閘狀態用於表徵車輛出入口的道閘是否放行車輛；根據預設軌跡信息與視頻畫面的車輛軌跡信息在形成過程的差異超過對應的閾值，生成軌跡信息狀態；根據道閘狀態和軌跡信息狀態，判斷視頻畫面是否存在異常停車行為。
72.示例性地，根據道閘狀態和軌跡信息狀態，判斷視頻畫面是否存在異常停車行為，
包括：當道閘狀態為「開閘」，且軌跡檢測為「離場」時，則判斷異常行為「人工開閘逃費」；當道閘狀態為「關閉」，且軌跡檢測為「停留」時，則判斷異常行為「長時佔用通道」；當道閘狀態為「關閉」，且軌跡檢測為「離場」時，則判斷異常行為「衝卡逃費」；當道閘狀態為「關閉」，且軌跡檢測為「返場」時，則判斷異常行為「離場後倒車入場」。
73.步驟208，在視頻畫面不包括車輛時，根據是否識別出移動對象的車牌信息，對異常停車行為進行檢測。
74.在一個實施例中，根據是否識別出移動對象的車牌信息，對異常停車行為進行檢測，包括：採用目標檢測模型，對移動對象滿足車牌特徵的部位進行跟蹤檢測，根據跟蹤檢測的結果確定移動對象的車牌；對移動對象的車牌字符進行識別；若識別出車牌信息，則確定異常停車行為存在，該異常停車行為是手持假車牌的行為；若無法識別出車牌信息，則無法基於車牌信息判斷異常停車行為是否存在異常停車行為。其中，手持假車牌是指，通過人手持假牌照代替車輛的真實牌照，以讓道閘抬起，逃繳停車費的異常停車行為。
75.在存在異常停車行為時，採集車輛出入口的取證畫面，取證畫面是用於作為證據的多幀畫面。可選地，取證畫面的範圍可以與用於異常識別的視頻畫面具有相同範圍，以降低成本；取證畫面的範圍可以大於視頻畫面的範圍，以使取證畫面完整地記錄各類逃費異常行為的過程，得到異常停車行為的證據。
76.在一可選地實施例中，當取證畫面的範圍大於視頻畫面的範圍時，視頻畫面與取證畫面均是車輛識別相機採集的。示例性地，對車輛識別相機的鏡頭焦距調整後，通過調焦後的車輛識別相機採集視頻畫面，得到取證畫面。
77.在一可選地實施例中，如圖5所示，當取證畫面的範圍大於視頻畫面的範圍時，取證畫面是由該終端的全景相機採集，全景相機的位置高於車輛識別相機，以使取證畫面更完整地記錄各類逃費異常行為的過程。在一可能地實施例，車輛識別相機的鏡頭焦距使用6mm定焦鏡頭，視頻畫面覆蓋車道的範圍2-8米；全景監控相機使用2.5mm定焦鏡頭，取證畫面覆蓋車道的範圍大於30米，以通過視頻畫面對異常停車行為更準確地檢測，並使得取證畫面更完整地記錄各類逃費異常行為的過程。
78.在獲得取證畫面之後，終端會立即截取全景相機的視頻錄像，得到異常行為視頻證據；其中，截取全景相機的視頻錄像的時間為從異常行為開始發生檢測的時候到異常行為確定產生的時刻。而後終端將自動將異常行為視頻證據通過網際網路傳送至雲平臺，以使雲平臺根據異常行為的類型分類保存卻在畫面，再由雲平臺通過報警頁面、簡訊提醒等方式提醒車場主或其他停車場的收費用戶，收費用戶知曉停車場出現了逃費異常行為。收費用戶可以登陸雲平臺查看相應的視頻證據。
79.上述異常停車行為檢測方法中，根據移動對象的面積特徵與目標部位特徵，檢測視頻畫面是否包括車輛，以獲得更為準確地車輛識別結果，並根據視頻畫面是否包括車輛形成不同異常停車行為的檢測數據，採用不同檢測數據對異常停車行為進行檢測；在視頻畫面包括車輛時，根據車輛出入口的道閘信息與視頻畫面的車輛軌跡信息中的至少一種信息，對異常停車行為進行檢測，能夠較為準確地檢測出車輛的具體異常停車行為，具體異常停車行為包括但不限於：先離場再倒車入場逃費、衝卡逃費、人工開閘逃費、非機動車人工開閘逃費、長時間佔用通道逃費、遮擋鏡頭逃費；在視頻畫面不包括車輛時，根據是否識別出移動對象的車牌信息，對異常停車行為進行檢測，能夠準確地識別出手舉假牌的停車行
為代表的具體異常停車行為。
80.在一個實施例中，如圖6所示，步驟204，根據移動對象的面積特徵與目標部位特徵，檢測視頻畫面是否包括車輛，包括：
81.步驟602，根據移動對象在視頻畫面的面積是否滿足面積檢測條件，得到面積檢測結果。
82.在一個可能的實施例中，根據移動對象在視頻畫面的面積是否滿足面積檢測條件，得到面積檢測結果，包括：對移動對象與視頻畫面的面積差異度進行計算；當面積差異度大於對應的面積差異閾值時，面積檢測結果用於表徵移動對象是車輛；當面積差異度小於或等於對應的面積差異閾值時，面積檢測結果用於表徵移動對象不屬於車輛。
83.在一個可能的實施例中，根據移動對象在視頻畫面的面積是否滿足面積檢測條件，得到面積檢測結果，包括：基於視頻畫面的面積確定面積閾值；將移動對象在視頻畫面的面積與面積閾值進行比較，若超過面積閾值，則移動對象在視頻畫面的面積較大，面積檢測結果用於表徵移動對象可能是車輛；若小於面積閾值，則移動對象在視頻畫面的面積較小，面積檢測結果用於表徵移動對象不是車輛。
84.步驟604，當目標部位特徵包括目標部位的顏色分布信息時，基於目標部位的顏色分布信息生成顏色檢測結果。
85.目標部位的顏色分布信息是一種顏色特徵，其用於表徵目標部位的顏色整體是否一致，若一致，則移動對象屬於機動車輛；若不一致，則移動對象不屬於機動車輛。
86.在一個實施例中，目標部位的顏色分布信息包括目標部位的顏色信息和顏色信息的分布信息，對應的，基於目標部位的顏色分布信息生成顏色檢測結果，包括：基於目標部位的顏色信息與分布信息，生成目標部位在不同區域的顏色相似度，根據目標部位在不同區域的顏色相似度是否超過對應的相似度閾值，判斷移動對象是否屬於機動車輛。示例性地，當目標部位在不同區域的顏色相似度超過相似度閾值時，移動對象屬於機動車輛；當目標部位在不同區域的顏色相似度小於相似度閾值時，移動對象不屬於機動車輛。
87.步驟606，當目標部位特徵包括目標部位的部件結構特徵時，對部件結構特徵進行識別，得到部件檢測結果。
88.部件結構特徵是車輛在目標部位的結構形狀，其是根據目標部位安裝的部件所具有的結構所生成的。部件結構特徵能夠從圖像形狀分析移動對象的目標部位是否具有車輛在目標部位的結構形狀，以便於從圖像線條的角度進行檢測。
89.在一個可能的實施例中，對部件的結構進行識別，包括：按照目標部位對應的多種預設部件形狀，對目標部位安裝的部件進行識別；其中，多種預設部件形狀，包括預設進氣柵形狀和預設車燈形狀中的至少一種形狀。
90.目標部位對應的多種預設部件形狀能夠從不同部件的角度，分別對移動對象是否屬於車輛進行分析，預設部件形狀的種類與檢測的準確度具有一定相關性，且與檢測的效率具有一定相關性。當預設部件形狀包括預設進氣柵形狀或者預設車燈形狀時，檢測較為高效；當預設部件形狀包括預設進氣柵形狀和預設車燈形狀時，識別的準確度相對較高。可選地，預設進氣柵形狀包括但不限於如下形狀的線條：縱向線條、橫向線條以及橫向線條與縱向組成的網格線條；預設車燈形狀包括但不限於如下形狀的線條：圓形線條與橢圓形線條。
91.在一個示例性地實施例中，按照目標部位對應的多種預設部件形狀，對目標部位安裝的部件進行識別，包括：根據目標部位對應的多種預設部件形狀，確定各種預設部件形狀的目標檢測模型；根據各種預設部件形狀的目標檢測模型，對目標部位安裝的部件進行識別。
92.步驟608，按照面積檢測結果，以及顏色檢測結果及部件檢測結果中的至少一種目標部位特徵的檢測結果，檢測視頻畫面是否包括車輛。
93.在一個可選地實施例中，按照面積檢測結果，以及顏色檢測結果及部件檢測結果中的至少一種目標部位特徵的檢測結果，包括：確定不同檢測結果的權重佔比；根據不同檢測結果的權重佔比，對按照面積檢測結果，以及顏色檢測結果及部件檢測結果進行分析，生成視頻畫面的車輛檢測結果；視頻畫面的車輛檢測結果用於表徵視頻畫面是否包括車輛。由此，通過識別畫面準確地檢測出視頻畫面是否包括車輛，同時上傳異常行為證據，產生報警通知收費用戶。
94.本實施例中，通過移動對象在視頻畫面的面積，通過車輛面積檢測移動對象，得到面積檢測結果，通過面積檢測結果提供了一個分析維度；在從目標部位的顏色分布信息和目標部位的部件結構特徵這兩個維度分別進行分析，以便於將目標部位特徵細化為顏色檢測結果和部件檢測結果，使得本實施例能夠從這三個維度進行綜合分析，更準確地識別出視頻畫面是否包括車輛。此外，可根據硬體設備條件適應性調整目標部位特徵的維度數量，以提高效率。
95.在一個實施例中，綜合上述各種檢測的方式進行綜合分析。如圖6所示，終端一體機執行如下步驟：s602，根據移動對象的面積特徵與目標部位特徵，對目標部位進行檢測，以判斷視頻畫面是否存在車輛；s604，當存在車輛時，對車輛的車牌進行檢測；s606，在識別到車牌信息後，判斷該車牌信息對應的繳費狀態；s608，當繳費完成，且無法根據道閘狀態檢測出相應的異常停車行為時，記錄相應的車輛軌跡。
96.如圖7所示，終端一體機執行如下步驟：s702，根據移動對象的面積特徵與目標部位特徵，對目標部位進行檢測，以判斷視頻畫面是否存在車輛；s704，當存在車輛時，對車輛的車牌進行檢測；s706，在識別到車牌信息後，判斷該車牌信息對應的繳費狀態；s708，當繳費未完成，且無法根據道閘狀態檢測出相應的異常停車行為時，根據車輛出入口的道閘信息與視頻畫面的車輛軌跡信息中的至少一種信息，確定異常停車行為存在；通過全景相機錄製取證畫面，再將取證畫面上傳到雲平臺，以進行報警。從而有效地通知車場主。本實施例中的異常停車行為包括但不限於：手動開閘逃費、手持假牌逃費、衝卡逃費、長時佔用通道、離場後倒車入場。
97.應該理解的是，雖然如上所述的各實施例所涉及的流程圖中的各個步驟按照箭頭的指示依次顯示，但是這些步驟並不是必然按照箭頭指示的順序依次執行。除非本文中有明確的說明，這些步驟的執行並沒有嚴格的順序限制，這些步驟可以以其它的順序執行。而且，如上所述的各實施例所涉及的流程圖中的至少一部分步驟可以包括多個步驟或者多個階段，這些步驟或者階段並不必然是在同一時刻執行完成，而是可以在不同的時刻執行，這些步驟或者階段的執行順序也不必然是依次進行，而是可以與其它步驟或者其它步驟中的步驟或者階段的至少一部分輪流或者交替地執行。
98.基於同樣的發明構思，本技術實施例還提供了一種用於實現上述所涉及的異常停
車行為檢測方法的異常停車行為檢測裝置。該裝置所提供的解決問題的實現方案與上述方法中所記載的實現方案相似，故下面所提供的一個或多個異常停車行為檢測裝置實施例中的具體限定可以參見上文中對於異常停車行為檢測方法的限定，在此不再贅述。
99.在一個實施例中，如圖8所示，提供了一種異常停車行為檢測裝置，包括：識別畫面採集模塊802、車輛檢測模塊804、第一異常停車行為檢測模塊806和第二異常停車行為檢測模塊808，其中：
100.識別畫面採集模塊802，用於獲取車輛出入口的視頻畫面；
101.車輛檢測模塊804，用於根據移動對象的面積特徵與目標部位特徵，檢測所述視頻畫面是否包括車輛；
102.第一異常停車行為檢測模塊806，用於在所述視頻畫面包括車輛時，根據所述車輛出入口的道閘信息與所述視頻畫面的車輛軌跡信息中的至少一種信息，對異常停車行為進行檢測；
103.第二異常停車行為檢測模塊808，用於在所述視頻畫面不包括車輛時，根據所述道閘信息對異常停車行為進行檢測。
104.在其中一個實施例中，所述車輛檢測模塊804用於：
105.根據所述移動對象在所述視頻畫面的面積是否滿足面積檢測條件，得到面積檢測結果；
106.當所述目標部位特徵包括所述目標部位的顏色分布信息時，基於所述目標部位的顏色分布信息生成顏色檢測結果；
107.當所述目標部位特徵包括所述目標部位的部件結構特徵時，對所述部件結構特徵進行識別，得到部件檢測結果；
108.按照所述面積檢測結果，以及所述顏色檢測結果及所述部件檢測結果中的至少一種目標部位特徵的檢測結果，檢測所述視頻畫面是否包括車輛。
109.在其中一個實施例中，所述車輛檢測模塊804具體用於：
110.按照所述目標部位對應的多種預設部件形狀，對所述目標部位安裝的部件進行識別；
111.其中，所述多種預設部件形狀，包括預設進氣柵形狀和預設車燈形狀中的至少一種形狀。
112.在其中一個實施例中，所述第一異常停車行為檢測模塊806包括軌跡檢測單元，軌跡檢測單元用於：當預設軌跡信息與所述視頻畫面的車輛軌跡信息在形成過程的差異超過對應的閾值時，存在異常停車行為；和/或，當所述車輛軌跡信息在所述視頻畫面的時長超過所述預設時長時，存在異常停車行為。
113.在其中一個實施例中，所述第一異常停車行為檢測模塊806包括軌跡檢測單元、道閘狀態判斷單元和異常行為判斷單元；
114.其中，道閘狀態判斷單元用於根據所述車輛出入口的道閘接收到的信號生成所述道閘信息；根據所述道閘信息確定所述車輛出入口的道閘狀態；所述道閘狀態用於表徵所述車輛出入口的道閘是否放行車輛；
115.軌跡檢測單元用於根據預設軌跡信息與所述視頻畫面的車輛軌跡信息在形成過程的差異是否超過對應的閾值，生成軌跡信息狀態；
116.異常行為判斷單元用於根據所述道閘狀態和所述軌跡信息狀態，判斷所述視頻畫面是否存在異常停車行為。
117.在其中一個實施例中，所述第一異常停車行為檢測模塊806，具體用於：當識別出所述視頻畫面的車牌信息，且根據所述車牌信息和所述視頻畫面的車輛繳費狀態確定所述車牌信息對應的車輛未繳費時，根據所述車輛出入口的道閘信息與所述視頻畫面的車輛軌跡信息中的至少一種信息，對異常停車行為進行檢測。
118.在其中一個實施例中，所述異常停車行為檢測裝置還包括取證模塊，所述取證模塊用於：當存在異常停車行為時，採集所述車輛出入口的取證畫面；其中，所述取證畫面的範圍大於所述視頻畫面的範圍。
119.上述異常停車行為檢測裝置中的各個模塊可全部或部分通過軟體、硬體及其組合來實現。上述各模塊可以硬體形式內嵌於或獨立於計算機設備中的處理器中，也可以以軟體形式存儲於計算機設備中的存儲器中，以便於處理器調用執行以上各個模塊對應的操作。
120.在一個實施例中，提供了一種計算機設備，該計算機設備可以是終端，其內部結構圖可以如圖9所示。該計算機設備包括處理器、存儲器、輸入/輸出接口、通信接口、顯示單元和輸入裝置。其中，處理器、存儲器和輸入/輸出接口通過系統總線連接，通信接口、顯示單元和輸入裝置通過輸入/輸出接口連接到系統總線。其中，該計算機設備的處理器用於提供計算和控制能力。該計算機設備的存儲器包括非易失性存儲介質、內存儲器。該非易失性存儲介質存儲有作業系統和電腦程式。該內存儲器為非易失性存儲介質中的作業系統和電腦程式的運行提供環境。該計算機設備的輸入/輸出接口用於處理器與外部設備之間交換信息。該計算機設備的通信接口用於與外部的終端進行有線或無線方式的通信，無線方式可通過wifi、移動蜂窩網絡、nfc(近場通信)或其他技術實現。該電腦程式被處理器執行時以實現一種異常停車行為檢測方法。該計算機設備的顯示單元用於形成視覺可見的畫面，可以是顯示屏、投影裝置或虛擬實境成像裝置，顯示屏可以是液晶顯示屏或電子墨水顯示屏，該計算機設備的輸入裝置可以是顯示屏上覆蓋的觸摸層，也可以是計算機設備外殼上設置的按鍵、軌跡信息球或觸控板，還可以是外接的鍵盤、觸控板或滑鼠等。
121.本領域技術人員可以理解，圖9中示出的結構，僅僅是與本技術方案相關的部分結構的框圖，並不構成對本技術方案所應用於其上的計算機設備的限定，具體的計算機設備可以包括比圖中所示更多或更少的部件，或者組合某些部件，或者具有不同的部件布置。
122.在一個實施例中，還提供了一種計算機設備，包括存儲器和處理器，存儲器中存儲有電腦程式，該處理器執行電腦程式時實現上述各方法實施例中的步驟。
123.在一個實施例中，提供了一種計算機可讀存儲介質，其上存儲有電腦程式，該電腦程式被處理器執行時實現上述各方法實施例中的步驟。
124.在一個實施例中，提供了一種電腦程式產品，包括電腦程式，該電腦程式被處理器執行時實現上述各方法實施例中的步驟。
125.需要說明的是，本技術所涉及的用戶信息(包括但不限於用戶設備信息、用戶個人信息等)和數據(包括但不限於用於分析的數據、存儲的數據、展示的數據等)，均為經用戶授權或者經過各方充分授權的信息和數據，且相關數據的收集、使用和處理需要遵守相關國家和地區的相關法律法規和標準。
126.本領域普通技術人員可以理解實現上述實施例方法中的全部或部分流程，是可以通過電腦程式來指令相關的硬體來完成，所述的電腦程式可存儲於一非易失性計算機可讀取存儲介質中，該電腦程式在執行時，可包括如上述各方法的實施例的流程。其中，本技術所提供的各實施例中所使用的對存儲器、資料庫或其它介質的任何引用，均可包括非易失性和易失性存儲器中的至少一種。非易失性存儲器可包括只讀存儲器(read-only memory，rom)、磁帶、軟盤、快閃記憶體、光存儲器、高密度嵌入式非易失性存儲器、阻變存儲器(reram)、磁變存儲器(magnetoresistive random access memory，mram)、鐵電存儲器(ferroelectric random access memory，fram)、相變存儲器(phase change memory，pcm)、石墨烯存儲器等。易失性存儲器可包括隨機存取存儲器(random access memory，ram)或外部高速緩衝存儲器等。作為說明而非局限，ram可以是多種形式，比如靜態隨機存取存儲器(static random access memory，sram)或動態隨機存取存儲器(dynamic random access memory，dram)等。本技術所提供的各實施例中所涉及的資料庫可包括關係型資料庫和非關係型資料庫中至少一種。非關係型資料庫可包括基於區塊鏈的分布式資料庫等，不限於此。本技術所提供的各實施例中所涉及的處理器可為通用處理器、中央處理器、圖形處理器、數位訊號處理器、可編程邏輯器、基於量子計算的數據處理邏輯器等，不限於此。
127.以上實施例的各技術特徵可以進行任意的組合，為使描述簡潔，未對上述實施例中的各個技術特徵所有可能的組合都進行描述，然而，只要這些技術特徵的組合不存在矛盾，都應當認為是本說明書記載的範圍。
128.以上所述實施例僅表達了本技術的幾種實施方式，其描述較為具體和詳細，但並不能因此而理解為對本技術專利範圍的限制。應當指出的是，對於本領域的普通技術人員來說，在不脫離本技術構思的前提下，還可以做出若干變形和改進，這些都屬於本技術的保護範圍。因此，本技術的保護範圍應以所附權利要求為準。