车辆违章检测方法、装置、计算机设备和存储介质与流程

本申请涉及人工智能技术领域，特别是涉及一种车辆违章检测方法、装置、计算机设备和存储介质。

背景技术：

随着现代社会经济的快速发展和城市化的普及，汽车作为一种重要的交通工具，其数量呈井喷式增长。汽车数量的增长给人们带来便利的同时，也引发了诸如交通堵塞等一系列问题，其中汽车的违章停车现象是导致交通堵塞的一种重要原因。

目前，在电子警察相机抓拍到违章停车的图像后，还需要进行二次审核，传统的方式是以人工操作进行二次审核。

但是，通过人工操作进行二次审核，数据处理不够智能化，并且处理效率较低。

技术实现要素：

基于此，有必要针对上述技术问题，提供一种智能化的车辆违章检测方法、装置、计算机设备和存储介质。

一种车辆违章检测方法，包括：

获取终端设备采集的拼接图像以及目标车牌号码，拼接图像由多张单帧图像拼接组成；

对拼接图像进行切割，得到多张单帧图像；

对各单帧图像进行车辆图像检测，得到各单帧图像中的车辆图像；

对车辆图像进行车牌号码的识别，得到识别车牌号码；

将识别车牌号码与目标车牌号码进行匹配；

当目标车牌号码与识别车牌号码匹配时，则根据多张单帧图像中车辆的特征点坐标得到车辆的移动位移，并基于移动位移判断车辆是否违章。

在其中一个实施例中，对拼接图像进行切割，得到多张单帧图像，包括：

通过识别框滑动遍历拼接图像，获取拼接图像的感兴趣区域；

采用二分类网络对感兴趣区域进行边界以及非边界的判定；

根据所得到的边界对拼接图像进行切割，生成多张单帧图像。

在其中一个实施例中，对各单帧图像进行车辆检测，得到各单帧图像中的车辆图像，包括：

对各单帧图像进行特征提取，得到多个尺度的车辆特征；

采用相邻两阶特征逐层融合的方式，对相邻两个尺度的车辆特征进行特征融合，得到多个尺度的车辆融合特征；

分别对各尺度的车辆融合特征进行回归处理，得到对应各尺度的车辆融合特征的回归结果；

采用非极大值抑制准则对多个回归结果进行筛选，并基于筛选的回归结果确定各单帧图像中的车辆图像。

在其中一个实施例中，对车辆图像进行车牌号码的识别，得到识别车牌号码，包括：

对车辆图像进行车牌图像的检测，得到车辆图像中的车牌图像；

对车牌图像进行车牌号码的识别，得到识别车牌号码。

在其中一个实施例中，对车辆图像进行车牌图像的检测，得到车辆图像中的车牌图像，包括：

对车辆图像进行特征提取，得到多个尺度的车牌特征；

分别对各尺度的车牌特征进行回归处理，得到对应各尺度的车牌特征的回归结果；

采用非极大值抑制准则对多个回归结果进行筛选，并基于筛选的回归结果确定车辆图像中的车牌图像。

在其中一个实施例中，根据多张单帧图像中车辆的特征点坐标得到车辆的移动位移，并基于移动位移判断车辆是否违章，包括：

分别获取多张单帧图像中车辆的特征点坐标；

根据获取的各特征点坐标，确定车辆的移动位移；

当移动位移大于预设数值时，则判定车辆违章；

当移动位移小于或等于预设数值时，则判定车辆未违章。

一种车辆违章检测装置，包括：

获取模块，用于获取终端设备采集的拼接图像以及目标车牌号码，拼接图像由多张单帧图像拼接组成；

切割模块，用于对拼接图像进行切割，得到多张单帧图像；

检测模块，用于对各单帧图像进行车辆图像检测，得到各单帧图像中的车辆图像；

识别模块，用于对车辆图像进行车牌号码的识别，得到识别车牌号码；

匹配模块，用于将识别车牌号码与目标车牌号码进行匹配；

违章判断模块，用于当目标车牌号码与识别车牌号码匹配时，则根据多张单帧图像中车辆的特征点坐标得到车辆的移动位移，并基于移动位移判断车辆是否违章。

在其中一个实施例中，检测模块包括：

第一特征提取子模块，用于对各单帧图像进行特征提取，得到多个尺度的车辆特征；

特征融合子模块，用于采用相邻两阶特征逐层融合的方式，对相邻两个尺度的车辆特征进行特征融合，得到多个尺度的车辆融合特征；

回归处理子模块，用于分别对各尺度的车辆融合特征进行回归处理，得到对应各尺度的车辆融合特征的回归结果；

筛选子模块，用于采用非极大值抑制准则对多个回归结果进行筛选，并基于筛选的回归结果确定各单帧图像中的车辆图像。

一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现上述任一项所述方法的步骤。

一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述任一项所述方法的步骤。

上述车辆违章检测方法、装置、计算机设备和存储介质，通过对获取的终端设备采集的拼接图像进行切割，得到多张单帧图像，并对各单帧图像进行车辆图像检测，以及对车辆图像进行车牌号码的识别，得到识别车牌号码，进一步将识别车牌号码以及目标车牌号码进行匹配，以及对匹配到的车辆是否违章进行判定。从而，可以无需人工参与对车辆以及车牌进行识别，并对识别到的车辆是否违章进行判定，使车辆违章检测判断更加智能化，进而可以提升处理效率。

附图说明

图1为一个实施例中车辆违章检测方法的应用场景图；

图2为一个实施例中车辆违章检测方法的流程示意图；

图3为一个实施例中拼接图像的示意图；

图4为一个实施例中对所述拼接图像进行切割步骤的流程示意图；

图5为一个实施例中车辆图像检测模型的结构示意图；

图6为一个实施例中车牌检测模型的结构示意图；

图7为一个实施例中车辆违章判定步骤的流程示意图；

图8为一个实施例中车辆违章检测装置的结构框图；

图9为一个实施例中计算机设备的内部结构图。

具体实施方式

为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。

本申请提供的车辆违章检测方法，可以应用于如图1所示的应用环境中。其中，终端设备102通过网络与服务器104通过网络进行通信。其中，终端设备102可以是进行首次车辆违章检测的设备，在进行首次车辆违章检测后，终端设备102可以将电子警察相机采集的拼接图像以及经过首次检测后得到的目标车牌号码发送给进行二次审核的服务器104。服务器104在获取到从终端设备102传送的拼接图像后，通过对拼接图像进行切割，并对切割后的各单帧图像进车辆图像的检测，以及对车辆图像中车牌号码的识别，获取到识别车牌号码。进一步，服务器104可以将该识别车牌号码以及从终端设备102获取的目标车牌号码进行匹配，并在该识别车牌号码与该目标车牌号码匹配时，对车辆是否违章进行判定，从而可以无需人工操作进行二次审核，使车辆违章检测更加智能化，进而提升处理效率。其中，终端设备102可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑等，服务器104可以用独立的服务器或者是多个服务器组成的服务器集群来实现。

在一个实施例中，如图2所示，提供了一种车辆违章检测方法，以该方法应用于图1中的服务器为例进行说明，包括以下步骤：

步骤s202，获取终端设备采集的拼接图像以及目标车牌号码，拼接图像由多张单帧图像拼接组成。

其中，拼接图像是由多张时间依次连续的单帧图像拼接而成的图像，例如，参考图3，拼接图像可以是由4张单帧图像拼接而成的图像，或者也可以是有其他数量的单帧图像拼接而成的图像，本申请对此不作限制。

组成拼接图像的单帧图像可以是电子警察相机拍摄的禁止违章区域的图像，或者也可以是由电子警察相机采集的禁止违章区域的视频中截取出来的图像。

目标车牌号码是指需要进行车辆违章二次审核的车辆的车牌号码。在实际应用中，电子警察相机抓拍到违章视频或者违章图像后，可以通过终端设备进行初次违章检测。终端设备可以通过图像识别技术等，对违章图像进行初次违章检测，以获取违章图像中车辆的车牌号码。

进一步，终端设备可以将生成的拼接图像以及识别到的目标车牌号码发送给服务器，以由服务器对车联是否违停进行二次审核。

步骤s204，对拼接图像进行切割，得到多张单帧图像。

具体地，服务器在获取拼接图像后，可以通过图像切割算法，对拼接图像进行切割，以得到多张单帧图像。

步骤s206，对各单帧图像进行车辆图像检测，得到各单帧图像中的车辆图像。

服务器可以分别对各单帧图像中的车辆图像进行检测，从而得到各单帧图像的车辆图像。例如，可以通过神经网络中的目标检测方法对车辆图像进行检测，以得到相应的车辆图像。

在实际应用中，在得到各单帧图像中的车辆图像后，可以对得到的多张图像进行初次匹配分析，确定从各单帧图像中得到的车辆图像是同一车辆的图像，从而可以保障后续处理中的车辆图像是对应同一车辆的图像，避免不必要的资源浪费。

步骤s208，对车辆图像进行车牌号码的识别，得到识别车牌号码。

具体地，服务器可以先分别对各车辆图像进行车牌图像的检测，得到个单帧图像中的车牌图像，并对检测得到的车牌图像进行车牌号码的识别，以得到车辆图像中车辆的车牌号码。

步骤s210，将识别车牌号码与目标车牌号码进行匹配。

具体地，服务器通过对车辆图片进行识别，得到识别车牌号码后，可以以从终端设备获取的目标车牌号码为匹配对象，对识别得到的识别车牌号码进行匹配，确定识别车牌号码与目标车牌号码是否一致。

在实际应用中，当识别车牌号码与目标车牌号码不一致时，则确定识别车牌号码与目标车牌号码不匹配，从而确定单帧图像中的车辆未违章；当识别车牌号码与目标车牌号码完全一致时，则确定识别车牌号码与目标车牌号码匹配，以进行后续的检测操作。

本领域技术人员可以理解的是，对识别车牌号码与目标车牌号码进行匹配可以是按照车牌号码的位置顺序，依次对每一位置顺序的识别车牌号码与目标车牌号码进行匹配，在确定前一位置顺序的号码一致时，在进行后一位置顺序号码的匹配，当不一致时，则匹配中止。可选的，也可以是并列对多个位置顺序的号码同时进行匹配，以较短时间完成对车牌号码的匹配。

步骤s212，当识别车牌号码与目标车牌号码匹配时，则根据多张单帧图像中车辆的特征点坐标得到车辆的移动位移，并基于移动位移判断车辆是否违章。

其中，特征点坐标可以车辆中心点位置坐标，也可以是车轮中心点坐标，或者是车辆上车牌左上角坐标，或者右下角坐标等，本申请对此不作限制。

在实际应用中，服务器可以根据多张单帧图像中车辆的同一特殊点坐标位置，确定车辆的移动位移，从而判定车辆是否违章。

上述车辆违章检测方法中，通过对获取的终端设备采集的拼接图像进行切割，得到多张单帧图像，并对各单帧图像进行车辆图像检测，以及对车辆图像进行车牌号码的识别，得到识别车牌号码，进一步将识别车牌号码以及目标车牌号码进行匹配，以及对匹配到的车辆是否违章进行判定。从而，可以无需人工参与对车辆以及车牌进行识别，并对识别到的车辆是否违章进行判定，使车辆违章检测判断更加智能化，进而可以提升处理效率。

在其中一个实施例中，参考图4所示拼接图像进行切割步骤的流程示意图，即对拼接图像进行切割，得到多张单帧图像，可以包括如下步骤：

步骤s402，通过识别框滑动遍历拼接图像，获取拼接图像的感兴趣区域。

其中，感兴趣区域(regionofinterest，roi)是从图像中选择的一个图像区域，该区域为进一步图像分析中的重点区域。

识别框可以是方框、圆、椭圆、不规则多边形等选取框，可以通过识别框选取到滑动范围内的图像。

具体地，服务器可以根据预先设定的识别框，勾勒出拼接图像中需要进行图像分析的感兴趣区域，以进行进一步的图像处理。

步骤s404，采用二分类网络对所述感兴趣区域进行边界以及非边界的判定。

其中，二分类网络为将样本分为负类以及正类的网络模型。在本申请中，正类可以对应于边界，负类可以对应于非边界，或者反之亦可。

具体地，服务器在通过识别框获取感兴趣区域后，将该感兴趣区域输入二分类网络，二分类网络对感兴趣区域图像中每一像素进行识别判定，确定每一像素为边界或者非边界。

在实际应用中，服务器可以根据获取的历史拼接图像，对该两分类网络进行训练，以使该两分类网络具有识别图像中各像素为边界以及非边界的功能。

步骤s406，根据所得到的边界对所述拼接图像进行切割，生成所述多张单帧图像。

具体地，服务器通过识别框遍历整个拼接图像，并对每一感兴趣区域进行识别判定后，可以识别出拼接图像中的边界区域，并按照边界区域将拼接图像进行切割，得到对应的多张单帧图像。

通过以识别框获取感兴趣区域，并采用二分类网络对感兴趣区域进行边界以及非边界的判定，然后进行拼接图像的切割，从而在进行判定时仅对拼接图像中获取的感兴趣区域进行，判定区域较小，可以提升判定的准确性。

在其中一个实施例中，对各单帧图像进行车辆检测，得到各单帧图像中的车辆图像，可以包括：对各单帧图像进行特征提取，得到多个尺度的车辆特征；采用相邻两阶特征逐层融合的方式，对相邻两个尺度的车辆特征进行特征融合，得到多个尺度的车辆融合特征；分别对各尺度的车辆融合特征进行回归处理，得到对应各尺度的车辆融合特征的回归结果；采用非极大值抑制准则对多个回归结果进行筛选，并基于筛选的回归结果确定各单帧图像中的车辆图像。

其中，车辆图像可以是通过将切割得到的单帧图像输入车辆图像检测模型生成，例如，通过改进的centernet目标检测模型。

具体地，进行车辆图像检测前，可以通过训练图像对车辆图像检测模型进行训练。参考图5，在对车辆图像检测模型进行模型训练时，将训练图像输入车辆图像检测模型，在进行特征提取时，可以提取得到对应多个不同尺度的车辆特征，并按照高阶层到低阶层的顺序，依次对相邻两阶的车辆特征进行特征融合，以得到多个尺度的车辆融合特征。

进一步，可以分别对各车辆融合特征进行loss回归处理，以得到对应多个尺度的回归结果，即可以得到对应多个尺度的回归目标框。服务器可以通过非极大值抑制准则(non-maximumsuppression，nms)进行后处理，对多个回归目标框进行筛选。

在实际应用中，服务器分别将对各单帧图像输入训练后的车辆图像检测模型，通过车辆图像监测模型对各单帧图像进行车辆图像特征的提取，得到多个尺度的车辆特征，然后基于多个尺度的车辆特征输出对应的车辆图像。

通过对提取的多个尺度的车辆特征进行特征融合，得到多个尺度的车辆融合特征，并对各尺度的车辆融合特征进行回归处理，从而可以得到对应多个尺度的车辆融合特征的回归结果，为最终的筛选以及输出车辆图像提供了更多的可选项，可以使得到的车辆图像更加准确。

如前文所述，在实际应用中，在得到各单帧图像中的车辆图像后，可以对车辆图像中的车牌图像进行检测，并根据检测得到的车牌图像进行车牌号码的识别。

在其中一个实施例中，对车辆图像进行车牌图像的检测，得到车辆图像中的车牌图像，可以包括：对车辆图像进行特征提取，得到多个尺度的车牌特征；分别对各尺度的车牌特征进行回归处理，得到对应各尺度的车牌特征的回归结果；采用非极大值抑制准则对多个回归结果进行筛选，并基于筛选的回归结果确定车辆图像中的车牌图像。

其中，车牌图像基于将车辆图像输入车牌检测模型得到，例如，可以是以基础网络用shufflenet_v2的ssd模型。

具体地，在进行车牌图像检测前，还可以通过训练图像对车牌检测模型进行训练。参考图6，在ssd模型中，将训练图像输入车牌检测模型，得到对应各layer层的各尺度的车牌特征；各layer层分别各自接一个回归层(loss层)，对各layer层输出的各尺度的车牌特征进行回归，以得到对应各尺度的车牌特征的回归结果，即得到对应多个尺度的回归目标框；进一步，各loss层回归的回归目标框通过非极大值抑制准则(non-maximumsuppression，nms)进行后处理。

在实际应用中，服务器可以将得到的车辆图像输入训练后的车牌检测模型，得到对应多个尺度的车牌特征，并基于多个尺度的车牌特征输出对应的车牌图像。

通过分别对多个尺度的车牌特征进行回归处理，各回归结果与各尺度的车牌特征对应，保留了各尺度的车辆特征的特性，然后采用非极大值抑制准则对多个回归结果进行筛选，从而，筛选出的回归结果是对不同尺度的车牌特征进行回归并筛选的，可以使筛选得到的结果更加准确，进而可以提升获取的车牌的准确性。

在实际应用中，对车辆图像进行车牌图像检测，得到车牌图像检测后，可以将得到的车牌图像输入长短期记忆网络(longshort-termmemory，lstm)以识别车牌图像中的车牌号码。

在其中一个实施例中，参考图7，根据多张单帧图像中车辆的特征点坐标得到车辆的移动位移，并基于移动位移判断车辆是否违章，可以包括如下步骤：

步骤s702，分别获取所述多张单帧图像中车辆的特征点坐标。

具体地，服务器可以依次遍历各单帧图像，并通过关键点坐标检测等方式获取各单帧图像中车辆的同一特征点的位置坐标，例如，可以是车辆中心点坐标，或者车牌的左上角坐标，右下角坐标等，本申请对此不做限制。

在实际应用中，服务器可以在对识别车牌号码以及目标车牌号码进行识别后，然后进行特征点坐标的获取，或者也可以是在前文中对各单帧图像进行车辆图像检测时，获取各单帧图像车辆的特征点坐标，对此不作限定。

步骤s704,根据获取的各特征点坐标，确定车辆的移动位移。

其中，车辆的移动位移可以根据同一特征点在多张单帧图像中位置坐标的偏移量确定的位移。例如，在实际应用中，服务器获取到车辆的中心点在两张单帧图像中的位置坐标分别(x1,y1)和(x2,y2)，服务器计算该两张单帧图像中车辆的中心点的像素偏移量dst，具体计算公式如下：

dst＝|x1-x2|+|y1-y2|

其中，x1表示第一张单帧图像中车辆中心点的x坐标，x2表示第二张图像中车辆中心点的x坐标，y1表示第一张单帧图像中车辆中心点的y坐标，y2表示第二张图像中车辆中心点的y坐标。

在实际应用中，服务器可以根据计算得到的像素偏移量dst判断车辆是否违章。

步骤s706，当移动位移大于预设数值时，则判定车辆违章。

步骤s708，当移动位移小于或等于预设数值时，则判定车辆未违章。

具体地，服务器可以预先设置判定车辆是否移动的数值，在得到车辆的像素偏移量dst时，通过将像素偏移量dst与预设数值进行比较，确定车辆是否违章。具体比较判定公式如下：

其中，thresh表示预设数值，result为0表示该车辆不违章，result为1表示该车辆违章。

通过获取车辆在多张单帧图像中的特征点坐标，并对车辆的移动位移进行计算，并基于得到的移动位移以及预设数值对车辆是否违章进行判断，相比以人工方式进行是否违章的判断，提升了违章判定的智能化，并且，通过服务器对个数据进行准确计算并比较，数据的获取以及判定更加准确，可以提升违章判定的准确性。

应该理解的是，虽然图2、图4、图7的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图2、图4、图7中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些子步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。

在一个实施例中，如图8所示，提供了一种车辆违章检测装置，可以包括：获取模块100、切割模块200、检测模块300、识别模块400、匹配模块500、违章判断模块600，其中：

获取模块100，用于获取终端设备采集的拼接图像以及目标车牌号码，拼接图像由多张单帧图像拼接组成。

切割模块200，用于对拼接图像进行切割，得到多张单帧图像。

检测模块300，用于对各单帧图像进行车辆图像检测，得到各单帧图像中的车辆图像。

识别模块400，用于对车辆图像进行车牌号码的识别，得到识别车牌号码。

匹配模块500，用于将识别车牌号码与目标车牌号码进行匹配。

违章判断模块600，用于当识别车牌号码与目标车牌号码匹配时，则根据多张单帧图像中车辆的特征点坐标得到车辆的移动位移，并基于移动位移判断车辆是否违章。

在其中一个实施例中，切割模块200可以包括：

第一获取子模块，用于通过识别框滑动遍历拼接图像，获取拼接图像的感兴趣区域。

第一判定子模块，用于采用二分类网络对感兴趣区域进行边界以及非边界的判定。

切割子模块，用于根据所得到的边界对拼接图像进行切割，生成多张单帧图像。

在其中一个实施例中，检测模块300可以包括：

第一特征提取子模块，用于对各单帧图像进行特征提取，得到多个尺度的车辆特征。

特征融合子模块，用于采用相邻两阶特征逐层融合的方式，对相邻两个尺度的车辆特征进行特征融合，得到多个尺度的车辆融合特征。

回归处理子模块，用于分别对各尺度的车辆融合特征进行回归处理，得到对应各尺度的车辆融合特征的回归结果。

筛选子模块，用于采用非极大值抑制准则对多个回归结果进行筛选，并基于筛选的回归结果确定各单帧图像中的车辆图像。

在其中一个实施例中，识别模块400可以包括：

车牌检测子模块，用于对车辆图像进行车牌图像的检测，得到车辆图像中的车牌图像。

车牌号码识别子模块，用于对车牌图像进行车牌号码的识别，得到识别车牌号码。

在其中一个实施例中，车牌检测子模块可以包括：

特征提取单元，用于对车辆图像进行特征提取，得到多个尺度的车牌特征。

回归处理单元，用于分别对各尺度的车牌特征进行回归处理，得到对应各尺度的车牌特征的回归结果。

筛选单元，用于采用非极大值抑制准则对多个回归结果进行筛选，并基于筛选的回归结果确定车辆图像中的车牌图像。

在其中一个实施例中，违章判断模块600可以包括：

第二获取子模块，用于分别获取多张单帧图像中车辆的特征点坐标。

移动位移确定子模块，用于根据获取的各特征点坐标，确定车辆的移动位移。

第二判定子模块，用于当移动位移大于预设数值时，则判定车辆违章。

第三判定子模块，用于当移动位移小于或等于预设数值时，则判定车辆未违章。

关于车辆违章检测装置的具体限定可以参见上文中对于车辆违章检测方法的限定，在此不再赘述。上述车辆违章检测装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。

在一个实施例中，提供了一种计算机设备，该计算机设备可以是服务器，其内部结构图可以如图9所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口和数据库。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储各模型数据、以及各结果数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种车辆违章检测方法。

本领域技术人员可以理解，图9中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体地计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。

在一个实施例中，提供了一种计算机设备，包括存储器和处理器，该存储器存储有计算机程序，该处理器执行计算机程序时实现以下步骤：获取终端设备采集的拼接图像以及目标车牌号码，该拼接图像由多张单帧图像拼接组成；对拼接图像进行切割，得到多张单帧图像；对各单帧图像进行车辆图像检测，得到各单帧图像中的车辆图像；对车辆图像进行车牌号码的识别，得到识别车牌号码；将识别车牌号码与目标车牌号码进行匹配；当识别车牌号码与目标车牌号码时，则根据多张单帧图像中车辆的特征点坐标得到车辆的移动位移，并基于移动位移判断车辆是否违章。

在一个实施例中，处理器执行计算机程序时实现对拼接图像进行切割，得到多张单帧图像，可以包括：通过识别框滑动遍历拼接图像，获取拼接图像的感兴趣区域；采用二分类网络对感兴趣区域进行边界以及非边界的判定；根据所得到的边界对拼接图像进行切割，生成多张单帧图像。

在一个实施例中，处理器执行计算机程序时实现对各单帧图像进行车辆检测，得到各单帧图像中的车辆图像，可以包括：对各单帧图像进行特征提取，得到多个尺度的车辆特征；采用相邻两阶特征逐层融合的方式，对相邻两个尺度的车辆特征进行特征融合，得到多个尺度的车辆融合特征；分别对各尺度的车辆融合特征进行回归处理，得到对应各尺度的车辆融合特征的回归结果；采用非极大值抑制准则对多个回归结果进行筛选，并基于筛选的回归结果确定各单帧图像中的车辆图像。

在一个实施例中，处理器执行计算机程序时实现对车辆图像进行车牌号码的识别，得到识别车牌号码，可以包括：对车辆图像进行车牌图像的检测，得到车辆图像中的车牌图像；对车牌图像进行车牌号码的识别，得到识别车牌号码。

在一个实施例中，处理器执行计算机程序时实现对车辆图像进行车牌图像的检测，得到车辆图像中的车牌图像，可以包括：对车辆图像进行特征提取，得到多个尺度的车牌特征；分别对各尺度的车牌特征进行回归处理，得到对应各尺度的车牌特征的回归结果；采用非极大值抑制准则对多个回归结果进行筛选，并基于筛选的回归结果确定车辆图像中的车牌图像。

在一个实施例中，处理器执行计算机程序时实现根据多张单帧图像中车辆的特征点坐标得到车辆的移动位移，并基于移动位移判断车辆是否违章，可以包括：分别获取多张单帧图像中车辆的特征点坐标；根据获取的各特征点坐标，确定车辆的移动位移；当移动位移大于预设数值时，则判定车辆违章；当移动位移小于或等于预设数值时，则判定车辆未违章。

在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：获取终端设备采集的拼接图像以及目标车牌号码，该拼接图像由多张单帧图像拼接组成；对拼接图像进行切割，得到多张单帧图像；对各单帧图像进行车辆图像检测，得到各单帧图像中的车辆图像；对车辆图像进行车牌号码的识别，得到识别车牌号码；将识别车牌号码与目标车牌号码进行匹配；当识别车牌号码与目标车牌号码匹配时，则根据多张单帧图像中车辆的特征点坐标得到车辆的移动位移，并基于移动位移判断车辆是否违章。

在一个实施例中，计算机程序被处理器执行时实现对拼接图像进行切割，得到多张单帧图像，可以包括：通过识别框滑动遍历拼接图像，获取拼接图像的感兴趣区域；采用二分类网络对感兴趣区域进行边界以及非边界的判定；根据所得到的边界对拼接图像进行切割，生成多张单帧图像。

在一个实施例中，计算机程序被处理器执行时实现对各单帧图像进行车辆检测，得到各单帧图像中的车辆图像，可以包括：对各单帧图像进行特征提取，得到多个尺度的车辆特征；采用相邻两阶特征逐层融合的方式，对相邻两个尺度的车辆特征进行特征融合，得到多个尺度的车辆融合特征；分别对各尺度的车辆融合特征进行回归处理，得到对应各尺度的车辆融合特征的回归结果；采用非极大值抑制准则对多个回归结果进行筛选，并基于筛选的回归结果确定各单帧图像中的车辆图像。

在一个实施例中，计算机程序被处理器执行时实现对车辆图像进行车牌号码的识别，得到识别车牌号码，可以包括：对车辆图像进行车牌图像的检测，得到车辆图像中的车牌图像；对车牌图像进行车牌号码的识别，得到识别车牌号码。

在一个实施例中，计算机程序被处理器执行时实现现对车辆图像进行车牌图像的检测，得到车辆图像中的车牌图像，可以包括：对车辆图像进行特征提取，得到多个尺度的车牌特征；分别对各尺度的车牌特征进行回归处理，得到对应各尺度的车牌特征的回归结果；采用非极大值抑制准则对多个回归结果进行筛选，并基于筛选的回归结果确定车辆图像中的车牌图像。

在一个实施例中，计算机程序被处理器执行时实现根据多张单帧图像中车辆的特征点坐标得到车辆的移动位移，并基于移动位移判断车辆是否违章，可以包括：分别获取多张单帧图像中车辆的特征点坐标；根据获取的各特征点坐标，确定车辆的移动位移；当移动位移大于预设数值时，则判定车辆违章；当移动位移小于或等于预设数值时，则判定车辆未违章。

本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(rom)、可编程rom(prom)、电可编程rom(eprom)、电可擦除可编程rom(eeprom)或闪存。易失性存储器可包括随机存取存储器(ram)或者外部高速缓冲存储器。作为说明而非局限，ram以多种形式可得，诸如静态ram(sram)、动态ram(dram)、同步dram(sdram)、双数据率sdram(ddrsdram)、增强型sdram(esdram)、同步链路(synchlink)dram(sldram)、存储器总线(rambus)直接ram(rdram)、直接存储器总线动态ram(drdram)、以及存储器总线动态ram(rdram)等。

以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。

以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。