一种非机动车辆及驾驶人的交通违法行为检测方法及系统与流程

本发明涉及计算机领域，尤其涉及一种非机动车辆及驾驶人的交通违法行为检测方法及系统。

背景技术：

近年来，随着电动自行车使用量的增加，非机动车交通违法现象已经成为城市急需解决的社会问题。在城市交通管理领域中，非机动车的违规现象缺少有效的管制措施，由于非机动车数量大，复杂程度高，难以有效识别等问题，进而易造成非机动车辆违规难以管制的现象，这样给其他机动车辆行驶造成困扰，并给行人出行安全埋下安全隐患。

专利cn109884338a提出一种共享电动车逆行检测方法、装置、设备及存储介质，利用实时获取共享电动车的当前全球定位系统gps数据来确定行驶轨迹，与预设地图信息进行比对，根据比对结果判断所述共享电动车是否逆行。专利cn111243272a提出一种非机动车辆交通行为监控方法及违行为检测系统，在非机动车上安装的预置有对应非机动车的唯一身份信息的有源rfid标签，在拟进行违法行为监控的区域设置的检测区、低频激励器、rfid基站、摄像机等。专利cn108281002a提出一种基于有源rfid的非机动车辆逆行检测方法及系统该系统，包括在非机动车辆上安装有源rfid标签并在服务器中登记车主、车牌等用于身份识别的信息；对车辆上的有源rfid标签进行读取的逆行检测阅读器、对道路上车辆行驶情况录像的摄像头、以及作为数据存储和分析用的远程服务器，远程服务器与短信平台连接；车辆经过检测装置时，完成逆行分析，并上传至终端服务器。

上述两个专利(cn111243272a、cn108281002a)实施成本高，非机动车添加附属科技挂件的相对成本较高，也存在可能的维护成本，对于广泛应用和全面推广存在较大阻力。专利(cn109884338a)没有普适性，只能解决部分共享单车交通违规的问题，无法对所有非机动车提供有效检测方法。同时，通过gps定位准确率低，距离在一定范围内时，可能出现识别不准确的问题。

针对上述现象，急需发明一种对非机动车辆的违法行驶的检测方法，用于辅助管控非机动车辆的出行，保证交通行驶安全。目前基于视频识别技术对非机动车交通违规行为进行分析和探索，通过道路上高清视频监控设备，记录非机动车的行驶画面，并结合实际路况与人工智能算法，实现违法行为的判断。

技术实现要素：

本发明的目的提供一种可针对非机动车及驾驶人的违规行为进行准确的检测、分析和判断的方法及系统，提高了非机动车的监管力度和监管准确度，还可以为交管部门提供违规行为的数据保证，保证交通行驶安全。

为实现上述目的，本发明提供一种非机动车辆及驾驶人的交通违法行为检测方法，所述方法包括：获取通过视频设备采集的待检测图像中的连续多个视频帧；

检测和识别多个视频帧，确定该视频帧中非机动车的行驶区域；

提取非机动车行驶区域中非机动车的车辆信息以及驾驶人的生物特征信息，确定非机动车的行驶轨迹以及驾驶人的身份信息；

根据驾驶人在非机动车行驶区域的行驶轨迹以及驾驶人的身份信息；判定非机动车辆以及驾驶人是否存在违法行为。

作为本发明的进一步改进，检测和识别多个视频帧，确定所述视频帧中非机动车的行驶区域，具体包括；增强待检测视频帧的图像亮度，获取对比度和清晰度高的增强视频帧图像；分割增强视频帧图像中车道线的位置和颜色，确定车道线的位置；根据增强视频帧中车道线的位置，确定非机动车行驶区域。

作为本发明的进一步改进，检测多个视频帧，确定所述视频帧中非机动车的行驶区域，具体包括；

增强待检测视频帧的图像亮度，获取对比度和清晰度高的增强视频帧图像；

分割增强视频帧图像中车道线的位置和颜色，确定车道线的位置；

根据增强视频帧中车道线的颜色和位置，确定非机动车行驶区域。

作为本发明的进一步改进，识别非机动车行驶区域中车辆信息之前还包括预置车辆检测模型，通过所述车辆检测模型对车辆信息进行检测和识别，确定车辆颜色以及车牌号。

作为本发明的进一步改进，根据非机动车行驶区域中车辆信息，确定非机动车的行驶轨迹具体包括：

确定任一视频帧中车辆的位置坐标，

提取该视频帧之前以及之后的若干视频帧中车辆的位置坐标，

根据多视频帧中车辆的坐标变化，确定所述车辆的运动轨迹。

作为本发明的进一步改进，提取驾驶人的生物特征信息具体包括检测驾驶人的肩部区域信息，根据肩部区域确定头部信息，根据头部信息确认脸部信息，根据头部、肩部和脸部信息确认驾驶人的身份信息。

作为本发明的进一步改进，根据驾驶人在非机动车行驶区域的行驶轨迹以及驾驶人的身份信息；判定非机动车辆以及驾驶人是否存在违法行为之前还包括确定非机动车辆类型。

作为本发明的进一步改进，根据非机动车辆类型确定违法行为包括：若所述非机动车辆为自行车，则根据车辆的行驶轨迹和行驶方向确定所述驾驶人是否存在违法行为，所述违法行为包括车辆逆行、压线行驶中的一种或多种。

作为本发明的进一步改进，若所述非机动车辆为电动车，则根据车辆的行驶轨迹、行驶方向以及行驶速度确定所述非机动车辆是否存在违法行为，所述违法行为包括车辆超速、车辆逆行、压线行驶中的一种或多种。

作为本发明的进一步改进，若所述非机动车辆为电动车，所述方法还包括检测所述驾驶人是否佩戴头盔以及所述头盔是否佩戴正确，若所述驾驶人未佩戴头盔或所述头盔佩戴方式错误，则确定所述驾驶人违法。

作为本发明的进一步改进，检测所述驾驶人头盔是否佩戴正确之前还包括预置多个头盔检测模型，根据头盔检测模型的输出结果判定所述头盔是否佩戴正确。

作为本发明的进一步改进，判定非机动车辆以及驾驶人是否存在违法行为之后还包括，将所述违法行为上传至云平台。

本发明还公开了一种非机动车辆及驾驶人的交通违法行为检测系统，所述系统包括：采集装置，所述采集装置用于获取通过视频设备采集的待检测图像中的连续多个视频帧；识别装置，所述识别装置用于检测和识别多个视频帧，确定该视频帧中非机动车的行驶区域；提取装置，所述提取装置用于提取非机动车行驶区域中非机动车的车辆信息以及驾驶人的生物特征信息，确定非机动车的行驶轨迹以及驾驶人的身份信息；

判定装置，所述判定装置用于根据驾驶人在非机动车行驶区域的行驶轨迹以及驾驶人的身份信息；判定非机动车辆以及驾驶人是否存在违法行为。

作为本发明的进一步改进，所述识别装置还用于增强待检测视频帧的图像亮度，获取对比度和清晰度高的增强视频帧图像；

根据颜色差异分割增强视频帧图像中车道线，确定车道线的位置；

根据增强视频帧中车道线的位置，确定非机动车行驶区域

作为本发明的进一步改进，所述提取装置还用于在多个视频中中提取非机动车的目标位置的变化状态，提确定所述非机动车的运动轨迹。

所述系统还包括预置装置，所述预置装置用于预置车辆检测模型、头盔检测模型、人脸识别模型和/或头肩部检测模型中的一种或多种。

作为本发明的进一步改进，所述确定模块还用于确定驾驶人的肩部区域，并根据肩部区域信息确定头部信息，根据头部信息确认脸部信息，根据头部、肩部和脸部信息确认驾驶人的身份信息。

作为本发明的进一步改进，所述识别装置还用于根据待测图像确定非机动车辆类型。

作为本发明的进一步改进，所述判定装置还用于根据非机动车道类型确定违法行为，若所述非机动车辆为自行车，则根据车辆的行驶轨迹和行驶方向确定所述驾驶人是否存在违法行为，所述违法行为包括车辆逆行、压线行驶中的一种或多种。

作为本发明的进一步改进，若所述非机动车辆为电动车，所述判定装置还用于则根据车辆的行驶轨迹、行驶方向以及行驶速度确定所述非机动车辆是否存在违法行为，所述违法行为包括车辆超速、车辆逆行、压线行驶中的一种或多种。

作为本发明的进一步改进，若所述非机动车辆为电动车，所述识别装置还用于检测所述驾驶人是否佩戴头盔以及所述头盔是否佩戴正确，若所述驾驶人未佩戴头盔或所述头盔佩戴方式错误，则确定所述驾驶人违法。

作为本发明的进一步改进，所述系统还包括发送装置，所述发送装置用于将所述违法行为上传至云平台。

基于实际道路场景信息，采用本发明提供的非机动车辆及驾驶人的交通违法行为检测方法及系统，利用人工智能、大数据等技术对所获取的高位视频图像进行分析和处理，充分提取非机动车行驶区域、非机动车的行驶轨迹以及驾驶人的头肩、人脸等生物特征信息，并利用上述信息实现对非机动车及驾驶人的违规行为的分析和判断，可在道路交通监控视频中正确检测和识别非机动车，同时为交管部门提供违规行为的数据支撑，从而提高对非机动车监管力度，用于辅助管控非机动车辆的出行，保证交通行驶安全。

附图说明

图1是本发明非机动车辆及驾驶人的交通违法行为检测方法的示意图；

图2是本发明中增强网络的示意图；

图3是本发明中centernet网络结构图。

具体实施方式

下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。

具体地，如图1所示，本发明公开了一种非机动车辆及驾驶人的交通违法行为检测方法，所述方法包括如下步骤：

s1：获取通过视频设备采集的待检测图像中的连续多个视频帧；

在本实施例中，所述视频设备一般选取设在道路两侧的高位视频设备，该视频采集设备主要用于监测城市道路的正常运转，具体可用于路侧停车图像采集，交通违法行为采集以及安防检测等；高位视频设备可采集的信息包含：道路实际场景中车道线、非机动车的实时行驶图像、视频信息；驾驶人的图像、视频信息以及经过该路段的行人和其他车辆通行情况，通过采集到的图像获取这些图像中的多个连续视频帧，通过对该连续视频帧检测识别，并进行相应行为的判定。

为了对违法行为进行判定，需要初步确定违法行为可能存在的区域，具体的：

s2：检测和识别多个视频帧，确定该视频帧中非机动车的行驶区域；

采集连续多个视频帧之后，需要对该视频帧进行识别，确定视频帧中非机动车的行驶区域，以便进一步对该区域发生的通行行为进行预测，首先根据车道线的位置和颜色来确定非机动车辆的行驶区域，具体包括：

s201：使用retinexnet网络对待检测视频帧图像进行图像增强，提高图像对比度和清晰度；

所述retinexnet网络可分为分解网络、增强网络和重建网络三部分；具体的使用retinexnet网络对待检测图像进行图像增强包括：(1)使用分解网络decom-net对图像进行解耦，(2)再通过5层的卷积神经网络及relu函数对解耦后的图像进行激活，得到光照图和反射图；(3)通过增强网络enhance-net对前面得到的光照图进行增强，如图2所示为增强网络结构图，该过程主要利用9层的卷积神经网络和relu对处理后的图像进行激活，同时中间还进行最邻近差值的resize操作，增强后的光照图和原来的反射图相乘就得到了增强结果，并利用反射图梯度作为权值对loss进行加权，从而在保证平滑约束的同时不破坏纹理细节和边界信息；(4)最后通过重建网络恢复出正常光照图像，以解决道路环境及夜晚光线不足带来的检测不准确的问题。

retinexnet主要利用了正常光照图像的反射分量rnormal、光照分量inormal以及低光照图像的反射分量rlow、光照分量ilow这四个分量之间的约束关系来优化这个模型，而这种约束关系体现在目标函数中，网络的损失函数包含三项：重建损失lrecon、不变反射损失lir以及光照平滑损失lis。总体损失函数定义如公式(1)：

l＝lrecon+λirlir+λislis(1)

其中，λir，λis分别表示用于均衡不变反射损失与亮度平滑损失的系数。

分解网络对应的重建损失使模型分解出来的反射分量和光照分量能够尽可能重建出对应的原图，损失函数定义如式(2)：

根据retinex图像分解理论，反射分量r与光照无关，因此成对的低/正常光照图像的反射分量r应该尽可能一致，增强网络对应的重建损失函数^[11]定义如式(3)：

注：上述两种重建损失区别在于：采用rlow的梯度图对进行了加权。

光照分量平滑损失lis在totalvariationloss基础上进行改进得到，定义如公式(4)：

其中，表示梯度操作(包含)，λg表示结构强度平衡系数，降低了图像梯度剧烈区域的平滑约束性。

在增强网络中采用了bm3d算法对rlow中被放大的噪声进行抑制，并引入了光照相关的策略，实现对rlow的调整。同时，采用encoder-decoder架构，并引入多尺度的连接，使得网络能够捕获大范围内关于光照分布的上下文信息，从而有利于提高其自适应调整的能力，实现对ilow的调整。

最终由调整后的rlow和ilow相乘可得到相应的正常光照图像。

s202，基于实例分割网络deeplabv3对增强后的图像进行车道线检测并进行分割，确定车道线的位置；

具体的将增强后的图像输入到分割网络deeplabv3中；然后，使用一个基于编码器、解码器架构的实例分割网络deeplabv3进行车道线检测并进行实例分割，这样可以在各种复杂环境下有效地分割出车道线。

s203：根据分割出的车道线的位置，实现对当前道路场景分析，确定非机动车行驶区域。

s3：提取非机动车行驶区域中非机动车的车辆信息以及驾驶人的生物特征信息，确定非机动车的行驶轨迹以及驾驶人的身份信息，所述车辆信息包括车辆颜色以及车牌号等信息，所述驾驶人的身份信息包括驾驶人肩部、头部及脸部信息中的一种或多种；

进一步根据车辆信息，确定非机动车的行驶轨迹，首先确定任一视频帧中车辆的位置坐标，提取该视频帧之前以及之后的若干视频帧中车辆的位置坐标，根据多视频帧中车辆的坐标变化，确定所述车辆的运动轨迹。

本实施例中，车辆检测模型是基于yolov3提出一种改进的非机动车检测与识别模型，通过设计新的特征融合结构降低非机动车漏检率，使用giou损失提高定位准确度，

yolov3主要利用多尺度特征进行对象检测；本实施例中对象分类用giou取代了现有的logistic及softmax，网络对应输入416*416*3的图像，通过darknet网络得到三种不同尺度的预测结果，每个尺度都对应n个通道，包含着预测的信息；最终网络输出结果为每个预测对应10维，分别是4(坐标值)、1(置信度分数)、c(类别数，本实施例中取5)。

本实施例中yolov3采用了三个不同尺度的特征图来进行对象检测，能够检测到更加细粒度的特征，如车辆、非机动车辆、驾驶人，人脸、头肩等目标的检测，3个尺度分别为1/32，1/16，1/8；

在第79层之后经过几个卷积操作得到的是1/32(13*13)的预测结果，下采样倍数高，这里特征图的感受野比较大，检测图像中尺寸比较大的对象，用于检测车辆目标；

然后这个结果通过上采样与第61层的结果进行concat,再经过几个卷积操作得到1/16的预测结果；它具有中等尺度的感受野，适合检测中等尺度的对象。本实施例中用于检测非机动车辆及驾驶人。

91层的结果经过上采样之后在于第36层的结果进行concat，经过几个卷积操作之后得到的是1/8的结果，它的感受野最小，适合检测小尺寸的对象，本实施例中用于检测驾驶人的人脸、头肩等信息。

yolov3对bbox进行预测的时候，采用了giouloss(generalizedintersectionoverunion)损失提高定位准确度，此方法是基于iou的一种边框预测的损失计算方法，具体采用iou值作为损失函数，其giou损失函数定义为：

其中c为a和b的外接矩形。用c减去a和b的并集除以c得到一个数值，然后再用框a和b的iou减去这个数值即可得到giou的值。实验结果表明，所提出的改进模型在真实复杂场景非机动车数据集上取得了优于yolov3的检测结果，将检测的平均检测准确率(map)提高了3.6％，也就是说基于改进的模型，提高了车辆以及驾驶人生物特征的准确率。

通过上述步骤提取的驾驶人的生物特征信息，包括头部信息和脸部信息；根据头部、肩部和肩部信息确认驾驶人的身份信息。

本发明中，头肩及脸部检测算法包括但不限于yolov3和centernet等模型。

具体的centernet网络的核心思想是将目标看成一个点，即目标boundingbox的中心点，目标检测问题转变成了关键点估计问题，其他目标属性如尺寸、3d位置、方向和姿态等都以估计的中心点为基准进行参数回归。即通过对目标的左上角和右下角点估计来确定目标的位置。

centernet网络具有如下特点：(1)centernet分配的锚点仅仅是放在位置上，没有尺寸，不需手动设置阈值区分前景与背景；(2)每个目标只有一个正的锚点，因此后续不需使用nms，该关键点通过特征图上的局部峰值获得；(3)centernet相比传统的目标检测使用了更大的分辨率特征图输出(1/4原始图像)，因此不需要fpn这类多尺度的特征图。本发明中backbone网络采用了以下4种：resnet-18，resnet-101，dla-34，hourglass-104。实验中，利用deformable卷积层来优化resnet和dla-34，hourglass-104网络不变。

如图3所示的是centernet网络结构图，其损失函数由三部分组成:(1)分类损失、(2)中心偏移损失、和(3)尺寸损失。

假定输入图像目标是生成一个keypointheatmapy的值在[0,1]，如果为1则为检测到的关键点，为0为背景。其中r是输出的strid，,即尺寸缩放比例，实验中使用4；c是总类别数。实验时使用不同的全卷积编码解码网络来进行预测。

对每个类别c的真实值的关键点p，计算其低分辨率等式对y进行高斯处理：

使用focalloss来减少像素级逻辑回归的惩罚：

(1)分类损失^[13]：

其中α，β是focalloss的超参数，实验中分别设置成2和4；n是一张图像中关键点的个数。

(2)中心偏移损失：

由于图像通过卷积进行了下采样处理，因此groundtruth的关键点会产生偏差，论文中对每个关键点增加了局部偏移的预测(所有类别使用相同的预测值)这个偏移量使用l1loss来训练，只有在关键点p位置处进行监督，其他位置均忽略。

(3)尺度损失：

设是目标k的boundingbox，因此其中心位置为为此可估计出目标的尺寸在中心点位置增加了l1loss：

其中，对scale不进行归一化处理，直接使用原始像素坐标。为了调节该loss的影响，将其乘了个系数，整个训练的目标loss函数^[8]为：

ldet＝lk+λsizelsize+λoffloff(5)

其中，λsize＝0.1，λoff＝1整个网络预测会在每个位置输出c+4个值(即关键点类别c,偏移量的x,y，尺寸的w,h)所有输出共享一个全卷积的backbone。

即通过该算法确定目标点的位置，也就是进一步确定了目标的位置，即脸部、头部或肩部等位置。

s4：根据驾驶人在非机动车行驶区域的行驶轨迹以及驾驶人的身份信息；判定非机动车辆以及驾驶人是否存在违法行为；

判定非机动车辆以及驾驶人是否存在违法行为之前还包括确定非机动车辆类型；若所述非机动车辆为自行车，则根据车辆的行驶轨迹和行驶方向确定所述驾驶人是否存在违法行为，所述违法行为包括车辆逆行、压线行驶中的一种或多种。

当识别到非机动车的目标位置发生变化，根据多个视频帧中目标位置的变化方向来确定该非机动车是否逆行，若逆行，可对该图像进行提取标记；

当识别到非机动车辆的轨迹与行驶区域的车道线发生交叉或重合，则确认所述车辆压线，进一步的对该图像进行提取标记。

若所述非机动车辆为电动车，则根据车辆的行驶轨迹、行驶方向以及行驶速度确定所述非机动车辆是否存在违法行为，所述违法行为包括车辆超速、车辆逆行、压线行驶中的一种或多种。

具体的，获取连续间隔的两帧图像，根据该两帧图像的位置变化以及时间变化来确定目标车辆的行驶速度，将计算得到的速度与预置的最大速度进行对比，若速度大于预置的最大速度则可判定该车辆超速，并对该车辆的超速行为进行标记，另外，判定电动车逆行和压线行驶可采用与自行车相同的判定方法。

进一步的，若所述非机动车辆为电动车，所述方法还包括检测所述驾驶人是否佩戴头盔以及所述头盔是否佩戴正确，若所述驾驶人未佩戴头盔或所述头盔佩戴方式错误，则确定所述驾驶人违法。

在执行检测驾驶人头盔是否佩戴正确之前还包括预置多个头盔检测模型，根据头盔检测模型的输出结果判定所述头盔是否佩戴正确。

本实施例中，所述非机动车驾驶人的头盔检测，主要采用mobilenet作为特征提取网络，在人体区域内检测头盔，根据人体检测模型和头盔分类检测模型的输出结果判断头盔是否被正确佩戴。人体检测模型针对人体的检测精确率达到91.52％；召回率达到89.25％；头盔分类检测模型针对头盔的检测精确率达到88.32％；召回率达到85.08％；针对头部的检测精确率达到88.02％；召回率达到86.02％。在真实环境中对本文提出的检测方法的检测效果进行验证，平均精确率均值上升了2.79％；检测速度也提升了两倍。

本发明中，将发生违法行为的车辆与驾驶人进行关联，当车辆发生违法行为时，则可将对应驾驶人的生物特征进行提取并完成标记，具体的对驾驶人生物特征的提取，可选用一种基于条件生成对抗网络(conditionalgenerativeadversarialnetworks，dgan)的图像去模糊算法。该算法将结合了轻量级分组卷积与改进se(squeeze-and-excitation，se)注意力机制的group-se模块作为生成器的主体部件，将引入了全局性稠密连接的改进densenet作为判别器核心，以解决去模糊技术应用在人脸识别算法中的低效率等问题。所提算法在提升图像质量、降低模型参数量等方面均有不错的表现，识别率分别有3.95％的提升。

作为对本发明的进一步优化，当非机动车和/或存在违法行为时，获取其违法行为并将违法停车行为识别结果上传至云平台，进一步的进行处置，例如通过发短信提醒等。

实施例二

本发明还公开了一种执行上述方法的非机动车辆及驾驶人的交通违法行为检测系统，所述系统包括：采集装置，所述采集装置用于获取通过视频设备采集的待检测图像中的连续多个视频帧；识别装置，所述识别装置用于检测和识别多个视频帧，确定该视频帧中非机动车的行驶区域；提取装置，所述提取装置用于提取非机动车行驶区域中非机动车的车辆信息以及驾驶人的生物特征信息，确定非机动车的行驶轨迹以及驾驶人的身份信息；

判定装置，所述判定装置用于根据驾驶人在非机动车行驶区域的行驶轨迹以及驾驶人的身份信息；判定非机动车辆以及驾驶人是否存在违法行为。

所述识别装置还用于检测多个视频帧，确定所述视频帧中非机动车的行驶区域，具体包括；

增强待检测视频帧的图像亮度，获取对比度和清晰度高的增强视频帧图像；

分割增强视频帧图像中车道线的位置和颜色块，确定车道线的位置；

根据增强视频帧中车道线的颜色和位置，确定非机动车行驶区域

所述提取装置还用于在多个视频中提取非机动车的目标位置的变化状态，提确定所述非机动车的运动轨迹。

所述系统还包括预置装置，所述预置装置用于预置车辆检测模型、头盔检测模型、人脸识别模型和/或头肩部检测模型中的一种或多种。

作为本发明的进一步改进，所述确定模块还用于确定驾驶人的肩部区域，并根据肩部区域信息确定头部信息，根据头部信息确认脸部信息，根据头部、肩部和脸部信息确认驾驶人的身份信息。

作为本发明的进一步改进，所述识别装置还用于根据待测图像确定非机动车辆类型。

作为本发明的进一步改进，所述判定装置还用于根据非机动车道类型确定违法行为，若所述非机动车辆为自行车，则根据车辆的行驶轨迹和行驶方向确定所述驾驶人是否存在违法行为，所述违法行为包括车辆逆行、压线行驶中的一种或多种。

作为本发明的进一步改进，若所述非机动车辆为电动车，所述判定装置还用于则根据车辆的行驶轨迹、行驶方向以及行驶速度确定所述非机动车辆是否存在违法行为，所述违法行为包括车辆超速、车辆逆行、压线行驶中的一种或多种。

作为本发明的进一步改进，若所述非机动车辆为电动车，所述识别装置还用于检测所述驾驶人是否佩戴头盔以及所述头盔是否佩戴正确，若所述驾驶人未佩戴头盔或所述头盔佩戴方式错误，则确定所述驾驶人违法。

所述系统还包括发送装置，所述发送装置用于将所述违法行为上传至云平台。

本发明中通过对高位视频图像中车道线的分割与识别，并基于实际道路场景信息确定非机动车行驶区域信息；通过对非机动车的检测和跟踪，分析出非机动车的行驶轨迹、行驶速度以及行驶方向；通过对非机动车驾驶人的检测与识别，确定驾驶人的头肩、人脸以及是否佩戴头盔等等信息，结合上述多级分析结果，实现对非机动车及驾驶人的违规行为高可靠的分析和判断，最后将非机动车及驾驶人的身份信息及车牌号码及人脸识别信息上传至云平台，为交警部门进行交通治理、处罚教育等工作提供有效技术和数据支撑。

应该明白，公开的过程中的步骤的特定顺序或层次是示例性方法的实例。基于设计偏好，应该理解，过程中的步骤的特定顺序或层次可以在不脱离本公开的保护范围的情况下得到重新安排。所附的方法权利要求以示例性的顺序给出了各种步骤的要素，并且不是要限于所述的特定顺序或层次。

在上述的详细描述中，各种特征一起组合在单个的实施方案中，以简化本公开。不应该将这种公开方法解释为反映了这样的意图，即，所要求保护的主题的实施方案需要比清楚地在每个权利要求中所陈述的特征更多的特征。相反，如所附的权利要求书所反映的那样，本发明处于比所公开的单个实施方案的全部特征少的状态。因此，所附的权利要求书特此清楚地被并入详细描述中，其中每项权利要求独自作为本发明单独的优选实施方案。

为使本领域内的任何技术人员能够实现或者使用本发明，上面对所公开实施例进行了描述。对于本领域技术人员来说；这些实施例的各种修改方式都是显而易见的，并且本文定义的一般原理也可以在不脱离本公开的精神和保护范围的基础上适用于其它实施例。因此，本公开并不限于本文给出的实施例，而是与本申请公开的原理和新颖性特征的最广范围相一致。

上文的描述包括一个或多个实施例的举例。当然，为了描述上述实施例而描述部件或方法的所有可能的结合是不可能的，但是本领域普通技术人员应该认识到，各个实施例可以做进一步的组合和排列。因此，本文中描述的实施例旨在涵盖落入所附权利要求书的保护范围内的所有这样的改变、修改和变型。此外，就说明书或权利要求书中使用的术语“包含”，该词的涵盖方式类似于术语“包括”，就如同“包括，”在权利要求中用作衔接词所解释的那样。此外，使用在权利要求书的说明书中的任何一个术语“或者”是要表示“非排它性的或者”。

本领域技术人员还可以了解到本发明实施例列出的各种说明性逻辑块(illustrativelogicalblock)，单元，和步骤可以通过电子硬件、电脑软件，或两者的结合进行实现。为清楚展示硬件和软件的可替换性(interchangeability)，上述的各种说明性部件(illustrativecomponents)，单元和步骤已经通用地描述了它们的功能。这样的功能是通过硬件还是软件来实现取决于特定的应用和整个系统的设计要求。本领域技术人员可以对于每种特定的应用，可以使用各种方法实现所述的功能，但这种实现不应被理解为超出本发明实施例保护的范围。

本发明实施例中所描述的各种说明性的逻辑块，或单元都可以通过通用处理器，数字信号处理器，专用集成电路(asic)，现场可编程门阵列或其它可编程逻辑装置，离散门或晶体管逻辑，离散硬件部件，或上述任何组合的设计来实现或操作所描述的功能。通用处理器可以为微处理器，可选地，该通用处理器也可以为任何传统的处理器、控制器、微控制器或状态机。处理器也可以通过计算装置的组合来实现，例如数字信号处理器和微处理器，多个微处理器，一个或多个微处理器联合一个数字信号处理器核，或任何其它类似的配置来实现。

本发明实施例中所描述的方法或算法的步骤可以直接嵌入硬件、处理器执行的软件模块、或者这两者的结合。软件模块可以存储于ram存储器、闪存、rom存储器、eprom存储器、eeprom存储器、寄存器、硬盘、可移动磁盘、cd-rom或本领域中其它任意形式的存储媒介中。示例性地，存储媒介可以与处理器连接，以使得处理器可以从存储媒介中读取信息，并可以向存储媒介存写信息。可选地，存储媒介还可以集成到处理器中。处理器和存储媒介可以设置于asic中，asic可以设置于用户终端中。可选地，处理器和存储媒介也可以设置于用户终端中的不同的部件中。

在一个或多个示例性的设计中，本发明实施例所描述的上述功能可以在硬件、软件、固件或这三者的任意组合来实现。如果在软件中实现，这些功能可以存储与电脑可读的媒介上，或以一个或多个指令或代码形式传输于电脑可读的媒介上。电脑可读媒介包括电脑存储媒介和便于使得让电脑程序从一个地方转移到其它地方的通信媒介。存储媒介可以是任何通用或特殊电脑可以接入访问的可用媒体。例如，这样的电脑可读媒体可以包括但不限于ram、rom、eeprom、cd-rom或其它光盘存储、磁盘存储或其它磁性存储装置，或其它任何可以用于承载或存储以指令或数据结构和其它可被通用或特殊电脑、或通用或特殊处理器读取形式的程序代码的媒介。此外，任何连接都可以被适当地定义为电脑可读媒介，例如，如果软件是从一个网站站点、服务器或其它远程资源通过一个同轴电缆、光纤电缆、双绞线、数字用户线(dsl)或以例如红外、无线和微波等无线方式传输的也被包含在所定义的电脑可读媒介中。所述的碟片(disk)和磁盘(disc)包括压缩磁盘、镭射盘、光盘、dvd、软盘和蓝光光盘，磁盘通常以磁性复制数据，而碟片通常以激光进行光学复制数据。上述的组合也可以包含在电脑可读媒介中。

以上所述的具体实施方式，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施方式而已，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。