交通违规识别方法及相关产品与流程

本申请涉及图像处理技术领域，具体涉及一种交通违规识别方法及相关产品。

背景技术：

随着社会经济的迅速发展、城市发展进程的加快，城市人口的不断增加，人民生活水平的不断提高，私家车辆不断增多，导致城市交通问题也越来越多，例如，实线变道，禁止掉头的地方掉头、不能压实现实线的地方压实线等等，因此，如何提升交通管理效率的问题亟待解决。

技术实现要素：

本申请实施例提供了一种交通违规识别方法及相关产品，能够提升交通管理效率。

本申请实施例第一方面提供了一种交通违规识别方法，包括：

获取多帧视频图像，每一帧视频图像中均包括目标车辆；

从所述多帧视频图像中确定出所述目标车辆的行驶轨迹；

从所述多帧视频图像中确定出路面标线；

依据所述行驶轨迹、所述路面标线、以及预设规则对所述目标车辆的行驶轨迹进行违法识别，在识别出所述目标车辆为违法车辆时，输出所述目标车辆的违法信息。

本申请实施例第二方面提供了一种交通违规识别装置，包括:

获取单元，用于获取多帧视频图像，每一帧视频图像中均包括目标车辆；

确定单元，用于从所述多帧视频图像中确定出所述目标车辆的行驶轨迹；以及从所述多帧视频图像中确定出路面标线；

识别单元，用于依据所述行驶轨迹、所述路面标线、以及预设规则对所述目标车辆的行驶轨迹进行违法识别，在识别出所述目标车辆为违法车辆时，输出所述目标车辆的违法信息。

第三方面，本申请实施例提供了一种电子设备，包括：处理器和存储器；以及一个或多个程序，所述一个或多个程序被存储在所述存储器中，并且被配置成由所述处理器执行，所述程序包括用于如第一方面中所描述的部分或全部步骤的指令。

第四方面，本申请实施例提供了一种计算机可读存储介质，其中，所述计算机可读存储介质用于存储计算机程序，其中，所述计算机程序使得计算机执行如本申请实施例第一方面中所描述的部分或全部步骤的指令。

第五方面，本申请实施例提供了一种计算机程序产品，其中，所述计算机程序产品包括存储了计算机程序的非瞬时性计算机可读存储介质，所述计算机程序可操作来使计算机执行如本申请实施例第一方面中所描述的部分或全部步骤。该计算机程序产品可以为一个软件安装包。

实施本申请实施例，具有如下有益效果：

通过上述本申请实施例所描述的交通违规识别方法及相关产品，获取多帧视频图像，每一帧视频图像中均包括目标车辆，从多帧视频图像中确定出目标车辆的行驶轨迹，从多帧视频图像中确定出路面标线，依据行驶轨迹、路面标线、以及预设规则对目标车辆的行驶轨迹进行违法识别，在识别出目标车辆为违法车辆时，输出目标车辆的违法信息，能够自动识别出车辆是否违规，提升了交通管理效率。

附图说明

为了更清楚地说明本申请实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1a是本申请实施例提供的一种交通违规识别方法的实施例流程示意图；

图1b是本申请实施例提供的路面标线的演示示意图；

图2a是本申请实施例提供的一种交通违规识别装置的实施例结构示意图；

图2b是本申请实施例提供的一种交通违规识别装置的实施例另一结构示意图；

图3是本申请实施例提供的一种电子设备的实施例结构示意图。

具体实施方式

下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。

本申请的说明书和权利要求书及所述附图中的术语“第一”、“第二”、“第三”和“第四”等是用于区别不同对象，而不是用于描述特定顺序。此外，术语“包括”和“具有”以及它们任何变形，意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元，而是可选地还包括没有列出的步骤或单元，或可选地还包括对于这些过程、方法、产品或设备固有的其它步骤或单元。

在本文中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置展示该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是，本文所描述的实施例可以与其它实施例相结合。

本申请实施例所描述电子设备可以包括智能手机(如android手机、ios手机、windowsphone手机等)、平板电脑、视频矩阵、监控平台、车载设备、卫星、掌上电脑、笔记本电脑、移动互联网设备(mid，mobileinternetdevices)或穿戴式设备等，上述仅是举例，而非穷举，包含但不限于上述装置，当然，上述交通违规识别装置还可以为服务器。

请参阅图1a，为本申请实施例提供的一种交通违规识别方法的实施例流程示意图。本实施例中所描述的交通违规识别方法，包括以下步骤：

101、获取多帧视频图像，每一帧视频图像中均包括目标车辆。

其中，多帧视频图像可以为一个序列图像，上述目标车辆可以为疑似违法车辆。上述多帧视频图像可以由交警部门通过前端固定式电子警察执法设备(如十字路口的监控摄像头)实时抓拍得到，上述多帧视频图像为包括疑似违法车辆的连续抓拍图像。

102、从所述多帧视频图像中确定出所述目标车辆的行驶轨迹。

其中，电子设备可以对多帧视频图像中每一帧视频图像进行车辆检测，得到每一帧视频图像中的目标车辆，获取每一帧视频图像中的目标车辆的坐标位置，由多个坐标位置生成目标车辆的行驶轨迹。

103、从所述多帧视频图像中确定出路面标线。

其中，由于多帧视频图像中均包括一些路面标线，且路面标线也具备一定的规律，因此，可以采用一些路面标线分割网络，如deeplabv3+、神经网络算法实现路面标线划分。

可选地，上述步骤103，从所述多帧视频图像中确定出路面标线，可包括如下步骤：

31、将所述多帧视频图像输入到预设路面标线分割网络，得到像素级的多张路面标线分割结果图像；

32、合并所述多张路面标线分割结果图像，得到合并后的路面标线分割结果图像；

33、通过预设的行阈值和列阈值对所述合并后的路面标线分割结果图像聚类，得到聚类路面标线分割结果图像；

34、对所述聚类路面标线分割结果图像进行ransac算法拟合，得到所述路面标线。

其中，预设的行阈值和列阈值均可以由用户自行设置或者系统默认。上述预设路面标线分割网络可以为deeplabv3+、神经网络算法等等，在此不做限定。

具体实现中，本申请在大量实验的基础上，选用deeplabv3+作为路面标线分割的方法，该方法提出的编码-解码结构，能有效的分割出路面标线的边界，并且可以任意通过控制空洞卷积来输出特征图的分辨率，来平衡精度和运行时间。另外，在实际场景中，由于车辆压住路面标线、路面标线污损、或由于角度关系、路面标线被车身遮挡等原因，实际图像的路面标线分割结果往往并不连续，甚至有些非路面标线被误识别成路面标线，因此，需要合并3张图像的路面标线分割结果，便于下一步路面标线聚类，并排除干扰。进而，合并后的路面标线分割结果只是确定了标线的像素坐标，并不确定这些标线的像素所属的标号(哪一根标线)，所以需要对合并后的路面标线进行聚类，给每一个标线像素一个标号。通过判断所属标号的标线像素的个数与阈值n的大小，即可排除某些误识别的标线像素，最后，ransac算法拟合：为了确保每根标线完整连续，并进一步排除误识别的标线像素的干扰，通过ransac算法拟合聚类后的路面标线，得到路面标线的二次曲线模型，如此，能够精准得到路面标线。如图1b所示，图1b示出了路面标线。

举例说明下，以3张序列全景图像为例，包括以下步骤1～3：

1、可将疑似违法数据中的3张全景图像分别输入到路面标线分割网络，得到3张像素级的路面标线分割结果图像，分别记为lane1、lane2、lane3，在lane1、lane2、lane3中将表示路面标线的点的像素值设为128，表示非路面标线的点的像素值设为0。合并lane1、lane2、lane3，得到合并后的路面标线分割结果图像lane，lane可表示为：

laneij＝max(lane1ij,lane2ij,lane3ij)

其中i、j分别表示分割结果图像的行号和列号。

2、逐行扫描合并后的路面标线分割结果图像lane，通过行阈值row_offset和列阈值col_offset，聚类临近的表示路面标线的点，并给每个聚类的点分配一个标号，相同聚类的点标号相同，不同聚类的点的标号依次加1。表示如下：

其中lij表示当前路面标线的点的坐标，pij为给当前点分配的标号，row_offset和col_offset为以当前点为中心的邻域行阈值和列阈值，p表示遍历以当前点为中心的上半邻域得到的标号，idx为当前已记录的最大标号，初始值为idx＝0。聚类后统计每个标号像素点的个数，若少于阈值n，则认为该标号表示的路面标线为误识别的路面标线，因此，将有该标号的点的像素值设为0，从而排除干扰。

3、假定路面标线为二次曲线模型(为了既能表示直线标线，又能表示弯曲的标线)，通过随机抽样一致算法(ransac)分别对步骤c中不同标号的点集进行拟合，记录最大内点集ni，其中i为不同标线的标号。将不同标号的最大内点集ni中点的坐标代入下式，即可求解得到最优的二次曲线的参数a、b、c。

则拟合后的二次曲线可表示为：

y＝a*x²+b*x+c

其中，x为路面标线所在的行数，y为路面标线所在的列数。

104、依据所述行驶轨迹、所述路面标线、以及预设规则对所述目标车辆的行驶轨迹进行违法识别，在识别出所述目标车辆为违法车辆时，输出所述目标车辆的违法信息。

其中，预设规则可以由用户自行设置或者系统默认，根据《ga/t832-2014道路安全违法行为图像取证技术规范》和违反禁止标线判断规则，可用于执法的图像至少应包含3张不同时间拍摄的包含违法车辆的全景图像和1张违法车辆细节图像，因此后面默认违法数据为3张全景图像和1张细节图像的组合，违法信息可以包括以下至少一种：车牌号、车类型、违法时间、违法路段、违法影像、违法条例、违法惩罚措施等等，在此不作限定。

具体实现中，由车辆轨迹确定模块可以确定3张全景图像中疑似违法车辆的坐标，而路面标线定位模块可以确定路面标线的位置，再结合违反禁止标线判断规则，即可识别出该疑似违法数据是否符合执法要求。

可选地，上述步骤101之前，还可以包括如下步骤：

a1、获取疑似违法数据，所述疑似违法数据包括多张视频图像；

a2、对所述视频图像i进行目标检测，得到多个车辆，每一车辆包括车身、车头、车尾、车牌，所述视频图像i为所述多张视频图像中的任一视频图像；

a3、对所述多个车辆的车牌进行车牌识别，得到多个车牌号；

a4、将所述多个车牌号中每一车牌号与预设违法车牌号进行比对，得到多个比对值；

a5、在所述多个比对值中的最大值大于预设阈值时，将所述最大值对应的车辆作为所述目标车辆。

其中，上述预设阈值可以由用户自行设置或者系统默认。上述预设违法车牌可以预先设置或者系统默认。

具体地，可将疑似违法数据中的第1张全景图像输入到进行目标检测，得到多个车辆，每一车辆包括车身、车头、车尾、车牌，在此不作限定，当然，车头或者车尾确定了之后，可以更好地知晓车辆的行驶方向，毕竟有时候车辆的车头或者车尾对着摄像头，如果不加以区分，则行驶方向则会判断失误。进而，检测图像中的车辆、车头或车尾(靠近抓拍相机，以下用车头表示)、车牌。对上述中检测的车牌进行识别。将上述检测到的车牌中所有识别的车牌号分别与疑似违法车辆车牌号进行匹配，若匹配的相似度大于预设阈值(例如0.6)时，则可认为该车牌号所对应的车辆为目标车辆，从而确定目标车辆在该全景图像中的坐标。

进一步可选地，上述步骤a3，上述a4之后，还可以包括如下步骤：

b1、在所述多个车牌号中每一车牌号与所述预设违法车牌号均比对失败时，将检测到的所述多个车辆以及所述预设违法车牌号对应的疑似违法车辆进行关键点检测，得到多个关键点集；

b2、根据预设基准样本的关键点集、所述多个关键点集对所述多个车辆以及所述疑似违法车辆进行透视变换，得到校正后的多个车辆和所述疑似违法车辆；

b3、对校准后的所述多个车辆以及所述疑似违法车辆进行特征提取，得到所述多个车辆对应的车辆特征以及所述疑似违法车辆对应的车辆特征；

b4、将所述多个车辆对应的车辆特征与所述疑似违法车辆对应的车辆特征进行匹配，得到与所述疑似违法车辆对应的车辆特征匹配成功的目标车辆特征，并将所述目标特征对应的车辆作为所述目标车辆。

其中，在执行上述步骤a1-a4的过程中，也有可能车辆距离摄像头较远，从而，车辆图像较小，因此，导致无法识别到车牌，因此，可以通过车辆的其他特征来辅助识别违法车辆。上述预设基准样本可以预先保存在电子设备中，预设基准样本可以由摄像头拍摄得到，预设基准样本也为车辆图像，预设基准样本的车身方向可与摄像头的视线方向一致。

具体实现中，在多个车牌号中每一车牌号与预设违法车牌号均比对失败时，则可以将检测到的多个车辆以及预设违法车牌号对应的疑似违法车辆进行关键点检测，得到多个关键点集，每一车辆对应一个关键点集，违法车牌号对应的疑似违法车辆也对应一个关键点集，关键点集可以包括以下至少一种特征：车头挡风玻璃左上角、右上角、车头左下角、右下角等等，进而，可根据预设基准样本的关键点集、多个关键点集对多个车辆以及疑似违法车辆进行透视变换，得到校正后的多个车辆和疑似违法车辆，进而，对校准后的多个车辆以及疑似违法车辆进行特征提取，得到多个车辆对应的车辆特征以及疑似违法车辆对应的车辆特征，该车辆特征可以通过卷积神经网络算法得到，该车辆特征可以由一串数字组成，可将多个车辆对应的车辆特征与疑似违法车辆对应的车辆特征进行匹配，得到与疑似违法车辆对应的车辆特征匹配成功的目标车辆特征，并将目标特征对应的车辆作为目标车辆，如此，可以通过车辆特征进一步识别出目标车辆，从而，精准识别出违法车辆。结合具体实际应用，上述疑似违法车辆可以对应细节图像，上述多个车辆的图像可以为违法时对应的三张不同角度的车辆图像，如此，可以通过车牌比对或者细节比对，实现对违法车辆进行识别。

具体实现中，可以选取若干张车头方向向着正前方的车辆作为车辆校正的基准样本并将其并将其缩放到固定大小(如128*128)，统计车辆关键点集，车辆关键点集包括以下至少一种特征：车头挡风玻璃左上角、右上角、车头左下角、右下角等等，在此不做限定，然后，可将待校正车辆缩放到与基准样本相同大小，通过关键点检测网络检测待校正车辆的关键点，通过待校正车辆关键点的位置与基准样本关键点的位置关系如下式:

其中h为透视变换函矩阵，(x0,y0)和(x′0,y′0)分别为待校正车辆关键点的坐标和基准样本关键点的坐标，s为齐次坐标系下的比例因子。通过上式可以求出透视变换矩阵h，将待校正车辆利用此透视变换矩阵即可得到校正之后的车辆。

可选地，上述步骤102，从所述多帧视频图像中确定出所述目标车辆的行驶轨迹，可包括如下步骤：

21、对校准后的多个车辆的车辆特征集进行深度特征提取，得到多个深度特征，每一车辆对应一个深度特征；

22、通过哈希学习算法将所述多个深度特征进行映射处理，得到多个哈希码，每一哈希码对应一个深度特征，其中，所述目标车辆的哈希码为目标哈希码；

23、计算所述目标哈希码与所述多个哈希码中除了所述目标哈希码之外的其他哈希码之间的汉明距离，得到多个汉明距离值；

24、从所述多个汉明距离值中选取最小汉明距离值，在所述最小汉明距离值小于预设汉明距离值，确定该最小汉明距离值对应的车辆的对应的目标位置；

25、获取所述多帧视频图像中除了所述视频图像i之外的其他视频图像中的所述目标车辆对应的目标位置，得到所述目标车辆的行驶轨迹。

具体地，预设汉明距离值可以由用户自行设置或者系统默认。

举例说明下，可将上述校正后的疑似违法车辆和所有检测到的车辆输入到车辆特征提取网络(例如，神经网络算法)，提取车辆的深度特征，提取到的车辆特征分别表示为f0、f1、f2、f3...等，其中fn为一个高维的实数向量。再通过哈希学习将提取到的车辆特征映射成二进制串形式的哈希码，分别表示为b0、b1、b2、b3...等，分别计算疑似违法车辆的哈希码b0与全景图像中所有车辆的哈希码b1、b2、b3...等的汉明距离：

di＝h(b0,bi)i＝1、2、3...

当汉明距离小于设定阈值，即di<t时，认为bi对应的车辆与疑似违法车辆相似，即目标车辆，从而确定目标车辆在该全景图像中的坐标，对违法数据中的第2、3张全景图像重复步骤21-25，确定目标车辆在第2、3张全景图像中的坐标，从而确定疑似违法车辆的行驶轨迹。

举例说明下，在上述合并后的路面标线分割结果图像lane中画出拟合后的路面标线所在位置，将表示拟合后的路面标线的点的像素值设为255，将第2张全景图像中的目标车辆的车头区域投影到合并后的路面标线分割结果图像lane，通过车头区域的下边框像素值，判断车辆是否压禁止标线，若车辆压住禁止标线，则通过车头区域下边框宽度的1/3阈值进一步判断车辆是左侧压禁止标线、右侧压禁止标线，还是明显压禁止标线(车辆中间明显压住禁止标线)，若第2张全景图像中的目标车辆没有明显压住禁止标线，则可认为该疑似违法数据为不符合执法要求的数据，可进行过滤删除，若第2张全景图像中的目标车辆有明显压禁止标线行为，则通过本申请实施例中的方法进一步判断第1、3张全景图像中的目标车辆的压线情况，若第1、3张全景图像中的目标车辆有一张有明显的压禁止标线行为，或第1和第3张全景图像中的目标车辆分别为左侧压禁止标线或右侧压禁止标线，则认为该疑似违法数据为可执法数据，应当保留。

通过上述本申请实施例所描述的交通违规识别方法，获取多帧视频图像，每一帧视频图像中均包括目标车辆，从多帧视频图像中确定出目标车辆的行驶轨迹，从多帧视频图像中确定出路面标线，依据行驶轨迹、路面标线、以及预设规则对目标车辆的行驶轨迹进行识别，能够自动识别出车辆是否违规，提升了交通管理效率。

与上述一致地，以下为实施上述交通违规识别方法的装置，具体如下：

请参阅图2a，为本申请实施例提供的一种交通违规识别装置的实施例结构示意图。本实施例中所描述的交通违规识别装置，包括：获取单元201、确定单元202和识别单元203，具体如下：

获取单元201，用于获取多帧视频图像，每一帧视频图像中均包括目标车辆；

确定单元202，用于从所述多帧视频图像中确定出所述目标车辆的行驶轨迹；以及从所述多帧视频图像中确定出路面标线；

识别单元203，用于依据所述行驶轨迹、所述路面标线、以及预设规则对所述目标车辆的行驶轨迹进行违法识别，在识别出所述目标车辆为违法车辆时，输出所述目标车辆的违法信息。

可选地，在所述从所述多帧视频图像中确定出路面标线方面，所述确定单元202具体用于：

将所述多帧视频图像输入到预设路面标线分割网络，得到像素级的多张路面标线分割结果图像；

合并所述多张路面标线分割结果图像，得到合并后的路面标线分割结果图像；

通过预设的行阈值和列阈值对所述合并后的路面标线分割结果图像聚类，得到聚类路面标线分割结果图像；

对所述聚类路面标线分割结果图像进行ransac算法拟合，得到所述路面标线。

可选地，如图2b，图2b为图2a所描述的交通违规识别装置的又一变型结构，其与图2a相比较，还可以包括：检测单元204和比对单元205，具体如下：

所述获取单元201，还具体用于获取疑似违法数据，所述疑似违法数据包括多张视频图像；

所述检测单元204，用于对所述视频图像i进行目标检测，得到多个车辆，每一车辆包括车身、车头、车尾、车牌，所述视频图像i为所述多张视频图像中的任一视频图像；

所述识别单元203，用于对所述多个车辆的车牌进行车牌识别，得到多个车牌号；

所述比对单元205，用于将所述多个车牌号中每一车牌号与预设违法车牌号进行比对，得到多个比对值；

所述确定单元202，用于在所述多个比对值中的最大值大于预设阈值时，将所述最大值对应的车辆作为所述目标车辆。

可选地，所述确定单元202还具体用于：

在所述多个车牌号中每一车牌号与所述预设违法车牌号均比对失败时，将检测到的所述多个车辆以及所述预设违法车牌号对应的疑似违法车辆进行关键点检测，得到多个关键点集；

根据预设基准样本的关键点集、所述多个关键点集对所述多个车辆以及所述疑似违法车辆进行透视变换，得到校正后的多个车辆和所述疑似违法车辆；

对校准后的所述多个车辆以及所述疑似违法车辆进行特征提取，得到所述多个车辆对应的车辆特征以及所述疑似违法车辆对应的车辆特征；

将所述多个车辆对应的车辆特征与所述疑似违法车辆对应的车辆特征进行匹配，得到与所述疑似违法车辆对应的车辆特征匹配成功的目标车辆特征，并将所述目标特征对应的车辆作为所述目标车辆。

可选地，在所述从所述多帧视频图像中确定出所述目标车辆的行驶轨迹方面，所述确定单元202具体用于：

对校准后的多个车辆的车辆特征集进行深度特征提取，得到多个深度特征，每一车辆对应一个深度特征；

通过哈希学习算法将所述多个深度特征进行映射处理，得到多个哈希码，每一哈希码对应一个深度特征，其中，所述目标车辆的哈希码为目标哈希码；

计算所述目标哈希码与所述多个哈希码中除了所述目标哈希码之外的其他哈希码之间的汉明距离，得到多个汉明距离值；

从所述多个汉明距离值中选取最小汉明距离值在所述最小汉明距离值小于预设汉明距离值，确定该最小汉明距离值对应的车辆的对应的目标位置；

获取所述多帧视频图像中除了所述视频图像i之外的其他视频图像中的所述目标车辆对应的目标位置，得到所述目标车辆的行驶轨迹。

通过上述本申请实施例所描述的交通违规识别装置，获取多帧视频图像，每一帧视频图像中均包括目标车辆，从多帧视频图像中确定出目标车辆的行驶轨迹，从多帧视频图像中确定出路面标线，依据行驶轨迹、路面标线、以及预设规则对目标车辆的行驶轨迹进行识别，能够自动识别出车辆是否违规，提升了交通管理效率。

与上述一致地，请参阅图3，为本申请实施例提供的一种电子设备的实施例结构示意图。本实施例中所描述的电子设备，包括：至少一个输入设备1000；至少一个输出设备2000；至少一个处理器3000，例如cpu；和存储器4000，上述输入设备1000、输出设备2000、处理器3000和存储器4000通过总线5000连接。

其中，上述输入设备1000具体可为触控面板、物理按键或者鼠标。

上述输出设备2000具体可为显示屏。

上述存储器4000可以是高速ram存储器，也可为非易失存储器(non-volatilememory)，例如磁盘存储器。上述存储器4000用于存储一组程序代码，上述输入设备1000、输出设备2000和处理器3000用于调用存储器4000中存储的程序代码，执行如下操作：

上述处理器3000，用于：

获取多帧视频图像，每一帧视频图像中均包括目标车辆；

从所述多帧视频图像中确定出所述目标车辆的行驶轨迹；

从所述多帧视频图像中确定出路面标线；

依据所述行驶轨迹、所述路面标线、以及预设规则对所述目标车辆的行驶轨迹进行违法识别，在识别出所述目标车辆为违法车辆时，输出所述目标车辆的违法信息。

通过上述本申请实施例所描述的电子设备，获取多帧视频图像，每一帧视频图像中均包括目标车辆，从多帧视频图像中确定出目标车辆的行驶轨迹，从多帧视频图像中确定出路面标线，依据行驶轨迹、路面标线、以及预设规则对目标车辆的行驶轨迹进行识别，能够自动识别出车辆是否违规，提升了交通管理效率。

可选地，在所述从所述多帧视频图像中确定出路面标线方面，上述处理器3000具体用于：

将所述多帧视频图像输入到预设路面标线分割网络，得到像素级的多张路面标线分割结果图像；

合并所述多张路面标线分割结果图像，得到合并后的路面标线分割结果图像；

通过预设的行阈值和列阈值对所述合并后的路面标线分割结果图像聚类，得到聚类路面标线分割结果图像；

对所述聚类路面标线分割结果图像进行ransac算法拟合，得到所述路面标线。

可选地，上述处理器3000还具体用于：

获取疑似违法数据，所述疑似违法数据包括多张视频图像；

对所述视频图像i进行目标检测，得到多个车辆，每一车辆包括车身、车头、车尾、车牌，所述视频图像i为所述多张视频图像中的任一视频图像；

对所述多个车辆的车牌进行车牌识别，得到多个车牌号；

将所述多个车牌号中每一车牌号与预设违法车牌号进行比对，得到多个比对值；

在所述多个比对值中的最大值大于预设阈值时，将所述最大值对应的车辆作为所述目标车辆。

可选地，上述处理器3000还具体用于：

在所述多个车牌号中每一车牌号与所述预设违法车牌号均比对失败时，将检测到的所述多个车辆以及所述预设违法车牌号对应的疑似违法车辆进行关键点检测，得到多个关键点集；

根据预设基准样本的关键点集、所述多个关键点集对所述多个车辆以及所述疑似违法车辆进行透视变换，得到校正后的多个车辆和所述疑似违法车辆；

对校准后的所述多个车辆以及所述疑似违法车辆进行特征提取，得到所述多个车辆对应的车辆特征以及所述疑似违法车辆对应的车辆特征；

将所述多个车辆对应的车辆特征与所述疑似违法车辆对应的车辆特征进行匹配，得到与所述疑似违法车辆对应的车辆特征匹配成功的目标车辆特征，并将所述目标特征对应的车辆作为所述目标车辆。

可选地，在所述从所述多帧视频图像中确定出所述目标车辆的行驶轨迹方面，上述处理器3000具体用于：

对校准后的多个车辆的车辆特征集进行深度特征提取，得到多个深度特征，每一车辆对应一个深度特征；

通过哈希学习算法将所述多个深度特征进行映射处理，得到多个哈希码，每一哈希码对应一个深度特征，其中，所述目标车辆的哈希码为目标哈希码；

计算所述目标哈希码与所述多个哈希码中除了所述目标哈希码之外的其他哈希码之间的汉明距离，得到多个汉明距离值；

从所述多个汉明距离值中选取最小汉明距离值，在所述最小汉明距离值小于预设汉明距离值，确定该最小汉明距离值对应的车辆的对应的目标位置；

获取所述多帧视频图像中除了所述视频图像i之外的其他视频图像中的所述目标车辆对应的目标位置，得到所述目标车辆的行驶轨迹。

本申请实施例还提供一种计算机存储介质，其中，该计算机存储介质可存储有程序，该程序执行时包括上述方法实施例中记载的任何一种交通违规识别方法的部分或全部步骤。

本申请实施例还提供一种计算机程序产品，所述计算机程序产品包括存储了计算机程序的非瞬时性计算机可读存储介质，所述计算机程序可操作来使计算机执行如上述方法实施例中记载的任何一种交通违规识别方法的部分或全部步骤。

尽管在此结合各实施例对本申请进行了描述，然而，在实施所要求保护的本申请过程中，本领域技术人员通过查看所述附图、公开内容、以及所附权利要求书，可理解并实现所述公开实施例的其他变化。在权利要求中，“包括”(comprising)一词不排除其他组成部分或步骤，“一”或“一个”不排除多个的情况。单个处理器或其他单元可以实现权利要求中列举的若干项功能。相互不同的从属权利要求中记载了某些措施，但这并不表示这些措施不能组合起来产生良好的效果。

本领域技术人员应明白，本申请的实施例可提供为方法、装置(设备)、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、cd-rom、光学存储器等)上实施的计算机程序产品的形式。计算机程序存储/分布在合适的介质中，与其它硬件一起提供或作为硬件的一部分，也可以采用其他分布形式，如通过internet或其它有线或无线电信系统。

本申请是参照本申请实施例的方法、装置(设备)和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程车牌定位设备的处理器以产生一个机器，使得通过计算机或其他可编程车牌定位设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程车牌定位设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程车牌定位设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

尽管结合具体特征及其实施例对本申请进行了描述，显而易见的，在不脱离本申请的精神和范围的情况下，可对其进行各种修改和组合。相应地，本说明书和附图仅仅是所附权利要求所界定的本申请的示例性说明，且视为已覆盖本申请范围内的任意和所有修改、变化、组合或等同物。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。