异常停车行为检测方法、装置、计算机设备和存储介质与流程

1.本技术涉及图像识别技术领域，特别是涉及一种异常停车行为检测方法、装置、计算机设备、存储介质和计算机程序产品。


背景技术：

2.停车场收费设备越来越多的普及，某些车主存在异常停车行为，这些异常停车行为主要是车主为了逃费而想出的方法，其目的都是为了让道闸抬起，逃缴停车费。
3.目前，异常停车行为主要是基于车辆的车牌进行识别，然而，有少数车主用人工举假牌或套假牌的方式来实现异常停车行为，因此，车牌识别等方式准确度的较低。


技术实现要素：

4.基于此，有必要针对上述技术问题，提供一种能够提高准确度的异常停车行为检测方法、装置、计算机设备、计算机可读存储介质和计算机程序产品。
5.第一方面，本技术提供了一种异常停车行为检测方法。所述方法包括：
6.获取车辆出入口的视频画面；
7.根据移动对象的面积特征与目标部位特征，检测所述视频画面是否包括车辆；
8.在所述视频画面包括车辆时，根据所述车辆出入口的道闸信息与所述视频画面的车辆轨迹信息中的至少一种信息，对异常停车行为进行检测；
9.在所述视频画面不包括车辆时，根据是否识别出所述移动对象的车牌信息，对异常停车行为进行检测。
10.在其中一个实施例中，所述根据移动对象的面积特征与目标部位特征，检测所述视频画面是否包括车辆，包括：
11.根据所述移动对象在所述视频画面的面积是否满足面积检测条件，得到面积检测结果；
12.当所述目标部位特征包括所述目标部位的颜色分布信息时，基于所述目标部位的颜色分布信息生成颜色检测结果；
13.当所述目标部位特征包括所述目标部位的部件结构特征时，对所述部件结构特征进行识别，得到部件检测结果；
14.按照所述面积检测结果，以及所述颜色检测结果及所述部件检测结果中的至少一种目标部位特征的检测结果，检测所述视频画面是否包括车辆。
15.在其中一个实施例中，所述对所述部件的结构进行识别，包括：
16.按照所述目标部位对应的多种预设部件形状，对所述目标部位安装的部件进行识别；
17.其中，所述多种预设部件形状，包括预设进气栅形状和预设车灯形状中的至少一种形状。
18.在其中一个实施例中，所述根据所述车辆出入口的道闸信息与所述视频画面的车
辆轨迹信息中的至少一种信息，对异常停车行为进行检测，包括：
19.当预设轨迹信息与所述视频画面的车辆轨迹信息在形成过程的差异是否超过对应的阈值时，存在异常停车行为；和/或，
20.当所述车辆轨迹信息在所述视频画面的时长超过所述预设时长时，存在异常停车行为。
21.在其中一个实施例中，所述根据所述车辆出入口的道闸信息与所述视频画面的车辆轨迹信息中的至少一种信息，对异常停车行为进行检测，包括：
22.根据所述车辆出入口的道闸接收到的信号生成所述道闸信息；
23.根据所述道闸信息确定所述车辆出入口的道闸状态；所述道闸状态用于表征所述车辆出入口的道闸是否放行车辆；
24.根据预设轨迹信息与所述视频画面的车辆轨迹信息在形成过程的差异超过对应的阈值，生成轨迹信息状态；
25.根据所述道闸状态和所述轨迹信息状态，判断所述视频画面是否存在异常停车行为。
26.在其中一个实施例中，所述根据所述车辆出入口的道闸信息与所述视频画面的车辆轨迹信息中的至少一种信息，对异常停车行为进行检测，包括：
27.当识别出所述视频画面的车牌信息，且根据所述车牌信息和所述视频画面的车辆缴费状态确定所述车牌信息对应的车辆未缴费时，根据所述车辆出入口的道闸信息与所述视频画面的车辆轨迹信息中的至少一种信息，对异常停车行为进行检测。
28.在其中一个实施例中，所述方法还包括：
29.当存在异常停车行为时，采集所述车辆出入口的取证画面；
30.其中，所述取证画面的范围大于所述视频画面的范围。
31.第二方面，本技术还提供了一种异常停车行为检测装置。所述装置包括：
32.识别画面采集模块，用于获取车辆出入口的视频画面；
33.车辆检测模块，用于根据移动对象的面积特征与目标部位特征，检测所述视频画面是否包括车辆；
34.第一异常停车行为检测模块，用于在所述视频画面包括车辆时，根据所述车辆出入口的道闸信息与所述视频画面的车辆轨迹信息中的至少一种信息，对异常停车行为进行检测；
35.第二异常停车行为检测模块，用于在所述视频画面不包括车辆时，根据所述道闸信息对异常停车行为进行检测。
36.第三方面，本技术还提供了一种计算机设备。所述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意实施例中异常停车行为检测的步骤。
37.第四方面，本技术还提供了一种计算机可读存储介质。所述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意实施例中异常停车行为检测的步骤。
38.第五方面，本技术还提供了一种计算机程序产品。所述计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现上述任意实施例中异常停车行为检测的步骤。
39.上述异常停车行为检测方法、装置、计算机设备、存储介质和计算机程序产品，根据移动对象的面积特征与目标部位特征，检测所述视频画面是否包括车辆，以获得更为准确地车辆识别结果，并根据视频画面是否包括车辆形成不同异常停车行为的检测数据，采用不同检测数据对异常停车行为进行检测；在所述视频画面包括车辆时，根据所述车辆出入口的道闸信息与所述视频画面的车辆轨迹信息中的至少一种信息，对异常停车行为进行检测，能够较为准确地检测出车辆的具体异常停车行为；在所述视频画面不包括车辆时，根据是否识别出所述移动对象的车牌信息，对异常停车行为进行检测，能够准确地识别出手举假牌的停车行为代表的具体异常停车行为。
附图说明
40.图1为一个实施例中异常停车行为检测方法的应用环境图；
41.图2为一个实施例中异常停车行为检测方法的流程示意图；
42.图3为一个实施例中目标部位的图像特征示意图；
43.图4为一个实施例中预设轨迹信息的形成过程示意图；
44.图5为一个实施例中异常停车行为检测方法的应用环境图；
45.图6为一个实施例中车辆的目标部位检测的流程示意图；
46.图7为一个实施例中异常停车行为检测方法的流程示意图；
47.图8为一个实施例中异常停车行为检测装置的结构框图；
48.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
49.为了使本技术的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本技术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技术，并不用于限定本技术。
50.本技术实施例提供的异常停车行为检测方法，可以应用于如图1所示的应用环境中。其中，终端102通过网络与服务器104进行通信。数据存储系统可以存储服务器104需要处理的数据。数据存储系统可以集成在服务器104上，也可以放在云上或其他网络服务器上。
51.其中，终端102可以但不限于是各种识别相机、全景相机、车辆检测一体机、个人计算机、笔记本电脑、智能手机、平板电脑、物联网设备和便携式可穿戴设备，物联网设备可为智能车载设备等。便携式可穿戴设备可为智能手表、智能手环、头戴设备等。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，服务器可以是云平台。
52.在一个实施例中，如图2所示，提供了一种异常停车行为检测方法，以该方法应用于图1中的终端为例进行说明，包括以下步骤：
53.步骤202，获取车辆出入口的视频画面。
54.车辆出入口是出入停车场的车道区域，该车道区域设置有对应的道闸及控制道闸的终端；终端包括车辆识别相机，通过车辆识别相机采集车辆出入口的视频画面。车辆出入口的视频画面包括至少两帧画面，通过至少两帧画面中的差异信息能够识别出视频画面中的移动对象。
55.在一个实施例中，通过移动对象的检测模型检测视频画面，确定视频画面中的移动对象。可选地，移动对象的检测模型可以是传统的cnn检测模型，而为了进一步提高准确度，通过移动对象的检测模型检测视频画面，包括：基于用于分析移动对象是否为车辆的yolo模型，检测视频画面中的移动对象所在区域；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。视频画面中的移动对象其可能是车辆、人类或者其他可移动的对象。
56.步骤204，根据移动对象的面积特征与目标部位特征，检测视频画面是否包括车辆。
57.移动对象的面积特征是移动对象在视频画面的面积。根据移动对象在视频画面的面积是否满足面积检测条件，生成面积检测结果，以通过面积检测结果对移动对象是否为车辆进行分析。
58.目标部位特征是移动对象在目标部位的图像特征。根据目标部位特征是否符合车辆在目标部位的图像特征，生成目标部位特征检测结果，以通过目标部位特征检测结果对移动对象是否为车辆进行分析。可选地，目标部位特征可以是车头部位的颜色特征与面积特征中的至少一种特征，而在特征数量在某个特征数量范围的情况下，特征数量与准确度是正相关的。示例性地，按照车头部位的颜色特征与面积特征中的至少一种特征，对移动对象进行检测，得到目标部位特征检测结果。车辆在目标部位的图像特征如图3(a)所示，对应的，非车辆在目标部位的图像特征如图3(b)所示。
59.在一个可能的实施例中，根据移动对象的面积特征与目标部位特征，检测视频画面是否包括车辆，包括：按照车辆的检测模型，对移动对象的面积特征与目标部位特征进行识别，得到车辆识别结果；根据车辆识别结果判断视频画面是否包括车辆。
60.在一个可能的实施例中，根据移动对象的面积特征与目标部位特征，检测视频画面是否包括车辆，包括：根据移动对象的面积特征与目标部位特征生成面积检测结果与目标部位特征检测结果；将面积检测结果与目标部位特征检测结果对应的数据进行加权计算，得到加权计算结果；根据加权计算结果，判断视频画面是否包括车辆。
61.可选地，在视频画面包括车辆时，对车牌信息进行识别，并对车辆的轨迹进行跟踪。若识别出车牌信息，根据车辆的缴费状态对异常停车行为是否检测进行判断；若识别不出车牌信息，则可能存在设备故障或者异常停车行为。其中，车辆的缴费状态包括“待缴费”和“已缴费”。如果出现“待缴费”车辆离场，则判断为缴费异常；当存在缴费异常时，才根据车辆出入口的道闸信息与视频画面的车辆轨迹信息中的至少一种信息，对异常停车行为进行检测，以有效检测停车场的司机逃费行为，并较为及时地提醒车场主有逃费行为发生，从而有效挽回车场主的经济损失。具体的，当识别出视频画面的车牌信息，且根据车牌信息和视频画面的车辆缴费状态确定车牌信息对应的车辆未缴费时，根据车辆出入口的道闸信息与视频画面的车辆轨迹信息中的至少一种信息，对异常停车行为进行检测。
62.步骤206，在视频画面包括车辆时，根据车辆出入口的道闸信息与视频画面的车辆轨迹信息中的至少一种信息，对异常停车行为进行检测。
63.车辆出入口的道闸信息是道闸的状态信号。状态信号包括发送到道闸的开闸信号与落闸信号，以及道闸反馈的开闸完成信号与落闸完成信号。不同的落闸信号用于表征不同的落闸状态，通过道闸的不同状态信号，获取道闸的实时状态，进而可以判断出是设备控
制的开闸还是人为遥控开闸，抑或是有车强行冲闸。
64.在一个实施例中，根据车辆出入口的道闸信息，对异常停车行为进行检测，包括：判断道闸信息是否按照预设顺序传输，若是，则无法基于道闸状态确定异常停车行为；若否，则能够基于道闸状态确定异常停车行为。示例性地，若道闸未收到开闸信号，却反馈了开闸完成信号；则出现的异常停车行为是人工遥控开闸异常。
65.视频画面的车辆轨迹信息，是根据移动对象在视频画面中的位置变化而形成的轨迹信息。示例性地，按照时间顺序对视频画面中的移动对象的坐标位置进行跟踪，得到视频画面的车辆轨迹信息；视频画面的车辆轨迹信息是移动对象在视频画面中的位移坐标位置变化。
66.在一可选地实施例中，当根据车辆出入口的道闸信息与视频画面的车辆轨迹信息中的至少一种信息，对异常停车行为进行检测，包括：当预设轨迹信息与视频画面的车辆轨迹信息在形成过程的差异超过对应的阈值时，存在异常停车行为；和/或，当车辆轨迹信息在视频画面的时长超过预设时长时，存在异常停车行为。
67.在一个示例性地实施例中，判断预设轨迹信息与视频画面的车辆轨迹信息在形成过程的差异超过对应的阈值，包括：确定预设轨迹信息是沿第一方向运动的，并确定视频画面的车辆轨迹信息是沿第二方向运动的，则在第一方向与第二方向相反时，确定形成过程的差异超过对应的阈值。示例性地，预设轨迹信息是正常车辆轨迹，正常车辆轨迹是从视频的上方进入，并从视频的下方离开如果车辆轨迹在是从视频的下方进入，并从视频的上方离开，则确定形成过程的差异超过对应的阈值。
68.除了形成过程的运动方向以外，其形成过程中，预设轨迹信息还包括车辆的面积变化信息、位移变化信息中的一种或多种。示例性地，在预设轨迹信息的形成过程中，车辆的面积由小变大的；则在视频画面的车辆轨迹信息的形成过程中，车辆的面积由大变小时，确定形成过程的差异超过对应的阈值。在预设轨迹信息的形成过程中，车辆是逐渐靠近道闸的；则在视频画面的车辆轨迹信息的形成过程中，若车辆是逐渐远离道闸或者车辆是横向移动的时，确定形成过程的差异超过对应的阈值。根据形成过程中的差异信息，能够准确地判断出视频画面中的车辆是离开停车场还是返回停车场这类异常停车行为。
69.在一个示例性地实施例，预设轨迹信息的形成过程可以是如图4(a)所示的正常轨迹的形成过程，也可以是如图4(b)所示的异常轨迹信的形成过程。
70.在一个示例性地实施例中，当车辆轨迹信息在视频画面的时长超过预设时长时，可判断视频画面中的车辆是否在停车场中停留，以准确地识别出长时占用通道的异常停车行为。
71.在一可选地实施例中，在上述实施例的基础上，基于车辆出入口的道闸信息和视频画面的车辆轨迹信息进行检测；对应的，根据车辆出入口的道闸信息与视频画面的车辆轨迹信息中的至少一种信息，对异常停车行为进行检测，包括：根据车辆出入口的道闸接收到的信号生成道闸信息；根据道闸信息确定车辆出入口的道闸状态；道闸状态用于表征车辆出入口的道闸是否放行车辆；根据预设轨迹信息与视频画面的车辆轨迹信息在形成过程的差异超过对应的阈值，生成轨迹信息状态；根据道闸状态和轨迹信息状态，判断视频画面是否存在异常停车行为。
72.示例性地，根据道闸状态和轨迹信息状态，判断视频画面是否存在异常停车行为，
包括：当道闸状态为“开闸”，且轨迹检测为“离场”时，则判断异常行为“人工开闸逃费”；当道闸状态为“关闭”，且轨迹检测为“停留”时，则判断异常行为“长时占用通道”；当道闸状态为“关闭”，且轨迹检测为“离场”时，则判断异常行为“冲卡逃费”；当道闸状态为“关闭”，且轨迹检测为“返场”时，则判断异常行为“离场后倒车入场”。
73.步骤208，在视频画面不包括车辆时，根据是否识别出移动对象的车牌信息，对异常停车行为进行检测。
74.在一个实施例中，根据是否识别出移动对象的车牌信息，对异常停车行为进行检测，包括：采用目标检测模型，对移动对象满足车牌特征的部位进行跟踪检测，根据跟踪检测的结果确定移动对象的车牌；对移动对象的车牌字符进行识别；若识别出车牌信息，则确定异常停车行为存在，该异常停车行为是手持假车牌的行为；若无法识别出车牌信息，则无法基于车牌信息判断异常停车行为是否存在异常停车行为。其中，手持假车牌是指，通过人手持假牌照代替车辆的真实牌照，以让道闸抬起，逃缴停车费的异常停车行为。
75.在存在异常停车行为时，采集车辆出入口的取证画面，取证画面是用于作为证据的多帧画面。可选地，取证画面的范围可以与用于异常识别的视频画面具有相同范围，以降低成本；取证画面的范围可以大于视频画面的范围，以使取证画面完整地记录各类逃费异常行为的过程，得到异常停车行为的证据。
76.在一可选地实施例中，当取证画面的范围大于视频画面的范围时，视频画面与取证画面均是车辆识别相机采集的。示例性地，对车辆识别相机的镜头焦距调整后，通过调焦后的车辆识别相机采集视频画面，得到取证画面。
77.在一可选地实施例中，如图5所示，当取证画面的范围大于视频画面的范围时，取证画面是由该终端的全景相机采集，全景相机的位置高于车辆识别相机，以使取证画面更完整地记录各类逃费异常行为的过程。在一可能地实施例，车辆识别相机的镜头焦距使用6mm定焦镜头，视频画面覆盖车道的范围2-8米；全景监控相机使用2.5mm定焦镜头，取证画面覆盖车道的范围大于30米，以通过视频画面对异常停车行为更准确地检测，并使得取证画面更完整地记录各类逃费异常行为的过程。
78.在获得取证画面之后，终端会立即截取全景相机的视频录像，得到异常行为视频证据；其中，截取全景相机的视频录像的时间为从异常行为开始发生检测的时候到异常行为确定产生的时刻。而后终端将自动将异常行为视频证据通过互联网传送至云平台，以使云平台根据异常行为的类型分类保存却在画面，再由云平台通过报警页面、短信提醒等方式提醒车场主或其他停车场的收费用户，收费用户知晓停车场出现了逃费异常行为。收费用户可以登陆云平台查看相应的视频证据。
79.上述异常停车行为检测方法中，根据移动对象的面积特征与目标部位特征，检测视频画面是否包括车辆，以获得更为准确地车辆识别结果，并根据视频画面是否包括车辆形成不同异常停车行为的检测数据，采用不同检测数据对异常停车行为进行检测；在视频画面包括车辆时，根据车辆出入口的道闸信息与视频画面的车辆轨迹信息中的至少一种信息，对异常停车行为进行检测，能够较为准确地检测出车辆的具体异常停车行为，具体异常停车行为包括但不限于：先离场再倒车入场逃费、冲卡逃费、人工开闸逃费、非机动车人工开闸逃费、长时间占用通道逃费、遮挡镜头逃费；在视频画面不包括车辆时，根据是否识别出移动对象的车牌信息，对异常停车行为进行检测，能够准确地识别出手举假牌的停车行
为代表的具体异常停车行为。
80.在一个实施例中，如图6所示，步骤204，根据移动对象的面积特征与目标部位特征，检测视频画面是否包括车辆，包括：
81.步骤602，根据移动对象在视频画面的面积是否满足面积检测条件，得到面积检测结果。
82.在一个可能的实施例中，根据移动对象在视频画面的面积是否满足面积检测条件，得到面积检测结果，包括：对移动对象与视频画面的面积差异度进行计算；当面积差异度大于对应的面积差异阈值时，面积检测结果用于表征移动对象是车辆；当面积差异度小于或等于对应的面积差异阈值时，面积检测结果用于表征移动对象不属于车辆。
83.在一个可能的实施例中，根据移动对象在视频画面的面积是否满足面积检测条件，得到面积检测结果，包括：基于视频画面的面积确定面积阈值；将移动对象在视频画面的面积与面积阈值进行比较，若超过面积阈值，则移动对象在视频画面的面积较大，面积检测结果用于表征移动对象可能是车辆；若小于面积阈值，则移动对象在视频画面的面积较小，面积检测结果用于表征移动对象不是车辆。
84.步骤604，当目标部位特征包括目标部位的颜色分布信息时，基于目标部位的颜色分布信息生成颜色检测结果。
85.目标部位的颜色分布信息是一种颜色特征，其用于表征目标部位的颜色整体是否一致，若一致，则移动对象属于机动车辆；若不一致，则移动对象不属于机动车辆。
86.在一个实施例中，目标部位的颜色分布信息包括目标部位的颜色信息和颜色信息的分布信息，对应的，基于目标部位的颜色分布信息生成颜色检测结果，包括：基于目标部位的颜色信息与分布信息，生成目标部位在不同区域的颜色相似度，根据目标部位在不同区域的颜色相似度是否超过对应的相似度阈值，判断移动对象是否属于机动车辆。示例性地，当目标部位在不同区域的颜色相似度超过相似度阈值时，移动对象属于机动车辆；当目标部位在不同区域的颜色相似度小于相似度阈值时，移动对象不属于机动车辆。
87.步骤606，当目标部位特征包括目标部位的部件结构特征时，对部件结构特征进行识别，得到部件检测结果。
88.部件结构特征是车辆在目标部位的结构形状，其是根据目标部位安装的部件所具有的结构所生成的。部件结构特征能够从图像形状分析移动对象的目标部位是否具有车辆在目标部位的结构形状，以便于从图像线条的角度进行检测。
89.在一个可能的实施例中，对部件的结构进行识别，包括：按照目标部位对应的多种预设部件形状，对目标部位安装的部件进行识别；其中，多种预设部件形状，包括预设进气栅形状和预设车灯形状中的至少一种形状。
90.目标部位对应的多种预设部件形状能够从不同部件的角度，分别对移动对象是否属于车辆进行分析，预设部件形状的种类与检测的准确度具有一定相关性，且与检测的效率具有一定相关性。当预设部件形状包括预设进气栅形状或者预设车灯形状时，检测较为高效；当预设部件形状包括预设进气栅形状和预设车灯形状时，识别的准确度相对较高。可选地，预设进气栅形状包括但不限于如下形状的线条：纵向线条、横向线条以及横向线条与纵向组成的网格线条；预设车灯形状包括但不限于如下形状的线条：圆形线条与椭圆形线条。
91.在一个示例性地实施例中，按照目标部位对应的多种预设部件形状，对目标部位安装的部件进行识别，包括：根据目标部位对应的多种预设部件形状，确定各种预设部件形状的目标检测模型；根据各种预设部件形状的目标检测模型，对目标部位安装的部件进行识别。
92.步骤608，按照面积检测结果，以及颜色检测结果及部件检测结果中的至少一种目标部位特征的检测结果，检测视频画面是否包括车辆。
93.在一个可选地实施例中，按照面积检测结果，以及颜色检测结果及部件检测结果中的至少一种目标部位特征的检测结果，包括：确定不同检测结果的权重占比；根据不同检测结果的权重占比，对按照面积检测结果，以及颜色检测结果及部件检测结果进行分析，生成视频画面的车辆检测结果；视频画面的车辆检测结果用于表征视频画面是否包括车辆。由此，通过识别画面准确地检测出视频画面是否包括车辆，同时上传异常行为证据，产生报警通知收费用户。
94.本实施例中，通过移动对象在视频画面的面积，通过车辆面积检测移动对象，得到面积检测结果，通过面积检测结果提供了一个分析维度；在从目标部位的颜色分布信息和目标部位的部件结构特征这两个维度分别进行分析，以便于将目标部位特征细化为颜色检测结果和部件检测结果，使得本实施例能够从这三个维度进行综合分析，更准确地识别出视频画面是否包括车辆。此外，可根据硬件设备条件适应性调整目标部位特征的维度数量，以提高效率。
95.在一个实施例中，综合上述各种检测的方式进行综合分析。如图6所示，终端一体机执行如下步骤：s602，根据移动对象的面积特征与目标部位特征，对目标部位进行检测，以判断视频画面是否存在车辆；s604，当存在车辆时，对车辆的车牌进行检测；s606，在识别到车牌信息后，判断该车牌信息对应的缴费状态；s608，当缴费完成，且无法根据道闸状态检测出相应的异常停车行为时，记录相应的车辆轨迹。
96.如图7所示，终端一体机执行如下步骤：s702，根据移动对象的面积特征与目标部位特征，对目标部位进行检测，以判断视频画面是否存在车辆；s704，当存在车辆时，对车辆的车牌进行检测；s706，在识别到车牌信息后，判断该车牌信息对应的缴费状态；s708，当缴费未完成，且无法根据道闸状态检测出相应的异常停车行为时，根据车辆出入口的道闸信息与视频画面的车辆轨迹信息中的至少一种信息，确定异常停车行为存在；通过全景相机录制取证画面，再将取证画面上传到云平台，以进行报警。从而有效地通知车场主。本实施例中的异常停车行为包括但不限于：手动开闸逃费、手持假牌逃费、冲卡逃费、长时占用通道、离场后倒车入场。
97.应该理解的是，虽然如上所述的各实施例所涉及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，如上所述的各实施例所涉及的流程图中的至少一部分步骤可以包括多个步骤或者多个阶段，这些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中的步骤或者阶段的至少一部分轮流或者交替地执行。
98.基于同样的发明构思，本技术实施例还提供了一种用于实现上述所涉及的异常停
车行为检测方法的异常停车行为检测装置。该装置所提供的解决问题的实现方案与上述方法中所记载的实现方案相似，故下面所提供的一个或多个异常停车行为检测装置实施例中的具体限定可以参见上文中对于异常停车行为检测方法的限定，在此不再赘述。
99.在一个实施例中，如图8所示，提供了一种异常停车行为检测装置，包括：识别画面采集模块802、车辆检测模块804、第一异常停车行为检测模块806和第二异常停车行为检测模块808，其中：
100.识别画面采集模块802，用于获取车辆出入口的视频画面；
101.车辆检测模块804，用于根据移动对象的面积特征与目标部位特征，检测所述视频画面是否包括车辆；
102.第一异常停车行为检测模块806，用于在所述视频画面包括车辆时，根据所述车辆出入口的道闸信息与所述视频画面的车辆轨迹信息中的至少一种信息，对异常停车行为进行检测；
103.第二异常停车行为检测模块808，用于在所述视频画面不包括车辆时，根据所述道闸信息对异常停车行为进行检测。
104.在其中一个实施例中，所述车辆检测模块804用于：
105.根据所述移动对象在所述视频画面的面积是否满足面积检测条件，得到面积检测结果；
106.当所述目标部位特征包括所述目标部位的颜色分布信息时，基于所述目标部位的颜色分布信息生成颜色检测结果；
107.当所述目标部位特征包括所述目标部位的部件结构特征时，对所述部件结构特征进行识别，得到部件检测结果；
108.按照所述面积检测结果，以及所述颜色检测结果及所述部件检测结果中的至少一种目标部位特征的检测结果，检测所述视频画面是否包括车辆。
109.在其中一个实施例中，所述车辆检测模块804具体用于：
110.按照所述目标部位对应的多种预设部件形状，对所述目标部位安装的部件进行识别；
111.其中，所述多种预设部件形状，包括预设进气栅形状和预设车灯形状中的至少一种形状。
112.在其中一个实施例中，所述第一异常停车行为检测模块806包括轨迹检测单元，轨迹检测单元用于：当预设轨迹信息与所述视频画面的车辆轨迹信息在形成过程的差异超过对应的阈值时，存在异常停车行为；和/或，当所述车辆轨迹信息在所述视频画面的时长超过所述预设时长时，存在异常停车行为。
113.在其中一个实施例中，所述第一异常停车行为检测模块806包括轨迹检测单元、道闸状态判断单元和异常行为判断单元；
114.其中，道闸状态判断单元用于根据所述车辆出入口的道闸接收到的信号生成所述道闸信息；根据所述道闸信息确定所述车辆出入口的道闸状态；所述道闸状态用于表征所述车辆出入口的道闸是否放行车辆；
115.轨迹检测单元用于根据预设轨迹信息与所述视频画面的车辆轨迹信息在形成过程的差异是否超过对应的阈值，生成轨迹信息状态；
116.异常行为判断单元用于根据所述道闸状态和所述轨迹信息状态，判断所述视频画面是否存在异常停车行为。
117.在其中一个实施例中，所述第一异常停车行为检测模块806，具体用于：当识别出所述视频画面的车牌信息，且根据所述车牌信息和所述视频画面的车辆缴费状态确定所述车牌信息对应的车辆未缴费时，根据所述车辆出入口的道闸信息与所述视频画面的车辆轨迹信息中的至少一种信息，对异常停车行为进行检测。
118.在其中一个实施例中，所述异常停车行为检测装置还包括取证模块，所述取证模块用于：当存在异常停车行为时，采集所述车辆出入口的取证画面；其中，所述取证画面的范围大于所述视频画面的范围。
119.上述异常停车行为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。
120.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终端，其内部结构图可以如图9所示。该计算机设备包括处理器、存储器、输入/输出接口、通信接口、显示单元和输入装置。其中，处理器、存储器和输入/输出接口通过系统总线连接，通信接口、显示单元和输入装置通过输入/输出接口连接到系统总线。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和计算机程序。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。该计算机设备的输入/输出接口用于处理器与外部设备之间交换信息。该计算机设备的通信接口用于与外部的终端进行有线或无线方式的通信，无线方式可通过wifi、移动蜂窝网络、nfc(近场通信)或其他技术实现。该计算机程序被处理器执行时以实现一种异常停车行为检测方法。该计算机设备的显示单元用于形成视觉可见的画面，可以是显示屏、投影装置或虚拟现实成像装置，显示屏可以是液晶显示屏或电子墨水显示屏，该计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹信息球或触控板，还可以是外接的键盘、触控板或鼠标等。
121.本领域技术人员可以理解，图9中示出的结构，仅仅是与本技术方案相关的部分结构的框图，并不构成对本技术方案所应用于其上的计算机设备的限定，具体的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。
122.在一个实施例中，还提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现上述各方法实施例中的步骤。
123.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，该计算机程序被处理器执行时实现上述各方法实施例中的步骤。
124.在一个实施例中，提供了一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现上述各方法实施例中的步骤。
125.需要说明的是，本技术所涉及的用户信息(包括但不限于用户设备信息、用户个人信息等)和数据(包括但不限于用于分析的数据、存储的数据、展示的数据等)，均为经用户授权或者经过各方充分授权的信息和数据，且相关数据的收集、使用和处理需要遵守相关国家和地区的相关法律法规和标准。
126.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，本技术所提供的各实施例中所使用的对存储器、数据库或其它介质的任何引用，均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(read-only memory，rom)、磁带、软盘、闪存、光存储器、高密度嵌入式非易失性存储器、阻变存储器(reram)、磁变存储器(magnetoresistive random access memory，mram)、铁电存储器(ferroelectric random access memory，fram)、相变存储器(phase change memory，pcm)、石墨烯存储器等。易失性存储器可包括随机存取存储器(random access memory，ram)或外部高速缓冲存储器等。作为说明而非局限，ram可以是多种形式，比如静态随机存取存储器(static random access memory，sram)或动态随机存取存储器(dynamic random access memory，dram)等。本技术所提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等，不限于此。本技术所提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器等，不限于此。
127.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。
128.以上所述实施例仅表达了本技术的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本技术专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本技术构思的前提下，还可以做出若干变形和改进，这些都属于本技术的保护范围。因此，本技术的保护范围应以所附权利要求为准。