本申请提供一种基于无人机的违法占用应急车道检测方法及系统，一方面，无人机按照预先配置的目标路线进行巡航，不需要专业培训过的人员进行控制；另一方面，在存在目标车辆占用应急车道时，会将违法的视频图像发送给控制设备，无需交警人员时刻观察，可以提高交警人员的效率，比如一个交警人员同时处理多台无人机反馈的视频图像，对违法占用应急车道行为进行确认；再一方面，在巡航及识别车牌信息时采用不同的摄像头拍摄参数，可以确保在巡航时无人机有较大的拍摄视野，提高巡航效率，在发现存在目标车辆时，通过调整摄像头参数可以使目标车辆的信息更加清晰便于取证。
1.一种基于无人机的违法占用应急车道检测方法，其特征在于，应用于基于无人机的违法占用应急车道检测系统，所述系统由通信连接的无人机、云平台及控制设备组成，所述方法包括：所述无人机在接收到控制设备发送的巡航指令后，沿着预先设定的目标路线进行巡航，其中，所述目标路线对应的巡航轨迹信息预先存储到所述无人机中，所述巡航轨迹信息包括不同位置点的巡航高度；
所述无人机拍摄所述目标路线的视频图像，并将所述视频图像发送给所述云平台；
所述云平台对所述视频图像进行实时检测，检测所述视频图像中是否存在行驶在应急车道的目标车辆；
若检测到存在行驶在应急车道的目标车辆，所述云平台根据所述目标车辆在所述视频图像中的位置变化情况、在所述视频图像中的尺寸占比、当前无人机的第一摄像头拍摄参数计算得到调整后的第二摄像头拍摄参数，其中，所述第一摄像头拍摄参数拍摄的视野范围大于所述第二摄像头拍摄参数拍摄的摄像头参数；
所述云平台将调整后的第二摄像头拍摄参数发送给所述无人机，使所述无人机按照所述调整后的第二摄像头拍摄参数进行摄像头调整，以使所述无人机拍摄的位于应急车道的目标车辆在所述视频图像中的尺寸占比达到预设尺寸占比；
所述云平台对调整拍摄参数后获取的视频图像进行图像识别，从所述视频图像中识别出目标车辆的车牌信息；
所述云平台将所述车牌信息发送给所述无人机，由所述无人机播放的道路违章语音信息，并将所述车牌信息及对应的违章图像发送给所述控制设备；
所述云平台对所述视频图像进行实时检测，检测所述视频图像中是否存在行驶在应急车道的目标车辆的步骤包括：采用预设时间间隔从所述视频图像中采样获得多个路面图像画面，并基于所述路面图像画面获取车辆在每个所述路面图像画面中的位置信息和应急车道位置区域信息；
根据所述多个路面图像画面中的位置信息和应急车道位置区域信息确定所述车辆的行驶参数，其中，所述行驶参数用于表示所述车辆与所述应急车道之间的位置关系变化；
通过已训练的深度学习模型对所述行驶参数进行处理，得到所述车辆的行驶状态；其中，所述行驶状态包括所述车辆行驶在正常车道或所述车辆行驶在应急车道；
所述深度学习模型包括位置信息学习子模型，应急车道位置区域信息学习子模型，越线占道学习子模型，输出结果评估子模型和分类子模型，所述行驶参数包括车辆在垂直于道路延伸方向的位置信息子参数，应急车道线在道路延伸方向的位置信息子参数和车辆越线占用应急车道的尺寸比例子参数，所述通过已训练的深度学习模型对所述行驶参数进行处理，得到所述车辆的行驶状态，包括：将所述车辆在垂直于道路延伸方向的位置信息子参数输入给所述位置信息学习子模型，由所述位置信息学习子模型向所述输出结果评估子模型输出所述车辆在垂直于道路延伸方向的位置信息子参数对应的第一特征参数；
将所述应急车道线在道路延伸方向的位置信息子参数输入给所述应急车道位置区域信息学习子模型，由所述应急车道位置区域信息学习子模型向所述输出结果评估子模型输出所述应急车道线在道路延伸方向的位置信息子参数对应的第二特征参数；
将所述车辆越线占用应急车道的尺寸比例子参数输入给所述越线占道学习子模型，由所述越线占道学习子模型向所述输出结果评估子模型输出所述车辆越线占用应急车道的尺寸比例子参数对应的第三特征参数；
通过所述输出结果评估子模型将所述第一特征参数，所述第二特征参数和所述第三特征参数进行综合处理得到目标特征参数，并将所述目标特征参数输出给所述分类子模型；
通过所述分类子模型确定与所述目标特征参数对应的参数值，并根据所述参数值确定所述车辆的行驶状态；
所述云平台根据所述目标车辆在所述视频图像中的位置变化情况、在所述视频图像中的尺寸占比、当前无人机的第一摄像头拍摄参数计算得到调整后的第二摄像头拍摄参数的步骤，包括：根据所述目标车辆在每个视频图像中相对于应急车道线的位置关系，确定所述目标车辆在所述视频图像中的位置变化情况；
基于所述目标车辆在每个视频图像中的位置变化情况、所述目标车辆在所述视频图像中的尺寸占比和当前无人机的第一摄像头拍摄参数，生成参数适配数据；
在预先创建的摄像头拍摄参数集合的参数映射关系表中，确定所述参数适配数据中每个调整参数对应的目标参数调整序列，其中所述调整参数包括摄像头的焦距、拍摄角度及拍摄高度；
确定所述参数适配数据中所有调整参数对应的目标参数调整序列的相同参数，从所述相同参数对应的摄像头拍摄参数中，确定与所述参数适配数据中所有调整参数均适配的目标摄像头拍摄参数；
将所述目标摄像头拍摄参数作为调整后的所述第二摄像头拍摄参数；
所述云平台对调整拍摄参数后获取的视频图像进行图像识别，从所述视频图像中识别出目标车辆的车牌信息的步骤，包括：从所述视频图像中识别得到车牌图像；
将提取的数字及字符通过字符识别模型及数字识别模型进行识别确定对应的目标数字及目标字符，并在识别后将目标字符与目标数字按照其在所述车牌图像中的顺序进行组合，得到所述目标车辆的车牌信息；
所述将提取的数字及字符通过字符识别模型及数字识别模型进行识别确定对应的目标数字及目标字符的步骤包括：对所述字符识别模型识别的字符结果与所述数字识别模型识别的数字结果进行个数统计；
在所述字符识别模型针对一个字符识别的识别结果中存在一个统计个数最多的识别字符时，将所述识别字符作为所述目标字符；
在所述数字识别模型针对一个字符识别的识别结果中存在一个统计个数最多的识别数字时，将所述识别数字作为所述目标数字；
在所述字符识别模型针对一个字符识别的识别结果中存在多个统计个数最多的识别字符时，分别计算个数最多的各个识别字符的平均置信概率，将平均置信概率最大的识别字符作为所述目标字符；
在所述数字识别模型针对一个数字识别的识别结果中存在多个统计个数最多的识别数字时，分别计算个数最多的各个识别数字的平均置信概率，将平均置信概率最大的识别数字作为所述目标数字。
2.根据权利要求1所述的违法占用应急车道检测方法，其特征在于，所述预先创建的摄像头拍摄参数集合的参数映射关系表采用如下步骤创建：根据所述摄像头拍摄参数集合中所有摄像头拍摄参数的适配条件包含的调整参数，确定至少一个目标调整参数；
针对每个目标调整参数，分别为所述目标调整参数的不同调整参数值创建对应的第一映射关系表，以及为所述目标调整参数创建调整参数为空的第二映射关系表；
基于所述摄像头拍摄参数集合中每一摄像头拍摄参数的适配条件，将所述摄像头拍摄参数的标签增加到对应的映射关系表中，得到参数映射关系表。
3.根据权利要求2所述的违法占用应急车道检测方法，其特征在于，根据所述摄像头拍摄参数集合中所有摄像头拍摄参数的适配条件包含的调整参数，确定至少一个目标调整参数，包括：获取每个摄像头拍摄参数的适配条件包含的各调整参数；
对获取到的各调整参数中重复参数进行去重处理，确定不重复的调整参数；
在所确定的调整参数中，选择调整参数值满足预设条件的调整参数确定为所述目标调整参数，其中，所述无人机在采用预设条件的调整参数拍摄时位于应急车道的目标车辆在所述视频图像中的尺寸占比达到预设尺寸占比。
4.根据权利要求2所述的违法占用应急车道检测方法，其特征在于，所述根据所述摄像头拍摄参数集合中每一摄像头拍摄参数的适配条件，将所述摄像头拍摄参数的标签增加到对应的映射关系表中，得到参数映射关系表，包括：针对所述摄像头拍摄参数集合中的每一摄像头拍摄参数，将所述摄像头拍摄参数的标签增加到调整参数名称和调整参数值分别与所述摄像头拍摄参数的适配条件包含的至少一个调整参数的名称和调整参数值均相同的第一映射关系表中，以及将所述摄像头拍摄参数的标签增加到调整参数名称与所述摄像头拍摄参数的适配条件包含的所有调整参数的调整参数名称均不同的第二映射关系表中。
5.根据权利要求2所述的违法占用应急车道检测方法，其特征在于，所述在预先创建的摄像头拍摄参数集合的参数映射关系表中，确定所述参数适配数据中每个调整参数对应的目标参数调整序列，包括：针对所述参数适配数据的每个待适配调整参数：
在预先创建的各第一映射关系表中，确定调整参数名称与所述待适配调整参数的调整参数名称相同、且调整参数值与所述待适配调整参数的调整参数值相同的第一目标参数调整序列；
在预先创建的各第二映射关系表中，确定调整参数名称与所述待适配调整参数的调整参数名称相同的第二目标参数调整序列；
将第一目标参数调整序列和第二目标参数调整序列作为所述待适配调整参数对应的目标参数调整序列。
6.一种基于无人机的违法占用应急车道检测系统，其特征在于，所述系统由通信连接的无人机、云平台及控制设备组成；
所述无人机，用于在接收到控制设备发送的巡航指令后，沿着预先设定的目标路线进行巡航，其中，所述目标路线对应的巡航轨迹信息预先存储到所述无人机中，所述巡航轨迹信息包括不同位置点的巡航高度；
所述无人机，还用于拍摄所述目标路线的视频图像，并将所述视频图像发送给所述云平台；
所述云平台，用于对所述视频图像进行实时检测，检测所述视频图像中是否存在行驶在应急车道的目标车辆；
若检测到存在行驶在应急车道的目标车辆，所述云平台根据所述目标车辆在所述视频图像中的位置变化情况、在所述视频图像中的尺寸占比、当前无人机的第一摄像头拍摄参数计算得到调整后的第二摄像头拍摄参数，其中，所述第一摄像头拍摄参数拍摄的视野范围大于所述第二摄像头拍摄参数拍摄的摄像头参数；
将调整后的第二摄像头拍摄参数发送给所述无人机，使所述无人机按照所述调整后的第二摄像头拍摄参数进行摄像头调整，以使所述无人机拍摄的位于应急车道的目标车辆在所述视频图像中的尺寸占比达到预设尺寸占比；
对调整拍摄参数后获取的视频图像进行图像识别，从所述视频图像中识别出目标车辆的车牌信息；
所述云平台，还用于将所述车牌信息发送给所述无人机，由所述无人机播放的道路违章语音信息，并将所述车牌信息及对应的违章图像发送给所述控制设备；
所述云平台，具体用于采用预设时间间隔从所述视频图像中采样获得多个路面图像画面，并基于所述路面图像画面获取车辆在每个所述路面图像画面中的位置信息和应急车道位置区域信息；
根据所述多个路面图像画面中的位置信息和应急车道位置区域信息确定所述车辆的行驶参数，其中，所述行驶参数用于表示所述车辆与所述应急车道之间的位置关系变化；
通过已训练的深度学习模型对所述行驶参数进行处理，得到所述车辆的行驶状态；其中，所述行驶状态包括所述车辆行驶在正常车道或所述车辆行驶在应急车道；
所述深度学习模型包括位置信息学习子模型，应急车道位置区域信息学习子模型，越线占道学习子模型，输出结果评估子模型和分类子模型，所述行驶参数包括车辆在垂直于道路延伸方向的位置信息子参数，应急车道线在道路延伸方向的位置信息子参数和车辆越线占用应急车道的尺寸比例子参数，所述云平台，还具体用于将所述车辆在垂直于道路延伸方向的位置信息子参数输入给所述位置信息学习子模型，由所述位置信息学习子模型向所述输出结果评估子模型输出所述车辆在垂直于道路延伸方向的位置信息子参数对应的第一特征参数；
将所述应急车道线在道路延伸方向的位置信息子参数输入给所述应急车道位置区域信息学习子模型，由所述应急车道位置区域信息学习子模型向所述输出结果评估子模型输出所述应急车道线在道路延伸方向的位置信息子参数对应的第二特征参数；
将所述车辆越线占用应急车道的尺寸比例子参数输入给所述越线占道学习子模型，由所述越线占道学习子模型向所述输出结果评估子模型输出所述车辆越线占用应急车道的尺寸比例子参数对应的第三特征参数；
通过所述输出结果评估子模型将所述第一特征参数，所述第二特征参数和所述第三特征参数进行综合处理得到目标特征参数，并将所述目标特征参数输出给所述分类子模型；
通过所述分类子模型确定与所述目标特征参数对应的参数值，并根据所述参数值确定所述车辆的行驶状态；
所述云平台，还具体用于根据所述目标车辆在每个视频图像中相对于应急车道线的位置关系，确定所述目标车辆在所述视频图像中的位置变化情况；
基于所述目标车辆在每个视频图像中的位置变化情况、所述目标车辆在所述视频图像中的尺寸占比和当前无人机的第一摄像头拍摄参数，生成参数适配数据；
在预先创建的摄像头拍摄参数集合的参数映射关系表中，确定所述参数适配数据中每个调整参数对应的目标参数调整序列，其中所述调整参数包括摄像头的焦距、拍摄角度及拍摄高度；
确定所述参数适配数据中所有调整参数对应的目标参数调整序列的相同参数，从所述相同参数对应的摄像头拍摄参数中，确定与所述参数适配数据中所有调整参数均适配的目标摄像头拍摄参数；
将所述目标摄像头拍摄参数作为调整后的所述第二摄像头拍摄参数；
所述云平台，还具体用于从所述视频图像中识别得到车牌图像；
将提取的数字及字符通过字符识别模型及数字识别模型进行识别确定对应的目标数字及目标字符，并在识别后将目标字符与目标数字按照其在所述车牌图像中的顺序进行组合，得到所述目标车辆的车牌信息；
所述将提取的数字及字符通过字符识别模型及数字识别模型进行识别确定对应的目标数字及目标字符的步骤包括：对所述字符识别模型识别的字符结果与所述数字识别模型识别的数字结果进行个数统计；
在所述字符识别模型针对一个字符识别的识别结果中存在一个统计个数最多的识别字符时，将所述识别字符作为所述目标字符；
在所述数字识别模型针对一个字符识别的识别结果中存在一个统计个数最多的识别数字时，将所述识别数字作为所述目标数字；
在所述字符识别模型针对一个字符识别的识别结果中存在多个统计个数最多的识别字符时，分别计算个数最多的各个识别字符的平均置信概率，将平均置信概率最大的识别字符作为所述目标字符；
在所述数字识别模型针对一个数字识别的识别结果中存在多个统计个数最多的识别数字时，分别计算个数最多的各个识别数字的平均置信概率，将平均置信概率最大的识别数字作为所述目标数字。
一种基于无人机的违法占用应急车道检测方法及系统
技术领域
[0001] 本申请涉及视频监控技术领域，具体而言，涉及一种基于无人机的违法占用应急车道检测方法及系统。
背景技术
[0002] 应急车道俗称“生命通道”，一旦遇有交通事故，应急车道可用于紧急救援、疏导交通。然而，在高速公路上交警进行现场执法存在一定的难度，同时有的路段又没有视频监控这会导致应急车道被占用，这对高速路上的紧急救援带来了风险，如何规范车辆在高速路上的行驶，对违法占用应急车道行为进行打击是一个急需解决的技术问题。
[0003] 在现有技术中，各地交警借助各种高科技技术打击应急车道占用问题，比如，通过控制无人机拍摄获取车辆对应急车道占用的图像，并通过依次对驾驶人员进行处罚。然而，在上述过程中，一方面，需要控制无人机的交警人员进行专业的无人机操控培训；另一方面，需要操控无人机的交警人员实时观察无人机拍摄的视频信息，以判断是否存在占用应急车道的车辆。上述实施过程中对交警人员的要求高，且效率较低。
发明内容
[0004] 为了至少克服现有技术中的上述不足，本申请的目的在于提供一种基于无人机的违法占用应急车道检测方法及系统，首先，无人机在接收到巡航指令后，按照预先设定的目标路线进行巡航，并拍摄目标路线的视频图像；接着，云平台对视频图像进行实时检测，检测是否存在行驶在应急车道的目标车辆，并在检测到目标车辆后根据目标车辆在视频图像中的位置变化情况、在视频图像中的尺寸占比、当前无人机的第一摄像头拍摄参数计算得到调整后的第二摄像头拍摄参数；然后，将调整后的第二摄像头拍摄参数发送给无人机，并接收无人机采用该第二摄像头拍摄参数拍摄的视屏图像；最后，对调整拍摄参数后获取的视频图像进行图像识别，从所述视频图像中识别出目标车辆的车牌信息，并将车牌信息发送给无人机，由无人机通过语音方式将目标车辆驱离应急车道。在上述方案中，一方面，无人机按照预先配置的目标路线进行巡航，不需要专业培训过的人员进行控制；另一方面，在存在目标车辆占用应急车道时，会将违法的视频图像发送给控制设备，无需交警人员时刻观察，可以提高交警人员的效率，比如一个交警人员同时处理多台无人机反馈的视频图像，对违法占用应急车道行为进行确认；再一方面，在巡航及识别车牌信息时采用不同的摄像头拍摄参数，可以确保在巡航时无人机有较大的拍摄视野，提高巡航效率，在发现存在目标车辆时，通过调整摄像头参数可以使目标车辆的信息更加清晰便于取证。
[0005] 第一方面，本申请提供一种基于无人机的违法占用应急车道检测方法，应用于基于无人机的违法占用应急车道检测系统，所述系统由通信连接的无人机、云平台及控制设备组成，所述方法包括：
[0006] 所述无人机在接收到控制设备发送的巡航指令后，沿着预先设定的目标路线进行巡航，其中，所述目标路线对应的巡航轨迹信息预先存储到所述无人机中，所述巡航轨迹信息包括不同位置点的巡航高度；
[0007] 所述无人机拍摄所述目标路线的视频图像，并将所述视频图像发送给所述云平台；
[0008] 所述云平台对所述视频图像进行实时检测，检测所述视频图像中是否存在行驶在应急车道的目标车辆；
[0009] 若检测到存在行驶在应急车道的目标车辆，所述云平台根据所述目标车辆在所述视频图像中的位置变化情况、在所述视频图像中的尺寸占比、当前无人机的第一摄像头拍摄参数计算得到调整后的第二摄像头拍摄参数；
[0010] 所述云平台将调整后的第二摄像头拍摄参数发送给所述无人机，使所述无人机按照所述调整后的第二摄像头拍摄参数进行摄像头调整，以使所述无人机拍摄的位于应急车道的目标车辆在所述视频图像中的尺寸占比达到预设尺寸占比；
[0011] 所述云平台对调整拍摄参数后获取的视频图像进行图像识别，从所述视频图像中识别出目标车辆的车牌信息；
[0012] 所述云平台将所述车牌信息发送给所述无人机，由所述无人机播放的道路违章语音信息，并将所述车牌信息及对应的违章图像发送给所述控制设备。
[0013] 在一种可能的实现方式中，所述云平台对所述视频图像进行实时检测，检测所述视频图像中是否存在行驶在应急车道的目标车辆的步骤包括：
[0014] 采用预设时间间隔从所述视频图像中采样获得多个路面图像画面，并基于所述路面图像画面获取车辆在每个所述路面图像画面中的位置信息和应急车道位置区域信息；
[0015] 根据所述多个路面图像画面中的位置信息和应急车道位置区域信息确定所述车辆的行驶参数，其中，所述行驶参数用于表示所述车辆与所述应急车道之间的位置关系变化；
[0016] 通过已训练的深度学习模型对所述行驶参数进行处理，得到所述车辆的行驶状态；其中，所述行驶状态包括所述车辆行驶在正常车道或所述车辆行驶在应急车道。
[0017] 在一种可能的实现方式中，所述深度学习模型包括位置信息学习子模型，应急车道位置区域信息学习子模型，越线占道学习子模型，输出结果评估子模型和分类子模型，所述行驶参数包括车辆在垂直于道路延伸方向的位置信息子参数，应急车道线在道路延伸方向的位置信息子参数和车辆越线占用应急车道的尺寸比例子参数，所述通过已训练的深度学习模型对所述行驶参数进行处理，得到所述车辆的行驶状态，包括：
[0018] 将所述车辆在垂直于道路延伸方向的位置信息子参数输入给所述位置信息学习子模型，由所述位置信息学习子模型向所述输出结果评估子模型输出所述车辆在垂直于道路延伸方向的位置信息子参数对应的第一特征参数；
[0019] 将所述应急车道线在道路延伸方向的位置信息子参数输入给所述应急车道位置区域信息学习子模型，由所述应急车道位置区域信息学习子模型向所述输出结果评估子模型输出所述应急车道线在道路延伸方向的位置信息子参数对应的第二特征参数；
[0020] 将所述车辆越线占用应急车道的尺寸比例子参数输入给所述越线占道学习子模型，由所述越线占道学习子模型向所述输出结果评估子模型输出所述车辆越线占用应急车道的尺寸比例子参数对应的第三特征参数；
[0021] 通过所述输出结果评估子模型将所述第一特征参数，所述第二特征参数和所述第三特征参数进行综合处理得到目标特征参数，并将所述目标特征参数输出给所述分类子模型；
[0022] 通过所述分类子模型确定与所述目标特征参数对应的参数值，并根据所述参数值确定所述车辆的行驶状态。
[0023] 在一种可能的实现方式中，所述云平台根据所述目标车辆在所述视频图像中的位置变化情况、在所述视频图像中的尺寸占比、当前无人机的第一摄像头拍摄参数计算得到调整后的第二摄像头拍摄参数的步骤，包括：
[0024] 根据所述目标车辆在每个视频图像中相对于应急车道线的位置关系，确定所述目标车辆在所述视频图像中的位置变化情况；
[0025] 基于所述目标车辆在每个视频图像中的位置变化情况、所述目标车辆在所述视频图像中的尺寸占比和当前无人机的第一摄像头拍摄参数，生成参数适配数据；
[0026] 在预先创建的摄像头拍摄参数集合的参数映射关系表中，确定所述参数适配数据中每个调整参数对应的目标参数调整序列，其中所述调整参数包括摄像头的焦距、拍摄角度及拍摄高度；
[0027] 确定所述参数适配数据中所有调整参数对应的目标参数调整序列的相同参数，从所述相同参数对应的摄像头拍摄参数中，确定与所述参数适配数据中所有调整参数均适配的目标摄像头拍摄参数；
[0028] 将所述目标摄像头拍摄参数作为调整后的所述第二摄像头拍摄参数。
[0029] 在一种可能的实现方式中，所述预先创建的摄像头拍摄参数集合的参数映射关系表采用如下步骤创建：
[0030] 根据所述摄像头拍摄参数集合中所有摄像头拍摄参数的适配条件包含的调整参数，确定至少一个目标调整参数；
[0031] 针对每个目标调整参数，分别为所述目标调整参数的不同调整参数值创建对应的第一映射关系表，以及为所述目标调整参数创建调整参数为空的第二映射关系表；
[0032] 基于所述摄像头拍摄参数集合中每一摄像头拍摄参数的适配条件，将所述摄像头拍摄参数的标签增加到对应的映射关系表中，得到参数映射关系表。
[0033] 在一种可能的实现方式中，根据所述摄像头拍摄参数集合中所有摄像头拍摄参数的适配条件包含的调整参数，确定至少一个目标调整参数，包括：
[0034] 获取每个摄像头拍摄参数的适配条件包含的各调整参数；
[0035] 对获取到的各调整参数中重复参数进行去重处理，确定不重复的调整参数；
[0036] 在所确定的调整参数中，选择调整参数值满足预设条件的调整参数确定为所述目标调整参数，其中，所述无人机在采用预设条件的调整参数拍摄时位于应急车道的目标车辆在所述视频图像中的尺寸占比达到预设尺寸占比。
[0037] 在一种可能的实现方式中，所述根据所述摄像头拍摄参数集合中每一摄像头拍摄参数的适配条件，将所述摄像头拍摄参数的标签增加到对应的映射关系表中，得到参数映射关系表，包括：
[0038] 针对所述摄像头拍摄参数集合中的每一摄像头拍摄参数，将所述摄像头拍摄参数的标签增加到调整参数名称和调整参数值分别与所述摄像头拍摄参数的适配条件包含的至少一个调整参数的名称和调整参数值均相同的第一映射关系表中，以及将所述摄像头拍摄参数的标签增加到调整参数名称与所述摄像头拍摄参数的适配条件包含的所有调整参数的调整参数名称均不同的第二映射关系表中。
[0039] 在一种可能的实现方式中，所述在预先创建的摄像头拍摄参数集合的参数映射关系表中，确定所述参数适配数据中每个调整参数对应的目标参数调整序列，包括：
[0040] 针对所述参数适配数据的每个待适配调整参数：
[0041] 在预先创建的各第一映射关系表中，确定调整参数名称与所述待适配调整参数的调整参数名称相同、且调整参数值与所述待适配调整参数的调整参数值相同的第一目标参数调整序列；
[0042] 在预先创建的各第二映射关系表中，确定调整参数名称与所述待适配调整参数的调整参数名称相同的第二目标参数调整序列；
[0043] 将第一目标参数调整序列和第二目标参数调整序列作为所述待适配调整参数对应的目标参数调整序列。
[0044] 在一种可能的实现方式中，所述云平台对调整拍摄参数后获取的视频图像进行图像识别，从所述视频图像中识别出目标车辆的车牌信息的步骤，包括：
[0045] 从所述视频图像中识别得到车牌图像；
[0046] 通过边缘检测提取出所述车牌图像中的数字及字符；
[0047] 将提取的数字及字符通过字符识别模型及数字识别模型进行识别确定对应的目标数字及目标字符，并在识别后将目标字符与目标数字按照其在所述车牌图像中的顺序进行组合，得到所述目标车辆的车牌信息。
[0048] 第二方面，一种基于无人机的违法占用应急车道检测系统，所述系统由通信连接的无人机、云平台及控制设备组成；
[0049] 所述无人机，用于在接收到控制设备发送的巡航指令后，沿着预先设定的目标路线进行巡航，其中，所述目标路线对应的巡航轨迹信息预先存储到所述无人机中，所述巡航轨迹信息包括不同位置点的巡航高度；
[0050] 所述无人机，还用于拍摄所述目标路线的视频图像，并将所述视频图像发送给所述云平台；
[0051] 所述云平台，用于对所述视频图像进行实时检测，检测所述视频图像中是否存在行驶在应急车道的目标车辆；
[0052] 若检测到存在行驶在应急车道的目标车辆，所述云平台根据所述目标车辆在所述视频图像中的位置变化情况、在所述视频图像中的尺寸占比、当前无人机的第一摄像头拍摄参数计算得到调整后的第二摄像头拍摄参数；
[0053] 将调整后的第二摄像头拍摄参数发送给所述无人机，使所述无人机按照所述调整后的第二摄像头拍摄参数进行摄像头调整，以使所述无人机拍摄的位于应急车道的目标车辆在所述视频图像中的尺寸占比达到预设尺寸占比；
[0054] 对调整拍摄参数后获取的视频图像进行图像识别，从所述视频图像中识别出目标车辆的车牌信息；
[0055] 所述云平台，还用于将所述车牌信息发送给所述无人机，由所述无人机播放的道路违章语音信息，并将所述车牌信息及对应的违章图像发送给所述控制设备。
[0056] 第三方面，本申请实施例提供一种云平台，所述云平台包括处理器、计算机可读存储介质和通信单元，所述计算机可读存储介质、所述通信单元以及所述处理器之间通过总线接口相连，所述通信单元用于与控制设备及无人机通信连接，所述计算机可读存储介质用于存储程序、指令或代码，所述处理器用于执行所述计算机可读存储介质中的程序、指令或代码，以执行上述第一方面中任意一项的基于无人机的违法占用应急车道检测方法中云平台的动作。
[0057] 基于上述任意一个方面，首先，无人机在接收到巡航指令后，按照预先设定的目标路线进行巡航，并拍摄目标路线的视频图像；接着，云平台对视频图像进行实时检测，检测是否存在行驶在应急车道的目标车辆，并在检测到目标车辆后根据目标车辆在视频图像中的位置变化情况、在视频图像中的尺寸占比、当前无人机的第一摄像头拍摄参数计算得到调整后的第二摄像头拍摄参数；然后，将调整后的第二摄像头拍摄参数发送给无人机，并接收无人机采用该第二摄像头拍摄参数拍摄的视屏图像；最后，对调整拍摄参数后获取的视频图像进行图像识别，从所述视频图像中识别出目标车辆的车牌信息，并将车牌信息发送给无人机，由无人机通过语音方式将目标车辆驱离应急车道。在上述方案中，一方面，无人机按照预先配置的目标路线进行巡航，不需要专业培训过的人员进行控制；另一方面，在存在目标车辆占用应急车道时，会将违法的视频图像发送给控制设备，无需交警人员时刻观察，可以提高交警人员的效率，比如一个交警人员同时处理多台无人机反馈的视频图像，对违法占用应急车道行为进行确认；再一方面，在巡航及识别车牌信息时采用不同的摄像头拍摄参数，可以确保在巡航时无人机有较大的拍摄视野，提高巡航效率，在发现存在目标车辆时，通过调整摄像头参数可以使目标车辆的信息更加清晰便于取证。
附图说明
[0058] 为了更清楚地说明本申请实施例的技术方案，下面将对实施例中所需要调用的附图作简单地介绍，应当理解，以下附图仅示出了本申请的某些实施例，因此不应被看作是对范围的限定，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它相关的附图。
[0059] 图1位本申请实施例提供的基于无人机的违法占用应急车道检测方法的应用场景的方框示意图；
[0060] 图2为本申请实施例提供的一种基于无人机的违法占用应急车道检测方法的流程示意图；
[0061] 图3为图2中步骤S104的子步骤流程示意图。
具体实施方式
[0062] 下面结合说明书附图对本申请进行具体说明，方法实施例中的具体操作方法也可以应用于装置实施例或系统实施例中。
[0063] 图1为本申请实施例提供的基于无人机的违法占用应急车道检测方法的应用场景的方框示意图。在该应用场景中系统可以包括通信连接的无人机10、云平台20及控制设备30，其中，控制设备30可以用于控制无人机10的飞行状态，在本申请实施例中，控制设备30可以是现有技术中的任意一种可用于控制无人机飞行且带用显示屏的设备。无人机10可以是各类型的无人飞行器，在本申请实施例中不对具体的类型或型号进行限定，任何具有图像拍摄、数据传输、位置定位功能且能巡航的无人机10均可适用本申请。
[0064] 云平台20可以在云端服务器上实现。云平台20可包括处理器210、计算机可读存储介质220、总线230以及通信单元240。
[0065] 在具体实现过程中，至少一个处理器210执行计算机可读存储介质220存储的计算机执行指令，使得处理器210可以执行云平台20在本申请实施例中所执行的步骤，其中，处理器210、计算机可读存储介质220以及通信单元240通过总线230连接，处理器210可以用于控制通信单元240的收发动作，比如，无人机10及控制设备30与云平台20之间的信息收发动作。
[0066] 计算机可读存储介质220可能包含高速RAM存储器，也可能还包括非易失性存储NVM，例如至少一个磁盘存储器。
[0067] 总线230可以分为地址总线、数据总线、控制总线等。为便于表示，本申请附图中的总线并不限定仅有一根总线或一种类型的总线。
[0068] 为了解决前述背景技术中的技术问题，下面结合图1所示基于无人机的违法占用应急车道检测系统以及图2所示本申请实施例提供的一种基于无人机的违法占用应急车道检测方法的流程示意图，对本实施例提供的一种基于无人机的违法占用应急车道检测方法进行详细介绍。
[0069] 步骤S101，无人机10在接收到控制设备30发送的巡航指令后，沿着预先设定的目标路线进行巡航。
[0070] 在本申请实施例中，在步骤S101之前，可以在无人机10中预先配置好目标路线，其中，目标路线对应的巡航轨迹由不同的位置点组成，巡航轨迹信息可以包括不同位置点的地理坐标及对应的巡航高度。无人机10可以基于自身的定位功能准确巡航对应的位置点。
[0071] 可选地，目标路线可以为高速公路中双向车道之间的隔离带，即无人机可以沿着隔离带进行巡航，如此，通过一个无人机可以对双向车道进行视频采集，对道路两侧的应急车道占用情况进行监测，提供监测效率。
[0072] 步骤S102，无人机10拍摄目标路线的视频图像，并将视频图像发送给云平台。
[0073] 在该步骤中，为了减少无人机10数据传输的压力，在进行视频图像传输时可以适当对图像进行模糊处理，比如，对正常车道所在的图像区域进行模糊处理，在应急车道所在的图像区域不作处理。如此可以在减低数据量的同时，确保应急车道区域的图像清晰。
[0074] 步骤S103，云平台20对视频图像进行实时检测，检测视频图像中是否存在行驶在应急车道的目标车辆。
[0075] 在该步骤中，可以通过以下方式检测视频图像中是否存在行驶在应急车道的目标车辆：
[0076] 首先，采用预设时间间隔从视频图像中采样获得多个路面图像画面，并基于路面图像画面获取车辆在每个所述路面图像画面中的位置信息和应急车道位置区域信息；
[0077] 然后，根据所述多个路面图像画面中的位置信息和应急车道位置区域信息确定车辆的行驶参数，其中，所述行驶参数用于表示所述车辆与所述应急车道之间的位置关系变化；
[0078] 最后，通过已训练的深度学习模型对所述行驶参数进行处理，得到所述车辆的行驶状态，其中，所述行驶状态包括所述车辆行驶在正常车道或所述车辆行驶在应急车道。
[0079] 步骤S104，若检测到存在行驶在应急车道的目标车辆，云平台20根据目标车辆在视频图像中的位置变化情况、在视频图像中的尺寸占比、当前无人机10的第一摄像头拍摄参数计算得到调整后的第二摄像头拍摄参数。
[0080] 在本申请实施例中，第一摄像头拍摄参数拍摄的视野范围大于第二摄像头拍摄参数拍摄的摄像头参数，在巡航时采用拍摄视野较大的第一摄像头拍摄参数拍摄可以提高巡航效率，在发现存在占用应急车道的目标车辆时，采用视野较小的第二摄像头拍摄参数，可以拍摄到更多的细节信息，便于对目标车辆的车辆信息进行识别并取证。具体地，在保持巡航高度及拍摄角度相同的情况下，无人机10可以通过调整摄像头的焦距的方式实现拍摄视野的改变；在保持摄像头的焦距及拍摄角度相同的情况下，可以通过控制无人机10的巡航高度实现拍摄视野的改变。
[0081] 步骤S105，云平台20将调整后的第二摄像头拍摄参数发送给无人机10，使无人机10按照调整后的第二摄像头拍摄参数进行摄像头调整。
[0082] 无人机10采用调整后的第二摄像头拍摄参数进行拍摄，使得目标车辆在视频图像中的尺寸占比变大，达到预设的尺寸占比（比如占整个视频图像的五分之一），其中，目标车辆的尺寸可以基于边缘检测的方式从视频图像中识别出来。
[0083] 步骤S106，云平台20对调整拍摄参数后获取的视频图像进行图像识别，从视频图像中识别出目标车辆的车牌信息。
[0084] 由于车牌一般与固定车牌位置处的车身存在明显的差异，可以基于边缘检测（比如，canny算法）从目标车辆的图像区域中获得车牌对应的车牌区域，通过对车牌区域进行字符和数字识别，得到目标车辆的车牌信息。
[0085] 步骤S107，云平台20将车牌信息发送给无人机10，由无人机10播放的道路违章语音信息，并将车牌信息及对应的视频图像发送给控制设备30。
[0086] 在本申请实施例中，可以预先配置道路违章语音信息模板，比如“车牌为***的小车，你非法占用应急车道，请立即驶离应急车道，按照交通法规，文明驾车”。无人机在接收到车牌信息后，采用预设的道路违章语音信息模板进行语音告警，以驱使违章的目标车辆尽快驶离应急车道。
[0087] 同时，云平台20还将车牌信息及目标车辆对应的占用应急车道的视频图像发送给控制设备30，以便交警对上述违规行为进行确认，将车牌信息及视频图像同时发送给控制设备30可以便于交警核实违章是否成立，以及识别的车牌信息与视频图像中目标车辆的车牌号码是否完全一致，以提高罚单信息的准确性。
[0088] 上述方案，一方面，无人机按照预先配置的目标路线进行巡航，不需要专业培训过的人员进行控制；另一方面，在存在目标车辆占用应急车道时，会将违法的视频图像发送给控制设备，无需交警人员时刻观察，可以提高交警人员的效率，比如一个交警人员同时处理多台无人机反馈的视频图像，对违法占用应急车道行为进行确认；再一方面，在巡航及识别车牌信息时采用不同的摄像头拍摄参数，可以确保在巡航时无人机有较大的拍摄视野，提高巡航效率，在发现存在目标车辆时，通过调整摄像头参数可以使目标车辆的信息更加清晰便于取证。
[0089] 在本申请实施例中，深度学习模型包括位置信息学习子模型，应急车道位置区域信息学习子模型，越线占道学习子模型，输出结果评估子模型和分类子模型，所述行驶参数包括车辆在垂直于道路延伸方向的位置信息子参数，应急车道线在道路延伸方向的位置信息子参数和车辆越线占用应急车道的尺寸比例子参数，步骤S103通过已训练的深度学习模型对所述行驶参数进行处理，得到所述车辆的行驶状态具体可以包括：
[0090] 将所述车辆在垂直于道路延伸方向的位置信息子参数输入给所述位置信息学习子模型，由所述位置信息学习子模型向所述输出结果评估子模型输出所述车辆在垂直于道路延伸方向的位置信息子参数对应的第一特征参数；
[0091] 将所述应急车道线在道路延伸方向的位置信息子参数输入给所述应急车道位置区域信息学习子模型，由所述应急车道位置区域信息学习子模型向所述输出结果评估子模型输出所述应急车道线在道路延伸方向的位置信息子参数对应的第二特征参数；
[0092] 将所述车辆越线占用应急车道的尺寸比例子参数输入给所述越线占道学习子模型，由所述越线占道学习子模型向所述输出结果评估子模型输出所述车辆越线占用应急车道的尺寸比例子参数对应的第三特征参数；
[0093] 通过所述输出结果评估子模型将所述第一特征参数，所述第二特征参数和所述第三特征参数进行综合处理得到目标特征参数，并将所述目标特征参数输出给所述分类子模型，其中，综合处理包括合并处理，目标特征参数包括第一特征参数，第二特征参数及第三特征参数；
[0094] 通过所述分类子模型确定与所述目标特征参数对应的参数值，并根据所述参数值确定所述车辆的行驶状态。
[0095] 在上述深度学习模型中，可以基于行驶参数确定车辆的行驶状态，从而确定车辆是否占用应急车道。通过训练深度学习模型，使得其具有判别车辆是否占用应急车道的能力，具体的，识别规则包括车辆越线的部分与占车辆宽度的尺寸占比，车辆多长时间占用应急车道算占道等。
[0096] 为了使深度学习模型掌握规则，在本申请实施例中，通过已训练的深度学习模型对所述行驶参数进行处理，得到所述车辆的行驶状态之前，还包括训练深度学习模型的步骤，该步骤可以包括以下步骤。
[0097] 获取多个采样时刻的正常样本行驶参数和多个采样时刻的异常样本行驶参数；其中，所述正常样本行驶参数是所述车辆未占用应急车道时的样本行驶参数，所述异常样本行驶参数是所述车辆占用应急车道时的样本行驶参数，其中，异常样本行驶参数包括各种不同的占用应急车道的行驶参数，比如车辆越线的部分与占车辆宽度的尺寸占比，车辆多长时间占用应急车道算占道等；
[0098] 根据多个采样时刻的正常样本行驶参数确定所述车辆的正常样本特征，根据多个采样时刻的异常样本行驶参数确定所述车辆的异常样本特征；
[0099] 基于所述正常样本特征和所述异常样本特征对初始深度学习模型进行训练，得到已训练的深度学习模型，其中，所述深度学习模型用于基于能够表示所述车辆与所述应急车道之间的位置关系变化的行驶参数识别车辆是否占用应急车道。
[0100] 在本申请实施例中，正常样本特征包括车辆在垂直于道路延伸方向上正常行驶时的位置信息子参数，应急车道线在道路延伸方向的位置信息子参数和车辆越线占用应急车道的尺寸比例子参数。异常样本特征包括车辆在垂直于道路延伸方向上占用应急车道行驶时的位置信息子参数，应急车道线在道路延伸方向的位置信息子参数和车辆越线占用应急车道的尺寸比例子参数。
[0101] 基于所述正常样本特征和所述异常样本特征对初始深度学习模型进行训练，得到已训练的深度学习模型的步骤，包括：将车辆在垂直于道路延伸方向上正常行驶时的位置信息子参数和车辆在垂直于道路延伸方向上占用应急车道行驶时的位置信息子参数输入给所述位置信息学习子模型，将应急车道线在道路延伸方向的位置信息子参数输入给所述应急车道位置区域信息学习子模型，将车辆越线占用应急车道的尺寸比例子参数输入给越线占道学习子模型；通过所述输出结果评估子模型对位置信息学习子模型输出的特征参数，应急车道位置区域信息学习子模型输出的特征参数，越线占道学习子模型输出的特征参数进行综合处理，并基于综合处理后的特征参数确定目标特征参数，将所述目标特征参数输出给所述分类子模型； 通过所述分类子模型确定与所述目标特征参数对应的参数值；若基于所述参数值确定初始深度学习模型未收敛，则对初始深度学习模型的各模型系数进行修正，基于修正后的初始深度学习模型重新进行训练；若基于所述参数值确定初始深度学习模型已收敛，则将已收敛的初始深度学习模型确定为已训练的深度学习模型。
[0102] 请参照图3，在本申请实施例中，步骤S104可以包括以下子步骤。
[0103] 子步骤S1041，根据目标车辆在每个视频图像中相对于应急车道线的位置关系，确定目标车辆在所述视频图像中的位置变化情况。
[0104] 其中，位置变化情况包括目标车辆在一时间段内，在视频图像中的位置偏移，是否有偏离视频图像的可能，通过反馈该项数据可以调整摄像角度，避免目标车辆脱离监控。
[0105] 子步骤S1042，基于目标车辆在每个视频图像中的位置变化情况、所述目标车辆在所述视频图像中的尺寸占比和当前无人机的第一摄像头拍摄参数，生成参数适配数据。
[0106] 在上述参数中，可以基于目标车辆在每个视频图像中的位置变化情况判定无人机的拍摄角度是否合适，以便及时调整；基于目标车辆在所述视频图像中的尺寸占比和当前无人机的第一摄像头拍摄参数可以计算得到使目标车辆达到预设尺寸占比时的适配数据（比如，目前焦距为1.0，调整0.2之后，使焦距变为1.2可以适配预设尺寸占比要求）。
[0107] 子步骤S1043，在预先创建的摄像头拍摄参数集合的参数映射关系表中，确定所述参数适配数据中每个调整参数对应的目标参数调整序列，其中所述调整参数包括摄像头的焦距、拍摄角度及拍摄高度。
[0108] 在无人机10中预先存储不同拍摄高度、巡航速度、拍摄角度、拍摄焦距及拍摄目标车辆尺寸占比的参数映射关系表。
[0109] 子步骤S1044，确定所述参数适配数据中所有调整参数对应的目标参数调整序列的相同参数，从所述相同参数对应的摄像头拍摄参数中，确定与所述参数适配数据中所有调整参数均适配的目标摄像头拍摄参数。
[0110] 子步骤S1045，将所述目标摄像头拍摄参数作为调整后的所述第二摄像头拍摄参数。
[0111] 在本申请实施例的一种实施方式中，预先创建的摄像头拍摄参数集合的参数映射关系表采用如下步骤创建：
[0112] 根据所述摄像头拍摄参数集合中所有摄像头拍摄参数的适配条件包含的调整参数，确定至少一个目标调整参数；
[0113] 针对每个目标调整参数，分别为所述目标调整参数的不同调整参数值创建对应的第一映射关系表，以及为所述目标调整参数创建调整参数为空的第二映射关系表；
[0114] 基于所述摄像头拍摄参数集合中每一摄像头拍摄参数的适配条件，将所述摄像头拍摄参数的标签增加到对应的映射关系表中，得到参数映射关系表。
[0115] 在本申请实施例的一种实施方式中，根据所述摄像头拍摄参数集合中所有摄像头拍摄参数的适配条件包含的调整参数，确定至少一个目标调整参数，包括：
[0116] 获取每个摄像头拍摄参数的适配条件包含的各调整参数；
[0117] 对获取到的各调整参数中重复参数进行去重处理，确定不重复的调整参数；
[0118] 在所确定的调整参数中，选择调整参数值满足预设条件的调整参数确定为所述目标调整参数，其中，所述无人机在采用预设条件的调整参数拍摄时位于应急车道的目标车辆在所述视频图像中的尺寸占比达到预设尺寸占比。
[0119] 在本申请实施例的一种实施方式中，所述根据所述摄像头拍摄参数集合中每一摄像头拍摄参数的适配条件，将所述摄像头拍摄参数的标签增加到对应的映射关系表中，得到参数映射关系表，包括：
[0120] 针对所述摄像头拍摄参数集合中的每一摄像头拍摄参数，将所述摄像头拍摄参数的标签增加到调整参数名称和调整参数值分别与所述摄像头拍摄参数的适配条件包含的至少一个调整参数的名称和调整参数值均相同的第一映射关系表中，以及将所述摄像头拍摄参数的标签增加到调整参数名称与所述摄像头拍摄参数的适配条件包含的所有调整参数的调整参数名称均不同的第二映射关系表中。
[0121] 进一步地，述在预先创建的摄像头拍摄参数集合的参数映射关系表中，确定所述参数适配数据中每个调整参数对应的目标参数调整序列，包括：
[0122] 针对所述参数适配数据的每个待适配调整参数：
[0123] 在预先创建的各第一映射关系表中，确定调整参数名称与所述待适配调整参数的调整参数名称相同、且调整参数值与所述待适配调整参数的调整参数值相同的第一目标参数调整序列；
[0124] 在预先创建的各第二映射关系表中，确定调整参数名称与所述待适配调整参数的调整参数名称相同的第二目标参数调整序列；
[0125] 将第一目标参数调整序列和第二目标参数调整序列作为所述待适配调整参数对应的目标参数调整序列。
[0126] 在本申请实施例中，步骤S106可以通过以下方式实现。
[0127] 首先，从所述视频图像中识别得到车牌图像。
[0128] 其次，通过边缘检测提取出所述车牌图像中的数字及字符。
[0129] 最后，将提取的数字及字符通过字符识别模型及数字识别模型进行识别确定对应的目标数字及目标字符，并在识别后将目标字符与目标数字按照其在所述车牌图像中的顺序进行组合，得到所述目标车辆的车牌信息。
[0130] 在将提取的数字及字符通过字符识别模型及数字识别模型进行识别确定对应的目标数字及目标字符的步骤中，具体可以采用以下方式：
[0131] 对所述字符识别模型识别的字符结果与所述数字识别模型识别的数字结果进行个数统计；
[0132] 在所述字符识别模型针对一个字符识别的识别结果中存在一个统计个数最多的识别字符时，将所述识别字符作为所述目标字符；
[0133] 在所述数字识别模型针对一个字符识别的识别结果中存在一个统计个数最多的识别数字时，将所述识别数字作为所述目标数字；
[0134] 在所述字符识别模型针对一个字符识别的识别结果中存在多个统计个数最多的识别字符时，分别计算个数最多的各个识别字符的平均置信概率，将平均置信概率最大的识别字符作为所述目标字符；
[0135] 在所述数字识别模型针对一个数字识别的识别结果中存在多个统计个数最多的识别数字时，分别计算个数最多的各个识别数字的平均置信概率，将平均置信概率最大的识别数字作为所述目标数字。
[0136] 通过上述车牌信息识别，可以确保被识别车牌具有较高的准确性，结合交警的确认反馈，可以进一步优化字符识别模型与数字识别模型的识别准确率。
[0137] 请再次参照图1，本申请实施例还提供一种基于无人机的违法占用应急车道检测系统，该系统包括通信连接的无人机10、云平台20及控制设备30。
[0138] 控制设备30，用于接收操作人员（比如，交警）的巡航操作。
[0139] 无人机10用于在接收到控制设备发送的巡航指令后，沿着预先设定的目标路线进行巡航。
[0140] 在本申请实施例中，在步骤S101之前，可以在无人机10中预先配置好目标路线，其中，目标路线对应的巡航轨迹由不同的位置点组成，巡航轨迹信息可以包括不同位置点的地理坐标及对应的巡航高度。
[0141] 可选地，目标路线可以为高速公路中双向车道之间的隔离带，即无人机可以沿着隔离带进行巡航，如此，通过一个无人机可以对双向车道进行视频采集，对道路两侧的应急车道占用情况进行监测。
[0142] 无人机10，还用于拍摄所述目标路线的视频图像，并将所述视频图像发送给所述云平台。
[0143] 为了减少无人机10数据传输的压力，在进行视频图像传输时可以适当对图像进行模糊处理，比如，对正常车道所在的图像区域进行模糊处理，在应急车道所在的图像区域不作处理。如此可以在减低数据量的同时，确保应急车道区域的图像清晰。
[0144] 云平台20，用于对所述视频图像进行实时检测，检测所述视频图像中是否存在行驶在应急车道的目标车辆。
[0145] 云平台20可以通过以下方式检测视频图像中是否存在行驶在应急车道的目标车辆：
[0146] 首先，采用预设时间间隔从视频图像中采样获得多个路面图像画面，并基于路面图像画面获取车辆在每个所述路面图像画面中的位置信息和应急车道位置区域信息；
[0147] 然后，根据所述多个路面图像画面中的位置信息和应急车道位置区域信息确定车辆的行驶参数，其中，所述行驶参数用于表示所述车辆与所述应急车道之间的位置关系变化；
[0148] 最后，通过已训练的深度学习模型对所述行驶参数进行处理，得到所述车辆的行驶状态，其中，所述行驶状态包括所述车辆行驶在正常车道或所述车辆行驶在应急车道。
[0149] 云平台20，用于若检测到存在行驶在应急车道的目标车辆，根据所述目标车辆在所述视频图像中的位置变化情况、在所述视频图像中的尺寸占比、当前无人机的第一摄像头拍摄参数计算得到调整后的第二摄像头拍摄参数，其中，所述第一摄像头拍摄参数拍摄的视野范围大于所述第二摄像头拍摄参数拍摄的摄像头参数。
[0150] 在本申请实施例中，第一摄像头拍摄参数拍摄的视野范围大于第二摄像头拍摄参数拍摄的摄像头参数，在巡航时采用拍摄视野较大的第一摄像头拍摄参数拍摄可以提高巡航效率，在发现存在占用应急车道的目标车辆时，采用视野较小的第二摄像头拍摄参数，可以拍摄到更多的细节信息，便于对目标车辆的车辆信息进行识别并取证。具体地，在保持巡航高度及拍摄角度相同的情况下，无人机10可以通过调整摄像头的焦距的方式实现拍摄视野的改变；在保持摄像头的焦距及拍摄角度相同的情况下，可以通过控制无人机10的巡航高度实现拍摄视野的改变。
[0151] 云平台20，用于将调整后的第二摄像头拍摄参数发送给所述无人机10，使所述无人机按照所述调整后的第二摄像头拍摄参数进行摄像头调整，以使所述无人机拍摄的位于应急车道的目标车辆在所述视频图像中的尺寸占比达到预设尺寸占比。
[0152] 无人机10采用调整后的第二摄像头拍摄参数进行拍摄，使得目标车辆在视频图像中的尺寸占比变大，达到预设的尺寸占比（比如占整个视频图像的五分之一），其中，目标车辆的尺寸可以基于边缘检测的方式从视频图像中识别出来。
[0153] 云平台20，用于对调整拍摄参数后获取的视频图像进行图像识别，从所述视频图像中识别出目标车辆的车牌信息。
[0154] 由于车牌一般与固定车牌位置处的车身存在明显的差异，可以基于边缘检测（比如，canny算法）从目标车辆的图像区域中获得车牌对应的车牌区域，通过对车牌区域进行字符和数字识别，得到目标车辆的车牌信息。
[0155] 云平台20，还用于将所述车牌信息发送给所述无人机，由所述无人机播放的道路违章语音信息，并将所述车牌信息及对应的违章图像发送给所述控制设备。
[0156] 在本申请实施例中，可以预先配置道路违章语音信息模板，比如“车牌为***的小车，你非法占用应急车道，请立即驶离应急车道，按照交通法规，文明驾车”。无人机在接收到车牌信息后，采用预设的道路违章语音信息模板进行语音告警，以驱使违章的目标车辆尽快驶离应急车道。
[0157] 同时，云平台20还将车牌信息及目标车辆对应的占用应急车道的视频图像发送给控制设备30，以便交警对上述违规行为进行确认，将车牌信息及视频图像同时发送给控制设备30可以便于交警核实违章是否成立，以及识别的车牌信息与视频图像中目标车辆的车牌号码是否完全一致，以提高罚单信息的准确性。
[0158] 本申请实施例提供的基于无人机的违法占用应急车道检测方法及系统，首先，无人机在接收到巡航指令后，按照预先设定的目标路线进行巡航，并拍摄目标路线的视频图像；接着，云平台对视频图像进行实时检测，检测是否存在行驶在应急车道的目标车辆，并在检测到目标车辆后根据目标车辆在视频图像中的位置变化情况、在视频图像中的尺寸占比、当前无人机的第一摄像头拍摄参数计算得到调整后的第二摄像头拍摄参数；然后，将调整后的第二摄像头拍摄参数发送给无人机，并接收无人机采用该第二摄像头拍摄参数拍摄的视屏图像；最后，对调整拍摄参数后获取的视频图像进行图像识别，从所述视频图像中识别出目标车辆的车牌信息，并将车牌信息发送给无人机，由无人机通过语音方式将目标车辆驱离应急车道。在上述方案中，一方面，无人机按照预先配置的目标路线进行巡航，不需要专业培训过的人员进行控制；另一方面，在存在目标车辆占用应急车道时，会将违法的视频图像发送给控制设备，无需交警人员时刻观察，可以提高交警人员的效率，比如一个交警人员同时处理多台无人机反馈的视频图像，对违法占用应急车道行为进行确认；再一方面，在巡航及识别车牌信息时采用不同的摄像头拍摄参数，可以确保在巡航时无人机有较大的拍摄视野，提高巡航效率，在发现存在目标车辆时，通过调整摄像头参数可以使目标车辆的信息更加清晰便于取证。
[0159] 上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于实施例中的次序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定次序或者连续次序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。
[0160] 最后，应当理解的是，本说明书中实施例仅用以说明本说明书实施例的原则。其它的变形也可能属于本说明书范围。因此，作为示例而非限制，本说明书实施例的替代配置可视为与本说明书的教导一致。相应地，本说明书的实施例不仅限于本说明书明确介绍和描述的实施例。
