基于车辆检测的检验时长判断方法、装置、设备和介质与流程
本发明涉及的运动目标的检测与跟踪技术领域，特别是涉及一种基于车辆检测的检验时长判断方法、装置、设备和介质。
背景技术：
在车辆检测中需要统计检测人员对车辆进行检验的检验时长是否满足检验规定时长。常见的方式是对车辆检测视频进行逐帧检测，但是由于这种方法往往需要较高的检验频率，并且耗时较长，因此这种方法是次优的；另外，常见的方式还有通过对车辆检测视频进行掐头去尾，以统计检测人员对车辆进行检验的检验时长，但是，当检测人员在进行车辆检测过程中离开一段时间然后再回来继续对车辆进行检验的情况下，通过这种掐头去尾的方式所统计的检测人员的检验时长并不准确。
因此，如何准确的判断在车辆检测过程中，检测人员对车辆进行检验的检验时长是否满足检验规定时长，是亟待解决的技术问题。
技术实现要素：
鉴于以上所述现有技术的缺点，本申请的目的在于提供一种基于车辆检测的检验时长判断方法、装置、设备和介质，以解决现有技术中的问题。
为实现上述目的及其他相关目的，本申请提供一种基于车辆检测的检验时长判断方法，所述方法包括：获取车辆检测视频；基于自动调度网络对检测器和跟踪器进行交替控制，以定位所述车辆检测视频中的检测人员，并确定所述检测人员对车辆进行检验的检验时长；通过判断所述检验时长是否大于或者等于检验规定时长，确定所述检测人员的检验时长是否合格。
于本申请的一实施例中，所述基于自动调度网络对检测器和跟踪器进行交替控制，包括：基于自动调度网络通过所述检测器对所述车辆检测视频的视频帧进行检测，当检测到所述检测人员时，转换为通过所述跟踪器对所述车辆检测视频的后续视频帧进行跟踪。
于本申请的一实施例中，所述基于自动调度网络通过所述检测器对所述车辆检测视频的视频帧进行检测，当检测到所述检测人员时，转换为通过所述跟踪器对所述车辆检测视频的后续视频帧进行跟踪，包括：在通过所述检测器对所述车辆检测视频的视频帧进行检测的过程中，当检测到所述检测人员时，将所述检测人员所在的视频帧作为关键帧，并转换为通过所述跟踪器对所述车辆检测视频的后续视频帧进行跟踪；在通过所述跟踪器对所述车辆检测视频的后续视频帧进行跟踪的过程中，将跟踪得到的预测检测人员所在的视频帧作为当前帧；将所述检测人员所在的关键帧和所述预测检测人员所在的当前帧分别送入孪生神经网络；根据所述孪生神经网络输出的得分，判断由所述检测器对所述车辆检测视频的后续视频帧进行检测，还是由所述跟踪器对所述车辆检测视频的后续视频帧进行跟踪；重复上述过程直至所述车辆检测视频结束。
于本申请的一实施例中，所述根据所述孪生神经网络输出的得分，判断由所述检测器对所述车辆检测视频的后续视频帧进行检测，还是由所述跟踪器对所述车辆检测视频的后续视频帧进行跟踪，包括：判断所述根据所述孪生神经网络输出的得分是否大于或者等于预设阈值；若是，则由所述检测器对所述车辆检测视频的后续视频帧进行检测；否则，由所述跟踪器对所述车辆检测视频的后续视频帧进行跟踪。
于本申请的一实施例中，所述由所述检测器对所述车辆检测视频的后续视频帧进行检测，包括：获取所述当前帧并将其作为重新确定的关键帧；获取所述重新确定的关键帧的上一视频帧；使用匈牙利算法将所述重新确定的关键帧和所述上一关键帧进行关联，以重新确定所述检测人员的位置。
于本申请的一实施例中，所述基于自动调度网络对检测器和跟踪器进行交替控制，以定位所述车辆检测视频中的检测人员，并确定所述检测人员对车辆进行检验的检验时长，包括：当检测到检测人员在所述车辆检测视频中出现时开始计时；在预设帧数内未检测到所述检测人员时，则停止计时；当所述检测人员再出现时，重新计时，并重复上述步骤；累计全部计时时间，以得到所述车辆检测视频中所述检测人员对车辆进行检验的检验时长。
于本申请的一实施例中，所述检测器具体为：ssd检测器，所述跟踪器具体为：基于全卷积孪生神经网络的目标跟踪算法的siamfc跟踪器。
为实现上述目的及其他相关目的，本申请提供一种电子装置，所述装置包括：获取模块，用于获取车辆检测视频；处理模块，用于基于自动调度网络对检测器和跟踪器进行交替控制，以定位所述车辆检测视频中的检测人员，并确定所述检测人员对车辆进行检验的检验时长；通过判断所述检验时长是否大于或者等于检验规定时长，确定所述检测人员的检验时长是否合格。
为实现上述目的及其他相关目的，本申请提供一种计算机设备，所述设备包括：存储器、及处理器；所述存储器用于存储计算机指令；所述处理器运行计算机指令实现如上所述的方法。
为实现上述目的及其他相关目的，本申请提供一种计算机可读存储介质，存储有计算机指令，所述计算机指令被运行时执行如上所述的方法。
综上所述，本申请的一种基于车辆检测的检验时长判断方法、装置、设备和介质，通过获取车辆检测视频；基于自动调度网络对检测器和跟踪器进行交替控制，以定位所述车辆检测视频中的检测人员，并确定所述检测人员对车辆进行检验的检验时长；通过判断所述检验时长是否大于或者等于检验规定时长，确定所述检测人员的检验时长是否合格。
具有以下有益效果：
通过自动调度网络对检测器和跟踪器进行交替控制，对车辆检测视频中的检测人员进行定位跟踪，并计算检测人员对车辆进行检验的检验时长，可以解决检测人员在车辆检测视频开始时出现、中途离开、车辆检测视频快要结束时又出现的问题，并且，可以解决在获取检测人员对车辆进行检验的检验时长时，只取车辆检测视频中的最后一帧或几帧检测到检测人员的时间与车辆检测视频中的起始帧检测到检测人员的时间之间的时间差不足的技术问题，从而可以有效监督检测人员对车辆进行检验的检验时长是否合格；此外，由于本申请通过自动调度网络，决定检测器检测车辆检测视频中的哪一帧、跟踪器跟踪车辆检测视频中的哪一帧，可以有效地解决了传统检测方法中实时性差、有延迟的弊端，在检测效率和准确性之间取得了较优的平衡。
附图说明
图1显示为本申请于一实施例中的基于车辆检测的检验时长判断方法的流程示意图。
图2显示为本申请于一实施例中的基于自动调度网络对检测器和跟踪器进行交替控制的流程示意图。
图3显示为本申请于一实施例中的自动调度网络中的流程示意图。
图4显示为本申请于一实施例中的自动调度网络的框架示意图。
图5显示为本申请于一实施例中的电子装置的模块示意图。
图6显示为本申请于一实施例中的计算机设备的结构示意图。
具体实施方式
以下通过特定的具体实例说明本申请的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本申请的其他优点与功效。本申请还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本申请的精神下进行各种修饰或改变。需说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。
下面以附图为参考，针对本申请的实施例进行详细说明，以便本申请所属技术领域的技术人员能够容易地实施。本申请可以以多种不同形态体现，并不限定于此处说明的实施例。
为了明确说明本申请，省略与说明无关的部件，对于通篇说明书中相同或类似的构成要素，赋予了相同的参照符号。
在通篇说明书中，当说某部件与另一部件“连接”时，这不仅包括“直接连接”的情形，也包括在其中间把其它元件置于其间而“间接连接”的情形。另外，当说某种部件“包括”某种构成要素时，只要没有特别相反的记载，则并非将其它构成要素排除在外，而是意味着可以还包括其它构成要素。
当说某部件在另一部件“之上”时，这可以是直接在另一部件之上，但也可以在其之间伴随着其它部件。当对照地说某部件“直接”在另一部件“之上”时，其之间不伴随其它部件。
虽然在一些实例中术语第一、第二等在本文中用来描述各种元件，但是这些元件不应当被这些术语限制。这些术语仅用来将一个元件与另一个元件进行区分。例如，第一接口及第二接口等描述。再者，如同在本文中所使用的，单数形式“一”、“一个”和“该”旨在也包括复数形式，除非上下文中有相反的指示。应当进一步理解，术语“包含”、“包括”表明存在所述的特征、步骤、操作、元件、组件、项目、种类、和/或组，但不排除一个或多个其他特征、步骤、操作、元件、组件、项目、种类、和/或组的存在、出现或添加。此处使用的术语“或”和“和/或”被解释为包括性的，或意味着任一个或任何组合。因此，“a、b或c”或者“a、b和/或c”意味着“以下任一个：a；b；c；a和b；a和c；b和c；a、b和c”。仅当元件、功能、步骤或操作的组合在某些方式下内在地互相排斥时，才会出现该定义的例外。
此处使用的专业术语只用于言及特定实施例，并非意在限定本申请。此处使用的单数形态，只要语句未明确表示出与之相反的意义，那么还包括复数形态。在说明书中使用的“包括”的意义是把特定特性、区域、整数、步骤、作业、要素及/或成份具体化，并非排除其它特性、区域、整数、步骤、作业、要素及/或成份的存在或附加。
表示“下”、“上”等相对空间的术语可以为了更容易地说明在附图中图示的一部件相对于另一部件的关系而使用。这种术语是指，不仅是在附图中所指的意义，还包括使用中的装置的其它意义或作业。例如，如果翻转附图中的装置，曾说明为在其它部件“下”的某部件则说明为在其它部件“上”。因此，所谓“下”的示例性术语，全部包括上与下方。装置可以旋转90°或其它角度，代表相对空间的术语也据此来解释。
作为一个涉及计算机视觉、图像处理、智能控制等多门学科的研究前沿，智能视频监控技术已经成为国内外计算机视觉研究领域热点问题之一，其核心目的是在图像处理、模式识别和人工智能等技术有效结合的基础上，利用计算机对所获取的图像数据进行自主的、逐层分步的计算与分析，实现对监控场景所蕴含的有效信息的感知、分析与理解。其研究成果已广泛应用于智能安防、智能交通、智能环保、智慧城市及物联网建设等诸多领域，产生了巨大的社会经济效益。
但是在实际应用中，运动目标的检测与跟踪作为智能视频监控最关键技术之一，仍然存在算法准确性、鲁棒性及实时性不能完全满足应用需要的更深层次的技术挑战和难点问题。所以，对这些技术挑战和难点进行研究，并给出有效方法予以解决，对推动人工智能计算机视觉的发展有着重要的意义。
基于上述问题，本发明提出了一种基于车辆检测的检验时长判断方法，主要通过自动调度网络对检测器和跟踪器进行交替控制，对车辆检测视频中的检测人员进行定位跟踪，并计算检测人员对车辆进行检验的检验时长，可以解决检测人员在车辆检测视频开始时出现、中途离开、车辆检测视频快要结束时又出现的问题，并且，可以解决在获取检测人员对车辆进行检验的检验时长时，只取车辆检测视频中的最后一帧或几帧检测到检测人员的时间与车辆检测视频中的起始帧检测到检测人员的时间之间的时间差不足的技术问题，从而可以有效监督检测人员对车辆进行检验的检验时长是否合格；此外，由于本申请通过自动调度网络，决定检测器检测车辆检测视频中的哪一帧、跟踪器跟踪车辆检测视频中的哪一帧，可以有效地解决了传统检测方法中实时性差、有延迟的弊端，在检测效率和准确性之间取得了较优的平衡。
如图1所示，展示为本申请一实施例中的基于车辆检测的检验时长判断方法的流程示意图。如图所示，所述方法包括：
步骤s101：获取车辆检测视频。
于本申请一实施例中，所述车辆检测视频可以从车管所或年检机构的服务器上下载获取，通常对车辆年检会采集有检测人员对车辆检测过程的视频。其中，所述车辆检测视频可能包含由机器对车辆进行的检测，或人工对车辆进行的检测，或由机器于人工协作对车辆进行的检测。在本申请中，所述车辆检测视频优选为包含人工独立检测或人工参与检测的视频。
步骤s102：基于自动调度网络对检测器和跟踪器进行交替控制，以定位所述车辆检测视频中的检测人员，并确定所述检测人员对车辆进行检验的检验时长。
于本申请中，所述检测器可以为但不限于：ssd检测器，所述跟踪器可以为但不限于：基于全卷积孪生神经网络的目标跟踪算法的siamfc跟踪器。
于本申请一实施例中，所述基于自动调度网络对检测器和跟踪器进行交替控制可以包括：基于自动调度网络通过所述检测器对所述车辆检测视频的视频帧进行检测，当检测到所述检测人员时，转换为通过所述跟踪器对所述车辆检测视频的后续视频帧进行跟踪。
于本申请一实施例中，上述步骤s102的流程图，可参考图2所示，具体方法包括：
步骤s201：在通过所述检测器对所述车辆检测视频的视频帧进行检测的过程中，当检测到所述检测人员时，将所述检测人员所在的视频帧作为关键帧，并转换为通过所述跟踪器对所述车辆检测视频的后续视频帧进行跟踪。
于本申请一实施例中，当车辆检测视频的开始视频帧检测到检测人员，则转为跟踪(即跟踪开启)，并将检测到视频帧作为关键帧(keyframe)。
步骤s202：在通过所述跟踪器对所述车辆检测视频的后续视频帧进行跟踪的过程中，将跟踪得到的预测检测人员所在的视频帧作为当前帧。
于本申请一实施例中，转为跟踪，即跟踪开始，在跟踪过程中，通过跟踪器跟踪得到的预测检测人员所在的视频帧作为当前帧。
步骤s203：将所述检测人员所在的关键帧和所述预测检测人员所在的当前帧分别送入孪生神经网络。
于本申请一实施例中，将通过跟踪器跟踪得到的预测检测人员的当前帧与所述预测检测人员所在的当前帧，送入所述孪生神经网络(siamese网络)，并且提取第l层卷积层特征图featuremap。
步骤s204：根据所述孪生神经网络输出的得分，判断由所述检测器对所述车辆检测视频的后续视频帧进行检测，还是由所述跟踪器对所述车辆检测视频的后续视频帧进行跟踪。
于本申请一实施例中，可以将得到的2个featuremap分别送入所述孪生神经网络，而所述孪生神经网络会给出一个得分，而最终判定是否进行检测操作还是跟踪操作都取决于这个得分，即，若网络的输出得分结果大于指定阈值，则进行检测操作，否则进行跟踪操作。
于本申请一实施例中，步骤s204可以包括：
a)判断所述根据所述孪生神经网络输出的得分是否大于或者等于预设阈值。
b)若是，则由所述检测器对所述车辆检测视频的后续视频帧进行检测。
c)否则，由所述跟踪器对所述车辆检测视频的后续视频帧进行跟踪。
其中，步骤c)所述跟踪器对所述车辆检测视频的后续视频帧进行跟踪，还可以包括：
i)获取所述当前帧并将其作为重新确定的关键帧；
ii)获取所述重新确定的关键帧的上一视频帧；
iii)使用匈牙利算法将所述重新确定的关键帧和所述上一关键帧进行关联，以重新确定所述检测人员的位置。
于本申请一实施例中，如果进行检测操作，则检测当前帧，并将当前检测帧作为关键帧(keyframe)，同时与前一帧中的框使用匈牙利算法关联，以重新确定目标；如果进行跟踪操作，则继续进行下一帧跟踪。
步骤s205：重复上述过程直至所述车辆检测视频结束；
于本申请一实施例中，重复上述过程所述车辆检测视频结束。即整个过程就是重复这个过程，直到视频结束。
于本申请一实施例中，上述步骤s201-s205的于自动调度网络中的流程示意图还可参考图3所示。如图所示，首先可以将当前帧t+τ与关键帧t中的跟踪目标送入siamesenetwork网络，输出第l卷积层的特征图featuremaps，然后将这2个featuremaps分别送入所述自动调度网络评估跟踪质量，通过这个自动调度网络评估跟踪质量(得分)来确定是否需要检测或继续跟踪帧t+τ。其中，可以通过与预设阈值比较来确定是进行检测或进行跟踪。如果选择“检测”，则通过单帧检测器检测帧t+τ，并将第t+τ帧指定为新的关键帧，且第t+τ帧和第t+τ-1帧中的框使用匈牙利算法关联，以重新确定目标。如果选择跟踪，则继续跟踪下一帧。
于本申请一实施例中，步骤s102还可以包括：
a、当检测到检测人员在所述车辆检测视频中出现时开始计时；
b、在预设帧数内未检测到所述检测人员时，则停止计时；
c、当所述检测人员再出现时，重新计时，并重复上述步骤；
d、累计全部计时时间，以得到所述车辆检测视频中所述检测人员对车辆进行检验的检验时长。
具体地说，于本申请一实施例中，第一步：开始对车辆检测视频进行检测，当开始检测到检测人员时，开始计时。
第二步：基于自动调度网络对检测器和跟踪器进行交替控制；该过程可以通过轻量型cnn网络自动调度网络确定。这样，如果跟踪器跟踪过程中，相应帧的质量不好，或者有其他环境干扰，则轻量型cnn网络自动调度网络会决定进行检测，并与前一帧进行关联，进而确定检测人员。
第三步：如果多帧检测没有检测人员，则可以停止计时；若后面帧检测出现，重新计时，重复该过程。
第四步，最终累计计时时间。
简单来说，在整个过程，对于检测人员中途离开，显然视频帧中没有检测人员，则检测不到检测人员；调度网络的得分显然高于指定阈值，则会进行检测操作。其中，若检测不到检测人员，则计时结束，表明检测人员当前时间没有检验车辆；当后面某一帧重新检测到检测人员，计时重新开始；重复该过程，直到视频结束，最终对计时时间进行累计。
本申请一实施例中，所述自动调度网络的获取方法可以包括：
a、从服务器上获取视频数据；
b、提取视频帧，并对目标进行标注；
c、训练检测器和跟踪器；
d、训练自动调度网络；其中，正样本设定标注框与所述跟踪器产生的跟踪框的iou(交并比，intersection-over-union)高于度指定阈值的框；负样本设定标注框与所述跟踪器产生的跟踪框的iou低于指定阈值的框。
于本申请一实施例中，首先，从服务器上获取视频数据；其次，提取视频帧，并对检测人员检测人员进行标注，训练检测器和跟踪器。其中，检测器和跟踪器可以选择ssd检测器和基于全卷积孪生神经网络的目标跟踪算法的siamfc跟踪器；然后，训练调度网络。其中，正样本：标注框与siamfc跟踪器产生的跟踪框的iou(交并比，intersection-over-union，iou)高于指定阈值的框，如可取0.6；负样本：标注框与siamfc跟踪器产生的跟踪框的iou低于指定阈值的框，如可取0.1～0.4。
于本申请一实施例中，所述自动调度网络的获取方法还可以包括：
a、正样本标签为0，负样本标签为1；
b、当所述自动调度网络最终的评分接近于1时，则表明跟踪到的是表征为背景的负样本，则要进行检测操作；
c、当所述自动调度网络最终的评分接近于0时，则表明跟踪到的是表征为目标的正样本，则继续进行跟踪操作。
于本申请一实施例中，该数据集中正样本标签是0，负样本标签是1，所以当网络最终的评分接近于1时，则表明跟踪到的是负样本(即背景)，则要进行检测操作。若特别小，接近于0，可认为跟踪到目标，则继续进行跟踪操作。
于本申请一实施例中，所述自动调度网络包括：相关层、两个卷积层、完全连接层；所述方法还可以包括：
a、依据所述siamese网络提取通过跟踪器跟踪得到的跟踪目标与关键帧时检测到的检测目标的第l层卷积层特征图；
b、通过两个卷积层和一个具有双向softmax的完全连接层；
c、所述自动调度网络输出表示评估跟踪质量的得分。
于上述实施例中，还可参考图4所展示为本申请于一实施例中自动调度网络的框架示意图。如图所示，首先，通过siamesenetwork网络，取第t帧和t+τ帧跟踪目标的第l层卷积特征图(分别表示为
这里-d≤q≤d，-d≤q≤d是比较特征图中的位置(i,j)附近的特征的偏移量，由最大位移d定义。因此，corr相关层的输出是一个尺寸为
步骤s103：通过判断所述检验时长是否大于或者等于检验规定时长，确定所述检测人员的检验时长是否合格。
于本申请一实施例中，通过累计时间，则可以对检测人员车辆检验时间进行有效判定，判定其检验时长是否满足规定要求。
本领域技术人员可以理解，随着近年来深度学习的快速发展，检测器和跟踪器也得到了迅速发展。在实际应用中，跟踪器通常比检测器更有效，但是跟踪器也承担着漂移(一般目标表观(形变)的不断变化导致的跟踪框漂移而丢失目标)的风险。本申请所述方法将检测器和跟踪器进行了交替使用，可以有效地规避跟踪器所承担的漂移风险。此外，因为通常跟踪算法比检测算法快。原因很简单，当跟踪在前一帧中检测到的对象时，会对该对象的外观了解很多，也知道前一帧的位置和它的运动方向和速度。所以在下一帧中，可以使用所有这些信息来预测下一帧中物体的位置，并围绕物体的预期位置进行小范围搜索，以准确定位物体。一个好的跟踪算法会使用它所拥有的关于那个点的所有信息，而检测算法总是从头开始。因此，本申请方案提出了一种实时、低延迟的视频目标检测/跟踪框架。该框架通过设计一个调度网络来控制跟踪操作和检测操作的选择，其有效的避免的每一帧检测，大大加快了判定检测人员检查车辆时长这个需求的速度，同时在速度和准确性之间取得了很好的平衡。
本申请所述方法可以解决检测人员视频开始时出现，中间离开，视频结束时又出现问题，避免了平时对检测人员车辆检测时间统计只取最后帧检测到检测人员与起始帧检测到检测人员的时间差中的不足问题，本方法可以对检测人员对车辆的检验时长进行有效监督。
如图5所示，展示为本申请于一实施例中的电子装置的模块示意图。如图所示，所述装置500包括：
获取模块501，用于获取车辆检测视频；
处理模块502，用于基于自动调度网络对检测器和跟踪器进行交替控制，以定位所述车辆检测视频中的检测人员，并确定所述检测人员对车辆进行检验的检验时长；通过判断所述检验时长是否大于或者等于检验规定时长，确定所述检测人员的检验时长是否合格。
需要说明的是，上述装置各模块/单元之间的信息交互、执行过程等内容，由于与本申请所述方法实施例基于同一构思，其带来的技术效果与本申请方法实施例相同，具体内容可参见本申请前述所示的方法实施例中的叙述，此处不再赘述。
还需要说明的是，应理解以上装置的各个模块的划分仅仅是一种逻辑功能的划分，实际实现时可以全部或部分集成到一个物理实体上，也可以物理上分开。且这些单元可以全部以软件通过处理元件调用的形式实现；也可以全部以硬件的形式实现；还可以部分模块通过处理元件调用软件的形式实现，部分模块通过硬件的形式实现。例如，处理模块502可以为单独设立的处理元件，也可以集成在上述装置的某一个芯片中实现，此外，也可以以程序代码的形式存储于上述装置的存储器中，由上述装置的某一个处理元件调用并执行以上处理模块502的功能。其它模块的实现与之类似。此外这些模块全部或部分可以集成在一起，也可以独立实现。这里所述的处理元件可以是一种集成电路，具有信号的处理能力。在实现过程中，上述方法的各步骤或以上各个模块可以通过处理器元件中的硬件的集成逻辑电路或者软件形式的指令完成。
例如，以上这些模块可以是被配置成实施以上方法的一个或多个集成电路，例如：一个或多个特定集成电路(applicationspecificintegratedcircuit，简称asic)，或，一个或多个微处理器(digitalsignalprocessor，简称dsp)，或，一个或者多个现场可编程门阵列(fieldprogrammablegatearray，简称fpga)等。再如，当以上某个模块通过处理元件调度程序代码的形式实现时，该处理元件可以是通用处理器，例如中央处理器(centralprocessingunit，简称cpu)或其它可以调用程序代码的处理器。再如，这些模块可以集成在一起，以片上系统(system-on-a-chip，简称soc)的形式实现。
如图6所示，展示为本申请于一实施例中的计算机设备的结构示意图。如图所示，所述计算机设备600包括：存储器601、及处理器602；所述存储器601用于存储计算机指令；所述处理器602运行计算机指令实现如图1所述的方法。
在一些实施例中，所述计算机设备600中的所述存储器601的数量均可以是一或多个，所述处理器602的数量均可以是一或多个，而图6中均以一个为例。
于本申请一实施例中，所述计算机设备600中的处理器602会按照如图1所述的步骤，将一个或多个以应用程序的进程对应的指令加载到存储器601中，并由处理器602来运行存储在存储器602中的应用程序，从而实现如图1所述的方法。
所述存储器601可以包括随机存取存储器(randomaccessmemory，简称ram)，也可以包括非易失性存储器(non-volatilememory)，例如至少一个磁盘存储器。所述存储器601存储有操作系统和操作指令、可执行模块或者数据结构，或者它们的子集，或者它们的扩展集，其中，操作指令可包括各种操作指令，用于实现各种操作。操作系统可包括各种系统程序，用于实现各种基础业务以及处理基于硬件的任务。
所述处理器602可以是通用处理器，包括中央处理器(centralprocessingunit，简称cpu)、网络处理器(networkprocessor，简称np)等；还可以是数字信号处理器(digitalsignalprocessing，简称dsp)、专用集成电路(applicationspecificintegratedcircuit，简称asic)、现场可编程门阵列(field－programmablegatearray，简称fpga)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
在一些具体的应用中，所述计算机设备600的各个组件通过总线系统耦合在一起，其中总线系统除包括数据总线之外，还可以包括电源总线、控制总线和状态信号总线等。但是为了清除说明起见，在图6中将各种总线都成为总线系统。
于本申请的一实施例中，本申请提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如图1所述的方法。
所述计算机可读存储介质，本领域普通技术人员可以理解：实现上述系统及各单元功能的实施例可以通过计算机程序相关的硬件来完成。前述的计算机程序可以存储于一计算机可读存储介质中。该程序在执行时，执行包括上述系统及各单元功能的实施例；而前述的存储介质包括：rom、ram、磁碟或者光盘等各种可以存储程序代码的介质。
综上所述，本申请提供的一种基于车辆检测的检验时长判断方法、装置、设备和介质，通过获取车辆检测视频；基于自动调度网络对检测器和跟踪器进行交替控制，以定位所述车辆检测视频中的检测人员，并确定所述检测人员对车辆进行检验的检验时长；通过判断所述检验时长是否大于或者等于检验规定时长，确定所述检测人员的检验时长是否合格。
本申请有效克服了现有技术中的种种缺点而具高度产业利用价值。
上述实施例仅例示性说明本申请的原理及其功效，而非用于限制本发明。任何熟悉此技术的人士皆可在不违背本申请的精神及范畴下，对上述实施例进行修饰或改变。因此，举凡所属技术领域中包含通常知识者在未脱离本发明所揭示的精神与技术思想下所完成的一切等效修饰或改变，仍应由本申请的权利要求所涵盖。
- 还没有人留言评论。精彩留言会获得点赞！