超车行为的审核方法、装置、计算机设备和存储介质与流程

本申请涉及图像识别技术领域，特别是涉及一种超车行为的审核方法、装置、计算机设备和存储介质。

背景技术：

随着社会的发展，机动车辆越来越多。为了规范机动车辆的行车，通常会在道路中设置摄像头，由摄像头抓拍机动车辆的行车过程，进而由执法人员根据抓拍图像来判断机动车辆是否存在违法行为。例如，由执法人员根据抓拍图像审核目标车辆是否违法超车。

但是，人工审核比较耗费人力，并且需要审核的数据量较大，也影响审核效率。

技术实现要素：

基于此，有必要针对上述技术问题，提供一种能够节省人力和时间的超车行为的审核方法、装置、计算机设备和存储介质。

一种超车行为的审核方法，该方法包括：

获取多个监控图像；每相邻两个监控图像之间的时间间隔小于预设时长；

从各监控图像中检测出超车车辆和被超车车辆；

确定多个监控图像中超车车辆相对被超车车辆的位置变化轨迹；

根据位置变化轨迹确实超车车辆是否存在违章超车行为。

在其中一个实施例中，上述确定多个监控图像中超车车辆相对被超车车辆的位置变化轨迹，包括：

对各监控图像中的车道进行检测，得到各监控图像中的多个车道；

确定各监控图像中超车车辆相对被超车车辆的位置；其中，超车车辆相对被超车车辆的位置包括：超车车辆与被超车车辆是否位于同一车道，以及沿行驶方向超车车辆位于被超车车辆的前方或后方；

根据多个监控图像中超车车辆相对被超车车辆的位置，确定位置变化轨迹。

在其中一个实施例中，上述根据位置变化轨迹确实超车车辆是否存在违章超车行为，包括：

若检测到位置变化轨迹符合预设条件，则确定超车车辆存在违章超车行为；其中，预设条件包括：沿行驶方向，超车车辆从与被超车车辆同一车道的后方移至被超车车辆的右侧车道，再移至被超车车辆同一车道的前方。

在其中一个实施例中，上述从各监控图像中检测出超车车辆和被超车车辆，包括：

对各监控图像进行检测，得到各监控图像中的多个车辆图像；

根据预先获取到的超车车辆标识、被超车车辆标识对各车辆图像进行识别，确定各监控图像中的超车车辆和被超车车辆。

在其中一个实施例中，上述根据预先获取到的超车车辆标识、被超车车辆标识对各车辆图像进行识别，确定各监控图像中的超车车辆和被超车车辆，包括：

对各车辆图像进行识别，得到各车辆图像对应的车辆标识；

将各车辆标识分别与超车车辆标识和被超车车辆标识进行比较；

若车辆标识与超车车辆标识匹配，则确定车辆标识对应的车辆为超车车辆；

若车辆标识与被超车车辆标识匹配，则确定车辆标识对应的车辆为被超车车辆。

在其中一个实施例中，上述根据预先获取到的超车车辆标识、被超车车辆标识对各车辆图像进行识别，确定各监控图像中的超车车辆和被超车车辆，包括：

对第一监控图像中的各车辆图像进行识别，得到第一监控图像中各车辆图像对应的车辆标识；第一监控图像为多个监控图像中清晰的监控图像；

根据第一监控图像中各车辆图像对应的车辆标识、超车车辆标识和被超车车辆标识，确定第一监控图像中的超车车辆和被超车车辆；

根据第一监控图像中超车车辆的图像和被超车车辆的图像，对第二监控图像中的各车辆图像进行识别，确定第二监控图像中的超车车辆和被超车车辆；其中，第二监控图像为多个监控图像中除第一监控图像之外的监控图像。

在其中一个实施例中，在上述对第一监控图像中的各车辆图像进行识别之前，该方法还包括：

对多个监控图像进行清晰度检测，得到清晰度大于预设清晰度的第一监控图像。

一种超车行为的审核装置，所述装置包括：

监控图像获取模块，用于获取多个监控图像；每相邻两个监控图像之间的时间间隔小于预设时长；

车辆检测模块，用于从各所述监控图像中检测出超车车辆和被超车车辆；

位置变化轨迹确定模块，用于确定多个所述监控图像中所述超车车辆相对所述被超车车辆的位置变化轨迹；

超车行为确定模块，用于根据所述位置变化轨迹确实所述超车车辆是否存在违章超车行为。

在其中一个实施例中，上述位置变化轨迹确定模块，具体用于对各监控图像中的车道进行检测，得到各监控图像中的多个车道；确定各监控图像中超车车辆相对被超车车辆的位置；其中，超车车辆相对被超车车辆的位置包括：超车车辆与被超车车辆是否位于同一车道，以及沿行驶方向超车车辆位于被超车车辆的前方或后方；根据多个监控图像中超车车辆相对被超车车辆的位置，确定位置变化轨迹。

在其中一个实施例中，上述超车行为确定模块，具体用于若检测到位置变化轨迹符合预设条件，则确定超车车辆存在违章超车行为；其中，预设条件包括：沿行驶方向，超车车辆从与被超车车辆同一车道的后方移至被超车车辆的右侧车道，再移至被超车车辆同一车道的前方。

在其中一个实施例中，上述车辆检测模块，具体用于对各监控图像进行检测，得到各监控图像中的多个车辆图像；根据预先获取到的超车车辆标识、被超车车辆标识对各车辆图像进行识别，确定各监控图像中的超车车辆和被超车车辆。

在其中一个实施例中，上述车辆检测模块，具体用于对各车辆图像进行识别，得到各车辆图像对应的车辆标识；将各车辆标识分别与超车车辆标识和被超车车辆标识进行比较；若车辆标识与超车车辆标识匹配，则确定车辆标识对应的车辆为超车车辆；若车辆标识与被超车车辆标识匹配，则确定车辆标识对应的车辆为被超车车辆。

在其中一个实施例中，上述车辆检测模块，具体用于对第一监控图像中的各车辆图像进行识别，得到第一监控图像中各车辆图像对应的车辆标识；第一监控图像为多个监控图像中清晰的监控图像；根据第一监控图像中各车辆图像对应的车辆标识、超车车辆标识和被超车车辆标识，确定第一监控图像中的超车车辆和被超车车辆；根据第一监控图像中超车车辆的图像和被超车车辆的图像，对第二监控图像中的各车辆图像进行识别，确定第二监控图像中的超车车辆和被超车车辆；其中，第二监控图像为多个监控图像中除第一监控图像之外的监控图像。

在其中一个实施例中，该装置还包括：

清晰度检测模块，用于对多个监控图像进行清晰度检测，得到清晰度大于预设清晰度的第一监控图像。

一种计算机设备，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以下步骤：

获取多个监控图像；每相邻两个监控图像之间的时间间隔小于预设时长；

从各监控图像中检测出超车车辆和被超车车辆；

确定多个监控图像中超车车辆相对被超车车辆的位置变化轨迹；

根据位置变化轨迹确实超车车辆是否存在违章超车行为。

一种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以下步骤：

获取多个监控图像；每相邻两个监控图像之间的时间间隔小于预设时长；

从各监控图像中检测出超车车辆和被超车车辆；

确定多个监控图像中超车车辆相对被超车车辆的位置变化轨迹；

根据位置变化轨迹确实超车车辆是否存在违章超车行为。

上述超车行为的审核方法、装置、计算机设备和存储介质，服务器先获取多个监控图像；然后从各监控图像中检测出超车车辆和被超车车辆；接着确定多个监控图像中超车车辆相对被超车车辆的位置变化轨迹，最后根据位置变化轨迹确实超车车辆是否存在违章超车行为。通过本申请实施例，可以实现自动审核超车车辆是否真正存在违章超车行为，不仅可以节省人力和时间，而且可以提高审核效率。

附图说明

图1为一个实施例中超车行为的审核方法的应用环境图；

图2为一个实施例中超车行为的审核方法的流程示意图；

图3为一个实施例中确定位置变化轨迹步骤的流程示意图；

图4为一个实施例中从各监控图像中检测出超车车辆和被超车车辆步骤的流程示意图；

图5为另一个实施例中超车行为的审核方法的流程示意图；

图6为一个实施例中超车行为的审核装置的结构框图；

图7为一个实施例中计算机设备的内部结构图。

具体实施方式

为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请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申请，并不用于限定本申请。

我国车道设计是将道路最左侧快速车设为超车道，中间、右侧的道路为行车道。按照《道路交通安全法》的相关规定，超车的动作应在左侧车道上完成。

在相关技术中，通常由执法人员根据抓拍图像审核存在嫌疑的超车车辆是否为右侧违章超车，人工审核的缺点是比较耗费时间和人力；而且由于待审核的车辆较多，因此审核效率也比较低。

本申请实施例中，根据监控图像中超车车辆相对被超车车辆的位置变化轨迹，进而确定超车车辆是否存在违章超车行为。由于本申请实施例实现了自动审核，因此不仅可以节省时间和人力，而且还可以提高审核效率。

本申请提供的超车行为的审核方法，可以应用于如图1所示的应用环境中。该应用环境中包括终端和服务器，终端102与服务器104通过网络进行通信。其中，通过终端102获取存在违章超车嫌疑的超车车辆，通过服务器104确定超车车辆是否真正违章。上述终端102可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备，上述服务器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。

在一个实施例中，如图2所示，提供了一种超车行为的审核方法，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：

步骤201，获取多个监控图像；每相邻两个监控图像之间的时间间隔小于预设时长。

本申请实施例中，可以在道路中设置监控摄像头，由监控摄像头采集监控图像。然后，将采集到的监控图像存储在服务器中，或者存储在终端中。在进行违章超车审核时，服务器可以从本地获取监控图像，也可以从终端获取监控图像。本申请实施例对获取方式不作详细限定，可以根据实际情况进行设置。

在实际应用中，从监控摄像头采集到的大量监控图像中，等间距选取多个监控图像。其中，每相邻两个监控图像之间的时间间隔小于预设时长。例如，从大量监控图像中选取出3个监控图像，每相邻两个监控图像之间的时间间隔小于30秒。本申请实施例对预设时长不作详细限定，可以根据实际情况进行设置。

步骤202，从各监控图像中检测出超车车辆和被超车车辆。

本申请实施例中，对各监控图像进行检测，从各监控图像中检测出车辆图像；然后，分别对各车辆图像进行识别，确定车辆图像是否为超车车辆的图像，以及是否为被超车车辆的图像。具体地，将监控图像输入到预先训练的车辆检测模型中，车辆检测模型在监控图像中标出车辆检测框；根据车辆检测框从监控图像中裁取车辆图像；然后，将车辆图像分别与超车车辆的图像和被超车车辆的图像进行比较；最后根据比较结果确定车辆为超车车辆、被超车车辆、其他车辆中的一个。

例如，选取出3个监控图像后，依次确定监控图像1中的超车车辆和被超车车辆，确定监控图像2中的超车车辆和被超车车辆，确定监控图像3中的超车车辆和被超车车辆。

在实际应用中，应至少有3张监控图像均存在超车车辆和被超车车辆，否则证件链不足，可以直接确定超车车辆不存在违章超车行为。

步骤203，确定多个监控图像中超车车辆相对被超车车辆的位置变化轨迹。

本申请实施例中，在确定各监控图像中的超车车辆和被超车车辆之后，确定各监控图像中超车车辆的位置坐标和被超车车辆的位置坐标；然后，根据超车车辆的位置坐标和被超车车辆的位置坐标，确定超车车辆和被超车车辆之间的相对位置；接着，再根据多个监控图像中超车车辆和被超车车辆的相对位置，确定超车车辆相对被超车车辆的位置变化轨迹。

例如，确定监控图像1中超车车辆的中心点坐标和被超车车辆的中心点坐标，根据两个车辆的中心点坐标确定超车车辆位于被超车车辆后方；接着，确定监控图像2中超车车辆的中心点坐标和被超车车辆的中心点坐标，根据两个车辆的中心点坐标确定超车车辆位于被超车车辆右侧；接着，确定监控图像3中超车车辆的中心点坐标和被超车车辆的中心点坐标，根据两个车辆的中心点坐标确定超车车辆位于被超车车辆前方。根据3个监控图像中超车车辆和被超车车辆之间的相对位置，确定超车车辆相对被超车车辆的位置变化轨迹是：超车车辆从被超车车辆的后方移至右侧再移至前方。

步骤204，根据位置变化轨迹确实超车车辆是否存在违章超车行为。

本申请实施例中，在得到超车车辆相对被超车车辆的位置变化轨迹，检测位置变化轨迹是否满足预设条件，如果检测到位置变化轨迹符合预设条件，则确定超车车辆存在违章超车行为；如果检测到位置变化轨迹不符合预设条件，则确定超车车辆不存在违章超车行为。

其中，预设条件包括：沿行驶方向，超车车辆从与被超车车辆同一车道的后方移至被超车车辆的右侧车道，再移至被超车车辆同一车道的前方。也就是说，如果检测到超车车辆从被超车车辆的右侧车道超车，则确定超车车辆存在违章超车行为；除此之外的其他情况，均确定超车车辆不存在违章超车行为。

上述超车行为的审核方法中，服务器先获取多个监控图像；然后从各监控图像中检测出超车车辆和被超车车辆；接着确定多个监控图像中超车车辆相对被超车车辆的位置变化轨迹，最后根据位置变化轨迹确实超车车辆是否存在违章超车行为。通过本申请实施例，可以实现自动审核超车车辆是否真正存在违章超车行为，不仅可以节省人力和时间，而且可以提高审核效率。

在一个实施例中，如图3所示，确定多个监控图像中超车车辆相对被超车车辆的位置变化轨迹的步骤，具体可以包括如下内容：

步骤301，对各监控图像中的车道进行检测，得到各监控图像中的多个车道。

本申请实施例中，可以将监控图像输入到预先训练的车道检测模型中，车道检测模型输出监控图像中的多个车道。例如，将监控图像输入到车道检测模型中，检测出三个车道。其中，车道检测模型可以是ccnet(criss-crossattention)模型，这种模型在进行车道分割时，不易受光照和道路情况影响，并且运算量小，实时性好。

步骤302，确定各监控图像中超车车辆相对被超车车辆的位置；其中，超车车辆相对被超车车辆的位置包括：超车车辆与被超车车辆是否位于同一车道，以及沿行驶方向超车车辆位于被超车车辆的前方或后方。

本申请实施例中，在得到监控图像中的多个车道之后，根据车道以及超车车辆的中心点坐标、被超车车辆的中心点坐标，可以确定超车车辆是否与被超车车辆在同一个车道。如果超车车辆与被超车车辆不在同一个车道，可以确定超车车辆在被超车车辆的右侧车道还是左侧车道。进一步地，还可以确定沿着行驶方向，超车车辆是在被超车车辆的前方还是后方。

例如，确定监控图像1中，超车车辆与被超车车辆位于同一车道，且沿行驶方向超车车辆位于被超车车辆的后方；确定监控图像2中，超车车辆位于被超车车辆的右侧车道；确定监控图像3中，超车车辆与被超车车辆位于同一车道，并且沿行驶方向超车车辆位于被超车车辆的前方。

步骤303，根据多个监控图像中超车车辆相对被超车车辆的位置，确定位置变化轨迹。

本申请实施例中，在得到各监控图像中超车车辆相对被超车车辆的位置后，根据位置随时间变化绘制位置变化轨迹。

上述确定多个监控图像中超车车辆相对被超车车辆的位置变化轨迹的步骤中，对各监控图像中的车道进行检测，得到各监控图像中的多个车道，采用检测出的车道辅助确定超车车辆相对被超车车辆的位置变化轨迹。由于采用ccnet(criss-crossattention)模型进行车道分割，可以降低光照和道路情况影响，因此可以提高运算准确率；并且该模型的运算量小，因此还可以提高计算运算速度。

在一个实施例中，如图4所示，从各监控图像中检测出超车车辆和被超车车辆的步骤，具体可以包括：

步骤401，对各监控图像进行检测，得到各监控图像中的多个车辆图像。

本申请实施例中，将监控图像输入到预先训练的车辆检测模型中，得到多个车辆图像。例如，将监控图像1输入到车辆检测模型中，得到车辆图像a1、a2、a3。

其中，车辆检测模型可以采用yolov3-tiny模型，这种模型的fps(framespersecond，每秒帧数)值可以做到实时处理图像，为实现实时检测超车车辆是否存在违章超车行为提供模型基础。并且，这种模型还可以提高车辆检测模型的map(meanaverageprecision，平均精度均值)。

步骤402，根据预先获取到的超车车辆标识、被超车车辆标识对各车辆图像进行识别，确定各监控图像中的超车车辆和被超车车辆。

本申请实施例中，可以采用多种方式确定监控图像中的超车车辆和被超车车辆：

方式一：对各车辆图像进行识别，得到各车辆图像对应的车辆标识；将各车辆标识分别与超车车辆标识和被超车车辆标识进行比较；若车辆标识与超车车辆标识匹配，则确定车辆标识对应的车辆为超车车辆；若车辆标识与被超车车辆标识匹配，则确定车辆标识对应的车辆为被超车车辆。

具体地，将各车辆图像输入到预先训练的识别模型中，得到各车辆图像对应的车辆标识。然后，将各车辆标识与超车车辆标识和被超车车辆标识比较。上述车辆标识可以是车牌号码，则将各车牌号码与超车车辆的车牌号码进行比较，与被超车车辆的车牌号码进行比较。如果车牌号码与超车车辆的车牌号码匹配，则确定该车牌号码对应的车辆为超车车辆；如果车牌号码与被超车车辆的车牌号码匹配，则确定该车牌号码对应的车辆为被超车车辆；如果车牌号码与超车车辆的车牌号码和被超车车辆的车牌号码均不匹配，则确定该车牌号码对应的车辆为其他车辆。

在实际应用中，在监控图像中既检测出超车车辆，也检测出被超车车辆，则该监控图像为有效监控图像；如果监控图像中未检测出超车车辆和被超车车辆中的至少一种，则该监控图像为无效监控图像。如果多个监控图像中，有效监控图像小于3张，即为证件链不足，则可以直接确定超车车辆不存在违章超车行为。如果监控图像仅为3张，依次对3张监控图像进行检测，在任意一张监控图像中未检测出超车车辆或被超车车辆时，即可以直接确定超车车辆不存在违章超车行为。

方式二，对第一监控图像中的各车辆图像进行识别，得到第一监控图像中各车辆图像对应的车辆标识；根据第一监控图像中各车辆图像对应的车辆标识、超车车辆标识和被超车车辆标识，确定第一监控图像中的超车车辆和被超车车辆；根据第一监控图像中超车车辆的图像和被超车车辆的图像，对第二监控图像中的各车辆图像进行识别，确定第二监控图像中的超车车辆和被超车车辆；

其中，第一监控图像为多个监控图像中清晰的监控图像；第二监控图像为多个监控图像中除第一监控图像之外的监控图像。

具体地，从每个监控图像中识别出车辆标识，运算量较大，并且有些监控图像中车辆标识较小或者较模糊都不易识别出。因此，还可以只对清晰的第一监控图像进行车辆图像的识别，得到车辆标识；确定清晰的第一监控图像中的超车车辆和被超车车辆；然后，采用车辆重识别(reid)模型，根据已确定的超车车辆的图像和被超车车辆的图像进行其他车辆图像的重识别，从而确定第二监控图像中的超车车辆和被超车车辆。采用车辆重识别模型确定超车车辆和被超车车辆，可以减小运算量，并且降低光照和道路情况对车辆标识的影响。

在其中一个实施例中，在对第一监控图像中的各车辆图像进行识别之前，对多个监控图像进行清晰度检测，得到清晰度大于预设清晰度的第一监控图像。

具体地，将各监控图像输入到预先训练的清晰度检测模型中，得到各监控图像的清晰度置信度。如果监控图像的清晰度置信度大于预设置信度，则确定清晰度大于预设清晰度，将该监控图像确定为第一监控图像。上述清晰度检测模型可以是神经网络模型，本申请实施例对此不作详细限定，可以根据实际情况进行设置。

上述从各监控图像中检测出超车车辆和被超车车辆的步骤中，对各监控图像进行检测，得到各监控图像中的多个车辆图像；根据预先获取到的超车车辆标识、被超车车辆标识对各车辆图像进行识别，确定各监控图像中的超车车辆和被超车车辆。通过本申请实施例，采用yolov3-tiny模型可以提高车辆检测的速度和精度，采用reid模型也可以提高车辆识别的速度和准确度，因此，为实现在线实时检测超车车辆是否存在违章超车行为提高了计算基础。

在一个实施例中，如图5所示，在上述实施例的基础上，超车行为的审查方法还可以包括如下步骤：

步骤501，获取多个监控图像；相邻两个监控图像之间的时间间隔小于预设时长。

步骤502，对各监控图像进行检测，得到各监控图像中的多个车辆图像。

步骤503，根据预先获取到的超车车辆标识、被超车车辆标识对各车辆图像进行识别，确定各监控图像中的超车车辆和被超车车辆。

步骤504，对各监控图像中的车道进行检测，得到各监控图像中的多个车道。

步骤505，确定各监控图像中超车车辆相对被超车车辆的位置。

其中，超车车辆相对被超车车辆的位置包括：超车车辆与被超车车辆是否位于同一车道，以及沿行驶方向超车车辆位于被超车车辆的前方或后方；

步骤506，根据多个监控图像中超车车辆相对被超车车辆的位置，确定位置变化轨迹。

步骤507，若检测到位置变化轨迹符合预设条件，则确定超车车辆违章超车；其中，预设条件包括：沿行驶方向，超车车辆从与被超车车辆同一车道的后方移至被超车车辆的右侧车道，再移至被超车车辆同一车道的前方。

本申请实施例可以实现自动审核超车车辆是否真正存在违章超车行为，不仅可以节省人力和时间，而且可以提高审核效率。

应该理解的是，虽然图2-图5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，图2-图5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。

在一个实施例中，如图6所示，提供了一种超车行为的审核装置，包括：

监控图像获取模块601，用于获取多个监控图像；每相邻两个监控图像之间的时间间隔小于预设时长；

车辆检测模块602，用于从各所述监控图像中检测出超车车辆和被超车车辆；

位置变化轨迹确定模块603，用于确定多个所述监控图像中所述超车车辆相对所述被超车车辆的位置变化轨迹；

超车行为确定模块604，用于根据所述位置变化轨迹确实所述超车车辆是否存在违章超车行为。

在其中一个实施例中，上述位置变化轨迹确定模块，具体用于对各监控图像中的车道进行检测，得到各监控图像中的多个车道；确定各监控图像中超车车辆相对被超车车辆的位置；其中，超车车辆相对被超车车辆的位置包括：超车车辆与被超车车辆是否位于同一车道，以及沿行驶方向超车车辆位于被超车车辆的前方或后方；根据多个监控图像中超车车辆相对被超车车辆的位置，确定位置变化轨迹。

在其中一个实施例中，上述超车行为确定模块，具体用于若检测到位置变化轨迹符合预设条件，则确定超车车辆存在违章超车行为；其中，预设条件包括：沿行驶方向，超车车辆从与被超车车辆同一车道的后方移至被超车车辆的右侧车道，再移至被超车车辆同一车道的前方。

在其中一个实施例中，上述车辆检测模块，具体用于对各监控图像进行检测，得到各监控图像中的多个车辆图像；根据预先获取到的超车车辆标识、被超车车辆标识对各车辆图像进行识别，确定各监控图像中的超车车辆和被超车车辆。

在其中一个实施例中，上述车辆检测模块，具体用于对各车辆图像进行识别，得到各车辆图像对应的车辆标识；将各车辆标识分别与超车车辆标识和被超车车辆标识进行比较；若车辆标识与超车车辆标识匹配，则确定车辆标识对应的车辆为超车车辆；若车辆标识与被超车车辆标识匹配，则确定车辆标识对应的车辆为被超车车辆。

在其中一个实施例中，上述车辆检测模块，具体用于对第一监控图像中的各车辆图像进行识别，得到第一监控图像中各车辆图像对应的车辆标识；第一监控图像为多个监控图像中清晰的监控图像；根据第一监控图像中各车辆图像对应的车辆标识、超车车辆标识和被超车车辆标识，确定第一监控图像中的超车车辆和被超车车辆；根据第一监控图像中超车车辆的图像和被超车车辆的图像，对第二监控图像中的各车辆图像进行识别，确定第二监控图像中的超车车辆和被超车车辆；其中，第二监控图像为多个监控图像中除第一监控图像之外的监控图像。

在其中一个实施例中，该装置还包括：

清晰度检测模块，用于对多个监控图像进行清晰度检测，得到清晰度大于预设清晰度的第一监控图像。

关于超车行为的审核装置的具体限定可以参见上文中对于超车行为的审核方法的限定，在此不再赘述。上述超车行为的审核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。

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服务器，其内部结构图可以如图7所示。该计算机设备包括通过系统总线连接的处理器、存储器和网络接口。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、计算机程序和数据库。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。该计算机设备的数据库用于存储超车行为的审核数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种超车行为的审核方法。

本领域技术人员可以理解，图7中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请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。

在一个实施例中，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以下步骤：

获取多个监控图像；每相邻两个监控图像之间的时间间隔小于预设时长；

从各监控图像中检测出超车车辆和被超车车辆；

确定多个监控图像中超车车辆相对被超车车辆的位置变化轨迹；

根据位置变化轨迹确实超车车辆是否存在违章超车行为。

在一个实施例中，处理器执行计算机程序时还实现以下步骤：

对各监控图像中的车道进行检测，得到各监控图像中的多个车道；

确定各监控图像中超车车辆相对被超车车辆的位置；其中，超车车辆相对被超车车辆的位置包括：超车车辆与被超车车辆是否位于同一车道，以及沿行驶方向超车车辆位于被超车车辆的前方或后方；

根据多个监控图像中超车车辆相对被超车车辆的位置，确定位置变化轨迹。

在一个实施例中，处理器执行计算机程序时还实现以下步骤：

若检测到位置变化轨迹符合预设条件，则确定超车车辆存在违章超车行为；其中，预设条件包括：沿行驶方向，超车车辆从与被超车车辆同一车道的后方移至被超车车辆的右侧车道，再移至被超车车辆同一车道的前方。

在一个实施例中，处理器执行计算机程序时还实现以下步骤：

对各监控图像进行检测，得到各监控图像中的多个车辆图像；

根据预先获取到的超车车辆标识、被超车车辆标识对各车辆图像进行识别，确定各监控图像中的超车车辆和被超车车辆。

在一个实施例中，处理器执行计算机程序时还实现以下步骤：

对各车辆图像进行识别，得到各车辆图像对应的车辆标识；

将各车辆标识分别与超车车辆标识和被超车车辆标识进行比较；

若车辆标识与超车车辆标识匹配，则确定车辆标识对应的车辆为超车车辆；

若车辆标识与被超车车辆标识匹配，则确定车辆标识对应的车辆为被超车车辆。

在一个实施例中，处理器执行计算机程序时还实现以下步骤：

对第一监控图像中的各车辆图像进行识别，得到第一监控图像中各车辆图像对应的车辆标识；第一监控图像为多个监控图像中清晰的监控图像；

根据第一监控图像中各车辆图像对应的车辆标识、超车车辆标识和被超车车辆标识，确定第一监控图像中的超车车辆和被超车车辆；

根据第一监控图像中超车车辆的图像和被超车车辆的图像，对第二监控图像中的各车辆图像进行识别，确定第二监控图像中的超车车辆和被超车车辆；其中，第二监控图像为多个监控图像中除第一监控图像之外的监控图像。

在一个实施例中，处理器执行计算机程序时还实现以下步骤：

对多个监控图像进行清晰度检测，得到清晰度大于预设清晰度的第一监控图像。

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，计算机程序被处理器执行时实现以下步骤：

获取多个监控图像；每相邻两个监控图像之间的时间间隔小于预设时长；

从各监控图像中检测出超车车辆和被超车车辆；

确定多个监控图像中超车车辆相对被超车车辆的位置变化轨迹；

根据位置变化轨迹确实超车车辆是否存在违章超车行为。

在一个实施例中，计算机程序被处理器执行时还实现以下步骤：

对各监控图像中的车道进行检测，得到各监控图像中的多个车道；

确定各监控图像中超车车辆相对被超车车辆的位置；其中，超车车辆相对被超车车辆的位置包括：超车车辆与被超车车辆是否位于同一车道，以及沿行驶方向超车车辆位于被超车车辆的前方或后方；

根据多个监控图像中超车车辆相对被超车车辆的位置，确定位置变化轨迹。

在一个实施例中，计算机程序被处理器执行时还实现以下步骤：

若检测到位置变化轨迹符合预设条件，则确定超车车辆存在违章超车行为；其中，预设条件包括：沿行驶方向，超车车辆从与被超车车辆同一车道的后方移至被超车车辆的右侧车道，再移至被超车车辆同一车道的前方。

在一个实施例中，计算机程序被处理器执行时还实现以下步骤：

对各监控图像进行检测，得到各监控图像中的多个车辆图像；

根据预先获取到的超车车辆标识、被超车车辆标识对各车辆图像进行识别，确定各监控图像中的超车车辆和被超车车辆。

在一个实施例中，计算机程序被处理器执行时还实现以下步骤：

对各车辆图像进行识别，得到各车辆图像对应的车辆标识；

将各车辆标识分别与超车车辆标识和被超车车辆标识进行比较；

若车辆标识与超车车辆标识匹配，则确定车辆标识对应的车辆为超车车辆；

若车辆标识与被超车车辆标识匹配，则确定车辆标识对应的车辆为被超车车辆。

在一个实施例中，计算机程序被处理器执行时还实现以下步骤：

对第一监控图像中的各车辆图像进行识别，得到第一监控图像中各车辆图像对应的车辆标识；第一监控图像为多个监控图像中清晰的监控图像；

根据第一监控图像中各车辆图像对应的车辆标识、超车车辆标识和被超车车辆标识，确定第一监控图像中的超车车辆和被超车车辆；

根据第一监控图像中超车车辆的图像和被超车车辆的图像，对第二监控图像中的各车辆图像进行识别，确定第二监控图像中的超车车辆和被超车车辆；其中，第二监控图像为多个监控图像中除第一监控图像之外的监控图像。

在一个实施例中，计算机程序被处理器执行时还实现以下步骤：

对多个监控图像进行清晰度检测，得到清晰度大于预设清晰度的第一监控图像。

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，本申请所提供的各实施例中所使用的对存储器、存储、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-onlymemory，rom)、磁带、软盘、闪存或光存储器等。易失性存储器可包括随机存取存储器(randomaccessmemory，ram)或外部高速缓冲存储器。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(staticrandomaccessmemory，sram)或动态随机存取存储器(dynamicrandomaccessmemory，dram)等。

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。

以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。