驾驶员违章行为识别方法、装置、设备及介质

技术领域

本申请实施例涉及图像检测技术领域领域，涉及但不限于一种驾驶员违章行为识别方法、装置、设备及介质。

背景技术

在相关技术中，智慧交通方案中的违章检测，例如基于图像处理方法实现打电话的违章检测，需要利用图像处理的方法来判断打电话的动作，判断的精准性较低。

发明内容

本申请实施例提供一种驾驶员违章行为识别技术方案。

本申请实施例的技术方案是这样实现的：

本申请实施例提供一种驾驶员违章行为识别方法，所述方法包括：获取满足预设质量条件的待检测图像；其中，所述待检测图像的画面内容包括：车辆、所述车辆内的驾驶员以及与所述驾驶员违章驾驶相关的目标对象；在所述待检测图像中，识别所述目标对象和所述车辆的驾驶员手部；在识别到所述目标对象和所述车辆的驾驶员手部的情况下，确定所述目标对象和所述驾驶员手部之间的交叠程度；基于所述目标对象与所述驾驶员手部之间的交叠程度满足预设条件，确定所述驾驶员存在违章行为。如此，基于图像质量较高的待检测图像进行驾驶员违章行为的识别，能够提升驾驶员违章行为识别的召回率和精确率。

在一些实施例中，所述目标对象包括第一目标对象与第二目标对象，所述在识别到所述目标对象和所述车辆的驾驶员手部的情况下，确定所述目标对象和所述驾驶员手部之间的交叠程度的步骤，包括：在同时识别到所述第一目标对象和所述车辆的驾驶员手部的情况下，确定所述第一目标对象和所述驾驶员手部之间的第一交并比；当同时识别到所述第一目标对象、所述第二目标对象和所述车辆的驾驶员手部的情况下，确定所述第一目标对象和所述驾驶员手部之间的第一交并比，以及确定所述第二目标对象和所述驾驶员手部之间的第二交并比。如此，通过目标对象与驾驶员手部之间交并比，判断两个目标对象和驾驶员手部的交叠程度，以便于进行违章行为的识别。

在一些实施例中，所述目标对象包括第一目标对象，其中，所述第一目标对象为导致驾驶分心的手持物体；所述基于所述目标对象与所述驾驶员手部之间的交叠程度满足预设条件，确定所述驾驶员存在违章行为的步骤，包括：在所述第一目标对象和所述驾驶员手部之间的交叠程度大于设定阈值的情况下，确定所述驾驶员存在违章行为。如此，如果驾驶员手部与第一目标对象存在交叠，判定驶员存在违章行为，能够及时检测到违章的驾驶员。

在一些实施例中，所述目标对象包括第一目标对象与第二目标对象，其中，所述第一目标对象为导致驾驶分心的手持物体，所述第二目标对象为方向盘；所述基于所述目标对象与所述驾驶员手部之间的交叠程度满足预设条件，确定所述驾驶员存在违章行为的步骤，包括：在所述第一目标对象和所述驾驶员手部之间的交叠程度小于所述设定阈值，且所述第二目标对象和所述驾驶员手部之间的交叠程度也小于所述设定阈值的情况下，确定所述驾驶员存在违章行为。如果驾驶员手部与第一目标对象未交叠，继续判断驾驶员手部与第二目标对象是否交叠，以提高违章行为识别的准确度。

在一些实施例中，所述在所述第一目标对象和所述驾驶员手部之间的交叠程度小于所述设定阈值，且所述第二目标对象和所述驾驶员手部之间的交叠程度也小于所述设定阈值的情况下，确定所述驾驶员存在违章行为，包括：在所述第一目标对象和所述驾驶员手部之间的交叠程度小于设定阈值的情况下，确定两个所述驾驶员手部与所述第二目标对象的交叠程度；在两个所述驾驶员手部与所述第二目标对象的交叠程度均小于所述设定阈值的情况下，确定驾驶员存在违章行为。如此，通过检测驾驶员是否双手握持方向盘，能够更加准确的识别驾驶员的违章行为。

在一些实施例中，所述获取满足预设质量条件的待检测图像，包括：获取画面内容包括驾驶中车辆的交通图像；对所述交通图像的画面内容进行车辆检测；响应于在所述交通图像中检测到车辆，在所述交通图像所包含的车辆图像中，检测所述车辆中的驾驶员；响应于在所述车辆图像中检测到所述驾驶员，确定所述车辆图像中包含的驾驶员图像的图像质量；在所述图像质量满足所述预设质量条件的情况下，将所述交通图像确定为所述待检测图像。如此，通过对交通图像进行车辆检测和人体检测之后，将图像质量较高的交通图像作为待检测图像，能够减少不可用的图像检测。

在一些实施例中，所述响应于在所述车辆图像中检测到所述驾驶员，确定所述车辆图像中包含的驾驶员图像的图像质量，包括：响应于在所述车辆图像中检测到所述驾驶员，确定所述驾驶员图像的中心区域；确定所述中心区域的像素梯度的均值；基于所述均值和预设过滤阈值，确定所述驾驶员图像的图像质量。如此，通过对于中心区域的像素梯度，计算图像质量，能够准确地判断每一交通图像的图像质量。

在一些实施例中，所述确定所述中心区域的像素梯度的均值，包括：基于所述中心区域，提取梯度算子；基于所述梯度算子对所述驾驶员图像的每一像素进行运算，并基于运算获得的像素值的平均值确定所述均值。如此，通过对于中心区域所提取的梯度算子，计算图像的像素均值，从而评估该图像的图像质量，能够有效滤除图像质量较低的图像。

在一些实施例中，响应于以下任一种情况，重新获取画面内容包括驾驶中车辆的交通图像：在所述交通图像中未检测到车辆；在所述车辆图像中未检测到所述驾驶员；所述图像质量未满足所述预设质量条件。如此，能够保证待检测图像的可识别度较高，从而提高违章行为识别的准确度。

本申请实施例提供一种驾驶员违章行为识别装置，所述装置包括：

第一获取模块，用于获取满足预设质量条件的待检测图像；其中，所述待检测图像的画面内容包括：车辆、所述车辆内的驾驶员以及与所述驾驶员违章驾驶相关的目标对象；

第一识别模块，用于在所述待检测图像中，识别所述目标对象和所述车辆的驾驶员手部；

第一确定模块，用于在识别到所述目标对象和所述车辆的驾驶员手部的情况下，确定所述目标对象和所述驾驶员手部之间的交叠程度；

第二确定模块，用于基于所述目标对象与所述驾驶员手部之间的交叠程度满足预设条件，确定所述驾驶员存在违章行为。

在上述装置中，所述目标对象包括第一目标对象与第二目标对象，第一确定模块，包括：

第一确定子模块，用于在同时识别到所述第一目标对象和所述车辆的驾驶员手部的情况下，确定所述第一目标对象和所述驾驶员手部之间的第一交并比；

第二确定子模块，用于当同时识别到所述第一目标对象、所述第二目标对象和所述车辆的驾驶员手部的情况下，确定所述第一目标对象和所述驾驶员手部之间的第一交并比，以及确定所述第二目标对象和所述驾驶员手部之间的第二交并比。

在上述装置中，所述目标对象包括第一目标对象，其中，所述第一目标对象为导致驾驶分心的手持物体；

所述第二确定模块，还用于在所述第一目标对象和所述驾驶员手部之间的交叠程度大于设定阈值的情况下，确定所述驾驶员存在违章行为。

在上述装置中，所述目标对象包括第一目标对象与第二目标对象，其中，所述第一目标对象为导致驾驶分心的手持物体，所述第二目标对象为方向盘；

所述第二确定模块，还用于：在所述第一目标对象和所述驾驶员手部之间的交叠程度小于设定阈值，且所述第二目标对象和所述驾驶员手部之间的交叠程度也小于所述设定阈值的情况下，确定所述驾驶员存在违章行为。

在上述装置中，所述第二确定模块，包括：

第三确定子模块，用于在所述第一目标对象和所述驾驶员手部之间的交叠程度小于设定阈值的情况下，确定两个所述驾驶员手部与所述第二目标对象的交叠程度；

第四确定子模块，用于在两个所述驾驶员手部与所述第二目标对象的交叠程度均小于所述设定阈值的情况下，确定驾驶员存在违章行为。

在上述装置中，所述第一获取模块，包括：

第一获取子模块，用于获取画面内容包括驾驶中车辆的交通图像；

第一检测子模块，用于对所述交通图像的画面内容进行车辆检测；

第二检测子模块，用于响应于在所述交通图像中检测到车辆，在所述交通图像所包含的车辆图像中，检测所述车辆中的驾驶员；

第五确定子模块，用于响应于在所述车辆图像中检测到所述驾驶员，确定所述车辆图像中包含的驾驶员图像的图像质量；

第六确定子模块，用于在所述图像质量满足所述预设质量条件的情况下，将所述交通图像确定为所述待检测图像。

在上述装置中，所述第三确定子模块，包括：

第一确定单元，用于响应于在所述车辆图像中检测到所述驾驶员，确定所述驾驶员图像的中心区域；

第二确定单元，用于确定所述中心区域的像素梯度的均值；

第三确定单元，用于基于所述均值和预设过滤阈值，确定所述驾驶员图像的图像质量。

在上述装置中，所述第二确定单元，包括：

第一提取子单元，用于基于所述中心区域，提取梯度算子；

第一确定子单元，用于基于所述梯度算子对所述驾驶员图像的每一像素进行运算，并基于运算获得的像素值的平均值确定所述均值。

在上述装置中，所述装置还包括：

第二获取模块，用于响应于以下任一种情况，重新获取画面内容包括驾驶中车辆的交通图像：在所述交通图像中未检测到车辆；在所述车辆图像中未检测到所述驾驶员；所述图像质量未满足所述预设质量条件。

对应地，本申请实施例提供一种计算机存储介质，所述计算机存储介质上存储有计算机可执行指令，该计算机可执行指令被执行后，能够实现上述所述的方法步骤。

本申请实施例提供一种驾驶员违章行为识别设备，所述驾驶员违章行为识别设备包括存储器和处理器，所述存储器上存储有计算机可执行指令，所述处理器运行所述存储器上的计算机可执行指令时能够实现上述方法的步骤。

本申请实施例提供一种驾驶员违章行为识别方法、装置、设备及介质，通过获取图像质量较高的待检测图像，能够提高待检测图像的精准度，以减少误报情况；如果能够在该待检测图像中识别到目标对象和车辆的驾驶员手部，并确定目标对象和驾驶员手部之间的交叠程度；在目标对象和驾驶员手部的交叠程度满足预设条件的情况下，判定驾驶员存在违章行为。如此，基于图像质量较高的待检测图像进行驾驶员违章行为的识别，能够提升驾驶员违章行为识别的召回率和精确率。

附图说明

图1为本申请实施例提供的驾驶员违章行为识别方法的实现流程示意图；

图2为本申请实施例提供的驾驶员违章行为识别方法的另一实现流程示意图；

图3为本申请实施例提供的驾驶员违章行为识别方法的应用场景示意图；

图4为本申请实施例提供的驾驶员违章行为识别方法的另一应用场景示意图；

图5为本申请实施例提供的驾驶员违章行为识别方法的又一应用场景示意图；

图6为本申请实施例驾驶员违章行为识别装置的结构组成示意图；

图7为本申请实施例驾驶员违章行为识别设备的组成结构示意图。

具体实施方式

为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对发明的具体技术方案做进一步详细描述。以下实施例用于说明本申请，但不用来限制本申请的范围。

在以下的描述中，涉及到“一些实施例”，其描述了所有可能实施例的子集，但是可以理解，“一些实施例”可以是所有可能实施例的相同子集或不同子集，并且可以在不冲突的情况下相互结合。

在以下的描述中，所涉及的术语“第一\第二\第三”仅仅是是区别类似的对象，不代表针对对象的特定排序，可以理解地，“第一\第二\第三”在允许的情况下可以互换特定的顺序或先后次序，以使这里描述的本申请实施例能够以除了在这里图示或描述的以外的顺序实施。

除非另有定义，本文所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同。本文中所使用的术语只是为了描述本申请实施例的目的，不是旨在限制本申请。

对本申请实施例进行进一步详细说明之前，对本申请实施例中涉及的名词和术语进行说明，本申请实施例中涉及的名词和术语适用于如下的解释。

1)准确度和召回率，其中，准确度是检索出相关文档数与检索出的文档总数的比率，衡量的是检索系统的查准率；召回率是指检索出的相关文档数和文档库中所有的相关文档数的比率，衡量的是检索系统的查全率。

2)梯度算子，包括使用差分近似图像函数导数的算子、基于图像函数二阶导数过零点的算子和试图将图像函数与边缘的参数模型相匹配的箅子；在本申请实施例中基于梯度算子逐像素运算后取均值，以实现图像过滤。

下面说明本申请实施例提供的驾驶员违章行为识别系统的示例性应用，其中，本申请实施例提供的系统中的终端可以实施为具有图像采集功能的车载设备、道路监控设备、移动执法监控设备、笔记本电脑，平板电脑，台式计算机，移动设备(例如，个人数字助理，专用消息设备，便携式游戏设备)等各种类型的驾驶员违章行为识别设备。

下面，将说明驾驶员违章行为识别的系统实施为驾驶员违章行为识别设备时示例性应用。

图1为本申请实施例提供的驾驶员违章行为识别方法的实现流程示意图，如图1所示，结合如图1所示步骤进行说明：

步骤S101，获取满足预设质量条件的待检测图像。

在一些实施例中，所述待检测图像的画面内容包括：车辆，所述车辆内包含驾驶员以及与违章驾驶相关的目标对象。预设质量条件为图像质量大于等于预设质量阈值，表示图像清晰度较高、可能发生违章行为处无遮挡以及图像的光线强度合适，即基于当前图像能够分辨出图像中是否发生违章行为。待检测图像为画面内容包括交通场景下有驾驶员的车辆的图像，且图像质量满足预设质量条件。待检测图像的画面内容包括车辆，车辆内包含驾驶员以及目标对象，其中，目标对象为与违章驾驶相关的对象。待检测图像可以是从交通场景的视频帧中提取的一帧图像，还可以是在交通场景下随机采集的一张图像。比如，交通监控视频中的一帧图像、交通监控设备随机抓取的一张图像或者是移动车载执法设备采集的一张图像。该待检测图像中的车辆可以是机动车(包括各种轮数的机动车，如机动三轮车、轿车、面包车、卡车或拖拉机等；或，各种型号的机动车，如大型SUV、迷你跑车、中型巴士或者大型巴士等)或非机动车(如，挂牌电动车自行车或者电动轿车等)。

在一些可能的实现方式中，图像质量满足预设质量条件的待检测图像，可以理解为是该待检测图像的清晰度大于一定清晰度阈值，图像画面的车辆图像中可能发生违章行为的图像区域未被遮挡(比如，驾驶员胸前或者方向盘等图像区域未被遮挡)、图像中的光线强度适中，能够清晰的看到画面中的车辆和车辆中的驾驶员等对象。如此，采用图像质量较高的待检测图像进行违章行为的识别，能够达到比较高的召回率和精确率。

步骤S102，在待检测图像中，识别目标对象和车辆的驾驶员手部。

在一些实施例中，目标对象是违章驾驶相关的对象；比如，驾驶员能够手持的设备和车辆的方向控制器，比如，通信类电子设备(如，手机或迷你电脑等)、图像采集设备(如，相机或其他具有摄像头的设备等)、音乐播放类设备或人工交互类设备等；还可以是其他非设备类对象，比如，能够手持的食物或能够手持的玩物等。以车辆为普通轿车为例，那么目标对象为车内部除方向盘之外的任意可手持的对象。目标对象可以是位于车辆内部，还可以是位于车辆外部。如果车辆能够形成封闭区域，那么目标对象为位于车辆内部的对象(如车辆为轿车，目标对象可以是轿车内放置的手机)，如果车辆不能形成封闭区域，那么目标对象为位于车辆外部的对象(如车辆为普通电动车，目标对象可以是骑电动车者手持的手机)。

在一些可能的实现方式中，首先，获取预训练的目标对象和车辆的驾驶员手部合一的检测模型；该检测模型用于将目标对象和车辆的驾驶员手部合一之后，进行检测。该检测模型可以是两阶段检测网络结构或单阶段检测网络；然后，将待检测图像输入该检测模型中，对待检测图像进行特征提取，得到图像特征。最后，基于图像特征，识别目标对象和所述驾驶员手部；如此，实现对待检测图像的目标对象和车辆的驾驶员手部的检测，得到的检测结果包括以下几种：仅检测到目标对象、仅检测到驾驶员手部、目标对象和驾驶员手部均检测不到，或，目标对象和驾驶员手部均能够检测到。在一个具体例子中，以目标对象为手机，在待检测图像中，识别手机与车辆的驾驶员手部，可以采用预训练的手机和驾驶员手部合一的检测模型，对待检测图像中的手机和驾驶员手部进行检测，以确定所述手机与驾驶员的手部是否同时出现，以进一步基于二者的相对位置关系判断驾驶员是否在驾驶的过程中存在打电话违章行为。

步骤S103，在识别到目标对象和车辆的驾驶员手部的情况下，确定目标对象和驾驶员手部之间的交叠程度。

在一些实施例中，目标对象和驾驶员手部之间的交叠程度用于表示驾驶员手部与目标对象之间的相对位置关系，例如：驾驶员手部是否握持所述目标对象。如果通过步骤S102，通过检测模型(比如，两阶段检测网络结构或单阶段检测网络)在待检测图像中，能够检测到目标对象的检测框和驾驶员手部的检测框，那么，即可通过确定目标对象的检测框与检测驾驶员手部的检测框之间的交叠程度(例如：交并比(Intersection over Union，IoU))，来确定驾驶员手部与目标对象之间的交叠程度。如果两个检测框之间的交并比较大，大于一设定阈值，那么说明驾驶员手部和目标对象的交叠较多，从而说明驾驶员手部和目标对象存在接触或者握持关系；如果两个检测框之间的交并比较小，小于所述设定阈值，那么说明驾驶员手部和目标对象的交叠较少，从而说明驾驶员手部和目标对象不存在接触或者握持关系，即关联关系为不相交叠。

步骤S104，基于目标对象与驾驶员手部之间的交叠程度满足预设条件，确定驾驶员存在违章行为。

在一些实施例中，所述目标对象包括第一目标对象与第二目标对象，其中所述第一目标对象为位于所述车辆的预设范围内，导致驾驶员分心的可手持的物体，比如，手机、玩物、饮料或零食等。第二目标对象为控制所述车辆方向的器件，比如，车辆的方向盘。

在一些可能的实现方式中，在第二目标对象为方向盘的情况下，步骤S104包括以下两种情况：

一是：在第一目标对象(比如，手机或零食等车内导致驾驶员分心的可手持物体)和驾驶员手部之间的交叠程度满足预设条件(比如，第一目标对象与驾驶员手部的交叠程度较大，驾驶员手持手机)，即交叠程度大于所述设定阈值，确定驾驶员存在违章行为。

二是：在第一目标对象和驾驶员手部之间的交叠程度不满足预设条件，即第一目标对象与驾驶员手部的交叠程度小于所述设定阈值，并且，所述第二目标对象与驾驶员手部的交叠程度也小于所述设定阈值，(比如，方向盘与驾驶员手部的交叠程度较小，或者方向盘与驾驶员手部不交叠，即驾驶员未手扶方向盘)，确定驾驶员存在违章行为。

对应的，上述步骤S104包括如图2所示的步骤S1041或者步骤S1042：

步骤S1041：在第一目标对象和驾驶员手部之间的交叠程度大于设定阈值的情况下，确定驾驶员存在违章行为。

在一些实施例中，第一目标对象和驾驶员手部之间的交叠程度大于设定阈值，即第一目标对象和驾驶员手部之间的交叠面积大于或等于预设面积阈值，或者第一目标对象和驾驶员手部之间的交并比大于预设阈值。如果驾驶员手部和第一目标对象之间的的交叠较大，从而说明驾驶员手部和目标对象存在握持关系；进而说明驾驶员在驾驶过程中存在手握持第二目标对象之外的第一目标对象，即驾驶员在驾驶过程中存在影响驾驶的分心行为，所以判断该驾驶员存在违章行为。

步骤S1042：在所述第一目标对象和所述驾驶员手部之间的交叠程度小于设定阈值，且所述第二目标对象和所述驾驶员手部之间的交叠程度也小于所述设定阈值的情况下，确定所述驾驶员存在违章行为。

在一些实施例中，目标对象与所述驾驶员手部之间的交叠程度满足预设条件，即目标对象与所述驾驶员手部之间的交叠程度同时满足以下两要求的情况下：1、第一目标对象和驾驶员手部之间的交叠面积小于或等于预设面积阈值，或者第一目标对象和驾驶员手部之间的交并比小于预设阈值；2、第二目标对象和驾驶员手部之间的交叠面积小于或等于预设面积阈值，或者第二目标对象和驾驶员手部之间的交并比小于预设阈值。上述预设条件，说明驾驶员的手部未握持导致驾驶分心的第一目标对象，但同时，驾驶员的手部也未手扶第二目标对象(比如，方向盘)，因此，依然判断驾驶员存在违章行为。

在一个具体例子中，以车辆为普通轿车，以目标对象为第一目标对象中的手机为例，在手机和驾驶员手部之间的交叠程度满足预设条件情况下，确定驾驶员存在驾驶打电话的违章行为。如果手机和驾驶员手部之间的交叠较少或者未交叠，说明该驾驶员在驾驶的过程中不存在打电话等分心行为，那么继续判断该驾驶员手部是否握持目标对象中的第二目标对象(比如，方向盘)，如果没有握持方向盘，仍然确定驾驶员存在违章行为。在一些实施例中，基于第一目标对象检测驾驶员是否违章的情况下，可以按照不同的第一目标对象逐一进行检测，比如，如果该驾驶员在驾驶的过程中不存在打电话行为，继续判断驾驶员手部是否握持第一目标对象中除手机之外的其他可手持物体，如果握持有其他其他可手持物体，仍然能够确定驾驶员存在违章行为。

在本申请实施例中，通过准确抓取图像质量比较高的待检测图像，能够提高待检测图像的精准度，以减少误报情况；从而基于图像质量较高的待检测图像进行驾驶员违章行为的识别，能够提升驾驶员违章行为识别的召回率和精确率。

在一些实施例中，为保证获得的待检测图像的图像质量，步骤S101可以通过以下步骤S201至205实现，如图2所示，图2为本申请实施例提供的驾驶员违章行为识别方法的另一实现流程示意图，结合图1和2进行以下说明：

步骤S201，获取画面内容包括驾驶中车辆的交通图像。

在一些实施例中，交通图像为在交通场景中驾驶中的车辆达到预设速度下任意采集的一帧图像，或者从交通监控视频中任意提取的一帧图像。比如，在龙门架监控、天桥场景监控、道路监控或移动车载执法场景下获取的一帧图像。因此，获取到的图像中包含的车辆是驾驶中的车辆，而并非静止状态的车辆。

在一个具体例子中，交通图像可以是在城市道路或者高速公路上采集的一帧图像，该图像的图像质量可能满足质量条件，也可能不满足质量条件；图像中可能包括车辆、车辆中的驾驶员等对象，也可能该图像中无法清晰地识别到车辆或驾驶员等对象。

步骤S202，对交通图像的画面内容进行车辆检测。

在一些实施例中，可以通过如下过程对交通图像进行车辆检测：首先，获取预训练的车辆检测模型；该车辆检测模型用于对图像中的车辆进行检测。该检测模型可以是两阶段检测网络结构或单阶段检测网络；然后，将交通图像输入该检测模型中，输出结果包括：检测到的车辆的检测框，或者裁剪出来的整体车辆图像。如果在交通图像中检测到车辆，进入步骤S203。

步骤S203，响应于在交通图像中检测到车辆，在所述交通图像所包含的车辆图像中，检测车辆中的驾驶员。

在一些实施例中，通过采用车辆检测模型对交通图像进行车辆检测，如果在交通图像中检测到车辆，那么继续在该交通图像所包含的车辆图像中检测车辆的驾驶员。该车辆图像是基于车辆检测模型识别到的检测框，从所述交通图像中裁剪出的车辆小图。在一些可能的实现方式中，可以通过以下过程在该车辆图像中检测车辆的驾驶员：首先，获取预训练的人体检测模型；该人体检测模型用于对图像中的车辆的驾驶员进行检测。该检测模型可以是两阶段检测网络结构或单阶段检测网络；然后，将车辆图像输入该检测模型中，输出结果包括：检测到驾驶员的检测框，或者裁剪出来的驾驶员图像。如果在车辆图像中检测到驾驶员，进入步骤S204；如果在交通图像中未检测到驾驶员，进入步骤S131。

步骤S204，响应于在所述车辆图像中检测到驾驶员，确定所述车辆图像中包含的驾驶员图像的图像质量。

在一些实施例中，通过采用人体检测模型对图像进行人体检测，即检测图像中是否存在车辆的驾驶员。如果在交通图像中检测到车辆的驾驶员，那么继续对该交通图像的图像质量进行判定。在一些可能的实现方式中，对于检测到车辆和驾驶员的交通图像，基于所述驾驶员图像的中心区域提取梯度算子(其中，梯度算子可以是一阶微分算子，比如，Sobel算子；还可以是二阶微分算子，比如，拉普拉斯算子。通过拉普拉斯函数，将驾驶员图像的中心区域的像素作为该函数的输入，拉普拉斯函数根据像素之间的关系计算每个像素位置的二阶导数，并对输入的像素进行离散化，最后通过离散化的结果和二阶导数，即可得到该拉普拉斯算子)；再基于所述梯度算子对所述驾驶员图像的每一像素运算后，将运算获得的像素值取平均值，即该驾驶员图像的像素平均值，并与预设的质量阈值比较。其中，中心区域的尺寸可以是驾驶员图像尺寸的一半。若驾驶员图像的像素平均值高于质量过滤阈值，则认为该驾驶员图像的图像质量可以用于后续的识别，即图像质量满足预设质量条件，进入步骤S205。若驾驶员图像的像素平均值低于质量过滤阈值，则认为该驾驶员图像的图像质量不足以用于后续的识别，即图像质量不满足预设质量条件，将该交通图像过滤掉，重新采集一帧交通图像。在图像质量未满足预设质量条件的情况下，进入步骤S141。在一些实施例中，将驾驶员图像的每一像素都与梯度算子运算后取平均值(即，以梯度算子为卷积核做卷积运算)，获得该驾驶员图像的像素平均值，并与预设的质量阈值比较，并基于该比较结果过滤图像质量差的交通图像。

步骤S205，在图像质量满足预设质量条件的情况下，将交通图像确定为待检测图像。

在一些实施例中，图像质量满足预设质量条件可以理解为是该图像中驾驶员图像的图像质量是能够用于进行图像识别的，即该驾驶员图像是未被遮挡的、图像清晰度较高且图像的光线强度适中，能够在该图像中准确的识别出是否包括目标对象。

上述步骤S201至步骤S205提供了一种确定待检测图像的实现方式，在该方式中，通过针对获取的交通图像进行车辆检测和驾驶员检测之后，再确定驾驶员图像的图像质量，从而将包括的驾驶员图像的图像质量较高的交通图像确定为待检测图像。

步骤S131，响应于在交通图像中未检测到驾驶员，重新获取画面内容包括车辆的交通图像，以得到更新的交通图像。

在一些实施例中，对于首次采集的交通图像，如果通过交通图像中车辆图像进行车辆驾驶员识别的检测结果表明，该车辆图像中不包括车辆驾驶员，那么在该交通场景下，继续采集一帧画面内容包括该车辆的交通图像，即更新的交通图像。更新交通图像中包含车辆，可能包含车辆的驾驶员，也可能不包括该驾驶员。在一些可能的实现方式中，在首次采集的车辆图像中未包含车辆的驾驶员的情况下，可间隔预设时长之后，再采集更新的图像；该间隔预设时长可以根据当前环境信息进行设定。这样，按照与当前环境信息相关的预设间隔时长采集更新的图像，从而能够避免采集较多的无用图像。在得到更新的交通图像之后，返回步骤S203，继续在更新的交通图像所包含的车辆图像中，检测所述车辆中的驾驶员；在驾驶员图像的图像质量满足预设质量条件的情况下，将所述更新的交通图像确定为所述待检测图像。

在本申请实施例中，对于获取的交通图像，如果该图像中能够检测到车辆，但是未检测到驾驶员手部，那么滤除该图像，并在该交通场景下重新采集交通图像，通过对该重新采集的交通图像进行质量分析，确定出待检测图像。

步骤S141，在更新的交通图像的图像质量不满足预设质量条件的情况下，重新获取画面内容包括车辆和驾驶员的另一更新交通图像。

在一些实施例中，通过对更新的交通图像的图像质量进行检测之后，如果该更新的交通图像的驾驶员图像的像素均值小于质量过滤阈值，即确定更新的交通图像的驾驶员图像的图像质量不满足预设质量条件；在该交通场景下，重新获取画面内容包括车辆和该车辆驾驶员的另一交通图像。在一些可能的实现方式中，可以基于与当前环境信息相关的预设时长间隔，采集画面内容包括车辆和驾驶员的更新图像，以减少无用图像的获取。在得到另一更新交通图像之后，返回步骤S204，确定所述另一更新交通图像的图像质量；在所述另一更新交通图像的图像质量满足预设质量条件的情况下，将所述另一更新交通图像的图像质量确定为所述待检测图像。

在本申请实施例中，对于图像质量不合格的图像进行滤除，重新采集一帧交通图像，继续进行检测以得到质量合格的待检测图像，将图像质量较高的更新交通图像作为待检测图像，从而能够避免由于图像质量低造成的识别结果误判。

在一些实施例中，基于交通图像，针对处于行驶状态的车辆进行违章行为识别，在步骤S201，获取画面内容包括驾驶中车辆的交通图像之前，还包括以下步骤：从连续多帧的监控图像中确定车辆的运动状态，并基于所述车辆的运动状态挑选出包含驾驶中车辆的交通图像。具体通过步骤S231和232实现：

步骤S231，响应于在连续多帧的监控图像中检测到车辆，确定车辆的运动状态。

在一些实施例中，对于获取到的连续多帧的监控图像，采用车辆检测模型进行车辆检测之后，如果检测结果表明该图像中存在车辆，那么确定车辆的运动状态。该运动状态包括：行驶状态和静止状态；其中，行驶状态包括：高速行驶、中速行驶、低速行驶和堵车情况下的缓慢行驶等。静止状态包括：熄火状态和未熄火状态(如，等待红灯状态和未熄火的情况下路边短暂停靠状态等)等。在一些可能的实现方式中，可以通过连续获取多帧包括该车辆的监控图像，通过检测图像中车辆在时序上的位置信息，判断车辆的运动状态。如果该车辆在时序上的位置信息发生变化，说明车辆处于行驶状态；如果该车辆在时序上的位置信息未发生变化，说明车辆处于静止状态。

步骤S232，响应于车辆处于行驶状态，在所述多帧监控图像中，确定包括驾驶中车辆的交通图像。

在一些实施例中，如果检测到交通图像中存在处于行驶状态的车辆和该车辆的驾驶员，且该交通图像的图像质量较高，那么将该图像作为待检测图像。通过预设检测网络模型对待检测图像中的目标对象和驾驶员手部进行检测，即步骤S102可以通过以下步骤实现：

步骤S221，采用预设检测网络模型，识别所述待检测图像包括的目标对象和所述驾驶员手部，以第一检测框标记所述目标对象，以第二检测框标记所述驾驶员手部。

在一些实施例中，预设检测网络模型为用于进行目标对象和人体手部识别的已训练神经网络，比如，采用预训练的目标对象和车辆的驾驶员手部合一的检测模型对待检测图像包括的驾驶员图像中进行检测，采用不同的检测框指代检测到的目标对象和驾驶员手部。在一个具体例子中，以第一目标对象中的手机为例，采用第一检测框指代检测到的手机，采用第二检测框指代检测到的驾驶员手部。

在一些实施例中，对应所述目标对象包括第一目标对象与第二目标对象，可以通过同一个检测模型实现所述第一目标对象、第二目标对象以及驾驶员手部的识别，并分别通过不同的检测框分别指代检测到的第一目标对象、第二目标对象以及所述驾驶员手部。

步骤S222，响应于第一检测框和第二检测框的检测结果均为非空，确定在驾驶员图像中检测到目标对象和所述驾驶员手部。

在一些实施例中，如果用于标记目标对象的第一检测框为非空，说明该第一检测框中存在目标对象，即在驾驶员图像中检测到了目标对象；如果用于标记目标对象的第一检测框为空，说明该第一检测框中不存在目标对象，即在驾驶员图像中未检测目标对象。如果用于标记驾驶员手部的第二检测框为非空，说明该第二检测框中存在驾驶员手部，即在驾驶员图像中检测到了驾驶员手部；如果用于标记驾驶员手部的第二检测框为空，说明该第二检测框中不存在驾驶员手部，即在驾驶员图像中未检测驾驶员手部。

上述步骤S221和步骤S222提供了一种实现“在所述驾驶员图像中，识别所述目标对象和所述车辆的驾驶员手部”的方式，在该方式中，通过判断第一检测框和第二检测框的检测结果是否为空，来确定是否检测到目标对象和驾驶员手部。如此，通过预设检测网络模型中不同的检测框标记目标对象和驾驶员手部，能够在待检测图像中，准确识别出目标对象和驾驶员手部。

在一些实施例中，如果第一检测框和第二检测框均为非空，即在待检测图像中，检测到目标对象和驾驶员手部，那么通过分析这两个检测框之间的交叠，来判断目标对象和驾驶员手部的交叠程度，即步骤S103可以通过以下步骤实现：

步骤S223，在识别到所述目标对象和所述车辆的驾驶员手部的情况下，基于所述目标对象的检测框和驾驶员手部的检测框之间的交并比，确定所述目标对象和驾驶员手部的交叠程度。

在一些实施例中，如果待检测图像包括的驾驶员图像中检测到目标对象和驾驶员手部，基于输出的用于表征目标对象的第一检测框和用于表征驾驶员手部的第二检测框，确定这两个检测框的交集和并集的比值，即交并比。该比值越大说明第一检测框与第二检测越接近；即，该比值越大说明两个检测框的交叠部分越大。即，通过所述交并比，即可确定二者之间的交叠程度。

在一些可能的实现方式中，以下任一种情况，判断所述目标对象和驾驶员手部之间不存在交叠：在待检测图像包括的驾驶员图像中未检测到目标对象但能够检测到驾驶员手部；在待检测图像包括的驾驶员图像中能够检测到目标对象，但未检测到驾驶员手部；在待检测图像包括的驾驶员图像中未检测到目标对象，也未检测到驾驶员手部。此时，需要进一步获取待检测图像；以便于对重新获取的待检测图像中的驾驶员进行违章行为的识别。

在一些实施例中，如果交并比大于或等于预设交并比阈值，说明第一检测框与第二检测框重叠的区域较多，进而说明标对象和驾驶员手部存在的交叠部分较大，确定交叠程度满足预设条件，说明该驾驶员手持目标对象，所以确定驶员存在违章行为。

在一些实施例中，目标对象包括导致分心驾驶的第一目标对象和车辆控制相关的第二目标对象(例如，方向盘)，对应的，上述目标对象的检测框和驾驶员手部的检测框之间的交并比，包括第一目标对象的检测框和驾驶员手部的检测框之间的第一交并比，以及第二目标对象的检测框和驾驶员手部的检测框之间的第二交并比。

在本实施例中，步骤S103，在识别到目标对象和车辆的驾驶员手部的情况下，确定目标对象和驾驶员手部之间的交叠程度，包括：在同时识别到第一目标对象和车辆的驾驶员手部的情况下，确定第一目标对象的检测框和驾驶员手部检测框之间的第一交并比；并且，在还识别到第二目标对象的情况下，确定第二目标对象检测框和驾驶员手部的检测框之间的第二交并比。

所述步骤S1041：在第一目标对象和驾驶员手部之间的交叠程度大于设定阈值，确定驾驶员存在违章行为，包括：在第一目标对象的检测框和驾驶员手部检测框之间的第一交并比大于设定的第一交并比阈值的情况下，确定驾驶员存在违章行为。

所述步骤S1042：在所述第一目标对象和所述驾驶员手部之间的交叠程度小于设定阈值，且所述第二目标对象和所述驾驶员手部之间的交叠程度也小于所述设定阈值的情况下，确定所述驾驶员存在违章行为，包括：在第一目标对象的检测框和驾驶员手部的检测框之间的交并比小于设定的第一交并比阈值，并且第二目标对象的检测框与驾驶员手部的检测框之间的交并比小于设定的第二交并比阈值的情况下，确定驾驶员存在违章行为。

在本申请实施例中，针对驾驶员手部与第一目标对象不相交叠的情况，通过检测驾驶员手部与第二目标对象的交叠程度，进行驾驶员违章行为识别，以提高违章行为识别的广泛适用性。

在其他实施例中，在所述第一目标对象和所述驾驶员手部之间的交叠程度小于设定阈值的情况下，如果第二交并比大于或等于预设交并比阈值，确定驾驶员未发生违章行为。

在一些实施例中，如果第二交并比大于或等于预设交并比阈值，说明标记驾驶员手部检测框与标记方向盘的检测框重叠的区域较多，进而说明第二目标对象和驾驶员手部存在的交叠部分较大。说明该驾驶员未手持第一目标对象，且手握第二目标对象，所以确定驶员未发生违章行为。如此，在驾驶员未手持手机的情况下，通过进一步判断手部和方向盘是否交叠，来确定驾驶员是否发生违章行为，从而能够提高违章识别的精确率。

在一些实施例中，仍然以第二目标对象为方向盘为例，在所述第一目标对象和所述驾驶员手部之间的交叠程度(即第一交并比)小于设定阈值的情况下，通过连续的多帧判断驾驶员的双手与方向盘的交叠程度(即第二交并比)，确认驾驶员双手是否放在方向盘上，来判断该驾驶员是否违章，即所述步骤S1042包括以下步骤：

S10421：在所述第一目标对象和所述驾驶员手部之间的交叠程度小于设定阈值的情况下，确定两个所述驾驶员手部与所述第二目标对象的交叠程度。

在一些实施例中，第一目标对象和所述驾驶员手部之间的交叠程度小于设定阈值，说明驾驶员未手持导致分心的物体，那么进一步检测驾驶员双手与方向盘的交叠程度，以判断驾驶员是否双手握持方向盘。

S10422：在两个所述驾驶员手部与所述第二目标对象的交叠程度均小于所述设定阈值的情况下，确定驾驶员存在违章行为。

在一些实施例中，第二交并比小于预设交并比阈值，说明标记驾驶员手部的检测框与标记方向盘的检测框重叠的部分较小，即说明驾驶员双手均与方向控制器的交叠较小，或者驾驶员双手均与第二目标对象未交叠。若驾驶员双手均没有放置在方向控制器上，即可确定驾驶员存在违章行为。

在一些实施例中，在检测到驾驶员双手均未放置在方向控制器的情况下，还可以按照一定的时长，获取该时长内连续多帧的驾驶员图像，以结合该多帧驾驶员图像中的两手部是否持续未放在方向盘上，进行违章判定，有效减少违章的误判。

在其他实施例中，如果驾驶员长时间处于违章状态，还可以触发报警系统，以通过报警系统提示驾驶员调整驾驶姿态。驾驶姿态包括：手部姿态和身体姿态，该提示信息能够提示驾驶员双手握持方向控制器。如果车辆为普通轿车，那么该提示信息可以输出在车辆的车载设备上，还可以输出在该驾驶员所绑定的终端上，比如，以短信或者语音的方式输出在驾驶员的手机上。如果车辆为电动自行车，那么将提示信息以短信或者语音的方式输出在骑行者的手机上。

在本申请实施例中，在第一目标对象与手部之间不相交叠的情况下，通过进一步判断手部和方向盘是否交叠，来确定驾驶员是否发生违章行为，从而能够提高违章识别的精确性。

在一些实施例中，在述第一目标对象和所述驾驶员手部之间的交叠程度小于设定阈值的情况下，如果未检测到车辆的方向盘，可以在一定时长内持续对该车辆进行监督，来确定驾驶员是否发生违章行为。比如，可以通过以下过程实现：

首先，响应于所述标记方向盘的检测框的检测结果为空，确定在所述待检测图像包括的车辆图像中未检测到所述第二目标对象，确定第二目标对象处于遮挡状态。

在一些实施例中，如果用于标记第二目标对象的第三检测框为空，说明该第三检测框中不存在第二目标对象，即在车辆图像中未检测到第二目标对象。以第二目标对象为轿车的方向盘为例，采用预训练的第二目标对象检测模型中的第三检测框检测该方向盘，如果车辆图像中不包括方向盘，那么在第二目标对象检测模型的输出结果中不会显示第三检测框。在这种情况下，说明第二目标对象被遮挡，确定该第二目标对象的遮挡状态；其中，遮挡状态包括：遮挡方式、遮挡区域和遮挡面积等。

然后，在监测到所述第二目标对象处于未遮挡状态的情况下，重新获取画面内容包括所述第二目标对象的更新的交通图像。

在一些实施例中，在第二目标对象处于遮挡状态的情况下，在预设时长内持续对该车辆进行监控。比如，在接下来的30分钟内持续对该车辆进行监控，以监测第二目标对象的遮挡状态是否发生改变，即第二目标对象是否处于未遮挡状态。当监测到第二目标对象处于未遮挡状态时，重新获取一帧画面内容包括该第二目标对象的待检测图像。该待监测图像可以是基于第二目标对象当前的状态重新采集的一帧图像。

在一些可能的实现方式中，获取到更新的交通图像之后，返回步骤S203，继续在车辆图像中检测驾驶员手部，并基于检测结果，确定驾驶员是否存在违章行为。

在一些实施例中，在驾驶员图像中未检测到驾驶员手部的情况下，如果在车辆图像中检测到车辆的第二目标对象，那么确定驾驶员存在违章行为。

在本申请实施例中，在第一目标对象与手部之间不相交叠，且暂时未检测到车辆的方向盘的情况下，持续对该车辆进行监控，重新获取更新的待检测图像，并再次进行违章行为识别，以提高违章行为识别的准确度。

下面，将说明本申请实施例在一个实际的应用场景中的示例性应用，以针对驾驶员在驾驶过程中打电话违章行为的检测为例，进行说明。

随着人工智能技术的发展，城市中的各个场景都变得更加智能，其中，在交通管理方面同样也正在向着更加智能的方向发展。交通管理主要依赖于人工，特别是在一些违章的检测识别中，比较依赖于人对于监控视频的观察，效率相对比较低。借助于海量的交通监控视频，结合人工智能和深度学习技术，能够很大程度上将违章检测识别变得更加高效智能，提高城市交通管理的效率，并减轻工作人员的压力。比如，在智慧交通方案中的违章检测，对于驾驶过程中打电话的违章检测，利用图像处理的方法来判断打电话的动作，但是精准性较低。

基于此问题，在相关技术中基于海量数据训练深度学习模型，用于驾驶过程中打电话违章的检测识别，虽然精准度有所提高，但是所能够达到的召回率和精确率有限，无法解决一些实际场景中的问题。比如，抓拍的图像中存在司机图像的模糊和遮挡导致无法作为违章依据；另一方面是对于不同场景的通用性不足，主要面向单一场景。

基于此，本申请实施例提供一种驾驶员违章行为识别方法，首先，对视频或图像进行车辆检测；其次，基于检测到的车辆，对车辆中的司机进行目标检测；再次，基于司机图像中心区域提取到的梯度算子，基于梯度算子对司机图像的每一像素运算后取平均值，获得该司机图像图像的像素平均值，并与预设的质量阈值比较。如果司机图像的像素平均值低于质量过滤阈值，说明该司机图像为画面模糊、车内光线过暗或司机胸前有遮挡情况的图像；那么过滤掉该司机图像。再次，基于过滤后的图像质量满足预设条件的司机图像，检测司机的手部和手机的检测框；最后，基于检测到的司机手部和手机检测框，判断是否存在司机打电话的行为。如此，将司机图像的每一像素都与梯度算子运算后取平均值(即，以梯度算子为卷积核做卷积运算)，获得该司机图像的像素平均值，并与预设的质量阈值比较，并基于该比较结果过滤图像质量差的图像；从而对于驾驶过程中打电话违章行为的识别，能够达到比较高的召回率和精确率，并且，适用场景较多。

在一些实施例中，驾驶员违章行为识别方法可以通过以下过程实现：

第一步，对获取的交通图像进行车辆检测。

在一些实施例中，通过预先训练的车辆检测模型实现车辆检测，车辆检测模型的网络结构可以是两阶段检测网络结构(如快速区域卷积神经网络(Faster RegionConvolutional Neural Networks，Faster RCNN等)，还可以是单阶段检测网络结构(如视网膜网络(RetinaNet)等)。车辆检测模型的输入为交通监控场景下的抓拍图像或者从监控视频中抽取的视频帧；车辆检测模型的输出为图像对应的车辆检测框或裁剪出的整体车辆图像。

第二步，基于检测到的车辆图像，对车辆的司机进行人体检测，得到画面内容包括司机的驾驶员图像。

在一些实施例中，通过预先训练的司机人体检测模型实现司机人体检测，司机人体检测模型的网络结构可以是与车辆检测模型的网络结构相同或不同，即可以司机人体检测模型的网络结构可以是两阶段检测网络结构，还可以是单阶段检测网络结构。司机人体检测模型的输入为画面内容包括车辆的车辆图像，即在第一步中进行车辆检测后，检测到存在车辆的图像；司机人体检测模型的输出为车辆中的司机人体检测框或裁剪出的驾驶员图像。

第三步，对第二步中输出的司机人体检测框或裁剪出的驾驶员图像，进行图像过滤。

在一些实施例中，对于第二步中输出的司机人体检测框或裁剪出的驾驶员图像，选取图像中心的矩形区域作为梯度算子提取的区域(其中，梯度算子如拉普拉斯梯度或sober梯度等，梯度能够体现图像像素的变化程度)。对于梯度算子提取的区域，计算逐像素的均值，将该均值与质量过滤阈值进行比较。若均值低于质量过滤阈值，则认为驾驶员图像的图像质量不足以用于后续的识别，反之则认为可用于后续识别。如图3所示，图3为本申请实施例驾驶员违章行为识别方法的应用场景示意图，从图3可以看出，图300中能够检测到车辆301和驾驶员302，但是车辆光线较暗，其中驾驶员图像的图像质量较差，并不能很清晰的识别到该驾驶员是否在驾驶过程中打电话，为避免对该驾驶员的违章行为造成误判，滤除图像300；并针对该车辆再次继续进行图像监控，直到获取图像质量较高的待检测图像。比如，获取到图4所示的图像400。从图像400可以看出，驾驶员302正在手持手机打电话，所以确定驾驶员302存在驾驶过程中打电话违章行为。

第四步，对过滤后的驾驶员图像进行手机和手部检测。

在一些实施例中，通过预先训练的手和手机合一检测模型实现司机的手部和手机检测，手和手机合一检测模型的网络结构可以是与车辆检测模型的网络结构相同或不同，即可以手和手机合一检测模型的网络结构可以是两阶段检测网络结构，还可以是单阶段检测网络结构。手和手机合一检测模型的输入为经过质量过滤后的驾驶员图像；手和手机合一检测模型的输出为司机的手部检测框和手机的检测框(假设图像中存在手或手机)。对于驾驶员图像中的手机和手部检测，可能存在的情况包括：没有检测到手、没有检测到手机、只检测到手机(手机支架)、只检测到手、手和手机均未检测到、手和手机均检测到。

第五步，在同时识别到司机手部和手机的情况下，判断司机手部和手机检测框之间的关联关系。

在一些实施例中，确定司机手部和手机检测框之间的第一交并比，如果存在手机和手部的检测框存在交叠的情况，即检测框的第一交并比值大于设定的阈值，则判定为存在打电话的违章行为。如图5所示，图5为本申请实施例驾驶员违章行为识别方法的又一应用场景示意图，从图5可以看出，在图像500中，针对车辆501，用于检测司机手部的第二检测框502，和用于检测手机的第一检测框503之间的交集很大，说明司机手部与手机之间的交叠程度很大；进而说明司机当前正在手持手机打电话，因此，确定该司机存在打电话的违章行为。

如果检测框的第一交并比值小于设定的阈值，说明用于检测司机手部的第二检测框和用于检测手机的第一检测框之间没有交叠，即说明司机手部与手机之间没有交叠，进一步说明司机当前并没有手持手机。因此，确定该司机不存在打电话的违章行为。

如果针对手机和司机手机的检测结果中，手机检测框单独存在时，而没有检测司机手部的第二检测框时，判断为司机手部和手机不存在关联；比如，在检测结果中仅检测到手机支架的情况，判断为手和手机不存在关联，从而能够避免误报的情况。

在本申请实施例中，在交通场景下针对驾驶过程中打电话违章行为的识别，能够达到比较高的召回率和精确率，适用场景广泛。比如，能够精准的抓取龙门架、天桥场景和移动车载执法等多种场景下的驾驶过程中打电话违章图像。

本申请实施例提供一种驾驶员违章行为识别装置，图6为本申请实施例驾驶员违章行为识别装置的结构组成示意图，如图6所示，所述驾驶员违章行为识别装置600包括：

第一获取模块601，用于获取满足预设质量条件的待检测图像；其中，所述待检测图像的画面内容包括：车辆、所述车辆内的驾驶员以及与所述驾驶员违章驾驶相关的目标对象；

第一识别模块602，用于在所述待检测图像中，识别所述目标对象和所述车辆的驾驶员手部；

第一确定模块603，用于在识别到所述目标对象和所述车辆的驾驶员手部的情况下，确定所述目标对象和所述驾驶员手部之间的交叠程度；

第二确定模块604，用于基于所述目标对象与所述驾驶员手部之间的交叠程度满足预设条件，确定所述驾驶员存在违章行为。

需要说明的是，以上装置实施例的描述，与上述方法实施例的描述是类似的，具有同方法实施例相似的有益效果。对于本申请装置实施例中未披露的技术细节，请参照本申请方法实施例的描述而理解。

需要说明的是，本申请实施例中，如果以软件功能模块的形式实现上述的驾驶员违章行为识别方法，并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请实施例的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台驾驶员违章行为识别设备(可以是终端、服务器等)执行本申请各个实施例所述方法的全部或部分。而前述的存储介质包括：U盘、运动硬盘、只读存储器(ReadOnly Memory，ROM)、磁碟或者光盘等各种可以存储程序代码的介质。这样，本申请实施例不限制于任何特定的硬件和软件结合。

对应地，本申请实施例再提供一种计算机程序产品，所述计算机程序产品包括计算机可执行指令，该计算机可执行指令被执行后，能够实现本申请实施例提供的驾驶员违章行为识别方法中的步骤。

相应的，本申请实施例再提供一种计算机存储介质，所述计算机存储介质上存储有计算机可执行指令，所述该计算机可执行指令被处理器执行时实现上述实施例提供的驾驶员违章行为识别方法的步骤。

相应的，本申请实施例提供一种驾驶员违章行为识别设备，图7为本申请实施例驾驶员违章行为识别设备的组成结构示意图，如图7所示，所述驾驶员违章行为识别设备700包括：一个处理器701、至少一个通信总线、通信接口702、至少一个外部通信接口和存储器703。其中，通信接口702配置为实现这些组件之间的连接通信。其中，通信接口702可以包括显示屏，外部通信接口可以包括标准的有线接口和无线接口。其中所述处理器701，配置为执行存储器中图像处理程序，以实现上述实施例提供的驾驶员违章行为识别方法的步骤。

以上驾驶员违章行为识别装置、驾驶员违章行为识别设备和存储介质实施例的描述，与上述方法实施例的描述是类似的，具有同相应方法实施例相似的技术描述和有益效果，限于篇幅，可案件上述方法实施例的记载，故在此不再赘述。对于本申请驾驶员违章行为识别装置、驾驶员违章行为识别设备和存储介质实施例中未披露的技术细节，请参照本申请方法实施例的描述而理解。

应理解，说明书通篇中提到的“一个实施例”或“一实施例”意味着与实施例有关的特定特征、结构或特性包括在本申请的至少一个实施例中。因此，在整个说明书各处出现的“在一个实施例中”或“在一实施例中”未必一定指相同的实施例。此外，这些特定的特征、结构或特性可以任意适合的方式结合在一个或多个实施例中。应理解，在本申请的各种实施例中，上述各过程的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本申请实施例的实施过程构成任何限定。上述本申请实施例序号仅仅为了描述，不代表实施例的优劣。需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者装置不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者装置所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素。

在本申请所提供的几个实施例中，应该理解到，所揭露的设备和方法，可以通过其它的方式实现。以上所描述的设备实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，如：多个单元或组件可以结合，或可以集成到另一个系统，或一些特征可以忽略，或不执行。另外，所显示或讨论的各组成部分相互之间的耦合、或直接耦合、或通信连接可以是通过一些接口，设备或单元的间接耦合或通信连接，可以是电性的、机械的或其它形式的。

上述作为分离部件说明的单元可以是、或也可以不是物理上分开的，作为单元显示的部件可以是、或也可以不是物理单元；既可以位于一个地方，也可以分布到多个网络单元上；可以根据实际的需要选择其中的部分或全部单元来实现本实施例方案的目的。另外，在本申请各实施例中的各功能单元可以全部集成在一个处理单元中，也可以是各单元分别单独作为一个单元，也可以两个或两个以上单元集成在一个单元中；上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能单元的形式实现。本领域普通技术人员可以理解：实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成，前述的程序可以存储于计算机可读取存储介质中，该程序在执行时，执行包括上述方法实施例的步骤；而前述的存储介质包括：移动存储设备、只读存储器(Read Only Memory，ROM)、磁碟或者光盘等各种可以存储程序代码的介质。或者，本申请上述集成的单元如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请实施例的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台驾驶员违章行为识别设备(可以是个人计算机、服务器、或者网络设备等)执行本申请各个实施例所述方法的全部或部分。而前述的存储介质包括：移动存储设备、ROM、磁碟或者光盘等各种可以存储程序代码的介质。以上所述，仅为本申请的具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应以所述权利要求的保护范围为准。