CN109948436B - 一种监控道路上车辆的方法及装置 - Google Patents
一种监控道路上车辆的方法及装置 Download PDFInfo
- Publication number
- CN109948436B CN109948436B CN201910103337.8A CN201910103337A CN109948436B CN 109948436 B CN109948436 B CN 109948436B CN 201910103337 A CN201910103337 A CN 201910103337A CN 109948436 B CN109948436 B CN 109948436B
- Authority
- CN
- China
- Prior art keywords
- image
- vehicle
- vehicles
- determining
- kth
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000012544 monitoring process Methods 0.000 title claims abstract description 47
- 238000000034 method Methods 0.000 title claims abstract description 35
- 238000001514 detection method Methods 0.000 claims abstract description 55
- 230000003068 static effect Effects 0.000 claims abstract description 55
- 230000002159 abnormal effect Effects 0.000 claims abstract description 14
- 238000012545 processing Methods 0.000 claims description 36
- 238000013135 deep learning Methods 0.000 claims description 27
- 238000012549 training Methods 0.000 claims description 21
- 238000004364 calculation method Methods 0.000 claims description 12
- 230000001186 cumulative effect Effects 0.000 claims description 11
- 230000002547 anomalous effect Effects 0.000 claims 1
- 238000010586 diagram Methods 0.000 description 11
- 238000004590 computer program Methods 0.000 description 5
- 238000012986 modification Methods 0.000 description 5
- 230000004048 modification Effects 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 230000006870 function Effects 0.000 description 4
- 238000001914 filtration Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000011217 control strategy Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Landscapes
- Traffic Control Systems (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种监控道路上车辆的方法及装置，方法包括：获取道路上车辆的监控视频的图像集合，针对图像集合中的第k个图像和第k+1个图像，根据深度学习检测模型，分别确定出第k个图像的车辆的坐标和第k+1个图像的车辆的坐标，并确定第k个图像的车辆和第k+1个图像的车辆之间的车辆距离，根据车辆距离，确定第k个图像中静止车辆的数量，在确定第k个图像中静止车辆的数量大于零之后，根据遗忘因子和第k‑1个图像对应的累计值，确定第k个图像对应的累计值，当第k个图像对应的累计值大于第二阈值时，确定道路上车辆出现异常。该技术方案在确保对道路异常检测的检测精度前提下，提高检测效率。
Description
技术领域
本发明实施例涉及车辆检测技术领域，尤其涉及一种监控道路上车辆的方法及装置。
背景技术
基于视频的车辆检测技术是交通视频监控***中重要的一部分，其能够为监控***提供相关的车辆信息。通过对监控视频中道路上车辆位置的检测，判断道路上是否有车辆拥堵或者违章停车等异常，现有技术中主要根据监控视频中截取的多个图像，识别出多个图像中同一个车辆以及该同一个车辆的坐标信息，根据该同一车辆的坐标信息判断该车辆是否处于静止状态，进而判断该道路状况是否异常。现有技术中针对多个图像识别出同一个车辆的难度较大，且上述方式判断道路状况异常的效率较低，不利于对道路车辆的高效管控。
发明内容
本发明实施例提供一种监控道路上车辆的方法及装置，用以在确保对道路异常检测的检测精度前提下，提高检测效率。
本发明实施例提供的一种监控道路上车辆的方法，包括：
获取道路上车辆的监控视频的图像集合；所述图像集合中图像是按预设时间间隔截取所述监控视频得到的；
针对所述图像集合中的第k个图像和第k+1个图像，根据深度学习检测模型，分别确定出所述第k个图像的车辆的坐标和所述第k+1个图像的车辆的坐标；所述k大于等于1；所述深度学习检测模型是对各图片上的已标记完成的车辆和所述已标记完成的车辆的坐标进行训练后确定的；
根据所述第k个图像的车辆的坐标和所述第k+1个图像的车辆的坐标，确定所述第k个图像的车辆和所述第k+1个图像的车辆之间的车辆距离；
根据所述车辆距离，确定所述第k个图像中静止车辆的数量；
在确定所述第k个图像中静止车辆的数量大于零之后，根据遗忘因子和第k-1个图像对应的累计值，确定所述第k个图像对应的累计值；
当所述第k个图像对应的累计值大于第二阈值时，确定所述道路上车辆出现异常。
上述技术方案中，针对第k个图像和第k+1个图像，根据深度学习检测模型，分别确定出第k个图像的车辆的坐标和第k+1个图像的车辆的坐标，并确定出第k个图像的车辆和第k+1个图像的车辆之间的车辆距离，并根据车辆距离确定出第k个图像中静止车辆的数量，当第k个图像中静止车辆的数量大于零后，根据遗忘因子和第k-1个图像的累计值确定出第k个图像的累计值，在确定第k个图像的累计值大于第二阈值时，确定出道路上车辆出现异常。该技术方案无需针对同一个车辆进行检测，减小了检测难度，相对提高检测效率，采用深度学习检测模型，提高了车辆的检测精度。
可选的，所述根据所述车辆距离，确定所述第k个图像中静止车辆的数量，包括：
判断所述车辆距离是否小于第一阈值，若是，则确定所述第k个图像的车辆是静止车辆；
统计所述第k个图像中所述静止车辆的数量。
上述技术方案中，第k个图像的车辆可以为多个，第k+1个图像的车辆也可以为多个，针对第k个图像中的任一个车辆，确定该任一个车辆与第k+1个图像中所有车辆的车辆距离，只要有车辆距离小于第一阈值时，即判断出第k个图像的车辆为静止车辆。根据第k个图像中多个车辆的车辆状态，统计该第k个图像中静止车辆的数量。
可选的，在所述获取道路上车辆的监控视频的图像集合之前，还包括：
将初始累计值清零。
可选的，所述根据遗忘因子和第k-1个图像对应的累计值，确定所述第k个图像对应的累计值，包括：
确定所述遗忘因子和所述第k-1个图像对应的累计值的乘积；
将所述乘积加1后确定为所述第k个图像对应的累计值。
上述技术方案中，在确定出第k个图像的车辆为静止车辆时，根据遗忘因子和第k-1个图像的累计值确定出第k个图像的累计值，具体的，确定遗忘因子和第k-1个图像的累计值的乘积，并将该乘积加1后确定为第k个图像的累计值，采用遗忘因子可以过滤掉偶然出现的虚警检测结果，从而提高检测的准确性。
可选的，还包括：
在确定所述第k个图像中静止车辆的数量等于零之后，确定所述遗忘因子和所述第k-1个图像对应的累计值的乘积；
将所述乘积确定为所述第k个图像对应的累计值。
上述技术方案中，在确定出第k个图像的车辆为静止车辆时，根据遗忘因子和第k-1个图像的累计值确定出第k个图像的累计值，具体的，确定遗忘因子和第k-1个图像的累计值的乘积，并将该乘积确定为第k个图像的累计值，采用遗忘因子可以过滤掉偶然出现的虚警检测结果，从而提高检测的准确性。
可选的，所述确定所述道路上车辆出现异常，包括：
当所述第k个图像的车辆中静止车辆的总数小于第三阈值时，确定所述道路上出现违章停车；
当所述第k个图像的车辆中静止车辆的总数不小于第三阈值时，确定所述道路上出现车辆拥堵。
上述技术方案中，在确定出道路上车辆出现异常时，可以根据不同的第k个图像的静止车辆的数量确定出不同的异常情况，当第k个图像的静止车辆的数量小于第三阈值时，确定该道路上出现违章停车；当第k个图像的静止车辆的数量不小于第三阈值时，确定该道路上出现车辆拥堵，针对不同的道路异常情况，可以执行不同的控制策略，从而有效解决异常问题。
可选的，所述对各图片上的已标记完成的车辆和所述已标记完成的车辆的坐标进行训练后确定所述深度学习检测模型，包括：
获取初始模型和训练样本；所述训练样本中包括多个图片以及各图片上的已标记完成的车辆和所述已标记完成的车辆的坐标；
将所述多个图片输入至所述初始模型进行训练学习，得到各图片对应的计算结果；
根据各图片对应的计算结果以及所述各图片上的已标记完成的车辆和所述已标记完成的车辆的坐标，调整所述初始模型，直到确定出所述深度学习检测模型。
上述技术方案中，通过深度学习检测模型进行车辆检测可以提高检测性能，在多种光线和多种视角下检测到车辆，提高了车辆的检测精度。
相应的，本发明实施例还提供了一种监控道路上车辆的装置，包括：
获取单元，用于获取道路上车辆的监控视频的图像集合；所述图像集合中图像是按预设时间间隔截取所述监控视频得到的；
处理单元，用于针对所述图像集合中的第k个图像和第k+1个图像，根据深度学习检测模型，分别确定出所述第k个图像的车辆的坐标和所述第k+1个图像的车辆的坐标；所述k大于等于1；所述深度学习检测模型是对各图片上的已标记完成的车辆和所述已标记完成的车辆的坐标进行训练后确定的；根据所述第k个图像的车辆的坐标和所述第k+1个图像的车辆的坐标，确定所述第k个图像的车辆和所述第k+1个图像的车辆之间的车辆距离；根据所述车辆距离，确定所述第k个图像中静止车辆的数量；在确定所述第k个图像中静止车辆的数量大于零之后，根据遗忘因子和第k-1个图像对应的累计值，确定所述第k个图像对应的累计值；当所述第k个图像对应的累计值大于第二阈值时，确定所述道路上车辆出现异常。
可选的，所述处理单元还用于：
判断所述车辆距离是否小于第一阈值，若是，则确定所述第k个图像的车辆是静止车辆；
统计所述第k个图像中所述静止车辆的数量。
可选的，所述处理单元还用于：
在控制所述获取单元获取道路上车辆的监控视频的图像集合之前，将初始累计值清零。
可选的，所述处理单元具体用于：
确定所述遗忘因子和所述第k-1个图像对应的累计值的乘积；
将所述乘积加1后确定为所述第k个图像对应的累计值。
可选的，所述处理单元还用于：
在确定所述第k个图像中静止车辆的数量等于零之后，确定所述遗忘因子和所述第k-1个图像对应的累计值的乘积；
将所述乘积确定为所述第k个图像对应的累计值。
可选的，所述处理单元具体用于：
当所述第k个图像的车辆中静止车辆的总数小于第三阈值时，确定所述道路上出现违章停车；
当所述第k个图像的车辆中静止车辆的总数不小于第三阈值时，确定所述道路上出现车辆拥堵。
可选的，所述处理单元具体用于：
获取初始模型和训练样本；所述训练样本中包括多个图片以及各图片上的已标记完成的车辆和所述已标记完成的车辆的坐标；
将所述多个图片输入至所述初始模型进行训练学习，得到各图片对应的计算结果；
根据各图片对应的计算结果以及所述各图片上的已标记完成的车辆和所述已标记完成的车辆的坐标，调整所述初始模型，直到确定出所述深度学习检测模型。
相应的，本发明实施例还提供了一种计算设备，包括：
存储器，用于存储程序指令；
处理器，用于调用所述存储器中存储的程序指令，按照获得的程序执行上述监控道路上车辆的方法。
相应的，本发明实施例还提供了一种计算机可读非易失性存储介质，包括计算机可读指令，当计算机读取并执行所述计算机可读指令时，使得计算机执行上述监控道路上车辆的方法。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简要介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域的普通技术人员来讲，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他的附图。
图1为本发明实施例提供的一种***架构的示意图；
图2为本发明实施例提供的一种监控道路上车辆的方法的流程示意图；
图3为本发明实施例提供的一种深度学习检测模型检测车辆的示意图；
图4为本发明实施例提供的另一种监控道路上车辆的方法的流程示意图；
图5为本发明实施例提供的一种监控道路上车辆的装置的结构示意图。
具体实施方式
为了使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明作进一步地详细描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
图1示例性的示出了本发明实施例提供监控道路上车辆的方法所适用的***架构，该***架构可以包括视频分析模块101、图像处理模块102、事件识别模块103，三种模块依次相连接，其中，视频分析模块101用于获取道路上车辆的监控视频，并从监控视频中按照预设时间间隔截取视频图像发送至图像处理模块102，图像处理模块102处理该图像，识别出图像中的车辆信息，并将车辆信息发送至事件识别模块103，以使事件识别模块103根据车辆信息判断车辆是否处于静止状态以及道路上是否有车辆违章停车或者拥堵现象。
基于上述描述，图2示例性的示出了本发明实施例提供的一种监控道路上车辆的方法的流程，该流程可以由监控道路上车辆的装置执行。如图2所示，该流程具体包括：
步骤201，获取道路上车辆的监控视频的图像集合。
其中，图像集合中图像是按预设时间间隔截取监控视频得到的。理解为，获取道路上车辆的监控视频，并按照预设时间间隔截取视频图像，形成图像集合，示例性的，相邻两个图像的截取时间可以相隔2s，也可以根据经验设定该预设时间间隔。
步骤202，针对所述图像集合中的第k个图像和第k+1个图像，根据深度学习检测模型，分别确定出所述第k个图像的车辆的坐标和所述第k+1个图像的车辆的坐标。
此处，k大于等于1，深度学习检测模型是对各图片上的已标记完成的车辆和已标记完成的车辆的坐标进行训练后确定的。
具体的，可以采用深度学习检测模型将图像中的每辆车识别出来，并且输出每辆车的坐标，如图3所示，该深度学习检测模型检测出7辆车，并可以输出每辆车的坐标，例如，可以输出如表1所示的结果。
表1
为了保障车辆检测准确度，深度学习检测模型可以通过以下方式进行确定：
获取初始模型和训练样本；其中，训练样本中包括多个图片以及各图片上的已标记完成的车辆和已标记完成的车辆的坐标；将多个图片输入至初始模型进行训练学习，得到各图片对应的计算结果；根据各图片对应的计算结果以及各图片上的已标记完成的车辆和已标记完成的车辆的坐标，调整初始模型，直到确定出深度学习检测模型。
深度学习检测模型可以为基于端对端学习的目标检测模型中的YOLO模型或SSD模型。
步骤203，根据所述第k个图像的车辆的坐标和所述第k+1个图像的车辆的坐标，确定所述第k个图像的车辆和所述第k+1个图像的车辆之间的车辆距离。
根据第k个图像的车辆的车辆坐标以及第k+1个图像的车辆的车辆坐标，确定第k个图像的车辆和第k+1个图像的车辆之间的车辆距离。此处，第k个图像的车辆可以为多个，第k+1个图像的车辆也可以为多个，针对第k个图像中的任一个车辆，确定该任一个车辆与第k+1个图像中所有车辆的车辆距离，例如，在步骤202中，检测到第k个图像的车辆分别为car11、car12、car13共3辆车，检测到第k+1个图像的车辆分别为car21、car22、car23、car24、car25共5辆车，分别计算car11到car21、car22、car23、car24、car25的车辆距离、car12到car21、car22、car23、car24、car25的车辆距离以及car13到car21、car22、car23、car24、car25的车辆距离。
步骤204，根据所述车辆距离，确定所述第k个图像中静止车辆的数量。
判断车辆距离是否小于第一阈值，若是，则确定第k个图像的车辆是静止车辆，也就是说，在步骤203中计算出多个车辆距离，只要有一个车辆距离小于第一阈值，或者说在步骤203中计算出的多个车辆距离中的最小值，只要小于第一阈值，则可以确定出该第k个图像的车辆是静止车辆。例如，步骤202中的例子，若确定出car11到car21的车辆距离小于第一阈值，则可以确定出car11为静止车辆。其中，第一阈值可以根据经验进行设定，示例性的，可以将第一阈值确定为1m。
统计第k个图像中静止车辆的数量，如上述例子中，若确定出第k个图像的三个车辆中存在car11、car12均为静止车辆，则确定该第k个图像中静止车辆的数量为2。
步骤205，在确定所述第k个图像中静止车辆的数量大于零之后，根据遗忘因子和第k-1个图像对应的累计值，确定所述第k个图像对应的累计值。
本发明实施例中，引入遗忘因子，用于过滤掉偶然出现的虚警检测结果，具体的，在确定出第k个图像中静止车辆的数量大于零之后，确定遗忘因子和第k-1个图像对应的累计值的乘积，并将乘积加1后确定为第k个图像对应的累计值。例如，遗忘因子为0.8，第k-1个图像对应的累计值为1.2，则可以确定出第k个图像对应的累计值为0.8×1.2+1＝1.96。
当然，上述实施例中还包括确定出第k个图像中静止车辆的数量等于零，进一步根据遗忘因子和第k-1个图像对应的累计值确定第k个图像对应的累计值时，可以先确定出遗忘因子和第k-1个图像对应的累计值的乘积，然后将该乘积确定为第k个图像对应的累计值。例如，遗忘因子为0.8，第k-1个图像对应的累计值为1.2，则可以确定出第k个图像对应的累计值为0.8×1.2＝0.96。
步骤206，当所述第k个图像对应的累计值大于第二阈值时，确定所述道路上车辆出现异常。
具体的，可以比较第k个图像的车辆中静止车辆的总数与第三阈值的大小，具体的，先确定出第k个图像的车辆中静止车辆的总数，例如，第k个图像的车辆为10辆，针对该10辆车中的任一个车辆，确定该任一个车辆与第k+1个图像中所有车辆的车辆距离，若该任一车辆与第k+1个图像中所有车辆的车辆距离中的最小值小于第一阈值，并确定出第k个图像对应的累计值大于第二阈值时，统计该第k个图像的车辆中静止车辆的总数，并将该第k个图像的车辆中静止车辆的总数与第三阈值作比较，当第k个图像的车辆中静止车辆的总数小于第三阈值时，确定道路上出现违章停车；当第k个图像的车辆中静止车辆的总数不小于第三阈值时，确定道路上出现车辆拥堵。
此外，为了保障累计值的准确性，在获取道路上车辆的监控视频的图像集合之前，还需要将初始累计值清零。也就是说，在一个处理周期开始前，需要先将上一处理周期的累计值清零。
为了更好的解释本发明，下面将在具体的实施场景下描述该监控道路上车辆的流程，设置一个处理周期内总共获取到K个图像，也可以说，在步骤201中获取到的道路上车辆的监控视频的图像集合中包括K个图像，如图4所示，具体流程如下：
步骤401，获取第k个图像和第k+1个图像。
步骤402，确定第k个图像的车辆与第k+1个图像的车辆之间的距离。
步骤403，确定第k个图像中静止车辆的数量。
步骤404，判断第k个图像中静止车辆的数量是否大于零，若是，则转向步骤405，否则转向步骤406。
步骤405，确定遗忘因子和第k-1个图像对应的累计值的乘积，并将该乘积加1后确定为第k个图像对应的累计值。
步骤406，确定遗忘因子和第k-1个图像对应的累计值的乘积，并将该乘积确定为第k个图像对应的累计值。
步骤407，判断第k个图像对应的累计值是否大于第二阈值，若是，则转向步骤408，否则转向步骤411。
步骤408，判断第k个图像中静止车辆的数量是否小于第三阈值，若是，则转向步骤409，否则转向步骤410。
步骤409，确定道路上出现违章停车。
步骤410，确定道路上出现车辆拥堵。
步骤411，判断本处理周期是否判断完毕；若是，则结束，否则转向步骤401。
假设K＝20，遗忘因子＝0.8，首先对累积值清零后，对第1个图像和第2个图像进行分析，根据第1个图像和第2个图像判断出第1个图像上有静止车辆后，则确定第1个图像的累计值为1；对第2个图像和第3个图像进行分析，根据第2个图像和第3个图像判断出第2个图像上有静止车辆后，则确定第2个图像的累计值为1×0.8+1＝1.8；对第3个图像和第4个图像进行分析，根据第3个图像和第4个图像判断出第3个图像上无静止车辆后，则确定第3个图像的累计值为1.8×0.8＝1.44，以此类推，直至本处理周期结束或输出道路异常。此处，当第k个图像对应的累计值不大于第二阈值时，则判断本处理周期是否已经判断完毕，若否，则再获取第k+1个图像和第k+2个图像，进一步确定第k+1个图像对应的累计值。
上述技术方案中，针对第k个图像和第k+1个图像，根据深度学习检测模型，分别确定出第k个图像的车辆和第k+1个图像的车辆，并确定出第k个图像的车辆和第k+1个图像的车辆之间的车辆距离，此处，第k个图像的车辆可以为多个，第k+1个图像的车辆也可以为多个，针对第k个图像中的任一个车辆，确定该任一个车辆与第k+1个图像中所有车辆的车辆距离，只要有车辆距离小于第一阈值时，即判断出第k个图像的车辆为静止车辆，在确定出第k个图像中静止车辆的数量大于零之后，根据遗忘因子和第k-1个图像的累计值确定出第k个图像的累计值，并在确定第k个图像的累计值大于第二阈值时，确定出道路上车辆出现异常。该技术方案采用针对车辆相对位置变化的多个图像联合检测来提高违章停车或车辆拥堵的检测结果，无需在画面中跟踪识别是否为同一车辆，仅需要检测出的每个车辆的中心点坐标参与运算即可得出结论，在确保对道路异常检测的检测精度前提下，提高检测效率。
基于同一发明构思，图5示例性的示出了本发明实施例提供的一种监控道路上车辆的装置的结构，该装置可以执行监控道路上车辆的方法的流程。
获取单元501，用于获取道路上车辆的监控视频的图像集合；所述图像集合中图像是按预设时间间隔截取所述监控视频得到的；
处理单元502，用于针对所述图像集合中的第k个图像和第k+1个图像，根据深度学习检测模型，分别确定出所述第k个图像的车辆的坐标和所述第k+1个图像的车辆的坐标；所述k大于等于1；所述深度学习检测模型是对各图片上的已标记完成的车辆和所述已标记完成的车辆的坐标进行训练后确定的；根据所述第k个图像的车辆的坐标和所述第k+1个图像的车辆的坐标，确定所述第k个图像的车辆和所述第k+1个图像的车辆之间的车辆距离；根据所述车辆距离，确定所述第k个图像中静止车辆的数量；在确定所述第k个图像中静止车辆的数量大于零之后，根据遗忘因子和第k-1个图像对应的累计值，确定所述第k个图像对应的累计值；当所述第k个图像对应的累计值大于第二阈值时，确定所述道路上车辆出现异常。
可选的，所述处理单元502还用于：
判断所述车辆距离是否小于第一阈值，若是，则确定所述第k个图像的车辆是静止车辆；
统计所述第k个图像中所述静止车辆的数量。
可选的，所述处理单元502还用于：
在控制所述获取单元501获取道路上车辆的监控视频的图像集合之前，将初始累计值清零。
可选的，所述处理单元502具体用于：
确定所述遗忘因子和所述第k-1个图像对应的累计值的乘积；
将所述乘积加1后确定为所述第k个图像对应的累计值。
可选的，所述处理单元502还用于：
在确定所述第k个图像中静止车辆的数量等于零之后，确定所述遗忘因子和所述第k-1个图像对应的累计值的乘积；
将所述乘积确定为所述第k个图像对应的累计值。
可选的，所述处理单元502具体用于：
当所述第k个图像的车辆中静止车辆的总数小于第三阈值时，确定所述道路上出现违章停车；
当所述第k个图像的车辆中静止车辆的总数不小于第三阈值时，确定所述道路上出现车辆拥堵。
可选的，所述处理单元502具体用于：
获取初始模型和训练样本；所述训练样本中包括多个图片以及各图片上的已标记完成的车辆和所述已标记完成的车辆的坐标；
将所述多个图片输入至所述初始模型进行训练学习，得到各图片对应的计算结果；
根据各图片对应的计算结果以及所述各图片上的已标记完成的车辆和所述已标记完成的车辆的坐标，调整所述初始模型，直到确定出所述深度学习检测模型。
基于同一发明构思，本发明实施例还提供了一种计算设备，包括：
存储器，用于存储程序指令；
处理器，用于调用所述存储器中存储的程序指令，按照获得的程序执行上述监控道路上车辆的方法。
基于同一发明构思，本发明实施例还提供了一种计算机可读非易失性存储介质，包括计算机可读指令，当计算机读取并执行所述计算机可读指令时，使得计算机执行上述监控道路上车辆的方法。
本发明是参照根据本发明实施例的方法、设备(***)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
尽管已描述了本发明的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。
显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。
Claims (14)
1.一种监控道路上车辆的方法，其特征在于，包括：
获取道路上车辆的监控视频的图像集合；所述图像集合中图像是按预设时间间隔截取所述监控视频得到的；
针对所述图像集合中的第k个图像和第k+1个图像，根据深度学习检测模型，分别确定出所述第k个图像的车辆的坐标和所述第k+1个图像的车辆的坐标；所述k大于等于1；所述深度学习检测模型是对各图片上的已标记完成的车辆和所述已标记完成的车辆的坐标进行训练后确定的；
根据所述第k个图像的车辆的坐标和所述第k+1个图像的车辆的坐标，确定所述第k个图像的车辆和所述第k+1个图像的车辆之间的车辆距离；
根据所述车辆距离，确定所述第k个图像中静止车辆的数量；
在确定所述第k个图像中静止车辆的数量大于零之后，根据遗忘因子和第k-1个图像对应的累计值，确定所述第k个图像对应的累计值；
当所述第k个图像对应的累计值大于第二阈值时，确定所述道路上车辆出现异常；
其中，第k个图像的车辆为多个，第k+1个图像的车辆为多个，所述确定所述第k个图像的车辆和所述第k+1个图像的车辆之间的车辆距离，包括：
针对多个第k个图像的车辆中任一个，确定所述第k个图像的车辆和多个第k+1个图像的车辆中每个第k+1个图像的车辆之间的车辆距离；
所述根据所述车辆距离，确定所述第k个图像中静止车辆的数量，包括：
针对多个第k个图像的车辆中任一个，若所述第k个图像的车辆和多个第k+1个图像的车辆中每个第k+1个图像的车辆之间的车辆距离中存在小于第一阈值的车辆距离，则确定所述第k个图像的车辆为静止车辆，从而确定所述第k个图像中静止车辆的数量。
2.如权利要求1所述的方法，其特征在于，在所述获取道路上车辆的监控视频的图像集合之前，还包括：
将初始累计值清零。
3.如权利要求1所述的方法，其特征在于，所述根据遗忘因子和第k-1个图像对应的累计值，确定所述第k个图像对应的累计值，包括：
确定所述遗忘因子和所述第k-1个图像对应的累计值的乘积；
将所述乘积加1后确定为所述第k个图像对应的累计值。
4.如权利要求1所述的方法，其特征在于，还包括：
在确定所述第k个图像中静止车辆的数量等于零之后，确定所述遗忘因子和所述第k-1个图像对应的累计值的乘积；
将所述乘积确定为所述第k个图像对应的累计值。
5.如权利要求1所述的方法，其特征在于，所述确定所述道路上车辆出现异常，包括：
当所述第k个图像的车辆中静止车辆的总数小于第三阈值时，确定所述道路上出现违章停车；
当所述第k个图像的车辆中静止车辆的总数不小于第三阈值时，确定所述道路上出现车辆拥堵。
6.如权利要求1至5任一项所述的方法，其特征在于，所述对各图片上的已标记完成的车辆和所述已标记完成的车辆的坐标进行训练后确定所述深度学习检测模型，包括：
获取初始模型和训练样本；所述训练样本中包括多个图片以及各图片上的已标记完成的车辆和所述已标记完成的车辆的坐标；
将所述多个图片输入至所述初始模型进行训练学习，得到各图片对应的计算结果；
根据各图片对应的计算结果以及所述各图片上的已标记完成的车辆和所述已标记完成的车辆的坐标，调整所述初始模型，直到确定出所述深度学习检测模型。
7.一种监控道路上车辆的装置，其特征在于，包括：
获取单元，用于获取道路上车辆的监控视频的图像集合；所述图像集合中图像是按预设时间间隔截取所述监控视频得到的；
处理单元，用于针对所述图像集合中的第k个图像和第k+1个图像，根据深度学习检测模型，分别确定出所述第k个图像的车辆的坐标和所述第k+1个图像的车辆的坐标；所述k大于等于1；所述深度学习检测模型是对各图片上的已标记完成的车辆和所述已标记完成的车辆的坐标进行训练后确定的；根据所述第k个图像的车辆的坐标和所述第k+1个图像的车辆的坐标，确定所述第k个图像的车辆和所述第k+1个图像的车辆之间的车辆距离；根据所述车辆距离，确定所述第k个图像中静止车辆的数量；在确定所述第k个图像中静止车辆的数量大于零之后，根据遗忘因子和第k-1个图像对应的累计值，确定所述第k个图像对应的累计值；当所述第k个图像对应的累计值大于第二阈值时，确定所述道路上车辆出现异常；
其中，第k个图像的车辆为多个，第k+1个图像的车辆为多个，所述处理单元具体用于：针对多个第k个图像的车辆中任一个，确定所述第k个图像的车辆和多个第k+1个图像的车辆中每个第k+1个图像的车辆之间的车辆距离；以及针对多个第k个图像的车辆中任一个，若所述第k个图像的车辆和多个第k+1个图像的车辆中每个第k+1个图像的车辆之间的车辆距离中存在小于第一阈值的车辆距离，则确定所述第k个图像的车辆为静止车辆，从而确定所述第k个图像中静止车辆的数量。
8.如权利要求7所述的装置，其特征在于，所述处理单元还用于：
在控制所述获取单元获取道路上车辆的监控视频的图像集合之前，将初始累计值清零。
9.如权利要求7所述的装置，其特征在于，所述处理单元具体用于：
确定所述遗忘因子和所述第k-1个图像对应的累计值的乘积；
将所述乘积加1后确定为所述第k个图像对应的累计值。
10.如权利要求7所述的装置，其特征在于，所述处理单元还用于：
在确定所述第k个图像中静止车辆的数量等于零之后，确定所述遗忘因子和所述第k-1个图像对应的累计值的乘积；
将所述乘积确定为所述第k个图像对应的累计值。
11.如权利要求7所述的装置，其特征在于，所述处理单元具体用于：
当所述第k个图像的车辆中静止车辆的总数小于第三阈值时，确定所述道路上出现违章停车；
当所述第k个图像的车辆中静止车辆的总数不小于第三阈值时，确定所述道路上出现车辆拥堵。
12.如权利要求7至11任一项所述的装置，其特征在于，所述处理单元具体用于：
获取初始模型和训练样本；所述训练样本中包括多个图片以及各图片上的已标记完成的车辆和所述已标记完成的车辆的坐标；
将所述多个图片输入至所述初始模型进行训练学习，得到各图片对应的计算结果；
根据各图片对应的计算结果以及所述各图片上的已标记完成的车辆和所述已标记完成的车辆的坐标，调整所述初始模型，直到确定出所述深度学习检测模型。
13.一种计算设备，其特征在于，包括：
存储器，用于存储程序指令；
处理器，用于调用所述存储器中存储的程序指令，按照获得的程序执行权利要求1至6任一项所述的方法。
14.一种计算机可读非易失性存储介质，其特征在于，包括计算机可读指令，当计算机读取并执行所述计算机可读指令时，使得计算机执行如权利要求1至6任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910103337.8A CN109948436B (zh) | 2019-02-01 | 2019-02-01 | 一种监控道路上车辆的方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910103337.8A CN109948436B (zh) | 2019-02-01 | 2019-02-01 | 一种监控道路上车辆的方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109948436A CN109948436A (zh) | 2019-06-28 |
| CN109948436B true CN109948436B (zh) | 2020-12-08 |
Family
ID=67007395
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910103337.8A Active CN109948436B (zh) | 2019-02-01 | 2019-02-01 | 一种监控道路上车辆的方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109948436B (zh) |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113408320A (zh) * | 2020-03-16 | 2021-09-17 | 上海博泰悦臻网络技术服务有限公司 | 用于车辆避撞的方法、电子设备和计算机存储介质 |
| CN113096394A (zh) * | 2021-03-29 | 2021-07-09 | 浙江大华技术股份有限公司 | 目标类型的对象的确定方法、装置、存储介质及电子装置 |
| CN113689587B (zh) * | 2021-08-25 | 2023-06-27 | 山东新一代信息产业技术研究院有限公司 | 一种园区内干道占用巡检方法及*** |
Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1868212A (zh) * | 2003-09-24 | 2006-11-22 | 杨伯翰大学 | 在信号交叉口平均停止延时的自动估算 |
| CN103778785A (zh) * | 2012-10-23 | 2014-05-07 | 南开大学 | 一种基于停车场环境视频监控的车辆跟踪与检测方法 |
| CN105321342A (zh) * | 2015-12-07 | 2016-02-10 | 北京航空航天大学 | 一种基于航拍视频的交叉口车辆排队长度检测方法 |
| CN105809981A (zh) * | 2016-05-26 | 2016-07-27 | 陕西理工学院 | 一种基于瞬时停车延误的单交叉口信号灯控制方法 |
| CN106652445A (zh) * | 2016-11-15 | 2017-05-10 | 成都通甲优博科技有限责任公司 | 一种公路交通事故判别方法及装置 |
| CN106935035A (zh) * | 2017-04-07 | 2017-07-07 | 西安电子科技大学 | 基于ssd神经网络的违章停车车辆实时检测方法 |
| CN107330373A (zh) * | 2017-06-02 | 2017-11-07 | 重庆大学 | 一种基于视频的违章停车监控*** |
| CN107730903A (zh) * | 2017-06-13 | 2018-02-23 | 银江股份有限公司 | 基于深度卷积神经网络的违章停车和抛锚车视觉检测*** |
| CN107945523A (zh) * | 2017-11-27 | 2018-04-20 | 北京华道兴科技有限公司 | 一种道路车辆检测方法、交通参数检测方法及装置 |
| CN109147341A (zh) * | 2018-09-14 | 2019-01-04 | 杭州数梦工场科技有限公司 | 违章车辆检测方法及装置 |
| CN109241938A (zh) * | 2018-09-27 | 2019-01-18 | 深圳金三立视频科技股份有限公司 | 道路拥堵检测方法及终端 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106650913B (zh) * | 2016-12-31 | 2018-08-03 | 中国科学技术大学 | 一种基于深度卷积神经网络的车流密度估计方法 |
| CN107766821B (zh) * | 2017-10-23 | 2020-08-04 | 江苏鸿信***集成有限公司 | 基于卡尔曼滤波与深度学习的视频中全时段车辆检测跟踪方法及*** |
-
2019
- 2019-02-01 CN CN201910103337.8A patent/CN109948436B/zh active Active
Patent Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1868212A (zh) * | 2003-09-24 | 2006-11-22 | 杨伯翰大学 | 在信号交叉口平均停止延时的自动估算 |
| CN103778785A (zh) * | 2012-10-23 | 2014-05-07 | 南开大学 | 一种基于停车场环境视频监控的车辆跟踪与检测方法 |
| CN105321342A (zh) * | 2015-12-07 | 2016-02-10 | 北京航空航天大学 | 一种基于航拍视频的交叉口车辆排队长度检测方法 |
| CN105809981A (zh) * | 2016-05-26 | 2016-07-27 | 陕西理工学院 | 一种基于瞬时停车延误的单交叉口信号灯控制方法 |
| CN106652445A (zh) * | 2016-11-15 | 2017-05-10 | 成都通甲优博科技有限责任公司 | 一种公路交通事故判别方法及装置 |
| CN106935035A (zh) * | 2017-04-07 | 2017-07-07 | 西安电子科技大学 | 基于ssd神经网络的违章停车车辆实时检测方法 |
| CN107330373A (zh) * | 2017-06-02 | 2017-11-07 | 重庆大学 | 一种基于视频的违章停车监控*** |
| CN107730903A (zh) * | 2017-06-13 | 2018-02-23 | 银江股份有限公司 | 基于深度卷积神经网络的违章停车和抛锚车视觉检测*** |
| CN107945523A (zh) * | 2017-11-27 | 2018-04-20 | 北京华道兴科技有限公司 | 一种道路车辆检测方法、交通参数检测方法及装置 |
| CN109147341A (zh) * | 2018-09-14 | 2019-01-04 | 杭州数梦工场科技有限公司 | 违章车辆检测方法及装置 |
| CN109241938A (zh) * | 2018-09-27 | 2019-01-18 | 深圳金三立视频科技股份有限公司 | 道路拥堵检测方法及终端 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN109948436A (zh) | 2019-06-28 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109948436B (zh) | 一种监控道路上车辆的方法及装置 | |
| CN110909692A (zh) | 异常车牌识别方法、装置及计算机存储介质、电子设备 | |
| AU2014240669B2 (en) | Object monitoring system, object monitoring method, and monitoring target extraction project | |
| US8705814B2 (en) | Apparatus and method for detecting upper body | |
| CN110032947B (zh) | 一种监控事件发生的方法及装置 | |
| CN112530170A (zh) | 一种车辆行驶状态检测方法、装置、电子设备及存储介质 | |
| CN112349087B (zh) | 一种基于路口信息全息感知的可视化数据输入方法 | |
| CN106650730A (zh) | 汽车变道过程中的转向灯检测方法和*** | |
| CN112562406B (zh) | 一种越线行驶的识别方法及装置 | |
| CN110866428B (zh) | 目标跟踪方法、装置、电子设备及存储介质 | |
| CN109446926A (zh) | 一种交通监控方法及装置、电子设备和存储介质 | |
| EP3726421A2 (en) | Recognition method and apparatus for false detection of an abandoned object and image processing device | |
| JP2001357402A (ja) | 車両検出方法及び車両検出装置 | |
| CN109800684B (zh) | 一种视频中对象的确定方法及装置 | |
| CN113838087B (zh) | 一种抗遮挡目标跟踪方法及*** | |
| CN110660225A (zh) | 闯红灯行为检测方法、装置和设备 | |
| CN113177509B (zh) | 一种倒车行为识别方法及装置 | |
| CN111461026B (zh) | 车辆姿态识别方法、停车场内车辆状态的检测方法及装置 | |
| KR20120098292A (ko) | 차선 검출 방법 | |
| CN113361299B (zh) | 一种异常停车的检测方法、装置、存储介质及电子设备 | |
| CN116434161B (zh) | 用于判断基于高位视频的停车行为是否可信的方法和*** | |
| WO2014112407A1 (ja) | 情報処理システム、情報処理方法及びプログラム | |
| CN108162866A (zh) | 一种基于流媒体外后视镜***的车道识别***及方法 | |
| CN111325178A (zh) | 警示物检测结果获取方法、装置、计算机设备和存储介质 | |
| CN113095345A (zh) | 数据匹配方法、装置和数据处理设备 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20240516 Address after: Room 6227, No. 999, Changning District, Shanghai 200050 Patentee after: Shenlan robot (Shanghai) Co.,Ltd. Country or region after: China Address before: Unit 1001, 369 Weining Road, Changning District, Shanghai, 200336 (9th floor of actual floor) Patentee before: DEEPBLUE TECHNOLOGY (SHANGHAI) Co.,Ltd. Country or region before: China |
|
| TR01 | Transfer of patent right |