CN111767904B - 一种交通事件检测方法、装置、终端及存储介质 - Google Patents
一种交通事件检测方法、装置、终端及存储介质 Download PDFInfo
- Publication number
- CN111767904B CN111767904B CN202010903369.9A CN202010903369A CN111767904B CN 111767904 B CN111767904 B CN 111767904B CN 202010903369 A CN202010903369 A CN 202010903369A CN 111767904 B CN111767904 B CN 111767904B
- Authority
- CN
- China
- Prior art keywords
- image
- detected
- detection result
- resident object
- dimensional
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/40—Scenes; Scene-specific elements in video content
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/08—Detecting or categorising vehicles
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Software Systems (AREA)
- General Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computer Graphics (AREA)
- Geometry (AREA)
- Traffic Control Systems (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种交通事件检测方法、装置、终端及存储介质,所述交通事件检测方法包括:获取待检测图像;识别所述待检测图像中的非常驻对象;对所述待检测图像中的所述非常驻对象进行三维建模,获得第一图像;对所述待检测图像中的所述非常驻对象进行二维建模,获得第二图像;基于所述第一图像和所述第二图像进行交通事件检测,获得交通事件检测结果。本发明可实现交通事件的快速检测。
Description
技术领域
本发明涉及图像识别技术领域,具体涉及一种交通事件检测方法、装置、终端及存储介质。
背景技术
随着我国经济水平的快速发展,居民生活水平的不断提升,全国的交通工具数量也在不断攀升。快速增长的交通需求和高保有量的车辆运行带来了一系列问题,诸如交通事故、交通拥堵等,因此需要完善的交通安全管理来解决此类交通事件问题。交通事件是指道路上的偶发性事件,包括车辆碰撞、非法停车、坠落物和交通拥堵等。
在交通事件发生时,需要对交通事件快速处理,以减少交通延误,降低二次事故发生概率,因而,交通事件检测对于时效性的要求较高,而现有的交通事件检测方法难以快速检测出交通事件,交通事件发生后难以做到快速响应。
发明内容
本发明解决的问题是现有的交通事件检测方法难以快速检测出交通事件。
为解决上述问题,本发明提供一种交通事件检测方法,所述交通事件检测方法包括:
获取待检测图像;识别所述待检测图像中的非常驻对象;对所述待检测图像中的所述非常驻对象进行三维建模,获得第一图像;对所述待检测图像中的所述非常驻对象进行二维建模,获得第二图像;基于所述第一图像和所述第二图像进行交通事件检测,获得交通事件检测结果。
通过将非常驻对象通过三维建模、二维建模,构建成简单抽象的三维图形和二维图形,具有较高的构建效率,在构建完成后,将待检测图像中的非常驻对象替换为简单抽象的三维图形和二维图形,可降低对图像分辨率的要求,因此在雨雾天气等能见度低的情况下同样可以实现高精度事件识别,有强抗干扰性,此外,这种替换简化了图像处理的复杂度,可提高交通事件检测效率,进而提高交通事件响应速度,减少交通延误,降低二次事故发生概率。
可选地,所述对所述待检测图像中的所述非常驻对象进行三维建模,获得第一图像包括:基于各所述非常驻对象进行长方体拟合,生成与各所述非常驻对象对应的长方体模型;使用各所述非常驻对象对应的长方体模型,替换所述待检测图像中的各所述非常驻对象,获得所述第一图像。
将待检测图像中的非常驻对象替换成对应的长方体模型,可简化后续特征提取与数据处理的复杂度,减少计算量,提升交通事件检测效率。
可选地,所述对所述待检测图像中的所述非常驻对象进行二维建模,获得第二图像包括:构建各所述非常驻对象的外接矩形边框;使用各所述非常驻对象的外接矩形边框,替换所述待检测图像中的各所述非常驻对象,获得第二图像。
外接矩形边框的构建效率极高,且将待检测图像中的非常驻对象替换成对应的外接矩形边框,可简化后续特征提取与数据处理的复杂度,减少计算量,具有快速识别能力,增加后续图像处理步骤的可靠性,提升交通事件检测效率。
可选地,所述基于所述第一图像和所述第二图像进行交通事件检测,获得交通事件检测结果包括:
将所述第一图像输入预置的三维检测模型,获得所述三维检测模型输出的三维检测结果;将所述第二图像输入预置的二维检测模型,获得所述二维检测模型输出的二维检测结果;基于所述三维检测结果和所述二维检测结果确定所述交通事件检测结果;其中,所述三维检测模型和所述二维检测模型均为卷积神经网络模型。
可选地,所述基于所述第一图像和所述第二图像进行交通事件检测,获得交通事件检测结果包括:
分别基于所述第一图像和所述第二图像进行交通事件检测,对应获得第一检测结果和第二检测结果;当所述第一检测结果和所述第二检测结果一致时,将所述第一检测结果或所述第二检测结果作为所述交通事件检测结果。可减少交通事件识别的错误率,提高检测结果的准确性。
可选地,所述分别基于所述第一图像和所述第二图像进行交通事件检测,对应获得第一检测结果和第二检测结果之后,所述交通事件检测方法还包括:
当所述第一检测结果和所述第二检测结果不一致时,将所述第一检测结果与所述第一图像、所述第二检测结果与所述第二图像关联存储。便于后续进行交通事件检测算法优化。
可选地,所述获取待检测图像包括:基于预设时间间隔从道路监控视频中获取所述待检测图像。
因道路监控视频可直接在现有监控设备基础上获得,从道路监控视频中获取待检测图像,可充分利用旧有设备,减少了基础设施建设的工作量,此外,以预设时间间隔的方式提取待检测图像,图像提取操作简单,对处理器和内存的要求都不高,成本低廉,易于实现及推广应用。
本发明还提出一种交通事件检测装置,所述交通事件检测装置包括:
图像获取模块,其用于获取待检测图像;图像识别模块,其用于识别所述待检测图像中的非常驻对象;建模模块,其用于对所述待检测图像中的所述非常驻对象进行三维建模,获得第一图像;对所述待检测图像中的所述非常驻对象进行二维建模,获得第二图像;检测处理模块,其用于基于所述第一图像和所述第二图像进行交通事件检测。
本发明交通事件检测装置相对于现有技术所具有的有益效果与上述交通事件检测方法一致,此处不赘述。
本发明还提出一种交通事件检测终端,包括存储有计算机程序的计算机可读存储介质和处理器,所述计算机程序被所述处理器读取并运行时,实现如上任一项所述的交通事件检测方法。
本发明交通事件检测终端相对于现有技术所具有的有益效果与上述交通事件检测方法一致,此处不赘述。
本发明还提出一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器读取并运行时,实现如上任一项所述的交通事件检测方法。
本发明计算机可读存储介质相对于现有技术所具有的有益效果与上述交通事件检测方法一致,此处不赘述。
附图说明
图1为本发明交通事件检测方法一实施例示意图;
图2为本发明交通事件检测方法另一实施例示意图;
图3为本发明交通事件检测方法步骤S50细化后的一实施例示意图;
图4为本发明交通事件检测方法步骤S50细化后的另一实施例示意图;
图5为本发明交通事件检测装置一实施例示意图;
图6为本发明交通事件检测终端一实施例示意图。
具体实施方式
为使本发明的上述目的、特征和优点能够更为明显易懂,下面结合附图对本发明的具体实施例做详细的说明。
首先对做出本发明的背景进行简要说明。现有的事件检测算法主要分成直接检测法和间接检测法。直接检测法是指利用数字图像处理和视频识别技术来检测车辆的异常行驶行为、提取交通事件信息的方法。间接检测法通过道路检测器所釆集到的交通参数(如车速、车流量、道路占有率等)进行分析,通过模式识别或统计分析等方法间接识别交通事件。前者需要对图像进行复杂的特征提取,或者需要进行连续的计算识别,对图像清晰度、分辨率等要求较高,对算力要求也较高,后者需布设硬件检测器,成本较高,需进行连续的计算识别,对算力要求也较高,因而现有的检测算法,难以快速检测出交通事件,交通事件发生后难以做到快速响应,难以满***通事件检测对时效性的要求。
本发明提出一种交通事件检测方法。
图1为本发明交通事件检测方法一实施方式示意图。如图1,所述交通事件检测方法包括:
步骤S10,获取待检测图像;
待检测图像,指用于进行交通事件检测的基础图像数据。待检测图像可从预置的数据库中获取,也可从道路监控视频中提取。待检测图像可为一帧或多帧图像。
可选地,步骤S10包括:基于预设时间间隔从道路监控视频中获取所述待检测图像。
其中,预设时间间隔的取值范围为:大于0且小于或等于10秒。
预设时间间隔可选为固定的时间间隔,待检测图像可为一帧或多帧图像,例如,预设时间间隔为3秒,步骤S10为:每隔3秒从道路监控视频中提取1帧图像作为待检测图像。
预设时间间隔可选为多个不同的时间间隔。一实施例中,在车流高峰期选取较小的时间间隔,在车流低谷期选取大的时间间隔,可将预设的第一时间段设置为车流高峰期,将预设的第二时间段设置为车流低谷期,例如将早晨7:00-9:00、下午17:30-18:30设置为车流高峰期,将晚上23:00-凌晨6:00设置为车流低谷期,也可通过识别车流密度区分车流高峰期和车流低谷期,例如,在车流密度大于预设密度时,判定当前为车流高峰期,在车流密度小于预设密度时,判定当前为车流低谷期。因车流高峰期发生碰撞等交通事件的可能性较大,因此,从道路监控视频中提取视频的时间间隔较小,可及时发现碰撞等交通事件,以便交通事件快速处理,减少交通延误及降低二次交通事故发生概率;因车流低谷期发生碰撞等交通事件的可能性稍低,因此,从道路监控视频中提取视频的时间间隔较大,可降低资源耗费同时又不会对交通事件的检测效率产生较大影响。
可选地,预设时间间隔可由人基于道路实际状况进行设定/修改,以适应多样化的道路车流状况。
因道路监控视频可直接在现有监控设备基础上获得,从道路监控视频中获取待检测图像,可充分利用旧有设备,减少了基础设施建设的工作量,此外,以预设时间间隔的方式提取待检测图像,图像提取操作简单,对处理器和内存的要求都不高,成本低廉,易于实现及推广应用。
步骤S20,识别所述待检测图像中的非常驻对象;
非常驻对象,指车辆、人、坠落物等流动对象,与之相对的常驻对象包括:道路、树木以及路边灯杆、天空等固定位置的背景对象。对于某一固定位置、固定拍摄角度的摄像头,其拍摄区域范围固定,常驻对象固定。
一实施例中,获取初始图像,将初始图像和待检测图像转换为灰度图,将初始图像和待检测图像的灰度图作差值运算,得到差值图像,对差值图像进行二值化处理:将差值绝对值大于预设值的像素赋值为1,将差值绝对值小于或等于预设值的像素赋值为0,其中,赋值1的像素属于非常驻对象,赋值0的像素属于常驻对象。
另一实施例中,因摄像头的位置固定,其拍摄区域范围固定,则车道内以及车道旁的道路在摄像头拍摄的图像中位置固定,非常驻对象通常在车道内以及车道旁的道路移动,因此,可检测车道内以及车道旁的道路区域内的运动对象,将该运动对象作为非常驻对象。
步骤S30,对所述待检测图像中的所述非常驻对象进行三维建模,获得第一图像;
此处的三维建模指将各个非常驻对象抽象成三维立体图形,用于表征非常驻对象的体积和位置。可选地,将非常驻对象抽象成长方体或圆柱体。
可选地,如图2,所述步骤S30包括:
步骤S300,基于各所述非常驻对象进行长方体拟合,生成与各所述非常驻对象对应的长方体模型;
对于任一非常驻对象,若识别出该非常驻对象为车辆,则首先基于待检测图像识别该非常驻对象的车辆类型,再基于预存的车辆类型与长宽高数据的对应关系,确定该非常驻对象的长宽高数据,最后基于该非常驻对象的长宽高数据,进行长方体拟合,将拟合好的长方体作为目标车辆的三维建模结果。其中,可预置数据库,在数据库中存储各种车辆类型及其对应的长宽高数据。
对于任一非常驻对象,若识别出该非常驻对象为人或者其他非车辆的物,则可获取该非常驻对象的轮廓边界,基于该非常驻对象的轮廓边界确定长宽高,进行长方体拟合,具体可获取该非常驻对象在待检测图像中的高度和宽度作为长方体的长、宽,可获取一固定的预设值作为高。也可以一固定长宽高的长方体作为所有人对应的长方体模型。
步骤S301,使用各所述非常驻对象对应的长方体模型,替换所述待检测图像中的各所述非常驻对象,获得所述第一图像。
替换非常驻对象,即保留非常驻对象对应的长方体模型,剔除非常驻对象。
将待检测图像中的非常驻对象替换成对应的长方体模型,可简化后续特征提取与数据处理的复杂度,减少计算量,提升交通事件检测效率。
可选地,步骤S30中,在三维建模之后,或者在三维建模之前,还包括:将常驻对象剔除,第一图像为常驻对象剔除后的图像。具体地,可在步骤S300之前,或步骤S300之后、步骤S301之前,剔除常驻对象,具体而言,可在识别常驻对象后,将常驻对象对应的所有像素灰度置0,实现常驻对象的剔除。
一实施例中,在剔除常驻对象之前,识别道路边缘线,此处的道路边缘线指车道与路边行人道路,或者车道与路边护栏的边界线,加强道路边缘线,剔除道路边缘线以外的常驻对象,以便后续检测时,识别出车辆开往行人道路或者车辆与护栏相碰撞等情况。
步骤S40,对所述待检测图像中的所述非常驻对象进行二维建模,获得第二图像;
此处的二维建模指将各个非常驻对象抽象成四边形,用以表示非常驻对象的位置。可选地,将非常驻对象抽象成长方形或正方形。
可选地,如图2,所述步骤S40包括:
步骤S400,构建各所述非常驻对象的外接矩形边框;
基于非常驻对象在待检测图像中的像素分布,确定非常驻对象在待检测图像中的高度和宽度,将非常驻对象在待检测图像中的高度和宽度,作为外接矩形边框的长和宽。
步骤S401,使用各所述非常驻对象的外接矩形边框,替换所述待检测图像中的各所述非常驻对象,获得第二图像。
替换非常驻对象,即保留非常驻对象对应的外接矩形边框,剔除非常驻对象。
外接矩形边框的构建效率极高,且将待检测图像中的非常驻对象替换成对应的外接矩形边框,可简化后续特征提取与数据处理的复杂度,减少计算量,具有快速识别能力,增加后续图像处理步骤的可靠性,提升交通事件检测效率。
可选地,步骤S40中,在二维建模之后,或者在二维建模之前,还包括:将常驻对象剔除,第二图像为常驻对象剔除后的图像。具体地,可在步骤S400之前,或步骤S400之后、步骤S401之前,剔除常驻对象。一实施例中,在剔除常驻对象之前,识别道路边缘线,此处的道路边缘线指车道与路边行人道路,或者车道与路边护栏的边界线,加强道路边缘线,剔除道路边缘线以外的常驻对象,以便后续检测时,识别出车辆开往行人道路或者车辆与护栏相碰撞等情况。
步骤S30与步骤S40可同时执行,也可顺序执行,对二者的执行顺序不进行限定。
步骤S50,基于所述第一图像和所述第二图像进行交通事件检测,获得交通事件检测结果。
一实施例中,分别基于第一图像和第二图像进行交通事件识别,若基于第一图像和第二图像识别出的交通事件一致,则二者识别出的交通事件为最终的交通事件检测结果,例如,基于第一图像和第二图像均识别出碰撞事件,则碰撞事件则交通事件检测结果;基于第一图像和第二图像均未识别到交通事件,则未发生交通事件即为交通事件检测结果。
可选地,步骤S50之后包括:当交通事件检测结果为具体的交通事件时,输出交通事件,返回执行步骤S10-步骤S50;当交通事件检测结果为未检测到交通事件时,则不做输出响应,返回执行步骤S10-步骤S50。
以第一图像的交通事件检测为例进行解释说明。一实施例中,交通事件包括碰撞和异常停留,首先,基于第一图像检测是否发生碰撞,若检测到发生碰撞,则将碰撞作为第一图像的检测结果,若未检测到发生碰撞,则基于多帧相邻的第一图像判断是否发生异常停留,若发生异常停留,则将异常停留作为第一图像的检测结果,若未发生异常停留,则将未发生交通事件作为第一图像的检测结果。第二图像的相关解释与第一图像类似,此处不赘述。
本发明实施方式中,将非常驻对象通过三维建模、二维建模,构建成简单抽象的三维图形和二维图形,具有较高的构建效率,在构建完成后,将待检测图像中的非常驻对象替换为简单抽象的三维图形和二维图形,可降低对图像分辨率的要求,因此在雨雾天气等能见度低的情况下同样可以实现高精度事件识别,有强抗干扰性,此外,这种替换简化了图像处理的复杂度,可提高交通事件检测效率,进而提高交通事件响应速度,减少交通延误,降低二次事故发生概率。
可选地,如图3,所述步骤S50包括:
步骤S500,分别基于所述第一图像和所述第二图像进行交通事件检测,对应获得第一检测结果和第二检测结果;
第一检测结果为基于第一图像获得的检测结果,第二检测结果为基于第二图像获得的检测结果。
判断所述第一检测结果和所述第二检测结果是否一致;
步骤S501,当所述第一检测结果和所述第二检测结果一致时,将所述第一检测结果或所述第二检测结果作为所述交通事件检测结果。
若基于第一图像和第二图像识别出的交通事件一致,则二者识别出的交通事件即为最终的交通事件检测结果,例如,基于第一图像和第二图像均识别出碰撞事件,则碰撞事件则交通事件检测结果;基于第一图像和第二图像均未识别到交通事件,则未发生交通事件即为交通事件检测结果。
通过将基于三维建模的第一图像获得的第一检测结果,与基于二维建模的第二图像获得的第二检测结果,进行一致性校验,以确定最终的交通事件检测结果,当第一检测结果与第二检测结果一致时,将二者作为交通事件检测结果,可减少交通事件识别的错误率,提高检测结果的准确性。
当第一检测结果和第二检测结果不一致时,交通事件检测结果为空,可直接返回执行步骤S10-步骤S50。可选地,在返回执行步骤S10-步骤S50的同时,分别将第一检测结果和第二检测结果输出,以提醒人工查看,以避免交通事件的遗漏,便于及时发现交通事件。
可选地,当所述第一检测结果和所述第二检测结果不一致时,将所述第一检测结果与所述第一图像、所述第二检测结果与所述第二图像关联存储,作为后续过程中交通事件检测算法优化的基础数据。具体地,由人工进行复核,从第一检测结果和第二检测结果中确定错误的检测结果,将错误的检测结果对应的图像(第一图像/第二图像)进行交通事件标记(交通事件类型或无交通事件),将经交通事件标记的图像作为相应的交通事件检测模型的训练样本进行再训练,以提高交通事件检测模型的准确性,其中,交通事件建模模型为卷积神经网络模型。
可选地,如图4,所述步骤S50包括:
步骤S510,将所述第一图像输入预置的三维检测模型,获得所述三维检测模型输出的三维检测结果;
三维检测结果为基于第一图像获得的检测结果。
步骤S511,将所述第二图像输入预置的二维检测模型,获得所述二维检测模型输出的二维检测结果;
二维检测结果为基于第二图像获得的检测结果。
步骤S512,基于所述三维检测结果和所述二维检测结果确定所述交通事件检测结果;其中,所述三维检测模型和所述二维检测模型均为卷积神经网络模型。
步骤S10之前还包括三维检测模型、二维检测模型的训练过程,下文以三维检测模型为例进行解释说明,二维检测模型的训练过程与之类似,此处不赘述。具体而言,初始化三维检测模型参数;获取训练样本,基于训练样本对三维检测模型进行训练,获得最优模型参数,将具有最优模型参数的三维检测模型作为步骤S510中预置的三维检测模型,其中,训练样本为进行了各类交通事件标注或者无交通事件标注的图像集,训练样本中用于训练三维检测模型的图像进行了非常驻对象的三维建模(模型替换),用于训练二维检测模型的图像进行了非常驻对象的二维建模(模型替换)。
通过卷积神经网络模型进行交通事件检测,可提高交通事件识别的准确性,可较大程度地减少人工复核的工作量。
本发明还提出一种交通事件检测装置。图5为本发明交通事件检测装置一实施例示意图,如图5,所述交通事件检测装置包括:
图像获取模块,其用于获取待检测图像;
图像识别模块,其用于识别所述待检测图像中的非常驻对象;
建模模块,其用于对所述待检测图像中的所述非常驻对象进行三维建模,获得第一图像;对所述待检测图像中的所述非常驻对象进行二维建模,获得第二图像;
检测处理模块,其用于基于所述第一图像和所述第二图像进行交通事件检测。
可选地,建模模块,其还用于基于各所述非常驻对象进行长方体拟合,生成与各所述非常驻对象对应的长方体模型;使用各所述非常驻对象对应的长方体模型,替换所述待检测图像中的各所述非常驻对象,获得所述第一图像。
可选地,建模模块,其还用于构建各所述非常驻对象的外接矩形边框;使用各所述非常驻对象的外接矩形边框,替换所述待检测图像中的各所述非常驻对象,获得第二图像。
可选地,检测处理模块,其还用于将所述第一图像输入预置的三维检测模型,获得所述三维检测模型输出的三维检测结果;将所述第二图像输入预置的二维检测模型,获得所述二维检测模型输出的二维检测结果;基于所述三维检测结果和所述二维检测结果确定所述交通事件检测结果;其中,所述三维检测模型和所述二维检测模型均为卷积神经网络模型。
可选地,检测处理模块,其还用于分别基于所述第一图像和所述第二图像进行交通事件检测,对应获得第一检测结果和第二检测结果;当所述第一检测结果和所述第二检测结果一致时,将所述第一检测结果或所述第二检测结果作为所述交通事件检测结果。
可选地,所述交通事件检测装置还包括存储模块,其用于当所述第一检测结果和所述第二检测结果不一致时,将所述第一检测结果与所述第一图像、所述第二检测结果与所述第二图像关联存储。
可选地,获取模块,其还用于基于预设时间间隔从道路监控视频中获取所述待检测图像。
本发明交通事件检测装置相对于现有技术所具有的有益效果与上述交通事件检测方法一致,此处不赘述。
本发明还提出一种交通事件检测终端,如图6,所述交通事件检测终端包括存储有计算机程序的计算机可读存储介质和处理器,所述计算机程序被所述处理器读取并运行时,实现如上任一项所述的交通事件检测方法。
本发明交通事件检测终端相对于现有技术所具有的有益效果与上述交通事件检测方法一致,此处不赘述。
本发明还提出一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器读取并运行时,实现如上任一项所述的交通事件检测方法。
本发明计算机可读存储介质相对于现有技术所具有的有益效果与上述交通事件检测方法一致,此处不赘述。
虽然本公开披露如上,但本公开的保护范围并非仅限于此。本领域技术人员在不脱离本公开的精神和范围的前提下,可进行各种变更与修改,这些变更与修改均将落入本发明的保护范围。
Claims (6)
1.一种交通事件检测方法,其特征在于,所述交通事件检测方法包括:
获取待检测图像,其中,所述获取待检测图像包括:基于预设时间间隔从道路监控视频中获取所述待检测图像;
识别所述待检测图像中的非常驻对象,其中,所述非常驻对象包括车辆和人;
对所述待检测图像中的所述非常驻对象进行三维建模,获得第一图像,具体包括:将各所述非常驻对象抽象成三维立体图形,使用各所述非常驻对象对应的三维立体图形替换所述待检测图像中的各所述非常驻对象,获得所述第一图像;所述将各所述非常驻对象抽象成三维立体图形,使用各所述非常驻对象对应的三维立体图形替换所述待检测图像中的各所述非常驻对象,获得所述第一图像包括:基于各所述非常驻对象进行长方体拟合,生成与各所述非常驻对象对应的长方体模型;使用各所述非常驻对象对应的长方体模型,替换所述待检测图像中的各所述非常驻对象,获得所述第一图像;若所述非常驻对象为人,则获取所述非常驻对象在待检测图像中的高度和宽度作为长方体的长、宽,获取一固定的预设值作为高,进行长方体拟合;
对所述待检测图像中的所述非常驻对象进行二维建模,获得第二图像,具体包括:将各所述非常驻对象抽象成四边形,使用各所述非常驻对象对应的四边形替换所述待检测图像中的各所述非常驻对象,获得所述第二图像;所述将各所述非常驻对象抽象成四边形,使用各所述非常驻对象对应的四边形替换所述待检测图像中的各所述非常驻对象,获得所述第二图像包括:构建各所述非常驻对象的外接矩形边框;使用各所述非常驻对象的外接矩形边框,替换所述待检测图像中的各所述非常驻对象,获得所述第二图像;所述构建各所述非常驻对象的外接矩形边框包括:基于各所述非常驻对象在待检测图像中的像素分布,确定各所述非常驻对象在所述待检测图像中的高度和宽度,将各所述非常驻对象在所述待检测图像中的高度和宽度,作为所述外接矩形边框的长和宽;
基于所述第一图像和所述第二图像进行交通事件检测,获得交通事件检测结果,具体包括:分别基于所述第一图像和所述第二图像进行交通事件检测,对应获得第一检测结果和第二检测结果;当所述第一检测结果和所述第二检测结果一致时,将所述第一检测结果或所述第二检测结果作为所述交通事件检测结果。
2.如权利要求1所述的交通事件检测方法,其特征在于,所述基于所述第一图像和所述第二图像进行交通事件检测,获得交通事件检测结果包括:
将所述第一图像输入预置的三维检测模型,获得所述三维检测模型输出的三维检测结果;
将所述第二图像输入预置的二维检测模型,获得所述二维检测模型输出的二维检测结果;
基于所述三维检测结果和所述二维检测结果确定所述交通事件检测结果;其中,所述三维检测模型和所述二维检测模型均为卷积神经网络模型。
3.如权利要求1所述的交通事件检测方法,其特征在于,所述分别基于所述第一图像和所述第二图像进行交通事件检测,对应获得第一检测结果和第二检测结果之后,所述交通事件检测方法还包括:
当所述第一检测结果和所述第二检测结果不一致时,将所述第一检测结果与所述第一图像、所述第二检测结果与所述第二图像关联存储。
4.一种交通事件检测装置,其特征在于,所述交通事件检测装置包括:
图像获取模块,其用于获取待检测图像,具体用于基于预设时间间隔从道路监控视频中获取所述待检测图像;
图像识别模块,其用于识别所述待检测图像中的非常驻对象,其中,所述非常驻对象包括车辆和人;
建模模块,其用于对所述待检测图像中的所述非常驻对象进行三维建模,获得第一图像,具体包括:将各所述非常驻对象抽象成三维立体图形,使用各所述非常驻对象对应的三维立体图形替换所述待检测图像中的各所述非常驻对象,获得所述第一图像,具体包括:基于各所述非常驻对象进行长方体拟合,生成与各所述非常驻对象对应的长方体模型;使用各所述非常驻对象对应的长方体模型,替换所述待检测图像中的各所述非常驻对象,获得所述第一图像;若所述非常驻对象为人,则获取所述非常驻对象在待检测图像中的高度和宽度作为长方体的长、宽,获取一固定的预设值作为高,进行长方体拟合;
对所述待检测图像中的所述非常驻对象进行二维建模,获得第二图像,具体包括:将各所述非常驻对象抽象成四边形,使用各所述非常驻对象对应的四边形替换所述待检测图像中的各所述非常驻对象,获得所述第二图像,具体包括:构建各所述非常驻对象的外接矩形边框;使用各所述非常驻对象的外接矩形边框,替换所述待检测图像中的各所述非常驻对象,获得所述第二图像;所述构建各所述非常驻对象的外接矩形边框包括:基于各所述非常驻对象在待检测图像中的像素分布,确定各所述非常驻对象在所述待检测图像中的高度和宽度,将各所述非常驻对象在所述待检测图像中的高度和宽度,作为所述外接矩形边框的长和宽;
检测处理模块,其用于基于所述第一图像和所述第二图像进行交通事件检测,具体包括:分别基于所述第一图像和所述第二图像进行交通事件检测,对应获得第一检测结果和第二检测结果;当所述第一检测结果和所述第二检测结果一致时,将所述第一检测结果或所述第二检测结果作为所述交通事件检测结果。
5.一种交通事件检测终端,其特征在于,所述交通事件检测终端包括存储有计算机程序的计算机可读存储介质和处理器,所述计算机程序被所述处理器读取并运行时,实现如权利要求1-3任一项所述的交通事件检测方法。
6.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器读取并运行时,实现如权利要求1-3任一项所述的交通事件检测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010903369.9A CN111767904B (zh) | 2020-09-01 | 2020-09-01 | 一种交通事件检测方法、装置、终端及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010903369.9A CN111767904B (zh) | 2020-09-01 | 2020-09-01 | 一种交通事件检测方法、装置、终端及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111767904A CN111767904A (zh) | 2020-10-13 |
CN111767904B true CN111767904B (zh) | 2021-02-02 |
Family
ID=72729615
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010903369.9A Active CN111767904B (zh) | 2020-09-01 | 2020-09-01 | 一种交通事件检测方法、装置、终端及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111767904B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113343905B (zh) * | 2021-06-28 | 2022-06-14 | 山东理工大学 | 道路异常智能识别模型训练、道路异常识别的方法及*** |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104658036B (zh) * | 2015-01-30 | 2018-06-15 | 郑州大学 | 一种快速建立智能交通三维场的方法 |
CN105812733B (zh) * | 2016-03-15 | 2017-12-15 | 中国民用航空总局第二研究所 | 一种民航空中交通管制的场面监视引导*** |
CN105869109B (zh) * | 2016-03-28 | 2018-12-07 | 长安大学 | 基于不同高度逆投影面的停车和抛落物区分方法 |
-
2020
- 2020-09-01 CN CN202010903369.9A patent/CN111767904B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN111767904A (zh) | 2020-10-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20210319561A1 (en) | Image segmentation method and system for pavement disease based on deep learning | |
CN111368687B (zh) | 一种基于目标检测和语义分割的人行道车辆违停检测方法 | |
CN110188807B (zh) | 基于级联超分辨率网络与改进Faster R-CNN的隧道行人目标检测方法 | |
US11455805B2 (en) | Method and apparatus for detecting parking space usage condition, electronic device, and storage medium | |
KR102197946B1 (ko) | 딥러닝 인공지능 기술을 이용한 객체인식 및 카운팅 방법 | |
KR102122859B1 (ko) | 교통 영상감시시스템의 멀티 표적 추적 방법 | |
US20230222844A1 (en) | Parking lot management and control method based on object activity prediction, and electronic device | |
KR102015947B1 (ko) | 자율주행을 위한 학습대상 이미지 추출 장치 및 방법 | |
CN109935080B (zh) | 一种交通线路上的车流量实时计算的监测***及方法 | |
WO2021139049A1 (zh) | 检测方法、检测装置、监控设备和计算机可读存储介质 | |
CN112766069A (zh) | 基于深度学习的车辆违停检测方法、装置及电子设备 | |
KR102015945B1 (ko) | 자율주행을 위한 학습대상 이미지 패키징 장치 및 방법 | |
CN113822285A (zh) | 一种用于复杂应用场景的车辆违停识别方法 | |
CN114332776B (zh) | 非机动车占用人行道检测方法、***、设备及存储介质 | |
CN114049572A (zh) | 识别小目标的检测方法 | |
CN114926791A (zh) | 一种路口车辆异常变道检测方法、装置、存储介质及电子设备 | |
CN112906471A (zh) | 一种交通信号灯识别方法及装置 | |
CN111767904B (zh) | 一种交通事件检测方法、装置、终端及存储介质 | |
CN113505638A (zh) | 车流量的监测方法、监测装置及计算机可读存储介质 | |
CN116597270A (zh) | 基于注意力机制集成学习网络的道路损毁目标检测方法 | |
JP6681965B2 (ja) | 自律走行のための学習対象イメージ抽出装置及び方法 | |
CN113486885A (zh) | 一种车牌识别方法、装置、电子设备及存储介质 | |
CN110956156A (zh) | 一种基于深度学习的闯红灯检测*** | |
CN113643544A (zh) | 一种基于物联网的停车场内违规泊车智能检测方法及*** | |
CN118155434B (zh) | 一种远程可视化动态指示控制方法及装置 |
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 |