CN112200835B - 一种交通事故检测方法、装置、电子设备及存储介质 - Google Patents
一种交通事故检测方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN112200835B CN112200835B CN202011034234.XA CN202011034234A CN112200835B CN 112200835 B CN112200835 B CN 112200835B CN 202011034234 A CN202011034234 A CN 202011034234A CN 112200835 B CN112200835 B CN 112200835B
- Authority
- CN
- China
- Prior art keywords
- image
- target object
- motor vehicle
- motion
- region
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/20—Analysis of motion
- G06T7/246—Analysis of motion using feature-based methods, e.g. the tracking of corners or segments
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30248—Vehicle exterior or interior
- G06T2207/30252—Vehicle exterior; Vicinity of vehicle
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Multimedia (AREA)
- Traffic Control Systems (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种交通事故检测方法、装置、电子设备及存储介质,所述方法包括:获取监控区域的第一图像以及与所述第一图像间隔预设第一帧数的第二图像,基于预先训练完成的图像分割模型,确定所述第一图像中的每个目标对象分别对应的第一区域,以及所述第二图像中的所述每个目标对象分别对应的第二区域;根据所述每个目标对象分别对应的第一区域和第二区域的位置信息,筛选出运动异常的目标对象;判断所述第一图像中任意两个运动异常的目标对象对应的第一区域之间的距离是否小于预设的距离阈值,如果是,确定发生交通事故。只要在主要路口或路段安装图像采集设备,即可实现全时段全路段的检测,并且不需要交警人工检测,节省了人力物力资源。
Description
技术领域
本发明涉及视频监控技术领域,尤其涉及一种交通事故检测方法、装置、电子设备及存储介质。
背景技术
在交通视频监控领域,每天都会产生海量的视频数据,如何利用这些数据进行更好地交通管理是非常有价值的研究。交通事件主要包括交通违法行为,交通拥堵,交通事故等。其中,交通事故的处理对交管部门的快速响应能力有更高的要求,因此交通事故检测能够有效提高交通管理效率。
现有技术在检测交通事故时,一般是交警在主要路口或路段进行现场检测,这种方式消耗人力物力资源较大,而且不可能实现全时段全路段的检测。
发明内容
本发明实施例提供了一种交通事故检测方法、装置、电子设备及存储介质,用以解决现有技术存在的消耗人力物力资源较大,而且不可能实现全时段全路段检测的问题。
本发明实施例提供了一种交通事故检测方法,所述方法包括:
获取监控区域的第一图像以及与所述第一图像间隔预设第一帧数的第二图像,基于预先训练完成的图像分割模型,确定所述第一图像中的每个目标对象分别对应的第一区域,以及所述第二图像中的所述每个目标对象分别对应的第二区域;
根据所述每个目标对象分别对应的第一区域和第二区域的位置信息,筛选出运动异常的目标对象;
判断所述第一图像中任意两个运动异常的目标对象对应的第一区域之间的距离是否小于预设的距离阈值,如果是,确定发生交通事故。
进一步地,所述基于预先训练完成的图像分割模型,确定所述第一图像中的每个目标对象分别对应的第一区域包括:
基于预先训练完成的图像分割模型,确定所述第一图像中的每个运动目标对象分别对应的第一区域及每个背景目标对象分别对应的第一区域;其中,所述运动目标对象包括机动车、非机动车和行人;
所述判断所述第一图像中任意两个运动异常的目标对象对应的第一区域之间的距离是否小于预设的距离阈值包括:
针对每个运动异常的非机动车,将该运动异常的非机动车作为待检测非机动车,判断是否存在与该待检测非机动车对应的第一区域的距离小于预设的距离阈值的运动异常的非机动车对应的第一区域、运动异常的机动车对应的第一区域、运动异常的行人对应的第一区域以及背景目标对象对应的第一区域;
针对每个运动异常的行人对应的第一区域,判断是否存在与该第一区域的距离小于预设的距离阈值的运动异常的非机动车对应的第一区域和运动异常的机动车对应的第一区域;
针对每个运动异常的机动车,将该运动异常的机动车作为待检测机动车,判断是否存在与该待检测机动车对应的第一区域的距离小于预设的距离阈值的运动异常的机动车对应的第一区域、运动异常的非机动车对应的第一区域、运动异常的行人对应的第一区域以及背景目标对象对应的第一区域。
进一步地,所述根据所述每个目标对象分别对应的第一区域和第二区域的位置信息,筛选出运动异常的目标对象包括:
针对所述每个目标对象,若该目标对象为机动车,获取与所述第二图像间隔预设第二帧数的第三图像,基于所述图像分割模型确定所述第三图像中的该目标对象分别对应的第三区域;根据该目标对象分别对应的第一区域、第二区域和第三区域的重心的位置信息,确定该目标对象的运动参数变化量;若所述运动参数变化量大于预设的运动参数阈值,确定该目标对象为运动异常的目标对象。
进一步地,所述根据所述每个目标对象分别对应的第一区域和第二区域的位置信息,筛选出运动异常的目标对象包括:
针对所述每个目标对象,若该目标对象为非机动车或行人,根据该目标对象分别对应的第一区域和第二区域的位置信息,确定该目标对象分别对应的第一区域和第二区域的交并比;若所述交并比小于预设的交并比阈值,确定该目标对象为运动异常的目标对象。
另一方面,本发明实施例提供了一种图像分割模型的训练方法,所述方法包括:
针对样本集中的每个第四图像,将该第四图像和该第四图像对应的标注图像输入图像分割模型,完成对所述图像分割模型的训练;其中,该标注图像中标注有该第四图像中机动车、非机动车、行人以及背景目标对象分别对应的区域以及区域类别信息。
另一方面,本发明实施例提供了一种交通事故检测装置,所述装置包括:
第一确定模块,用于获取监控区域的第一图像以及与所述第一图像间隔预设第一帧数的第二图像,基于预先训练完成的图像分割模型,确定所述第一图像中的每个目标对象分别对应的第一区域,以及所述第二图像中的所述每个目标对象分别对应的第二区域;
筛选模块,用于根据所述每个目标对象分别对应的第一区域和第二区域的位置信息,筛选出运动异常的目标对象;
第二确定模块,用于判断所述第一图像中任意两个运动异常的目标对象对应的第一区域之间的距离是否小于预设的距离阈值,如果是,确定发生交通事故。
进一步地,所述第一确定模块,具体用于基于预先训练完成的图像分割模型,确定所述第一图像中的每个运动目标对象分别对应的第一区域及每个背景目标对象分别对应的第一区域;其中,所述运动目标对象包括机动车、非机动车和行人;
所述第二确定模块,具体用于针对每个运动异常的非机动车,将该运动异常的非机动车作为待检测非机动车,判断是否存在与该待检测非机动车对应的第一区域的距离小于预设的距离阈值的运动异常的非机动车对应的第一区域、运动异常的机动车对应的第一区域、运动异常的行人对应的第一区域以及背景目标对象对应的第一区域;针对每个运动异常的行人对应的第一区域,判断是否存在与该第一区域的距离小于预设的距离阈值的运动异常的非机动车对应的第一区域和运动异常的机动车对应的第一区域;针对每个运动异常的机动车,将该运动异常的机动车作为待检测机动车,判断是否存在与该待检测机动车对应的第一区域的距离小于预设的距离阈值的运动异常的机动车对应的第一区域、运动异常的非机动车对应的第一区域、运动异常的行人对应的第一区域以及背景目标对象对应的第一区域。
进一步地,所述筛选模块,具体用于针对所述每个目标对象,若该目标对象为机动车,获取与所述第二图像间隔预设第二帧数的第三图像,基于所述图像分割模型确定所述第三图像中的该目标对象分别对应的第三区域;根据该目标对象分别对应的第一区域、第二区域和第三区域的重心的位置信息,确定该目标对象的运动参数变化量;若所述运动参数变化量大于预设的运动参数阈值,确定该目标对象为运动异常的目标对象。
进一步地,所述筛选模块,具体用于针对所述每个目标对象,若该目标对象为非机动车或行人,根据该目标对象分别对应的第一区域和第二区域的位置信息,确定该目标对象分别对应的第一区域和第二区域的交并比;若所述交并比小于预设的交并比阈值,确定该目标对象为运动异常的目标对象。
另一方面,本发明实施例提供了一种图像分割模型的训练装置,所述装置包括:
接收模块,用于接收样本集中的每个第四图像和每个第四图像分别对应的标注图像;
训练模块,用于针对样本集中的每个第四图像,基于该第四图像和该第四图像对应的标注图像,完成对所述图像分割模型的训练;其中,该标注图像中标注有该第四图像中机动车、非机动车、行人以及背景目标对象分别对应的区域以及区域类别信息。
另一方面,本发明实施例提供了一种电子设备,包括处理器和存储器,其中,存储器,存储有计算机程序;
处理器,执行所述计算机程序时实现任一项所述的方法。
另一方面,本发明实施例提供了一种计算机可读存储介质,所述计算机可读存储介质内存储有计算机程序,所述计算机程序被处理器执行时实现任一项所述的方法。
本发明实施例提供了一种交通事故检测方法、装置、电子设备及存储介质,所述方法包括:获取监控区域的第一图像以及与所述第一图像间隔预设第一帧数的第二图像,基于预先训练完成的图像分割模型,确定所述第一图像中的每个目标对象分别对应的第一区域,以及所述第二图像中的所述每个目标对象分别对应的第二区域;根据所述每个目标对象分别对应的第一区域和第二区域的位置信息,筛选出运动异常的目标对象;判断所述第一图像中任意两个运动异常的目标对象对应的第一区域之间的距离是否小于预设的距离阈值,如果是,确定发生交通事故。
上述的技术方案具有如下优点或有益效果:
在本发明实施例中,电子设备保存有预先训练完成的图像分割模型,电子设备获取到监控区域的第一图像和第二图像之后,基于图像分割模型确定第一图像中的每个目标对象分别对应的第一区域以及第二图像中的所述每个目标对象分别对应的第二区域,根据每个目标对象分别对应的第一区域和第二区域的位置信息,筛选出运动异常的目标对象,然后根据第一图像中每个运动异常的目标对象的第一区域之间的距离来检测是否发生交通事故。只要在主要路口或路段安装图像采集设备,即可实现全时段全路段的检测,并且不需要交警人工检测,节省了人力物力资源。
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1提供的交通事故检测过程示意图;
图2为本发明实施例5提供的交通事故检测过程示意图;
图3为本发明实施例6提供的交通事故检测装置结构示意图;
图4为本发明实施例6提供的图像分割模型装置结构示意图;
图5为本发明实施例7提供的电子设备结构示意图。
具体实施方式
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。
实施例1:
图1为本发明实施例提供的交通事故检测过程示意图,包括以下步骤:
S101:获取监控区域的第一图像以及与所述第一图像间隔预设第一帧数的第二图像,基于预先训练完成的图像分割模型,确定所述第一图像中的每个目标对象分别对应的第一区域,以及所述第二图像中的所述每个目标对象分别对应的第二区域。
S102:根据所述每个目标对象分别对应的第一区域和第二区域的位置信息,筛选出运动异常的目标对象。
S103:判断所述第一图像中任意两个运动异常的目标对象对应的第一区域之间的距离是否小于预设的距离阈值,如果是,确定发生交通事故。
本发明实施例提供的交通事故检测方法应用于电子设备,该电子设备可以是PC、平板电脑等设备,也可以是图像采集设备。如果电子设备为图像采集设备,图像采集设备采集到监控区域的第一图像和第二图像之后,将第一图像和第二图像输入自身保存的预先训练完成的图像分割模型中,进行后续的交通事故检测过程。如果电子设备为PC、平板电脑等设备,图像采集设备采集到监控区域的第一图像和第二图像之后,将第一图像和第二图像发送至电子设备,电子设备将第一图像和第二图像输入自身保存的预先训练完成的图像分割模型中,进行后续的交通事故检测过程。
其中,电子设备中保存有预先训练完成的图像分割模型,该图像分割模型的作用是对输入的图像进行分割处理,确定出输入图像中的每个目标对象分别对应的区域。
由于出现交通事故时,目标对象一般都会表现异常,为了提高检测效率,可以检测出表现异常的目标对象,然后对表现异常的目标对象进行交通事故的检测,在本发明实施例中,获取监控区域的第一图像以及与第一图像间隔预设第一帧数的第二图像。电子设备获取与第一图像间隔预设第一帧数的第二图像,较佳的,可以获取采集时间在第一图像之前的且与第一图像间隔预设第一帧数的第二图像。然后将第二图像和第一图像输入预先训练完成的图像分割模型,基于图像分割模型确定第一图像中的每个目标对象分别对应的第一区域,以及所述第二图像中的所述每个目标对象分别对应的第二区域。其中,电子设备可以通过现有的目标跟踪算法,确定出第一图像和第二图像中相同的目标对象,该过程为现有技术,在此不再进行赘述。然后针对每个目标对象,可以确定出该目标对象分别对应的第一区域和第二区域。
当发生交通事故时,目标对象一般会静止不动,因此,电子设备针对每个目标对象,根据该目标对象分别对应的第一区域和第二区域的位置信息,判断该目标对象是否为运动异常的目标对象时,可以将第二区域映射到第一图像中,确定第一区域和映射后的第二区域之间的距离,或者将第一区域映射到第二图像中,确定第二区域和映射后的第一区域之间的距离,然后判断该距离是否小于一定的距离阈值,如果是,确定该目标对象为运动异常的目标对象。然后再根据每个运动异常的目标对象分别对应的第一区域进行后续步骤。
在本发明实施例中,电子设备确定出第一图像中的每个运动异常的目标对象对应的第一区域之后,根据每个运动异常的目标对象对应的第一区域之间的距离确定是否发生交通事故。具体的,电子设备中保存有预设的距离阈值,该距离阈值可以为较小的值。针对每个运动异常的目标对象对应的第一区域,确定其他运动异常的目标对象对应的第一区域与该第一区域的距离,判断确定出的距离是否小于预设的距离阈值的距离,如果是,确定发生交通事故,如果否,确定未发生交通事故。
并且,如果确定发生交通事故,还可以根据距离小于预设的距离阈值的第一区域对应的目标对象,确定出哪些目标对象发生交通事故。进而识别发生交通事故的车牌号并上报交警部门等及时处理。
在本发明实施例中,电子设备保存有预先训练完成的图像分割模型,电子设备获取到监控区域的第一图像和第二图像之后,基于图像分割模型确定第一图像中的每个目标对象分别对应的第一区域以及第二图像中的所述每个目标对象分别对应的第二区域,根据每个目标对象分别对应的第一区域和第二区域的位置信息,筛选出运动异常的目标对象,然后根据第一图像中每个运动异常的目标对象的第一区域之间的距离来检测是否发生交通事故。只要在主要路口或路段安装图像采集设备,即可实现全时段全路段的检测,并且不需要交警人工检测,节省了人力物力资源。
实施例2:
在交通场景中,除了机动车、非机动车、行人之间发生交通事故之外,还有可能出现机动车或非机动车撞到路上的绿化带或栏杆等交通事故。为了使交通事故检测更加准确,在上述实施例的基础上,在本发明实施例中,所述基于预先训练完成的图像分割模型,确定所述第一图像中的每个目标对象分别对应的第一区域包括:
基于预先训练完成的图像分割模型,确定所述第一图像中的每个运动目标对象分别对应的第一区域及每个背景目标对象分别对应的第一区域;其中,所述运动目标对象包括机动车、非机动车和行人;
所述判断所述第一图像中任意两个运动异常的目标对象对应的第一区域之间的距离是否小于预设的距离阈值包括:
针对每个运动异常的非机动车,将该运动异常的非机动车作为待检测非机动车,判断是否存在与该待检测非机动车对应的第一区域的距离小于预设的距离阈值的运动异常的非机动车对应的第一区域、运动异常的机动车对应的第一区域、运动异常的行人对应的第一区域以及背景目标对象对应的第一区域;
针对每个运动异常的行人对应的第一区域,判断是否存在与该第一区域的距离小于预设的距离阈值的运动异常的非机动车对应的第一区域和运动异常的机动车对应的第一区域;
针对每个运动异常的机动车,将该运动异常的机动车作为待检测机动车,判断是否存在与该待检测机动车对应的第一区域的距离小于预设的距离阈值的运动异常的机动车对应的第一区域、运动异常的非机动车对应的第一区域、运动异常的行人对应的第一区域以及背景目标对象对应的第一区域。
在本发明实施例中,电子设备将获取到的第一图像输入预先训练完成的图像分割模型之后,基于图像分割模型确定第一图像中的每个运动目标对象分别对应的第一区域及每个背景目标对象分别对应的第一区域。也就是说,基于图像分割模型分割出的目标对象包括运动目标对象和背景目标对象。其中,运动目标对象包括机动车、非机动车和行人,背景目标对象包括场景中的建筑物、道路绿化带、道路护栏等。图像分割模型在进行训练时,对样本图像标注有目标对象对应的区域以及目标对象的类别信息,该类别信息包括机动车、非机动车、行人、建筑物、道路绿化带、道路护栏等。因此基于图像分割模型确定第一图像中的每个运动目标对象分别对应的第一区域及每个背景目标对象分别对应的第一区域,并且可以确定每个第一区域的类别信息。
在本发明实施例中,在检测交通事故时,针对每个运动异常的非机动车,将该运动异常的非机动车作为待检测非机动车,判断是否存在与该待检测非机动车对应的第一区域的距离小于预设的距离阈值的运动异常的非机动车对应的第一区域、运动异常的机动车对应的第一区域、运动异常的行人对应的第一区域以及背景目标对象对应的第一区域,如果是,确定发生交通事故。针对每个运动异常的行人对应的第一区域,判断是否存在与该第一区域的距离小于预设的距离阈值的运动异常的非机动车对应的第一区域和运动异常的机动车对应的第一区域,如果是,确定发生交通事故。针对每个运动异常的机动车,将该运动异常的机动车作为待检测机动车,判断是否存在与该待检测机动车对应的第一区域的距离小于预设的距离阈值的运动异常的机动车对应的第一区域、运动异常的非机动车对应的第一区域、运动异常的行人对应的第一区域以及背景目标对象对应的第一区域,如果是,确定发生交通事故。
另外,需要说明的是,本发明实施例中在进行交通事故检测时,可以按照一定的顺序进行检测。例如,先检测运动异常的非机动车是否发生交通事故,然后再检测运动异常的行人是否发生交通事故,最后检测运动异常的机动车是否发生交通事故。并且,在每次确定发生交通事故之后,都将确定发生交通事故的第一区域滤除。在剩余的第一区域中,进行后续的检测。也就是说,先检测运动异常的非机动车是否发生交通事故,将确定发生交通事故的第一区域滤除。在剩余的第一区域中,检测运动异常的行人是否发生交通事故,将确定发生交通事故的第一区域滤除。在剩余的第一区域中,检测运动异常的机动车是否发生交通事故。这样可以避免重复检测,在保证全面检测的前提下,即减少了算法消耗,也提高了检测效率。
实施例3:
对于机动车来说,当发生交通事故时,机动车的运动参数一般会发生突变。基于此考虑,为了使确定运动异常的目标对象更准确,在上述各实施例的基础上,在本发明实施例中,所述根据所述每个目标对象分别对应的第一区域和第二区域的位置信息,筛选出运动异常的目标对象包括:
针对所述每个目标对象,若该目标对象为机动车,获取与所述第二图像间隔预设第二帧数的第三图像,基于所述图像分割模型确定所述第三图像中的该目标对象分别对应的第三区域;根据该目标对象分别对应的第一区域、第二区域和第三区域的重心的位置信息,确定该目标对象的运动参数变化量;若所述运动参数变化量大于预设的运动参数阈值,确定该目标对象为运动异常的目标对象。
在本发明实施例中,针对每个目标对象,若该目标对象为机动车,为了获取该目标对象运动参数的变化量,还需要获取与第二图像间隔预设第二帧数的第三图像。较佳的,获取位于第二图像采集时间之前的,且与第二图像间隔预设第二帧数的第三图像。其中,预设第二帧数和预设第一帧数可以相同或不同。
将第三图像输入图像分割模型,基于图像分割模型确定所述第三图像中的该目标对象分别对应的第三区域。同样的,电子设备可以通过现有的目标跟踪算法,确定出第一图像、第二图像和第三图像中相同的目标对象。然后针对每个目标对象,可以确定出该目标对象分别对应的第一区域、第二区域和第三区域。根据该目标对象分别对应的第一区域、第二区域和第三区域的重心的位置信息,确定该目标对象的运动参数变化量。其中,根据第二区域和第三区域的重心的位置信息可以确定出一个运动参数,根据第一区域和第二区域的重心的位置信息可以确定出另一个运动参数,这两个运动参数的差即为该目标对象的运动参数变化量。其中,运动参数包括速度。其中,可以将重心的位置信息的差值作为目标对象的速度。另外,运动参数还可以包括加速度,其中,可以将速度的差值作为加速度。如果运动参数为加速度,则需要采集多幅图像进行运动参数变化量的确定。
电子设备中保存有预设的运动参数阈值,该预设的运动参数阈值可以是经验值,在本发明实施例中不进行限定。电子设备针对每个目标对象,若该目标对象为机动车,判断该目标对象的运动参数变化量是否大于预设的运动参数阈值,如果是,确定该目标对象为运动异常的目标对象。
由于在本发明实施例中,针对所述每个目标对象,若该目标对象为机动车,获取与所述第二图像间隔预设第二帧数的第三图像,基于所述图像分割模型确定所述第三图像中的该目标对象分别对应的第三区域;根据该目标对象分别对应的第一区域、第二区域和第三区域的重心的位置信息,确定该目标对象的运动参数变化量;若所述运动参数变化量大于预设的运动参数阈值,确定该目标对象为运动异常的目标对象。从而使得确定的运动异常的目标对象更准确。
实施例4:
对于非机动车和行人来说,当发生交通事故时,非机动车和行人对应的区域会发生形变。基于此考虑,为了使确定运动异常的目标对象更准确,在上述各实施例的基础上,在本发明实施例中,所述根据所述每个目标对象分别对应的第一区域和第二区域的位置信息,筛选出运动异常的目标对象包括:
针对所述每个目标对象,若该目标对象为非机动车或行人,根据该目标对象分别对应的第一区域和第二区域的位置信息,确定该目标对象分别对应的第一区域和第二区域的交并比;若所述交并比小于预设的交并比阈值,确定该目标对象为运动异常的目标对象。
针对每个目标对象,若该目标对象为非机动车或行人,根据该目标对象分别对应的第一区域和第二区域的位置信息,确定该目标对象分别对应的第一区域和第二区域的交并比。在确定交并比时,可以将第一区域和第二区域的重心重合,然后再计算第一区域和第二区域的交并比。电子设备保存有预设的交并比阈值,该预设的交并比阈值可以是经验值,在本发明实施例中不进行限定。电子设备针对每个目标对象,若该目标对象为非机动车或行人,判断该目标对象对应的第一区域和第二区域的交并比是否小于预设的交并比阈值,如果是,确定该目标对象为运动异常的目标对象。
另外,针对每个目标对象,若该目标对象为非机动车或行人,也可以计算该目标对象的形变程度,其中,1与该目标对象对应的交并比的差值即为该目标对象的形变程度。此时可以判断该目标对象对应的形变程度是否大于预设的形变阈值,如果是,确定该目标对象为运动异常的目标对象。
由于在本发明实施例中,针对所述每个目标对象,若该目标对象为非机动车或行人,根据该目标对象分别对应的第一区域和第二区域的位置信息,确定该目标对象分别对应的第一区域和第二区域的交并比;若所述交并比小于预设的交并比阈值,确定该目标对象为运动异常的目标对象。从而使得确定的运动异常的目标对象更准确。
实施例5:
本发明实施例提供了一种图像分割模型的训练方法,所述方法包括:
针对样本集中的每个第四图像,将该第四图像和该第四图像对应的标注图像输入图像分割模型,完成对所述图像分割模型的训练;其中,该标注图像中标注有该第四图像中机动车、非机动车、行人以及背景目标对象分别对应的区域以及区域类别信息。
在本发明实施例中,电子设备预先保存有样本集,将样本集中的图像称为第四图像。并且每个第四图像存在对应的标注图像,其中,标注图像中标注有对应的第四图像中机动车、非机动车、行人以及背景目标对象分别对应的区域以及区域类别信息。然后将每组第四图像和对应的标注图像输入图像分割模型,通过调整图像分割模型中的处理参数进行训练,当图像分割模型输出结果满足要求时,确定图像分割模型训练完成。
下面对本发明实施例提供的事故检测过程进行详细说明。
从视频流中获取图像帧数据,将图像按照预设的处理帧率送入算法模块,即将得到的监控区域的图像输入预先训练完成的图像分割模型。图像分割模块对输入图像进行全景分割,获得机动车、非机动车、行人等前景区域,以及建筑、道路绿化带、道路护栏等背景区域。对机动车、非机动车、行人相应的区域块进行跟踪匹配,通过跟踪匹配算法确定并维护相应目标对象的速度、加速度等运动信息。速度和加速度基于目标对象对应的分割区域的重心来计算。重心确定方法如下:
其中,S是区域的面积,可以通过图像分割模型产生的前景目标对象的分割掩膜累加得到。m(·)表示分割掩膜满足对应条件的像素点的数量。
速度可以通过第k帧的重心位置与第k-w帧的重心位置来计算:
加速度计算:
在本发明实施例中,对于机动车目标对象,速度突然改变或者加速度突然增大超过允许的阈值时,认定为运动异常。需要说明的是,上述公式分别确定出了水平方向的速度、加速度以及垂直方向的速度和加速度。只要任意方向上的速度突然改变或者加速度突然增大超过允许的阈值时,认定为运动异常。
对于非机动车和行人目标来说,相比于之前的分割结果,产生较大形变,超过允许的阈值时,认定为运动异常。其中形变程度可以通过相隔预设帧数的前后帧图像交并比来度量。为了消除位移的影响,将前后帧重心重叠后计算交并比,形变程度计算如下:其中交叉面积可以通过将两者的掩膜进行“与”运算后求和得到,合并的面积可以通过将两者的掩膜进行“或”运算后求和得到。
在确定出行为异常的机动车、非机动车和行人之后,针对行为异常的机动车、非机动车和行人检测是否出现交通事故。具体过程如下:
首先判断非机动车。针对每个非机动车对应的第一区域,判断是否存在与该第一区域的距离小于预设的距离阈值的其他非机动车对应的第一区域、机动车对应的第一区域、行人对应的第一区域以及背景目标对象对应的第一区域;如果是,确定发生交通事故。将确定发生交通事故的第一区域滤除,在剩余的第一区域中,针对每个行人对应的第一区域,判断是否存在与该第一区域的距离小于预设的距离阈值的非机动车对应的第一区域和机动车对应的第一区域;如果是,确定发生交通事故。再将确定发生交通事故的第一区域滤除,在剩余的第一区域中,针对每个机动车对应的第一区域,判断是否存在与该第一区域的距离小于预设的距离阈值的其他机动车对应的第一区域、非机动车对应的第一区域、行人对应的第一区域以及背景目标对象对应的第一区域。如果是,确定发生交通事故。
本发明实施例中采用基于深度学习的图像分割技术来进行前景目标的检测、跟踪,使得交通事故检测效果更好,更加鲁棒。因为基于图像分割模型确定出的目标对象的区域为目标对象的轮廓区域,能够更准确地表示目标对象的边界,提高碰撞检测精度。另外,基于图像分割模型确定出的前景目标对象和背景目标对象,并且基于以上论述内容可以实现检测前景目标对象之间产生交通事故,以及检测前景目标对象和背景目标对象之间产生交通事故,使得交通事故检测更加准确,适用范围更广。
图2为本发明实施例提供的交通事故检测过程示意图,包括以下步骤:
S201:获取监控区域的第一图像,将所述第一图像输入预先训练完成的图像分割模型,基于所述图像分割模型确定所述第一图像中的每个运动目标对象分别对应的第一区域及每个背景目标对象分别对应的第一区域;其中,所述运动目标对象包括机动车、非机动车和行人。
S202:获取与所述第一图像间隔预设第一帧数的第二图像,基于所述图像分割模型确定所述第二图像中的每个目标对象分别对应的第二区域;针对所述每个目标对象,根据该目标对象分别对应的第一区域和第二区域的位置信息,判断该目标对象是否为运动异常的目标对象,如果是,保留该目标对象,如果否,滤除该目标对象;根据保留的每个目标对象分别对应的第一区域进行后续步骤。
S203:针对每个非机动车对应的第一区域,判断是否存在与该第一区域的距离小于预设的距离阈值的其他非机动车对应的第一区域、机动车对应的第一区域、行人对应的第一区域以及背景目标对象对应的第一区域,如果是,确定发生交通事故。
S204:针对每个行人对应的第一区域,判断是否存在与该第一区域的距离小于预设的距离阈值的非机动车对应的第一区域和机动车对应的第一区域,如果是,确定发生交通事故。
S205:针对每个机动车对应的第一区域,判断是否存在与该第一区域的距离小于预设的距离阈值的其他机动车对应的第一区域、非机动车对应的第一区域、行人对应的第一区域以及背景目标对象对应的第一区域,如果是,确定发生交通事故。
实施例6:
图3为本发明实施例提供的交通事故检测装置结构示意图,所述装置包括:
第一确定模块31,用于获取监控区域的第一图像以及与所述第一图像间隔预设第一帧数的第二图像,基于预先训练完成的图像分割模型,确定所述第一图像中的每个目标对象分别对应的第一区域,以及所述第二图像中的所述每个目标对象分别对应的第二区域;
筛选模块32,用于根据所述每个目标对象分别对应的第一区域和第二区域的位置信息,筛选出运动异常的目标对象;
第二确定模块33,用于判断所述第一图像中任意两个运动异常的目标对象对应的第一区域之间的距离是否小于预设的距离阈值,如果是,确定发生交通事故。
所述第一确定模块31,具体用于基于预先训练完成的图像分割模型,确定所述第一图像中的每个运动目标对象分别对应的第一区域及每个背景目标对象分别对应的第一区域;其中,所述运动目标对象包括机动车、非机动车和行人;
所述第二确定模块33,具体用于针对每个运动异常的非机动车,将该运动异常的非机动车作为待检测非机动车,判断是否存在与该待检测非机动车对应的第一区域的距离小于预设的距离阈值的运动异常的非机动车对应的第一区域、运动异常的机动车对应的第一区域、运动异常的行人对应的第一区域以及背景目标对象对应的第一区域;针对每个运动异常的行人对应的第一区域,判断是否存在与该第一区域的距离小于预设的距离阈值的运动异常的非机动车对应的第一区域和运动异常的机动车对应的第一区域;针对每个运动异常的机动车,将该运动异常的机动车作为待检测机动车,判断是否存在与该待检测机动车对应的第一区域的距离小于预设的距离阈值的运动异常的机动车对应的第一区域、运动异常的非机动车对应的第一区域、运动异常的行人对应的第一区域以及背景目标对象对应的第一区域。
所述筛选模块32,具体用于针对所述每个目标对象,若该目标对象为机动车,获取与所述第二图像间隔预设第二帧数的第三图像,基于所述图像分割模型确定所述第三图像中的该目标对象分别对应的第三区域;根据该目标对象分别对应的第一区域、第二区域和第三区域的重心的位置信息,确定该目标对象的运动参数变化量;若所述运动参数变化量大于预设的运动参数阈值,确定该目标对象为运动异常的目标对象。
所述筛选模块32,具体用于针对所述每个目标对象,若该目标对象为非机动车或行人,根据该目标对象分别对应的第一区域和第二区域的位置信息,确定该目标对象分别对应的第一区域和第二区域的交并比;若所述交并比小于预设的交并比阈值,确定该目标对象为运动异常的目标对象。
图4为本发明实施例提供的图像分割模型装置结构示意图,所述装置包括:
接收模块41,用于接收样本集中的每个第四图像和每个第四图像分别对应的标注图像;
训练模块42,用于针对样本集中的每个第四图像,基于该第四图像和该第四图像对应的标注图像,完成对所述图像分割模型的训练;其中,该标注图像中标注有该第四图像中机动车、非机动车、行人以及背景目标对象分别对应的区域以及区域类别信息。
实施例7:
在上述各实施例的基础上,本发明实施例中还提供了一种电子设备,如图5所示,包括:存储器51和处理器52,其中,处理器和存储器通过通信总线完成相互间的通信;
所述存储器中存储有计算机程序,当所述程序被所述处理器执行时,使得所述处理器执行如下步骤:
获取监控区域的第一图像以及与所述第一图像间隔预设第一帧数的第二图像,基于预先训练完成的图像分割模型,确定所述第一图像中的每个目标对象分别对应的第一区域,以及所述第二图像中的所述每个目标对象分别对应的第二区域;
根据所述每个目标对象分别对应的第一区域和第二区域的位置信息,筛选出运动异常的目标对象;
判断所述第一图像中任意两个运动异常的目标对象对应的第一区域之间的距离是否小于预设的距离阈值,如果是,确定发生交通事故。
基于同一发明构思,本发明实施例中还提供了一种电子设备,由于上述电子设备解决问题的原理与交通事故检测方法相似,因此上述电子设备的实施可以参见方法的实施,重复之处不再赘述。
本发明实施例提供的电子设备具体可以为桌面计算机、便携式计算机、智能手机、平板电脑、个人数字助理(Personal Digital Assistant,PDA)、网络侧设备等。
上述电子设备提到的通信总线可以是外设部件互连标准(Peripheral ComponentInterconnect,PCI)总线或扩展工业标准结构(Extended Industry StandardArchitecture,EISA)总线等。该通信总线可以分为地址总线、数据总线、控制总线等。
存储器可以包括随机存取存储器(Random Access Memory,RAM),也可以包括非易失性存储器(Non-Volatile Memory,NVM),例如至少一个磁盘存储器。可选地,存储器还可以是至少一个位于远离前述处理器的存储装置。
上述处理器可以是通用处理器,包括中央处理器、网络处理器(NetworkProcessor,NP)等;还可以是数字信号处理器(Digital Signal Processing,DSP)、专用集成电路、现场可编程门陈列或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。
在本发明实施例中处理器执行存储器上所存放的程序时,实现获取监控区域的第一图像以及与所述第一图像间隔预设第一帧数的第二图像,基于预先训练完成的图像分割模型,确定所述第一图像中的每个目标对象分别对应的第一区域,以及所述第二图像中的所述每个目标对象分别对应的第二区域;根据所述每个目标对象分别对应的第一区域和第二区域的位置信息,筛选出运动异常的目标对象;判断所述第一图像中任意两个运动异常的目标对象对应的第一区域之间的距离是否小于预设的距离阈值,如果是,确定发生交通事故。只要在主要路口或路段安装图像采集设备,即可实现全时段全路段的检测,并且不需要交警人工检测,节省了人力物力资源。
实施例8:
在上述各实施例的基础上,本发明实施例还提供了一种计算机存储可读存储介质,所述计算机可读存储介质内存储有可由电子设备执行的计算机程序,当所述程序在所述电子设备上运行时,使得所述电子设备执行时实现如下步骤:
获取监控区域的第一图像以及与所述第一图像间隔预设第一帧数的第二图像,基于预先训练完成的图像分割模型,确定所述第一图像中的每个目标对象分别对应的第一区域,以及所述第二图像中的所述每个目标对象分别对应的第二区域;
根据所述每个目标对象分别对应的第一区域和第二区域的位置信息,筛选出运动异常的目标对象;
判断所述第一图像中任意两个运动异常的目标对象对应的第一区域之间的距离是否小于预设的距离阈值,如果是,确定发生交通事故。
基于同一发明构思,本发明实施例中还提供了一种计算机可读存储介质,由于处理器在执行上述计算机可读存储介质上存储的计算机程序时解决问题的原理与交通事故检测方法相似,因此处理器在执行上述计算机可读存储介质存储的计算机程序的实施可以参见方法的实施,重复之处不再赘述。
上述计算机可读存储介质可以是电子设备中的处理器能够存取的任何可用介质或数据存储设备,包括但不限于磁性存储器如软盘、硬盘、磁带、磁光盘(MO)等、光学存储器如CD、DVD、BD、HVD等、以及半导体存储器如ROM、EPROM、EEPROM、非易失性存储器(NANDFLASH)、固态硬盘(SSD)等。
在本发明实施例中提供的计算机可读存储介质内存储计算机程序,计算机程序被处理器执行时实现获取监控区域的第一图像以及与所述第一图像间隔预设第一帧数的第二图像,基于预先训练完成的图像分割模型,确定所述第一图像中的每个目标对象分别对应的第一区域,以及所述第二图像中的所述每个目标对象分别对应的第二区域;根据所述每个目标对象分别对应的第一区域和第二区域的位置信息,筛选出运动异常的目标对象;判断所述第一图像中任意两个运动异常的目标对象对应的第一区域之间的距离是否小于预设的距离阈值,如果是,确定发生交通事故。只要在主要路口或路段安装图像采集设备,即可实现全时段全路段的检测,并且不需要交警人工检测,节省了人力物力资源。
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 (10)
1.一种交通事故检测方法,其特征在于,所述方法包括:
获取监控区域的第一图像以及与所述第一图像间隔预设第一帧数的第二图像,基于预先训练完成的图像分割模型,确定所述第一图像中的每个目标对象分别对应的第一区域,以及所述第二图像中的所述每个目标对象分别对应的第二区域;
根据所述每个目标对象分别对应的第一区域和第二区域的位置信息,筛选出运动异常的目标对象;
判断所述第一图像中任意两个运动异常的目标对象对应的第一区域之间的距离是否小于预设的距离阈值,如果是,确定发生交通事故;
所述基于预先训练完成的图像分割模型,确定所述第一图像中的每个目标对象分别对应的第一区域包括:
基于预先训练完成的图像分割模型,确定所述第一图像中的每个运动目标对象分别对应的第一区域及每个背景目标对象分别对应的第一区域;其中,所述运动目标对象包括机动车、非机动车和行人;
所述判断所述第一图像中任意两个运动异常的目标对象对应的第一区域之间的距离是否小于预设的距离阈值包括:
针对每个运动异常的非机动车,将该运动异常的非机动车作为待检测非机动车,判断是否存在与该待检测非机动车对应的第一区域的距离小于预设的距离阈值的运动异常的非机动车对应的第一区域、运动异常的机动车对应的第一区域、运动异常的行人对应的第一区域以及背景目标对象对应的第一区域;
针对每个运动异常的行人对应的第一区域,判断是否存在与该第一区域的距离小于预设的距离阈值的运动异常的非机动车对应的第一区域和运动异常的机动车对应的第一区域;
针对每个运动异常的机动车,将该运动异常的机动车作为待检测机动车,判断是否存在与该待检测机动车对应的第一区域的距离小于预设的距离阈值的运动异常的机动车对应的第一区域、运动异常的非机动车对应的第一区域、运动异常的行人对应的第一区域以及背景目标对象对应的第一区域。
2.如权利要求1所述的方法,其特征在于,所述根据所述每个目标对象分别对应的第一区域和第二区域的位置信息,筛选出运动异常的目标对象包括:
针对所述每个目标对象,若该目标对象为机动车,获取与所述第二图像间隔预设第二帧数的第三图像,基于所述图像分割模型确定所述第三图像中的该目标对象分别对应的第三区域;根据该目标对象分别对应的第一区域、第二区域和第三区域的重心的位置信息,确定该目标对象的运动参数变化量;若所述运动参数变化量大于预设的运动参数阈值,确定该目标对象为运动异常的目标对象。
3.如权利要求1所述的方法,其特征在于,所述根据所述每个目标对象分别对应的第一区域和第二区域的位置信息,筛选出运动异常的目标对象包括:
针对所述每个目标对象,若该目标对象为非机动车或行人,根据该目标对象分别对应的第一区域和第二区域的位置信息,确定该目标对象分别对应的第一区域和第二区域的交并比;若所述交并比小于预设的交并比阈值,确定该目标对象为运动异常的目标对象。
4.一种图像分割模型的训练方法,将所述训练方法应用于权利要求1至3任一项的交通事故检测方法中的图像分割模型,其特征在于,所述方法包括:
针对样本集中的每个第四图像,将该第四图像和该第四图像对应的标注图像输入图像分割模型,完成对所述图像分割模型的训练;其中,该标注图像中标注有该第四图像中机动车、非机动车、行人以及背景目标对象分别对应的区域以及区域类别信息。
5.一种交通事故检测装置,其特征在于,所述装置包括:
第一确定模块,用于获取监控区域的第一图像以及与所述第一图像间隔预设第一帧数的第二图像,基于预先训练完成的图像分割模型,确定所述第一图像中的每个目标对象分别对应的第一区域,以及所述第二图像中的所述每个目标对象分别对应的第二区域;
筛选模块,用于根据所述每个目标对象分别对应的第一区域和第二区域的位置信息,筛选出运动异常的目标对象;
第二确定模块,用于判断所述第一图像中任意两个运动异常的目标对象对应的第一区域之间的距离是否小于预设的距离阈值,如果是,确定发生交通事故;
所述第一确定模块,具体用于基于预先训练完成的图像分割模型,确定所述第一图像中的每个运动目标对象分别对应的第一区域及每个背景目标对象分别对应的第一区域;其中,所述运动目标对象包括机动车、非机动车和行人;
所述第二确定模块,具体用于针对每个运动异常的非机动车,将该运动异常的非机动车作为待检测非机动车,判断是否存在与该待检测非机动车对应的第一区域的距离小于预设的距离阈值的运动异常的非机动车对应的第一区域、运动异常的机动车对应的第一区域、运动异常的行人对应的第一区域以及背景目标对象对应的第一区域;针对每个运动异常的行人对应的第一区域,判断是否存在与该第一区域的距离小于预设的距离阈值的运动异常的非机动车对应的第一区域和运动异常的机动车对应的第一区域;针对每个运动异常的机动车,将该运动异常的机动车作为待检测机动车,判断是否存在与该待检测机动车对应的第一区域的距离小于预设的距离阈值的运动异常的机动车对应的第一区域、运动异常的非机动车对应的第一区域、运动异常的行人对应的第一区域以及背景目标对象对应的第一区域。
6.如权利要求5所述的装置,其特征在于,所述筛选模块,具体用于针对所述每个目标对象,若该目标对象为机动车,获取与所述第二图像间隔预设第二帧数的第三图像,基于所述图像分割模型确定所述第三图像中的该目标对象分别对应的第三区域;根据该目标对象分别对应的第一区域、第二区域和第三区域的重心的位置信息,确定该目标对象的运动参数变化量;若所述运动参数变化量大于预设的运动参数阈值,确定该目标对象为运动异常的目标对象。
7.如权利要求5所述的装置,其特征在于,所述筛选模块,具体用于针对所述每个目标对象,若该目标对象为非机动车或行人,根据该目标对象分别对应的第一区域和第二区域的位置信息,确定该目标对象分别对应的第一区域和第二区域的交并比;若所述交并比小于预设的交并比阈值,确定该目标对象为运动异常的目标对象。
8.一种图像分割模型的训练装置,将所述训练装置应用于权利要求5至7任一项的交通事故检测装置中的图像分割模型,其特征在于,所述装置包括:
接收模块,用于接收样本集中的每个第四图像和每个第四图像分别对应的标注图像;
训练模块,用于针对样本集中的每个第四图像,基于该第四图像和该第四图像对应的标注图像,完成对所述图像分割模型的训练;其中,该标注图像中标注有该第四图像中机动车、非机动车、行人以及背景目标对象分别对应的区域以及区域类别信息。
9.一种电子设备,其特征在于,包括处理器和存储器,其中,
存储器,存储有计算机程序;
处理器,执行所述计算机程序时实现权利要求1-4中任一项所述的方法。
10.一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内存储有计算机程序,所述计算机程序被处理器执行时实现权利要求1-4中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011034234.XA CN112200835B (zh) | 2020-09-27 | 2020-09-27 | 一种交通事故检测方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011034234.XA CN112200835B (zh) | 2020-09-27 | 2020-09-27 | 一种交通事故检测方法、装置、电子设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112200835A CN112200835A (zh) | 2021-01-08 |
CN112200835B true CN112200835B (zh) | 2023-04-07 |
Family
ID=74006760
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011034234.XA Active CN112200835B (zh) | 2020-09-27 | 2020-09-27 | 一种交通事故检测方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112200835B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115359440B (zh) * | 2022-08-26 | 2024-01-12 | 武汉铁路职业技术学院 | 一种基于物联网的铁路机车智能安全运行及*** |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2016167267A (ja) * | 2015-03-09 | 2016-09-15 | 株式会社リコー | 異常状況の検出方法及び装置 |
CN109934075A (zh) * | 2017-12-19 | 2019-06-25 | 杭州海康威视数字技术股份有限公司 | 异常事件检测方法、装置、***及电子设备 |
CN110781834A (zh) * | 2019-10-28 | 2020-02-11 | 上海眼控科技股份有限公司 | 交通异常图像检测方法、装置、计算机设备及存储介质 |
CN110992683A (zh) * | 2019-10-29 | 2020-04-10 | 山东科技大学 | 一种基于动态图像感知的交叉口盲区预警方法及*** |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130093895A1 (en) * | 2011-10-17 | 2013-04-18 | Samuel David Palmer | System for collision prediction and traffic violation detection |
-
2020
- 2020-09-27 CN CN202011034234.XA patent/CN112200835B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2016167267A (ja) * | 2015-03-09 | 2016-09-15 | 株式会社リコー | 異常状況の検出方法及び装置 |
CN109934075A (zh) * | 2017-12-19 | 2019-06-25 | 杭州海康威视数字技术股份有限公司 | 异常事件检测方法、装置、***及电子设备 |
CN110781834A (zh) * | 2019-10-28 | 2020-02-11 | 上海眼控科技股份有限公司 | 交通异常图像检测方法、装置、计算机设备及存储介质 |
CN110992683A (zh) * | 2019-10-29 | 2020-04-10 | 山东科技大学 | 一种基于动态图像感知的交叉口盲区预警方法及*** |
Also Published As
Publication number | Publication date |
---|---|
CN112200835A (zh) | 2021-01-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111062413B (zh) | 一种道路目标检测方法、装置、电子设备及存储介质 | |
CN112069944B (zh) | 一种道路拥堵等级确定方法 | |
CN105493502A (zh) | 视频监控方法、视频监控***以及计算机程序产品 | |
CN111223289B (zh) | 共享车辆违规停放事件抓拍方法及***、存储介质 | |
CN111460924B (zh) | 一种基于目标检测的闸机通过逃票行为检测方法 | |
CN108229256A (zh) | 一种道路施工检测方法及装置 | |
CN111914656A (zh) | 一种人员行为检测方法、装置、电子设备及存储介质 | |
CN112749622B (zh) | 应急车道占用识别方法和装置 | |
CN111626189B (zh) | 一种路面异常检测方法、装置、电子设备及存储介质 | |
CN112380892B (zh) | 一种图像识别方法、装置、设备及介质 | |
CN110225236B (zh) | 为视频监控***配置参数的方法、装置和视频监控*** | |
CN112200835B (zh) | 一种交通事故检测方法、装置、电子设备及存储介质 | |
CN116343436A (zh) | 一种山体滑坡检测的方法、装置、设备及介质 | |
CN111062319B (zh) | 一种基于主动红外图像的驾驶员打电话检测方法 | |
CN110033425B (zh) | 干扰区域检测装置及方法、电子设备 | |
CN112232257B (zh) | 一种交通异常确定方法、装置、设备及介质 | |
Ashraf et al. | HVD-net: a hybrid vehicle detection network for vision-based vehicle tracking and speed estimation | |
CN111914671A (zh) | 一种安全带检测方法、装置、电子设备及存储介质 | |
CN115019242B (zh) | 一种交通场景的异常事件检测方法、装置和处理设备 | |
CN110782485A (zh) | 一种车辆变道检测方法及装置 | |
CN113470009B (zh) | 违规撑伞检测和识别方法、装置、电子设备及存储介质 | |
CN113902999A (zh) | 一种跟踪方法、装置、设备及介质 | |
CN114445786A (zh) | 道路拥堵检测方法、装置、电子设备及存储介质 | |
CN114373081A (zh) | 图像处理方法及装置、电子设备及存储介质 | |
CN113435350A (zh) | 一种交通标线检测方法、装置、设备和介质 |
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 |