CN113033471A - 交通异常检测方法、装置、设备、存储介质以及程序产品 - Google Patents

交通异常检测方法、装置、设备、存储介质以及程序产品 Download PDF

Info

Publication number
CN113033471A
CN113033471A CN202110404411.7A CN202110404411A CN113033471A CN 113033471 A CN113033471 A CN 113033471A CN 202110404411 A CN202110404411 A CN 202110404411A CN 113033471 A CN113033471 A CN 113033471A
Authority
CN
China
Prior art keywords
traffic
abnormal
vehicle
abnormally
exists
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.)
Pending
Application number
CN202110404411.7A
Other languages
English (en)
Inventor
李莹莹
谭啸
孙昊
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Baidu Netcom Science and Technology Co Ltd
Original Assignee
Beijing Baidu Netcom Science and Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beijing Baidu Netcom Science and Technology Co Ltd filed Critical Beijing Baidu Netcom Science and Technology Co Ltd
Priority to CN202110404411.7A priority Critical patent/CN113033471A/zh
Publication of CN113033471A publication Critical patent/CN113033471A/zh
Priority to JP2022555976A priority patent/JP2023524623A/ja
Priority to EP22761936.8A priority patent/EP4102401A4/en
Priority to KR1020227035841A priority patent/KR20220146670A/ko
Priority to PCT/CN2022/075044 priority patent/WO2022218011A1/zh
Priority to US17/944,742 priority patent/US20230005272A1/en
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
    • G08G1/0108—Measuring and analyzing of parameters relative to traffic conditions based on the source of data
    • G08G1/0116—Measuring and analyzing of parameters relative to traffic conditions based on the source of data from roadside infrastructure, e.g. beacons
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/24323—Tree-organised classifiers
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • 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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/01—Dynamic search techniques; Heuristics; Dynamic trees; Branch-and-bound
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/70—Determining position or orientation of objects or cameras
    • G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
    • G06T7/75—Determining position or orientation of objects or cameras using feature-based methods involving models
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • 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
    • G06V20/41—Higher-level, semantic clustering, classification or understanding of video scenes, e.g. detection, labelling or Markovian modelling of sport events or news items
    • 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
    • G06V20/46—Extracting features or characteristics from the video content, e.g. video fingerprints, representative shots or key frames
    • 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
    • G06V20/54—Surveillance or monitoring of activities, e.g. for recognising suspicious objects of traffic, e.g. cars on the road, trains or boats
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
    • G06V40/103—Static body considered as a whole, e.g. static pedestrian or occupant recognition
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
    • G08G1/0125—Traffic data processing
    • G08G1/0133—Traffic data processing for classifying traffic situation
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/04—Detecting movement of traffic to be counted or controlled using optical or ultrasonic detectors
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/065—Traffic control systems for road vehicles by counting the vehicles in a section of the road or in a parking area, i.e. comparing incoming count with outgoing count
    • 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
    • G06N3/08—Learning methods
    • G06N3/09—Supervised learning
    • 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
    • G06T2207/30196—Human being; Person
    • 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
    • G06T2207/30236—Traffic on road, railway or crossing
    • 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
    • G06T2207/30242—Counting objects in image
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2210/00—Indexing scheme for image generation or computer graphics
    • G06T2210/12—Bounding box
    • 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)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Software Systems (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Data Mining & Analysis (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computational Linguistics (AREA)
  • Mathematical Physics (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Human Computer Interaction (AREA)
  • Medical Informatics (AREA)
  • Databases & Information Systems (AREA)
  • Biomedical Technology (AREA)
  • Analytical Chemistry (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Chemical & Material Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • Traffic Control Systems (AREA)
  • Image Analysis (AREA)

Abstract

本公开提供了一种交通异常检测方法、装置、设备、存储介质以及程序产品，涉及人工智能领域，具体为计算机视觉和深度学习技术，可应用于智能交通场景下。该方法的一具体实施方式包括：获取交通视频流；对交通视频流进行车辆检测跟踪，确定是否存在异常停留的车辆，其中，停留时长超过预设时长属于异常停留；若存在异常停留的车辆，利用决策树对异常停留对应的视频帧进行交通异常分类，得到交通异常类型，其中，决策树是基于交通异常检测的特征生成的。该实施方式提升了交通异常检测的鲁棒性。

Description

交通异常检测方法、装置、设备、存储介质以及程序产品
技术领域
本公开涉及人工智能领域，具体为计算机视觉和深度学习技术，可应用于智能交通场景下。
背景技术
交通异常检测在安全城市中扮演着非常关键的角色，交通异常会大大降低交通通行效率，因此需要对其进行检测和监控。如果发生交通异常及时进行报警和救援，可以尽快排查出由交通异常带来的交通不便，恢复正常交通。
传统的交通异常检测方法主要有电磁感应环形线圈式和波式，它们均是基于车辆经过时利用反射波的频率变化来检测车辆信息。
发明内容
本公开实施例提出了一种交通异常检测方法、装置、设备、存储介质以及程序产品。
第一方面，本公开实施例提出了一种交通异常检测方法，包括：获取交通视频流；对交通视频流进行车辆检测跟踪，确定是否存在异常停留的车辆，其中，停留时长超过预设时长属于异常停留；若存在异常停留的车辆，利用决策树对异常停留对应的视频帧进行交通异常分类，得到交通异常类型，其中，决策树是基于交通异常检测的特征生成的。
第二方面，本公开实施例提出了一种交通异常检测装置，包括：获取模块，被配置成获取交通视频流；跟踪模块，被配置成对交通视频流进行车辆检测跟踪，确定是否存在异常停留的车辆，其中，停留时长超过预设时长属于异常停留；分类模块，被配置成若存在异常停留的车辆，利用决策树对异常停留对应的视频帧进行交通异常分类，得到交通异常类型，其中，决策树是基于交通异常检测的特征生成的。
第三方面，本公开实施例提出了一种电子设备，包括：至少一个处理器；以及与至少一个处理器通信连接的存储器；其中，存储器存储有可被至少一个处理器执行的指令，指令被至少一个处理器执行，以使至少一个处理器能够执行如第一方面中任一实现方式描述的方法。
第四方面，本公开实施例提出了一种存储有计算机指令的非瞬时计算机可读存储介质，计算机指令用于使计算机执行如第一方面中任一实现方式描述的方法。
第五方面，本公开实施例提出了一种计算机程序产品，包括计算机程序，计算机程序在被处理器执行时实现如第一方面中任一实现方式描述的方法。
应当理解，本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征，也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
附图说明
通过阅读参照以下附图所作的对非限制性实施例所作的详细描述，本公开的其它特征、目的和优点将会变得更明显。附图用于更好地理解本方案，不构成对本公开的限定。其中：
图1是本公开可以应用于其中的示例性***架构图；
图2是根据本公开的交通异常检测方法的一个实施例的流程图；
图3是决策树的示意图；
图4是根据本公开的交通异常检测方法的又一个实施例的流程图；
图5是根据本公开的交通异常检测装置的一个实施例的结构示意图；
图6是用来实现本公开实施例的交通异常检测方法的电子设备的框图。
具体实施方式
以下结合附图对本公开的示范性实施例做出说明，其中包括本公开实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本公开的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。
需要说明的是，在不冲突的情况下，本公开中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本公开。
图1示出了可以应用本公开的交通异常检测方法或交通异常检测装置的实施例的示例性***架构100。
如图1所示，***架构100可以包括视频采集设备101，网络102和服务器103。网络102用以在视频采集设备101和服务器103之间提供通信链路的介质。网络102可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。
视频采集设备101可以通过网络102与服务器103交互，以接收或发送图像等。
视频采集设备101可以是硬件，也可以是软件。当视频采集设备101为硬件时，可以是各种带有摄像头的电子设备。当视频采集设备101为软件时，可以安装在上述电子设备中。其可以实现成多个软件或软件模块，也可以实现成单个软件或软件模块。在此不做具体限定。
服务器103可以提供各种服务。例如，服务器103可以对从视频采集设备101获取到的交通视频流进行分析等处理，并生成处理结果(例如交通异常类型)。
需要说明的是，服务器103可以是硬件，也可以是软件。当服务器103为硬件时，可以实现成多个服务器组成的分布式服务器集群，也可以实现成单个服务器。当服务器103为软件时，可以实现成多个软件或软件模块(例如用来提供分布式服务)，也可以实现成单个软件或软件模块。在此不做具体限定。
需要说明的是，本公开实施例所提供的交通异常检测方法一般由服务器103执行，相应地，交通异常检测装置一般设置于服务器103中。
应该理解，图1中的视频采集设备、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的视频采集设备、网络和服务器。
继续参考图2，其示出了根据本公开的交通异常检测方法的一个实施例的流程200。该交通异常检测方法包括以下步骤：
步骤201，获取交通视频流。
在本实施例中，交通异常检测方法的执行主体(例如图1所示的服务器103)可以从视频采集设备(例如图1所示的视频采集设备101)获取交通视频流。
通常，视频采集设备被固定安装，用于采集其摄像头范围内的视频流。例如，架设在信号灯杆或监控灯杆上的电子眼可以采集交通视频流，能够应用在智能交通领域。其中，视频采集设备可以每隔一定时长(如40毫秒)连续采集静态影像，即可得到交通视频流。交通视频流可以记录车辆、行人等的通行过程。
步骤202，对交通视频流进行车辆检测跟踪，确定是否存在异常停留的车辆。
在本实施例中，上述执行主体可以对交通视频流进行车辆检测跟踪，确定是否存在异常停留的车辆。
通常，在车辆通行过程中，正常车辆正常停止(如等待交通信号灯)的停留时长较短。异常车辆异常停止(如被迫停止或违章停止)的停留时间较长。因此，可以将停留时长超过预设时长(如10分钟)的车辆确定为异常停留的车辆。
对于交通视频流中的任意车辆，上述执行主体可以检测该车辆在交通视频流中的视频帧上的位置。若该车辆在连续一定数目(如1500帧)的视频帧上的位置不变，则确定该车辆是异常停留的车辆。由于视频采集设备每隔一定时长(如40毫秒)采集一帧视频帧，因此计算每隔时长与位置不变的视频帧的数目的乘积，即可得到该车辆的停留时长。
步骤203，若存在异常停留的车辆，利用决策树对异常停留对应的视频帧进行交通异常分类，得到交通异常类型。
在本实施例中，若存在异常停留的车辆，上述执行主体可以利用决策树对异常停留对应的视频帧进行交通异常分类，得到交通异常类型。其中，交通异常类型可以包括但不限于车撞车类型、车撞人类型、违停类型和抛锚类型等等。
这里，决策树可以是基于交通异常检测的特征生成的。不同的交通异常类型对应不同的特征，这里可以基于不同交通异常类型的特征构建决策树。决策树是一棵树，其中根节点和内部节点是输入特征的判定条件，叶子节点是最终结果。
为了便于理解，图3示出了决策树的示意图。如图3所示，训练数据的输入一共有六个特征：是否存在异常停留的车辆、异常停留的车辆的数目是否是多个、异常停留的车辆之间是否存在接触、是否存在异常的人体、异常停留的车辆的停留位置是否在路侧、是否存在警示牌。根据这些训练数据可以构建一个决策树。具体步骤如下：
首先，选择根节点。
各种类型的交通异常都会存在车辆的异常停留。因此，可以将是否存在异常停留的车辆作为根节点301。
其次，选择内部节点和叶子节点。
车撞车类型的特征还进一步包括异常停留的车辆的数目是多个、异常停留的车辆之间存在接触。因此，可以将异常停留的车辆的数目是否是多个作为根节点301的子节点302，将异常停留的车辆之间是否存在接触作为节点302的子节点303，将车撞车类型作为节点303的叶子节点304。
车撞人类型的特征不限制异常停留的车辆的数目是多个还是一个。对于包括异常停留的车辆的数目是一个的特征的情况，还进一步包括存在异常的人体。对于包括异常停留的车辆的数目是多个的特征的情况，还进一步包括异常停留的车辆之间不存在接触和存在异常的人体。因此，可以将是否存在异常的人体作为节点302和节点303的子节点305，将车撞人类型作为节点305的叶子节点306。
同理，违停类型的特征也不限制异常停留的车辆的数目是多个还是一个。对于包括异常停留的车辆的数目是一个的特征的情况，还进一步包括不存在异常的人体和异常停留的车辆的停留位置在路侧。对于包括异常停留的车辆的数目是多个的特征的情况，还进一步包括异常停留的车辆之间不存在接触、不存在异常的人体和异常停留的车辆的停留位置在路侧。因此，可以将异常停留的车辆的停留位置是否在路侧作为节点305的子节点307，将违停类型作为节点307的叶子节点308。
同理，抛锚类型的特征也不限制异常停留的车辆的数目是多个还是一个。对于包括异常停留的车辆的数目是一个的特征的情况，还进一步包括不存在异常的人体、异常停留的车辆的停留位置不在路侧和存在警示牌。对于包括异常停留的车辆的数目是多个的特征的情况，还进一步包括异常停留的车辆之间不存在接触、不存在异常的人体、异常停留的车辆的停留位置不在路侧和存在警示牌。因此，可以将是否存在警示牌作为节点307的子节点309，将抛锚类型作为节点309的叶子节点310。此外，对于特征进一步包括不存在警示牌的情况，其对应违停类型。因此，可以将叶子节点308作为节点309的叶子节点。
本公开实施例提供了一种基于视频流的交通异常检测方法，首先对交通视频流进行检测跟踪，确定异常停留的车辆，然后利用决策树进行交通异常分类，可融入到智能交通***中从而尽快排查问题，恢复正常交通。并且，通过检测跟踪来确定异常停留的车辆，不会受拍摄角度变化、高密度车流、目标车档、天气情况(如雨雪)、光照变化(如白天和黑夜)、采集数据分辨率低和真实场景数据匮乏等因素的影响，提升了交通异常检测的鲁棒性。通过决策树进行交通异常分类，由于决策树是基于交通异常检测的特征生成的，能够提供更为全面的交通信息，使得交通异常检测结果更加全面。
进一步参考图4，其示出了根据本公开的交通异常检测方法的又一个实施例的流程400。该交通异常检测方法包括以下步骤：
步骤401，获取交通视频流。
步骤402，对交通视频流进行车辆检测跟踪，确定是否存在异常停留的车辆。
在本实施例中，步骤401-402具体操作已在图2所示的实施例中步骤201-202进行了详细的介绍，在此不再赘述。
在本实施例的一些可选的实现方式中，上述执行主体可以首先将交通视频流输入至预先训练的车辆检测跟踪模型，得到车辆检测跟踪结果；然后基于车辆检测跟踪结果，确定是否存在异常停留的车辆。其中，车辆检测跟踪结果可以包括车辆行驶轨迹。车辆行驶轨迹可以表征车辆位置随时间变化情况。若车辆行驶轨迹中的车辆位置超过预设时长不变化，说明是异常停留的车辆。车辆检测跟踪模型可以用于对车辆进行检测跟踪，是利用训练样本集对神经网络进行训练得到的。这里的训练样本集中的训练样本可以包括样本交通视频流和样本车辆行驶轨迹。基于深度学习方法对车辆检测跟踪，提升了车辆检测跟踪的效率和准确度。
步骤403，统计异常停留的车辆的数目，确定是否是多个。
在本实施例中，若存在异常停留的车辆，上述执行主体可以统计异常停留的车辆的数目，确定是否是多个。若异常停留的车辆的数目是多个，执行步骤404；若异常停留的车辆的数目是一个，执行步骤406。
需要说明的是，在统计异常停留的车辆的数目时，统计的是同一视频帧存在的异常停留的车辆的数目。由于车辆检测跟踪时是对交通视频流中的视频帧进行逐帧检测跟踪的，因此，在得到车辆检测跟踪结果时，即可同时得到异常停留的车辆的数目。
步骤404，确定异常停留的车辆之间是否存在接触。
在本实施例中，若异常停留的车辆的数目是多个，上述执行主体可以确定异常停留的车辆之间是否存在接触。若异常停留的车辆之间存在接触，执行步骤405；若异常停留的车辆之间不存在接触，执行步骤406。
在本实施例的一些可选的实现方式中，上述执行主体可以计算异常停留的车辆的边界框之间的交并比。若交并比不等于0，确定异常停留的车辆之间存在接触；若交并比等于0，确定异常停留的车辆之间不存在接触，从而能够快速地确定异常停留的车辆之间是否存在接触。
通常，对交通视频流进行车辆检测跟踪时，会检测车辆的边界框以确定车辆位置。若异常停留的车辆的数目是多个，那么对应的视频帧上会存在多个异常停留的车辆的边界框。若至少两个异常停留的车辆的边界框存在交集，交并比不等于0，说明异常停留的车辆之间存在接触。若所有异常停留的车辆的边界框均不存在交集，交并比等于0，说明异常停留的车辆之间不存在接触。
步骤405，确定为车撞车类型。
在本实施例中，若异常停留的车辆的数目是多个，且异常停留的车辆之间存在接触，可以确定为车撞车类型。
步骤406，确定异常停留对应的视频帧中是否存在异常的人体。
在本实施例中，若异常停留的车辆的数目是一个，或者异常停留的车辆的数目是多个且不存在接触，上述执行主体可以进一步确定异常停留对应的视频帧中是否存在异常的人体。若存在异常人体，执行步骤407；若不存在异常人体，执行步骤408。其中，异常的人体可以是行为异常的人体。例如，当正常通行时，马路上的行人是直立行走或坐式骑行。当发生交通事故时，马路上的行人通常是坐于地面或躺于地面。异常的人体可以是坐于地面或躺于地面的人体。
在本实施例的一些可选的实现方式中，上述执行主体可以首先将异常停留对应的视频帧输入至预先训练的人体行为模型，得到人体行为结果；然后基于人体行为结果，确定异常停留对应的视频帧中是否存在异常的人体。其中，人体行为结果用于记录人体行为，若人体行为是坐于地面或躺于地面，对应的人体为异常的人体。人体行为模型可以用于对人体行为进行检测，是利用训练样本集对神经网络进行训练得到的。这里的训练样本集中的训练样本可以包括样本视频帧和样本人体行为标签。基于深度学习方法对人体行为检测，提升了人体行为检测的效率和准确度。
步骤407，确定为车撞人类型。
在本实施例中，若存在异常的人体，可以确定为车撞人类型。
步骤408，确定异常停留的车辆的停留位置是否在路侧。
在本实施例中，若不存在异常的人体，上述执行主体可以确定异常停留的车辆的停留位置是否在路侧。若异常停留的车辆的停留位置在路侧，执行步骤411；若异常停留的车辆的停留位置不在路侧，执行步骤409。
通常，可以预先输入路侧区域，确定车辆位置是否在路侧区域内。若车辆位置在路侧区域内，则说明异常停留的车辆的停留位置在路侧；若车辆位置在路侧区域外，则说明异常停留的车辆的停留位置不在路侧。
步骤409，确定异常停留对应的视频帧中是否存在警示牌。
在本实施例中，若异常停留的车辆的停留位置不在路侧，上述执行主体可以确定异常停留对应的视频帧中是否存在警示牌。若存在警示牌，执行步骤410；若不存在警示牌，执行步骤411。这里的警示牌通常是三角牌。
在本实施例的一些可选的实现方式中，上述执行主体可以首先将异常停留对应的视频帧输入至预先训练的警示牌检测模型，得到警示牌检测结果；然后基于警示牌检测结果，确定异常停留对应的视频帧中是否存在警示牌。其中，警示牌检测模型可以用于检测警示牌，是利用训练样本集对神经网络进行训练得到的。这里的训练样本集中的训练样本可以包括样本视频帧和样本警示牌标签。基于深度学习方法对警示牌检测，提升了警示牌检测的效率和准确度。
步骤410，确定为抛锚类型。
在本实施例中，若存在警示牌，可以确定为抛锚类型。
步骤411，确定为违停类型。
在本实施例中，若异常停留的车辆的停留位置在路侧，或异常停留的车辆的停留位置不在路侧并且不存在警示牌，可以确定为违停类型。
从图4中可以看出，与图2对应的实施例相比，本实施例中的交通异常检测方法突出了交通异常分类步骤。由此，本实施例描述的方案从交通视频流中挖掘交通异常检测的特征，根据交通异常检测的特征查找决策树，从而能够快速地匹配到交通异常的类型。例如，若挖掘出异常停留的车辆的数目是多个且存在接触的特征，可以在决策树中快速地查找到车撞车类型。若挖掘出异常停留的车辆的数目是一个，以及存在异常的人体的特征，或者异常停留的车辆的数目是多个且不存在接触的特征，以及存在异常的人体的特征，可以在决策树中快速地查找到车撞人类型。若挖掘出异常停留的车辆的数目是一个，不存在异常的人体，以及异常停留的车辆的停留位置在路侧的特征，或者异常停留的车辆的数目是多个且不存在接触，不存在异常的人体，以及异常停留的车辆的停留位置在路侧的特征，或者异常停留的车辆的数目是一个，不存在异常的人体，异常停留的车辆的停留位置不在路侧，不存在警示牌的特征，或者异常停留的车辆的数目是多个且不存在接触，不存在异常的人体，异常停留的车辆的停留位置不在路侧，以及不存在警示牌的特征，可以在决策树中快速地查找到违停类型。若挖掘出异常停留的车辆的数目是一个，不存在异常的人体，异常停留的车辆的停留位置不在路侧，以及存在警示牌的特征，或者异常停留的车辆的数目是多个且不存在接触，不存在异常的人体，异常停留的车辆的停留位置不在路侧，以及存在警示牌的特征，可以在决策树中快速地查找到抛锚类型。
进一步参考图5，作为对上述各图所示方法的实现，本公开提供了一种交通异常检测装置的一个实施例，该装置实施例与图2所示的方法实施例相对应，该装置具体可以应用于各种电子设备中。
如图5所示，本实施例的交通异常检测装置500可以包括：获取模块501、跟踪模块502和分类模块503。其中，获取模块501，被配置成获取交通视频流；跟踪模块502，被配置成对交通视频流进行车辆检测跟踪，确定是否存在异常停留的车辆，其中，停留时长超过预设时长属于异常停留；分类模块503，被配置成若存在异常停留的车辆，利用决策树对异常停留对应的视频帧进行交通异常分类，得到交通异常类型，其中，决策树是基于交通异常检测的特征生成的。
在本实施例中，交通异常检测装置500中：获取模块501、跟踪模块502和分类模块503的具体处理及其所带来的技术效果可分别参考图2对应实施例中的步骤201-203的相关说明，在此不再赘述。
在本实施例的一些可选的实现方式中，分类模块503包括：统计子模块，被配置成统计异常停留的车辆的数目；第一确定子模块，被配置成若异常停留的车辆的数目是多个，确定异常停留的车辆之间是否存在接触；第二确定子模块，被配置成若异常停留的车辆之间存在接触，确定为车撞车类型。
在本实施例的一些可选的实现方式中，分类模块503还包括：第三确定子模块，被配置成若异常停留的车辆的数目是一个，或者异常停留的车辆的数目是多个且不存在接触，确定异常停留对应的视频帧中是否存在异常的人体；第四确定子模块，被配置成若存在异常的人体，确定为车撞人类型。
在本实施例的一些可选的实现方式中，分类模块503还包括：第五确定子模块，被配置成若不存在异常的人体，确定异常停留的车辆的停留位置；第六确定子模块，被配置成若异常停留的车辆的停留位置在路侧，确定为违停类型。
在本实施例的一些可选的实现方式中，分类模块503还包括：第七确定子模块，被配置成若异常停留的车辆的停留位置不在路侧，确定异常停留对应的视频帧中是否存在警示牌；第八确定子模块，被配置成若存在警示牌，确定为抛锚类型；
在本实施例的一些可选的实现方式中，分类模块503还包括：第八确定子模块，被配置成若不存在警示牌，确定为违停类型。
在本实施例的一些可选的实现方式中，跟踪模块502进一步被配置成：将交通视频流输入至预先训练的车辆检测跟踪模型，得到车辆检测跟踪结果；基于车辆检测跟踪结果，确定是否存在异常停留的车辆。
在本实施例的一些可选的实现方式中，第一确定子模块进一步被配置成：计算异常停留的车辆的边界框之间的交并比；若交并比不等于0，确定异常停留的车辆之间存在接触；若交并比等于0，确定异常停留的车辆之间不存在接触。
在本实施例的一些可选的实现方式中，第三确定子模块进一步被配置成：将异常停留对应的视频帧输入至预先训练的人体行为模型，得到人体行为结果；基于人体行为结果，确定异常停留对应的视频帧中是否存在异常的人体。
在本实施例的一些可选的实现方式中，第七确定子模块进一步被配置成：将异常停留对应的视频帧输入至预先训练的警示牌检测模型，得到警示牌检测结果；基于警示牌检测结果，确定异常停留对应的视频帧中是否存在警示牌。
本公开的技术方案中，所涉及的用户个人信息的获取，存储和应用等，均符合相关法律法规的规定，且不违背公序良俗。
根据本公开的实施例，本公开还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。
图6示出了可以用来实施本公开的实施例的示例电子设备600的示意性框图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本公开的实现。
如图6所示，设备600包括计算单元601，其可以根据存储在只读存储器(ROM)602中的计算机程序或者从存储单元608加载到随机访问存储器(RAM)603中的计算机程序，来执行各种适当的动作和处理。在RAM 603中，还可存储设备600操作所需的各种程序和数据。计算单元601、ROM 602以及RAM 603通过总线604彼此相连。输入/输出(I/O)接口605也连接至总线604。
设备600中的多个部件连接至I/O接口605，包括：输入单元606，例如键盘、鼠标等；输出单元607，例如各种类型的显示器、扬声器等；存储单元608，例如磁盘、光盘等；以及通信单元609，例如网卡、调制解调器、无线通信收发机等。通信单元609允许设备600通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
计算单元601可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元601的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元601执行上文所描述的各个方法和处理，例如交通异常检测方法。例如，在一些实施例中，交通异常检测方法可被实现为计算机软件程序，其被有形地包含于机器可读介质，例如存储单元608。在一些实施例中，计算机程序的部分或者全部可以经由ROM 602和/或通信单元609而被载入和/或安装到设备600上。当计算机程序加载到RAM 603并由计算单元601执行时，可以执行上文描述的交通异常检测方法的一个或多个步骤。备选地，在其他实施例中，计算单元601可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行交通异常检测方法。
本文中以上描述的***和技术的各种实施方式可以在数字电子电路***、集成电路***、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上***的***(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程***上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储***、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储***、该至少一个输入装置、和该至少一个输出装置。
用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器，使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本公开的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行***、装置或设备使用或与指令执行***、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体***、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互，可以在计算机上实施此处描述的***和技术，该计算机具有：用于向用户显示信息的显示装置(例如，CRT(阴极射线管)或者LCD(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的***和技术实施在包括后台部件的计算***(例如，作为数据服务器)、或者包括中间件部件的计算***(例如，应用服务器)、或者包括前端部件的计算***(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的***和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算***中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将***的部件相互连接。通信网络的示例包括：局域网(LAN)、广域网(WAN)和互联网。
计算机***可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器，也可以是分布式***的服务器，或者是结合了区块链的服务器。
应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本公开中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本公开提供的技术方案所期望的结果，本文在此不进行限制。
上述具体实施方式，并不构成对本公开保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本公开的精神和原则之内所作的修改、等同替换和改进等，均应包含在本公开保护范围之内。

Claims (23)

1.一种交通异常检测方法，包括：
获取交通视频流；
对所述交通视频流进行车辆检测跟踪，确定是否存在异常停留的车辆，其中，停留时长超过预设时长属于异常停留；
若存在异常停留的车辆，利用决策树对异常停留对应的视频帧进行交通异常分类，得到交通异常类型，其中，所述决策树是基于交通异常检测的特征生成的。
2.根据权利要求1所述的方法，其中，所述利用决策树对异常停留对应的视频帧进行交通异常分类，得到交通异常类型，包括：
统计所述异常停留的车辆的数目；
若所述异常停留的车辆的数目是多个，确定所述异常停留的车辆之间是否存在接触；
若所述异常停留的车辆之间存在接触，确定为车撞车类型。
3.根据权利要求2所述的方法，其中，所述利用决策树对异常停留对应的视频帧进行交通异常分类，得到交通异常类型，还包括：
若所述异常停留的车辆的数目是一个，或者所述异常停留的车辆的数目是多个且不存在接触，确定所述异常停留对应的视频帧中是否存在异常的人体；
若存在异常的人体，确定为车撞人类型。
4.根据权利要求3所述的方法，其中，所述利用决策树对异常停留对应的视频帧进行交通异常分类，得到交通异常类型，还包括：
若不存在异常的人体，确定所述异常停留的车辆的停留位置；
若所述异常停留的车辆的停留位置在路侧，确定为违停类型。
5.根据权利要求4所述的方法，其中，所述利用决策树对异常停留对应的视频帧进行交通异常分类，得到交通异常类型，还包括：
若所述异常停留的车辆的停留位置不在路侧，确定所述异常停留对应的视频帧中是否存在警示牌；
若存在警示牌，确定为抛锚类型。
6.根据权利要求5所述的方法，其中，所述利用决策树对异常停留对应的视频帧进行交通异常分类，得到交通异常类型，还包括：
若不存在警示牌，确定为违停类型。
7.根据权利要求1-6之一所述的方法，其中，所述对所述交通视频流进行车辆检测跟踪，确定是否存在异常停留的车辆，包括：
将所述交通视频流输入至预先训练的车辆检测跟踪模型，得到车辆检测跟踪结果；
基于车辆检测跟踪结果，确定是否存在异常停留的车辆。
8.根据权利要求2-7之一所述的方法，其中，所述确定所述异常停留的车辆之间是否存在接触，包括：
计算所述异常停留的车辆的边界框之间的交并比；
若所述交并比不等于0，确定所述异常停留的车辆之间存在接触；
若所述交并比等于0，确定所述异常停留的车辆之间不存在接触。
9.根据权利要求3-8之一所述的方法，其中，所述确定所述异常停留对应的视频帧中是否存在异常的人体，包括：
将所述异常停留对应的视频帧输入至预先训练的人体行为模型，得到人体行为结果；
基于所述人体行为结果，确定所述异常停留对应的视频帧中是否存在异常的人体。
10.根据权利要求5-9之一所述的方法，其中，所述确定所述异常停留对应的视频帧中是否存在警示牌，包括：
将所述异常停留对应的视频帧输入至预先训练的警示牌检测模型，得到警示牌检测结果；
基于所述警示牌检测结果，确定所述异常停留对应的视频帧中是否存在警示牌。
11.一种交通异常检测装置，包括：
获取模块，被配置成获取交通视频流；
跟踪模块，被配置成对所述交通视频流进行车辆检测跟踪，确定是否存在异常停留的车辆，其中，停留时长超过预设时长属于异常停留；
分类模块，被配置成若存在异常停留的车辆，利用决策树对异常停留对应的视频帧进行交通异常分类，得到交通异常类型，其中，所述决策树是基于交通异常检测的特征生成的。
12.根据权利要求11所述的装置，其中，所述分类模块包括：
统计子模块，被配置成统计所述异常停留的车辆的数目；
第一确定子模块，被配置成若所述异常停留的车辆的数目是多个，确定所述异常停留的车辆之间是否存在接触；
第二确定子模块，被配置成若所述异常停留的车辆之间存在接触，确定为车撞车类型。
13.根据权利要求12所述的装置，其中，所述分类模块还包括：
第三确定子模块，被配置成若所述异常停留的车辆的数目是一个，或者所述异常停留的车辆的数目是多个且不存在接触，确定所述异常停留对应的视频帧中是否存在异常的人体；
第四确定子模块，被配置成若存在异常的人体，确定为车撞人类型。
14.根据权利要求13所述的装置，其中，所述分类模块还包括：
第五确定子模块，被配置成若不存在异常的人体，确定所述异常停留的车辆的停留位置；
第六确定子模块，被配置成若所述异常停留的车辆的停留位置在路侧，确定为违停类型。
15.根据权利要求14所述的装置，其中，所述分类模块还包括：
第七确定子模块，被配置成若所述异常停留的车辆的停留位置不在路侧，确定所述异常停留对应的视频帧中是否存在警示牌；
第八确定子模块，被配置成若存在警示牌，确定为抛锚类型。
16.根据权利要求15所述的装置，其中，所述分类模块还包括：
第八确定子模块，被配置成若不存在警示牌，确定为违停类型。
17.根据权利要求11-16之一所述的装置，其中，所述跟踪模块进一步被配置成：
将所述交通视频流输入至预先训练的车辆检测跟踪模型，得到车辆检测跟踪结果；
基于车辆检测跟踪结果，确定是否存在异常停留的车辆。
18.根据权利要求12-17之一所述的装置，其中，所述第一确定子模块进一步被配置成：
计算所述异常停留的车辆的边界框之间的交并比；
若所述交并比不等于0，确定所述异常停留的车辆之间存在接触；
若所述交并比等于0，确定所述异常停留的车辆之间不存在接触。
19.根据权利要求13-18之一所述的装置，其中，所述第三确定子模块进一步被配置成：
将所述异常停留对应的视频帧输入至预先训练的人体行为模型，得到人体行为结果；
基于所述人体行为结果，确定所述异常停留对应的视频帧中是否存在异常的人体。
20.根据权利要求15-19之一所述的方法，其中，所述第七确定子模块进一步被配置成：
将所述异常停留对应的视频帧输入至预先训练的警示牌检测模型，得到警示牌检测结果；
基于所述警示牌检测结果，确定所述异常停留对应的视频帧中是否存在警示牌。
21.一种电子设备，包括：
至少一个处理器；以及
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1-10中任一项所述的方法。
22.一种存储有计算机指令的非瞬时计算机可读存储介质，所述计算机指令用于使所述计算机执行权利要求1-10中任一项所述的方法。
23.一种计算机程序产品，包括计算机程序，所述计算机程序在被处理器执行时实现根据权利要求1-10中任一项所述的方法。
CN202110404411.7A 2021-04-15 2021-04-15 交通异常检测方法、装置、设备、存储介质以及程序产品 Pending CN113033471A (zh)

Priority Applications (6)

Application Number Priority Date Filing Date Title
CN202110404411.7A CN113033471A (zh) 2021-04-15 2021-04-15 交通异常检测方法、装置、设备、存储介质以及程序产品
JP2022555976A JP2023524623A (ja) 2021-04-15 2022-01-29 交通異常を検出するための方法、装置、機器、記憶媒体およびプログラム
EP22761936.8A EP4102401A4 (en) 2021-04-15 2022-01-29 METHOD AND DEVICE FOR DETECTING TRAFFIC ANOMALIES, DEVICE, STORAGE MEDIUM AND PROGRAM PRODUCT
KR1020227035841A KR20220146670A (ko) 2021-04-15 2022-01-29 교통 비정상 탐지 방법, 장치, 기기, 저장 매체 및 프로그램
PCT/CN2022/075044 WO2022218011A1 (zh) 2021-04-15 2022-01-29 交通异常检测方法、装置、设备、存储介质以及程序产品
US17/944,742 US20230005272A1 (en) 2021-04-15 2022-09-14 Method and apparatus for detecting traffic anomaly, device, storage medium and program product

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110404411.7A CN113033471A (zh) 2021-04-15 2021-04-15 交通异常检测方法、装置、设备、存储介质以及程序产品

Publications (1)

Publication Number Publication Date
CN113033471A true CN113033471A (zh) 2021-06-25

Family

ID=76456748

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110404411.7A Pending CN113033471A (zh) 2021-04-15 2021-04-15 交通异常检测方法、装置、设备、存储介质以及程序产品

Country Status (6)

Country Link
US (1) US20230005272A1 (zh)
EP (1) EP4102401A4 (zh)
JP (1) JP2023524623A (zh)
KR (1) KR20220146670A (zh)
CN (1) CN113033471A (zh)
WO (1) WO2022218011A1 (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113469115A (zh) * 2021-07-20 2021-10-01 阿波罗智联(北京)科技有限公司 用于输出信息的方法和装置
WO2022218011A1 (zh) * 2021-04-15 2022-10-20 北京百度网讯科技有限公司 交通异常检测方法、装置、设备、存储介质以及程序产品

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112419722B (zh) * 2020-11-18 2022-08-30 百度(中国)有限公司 交通异常事件检测方法、交通管控方法、设备和介质

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105761500A (zh) * 2016-05-10 2016-07-13 腾讯科技（深圳）有限公司 交通事故处理方法及交通事故处理装置
CN108460970A (zh) * 2017-09-11 2018-08-28 江苏本能科技有限公司 道路车辆交通行为识别方法及***
CN109035763A (zh) * 2018-07-02 2018-12-18 东南大学 基于c４．５的高速公路事故主次因分析及事故类型判断方法
US20190065871A1 (en) * 2018-10-25 2019-02-28 Intel Corporation Computer-assisted or autonomous driving traffic sign recognition method and apparatus
CN110705461A (zh) * 2019-09-29 2020-01-17 北京百度网讯科技有限公司 一种图像处理方法及装置
CN110866427A (zh) * 2018-08-28 2020-03-06 杭州海康威视数字技术股份有限公司 一种车辆行为检测方法及装置
CN112172835A (zh) * 2020-09-17 2021-01-05 中国第一汽车股份有限公司 一种车辆预警方法、装置、设备及存储介质
CN112200044A (zh) * 2020-09-30 2021-01-08 北京四维图新科技股份有限公司 异常行为检测方法、装置及电子设备

Family Cites Families (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TWI430212B (zh) * 2010-06-08 2014-03-11 Gorilla Technology Inc 利用多特徵自動集群法之異常行為偵測系統與方法
CN102289933B (zh) * 2011-08-08 2013-05-22 上海电科智能***股份有限公司 一种城市快速路交通事件影响空间范围等级预测方法
US8744132B2 (en) * 2012-04-06 2014-06-03 Orhan BULAN Video-based method for detecting parking boundary violations
CN105023433B (zh) * 2015-07-01 2018-04-20 重庆大学 一种高速公路交通异常事件影响范围预估方法
CN107610469B (zh) * 2017-10-13 2021-02-02 北京工业大学 一种考虑多因素影响的日维度区域交通指数预测方法
WO2019189218A1 (ja) * 2018-03-29 2019-10-03 日本電気株式会社 交通監視装置、交通監視システム、交通監視方法及びプログラムが格納された非一時的なコンピュータ可読媒体
WO2019189216A1 (ja) * 2018-03-29 2019-10-03 日本電気株式会社 交通監視装置、交通監視システム、交通監視方法及びプログラムが格納された非一時的なコンピュータ可読媒体
JP7040605B2 (ja) * 2018-03-29 2022-03-23 日本電気株式会社 交通監視装置、交通監視システム、交通監視方法及びプログラム
CN111402612A (zh) * 2019-01-03 2020-07-10 北京嘀嘀无限科技发展有限公司 一种交通事件通知方法及装置
DE112020001649T5 (de) * 2019-03-29 2022-04-21 Intel Corporation Autonomes fahrzeugsystem
CN110298307B (zh) * 2019-06-27 2021-07-20 浙江工业大学 一种基于深度学习的异常停车实时检测方法
US10867380B1 (en) * 2019-07-01 2020-12-15 Sas Institute Inc. Object and data point tracking to control system in operation
CN112270243A (zh) * 2020-04-15 2021-01-26 陈建 基于智慧交通的截取图像合成方法、***及云服务器
CN111626275B (zh) * 2020-07-30 2020-11-10 江苏金智慧安科技有限公司 一种基于智能视频分析的异常停车检测方法
CN113033471A (zh) * 2021-04-15 2021-06-25 北京百度网讯科技有限公司 交通异常检测方法、装置、设备、存储介质以及程序产品

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105761500A (zh) * 2016-05-10 2016-07-13 腾讯科技（深圳）有限公司 交通事故处理方法及交通事故处理装置
CN108460970A (zh) * 2017-09-11 2018-08-28 江苏本能科技有限公司 道路车辆交通行为识别方法及***
CN109035763A (zh) * 2018-07-02 2018-12-18 东南大学 基于c４．５的高速公路事故主次因分析及事故类型判断方法
CN110866427A (zh) * 2018-08-28 2020-03-06 杭州海康威视数字技术股份有限公司 一种车辆行为检测方法及装置
US20190065871A1 (en) * 2018-10-25 2019-02-28 Intel Corporation Computer-assisted or autonomous driving traffic sign recognition method and apparatus
CN110705461A (zh) * 2019-09-29 2020-01-17 北京百度网讯科技有限公司 一种图像处理方法及装置
CN112172835A (zh) * 2020-09-17 2021-01-05 中国第一汽车股份有限公司 一种车辆预警方法、装置、设备及存储介质
CN112200044A (zh) * 2020-09-30 2021-01-08 北京四维图新科技股份有限公司 异常行为检测方法、装置及电子设备

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
王新华等: "《复杂大***评价理论与技术》", 济南：山东大学出版社, pages: 210 - 223 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2022218011A1 (zh) * 2021-04-15 2022-10-20 北京百度网讯科技有限公司 交通异常检测方法、装置、设备、存储介质以及程序产品
CN113469115A (zh) * 2021-07-20 2021-10-01 阿波罗智联(北京)科技有限公司 用于输出信息的方法和装置

Also Published As

Publication number Publication date
WO2022218011A1 (zh) 2022-10-20
KR20220146670A (ko) 2022-11-01
EP4102401A1 (en) 2022-12-14
US20230005272A1 (en) 2023-01-05
JP2023524623A (ja) 2023-06-13
EP4102401A4 (en) 2023-12-27

Similar Documents

Publication Publication Date Title
CN113240909B (zh) 车辆监测方法、设备、云控平台和车路协同***
KR101095528B1 (ko) 연속류도로 사고 및 돌발 자동판별 검지시스템 및 그 방법
US9704201B2 (en) Method and system for detecting uninsured motor vehicles
CN110619747A (zh) 一种高速公路道路智能监控方法及***
KR102453627B1 (ko) 딥러닝 기반 교통 흐름 분석 방법 및 시스템
CN109360362A (zh) 一种铁路视频监控识别方法、***和计算机可读介质
CN107316006A (zh) 一种道路障碍物检测的方法和***
US20230005272A1 (en) Method and apparatus for detecting traffic anomaly, device, storage medium and program product
CN113139482A (zh) 交通异常检测的方法和装置
CN112287875B (zh) 异常车牌识别方法、装置、设备及可读存储介质
CN113484858A (zh) 一种入侵检测方法和***
CN113392793A (zh) 用于识别车道线的方法、装置、设备、存储介质以及无人车
CN113052047A (zh) 交通事件的检测方法、路侧设备、云控平台及***
US20230281998A1 (en) Track restoration method, track restoration device and non-transitory computer-readable storage medium
CN111814668A (zh) 用于检测道路抛洒物的方法和装置
CN113538968B (zh) 用于输出信息的方法和装置
CN116152753A (zh) 车辆信息识别方法和***、存储介质和电子装置
CN112861701B (zh) 违章停车识别方法、装置、电子设备以及计算机可读介质
CN114333417A (zh) 一种车辆安全检测方法、装置、电子设备及存储介质
Vujović et al. Traffic video surveillance in different weather conditions
CN113806361B (zh) 电子监控设备与道路的关联方法、装置及存储介质
CN113469115B (zh) 用于输出信息的方法和装置
CN112784789B (zh) 识别道路的交通流量的方法、装置、电子设备和介质
CN114228614A (zh) 一种车辆报警方法、装置、电子设备及存储介质
CN114267019A (zh) 识别方法、装置、设备以及存储介质

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