CN113112828A - 路口监控的方法、装置、设备、存储介质和程序产品 - Google Patents
路口监控的方法、装置、设备、存储介质和程序产品 Download PDFInfo
- Publication number
- CN113112828A CN113112828A CN202110404652.1A CN202110404652A CN113112828A CN 113112828 A CN113112828 A CN 113112828A CN 202110404652 A CN202110404652 A CN 202110404652A CN 113112828 A CN113112828 A CN 113112828A
- Authority
- CN
- China
- Prior art keywords
- target
- intersection
- time
- image
- determining
- 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
Links
Images
Classifications
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/07—Controlling traffic signals
- G08G1/08—Controlling traffic signals according to detected number or speed of vehicles
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N7/00—Television systems
- H04N7/18—Closed-circuit television [CCTV] systems, i.e. systems in which the video signal is not broadcast
- H04N7/181—Closed-circuit television [CCTV] systems, i.e. systems in which the video signal is not broadcast for receiving images from a plurality of remote sources
Landscapes
- Engineering & Computer Science (AREA)
- Multimedia (AREA)
- Signal Processing (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Traffic Control Systems (AREA)
Abstract
根据本公开的实施例,提供了一种用于路口监控的方法、装置、设备、存储介质和程序产品。在此提出的方法包括:获取由与采集工具搭载相关联的相机捕获的路口图像,采集工具位于目标路口的预定范围内;基于路口图像,确定在目标时刻行驶经过目标路口的目标交通工具的数目,目标时刻是相机捕获路口图像的时刻;以及利用目标时刻和数目来更新时间分布表,时间分布表指示通行目标路口的目标交通工具的数目随时间的分布。根据本公开的事实,能够准确地监控目标交通工具在特定路口的通行信息。
Description
技术领域
本公开的各实现方式涉及智能交通领域,更具体地,涉及用于路口监控的方法、装置、设备、存储介质和程序产品。
背景技术
路口本身是多种交通流交织的区域,是交通安全事故的多发地。路口安全事故的成因有很多,除了路口的交叉造型设计多样、信号灯标志线清晰程度、驾驶员行人的交通规则及安全意识等之外,特定类型车辆的经过路口的时间与频次也是影响路口安全风险的重要因素。
例如,大型车辆(包括大货车、大客车、渣土车等)一般车体高、车身长,容易对其他车带来遮挡导致的视觉盲区与大型车辆内轮差造成的危险区,导致碰撞、碾压等事故。此外,大型车辆安全刹车距离大、在过弯时也容易出现物品撒落、车辆侧翻等危及周边其他车辆行人的危险事件。此外,非机动车辆(包括,电动摩托、自行车等)容易不按照交通指示灯行驶或者不按照交通标志线来行驶,也可能导致路口事故的发生。
发明内容
本公开的实施例提供了一种路口监控的方案。
在本公开的第一方面,提供了一种用于路口监控的方法。该方法包括:获取由与采集工具相关联的相机捕获的路口图像,采集工具位于目标路口的预定范围内;基于路口图像,确定在目标时刻行驶经过目标路口的目标交通工具的数目,目标时刻是相机捕获路口图像的时刻;以及利用目标时刻和数目来更新时间分布表,时间分布表指示通行目标路口的目标交通工具的数目随时间的分布。
在本公开的第二方面中,提供了一种用于路口监控的装置。该装置包括:图像获取模块,被配置为获取由与采集工具相关联的相机捕获的路口图像,采集工具位于目标路口的预定范围内;数目确定模块,被配置为基于路口图像,确定在目标时刻行驶经过目标路口的目标交通工具的数目,目标时刻是相机捕获路口图像的时刻;以及更新模块,被配置为利用目标时刻和数目来更新时间分布表,时间分布表指示通行目标路口的目标交通工具的数目随时间的分布。
在本公开的第三方面,提供了一种电子设备,包括:存储器和处理器;其中存储器用于存储一条或多条计算机指令,其中一条或多条计算机指令被处理器执行以实现根据本公开的第一方面的方法。
在本公开的第四方面,提供了一种计算机可读存储介质,其上存储有一条或多条计算机指令,其中一条或多条计算机指令被处理器执行实现根据本公开的第一方面的方法。
在本公开的第五方面,提供了一种计算机程序产品,其包括计算机可执行指令,其中计算机可执行指令在被处理器执行时实现根据本公开的第一方面的方法。
根据本公开的各种实施例,能够准确地监控目标交通工具(例如,大型车辆)在特定路口的通行信息,从而能够帮助路口的安全管理或交通控制。
附图说明
结合附图并参考以下详细说明,本公开各实施例的上述和其他特征、优点及方面将变得更加明显。在附图中,相同或相似的附图标注表示相同或相似的元素,其中:
图1示出了本公开的多个实施例能够在其中实现的示例环境的示意图;
图2示出了根据本公开的一些实施例的路口监控的示例方法的流程图;
图3示出了根据本公开的一些实施例的确定数目的示例方法的流程图;
图4示出了根据本公开的一些实施例的确定可行驶区域的装置的示意性结构框图;以及
图5示出了能够实施本公开的多个实施例的计算设备的框图。
具体实施方式
下面将参照附图更详细地描述本公开的实施例。虽然附图中显示了本公开的某些实施例,然而应当理解的是,本公开可以通过各种形式来实现,而且不应该被解释为限于这里阐述的实施例,相反提供这些实施例是为了更加透彻和完整地理解本公开。应当理解的是,本公开的附图及实施例仅用于示例性作用,并非用于限制本公开的保护范围。
在本公开的实施例的描述中,术语“包括”及其类似用语应当理解为开放性包含,即“包括但不限于”。术语“基于”应当理解为“至少部分地基于”。术语“一个实施例”或“该实施例”应当理解为“至少一个实施例”。术语“第一”、“第二”等等可以指代不同的或相同的对象。下文还可能包括其他明确的和隐含的定义。
如上文所讨论的,路口是路网中环境最为复杂的场景之一,其往往汇聚了多种不同类型的交通元素,例如,机动车、非机动车和行人等。此外,在路口环境的驾驶中,车辆往往还会受到交通信号灯或特定转向车道的限制。因此,路口已经成为当前交通环境中的事故易发地。
此外,一些特定类型的交通工具也是影响路口安全的重要因素。例如,一些大型车辆可能容易造成其他车辆的视觉盲区,进而提高了路口事故发生的概率;一些电动摩托可能不按照交通指示灯来行驶,也可能提高路口事故发生的概率。因此,人们期望能够了解特定类型的交通工具在路口的通行情况,以方便进行路口的安全控制或者交通调度。
一些传统的方案通过部署路侧设备(例如,高架摄像头)来实现路口车流量的监控。然而,这样的路侧设备需要较高的成本,并且灵活度较差。此外,这样的路侧设备可能还会导致路口通行中的遮挡,并带来新的交通隐患。
有鉴于此,本公开的实施例提出了一种用于路口监控的方案。在该方案中,首先,获取由与采集工具搭载相关联的相机捕获的路口图像,其中采集工具位于目标路口的预定范围内。随后,基于路口图像,确定在目标时刻行驶经过目标路口的目标交通工具的数目,其中目标时刻是相机捕获路口图像的时刻。进一步地,利用目标时刻和数目来更新时间分布表,其中时间分布表指示通行目标路口的目标交通工具的数目随时间的分布。
根据这样的方案,本公开的实施例能够利用采集工具(例如,道路中正常通行的车辆)来获取路口图像,并基于路口图像来生成目标交通工具(例如,大型车辆或非机动车辆)在该路口的通行分布。这样的信息能够有助于对于路口的安全管理或交通控制。
以下将参考附图来描述本公开的一些示例实施例。
示例环境
首先参见图1,其示意性示出了其中可以实施根据本公开的实施例的示例环境100的示意图。如图1所示,环境100可以包括在目标路口110附近行驶的采集工具120,采集工具120例如可以是行驶中的车辆。在图1的示例中,目标路口110被示出为一个十字路口。应当理解,这这样的类型仅是示意性的,目标路口110还可以是其他任何适当的类型,其示例包括但不限于:十字路口、丁字路口、环岛路口、Y字路口、高速匝道汇入口、或高架路会入口等。
如图1所示,与采集工具120相关联的相机125可以捕获路口图像140,并发送至计算设备150。示例性地,采集工具120可以包括行驶中的机动车辆。相机125例如可以是该机动车辆所搭载的行车记录仪;备选地,相机125例如也可以是正在用于采集工具120的导航的终端设备。例如,采集工具120的驾驶者可以将智能手机安置在车辆的特定位置,以使得其能够采集工具120前方的图像。
作为另一示例,采集工具120例如也可以包括行驶中的非机动车辆,例如,电动摩托。相应地,相机125例如可以是集成在该非机动车辆上的行车记录仪;或者,相机125例如也可以是固定在即驾驶者头盔上的相机,以捕获前方的图像。
如图1所示,采集工具120可以周期性地向计算设备150上传位置信息(例如,GPS位置),当计算设备150确定采集工具120位于目标路口110的预定范围内时,计算设备150可以向采集工具120或者与采集工具相关联的终端设备(例如,司机的智能手机)发送指令,以使得相机125捕获路口图像140。
如图1所示,在相机125捕获了路口图像140后,计算设备150可以获取所捕获的路口图像140,并基于路口图像140来分析目标交通工具在目标路口110的通行情况。在一些实现中,计算设备150例如可以是服务器设备,其具有较强的计算能力,以用于执行对路口图像140的分析。应当理解,计算设备150也可以包括位于其他位置的适当计算设备,例如位于目标路口110附近的边缘计算设备等。
在本公开中,目标交通工具用于表示特定类型的交通工具,而不是指具体的某一辆交通工具。示例性地,目标交通工具可以包括尺寸大于预定阈值的大型车辆,其示例包括但不限于:大货车、大客车或渣土车等。备选地,目标交通工具也可以包括非机动车辆,其示例包括但不限于,电动摩托或自行车等。在图1的示例中,目标交通工具例如可以包括目标交通工具130-1和130-2(单独或统一称为目标交通工具130),其被示意性地示出为大货车。
如图1所示,计算设备150可以基于路口图像140来确定路口图像中包括的目标交通工具130的数目,并基于该数目来更新时间分布表160。如图1所示,时间分布表160能够指示通行目标路口的目标交通工具的数目随时间的分布。关于确定数目和更新时间分布表160的具体过程将在下文详细讨论,在此暂不详叙。
应当理解,图1中所示出的交通工具的数目和类型、路口的布置和时间表的具体形式仅是示意性的。
示例过程
以下将结合图2至图3来详细地描述根据本公开实施例的路口监控的过程。图2示出了根据本公开的一些实施例的用于路口监控的过程200的示意图。为便于讨论,参考图1来讨论路口监控的过程。过程200例如可以在图1所示的计算设备150处被执行。如上文所讨论的,过程200也可以由其他适当的设备来执行。为了方便描述,以下将以计算设备150作为示例来描述过程200。应当理解,过程200还可以包括未示出的框和/或可以省略所示出的框。本公开的范围在此方面不受限制。
如图2所示,在框202,计算设备150获取由与采集工具120相关联的相机125捕获的路口图像140,其中采集工具120位于目标路口110的预定范围内。
目标路口110可以包括任何适当的路口,其示例包括但不限于:十字路口、丁字路口、环岛路口、Y字路口、高速匝道汇入口、或高架路会入口等。
在一些实现中,目标路口110可以是基于历史事故信息而从一组候选路口中被确定的。例如,可以从预定区域内所包括的路口中筛选出曾经发生过事故的路口以作为目标路口110。或者,目标路口110例如也可以是基于适当的风险预测模型而被确定为具有较高风险的路口。
如上文所讨论的,采集工具120可以包括行驶中的交通工具,例如,机动车辆或非机动车辆。相应地,相机125例如可以包括搭载在采集工具120上的行车记录仪。或者,相机125也可以是与采集工具120相关联的智能设备,例如,安装在车辆适当位置的智能手机,驾驶者佩戴的智能眼镜、安装在骑行者头盔上的相机等。这样的相机125能够捕获采集工具120前方的图像。
在一些实现中,采集工具120例如可以是用于提供出行服务的车辆。这样的车辆具有更强的规范性,例如,都在固定的位置安装有行车记录仪,以作为用于捕获路口图像140的相机125。相应地,计算设备150例如可以是用于提供出行服务的服务器设备。
在一些实现中,采集工具120例如与采集工具120相关联的终端设备(例如,驾驶者的智能手机或智能眼镜等)能够确定位置信息,并将该位置信息周期性地上传至计算设备150。
当计算设备150、采集工具120或终端设备确定采集工具120位于目标路口110的预定范围内时,可以使相机125捕获路口图像140。示例性地,计算设备150可以根据采集工具120上传的位置信息与目标路口110的位置的比较,来确定采集工具120已经行驶到目标路口110的预定范围内。
在一些实现中,当确定采集工具120已经行驶到目标路口110的预定范围内时,就可以使相机125捕获路口图像140。备选地,当确定采集工具120已经位于目标路口110的预定范围内时,还可以根据历史路口图像的采集情况来确定是否需要使相机125捕获路口图像140。
在一些实现中,计算设备150可以确定目标路口110先前已经被采集的历史路口图像的第一数目,并且响应于第一数目小于预定阈值,使相机125捕获路口图像140。
例如,如果在过去一个月已经采集了目标路口110的1000张历史路口图像,则相机125可以不用再捕获新的路口图像。相反,如果历史路口图像的数目不到1000,则相机125可以被启用以捕获路口图像140。基于这样的方式,可以避免已经采集了足够路口图像的情况下,进而反复的采集,而造成计算资源和通信资源的浪费。
在另一些实现中,计算设备150可以确定目标路口110最近被采集的历史路口图像的历史时刻,并且响应于当前时刻与历史时刻的差异小于预定阈值,使相机125捕获路口图像140。
例如,如果在5分钟前,已经有另一采集工具捕获了该目标路口110的路口图像,则相机125可以不用再捕获新的路口图像。
在另一示例中,另一采集工具在同一个小时周期内的5分钟前捕获了该目标路口的路口图像,则相机125可以不用再捕获新的路口图像。例如,之前捕获历史路口图像的时间为下午2点01分,且当前时刻为下午2点06分,则相机125可以不捕获新的路口图像。相反,如果之前捕获历史路口图像的时间在另一个小时周期,例如,下午1点58分,那么,虽然当前时刻为下午2点01分,相机125仍然可以被启用以捕获路口图像140。
在又一些实现中,计算设备150可以确定目标路口110在与当前时刻对应的目标时间段已经被采集的历史路口图像的第二数目,并响应于当前时刻与历史时刻的差异小于预定阈值,使相机125捕获路口图像140。
例如,目标时间段例如可以指示当前时刻所对应的小时周期。例如,一天24小时可以被划分为24个时间段,如果当前时刻(例如,下午2点06分)所对应的小时周期(下午2点至3点)已经采集了50张历史路口图像,则相机125可以不用再捕获新的路口图像。相反,如果历史路口图像的数目小于50,则相机125可以被启用以捕获路口图像140。基于这样的方式,可以保证各个时间周期都有足够的数据以用于分析目标交通工具的通行情况。
在相机125捕获了路口图像140,被捕获的路口图像140可以由采集工具120、相机125或其他适当的通行设备发送至计算设备150,以用于后续分析。
在框204,计算设备150基于路口图像140来确定在目标时刻行驶经过目标路口110的目标交通工具130的数目,其中目标时刻是相机125捕获路口图像140的时刻。
在一些实现中,计算设备150可以利用目标检测算法来确定目标交通工具130的数目。以下将参考图3来描述框204的详细过程,图3示出了根据本公开的一些实施例的确定数目的示例过程的流程图。
如图3所示,在框302,计算设备150可以从路口图像140中确定与交通工具相关联的一组候选框。计算设备150例如可以利用适当的目标检测模型来确定路口图像140所包括的交通工具。这样的目标检测模型的示例可以包括但不限于:YOLOv3、CenterNet、EfficientDet等。
在框304,计算设备150可以从一组候选框中确定与目标交通工具对应的目标框。如果计算设备150确定路口图像140中包括可能与交通工具对应的候选框,则计算设备150可以进一步从该组候选框中筛选出与目标交通工具相对应的目标框。
在一些实现中,计算设备150可以基于可行驶区域来排除部分噪音候选框。具体地,计算设备150可以基于路口图像140,确定与目标路口110相关联的可行驶区域。例如,计算设备150可以利用深度学习算法分割模型(例如,DeepLabV3)来确定道路边界,并例如可以结合行车记录仪安装角度与范围建模等来确定可行驶区域。
进一步地,计算设备150可以从该组候选框中过滤位于可行驶区域外的候选框,并基于经过滤的该组候选框来确定目标框。例如,计算设备150可以将位于停车位的候选框排除,以避免将停靠在路边的目标交通工具纳入计算。
在一些实现中,计算设备150可以基于目标交通工具的外形特征,从一组候选框或者经筛选的一组候选框中确定目标框,外形特征包括以下中的至少一项:尺寸、颜色、或形状。例如,计算设备150可以进一步根据目标交通工具130的尺寸特征、形状特征或颜色特征而从一组候选框或经筛选的一组候选框中确定出与目标交通工具130所对应的目标框。
在框306,计算设备150可以基于目标框,确定目标交通工具130的数目。以图1作为示例,计算设备150例如可以确定路口图像140中包括与目标交通工具130相对应的两个目标框,从而确定目标交通工具130的数目为2。
继续参考图2,在框206,计算设备150利用目标时刻和数目来更新时间分布表160,其中时间分布表160指示通行目标路口110的目标交通工具130的数目随时间的分布。
在一些实现中,如图1所示,时间分布表160可以指示目标交通工具130在一天的多个时间段内通行目标路口110的数目,其中多个时间段具有相同的时间长度。示例性地,时间分布表160可以表示在24个小时时间段内通过目标路口110的目标交通工具130的数目。
在一些实现中,时间分布表160中的数目例如可以基于历史路口图像确定的目标交通工具的历史数目以及基于路口图像140所确定的数目的平均值而被确定的。例如,在更新时间分布表160前,计算设备150例如已经获取了9个历史路口图像,并且相应地确定了9个历史数目,并且将***均值(例如,2)存储在先前的时间分布表中。相应地,在基于路口图像140确定当前数目为2后,计算设备150例如计算当前数目与9个历史数目的平均值,并将该平均值保存在时间分布表160中。
在一些实现中,更新时间分布表160例如还可以包括创建新的时间分布表160。例如,目标路口110可以是新监控的路口,其还没有获取任何的历史路口图像。相应地,计算设备150可以创建新的时间分布表160,并将目标时刻与所确定的数目相关联的存储。
基于上文所讨论的方式,本公开的实施例能够利用普通的交通工具来获取路口图像,并进而通过图像分析来生成目标交通工具在目标路口的时间分布表。这样的时间分布表能够有效地帮助对于目标路口的安全管理或交通控制。
在一些实现中,计算设备150还可以响应于时间分布表160指示在预定时间阶段通过目标路口110的目标交通工具的数目大于预定阈值,调整与目标路口110相关联的目标导航路径,其中目标导航路径指示待导航的交通工具预期在预定时间段内经过目标路口110。
示例性地,计算设备150或者提供导航服务的其他设备还可以根据时间分布表来调整针对其他交通工具的导航路径规划。例如,如果从起点到终点的初始导航路径预定在预期时间段(例如,具体为晚上9点10分)经过目标路口110,且时间分布表160指示在该预定时间段(晚上9点至10点)时目标交通工具(例如,大型车辆)经过该目标路口110的数目超过了预定阈值,则这表示该导航路径大概率会导致被导航的交通工具有较大概率在经过该目标路口时会遇到较多数目的目标交通工具,这可能会导致一定的交通风险。
在一些实现中,基于这样的确定,计算设备150或者其他设备可以调整该初始导航路径,以使得经调整的导航路径绕行该目标路口110,以降低可能的交通风险。
在一些实现中,计算设备150还可以响应于时间分布表160指示在预定时间阶段通过目标路口110的目标交通工具的数目大于预定阈值,向预定交通工具发送与目标交通工具相关联的预警,其中预定交通工具预期在预定时间段内经过目标路口110。
示例性地,计算设备150或其他适当的设备可以确定预定交通工具预期在晚上9点10分经过该目标路口110,且时间分布表160指示在该预定时间段(晚上9点至10点)时目标交通工具(例如,大型车辆)经过该目标路口110的数目超过了预定阈值,则这表示该导航路径大概率会导致被导航的交通工具有较大概率在经过该目标路口时会遇到较多数目的目标交通工具,这可能会导致一定的交通风险。相应地,计算设备150或其他适当的设备可以向该预定交通工具与预定交通工具相关联的终端设备发送预警消息,以警告该目标路口110可能行驶经过较多数目的目标交通工具(例如,大型交通工具),以提醒驾驶者小心驾驶,从而降低路口事故发生的概率。
备选地,这样的预定交通工具例如还可以是自动驾驶车辆,这样的预警消息例如可以用于指示自动驾驶车辆调整通过该目标路口110的路径规划或决策模型,以使得自动驾驶车辆更为谨慎地通过该目标路口,从而降低路口事故发生的概率。
在一些实现中,计算设备150还可以利用时间分布表160和与目标路口相关联的历史事故信息,来训练风险预测模型,其中风险预测模型被配置为基于路口的时间分布表来确定路口的风险级别。
在一些实现中,计算设备150例如可以利用时间分布表160和历史事故信息来训练机器学习模型,以使得该机器学习模型能够基于路口的时间分布表来预测路口发生事故的概率,并进而筛选出来具有较高风险的路口。这样的信息例如可以被进一步提供给交通管理部门,以加强该路口的交通管理。或者,这样的信息也可以被推送给交通驾驶者,以用于提醒路口的风险级别,从而使得驾驶者可以更为小心地通过该路口。
示例装置和设备
本公开的实施例还提供了用于实现上述方法或过程的相应装置。图4示出了根据本公开的一些实施例的用于路口监控的装置400的示意性结构框图。
如图4所示,装置400可以包括图像获取模块410,被配置为获取由与采集工具相关联的相机捕获的路口图像,采集工具位于目标路口的预定范围内。装置400还包括数目确定模块420,被配置为基于路口图像,确定在目标时刻行驶经过目标路口的目标交通工具的数目,目标时刻是相机捕获路口图像的时刻。此外,装置400还包括更新模块430,被配置为利用目标时刻和数目来更新时间分布表,时间分布表指示通行目标路口的目标交通工具的数目随时间的分布。
在一些实现中,图像获取模块410包括:第一数目确定模块,被配置为确定目标路口先前已经被采集的历史路口图像的第一数目;第一启用模块,被配置为响应于第一数目小于预定阈值,使相机捕获路口图像;以及第一获取模块,被配置为获取经捕获的路口图像。
在一些实现中,图像获取模块410包括:历史时刻确定模块,被配置为确定目标路口最近被采集的历史路口图像的历史时刻;第二启用模块,被配置为响应于当前时刻与历史时刻的差异小于预定阈值,使相机捕获路口图像;以及第二获取模块,被配置为获取经捕获的路口图像。
在一些实现中,图像获取模块410包括:第二数目确定模块,被配置为确定目标路口在与当前时刻对应的目标时间段已经被采集的历史路口图像的第二数目;第三启用模块,被配置为响应于第二数目小于预定阈值,使相机捕获路口图像;以及第三获取模块,被配置为获取经捕获的路口图像。
在一些实现中,数目确定模块520包括:候选框确定模块,被配置为从路口图像中确定与交通工具相关联的一组候选框;目标框确定模块,被配置为从一组候选框中确定与目标交通工具对应的目标框;以及计数模块,被配置为基于目标框,确定目标交通工具的数目。
在一些实现中,目标框确定模块包括:可行驶区域确定模块,被配置为基于路口图像,确定与目标路口相关联的可行驶区域;过滤模块,被配置为从一组候选框中过滤位于可行驶区域外的候选框;以及目标框筛选模块,被配置为基于经过滤的一组候选框,确定目标框。
在一些实现中,目标框确定模块包括:外形筛选模块,被配置为基于目标交通工具的外形特征,从一组候选框中确定目标框,外形特征包括以下中的至少一项:尺寸、颜色、或形状。
在一些实现中,其中目标交通工具包括尺寸大于预定阈值的大型车辆。
在一些实现中,装置400还包括:训练模块,被配置为利用时间分布表和与目标路口相关联的历史事故信息,来训练风险预测模型,风险预测模型被配置为基于路口的时间分布表来确定路口的风险级别。
在一些实现中,装置400还包括:导航模块,被配置为响应于时间分布表指示在预定时间阶段通过目标路口的目标交通工具的数目大于预定阈值,调整与目标路口相关联的目标导航路径,目标导航路径指示待导航的交通工具预期在预定时间段内经过目标路口。
在一些实现中,装置400还包括:预警模块,被配置为响应于时间分布表指示在预定时间阶段通过目标路口的目标交通工具的数目大于预定阈值,向预定交通工具发送与目标交通工具相关联的预警,预定交通工具预期在预定时间段内经过目标路口。
在一些实现中,时间分布表指示目标交通工具在一天的多个时间段内通行目标路口的数目,多个时间段具有相同的时间长度。
在一些实现中,目标路口是基于历史事故信息而从一组候选路口中被确定的。
在一些实现中,采集工具是行驶中的车辆,并且相机是由车辆搭载的行车记录仪。
装置400中所包括的单元可以利用各种方式来实现,包括软件、硬件、固件或其任意组合。在一些实施例中,一个或多个单元可以使用软件和/或固件来实现,例如存储在存储介质上的机器可执行指令。除了机器可执行指令之外或者作为替代,装置400中的部分或者全部单元可以至少部分地由一个或多个硬件逻辑组件来实现。作为示例而非限制,可以使用的示范类型的硬件逻辑组件包括现场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准品(ASSP)、片上***(SOC)、复杂可编程逻辑器件(CPLD),等等。
图5示出了其中可以实施本公开的一个或多个实施例的计算设备/服务器500的框图。应当理解,图5所示出的计算设备/服务器500仅仅是示例性的,而不应当构成对本文所描述的实施例的功能和范围的任何限制。
如图5所示,计算设备/服务器500是通用计算设备的形式。计算设备/服务器500的组件可以包括但不限于一个或多个处理器或处理单元510、存储器520、存储设备530、一个或多个通信单元540、一个或多个输入设备550以及一个或多个输出设备560。处理单元510可以是实际或虚拟处理器并且能够根据存储器520中存储的程序来执行各种处理。在多处理器***中,多个处理单元并行执行计算机可执行指令,以提高计算设备/服务器500的并行处理能力。
计算设备/服务器500通常包括多个计算机存储介质。这样的介质可以是计算设备/服务器500可访问的任何可以获得的介质,包括但不限于易失性和非易失性介质、可拆卸和不可拆卸介质。存储器520可以是易失性存储器(例如寄存器、高速缓存、随机访问存储器(RAM))、非易失性存储器(例如,只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、闪存)或它们的某种组合。存储设备530可以是可拆卸或不可拆卸的介质,并且可以包括机器可读介质,诸如闪存驱动、磁盘或者任何其他介质,其可以能够用于存储信息和/或数据(例如用于训练的训练数据)并且可以在计算设备/服务器500内被访问。
计算设备/服务器500可以进一步包括另外的可拆卸/不可拆卸、易失性/非易失性存储介质。尽管未在图5中示出,可以提供用于从可拆卸、非易失性磁盘(例如“软盘”)进行读取或写入的磁盘驱动和用于从可拆卸、非易失性光盘进行读取或写入的光盘驱动。在这些情况中,每个驱动可以由一个或多个数据介质接口被连接至总线(未示出)。存储器520可以包括计算机程序产品525,其具有一个或多个程序模块,这些程序模块被配置为执行本公开的各种实施例的各种方法或动作。
通信单元540实现通过通信介质与其他计算设备进行通信。附加地,计算设备/服务器500的组件的功能可以以单个计算集群或多个计算机器来实现,这些计算机器能够通过通信连接进行通信。因此,计算设备/服务器500可以使用与一个或多个其他服务器、网络个人计算机(PC)或者另一个网络节点的逻辑连接来在联网环境中进行操作。
输入设备550可以是一个或多个输入设备,例如鼠标、键盘、追踪球等。输出设备560可以是一个或多个输出设备,例如显示器、扬声器、打印机等。计算设备/服务器500还可以根据需要通过通信单元540与一个或多个外部设备(未示出)进行通信,外部设备诸如存储设备、显示设备等,与一个或多个使得用户与计算设备/服务器500交互的设备进行通信,或者与使得计算设备/服务器500与一个或多个其他计算设备通信的任何设备(例如,网卡、调制解调器等)进行通信。这样的通信可以经由输入/输出(I/O)接口(未示出)来执行。
根据本公开的示例性实现方式,提供了一种计算机可读存储介质,其上存储有一条或多条计算机指令,其中一条或多条计算机指令被处理器执行以实现上文描述的方法。
这里参照根据本公开实现的方法、装置(***)和计算机程序产品的流程图和/或框图描述了本公开的各个方面。应当理解,流程图和/或框图的每个方框以及流程图和/或框图中各方框的组合,都可以由计算机可读程序指令实现。
这些计算机可读程序指令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单元,从而生产出一种机器,使得这些指令在通过计算机或其他可编程数据处理装置的处理单元执行时,产生了实现流程图和/或框图中的一个或多个方框中规定的功能/动作的装置。也可以把这些计算机可读程序指令存储在计算机可读存储介质中,这些指令使得计算机、可编程数据处理装置和/或其他设备以特定方式工作,从而,存储有指令的计算机可读介质则包括一个制造品,其包括实现流程图和/或框图中的一个或多个方框中规定的功能/动作的各个方面的指令。
也可以把计算机可读程序指令加载到计算机、其他可编程数据处理装置、或其他设备上,使得在计算机、其他可编程数据处理装置或其他设备上执行一系列操作步骤,以产生计算机实现的过程,从而使得在计算机、其他可编程数据处理装置、或其他设备上执行的指令实现流程图和/或框图中的一个或多个方框中规定的功能/动作。
附图中的流程图和框图显示了根据本公开的多个实现的***、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段或指令的一部分,模块、程序段或指令的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个连续的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或动作的专用的基于硬件的***来实现,或者可以用专用硬件与计算机指令的组合来实现。
以上已经描述了本公开的各实现,上述说明是示例性的,并非穷尽性的,并且也不限于所公开的各实现。在不偏离所说明的各实现的范围和精神的情况下,对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择,旨在最好地解释各实现的原理、实际应用或对市场中的技术的改进,或者使本技术领域的其他普通技术人员能理解本文公开的各实现。
示例实现方式
TS 1.一种用于路口监控的方法,包括:
获取由与采集工具相关联的相机捕获的路口图像,所述采集工具位于目标路口的预定范围内;
基于所述路口图像,确定在目标时刻行驶经过所述目标路口的目标交通工具的数目,所述目标时刻是所述相机捕获所述路口图像的时刻;以及
利用所述目标时刻和所述数目来更新时间分布表,所述时间分布表指示通行所述目标路口的所述目标交通工具的数目随时间的分布。
TS 2.根据TS 1所述的方法,其中获取所述路口图像包括:
确定所述目标路口先前已经被采集的历史路口图像的第一数目;
响应于所述第一数目小于预定阈值,使所述相机捕获所述路口图像;以及
获取经捕获的所述路口图像。
TS 3.根据TS 1所述的方法,其中获取所述路口图像包括:
确定所述目标路口最近被采集的历史路口图像的历史时刻;
响应于当前时刻与所述历史时刻的差异小于预定阈值,使所述相机捕获所述路口图像;以及
获取经捕获的所述路口图像。
TS 4.根据TS 1所述的方法,其中获取所述路口图像包括:
确定所述目标路口在与当前时刻对应的目标时间段已经被采集的历史路口图像的第二数目;
响应于所述第二数目小于预定阈值,使所述相机捕获所述路口图像;以及
获取经捕获的所述路口图像。
TS 5.根据TS 1所述的方法,其中确定在目标时刻行驶经过所述目标路口的目标交通工具的数目包括:
从所述路口图像中确定与交通工具相关联的一组候选框;
从所述一组候选框中确定与所述目标交通工具对应的目标框;以及
基于所述目标框,确定所述目标交通工具的所述数目。
TS 6.根据TS 5所述的方法,其中从所述一组候选框中确定与所述目标交通工具对应的目标框包括:
基于所述路口图像,确定与所述目标路口相关联的可行驶区域;
从所述一组候选框中过滤位于所述可行驶区域外的候选框;以及
基于经过滤的一组候选框,确定所述目标框。
TS 7.根据TS 5所述的方法,其中从所述一组候选框中确定与所述目标交通工具对应的目标框包括:
基于所述目标交通工具的外形特征,从所述一组候选框中确定所述目标框,所述外形特征包括以下中的至少一项:尺寸、颜色、或形状。
TS 8.根据TS 1所述的方法,其中所述目标交通工具包括尺寸大于预定阈值的大型车辆。
TS 9.根据TS 1所述的方法,还包括:
利用所述时间分布表和与所述目标路口相关联的历史事故信息,来训练风险预测模型,所述风险预测模型被配置为基于路口的时间分布表来确定所述路口的风险级别。
TS 10.根据TS 1所述的方法,还包括:
响应于所述时间分布表指示在预定时间阶段通过所述目标路口的所述目标交通工具的数目大于预定阈值,调整与所述目标路口相关联的目标导航路径,所述目标导航路径指示待导航的交通工具预期在所述预定时间段内经过所述目标路口。
TS 11.根据TS 1所述的方法,还包括:
响应于所述时间分布表指示在预定时间阶段通过所述目标路口的所述目标交通工具的数目大于预定阈值,向预定交通工具发送与所述目标交通工具相关联的预警,所述预定交通工具预期在所述预定时间段内经过所述目标路口。
TS 12.根据TS 1所述的方法,其中所述时间分布表指示所述目标交通工具在一天的多个时间段内通行所述目标路口的数目,所述多个时间段具有相同的时间长度。
TS 13.根据TS 1所述的方法,其中所述目标路口是基于历史事故信息而从一组候选路口中被确定的。
TS 14.根据TS 1所述的方法,其中所述采集工具是行驶中的车辆,并且所述相机是由所述车辆搭载的行车记录仪。
TS 15.一种用于识别异常停车的装置,包括:
图像获取模块,被配置为获取由与采集工具相关联的相机捕获的路口图像,所述采集工具位于目标路口的预定范围内;
数目确定模块,被配置为基于所述路口图像,确定在目标时刻行驶经过所述目标路口的目标交通工具的数目,所述目标时刻是所述相机捕获所述路口图像的时刻;以及
更新模块,被配置为利用所述目标时刻和所述数目来更新时间分布表,所述时间分布表指示通行所述目标路口的所述目标交通工具的数目随时间的分布。
TS 16.一种电子设备,包括:
存储器和处理器;
其中所述存储器用于存储一条或多条计算机指令,其中所述一条或多条计算机指令被所述处理器执行以实现根据TS 1至14中任一项所述的方法。
TS 17.一种计算机可读存储介质,其上存储有一条或多条计算机指令,其中所述一条或多条计算机指令被处理器执行以实现根据TS 1至14中任一项所述的方法。
TS 18.一种计算机程序产品,包括计算机可执行指令,其中所述计算机可执行指令在被处理器执行时实现根据TS 1至14中任一项所述的方法。
Claims (10)
1.一种用于路口监控的方法,包括:
获取由与采集工具相关联的相机捕获的路口图像,所述采集工具位于目标路口的预定范围内;
基于所述路口图像,确定在目标时刻行驶经过所述目标路口的目标交通工具的数目,所述目标时刻是所述相机捕获所述路口图像的时刻;以及
利用所述目标时刻和所述数目来更新时间分布表,所述时间分布表指示通行所述目标路口的所述目标交通工具的数目随时间的分布。
2.根据权利要求1所述的方法,其中获取所述路口图像包括:
确定所述目标路口先前已经被采集的历史路口图像的第一数目;
响应于所述第一数目小于预定阈值,使所述相机捕获所述路口图像;以及
获取经捕获的所述路口图像。
3.根据权利要求1所述的方法,其中获取所述路口图像包括:
确定所述目标路口最近被采集的历史路口图像的历史时刻;
响应于当前时刻与所述历史时刻的差异小于预定阈值,使所述相机捕获所述路口图像;以及
获取经捕获的所述路口图像。
4.根据权利要求1所述的方法,其中获取所述路口图像包括:
确定所述目标路口在与当前时刻对应的目标时间段已经被采集的历史路口图像的第二数目;
响应于所述第二数目小于预定阈值,使所述相机捕获所述路口图像;以及
获取经捕获的所述路口图像。
5.根据权利要求1所述的方法,其中确定在目标时刻行驶经过所述目标路口的目标交通工具的数目包括:
从所述路口图像中确定与交通工具相关联的一组候选框;
从所述一组候选框中确定与所述目标交通工具对应的目标框;以及
基于所述目标框,确定所述目标交通工具的所述数目。
6.根据权利要求5所述的方法,其中从所述一组候选框中确定与所述目标交通工具对应的目标框包括:
基于所述路口图像,确定与所述目标路口相关联的可行驶区域;
从所述一组候选框中过滤位于所述可行驶区域外的候选框;以及
基于经过滤的一组候选框,确定所述目标框。
7.根据权利要求5所述的方法,其中从所述一组候选框中确定与所述目标交通工具对应的目标框包括:
基于所述目标交通工具的外形特征,从所述一组候选框中确定所述目标框,所述外形特征包括以下中的至少一项:尺寸、颜色、或形状。
8.一种电子设备,包括:
存储器和处理器;
其中所述存储器用于存储一条或多条计算机指令,其中所述一条或多条计算机指令被所述处理器执行以实现根据权利要求1至7中任一项所述的方法。
9.一种计算机可读存储介质,其上存储有一条或多条计算机指令,其中所述一条或多条计算机指令被处理器执行以实现根据权利要求1至7中任一项所述的方法。
10.一种计算机程序产品,包括计算机可执行指令,其中所述计算机可执行指令在被处理器执行时实现根据权利要求1至7中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110404652.1A CN113112828A (zh) | 2021-04-15 | 2021-04-15 | 路口监控的方法、装置、设备、存储介质和程序产品 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110404652.1A CN113112828A (zh) | 2021-04-15 | 2021-04-15 | 路口监控的方法、装置、设备、存储介质和程序产品 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113112828A true CN113112828A (zh) | 2021-07-13 |
Family
ID=76717061
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110404652.1A Pending CN113112828A (zh) | 2021-04-15 | 2021-04-15 | 路口监控的方法、装置、设备、存储介质和程序产品 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113112828A (zh) |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN205388826U (zh) * | 2016-03-09 | 2016-07-20 | 郑永春 | 车辆识别摄像头 |
CN107085953A (zh) * | 2017-06-06 | 2017-08-22 | 郑州云海信息技术有限公司 | 一种基于云计算的智能交通管理***及方法 |
CN107560622A (zh) * | 2016-07-01 | 2018-01-09 | 板牙信息科技(上海)有限公司 | 一种基于行车图像导航的方法与设备 |
CN107813830A (zh) * | 2016-08-31 | 2018-03-20 | 法乐第(北京)网络科技有限公司 | 一种辅助车辆驾驶的方法及装置 |
CN108230670A (zh) * | 2016-12-22 | 2018-06-29 | 株式会社日立制作所 | 预测在给定时间段给定地点出现的移动体数的方法和装置 |
JP2018180912A (ja) * | 2017-04-12 | 2018-11-15 | トヨタ自動車株式会社 | 情報収集システム、車両、情報収集方法、プログラム、記録媒体 |
CN109272175A (zh) * | 2018-11-15 | 2019-01-25 | 山东管理学院 | 一种基于城市流动网络的数据采集***及方法 |
CN109785627A (zh) * | 2019-02-22 | 2019-05-21 | 魏一凡 | 一种十字路***通流量监控*** |
CN111383455A (zh) * | 2020-03-11 | 2020-07-07 | 上海眼控科技股份有限公司 | 交通路口对象流量统计方法、装置、计算机设备和介质 |
CN112634611A (zh) * | 2020-12-15 | 2021-04-09 | 北京百度网讯科技有限公司 | 用于识别路况的方法、装置、设备以及存储介质 |
-
2021
- 2021-04-15 CN CN202110404652.1A patent/CN113112828A/zh active Pending
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN205388826U (zh) * | 2016-03-09 | 2016-07-20 | 郑永春 | 车辆识别摄像头 |
CN107560622A (zh) * | 2016-07-01 | 2018-01-09 | 板牙信息科技(上海)有限公司 | 一种基于行车图像导航的方法与设备 |
CN107813830A (zh) * | 2016-08-31 | 2018-03-20 | 法乐第(北京)网络科技有限公司 | 一种辅助车辆驾驶的方法及装置 |
CN108230670A (zh) * | 2016-12-22 | 2018-06-29 | 株式会社日立制作所 | 预测在给定时间段给定地点出现的移动体数的方法和装置 |
JP2018180912A (ja) * | 2017-04-12 | 2018-11-15 | トヨタ自動車株式会社 | 情報収集システム、車両、情報収集方法、プログラム、記録媒体 |
CN107085953A (zh) * | 2017-06-06 | 2017-08-22 | 郑州云海信息技术有限公司 | 一种基于云计算的智能交通管理***及方法 |
CN109272175A (zh) * | 2018-11-15 | 2019-01-25 | 山东管理学院 | 一种基于城市流动网络的数据采集***及方法 |
CN109785627A (zh) * | 2019-02-22 | 2019-05-21 | 魏一凡 | 一种十字路***通流量监控*** |
CN111383455A (zh) * | 2020-03-11 | 2020-07-07 | 上海眼控科技股份有限公司 | 交通路口对象流量统计方法、装置、计算机设备和介质 |
CN112634611A (zh) * | 2020-12-15 | 2021-04-09 | 北京百度网讯科技有限公司 | 用于识别路况的方法、装置、设备以及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP7499256B2 (ja) | ドライバの挙動を分類するためのシステムおよび方法 | |
US8452524B2 (en) | Method and device for identifying traffic-relevant information | |
US9008359B2 (en) | Detection of static object on thoroughfare crossings | |
US20180211117A1 (en) | On-demand artificial intelligence and roadway stewardship system | |
CN106611512B (zh) | 前车起步的处理方法、装置和*** | |
US8666117B2 (en) | Video-based system and method for detecting exclusion zone infractions | |
CN110619747A (zh) | 一种高速公路道路智能监控方法及*** | |
CN111183465B (zh) | 使用车辆轨迹数据的自适应交通控制 | |
AU2021254525A1 (en) | On-demand artificial intelligence and roadway stewardship system | |
Fernández-Caballero et al. | Road-traffic monitoring by knowledge-driven static and dynamic image analysis | |
CN112163543A (zh) | 一种车辆违法占道的检测方法及*** | |
CN110032947B (zh) | 一种监控事件发生的方法及装置 | |
CN108491782A (zh) | 一种基于行车图像采集的车辆识别方法 | |
CN112349087B (zh) | 一种基于路口信息全息感知的可视化数据输入方法 | |
CN109643488B (zh) | 交通异常事件检测装置及方法 | |
CN104282154A (zh) | 一种车辆超载监控***及方法 | |
CN111094095A (zh) | 自动地接收行驶信号 | |
CN114387785A (zh) | 一种基于智慧公路的安全管控方法、***及可存储介质 | |
CN111339996A (zh) | 静态障碍物的检测方法、装置、设备及存储介质 | |
CN113112828A (zh) | 路口监控的方法、装置、设备、存储介质和程序产品 | |
CN114693722B (zh) | 一种车辆行驶行为检测方法、检测装置及检测设备 | |
CN115797880A (zh) | 驾驶行为的确定方法、装置、存储介质及电子装置 | |
CN115762153A (zh) | 倒车检测方法及装置 | |
CN115019242A (zh) | 一种交通场景的异常事件检测方法、装置和处理设备 | |
Nalavde et al. | Driver assistant services using ubiquitous smartphone |
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 |