CN113221724B - 车辆抛洒物检测方法及*** - Google Patents
车辆抛洒物检测方法及*** Download PDFInfo
- Publication number
- CN113221724B CN113221724B CN202110501306.5A CN202110501306A CN113221724B CN 113221724 B CN113221724 B CN 113221724B CN 202110501306 A CN202110501306 A CN 202110501306A CN 113221724 B CN113221724 B CN 113221724B
- Authority
- CN
- China
- Prior art keywords
- target
- vehicle
- projectile
- detected
- image
- 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
- G06V20/50—Context or environment of the image
- G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle
- G06V20/58—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads
- G06V20/584—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads of vehicle lights or traffic lights
-
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
-
- 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
- G06V2201/07—Target detection
-
- 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)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本发明提供一种车辆抛洒物检测方法及***,方法包括:基于预设深度学***台和上级部门,自动检测后轮位置定位抛洒滴漏区域,减少非本车掉落误判。
Description
技术领域
本发明涉及数字图像处理技术领域,尤其涉及一种车辆抛洒物检测方法及***。
背景技术
渣土运输过程中的抛洒滴漏现象一直是行业管理部门重点监管的对象,其造成的危害轻则污染路面环境,影响市容市貌,重则造成路面损坏甚至直接酿成交通事故。因而增加对抛洒滴漏现象的检测,为管理部门提高必要的数据支持,有着重要意义,也是提升智慧渣土管理***完整性的必经之路。
现有技术中渣土车抛洒滴漏现象防治措施主要包括以下两种方式:第一种:人工把关,在通行路口查处抛洒滴漏车辆;第二种:在重要道路和路口安装高清抓拍设备,人工或自动检测抛洒滴漏车辆,取证和处理。以上两种方式都只能在一定程度杜绝抛洒滴漏现象,绝大部分被忽略,且容易导致非本车误判现象的发生。
发明内容
本发明提供的车辆抛洒物检测方法及***,用于克服现有技术中存在的上述问题,能够自动检测渣土车自身抛洒滴漏现象发生,自动检测后轮位置定位抛洒滴漏区域,减少非本车掉落误判。
本发明提供的一种车辆抛洒物检测方法,包括:
基于预设深度学习目标检测模型,分别确定目标车辆的后轮和待检测抛洒物所在预处理后的目标图像中的第一位置和第二位置;
根据所述第一位置和所述第二位置,确定所述待检测抛洒物是否为目标车辆抛洒物。
根据本发明提供的一种车辆抛洒物检测方法,所述预设深度学习目标检测模型,包括:
单阶段多目标检测器模型或端到端的目标检测模型。
根据本发明提供的一种车辆抛洒物检测方法,所述预处理后的目标图像通过如下任一种方式获取:
对所述目标图像进行缩放处理;或
对所述目标图像进行水平镜像处理;或
对所述目标图像进行垂直镜像处理。
根据本发明提供的一种车辆抛洒物检测方法,所述根据所述第一位置和所述第二位置,确定所述待检测抛洒物是否为目标车辆抛洒物,包括:
根据所述第一位置,确定目标车辆抛洒物的第一掉落区域、目标前车辆抛洒物的第二掉落区域和第一车辆抛洒物的第三掉落区域;
若所述第二位置第一次出现在所述第一掉落区域,则确定所述待检测抛洒物为所述目标车辆抛洒物;
若所述第二位置第一次出现在所述第二掉落区域,则确定所述待检测抛洒物为所述目标前车辆抛洒物;
若所述第二位置第一次出现在所述第三掉落区域,则确定所述待检测抛洒物为所述第一车辆抛洒物。
根据本发明提供的一种车辆抛洒物检测方法,还包括:
在确定所述待检测抛洒物为目标车辆抛洒物之后,将所述目标图像作为所述取证图像进行上报,并基于预设深度学习目标跟踪DeepSort算法对所述待检测抛洒物所在待检测图像中的位置进行目标跟踪;或
在确定所述待检测抛洒物为目标前车辆抛洒物或第一车辆抛洒物之后,基于所述DeepSort算法对所述待检测抛洒物所在待检测图像中的位置进行目标跟踪;
其中,所述待检测图像是由所述目标摄像头在所述目标图像之后时刻拍摄获取的。
根据本发明提供的一种车辆抛洒物检测方法,所述目标图像是由安装在目标车辆的车尾底部的目标摄像头垂直于地面拍摄获取的;
其中,所述目标摄像头为红外摄像头。
本发明还提供一种车辆抛洒物检测***,包括:图像获取模块、数据获取模块和检测模块,其中,所述图像获取模块包括目标摄像头,所述数据获取模块包括车载智能终端;
所述目标摄像头,安装在目标车辆的车尾底部,用于垂直于地面拍摄以获取目标图像;
所述车载智能终端,用于基于预设深度学习目标检测模型,分别确定目标车辆的后轮和待检测抛洒物所在预处理后的目标图像中的第一位置和第二位置;
所述检测模块,用于根据所述第一位置和所述第二位置,确定所述待检测抛洒物是否为目标车辆抛洒物;
其中,所述目标摄像头为红外摄像头。
根据本发明提供的一种车辆抛洒物检测***,所述车载智能终端还用于:
在所述检测模块确定所述待检测抛洒物为目标车辆抛洒物之后,将所述目标图像作为取证图像发送给云端平台,并基于预设深度学习目标跟踪DeepSort算法对所述待检测抛洒物所在待检测图像中的位置进行目标跟踪;或
在所述检测模块确定所述待检测抛洒物为目标前车辆抛洒物或第一车辆抛洒物之后,基于所述DeepSort算法对所述待检测抛洒物所在待检测图像中的位置进行目标跟踪;
其中,所述待检测图像是由所述目标摄像头在所述目标图像之后时刻拍摄获取的。
本发明还提供一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现如上述任一种所述车辆抛洒物检测方法的步骤。
本发明还提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现如上述任一种所述车辆抛洒物检测方法的步骤。
本发明提供的车辆抛洒物检测方法及***,能够自动检测渣土车自身抛洒滴漏现象发生,自动检测后轮位置定位抛洒滴漏区域,减少非本车掉落误判。
附图说明
为了更清楚地说明本发明或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施例,对于本领域普通技术人员来讲,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是本发明提供的车辆抛洒物检测方法的流程示意图;
图2是本发明提供的车辆抛洒物检测方法的检测区域示意图;
图3是本发明提供的车辆抛洒物检测***的结构示意图;
图4是本发明提供的电子设备的结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面将结合本发明中的附图,对本发明中的技术方案进行清楚、完整地描述,显然,所描述的实施例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作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
图1是本发明提供的车辆抛洒物检测方法的流程示意图,如图1所示,方法包括:
S1、基于预设深度学习目标检测模型,分别确定目标车辆的后轮和待检测抛洒物所在预处理后的目标图像中的第一位置和第二位置;
S2、根据第一位置和第二位置,确定待检测抛洒物是否为目标车辆抛洒物。
需要说明的是,上述方法的执行主体可以是计算机设备。
本发明提供的车辆抛洒物检测方法,可用于对渣土车自身因超载导致抛洒滴漏现象的检测,具体地,对待检测抛洒物(或抛洒滴漏物)所在的目标图像进行预处理后,将其输入至预设深度学习目标检测模型,可以得到目标车辆(如渣土车)的后轮所在目标图像中的第一位置,以及待检测抛洒物所在目标图像中的第二位置。其中,目标图像是经过预处理后的,预设深度学习目标检测模型是经过预训练得到的。
根据上述得到的目标车辆(如渣土车)的后轮所在目标图像中的第一位置以及待检测抛洒物所在目标图像中的第二位置,可以确定待检测抛洒物是不是目标车辆(如渣土车)抛洒物。
本发明提供的车辆抛洒物检测方法,能够自动检测渣土车自身抛洒滴漏现象发生,自动检测后轮位置定位抛洒滴漏区域,减少非本车掉落误判。
进一步地,在一个实施例中,预设深度学习目标检测模型,可以具体包括:
单阶段多目标检测器模型或端到端的目标检测模型。
可选地,预设深度学习目标检测模型可以是预训练好的单阶段多目标检测器模型(Single Shot MultiBox Detector,SSD)或端到端的目标检测模型,其中,端到端的目标检测模型可以具体包括预训练好的YOLOv3(You Only Look Once)模型或YOLOv4模型。
下面以对SSD模型的训练得到预设深度学习检测目标模型为例加以说明:
首先对获取的包含待检测抛洒物的历史图像进行数据标注,也即先要告诉机器历史图像里面有什么物体、物体在位置在哪里,本发明是通过对历史图像中的待检测抛洒物的位置及目标车辆的后轮的位置分别进行标注,以获得训练标签,其中,待检测抛洒物的位置及目标车辆的后轮的位置可以通过其分别在历史图像中的坐标进行标注。
将标注完成后的历史图像按照预设比例分为训练集和测试集,将训练集和训练标签输入SSD模型进行训练,以生成训练好的SSD模型。训练得到的SSD模型的权重可以通过放入车载智能终端,使用CPU推理或者使用GPU、NPU硬件加速推理。
将测试集输入到SSD模型,输出待检测抛洒物的位置和目标车辆的后轮的位置,并将其与测试集对应的训练标签进行对比,若输出待检测抛洒物的位置和目标车辆的后轮的位置与训练标签的误差小于预设值,则将训练好的SSD模型作为预设深度学习目标检测模型,以分别获取目标车辆的后轮和待检测抛洒物所在预处理后的目标图像中的第一位置和第二位置,若输出待检测抛洒物的位置和目标车辆的后轮的位置与训练标签的误差大于预设值,则继续对SSD模型进行训练。
本发明提供的车辆抛洒物检测方法,基于单阶段多目标检测器模型或端到端的目标检测模型,能够对待检测抛洒物和目标车辆的后轮的精确定位,使得后续基于目标车辆的后轮和待检测抛洒物所在预处理后的目标图像中的第一位置和第二位置,对待检测抛洒物进行检测的准确度和可信度更高,从而减少了误判。
进一步地,在一个实施例中,预处理后的目标图像通过如下任一种方式获取:
对目标图像进行缩放处理;或
对目标图像进行水平镜像处理;或
对目标图像进行垂直镜像处理。
可选地,按照一定的缩放比例将目标图像进行放大或缩小,以实现对目标图像的缩放处理;或以目标图像的垂直中轴线为中心,将目标图像分为左右两部分进行对称变换,实现对目标图像的水平镜像处理;或以目标图像的水平中轴线为中心,将目标图像分为上下两部分进行对称变换,实现对目标图像的垂直镜像处理。
本发明提供的车辆抛洒物检测方法,通过对目标图像进行缩放或镜像处理,提高了图像检测的鲁棒性。
进一步地,在一个实施例中,步骤S2可以具体包括:
S21、根据第一位置,确定目标车辆抛洒物的第一掉落区域、目标前车辆抛洒物的第二掉落区域和第一车辆抛洒物的第三掉落区域;
S22、若第二位置第一次出现在第一掉落区域,则确定待检测抛洒物为目标车辆抛洒物;
S23、若第二位置第一次出现在第二掉落区域,则确定待检测抛洒物为目标前车辆抛洒物;
S24、若第二位置第一次出现在第三掉落区域,则确定待检测抛洒物为第一车辆抛洒物。
可选地,根据目标车辆的后轮所在预处理后的目标图像的第一位置,确定目标车辆抛洒物的第一掉落区域、目标前车辆抛洒物的第二掉落区域和第一车辆抛洒物的第三掉落区域。其中,当目标车辆为渣土车时,对应的目标前车辆为渣土车前面车辆,第一车辆为除上述车辆外的其他车辆。
根据目标车辆的后轮在目标图像中位置,计算出的三个检测区域的示意图如图2所示,图2中上半部分黑色斜线区域,定义为目标前车辆的第二掉落区域,图2中下半部分的黑色斜线区域,定义为目标车辆的第一掉落区域,图2中除以上两个区域的区域,定义为无关区域,即第一车辆的第三掉落区域。
根据待检测抛洒物所在目标图像的位置及其第一次出现在上面3个区域位置,区分是否为目标车辆掉落。具体地,如果首次出现在第二掉落区域,认为是目标前车辆掉落,属于目标前车辆抛洒物;如果首次出现在第一掉落区域,则认为是目标车辆掉落,属于目标车辆抛洒物;如果首次出现在第三掉落区域,则认为是除了非目标车辆和目标前车辆的其余的第一车辆掉落,属于第一车辆抛洒物。
本发明提供的车辆抛洒物检测方法,能够全程自动无死角检测渣土车自身抛洒滴漏现象发生,对开动的渣土车最易出现抛洒滴漏的位置分析,进行检测区域划分,并根据抛洒物出现在图像中的位置是否落在划分的检测区域内,实现对抛洒物车辆的实时检测。
进一步地,在一个实施例中,在步骤S2之后还可以具体包括:
S3、在确定待检测抛洒物为目标车辆抛洒物之后,将目标图像作为取证图像进行上报,并基于预设深度学习目标跟踪DeepSort算法对待检测抛洒物所在待检测图像中的位置进行目标跟踪;或
S4、在确定待检测抛洒物为目标前车辆抛洒物或第一车辆抛洒物之后,基于DeepSort算法对待检测抛洒物所在待检测图像中的位置进行目标跟踪;
其中,待检测图像是由目标摄像头在目标图像之后时刻拍摄获取的。
可选地,在确定待检测抛洒物属于目标车辆抛洒物之后,将目标图像作为取证图像进行上报,例如可以上报给云端平台或上级部门,以及时取证,后续基于预设深度学习目标跟踪DeepSort算法对待检测抛洒物所在待检测图像中的位置进行目标跟踪,且后续不再进行取证和上报;在确定待检测抛洒物为目标前车辆抛洒物或第一车辆抛洒物之后,后续基于DeepSort算法对待检测抛洒物所在待检测图像中的位置进行目标跟踪,跟踪的抛洒物不再取证和上报,未跟踪的抛洒物根据以上3个掉落区域判断处理后,并加入跟踪。其中,在进行取证和上报时可以使用3G、4G或者5G网络传输信息,为保证传输的实时性,可以对信息、取证图片视频作压缩处理后再进行上报。
本发明提供的车辆抛洒物检测方法,能够全程自动无死角检测渣土车自身抛洒滴漏现象发生,及时取证,并上报云端平台和上级部门,实现对抛洒物的实时检测和上报。
进一步地,在一个实施例中,目标图像是由安装在目标车辆的车尾底部的目标摄像头垂直于地面拍摄获取的;
其中,目标摄像头为红外摄像头。
可选地,考虑到在目标车辆(如渣土车)向前运动过程中,渣土由于惯性向后运动,和车厢后盖板发生挤压,冒顶的渣土最易从后盖板区域掉落,因此将目标摄像头安装于渣土车车尾底部,并垂直地面拍摄,捕获地面抛洒物图像作为目标图像。
需要说明的是,目标摄像头可以选择红外摄像头,需采集夜晚场景图像素材,做深度学习的训练,以提升夜晚检测效果,目标摄像头拍摄图像需要包括车尾1/4车轮以及图2中检测区域。
如果目标摄像头的安装位置如果有遮挡物,则要求尽量拍摄到图2中第二掉落区域。
需要说明的是,本发明提供的车辆抛洒物检测方法,还可以使用多摄像头检测,扩大检测范围。
本发明提供的车辆抛洒物检测方法,对开动的渣土车最易出现抛洒滴漏的位置分析,得出最易出现在车厢后盖板区域,安装的摄像头位置可以捕获渣土车最大可能出现抛洒滴漏的图像,减少了成本,且通过采用红外摄像头,能够提升夜晚检测效果。
本发明还提供一种车辆抛洒物检测***,可以用于对渣土车自身因超载导致抛洒滴漏现象的检测和报警。***包括:目标摄像头,用于获取路面渣土车掉落抛洒物的图像,用于检测抛洒滴漏物,并分析是否本车掉落;以及获取后后轮图像,用于检测后轮位置,从而计算出抛洒滴漏物掉落范围;车载智能终端,用于图像采集、图像预处理、深度学***台;云端平台,用于保存报警图像和视频,并分析、分发报警数据。本发明通过深度学***台,及时制止抛洒滴漏现象发生。
下面对本发明提供的车辆抛洒物检测***进行描述,下文描述的车辆抛洒物检测***与上文描述的车辆抛洒物检测方法可相互对应参照。
图3是本发明提供的车辆抛洒物检测***的结构示意图,如图3所示,包括:图像获取模块310、数据获取模块311和检测模块312,其中,图像获取模块310包括目标摄像头,数据获取模块包括车载智能终端311;
目标摄像头,安装在目标车辆的车尾底部,用于垂直于地面拍摄以获取目标图像;
车载智能终端,用于基于预设深度学习目标检测模型,分别确定目标车辆的后轮和待检测抛洒物所在预处理后的目标图像中的第一位置和第二位置;
检测模块,用于根据第一位置和第二位置,确定待检测抛洒物是否为目标车辆抛洒物;
其中,目标摄像头为红外摄像头。
本发明提供的车辆抛洒物检测***,能够自动检测渣土车自身抛洒滴漏现象发生,自动检测后轮位置定位抛洒滴漏区域,减少非本车掉落误判,同时,通过对开动的渣土车最易出现抛洒滴漏的位置分析,得出最易出现在车厢后盖板区域,安装的摄像头位置可以捕获渣土车最大可能出现抛洒滴漏的图像,减少了成本,且通过采用红外摄像头,能够提升夜晚检测效果。
进一步地,在一个实施例中,车载智能终端还用于:
在检测模块312确定待检测抛洒物为目标车辆抛洒物之后,将目标图像作为取证图像发送给云端平台,并基于预设深度学习目标跟踪DeepSort算法对待检测抛洒物所在待检测图像中的位置进行目标跟踪;或
在检测模块312确定待检测抛洒物为目标前车辆抛洒物或第一车辆抛洒物之后,基于DeepSort算法对待检测抛洒物所在待检测图像中的位置进行目标跟踪;
其中,待检测图像是由目标摄像头在目标图像之后时刻拍摄获取的。
本发明提供的车辆抛洒物检测***,能够全程自动无死角检测渣土车自身抛洒滴漏现象发生,及时取证,并上报云端平台和上级部门,车载智能终端能耗低,深度学习推理速度快,精度高,实现对抛洒物的实时检测和上报。
图4是本发明提供的一种电子设备的结构示意图,如图4所示,该电子设备可以包括:处理器(processor)410、通信接口(communication interface)411、存储器(memory)412和总线(bus)413,其中,处理器410,通信接口411,存储器412通过总线413完成相互间的通信。处理器410可以调用存储器412中的逻辑指令,以执行如下方法:
基于预设深度学习目标检测模型,分别确定目标车辆的后轮和待检测抛洒物所在预处理后的目标图像中的第一位置和第二位置;
根据第一位置和第二位置,确定待检测抛洒物是否为目标车辆抛洒物。
此外,上述的存储器中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机电源屏(可以是个人计算机,服务器,或者网络电源屏等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
进一步地,本发明公开一种计算机程序产品,所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序,所述计算机程序包括程序指令,当所述程序指令被计算机执行时,计算机能够执行上述各方法实施例所提供的车辆抛洒物检测方法,例如包括:
基于预设深度学习目标检测模型,分别确定目标车辆的后轮和待检测抛洒物所在预处理后的目标图像中的第一位置和第二位置;
根据第一位置和第二位置,确定待检测抛洒物是否为目标车辆抛洒物。
另一方面,本发明还提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现以执行上述各实施例提供的车辆抛洒物检测方法,例如包括:
基于预设深度学习目标检测模型,分别确定目标车辆的后轮和待检测抛洒物所在预处理后的目标图像中的第一位置和第二位置;
根据第一位置和第二位置,确定待检测抛洒物是否为目标车辆抛洒物。
以上所描述的***实施例仅仅是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下,即可以理解并实施。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件。基于这样的理解,上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,如ROM/RAM、磁碟、光盘等,包括若干指令用以使得一台计算机电源屏(可以是个人计算机,服务器,或者网络电源屏等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (9)
1.一种车辆抛洒物检测方法,其特征在于,包括:
基于预设深度学习目标检测模型,分别确定目标车辆的后轮和待检测抛洒物所在预处理后的目标图像中的第一位置和第二位置;
根据所述第一位置和所述第二位置,确定所述待检测抛洒物是否为目标车辆抛洒物;
所述根据所述第一位置和所述第二位置,确定所述待检测抛洒物是否为目标车辆抛洒物,包括:
根据所述第一位置,确定目标车辆抛洒物的第一掉落区域、目标前车辆抛洒物的第二掉落区域和第一车辆抛洒物的第三掉落区域;
若所述第二位置第一次出现在所述第一掉落区域,则确定所述待检测抛洒物为所述目标车辆抛洒物;
若所述第二位置第一次出现在所述第二掉落区域,则确定所述待检测抛洒物为所述目标前车辆抛洒物;
若所述第二位置第一次出现在所述第三掉落区域,则确定所述待检测抛洒物为所述第一车辆抛洒物;
其中,所述第一车辆为除所述目标车辆和目标前车辆外的其他车辆;
所述第三掉落区域为除所述第一掉落区域和所述第二掉落区域外的区域。
2.根据权利要求1所述的车辆抛洒物检测方法,其特征在于,所述预设深度学习目标检测模型,包括:
单阶段多目标检测器模型或端到端的目标检测模型。
3.根据权利要求1所述的车辆抛洒物检测方法,其特征在于,所述预处理后的目标图像通过如下任一种方式获取:
对所述目标图像进行缩放处理;或
对所述目标图像进行水平镜像处理;或
对所述目标图像进行垂直镜像处理。
4.根据权利要求1所述的车辆抛洒物检测方法,其特征在于,还包括:
在确定所述待检测抛洒物为目标车辆抛洒物之后,将所述目标图像作为取证图像进行上报,并基于预设深度学习目标跟踪DeepSort算法对所述待检测抛洒物所在待检测图像中的位置进行目标跟踪;或
在确定所述待检测抛洒物为目标前车辆抛洒物或第一车辆抛洒物之后,基于所述DeepSort算法对所述待检测抛洒物所在待检测图像中的位置进行目标跟踪;
其中,所述待检测图像是由所述目标摄像头在所述目标图像之后时刻拍摄获取的。
5.根据权利要求1-4任一项所述的车辆抛洒物检测方法,其特征在于,所述目标图像是由安装在目标车辆的车尾底部的目标摄像头垂直于地面拍摄获取的;
其中,所述目标摄像头为红外摄像头。
6.一种车辆抛洒物检测***,其特征在于,包括:图像获取模块、数据获取模块和检测模块,其中,所述图像获取模块包括目标摄像头,所述数据获取模块包括车载智能终端;
所述目标摄像头,安装在目标车辆的车尾底部,用于垂直于地面拍摄以获取目标图像;
所述车载智能终端,用于基于预设深度学习目标检测模型,分别确定目标车辆的后轮和待检测抛洒物所在预处理后的目标图像中的第一位置和第二位置;
所述检测模块,用于根据所述第一位置和所述第二位置,确定所述待检测抛洒物是否为目标车辆抛洒物;
其中,所述目标摄像头为红外摄像头;
所述根据所述第一位置和所述第二位置,确定所述待检测抛洒物是否为目标车辆抛洒物,包括:
根据所述第一位置,确定目标车辆抛洒物的第一掉落区域、目标前车辆抛洒物的第二掉落区域和第一车辆抛洒物的第三掉落区域;
若所述第二位置第一次出现在所述第一掉落区域,则确定所述待检测抛洒物为所述目标车辆抛洒物;
若所述第二位置第一次出现在所述第二掉落区域,则确定所述待检测抛洒物为所述目标前车辆抛洒物;
若所述第二位置第一次出现在所述第三掉落区域,则确定所述待检测抛洒物为所述第一车辆抛洒物;
其中,所述第一车辆为除所述目标车辆和目标前车辆外的其他车辆;
所述第三掉落区域为除所述第一掉落区域和所述第二掉落区域外的区域。
7.根据权利要求6所述的车辆抛洒物检测***,其特征在于,所述车载智能终端还用于:
在所述检测模块确定所述待检测抛洒物为目标车辆抛洒物之后,将所述目标图像作为取证图像发送给云端平台,并基于预设深度学习目标跟踪DeepSort算法对所述待检测抛洒物所在待检测图像中的位置进行目标跟踪;或
在所述检测模块确定所述待检测抛洒物为目标前车辆抛洒物或第一车辆抛洒物之后,基于所述DeepSort算法对所述待检测抛洒物所在待检测图像中的位置进行目标跟踪;
其中,所述待检测图像是由所述目标摄像头在所述目标图像之后时刻拍摄获取的。
8.一种电子设备,包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1至5任一项所述车辆抛洒物检测方法的步骤。
9.一种非暂态计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至5任一项所述车辆抛洒物检测方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110501306.5A CN113221724B (zh) | 2021-05-08 | 2021-05-08 | 车辆抛洒物检测方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110501306.5A CN113221724B (zh) | 2021-05-08 | 2021-05-08 | 车辆抛洒物检测方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113221724A CN113221724A (zh) | 2021-08-06 |
CN113221724B true CN113221724B (zh) | 2022-11-04 |
Family
ID=77094061
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110501306.5A Active CN113221724B (zh) | 2021-05-08 | 2021-05-08 | 车辆抛洒物检测方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113221724B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113628254A (zh) * | 2021-08-13 | 2021-11-09 | 长沙祥云瑞风信息技术有限公司 | 基于移动平台的目标轨迹确定方法及相关设备 |
CN115601711B (zh) * | 2022-12-13 | 2023-04-25 | 成都合能创越软件有限公司 | 一种基于yolov5+deepsort的渣土车抛洒滴漏检测报警方法及*** |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111523536A (zh) * | 2020-04-10 | 2020-08-11 | 南京智行信息科技有限公司 | 一种基于Faster RCNN的自适应路面抛洒物智能检测方法 |
CN111814668A (zh) * | 2020-07-08 | 2020-10-23 | 北京百度网讯科技有限公司 | 用于检测道路抛洒物的方法和装置 |
CN112560546A (zh) * | 2019-09-10 | 2021-03-26 | 杭州海康威视数字技术股份有限公司 | 抛洒行为检测方法、装置及存储介质 |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106297278B (zh) * | 2015-05-18 | 2019-12-20 | 杭州海康威视数字技术股份有限公司 | 一种用于查询抛洒物车辆的方法和*** |
US10112585B1 (en) * | 2017-06-20 | 2018-10-30 | Ford Global Technologies, Llc | Vehicle cleanliness detection systems and methods |
KR102348593B1 (ko) * | 2017-10-26 | 2022-01-06 | 삼성에스디에스 주식회사 | 기계 학습 기반의 객체 검출 방법 및 그 장치 |
US11087133B2 (en) * | 2019-07-31 | 2021-08-10 | Baidu Usa Llc | Method and apparatus for determining a target object, and human-computer interaction system |
CN111797727B (zh) * | 2020-06-18 | 2023-04-07 | 浙江大华技术股份有限公司 | 一种检测路面抛洒物的方法、装置及存储介质 |
CN112434657A (zh) * | 2020-11-20 | 2021-03-02 | 上海眼控科技股份有限公司 | 飘散运载物检测方法、设备、程序及计算机可读介质 |
CN112149649B (zh) * | 2020-11-24 | 2021-03-26 | 深圳市城市交通规划设计研究中心股份有限公司 | 一种道路抛洒物检测方法、计算机设备及存储介质 |
-
2021
- 2021-05-08 CN CN202110501306.5A patent/CN113221724B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112560546A (zh) * | 2019-09-10 | 2021-03-26 | 杭州海康威视数字技术股份有限公司 | 抛洒行为检测方法、装置及存储介质 |
CN111523536A (zh) * | 2020-04-10 | 2020-08-11 | 南京智行信息科技有限公司 | 一种基于Faster RCNN的自适应路面抛洒物智能检测方法 |
CN111814668A (zh) * | 2020-07-08 | 2020-10-23 | 北京百度网讯科技有限公司 | 用于检测道路抛洒物的方法和装置 |
Also Published As
Publication number | Publication date |
---|---|
CN113221724A (zh) | 2021-08-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Tian et al. | An automatic car accident detection method based on cooperative vehicle infrastructure systems | |
CN110473402A (zh) | 一种基于目标异常行为轨迹分析的异常事件检测预警*** | |
CN113221724B (zh) | 车辆抛洒物检测方法及*** | |
CN110738150B (zh) | 相机联动抓拍方法、装置以及计算机存储介质 | |
CN102792314A (zh) | 交叉通行碰撞警报*** | |
CN106600977A (zh) | 基于多特征识别的违停检测方法及*** | |
CN102142194B (zh) | 视频检测方法及其*** | |
CN102081801A (zh) | 多特征自适应融合船舶跟踪和航迹检测方法 | |
CN113850123A (zh) | 基于视频的公路监控方法及装置、存储介质和监控*** | |
CN108932849B (zh) | 一种记录多台机动车低速行驶违法行为的方法及装置 | |
CN107590834A (zh) | 一种道路交通事件视频检测方法及*** | |
CN111967396A (zh) | 障碍物检测的处理方法、装置、设备及存储介质 | |
CN111753612A (zh) | 一种抛洒物检测方法、装置及存储介质 | |
CN115240148A (zh) | 车辆行为的检测方法、装置、存储介质及电子装置 | |
CN105574502A (zh) | 一种自助发卡机违章行为自动检测方法 | |
CN114781479A (zh) | 交通事件检测方法及装置 | |
CN108932850B (zh) | 一种记录机动车低速行驶违法行为的方法及装置 | |
CN113674314A (zh) | 抛洒事件检测方法、装置、电子装置和存储介质 | |
CN110689629A (zh) | 车辆管理装置、车辆管理服务器和车辆收费*** | |
CN112560546B (zh) | 抛洒行为检测方法、装置及存储介质 | |
CN113850995B (zh) | 一种基于隧道雷视数据融合的事件检测方法、装置及*** | |
CN103886761B (zh) | 能够快速发现道路异常停车的智能卡口***及其运行方法 | |
CN114627409A (zh) | 一种车辆异常变道的检测方法及装置 | |
CN113989715A (zh) | 车辆违停检测方法、装置、电子设备及存储介质 | |
CN104463913A (zh) | 违规停车智能检测装置与方法 |
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 |