CN113688662A - 机动车过车警示方法、装置、电子装置和计算机设备 - Google Patents

机动车过车警示方法、装置、电子装置和计算机设备 Download PDF

Info

Publication number
CN113688662A
CN113688662A CN202110756947.5A CN202110756947A CN113688662A CN 113688662 A CN113688662 A CN 113688662A CN 202110756947 A CN202110756947 A CN 202110756947A CN 113688662 A CN113688662 A CN 113688662A
Authority
CN
China
Prior art keywords
target
motor vehicle
vehicle
warning
video
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
CN202110756947.5A
Other languages
English (en)
Inventor
林骏
王亚运
王志庆
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.)
Zhejiang Dahua Technology Co Ltd
Original Assignee
Zhejiang Dahua 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 Zhejiang Dahua Technology Co Ltd filed Critical Zhejiang Dahua Technology Co Ltd
Priority to CN202110756947.5A priority Critical patent/CN113688662A/zh
Publication of CN113688662A publication Critical patent/CN113688662A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • Computational Linguistics (AREA)
  • Health & Medical Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Traffic Control Systems (AREA)

Abstract

本申请涉及一种机动车过车警示方法、装置、电子装置和计算机设备，通过获取目标交通场景下的目标视频，其中，目标视频中包含至少一辆机动车和目标车道，获取目标视频中目标机动车的车辆属性，目标机动车包括至少一辆机动车中行驶于目标车道内的机动车，获取目标机动车对应的雷达数据，其中，雷达数据包含目标机动车的行驶信息，根据车辆属性和行驶信息，确定判断目标机动车是否符合车辆警示条件。其通过雷达数据和视频数据的关联处理，能够提高所获取的目标车道中机动车的车辆信息的准确度，进而提高了待警示车辆信息检测的正确率，从而实现了对目标车道中符合警示条件的机动车辆信息的及时警示。

Description

机动车过车警示方法、装置、电子装置和计算机设备
技术领域
本申请涉及图像识别领域，特别是涉及一种机动车过车警示方法、装置、电子装置和计算机设备。
背景技术
为了满足城市基础建设、物流以及其他出行的需要，城市道路上各种类型的机动车辆的数量逐渐增多，交通安全隐患也随之增加。例如，由于驾驶员存在视角盲区，机动车辆在行驶过程中，可能对驾驶员视角盲区内的行人、非机动车辆的安全造成威胁。因此需要对交通场景下的机动车信息进行检测，以确定其中存在交通安全隐患的机动车辆，并及时采取对应措施。目前的车辆检测方法中，往往利用视频跟踪技术对获取的视频数据中的目标车辆的进行监测，这种仅基于视频图像对目标车辆进行监测的方式稳定性不高，并且所获取机动车的车辆信息，例如车速和车距的准确度较低。
针对相关技术中存在的车辆信息识别准确度较低的问题，尚未提出有效的解决方案。
发明内容
在本实施例中提供了一种机动车过车警示方法、装置、电子装置和计算机设备，以解决相关技术中存在的车辆信息识别和车道判断准确度较低的问题。
第一个方面，在本实施例中提供了一种机动车过车警示方法，包括以下步骤：
获取目标交通场景下的目标视频，其中，所述目标视频中包含至少一辆机动车和目标车道；
获取所述目标视频中目标机动车的车辆属性，所述目标机动车包括所述至少一辆机动车中行驶于所述目标车道内的机动车；
获取所述目标机动车对应的雷达数据，其中，所述雷达数据包含所述目标机动车的行驶信息；
根据所述车辆属性和所述行驶信息，确定所述目标机动车是否符合车辆警示条件。
在其中的一些实施例中，所述获取所述目标视频中目标机动车的车辆属性包括：
基于目标检测算法，判断所述目标视频中的机动车是否行驶于所述目标车道内，若是，则将所述机动车设置为目标机动车，并获取所述目标机动车的车辆属性。
在其中的一些实施例中，所述目标车道基于所述目标视频中预先配置的车道线确定，所述基于目标检测算法，判断所述目标视频中的机动车是否行驶于所述目标车道内，包括：
将所述目标视频输入预设的目标检测模型，获得所述机动车的关键点信息；
根据所述关键点信息计算所述机动车的车头投影中心点；
根据所述车头投影中心点与所述车道线的位置关系，确定所述机动车是否行驶于所述目标车道内。
在其中的一些实施例中，所述获取所述目标机动车对应的雷达数据，包括：
获取所述目标交通场景下的雷达数据；
通过图像标定算法将所述目标交通场景下的雷达数据关联到所述目标视频中对应的目标机动车，得到所述目标机动车对应的雷达数据。
在其中的一些实施例中，所述通过图像标定算法将所述雷达数据关联到所述目标视频中对应的目标机动车，包括：
通过图像标定算法将所述目标视频中的图像数据映射为鸟瞰图，根据所述鸟瞰图将所述雷达数据关联到对应的所述目标机动车上。
在其中一些实施例中，所述目标机动车的车辆属性包括车牌属性和车型属性，所述获取所述目标视频中目标机动车的车辆属性，包括：
获取所述目标机动车的目标机动车图像，利用车牌检测方法对目标机动车图像进行处理，获得所述目标机动车的车牌图像；
利用车牌识别算法对所述车牌图像进行处理，得到所述目标机动车的车牌属性；
利用车型识别算法对所述目标机动车图像进行处理，获得所述目标机动车的车型属性。
在其中一些实施例中，在根据所述车辆属性和所述行驶信息，确定所述目标机动车符合车辆警示条件的情况下，所述方法还包括：
基于视频跟踪算法确定所述目标机动车的标识信息；
在目标交通场景下，按照所述标识信息为每辆目标机动车生成警示信息。
第二个方面，在本实施例中提供了一种机动车过车警示装置，包括：获取模块、判断模块、雷视关联模块以及警示模块，其中：
所述获取模块，用于获取目标交通场景下的目标视频，其中，所述目标视频中包含至少一辆机动车和目标车道；
所述判断模块，用于获取所述目标视频中目标机动车的车辆属性，所述目标机动车包括所述至少一辆机动车中行驶于所述目标车道内的机动车；
所述雷视关联模块，用于获取所述目标机动车对应的雷达数据，其中，所述雷达数据包含所述目标机动车的行驶信息；
所述警示模块，用于根据所述车辆属性和所述行驶信息，确定所述目标机动车是否符合车辆警示条件。
第三个方面，在本实施例中提供了一种电子装置，包括存储器和处理器，所述存储器中存储有计算机程序，所述处理器执行所述计算机程序时实现权利上述第一个方面所述方法的步骤。
第四个方面，在本实施例中提供了一种计算机设备，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计算机程序时实现上述第一个方面的方法的步骤。
上述机动车过车警示方法、装置、电子装置和计算机设备，通过获取目标交通场景下的目标视频，其中，目标视频中包含至少一辆机动车和目标车道，获取目标视频中目标机动车的车辆属性，目标机动车包括至少一辆机动车中行驶于目标车道内的机动车，获取目标机动车对应的雷达数据，其中，雷达数据包含目标机动车的行驶信息，根据车辆属性和行驶信息，确定目标机动车是否符合车辆警示条件。其通过雷达数据和视频数据的关联处理，能够提高所获取的目标车道中机动车的车辆信息的准确度，进而提高了待警示车辆信息检测的正确率，从而实现了对目标车道中符合警示条件的机动车辆信息的及时警示。
本申请的一个或多个实施例的细节在以下附图和描述中提出，以使本申请的其他特征、目的和优点更加简明易懂。
附图说明
此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：
图1是根据本申请实施例的机动车过车警示方法的应用场景图；
图2是根据本申请实施例的机动车过车警示方法的流程图；
图3是根据本申请实施例的另一种机动车过车警示方法的流程图；
图4是根据本申请实施例的机动车过车警示装置的结构示意图；
图5是根据本申请实施例的电子装置的结构示意图；
图6是根据本申请实施例的计算机设备的结构示意图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行描述和说明。应当理解，此处所描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。基于本申请提供的实施例，本领域普通技术人员在没有作出创造性劳动的前提下所获得的所有其他实施例，都属于本申请保护的范围。
显而易见地，下面描述中的附图仅仅是本申请的一些示例或实施例，对于本领域的普通技术人员而言，在不付出创造性劳动的前提下，还可以根据这些附图将本申请应用于其他类似情景。此外，还可以理解的是，虽然这种开发过程中所作出的努力可能是复杂并且冗长的，然而对于与本申请公开的内容相关的本领域的普通技术人员而言，在本申请揭露的技术内容的基础上进行的一些设计，制造或者生产等变更只是常规的技术手段，不应当理解为本申请公开的内容不充分。
在本申请中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域普通技术人员显式地和隐式地理解的是，本申请所描述的实施例在不冲突的情况下，可以与其它实施例相结合。
除非另作定义，本申请所涉及的技术术语或者科学术语应当为本申请所属技术领域内具有一般技能的人士所理解的通常意义。本申请所涉及的“一”、“一个”、“一种”、“该”等类似词语并不表示数量限制，可表示单数或复数。本申请所涉及的术语“包括”、“包含”、“具有”以及它们任何变形，意图在于覆盖不排他的包含；例如包含了一系列步骤或模块(单元)的过程、方法、***、产品或设备没有限定于已列出的步骤或单元，而是可以还包括没有列出的步骤或单元，或可以还包括对于这些过程、方法、产品或设备固有的其它步骤或单元。本申请所涉及的“连接”、“相连”、“耦接”等类似的词语并非限定于物理的或者机械的连接，而是可以包括电气的连接，不管是直接的还是间接的。本申请所涉及的“多个”是指两个或两个以上。“和/或”描述关联对象的关联关系，表示可以存在三种关系，例如，“A和/或B”可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。字符“/”一般表示前后关联对象是一种“或”的关系。本申请所涉及的术语“第一”、“第二”、“第三”等仅仅是区别类似的对象，不代表针对对象的特定排序。
图1为一个实施例中机动车过车警示方法的应用场景图。如图1所示，包括监控设备101、服务器102、雷达103以及显示屏104。其中，监控设备101用于对目标交通场景进行拍摄，以得到该目标交通场景下车辆行驶的目标视频，该目标视频中包含至少一辆机动车和目标车道。服务器102用于接收监控设备101获取的目标视频，并获取该目标视频中行驶于目标交通场景的目标车道内的目标机动车的车辆属性。另外地，雷达103用于获取目标交通场景下的雷达数据，并将该雷达数据发送给服务器102，服务器102获得目标车辆对应的雷达数据。最后，服务器102根据车辆属性和雷达数据中的行驶信息，判断目标机动车是否符合车辆警示条件，若是，则为目标机动车生成警示信息，并将该警示信息显示与显示屏104上，以提示该目标交通场景下的其他车辆和行人注意避让。其中，监控设备101与服务器102之间、服务器102与雷达103之间、服务器102与显示屏104之间，均可以通过网络连接。
在本实施例中提供了一种机动车过车警示方法，图2是本实施例的机动车过车警示方法的流程图，如图2所示，该流程包括如下步骤：
步骤S210，获取目标交通场景下的目标视频，其中，目标视频中包含至少一辆机动车和目标车道。
该目标交通场景具体可以为交通路口的场景。该目标视频可以由安装于路口的监控设备对该路口中的车辆行驶状况进行拍摄得到的视频数据。
步骤S220，获取目标视频中目标机动车的车辆属性，目标机动车包括至少一辆机动车中行驶于目标车道内的机动车。
具体地，该车辆属性可以但不局限于包括该目标机动车的车型、车牌等信息。其中，该目标机动车的车型信息主要为车辆类型，具体可以为多用途汽车MPV(Multi-PurposeVehicles)、运动型多用途汽车SUV(Sport Utility Vehicle)、出租车、小货车、中货车、大货车、小客车、中客车、大客车、公交车、轿车、皮卡车以及其他特殊车辆中的任意一种。另外地，该目标机动车的车牌信息具体包括车牌类型、车牌颜色以及车牌号码。具体地，可以通过对该目标机动车的车辆图片进行图像处理后得到该车辆属性。进一步地，可以利用anchor-base方法，或者anchor-free方法对目标机动车的车辆图片进行车牌区域分割，并利用传统的支持向量机SVM(Support Vector Machine)或者深度学习方法对分割后的车牌图像进行检测，得到车牌号、车牌类型、车牌颜色等信息。还可以利用卷积神经网络CNN(Convolutional Neural Networks)网络分类方法对目标机动车的车辆图片进行处理，得到该目标机动车的车型信息。其中，该目标机动车的车辆图片，可以为目标视频中的某一帧图像数据，也可以为目标交通场景特定地点下对经过该地点的目标机动车进行实时拍摄后得到的车牌图片。
另外地，目标视频中可能包含多条车道和多辆机动车，在获取目标车道内的目标机动车的车辆属性之前，还需要通过anchor-base或anchor-free方法对目标视频中出现的机动车进行目标检测，以确定行驶于目标车道内的机动车，并将该机动车作为目标机动车。其中，该目标车道可以为实际情况中需要进行交通安全监测的车道。例如，行驶于右转车道的货车，可能因驾驶员的视角盲区而在进行右转时无法顾及到附近的行人或其他车辆，而对交通安全产生威胁。因此可以将目标视频中的右转车道设置为目标车道。具体地，可以在获取到目标交通场景下的目标视频之后，预先对该目标视频中的车道线进行配置，以确定该目标视频中的目标车道。其中，可以通过人工配置，或者利用任意一种车道线检测算法进行实时配置。进一步地，可以根据目标视频中的机动车与目标车道的位置关系来判断该机动车是否行使于目标车道内。例如，在获得该机动车的若干个关键点信息后，根据该关键点信息与已配置的车道线之间的位置关系，来判断该机动车是否为行使于目标车道内的目标机动车。
另外地，还可以利用循环结构核算法CSK(Circulant Structure Kernels)、核相关滤波器KCF(Kernel Correlation Filter)等，或者CenterTrack、SiamRPN等系列的深度学习方法来对目标视频进行处理，以实现对其中机动车的视频跟踪，以使相邻两帧间同一辆机动车在该目标视频中的标识信息一致。具体地，可以利用CenterNet检测出车辆中心点，利用不同帧之间的该车辆中心点来获得激动车辆的位移特征，以实现对该机动车辆的跟踪。通过对目标视频中的机动车进行跟踪，能够使实际场景中的同一辆机动车在目标视频中从出现到消失均绑定同一个标识信息，从而实现了该机动车在目标视频中的唯一性，避免后续对该机动车进行重复处理。
步骤S230，获取目标机动车对应的雷达数据，其中，雷达数据包含目标机动车的行驶信息。
其中，该目标机动车对应的雷达数据，可以由安装于目标交通场景内的雷达设备，对该目标交通场景内的机动车发射电磁波并接收其回波而获得。雷达设备能够获得目标交通场景内的机动车相对该雷达设备的距离、方向以及车速等信息。上述信息可以作为目标交通场景下的机动车的行驶信息。另外，为了从该雷达设备的雷达数据中获得目标机动车的行驶信息，还需要对目标交通场景下的雷达数据和视频数据进行关联处理，以将雷达数据分别关联至目标视频中的机动车。具体地，可以利用传统的仿射变换或者深度学习方法，将目标视频中的每一帧图片数据映射为鸟瞰图，再将雷达数据关联至该鸟瞰图中对应的机动车。以获得目标机动车对应的雷达数据，从而得到该目标机动车的车速、车距等行驶信息。
由于雷达设置在远距离跟踪和目标检测上相对稳定，通过将雷达数据与目标视频进行关联，从雷达数据中获取目标机动车的行驶信息，相比利用图像处理方法来获得目标机动车的行驶信息而言，具有更高的准确度和稳定性。
步骤S240，根据车辆属性和行驶信息，确定目标机动车是否符合车辆警示条件。
其中，该车辆警示条件用于限定针对何种机动车进行警示，具体可以包括限定车型、车速、车距、车牌类型等内容。其中，车型和车牌类型均可以限定为一种或多种，车速和车距可以限定为某一范围。该车辆警示条件可以根据实际的交通场景需求、交通规则而预先配置，在本实施例中不对该车辆警示条件进行具体限定。在该目标机动车的车辆属性和行驶信息均符合车辆警示条件的情况下，可以为该目标机动车生成警示信息。该警示信息具体可以由实际交通场景的需求来确定，用于对该目标交通场景下的其他机动车、非机动车以及行人进行警示，以对该目标机动车进行避让，避免交通事故。具体地，该警示信息可以为目标机动车的车距、车速、车型、车牌类型以及车牌号等信息。另外，在生成该警示信息后，既可以利用设置于目标交通场景下的显示屏进行上图警示，也可以利用音频输出设备进行语音警示，或者采用图片和语音结合的方式进行警示，对此本实施例不作具体限定。
例如，在目标视频中检测到一辆机动车A，通过centerNet方法获得该机动车A的关键点信息，并对关键点信息进行处理得到该机动车A的车头投影中心点后，比较该车头投影中心点与预先配置的车道线的位置关系，确定该车头投影中心点处于预先配置的两条车道线之间后，将该机动车A设定为目标机动车，并通过雷视关联获取该目标机动车A的行驶信息。另外，在该目标机动车A行驶经过目标车道某处设置的检测线后，对该目标机动车A进行实时抓拍，获得该目标机动车的车辆图像。通过对该车辆图像进行车牌和车型检测，得到该目标机动车的车辆属性。在该目标机动车的车距小于预设的警示车距、车速大于预设的警示车速、车型为指定的大货车车型并且车牌类型为黄牌或双层黄牌的情况下，将该目标机动车A的车距、车速、车型、车牌类型以及车牌号输出到目标交通场景下的警示装置中，以提醒周围车辆和行人注意安全。
上述步骤S210至S240，通过获取目标交通场景下的目标视频，其中，目标视频中包含至少一辆机动车和目标车道，获取目标视频中目标机动车的车辆属性，目标机动车包括至少一辆机动车中行驶于目标车道内的机动车，获取目标机动车对应的雷达数据，其中，雷达数据包含目标机动车的行驶信息，根据车辆属性和行驶信息，确定目标机动车是否符合车辆警示条件。其通过雷达数据和视频数据的关联处理，能够提高所获取的目标车道中机动车的车辆信息的准确度，进而提高了待警示车辆信息检测的正确率，从而实现了对目标车道中符合警示条件的机动车辆信息的及时警示。
进一步地，基于上述步骤S220，获取目标视频中目标机动车的车辆属性，具体包括以下步骤：
步骤S221，基于目标检测算法，判断目标视频中的机动车是否行驶于目标车道内，若是，则将机动车设置为目标机动车，并获取目标机动车的车辆属性。
可以利用anchor-base方法，例如统一实时对象检测算法YOLO(You Only LookOnce:Unified,Real-Time Object Detection)、单次检测器SSD(Single Shot MultiBoxDetector)、区域卷积神经网络RCNN(Regions with CNN features)等，或者anchor-free方法，例如CenterNet、CornerNet等对目标视频进行目标检测，以在目标视频中实现对机动车的定位，判断机动车与车道线的位置关系，从而判断该机动车是否行驶于目标车道内。
进一步地，在一个实施例中，基于上述步骤S221，目标车道基于目标视频中预先配置的车道线确定，基于目标检测算法，判断目标视频中的机动车是否行驶于目标车道内，包括以下步骤：
步骤S2211，将目标视频输入预设的目标检测模型，获得机动车的关键点信息。
具体地，该目标检测模型可以为CenterNet模型。通过利用基于关键点检测的CenterNet对目标视频进行处理，得到目标视频中机动车的关键点信息。其中，该关键点信息具体可以为机动车的中心点Tc、左前大灯点Ll、右前大灯点Lr、左轮胎压点Tl、右轮胎压点Tr、车身框的宽Tw、车身框的高Th、车牌中心点Pc、左后视镜点Ml以及右后视镜点Mr。该关键点信息能够用于表征该机动车在目标视频中的位置信息。
步骤S2212，根据关键点信息计算机动车的车头投影中心点。
具体地，在检测到的关键点信息中，如果左轮胎压点Tl和右轮胎压点Tr同时存在，则车头投影中心点P-lane为左轮胎压点Tl和右轮胎压点Tr之间连线的中点。如果没有同时检测到左轮胎压点Tl和右轮胎压点Tr，则判断左前大灯点Ll和右前大灯点Lr是否同时存在，若是，则车头投影中心点P-lane的计算方式为：
Figure BDA0003147502640000091
否则，如果左后视镜点Ml和右后视镜点Mr同时存在，则车头投影中心点P-lane的计算方式为：
Figure BDA0003147502640000092
步骤S2213，根据车头投影中心点与车道线的位置关系，确定机动车是否行驶于目标车道内。
具体地，若车头投影中心点P-lane落在预先配置的两条车道线之间，则确认该机动车行驶于目标车道内。
另外地，在一个实施例中，基于上述步骤S230，获取目标机动车对应的雷达数据，还包括以下步骤：
步骤S231，获取目标交通场景下的雷达数据。
具体地，该目标交通场景下的雷达数据可以由安装于目标交通场景下的雷达设备通过对该目标交通场景下的机动车发射电磁波，并接收其回波后提供。该雷达设备既可以与监控设备相邻安装于目标交通场景内，也可以与该监控设备分散安装与目标交通场景内，安装方式在本实施例中不作具体限定。
步骤S232，通过图像标定算法将目标交通场景下的雷达数据关联到目标视频中对应的目标机动车，得到目标机动车对应的雷达数据。
另外地，在一个实施例中，基于上述步骤S232，通过图像标定算法将雷达数据关联到目标视频中对应的目标机动车，还包括以下步骤：
步骤S2321，通过图像标定算法将目标视频中的图像数据映射为鸟瞰图，根据鸟瞰图将雷达数据关联到对应的目标机动车上。
具体地，利用仿射变换或深度学习方法对视频图像进行标定，将视频图像中的单帧图片映射为鸟瞰图。根据鸟瞰图中的坐标，与雷达数据进行关联，从而获得目标机动车对应的雷达数据。
另外地，在一个实施例中，基于上述步骤S220，目标机动车的车辆属性包括车牌属性和车型属性，获取目标视频中目标机动车的车辆属性，还包括以下步骤：
步骤S222，获取目标机动车的目标机动车图像，利用车牌检测方法对目标机动车图像进行处理，获得目标机动车的车牌图像。
具体地，该目标机动车图像可以通过对目标视频中位于目标车道内的目标机动车进行图像分割而得到，也可以由设置于特定地点的摄像机对该目标车道内的目标机动车进行实时抓拍获得。车牌检测方法不限于YOLO、SSD、RCNN、CenterNet或CornerNet等方法中的任意一种。通过利用车牌检测方法对目标机动车图像进行处理，分割出车牌区域，从而得到该目标机动车的车牌图像。
步骤S223，利用车牌识别算法对车牌图像进行处理，得到目标机动车的车牌属性。
具体地，利用形态学结合SVM对车牌图像进行识别，或者利用深度学习方法如循环神经网络RNN(Recurrent Neural Network)、空间变换网络STN(Spatial TrasformationNetwork)或CNN等对车牌图像进行识别，以获得该车牌图像的车牌类型和车牌号。其中，车牌类型可以包括：黄牌、双层黄牌、黑牌、黄绿双拼牌、渐变绿牌、蓝牌以及白牌等。
步骤S224，利用车型识别算法对目标机动车图像进行处理，获得目标机动车的车型属性。
另外，还可以将目标机动车图像输入CNN网络中，输出该目标机动车的车型信息。
在一个实施例中，基于上述步骤S240，在根据车辆属性和行驶信息，确定目标机动车符合车辆警示条件的情况下，还包括以下步骤：
步骤S241，基于视频跟踪算法确定目标机动车的标识信息。
具体地，利用视频跟踪算法对目标视频中的目标机动车进行跟踪，能够使目标机动车在目标视频中从出现到消失都对应实际交通场景中的同一辆机动车。从而实现该目标机动车在目标视频中的唯一性，避免后续对该目标机动车进行重复处理。
步骤S242，在目标交通场景下，按照标识信息为每辆目标机动车生成警示信息。
具体地，可以为每个目标机动车生成一次警示信息，从而在实际交通场景中，为每辆符合车辆警示条件的目标机动车进行一次或预设次数的车辆信息的警示，避免重复提示对周围居民造成干扰。
在一个实施例中，如图3所示，提供了一种机动车过车警示方法，该方法包括：
步骤S310，输入目标交通场景下的视频；
步骤S320，对该视频进行车道线配置；
步骤S330，对该视频进行车辆检测、跟踪以及关键点检测；
步骤S340，将视频数据与雷达数据进行雷视关联；
步骤S350，对目标交通场景下的车辆属性进行识别；
步骤S360，根据雷达数据和车辆属性，对右转车道的大货车进行右转大货车警示。
上述步骤S210至S240，基于目标检测算法，判断目标视频中的机动车是否行驶于目标车道内，对行驶于目标车道内的目标机动车的车辆属性进行识别，以获取特定车道内的机动车信息，利用目标检测模型获得机动车的关键点信息，根据关键点信息计算机动车的车头投影中心点，根据车头投影中心点与车道线的位置关系，确定机动车是否行驶于目标车道内，提高了判断机动车与目标车道之间位置关系的准确度，获取目标交通场景下的雷达数据，通过图像标定算法将目标交通场景下的雷达数据关联到目标视频中对应的目标机动车上，得到目标机动车对应的雷达数据，提高了获取目标机动车行驶信息的准确度，利用车牌检测方法获得目标机动车的车牌图像，利用车牌识别算法得到车牌图像的车牌属性，利用车型识别算法得到目标机动车的车型属性，从而能够针对实际交通场景的情况，为符合车辆警示信息的目标机动车生成警示信息，从而实现了对右转车道中符合车辆警示条件的机动车辆信息的及时警示。
在本实施例中还提供了一种机动车过车警示装置，该装置用于实现上述实施例及优选实施方式，已经进行过说明的不再赘述。以下所使用的术语“模块”、“单元”、“子单元”等可以实现预定功能的软件和/或硬件的组合。尽管在以下实施例中所描述的装置较佳地以软件来实现，但是硬件，或者软件和硬件的组合的实现也是可能并被构想的。
图4是本申请实施中机动车过车警示装置40的结构示意图，如图4所示，该机动车过车警示装置40包括：获取模块42、判断模块44、雷视关联模块46以及警示模块48，其中：
获取模块42，用于获取目标交通场景下的目标视频，其中，目标视频中包含至少一辆机动车和目标车道；
判断模块44，用于获取目标视频中目标机动车的车辆属性，目标机动车包括至少一辆机动车中行驶于目标车道内的机动车；
雷视关联模块46，用于获取目标机动车对应的雷达数据，其中，雷达数据包含目标机动车的行驶信息；
警示模块48，用于根据车辆属性和行驶信息，确定目标机动车是否符合车辆警示条件。
上述机动车过车警示装置40，通过获取目标交通场景下的目标视频，其中，目标视频中包含至少一辆机动车和目标车道，获取目标视频中目标机动车的车辆属性，目标机动车包括至少一辆机动车中行驶于目标车道内的机动车，获取目标机动车对应的雷达数据，其中，雷达数据包含目标机动车的行驶信息，根据车辆属性和行驶信息，确定目标机动车是否符合车辆警示条件。其通过雷达数据和视频数据的关联处理，能够提高所获取的目标车道中机动车的车辆信息的准确度，进而提高了待警示车辆信息检测的正确率，从而实现了对目标车道中符合警示条件的机动车辆信息的及时警示。
在其中一个实施例中，判断模块44还用于基于目标检测算法，判断目标视频中的机动车是否行驶于目标车道内，若是，则将机动车设置为目标机动车，并获取目标机动车的车辆属性。
在其中一个实施例中，判断模块44还用于将目标视频输入预设的目标检测模型，获得机动车的关键点信息，根据关键点信息计算机动车的车头投影中心点，根据车头投影中心点与车道线的位置关系，确定机动车是否行驶于目标车道内。
在其中一个实施例中，雷视关联模块46还用于获取目标交通场景下的雷达数据，通过图像标定算法将目标交通场景下的雷达数据关联到目标视频中对应的目标机动车，得到目标机动车对应的雷达数据。
在其中一个实施例中，雷视关联模块46还用于通过图像标定算法将目标视频中的图像数据映射为鸟瞰图，根据鸟瞰图将雷达数据关联到对应的目标机动车上。
在其中一个实施例中，判断模块44还用于获取目标机动车的目标机动车图像，利用车牌检测方法对目标机动车图像进行处理，获得目标机动车的车牌图像，利用车牌识别算法对车牌图像进行处理，得到目标机动车的车牌属性，利用车型识别算法对目标机动车图像进行处理，获得目标机动车的车型属性。
在其中一个实施例中，警示模块48还用于基于视频跟踪算法确定目标机动车的标识信息，在目标交通场景下，按照标识信息为每辆目标机动车生成警示信息。
需要说明的是，上述各个模块可以是功能模块也可以是程序模块，既可以通过软件来实现，也可以通过硬件来实现。对于通过硬件来实现的模块而言，上述各个模块可以位于同一处理器中；或者上述各个模块还可以按照任意组合的形式分别位于不同的处理器中。
在一个实施例中，如图5所示，提供了一种电子装置，包括存储器和处理器。存储器中存储有计算机程序，该电子装置的处理器用于提供计算和控制能力。该电子装置的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作***、计算机程序和数据库。该内存储器为非易失性存储介质中的操作***和计算机程序的运行提供环境。
可选地，上述电子装置还可以包括传输设备以及输入输出设备，其中，该传输设备和上述处理器连接，该输入输出设备和上述处理器连接。
可选地，在本实施例中，上述处理器执行计算机程序时实现以下步骤：
获取目标交通场景下的目标视频，其中，目标视频中包含至少一辆机动车和目标车道；
获取目标视频中目标机动车的车辆属性，目标机动车包括至少一辆机动车中行驶于目标车道内的机动车；
获取目标机动车对应的雷达数据，其中，雷达数据包含目标机动车的行驶信息；
根据车辆属性和行驶信息，确定目标机动车是否符合车辆警示条件。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
基于目标检测算法，判断目标视频中的机动车是否行驶于目标车道内，若是，则将机动车设置为目标机动车，并获取目标机动车的车辆属性。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
将目标视频输入预设的目标检测模型，获得机动车的关键点信息；
根据关键点信息计算机动车的车头投影中心点；
根据车头投影中心点与车道线的位置关系，确定机动车是否行驶于目标车道内。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
获取目标交通场景下的雷达数据；
通过图像标定算法将目标交通场景下的雷达数据关联到目标视频中对应的目标机动车，得到目标机动车对应的雷达数据。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
通过图像标定算法将目标视频中的图像数据映射为鸟瞰图，根据鸟瞰图将雷达数据关联到对应的目标机动车上。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
获取目标机动车的目标机动车图像，利用车牌检测方法对目标机动车图像进行处理，获得目标机动车的车牌图像；
利用车牌识别算法对车牌图像进行处理，得到目标机动车的车牌属性；
利用车型识别算法对目标机动车图像进行处理，获得目标机动车的车型属性。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
基于视频跟踪算法确定目标机动车的标识信息；
在目标交通场景下，按照标识信息为每辆目标机动车生成警示信息。
上述电子装置，通过获取目标交通场景下的目标视频，其中，目标视频中包含至少一辆机动车和目标车道，获取目标视频中目标机动车的车辆属性，目标机动车包括至少一辆机动车中行驶于目标车道内的机动车，获取目标机动车对应的雷达数据，其中，雷达数据包含目标机动车的行驶信息，根据车辆属性和行驶信息，确定目标机动车是否符合车辆警示条件。其通过雷达数据和视频数据的关联处理，能够提高所获取的目标车道中机动车的车辆信息的准确度，进而提高了待警示车辆信息检测的正确率，从而实现了对目标车道中符合警示条件的机动车辆信息的及时警示。
在一个实施例中，提供了一种计算机设备，该计算机设备可以是服务器，其内部结构图可以如图6所示。该计算机设备包括通过***总线连接的处理器、存储器、网络接口和数据库。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作***、计算机程序和数据库。该内存储器为非易失性存储介质中的操作***和计算机程序的运行提供环境。该计算机设备的数据库用于存储预设配置信息集合。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现上述机动车过车警示方法。
在一个实施例中，提供了一种计算机设备，该计算机设备可以是终端。该计算机设备包括通过***总线连接的处理器、存储器、网络接口、显示屏和输入装置。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作***和计算机程序。该内存储器为非易失性存储介质中的操作***和计算机程序的运行提供环境。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种机动车过车警示方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏，该计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解，图6中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
应该明白的是，这里描述的具体实施例只是用来解释这个应用，而不是用来对它进行限定。根据本申请提供的实施例，本领域普通技术人员在不进行创造性劳动的情况下得到的所有其它实施例，均属本申请保护范围。
显然，附图只是本申请的一些例子或实施例，对本领域的普通技术人员来说，也可以根据这些附图将本申请适用于其他类似情况，但无需付出创造性劳动。另外，可以理解的是，尽管在此开发过程中所做的工作可能是复杂和漫长的，但是，对于本领域的普通技术人员来说，根据本申请披露的技术内容进行的某些设计、制造或生产等更改仅是常规的技术手段，不应被视为本申请公开的内容不足。
“实施例”一词在本申请中指的是结合实施例描述的具体特征、结构或特性可以包括在本申请的至少一个实施例中。该短语出现在说明书中的各个位置并不一定意味着相同的实施例，也不意味着与其它实施例相互排斥而具有独立性或可供选择。本领域的普通技术人员能够清楚或隐含地理解的是，本申请中描述的实施例在没有冲突的情况下，可以与其它实施例结合。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对专利保护范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请的保护范围应以所附权利要求为准。

Claims (11)

1.一种机动车过车警示方法，其特征在于，所述方法包括：
获取目标交通场景下的目标视频，其中，所述目标视频中包含至少一辆机动车和目标车道；
获取所述目标视频中目标机动车的车辆属性，所述目标机动车包括所述至少一辆机动车中行驶于所述目标车道内的机动车；
获取所述目标机动车对应的雷达数据，其中，所述雷达数据包含所述目标机动车的行驶信息；
根据所述车辆属性和所述行驶信息，确定所述目标机动车是否符合车辆警示条件。
2.根据权利要求1所述的机动车过车警示方法，其特征在于，所述获取所述目标视频中目标机动车的车辆属性包括：
基于目标检测算法，判断所述目标视频中的机动车是否行驶于所述目标车道内，若是，则将所述机动车设置为目标机动车，并获取所述目标机动车的车辆属性。
3.根据权利要求2所述的机动车过车警示方法，其特征在于，所述目标车道基于所述目标视频中预先配置的车道线确定，所述基于目标检测算法，判断所述目标视频中的机动车是否行驶于所述目标车道内，包括：
将所述目标视频输入预设的目标检测模型，获得所述机动车的关键点信息；
根据所述关键点信息计算所述机动车的车头投影中心点；
根据所述车头投影中心点与所述车道线的位置关系，确定所述机动车是否行驶于所述目标车道内。
4.根据权利要求1所述的机动车过车警示方法看，其特征在于，所述获取所述目标机动车对应的雷达数据，包括：
获取所述目标交通场景下的雷达数据；
通过图像标定算法将所述目标交通场景下的雷达数据关联到所述目标视频中对应的目标机动车，得到所述目标机动车对应的雷达数据。
5.根据权利要求4所述的机动车过车警示方法，其特征在于，所述通过图像标定算法将所述目标交通场景下的雷达数据关联到所述目标视频中对应的目标机动车，包括：
通过所述图像标定算法将所述目标视频中的图像数据映射为鸟瞰图，根据所述鸟瞰图将所述雷达数据关联到对应的所述目标机动车上。
6.根据权利要求1所述的机动车过车警示方法，其特征在于，所述目标机动车的车辆属性包括车牌属性和车型属性，所述获取所述目标视频中目标机动车的车辆属性，包括：
获取所述目标机动车的目标机动车图像，利用车牌检测方法对目标机动车图像进行处理，获得所述目标机动车的车牌图像；
利用车牌识别算法对所述车牌图像进行处理，得到所述目标机动车的车牌属性；
利用车型识别算法对所述目标机动车图像进行处理，获得所述目标机动车的车型属性。
7.根据权利要求1所述的机动车过车警示方法，其特征在于，在根据所述车辆属性和所述行驶信息，确定所述目标机动车符合车辆警示条件的情况下，所述方法还包括：
基于视频跟踪算法确定所述目标机动车的标识信息；
在目标交通场景下，按照所述标识信息为每辆目标机动车生成警示信息。
8.一种机动车过车警示装置，其特征在于，包括：获取模块、判断模块、雷视关联模块以及警示模块，其中：
所述获取模块，用于获取目标交通场景下的目标视频，其中，所述目标视频中包含至少一辆机动车和目标车道；
所述判断模块，用于获取所述目标视频中目标机动车的车辆属性，所述目标机动车包括所述至少一辆机动车中行驶于所述目标车道内的机动车；
所述雷视关联模块，用于获取所述目标机动车对应的雷达数据，其中，所述雷达数据包含所述目标机动车的行驶信息；
所述警示模块，用于根据所述车辆属性和所述行驶信息，确定所述目标机动车是否符合车辆警示条件。
9.一种电子装置，包括存储器和处理器，其特征在于，所述存储器中存储有计算机程序，所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述方法的步骤。
10.一种计算机设备，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，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述方法的步骤。
11.一种计算机可读存储介质，其特征在于，所述存储介质中存储有计算机程序，其中，所述计算机程序被设置为运行时执行权利要求1至7中任一项所述方法的步骤。
CN202110756947.5A 2021-07-05 2021-07-05 机动车过车警示方法、装置、电子装置和计算机设备 Pending CN113688662A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110756947.5A CN113688662A (zh) 2021-07-05 2021-07-05 机动车过车警示方法、装置、电子装置和计算机设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110756947.5A CN113688662A (zh) 2021-07-05 2021-07-05 机动车过车警示方法、装置、电子装置和计算机设备

Publications (1)

Publication Number Publication Date
CN113688662A true CN113688662A (zh) 2021-11-23

Family

ID=78576650

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110756947.5A Pending CN113688662A (zh) 2021-07-05 2021-07-05 机动车过车警示方法、装置、电子装置和计算机设备

Country Status (1)

Country Link
CN (1) CN113688662A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114627409A (zh) * 2022-02-25 2022-06-14 海信集团控股股份有限公司 一种车辆异常变道的检测方法及装置

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114627409A (zh) * 2022-02-25 2022-06-14 海信集团控股股份有限公司 一种车辆异常变道的检测方法及装置

Similar Documents

Publication Publication Date Title
CN113284366B (zh) 车辆盲区预警方法、预警装置、mec平台和存储介质
US10839694B2 (en) Blind spot alert
Mukhtar et al. Vehicle detection techniques for collision avoidance systems: A review
CN108638999B (zh) 一种基于360度环视输入的防碰撞预警***及方法
US7366325B2 (en) Moving object detection using low illumination depth capable computer vision
CN107341454B (zh) 一种场景中障碍物的检测方法及装置、电子设备
Wu et al. Applying a functional neurofuzzy network to real-time lane detection and front-vehicle distance measurement
CN112084232B (zh) 基于目标他车视野信息的车辆行驶风险评估方法及装置
US20170309181A1 (en) Apparatus for recognizing following vehicle and method thereof
CN112172663A (zh) 一种基于开车门的危险报警方法及相关设备
CN106314424B (zh) 基于汽车的超车辅助方法、装置及汽车
CN110033621B (zh) 一种危险车辆检测方法、装置及***
Lee et al. Nighttime data augmentation using GAN for improving blind-spot detection
WO2009101660A1 (ja) 車両周辺監視装置、車両、車両周辺監視プログラム
CN112937445B (zh) 360°车辆安全辅助方法及车载***
Cualain et al. Multiple-camera lane departure warning system for the automotive environment
Choi et al. Cut-in vehicle warning system exploiting multiple rotational images of SVM cameras
CN112699862B (zh) 图像数据处理方法、装置、设备和存储介质
CN113688662A (zh) 机动车过车警示方法、装置、电子装置和计算机设备
CN112183206B (zh) 一种基于路侧单目摄像头的交通参与者定位方法和***
CN110727269A (zh) 车辆控制方法及相关产品
CN113661093A (zh) 驾驶员辅助方法和设备
CN112660121A (zh) 隐患车辆的识别预警方法、装置、车载终端和存储介质
CN118273628A (zh) 车辆开门预警的方法和装置
CN114898325B (zh) 一种车辆危险变道检测方法、装置及电子设备

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