CN113869258A - 交通事件检测方法、装置、电子设备及可读存储介质 - Google Patents

Abstract

本发明提供的交通事件检测方法、装置、电子设备及可读存储介质，方法包括：根据获取的多张帧图像来识别视频采集装置拍摄该多张帧图像时的拍摄状态是静止状态还是运动状态，若拍摄状态是静止状态，则对帧图像进行目标检测与跟踪，以及道路检测，确定帧图像中出现的目标对应的交通事件类型，若拍摄状态是运动状态，则获得新的帧图像来确定拍摄状态，直到确定拍摄状态为静止状态后，对新的帧图像进行目标检测与跟踪，以及道路检测，确定新的帧图像中出现的目标对应的交通事件类型，整个交通事件确定过程中不仅避免了动态拍摄对检测结果的影响，还进行了道路检测，能够更全面的确定交通事件类型，以此实现增加检测结果的准确性和种类的效果。

Description

交通事件检测方法、装置、电子设备及可读存储介质

技术领域

本发明涉及智能安防技术领域，具体而言，涉及一种交通事件检测方法、装置、电子设备及可读存储介质。

背景技术

随着城市道路交通量的不断增加，交通事故明显上升，智能云警***应运而生，它是指后端服务平台通过拉取现有道路上摄像头的网络视频流进行交通违法检测，有效提高安防工作效率。

目前，现有的智能云警***通过云台摄像机获得的监控视频来检测交通事件，其中，云台摄像机可以操作改变监视角度，从而可以获得各种情况下的监控视频，但是，现有的交通事件检测方法中通常不能识别云台摄像机的摄像状态，容易造成误判或者漏判，导致检测结果不准确、不全面。

发明内容

本发明的目的之一在于提供一种交通事件检测方法、装置、电子设备及可读存储介质，用于提高交通事件检测结果的准确性和全面性。

本发明的实施例可以这样实现：

第一方面，本发明提供一种交通事件检测方法，所述方法包括：获取多张帧图像，所述多张帧图像来自同一个视频采集装置；根据所述多张帧图像，识别所述视频采集装置拍摄所述多帧图像时的拍摄状态是静止状态还是运动状态；若所述拍摄状态是静止状态，则对所述帧图像进行目标检测与跟踪，以及道路检测，确定所述帧图像中出现的目标对应的交通事件类型；若所述拍摄状态是运动状态，则获得新的帧图像来确定所述拍摄状态，直到确定所述拍摄状态为所述静止状态后，对所述新的帧图像进行目标检测与跟踪，以及道路检测，确定所述新的帧图像中出现的目标对应的交通事件类型。

第二方面，本发明提供一种交通事件检测装置，包括：获取模块，用于获取多张帧图像，所述多张帧图像来自同一个视频采集装置；识别模块，用于根据所述多张帧图像，识别所述视频采集装置的拍摄状态是静止状态还是运动状态；检测模块，用于若所述拍摄状态是静止状态，则对所述帧图像进行目标检测与跟踪，以及道路检测，确定所述帧图像中出现的目标对应的交通事件类型；所述识别模块，还用于若所述拍摄状态是运动状态，则获得新的帧图像来确定所述拍摄状态，直到确定所述拍摄状态为所述静止状态后，所述检测模块，还用于对所述新的帧图像进行目标检测与跟踪，以及道路检测，确定所述新的帧图像中出现的目标对应的交通事件类型。

第三方面，本发明提供一种电子设备，包括处理器和存储器，所述存储器存储有能够被所述处理器执行的计算机程序，所述处理器可执行所述计算机程序以实现第一方面所述的交通事件检测方法。

第四方面，本发明提供一种可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现第一方面所述的交通事件检测方法。

本发明提供的一种交通事件检测方法、装置、电子设备及可读存储介质，方法包括：通过获取多张帧图像，多张帧图像来自同一个视频采集装置，来识别视频采集装置拍摄多帧图像时的拍摄状态是静止状态还是运动状态，以此来避免可能出现的动态拍摄对检测结果的影响，若拍摄状态是静止状态，则对帧图像进行目标检测与跟踪，以及道路检测，确定帧图像中出现的目标对应的交通事件类型，若拍摄状态是运动状态，则获得新的帧图像来确定拍摄状态，直到确定拍摄状态为静止状态后，对新的帧图像进行目标检测与跟踪，以及道路检测，确定新的帧图像中出现的目标对应的交通事件类型，整个交通事件确定的过程中，不仅对目标进行了检测和跟踪，还进行了道路检测，进而可以根据道路检测、检测和跟踪的结果来确定交通事件类型，能够更全面的确定交通事件类型，以此实现增加检测结果的准确性和种类的效果。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，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相关的附图。

图1为一种智能云警***的架构图；

图2为现有的一种交通事件检测方法的实现框架图；

图3为本发明实施例提供的交通事件检测方法的示意性流程图；

图4为本发明实施例提供的步骤S302的一种可能的实施方式的示意性流程图；

图5为本发明实施提供的一种场景示例图；

图6为本发明实施例提供的步骤S302-4的实现方式的示意性流程图；

图7为本发明实施例提供的步骤303的一种实现方式的示意性流程图；

图8为本发明实施例提供的交通事件检测装置的功能模块图；

图9为本发明实施例提供的一种电子设备的方框示意图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例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。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。

因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。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。

应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。

此外，若出现术语“第一”、“第二”等仅用于区分描述，而不能理解为指示或暗示相对重要性。

需要说明的是，在不冲突的情况下，本发明的实施例中的特征可以相互结合。

在介绍本发明实施例之前，先就本发明实施例涉及的名词进行解释。

智能云警：是指后端服务平台通过拉取现有道路上摄像头的网络视频流进行交通事件检测，并在检测到有非正常交通事件手进行报警。

非正常交通事件：是指一些与交通规则不符的交通事件，例如占用应急车道、非正常变道、压线行驶、异常停车、交通拥堵等事件。

云台摄像机：是指带有云台的摄像机。它带有承载摄像机进行转动的装置，能使摄像机从多个角度进行摄像，是主要的视频采集设备。

目前，智能云警***已经广泛应用于智能安防领域，用于辅助人车轨迹关联分析和各类交通事件判定，请参见图1，图1为一种智能云警***的架构图，该智能云警***可以包括：可以包括网络10、服务器20和至少一种视频采集装置30。

其中：网络10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。

服务器20可以但不限于是一台具有数据处理能力的服务器、或若干台具有数据处理能力的服务器组成的服务器集群，本发明实施例提供的交通事件检测方法可以应用在服务器20上。

视频采集装置30可以但不限于是云台摄像机和固定摄像机，可以设置在城市道路附近，用以拍摄行人、车辆等监控视频。

示例性地，视频采集装置30可以将监控视频发送给服务器20，服务器获得监控视频后，可以对监控视频进行处理和分析，以实现判定目标正在发生的交通事件。

继续以图1所示的***架构为例，请参见图2，图2为现有的一种交通事件检测方法的实现框架图，可以看出，现有的交通事件检测方法，对获得的图片数据直接进行目标检测，并在区分了车辆区域和行人区域之后，分别判定这两个区域内的目标是否有停车事件、逆行事件或者行人事件。

从上述实现流程可知，一方面，现有技术忽略了视频采集装置的运动状态对交通事件判定结果的影响，例如,当云台转动的时候，车辆在正向行驶，却在图像画面中是逆向行驶的，这会造成交通事件误判；当云台转动时，车辆是停止的应该判定非正常停车，但是在图像画面中车辆却是运动的，这会造成交通事件漏判。另一方面，现有技术没有结合道路信息来判定交通事件类型，导致能够识别的交通事件类型有限，不能全面判定各类目标对应的交通事件。

为了解决上述问题，本发明实施例提供了一种交通事件检测方法，请参见图3，图3为本发明实施例提供的交通事件检测方法的示意性流程图，该方法包括：

S301，获取多张帧图像。

其中，该多张帧图像来自同一个视频采集装置。

S302，根据多张帧图像，识别视频采集装置拍摄多帧图像时的拍摄状态是静止状态还是运动状态。

本实施例中，拍摄状态是指视频采集装置在进行视频拍摄过程中，拍摄角度的变化情况，若拍摄角度一直在改变，则表明拍摄状态为运动状态，若拍摄角度始终不变，则表明拍摄状态为静止状态。

例如，若视频采集装置为云台摄像机，那么在拍摄过程中，可能因为拍摄需求需要转动云台，从而导致拍摄角度发生改变，因此，上述多张帧图像可能是云台摄像机静态拍摄的，也可能是动态拍摄的；若视频采集装置为固定摄像机，则拍摄角度一直不变，因此，可以认为上述多张帧图像是固定摄像机静态拍摄的。

可以理解的是，若拍摄状态为运动状态，可能会导致拍摄的图像中目标的动作与实际动作不符，从而影响后续交通事件类型的判定结果，因此，本发明实施例首先根据获得的帧图像来识别视频采集装置的拍摄状态，进而根据识别结果执行不同的处理流程，以此来避免因动态拍摄导致后续检测结果不准确的问题。

S303，若拍摄状态是静止状态，则对帧图像进行目标检测与跟踪，以及道路检测，确定帧图像中出现的目标对应的交通事件类型。

S304，若拍摄状态是运动状态，则获得新的帧图像来确定拍摄状态，直到确定拍摄状态为静止状态后，对新的帧图像进行目标检测与跟踪，以及道路检测，确定新的帧图像中出现的目标对应的交通事件类型。

一方面，若拍摄状态是静止状态，表明帧图像中的目标正在发生的动作与实际动作相符合，因此可以直接执行后续确定交通事件类型的处理流程，进而获得全面、准确的检测结果。

另一方面，若拍摄状态是运动状态，则表明帧图像中的目标正在发生的动作可能与实际动作不符合，例如以云台摄像机拍摄的图像为例，车辆正向行驶，由于云台转动，在图像画面中车辆是逆向行驶的，或者，车辆是停止的，由于云台转动，在图像画面中车辆却是运动的。为了避免这种情况对检测结果的影响，因此在识别到拍摄状态是运动状体后，不执行确定交通事件类型的处理流程，而是重新获得帧图像，再次识别拍摄状态，直到在拍摄状态为静止状态时才执行确定交通事件类型的处理流程。

本发明实施例提供的交通事件检测方法，与现有技术的区别在于，现有技术直接根据获得的图像来进行检测，而本发明实施例在获得图像之后，先识别视频采集装置的拍摄状态，在确定视频采集装置是静态拍摄后才执行后续的交通事件确定流程，以此来避免可能出现的动态拍摄对检测结果的影响；进而，现有技术在进行交通事件判定的过程中，仅仅以及检测和跟踪结果来判定交通事件类型，使得检测结果不全面，而本发明实施例在确定交通事件类型的过程中，不仅对目标进行了检测和跟踪，还进行了道路检测，进而可以根据道路信息、检测和跟踪信息来确定交通事件类型，能够更全面的确定交通事件类型，以此实现增加检测结果的准确性和种类的效果。

在一些可能的实现方式中，针对步骤S301，其中获得的多张帧图像可以是服务器对实时获得的监控视频流进行解码得到的，还可以是其他具有视频解码能力的设备实时传输给服务器的。

在一些可能的实现方式中，步骤S301中的帧图像数量可以根据实际的解码能力来确定，例如，每一秒可以解码25帧图像，则可以将这25帧图像全部拿来进行后续的状态识别和交通事件检测；帧图像的数量还可以由用户根据实际的需求自定义，此处不作限定。

可选地，为了降低计算耗时和复杂度，在获得多张帧图像之后，还可以执行以下流程：

对多张帧图像进行缩放处理，获得预设尺寸的多张帧图像。

可以理解的是，将获得的多帧图像缩放到预设尺寸，对最后整体的识别效果影响不大，而且缩小的后图像计算量减少，降低了计算耗时。例如：原图从尺寸为1920*1080，为了降低了计算耗时，可以将原图缩放处理至尺寸为480*270，即把图像的宽和高分别缩小到原来的1/4，缩放后的图像的计算量相比原图减少1/16。

可选地，在对多帧图像进行缩放处理之后，本发明实施例还给出了一种识别视频采集装置拍摄状态的实施方式，请参见图4，图4为本发明实施例提供的步骤S302的一种可能的实施方式的示意性流程图，其中步骤S302可以包括以下子步骤：

S302-1，根据多张帧图像的时序顺序，选择多张连续的目标帧图像，并将除目标帧图像以外的帧图像确定为检测帧图像。

本实施例中，目标帧图像的作用是识别视频采集装置的拍摄状态，检测帧图像的作用是在确定视频采集装置为静止状态时检测目标对应的交通事件。

其中，目标帧图像和检测帧图像的数量可以根据实际的需求自行定义，此处不作限定。例如，依次获取连续10张帧图像，可以将前9张帧图像作为目标帧图像，用来识别视频采集装置的拍摄状态，将第10帧图像作为检测帧图像，用来检测目标对应的交通事件。

S302-2，根据全部目标帧图像中同一个目标像素位置的像素值，为目标像素位置构建多个高斯模型。

其中，目标像素位置为目标帧图像中的任一个位置。

S302-3，遍历全部目标帧图像，获得每个目标像素位置对应的多个高斯模型。

可以理解的是，本实施例中的获得的多张帧图像的尺寸是相同的，也就是说，每个目标帧图像具有相同个像素位置，对于全部目标帧图像中同一个像素位置而言，将全部目标帧图像中位于该像素位置上的像素值进行统计分析，可以确定该像素位置的像素值分布呈高斯分布趋势，因此，针对每个像素位置，可以构建K个高斯分布模型，K优选为3个到5个。

本实施例中，构建的高斯模型的目的是在检测帧图像中匹配出前景像素点和背景像素点，进而可以结合前景像素点和背景像素点的占比快速确定视频采集装置的拍摄状态。

S302-4，将检测图像中目标像素位置上的像素值与目标像素位置对应的多个高斯模型进行匹配，获得检测图像对应的二值化图像。

其中，二值化图像中包括前景像素点和背景像素点，其中，前景像素点具有第一像素值，背景像素点具有第二像素值。

其中，第一像素值和第二像素值可以根据实际的需要自行选择，但选择原则是两种像素值的差异能够明显区分出前景和背景；例如，第一像素值为0，第二像素值为255。

S302-5，当前景像素点的数量与背景像素点的数量之间的比例大于或等于第一阈值，确定视频采集装置处于运动状态。

S302-6，当前景像素点的数量与背景像素点的数量之间的比例小于第一阈值，确定视频采集装置处于静止状态。

可以理解的是，本实施例的验证中，以云台摄像机为例，当云台稳定静止的时候，前景像素点和背景像素点的比例通常小于0.1.当云台转动时前景像素点和背景像素点比例通常大于0.1，因此，本发明实施例通过一张图像中前景像素点和背景像素点比例来判断视频采集装置是运动还是静止，实际使用过程中第一预设阈值为0.1。

为了方便理解上述流程步骤S302-1至步骤S302-6的实现流程，请参见图5，图5为本发明实施提供的一种场景示例图。

如图5所示，假设有2张目标帧图像，分别是A和B，1张检测帧图像C，其中，A、B、C的尺寸相同，都以4个像素点为例，每张图像中的像素位置如图所示，每个像素位置上的对应有像素值(此图中略去了像素值)。

首先，假设目标像素位置为(1,1)，根据A(1,1)和B(1,1)的像素值的高斯分布，假设构建了3个高斯模型，则有像素位置(1,1)对应高斯模型有：F1，F2，F3，以此类推，遍历完每个目标像素位置即(1,2)，(2,1)，(2,2,)都可以构建每个目标像素位置对应的3个高斯模型。

进而，针对检测帧图像C，可以依次将每个目标像素位置上的像素值与该目标像素位置对应的F1，F2，F3进行匹配，直到每个像素位置都匹配完，进而可以获得C对应的二值化图像。例如，将C(1,1)处的像素值与(1,1)对应F1，F2，F3分别进行匹配，以此类推，获得每个像素位置的匹配结果，根据匹配结果获得C对应的二值化图像。

最后，针对获得的二值化图像，假设(1,1)对应前景像素点，(1,2)、(2,1)，(2,2,)对应的背景像素点，那么前景像素点的数量与背景像素点的数量之间的比例为1/3,大于0.1，则确定视频采集装置处于运动状态。

通过上述实现流程，可以识别出视频采集装置的拍摄状态，进而可以根据识别结果执行步骤S302后续的不同流程，整个过程只需要利用获得的多帧图像进行识别，能够迅速、准确地识别出拍摄状态，从而可以保证后续检测结果的准确性。

可选地，由上述内容可以看到，在匹配过程中，需要根据匹配结果生成最终的二值化图像，进而根据图像中前景像素点和背景像素点比例来判断视频采集装置是运动还是静止，下面就如何进行匹配给出一种可能的实施方式，请参见图6，图6为本发明实施例提供的步骤S302-4的实现方式的示意性流程图，其中步骤S302可以包括：

S302-4-1，将检测图像中位于目标像素位置的像素值依次输入目标像素值对应的多个高斯模型中，输出每个高斯模型对应的匹配结果。

S302-4-2，若存在一个匹配结果，与匹配结果对应的高斯模型的均值之间的差值小于第二阈值，则将检测图像中位于目标像素位置上的像素值更新为第二像素值。

S302-4-3，若每个匹配结果与匹配结果对应的高斯模型的均值的差值均大于第二阈值，则将检测图像中位于目标像素位置上的像素值更新为第一像素值。

本实施例中，第二阈值是判断在目标像素位置处，像素值波动是否较大的依据，可以认为，若匹配结果对应的高斯模型的均值之间的差值小于第二阈值，则表明在目标像素位置，像素值变动较小，进一步可以认为在目标像素位置的背景没有变动，侧面反映出视频采集装置没有移动，处于静止状态；反之，若差值大于获等于第二阈值，则表明在目标像素位置，像素值变动较大，可以认为在目标像素位置的背景变动较大，侧面反映出视频采集装置在移动。

S302-4-4，根据更新后的检测图像，获得二值化图像。

例如，请继续参见图5，假设目标像素位置为C(1,1)的像素值为X，F1，F2和F3各自对应的均值分别为_σ1，_σ2和_σ3，第二阈值为2.5。

将X输入到F1，F2和F3中，输出匹配结果记为F1(X)，F2(X)和F3(X)，分别计算F1(X)与_σ1、F2(X)与_σ2以及F3(X)与_σ3之间的差值。

如果其中一个差值小于2.5，则说明在像素位置(1,1)处的像素值波动不大，该像素位置对应的拍摄对象没有变动，从侧面反映出视频采集装置没用移动，处于静止状态，则将像素位置(1,1)处的像素值更新为0；

如果全部差值均大于2.5，则说明在像素位置(1,1)处的像素值波动较大，从侧面反映出视频采集装置在移动，处于运动状态，则将像素位置(1,1)处的像素值更新为255。以此类推，更新完C中每个像素位置的像素值后，就获得对应的二值化图像。

结合现实情况，通过上述目标像素位置的像素值的波动情况来侧面反映视频采集装置是否移动，识别结果具有一定的参考意义和准确性。

可选地，由上述步骤S302-4-3可知，可能会出现全部差值均大于第二阈值的情况中，这说明当前像素位置对应的某些高斯模型已经不适用于后续检测过程了，因此，在这种情况下，还可以根据获得的差值来更新波动较大的高斯模型，以此来保证后续匹配结果的准确性，因此，下面还给出一种更新高斯模型可能的实施方式，即：

根据全部差值中的最大差值，更新最大差值对应的高斯模型。

可以理解的是，在更新高斯模型的过程中，可以结合最大差值以及现有的机器学习方法，重新学习出该像素位置对应的高斯模型，这样一下，在后续像素位置的匹配过程中，可以用更新后的高斯模型来进行匹配，从而保证匹配结果的准确性。

可选地，前面介绍了如何识别视频采集装置的拍摄状态的实施方式，只有拍摄状态处于静止状态，才进行目标检测与跟踪，以及道路检测，从而结合目标检测与跟踪的结果和道路检测结果，更加全面、准确的确定目标对应的交通事件类型，因此，下面将给出具体如何确定交通事件类型的实施方式，请参见图7，图7为本发明实施例提供的步骤303的一种实现方式的示意性流程图，其中包括：

S303-1，对帧图像进行目标检测和跟踪，获得目标的位置。

S303-2，对帧图像进行道路检测，获得帧图像中出现的道路信息。

S303-3，根据位置和道路信息，确定目标对应交通事件类型。

针对步骤S303-1和步骤303-2，目标可以是当前图像中的行人、机动车、非机动车等，可以通过现有任意一种深度学习方法获得目标检测与跟踪模型和道路感知模型，这样可以快速、准确的得到的目标的位置信息和道路信息，进而保证后续交通事件的检测结果的准确性。

其中，道路信息可以但不限于是：交通标识线，例如车道线、导流线、斑马线等；道路类型，例如应急车道、人行道、机动车道等。

下面根据不同的道路信息，针对步骤303-3，给出几种确定交通事件类型的实施方式：

在一种可能的实施方式中，可以确定目标是否占用预先定义的禁止占用的道路，则步骤303的实现流程可以如下：

根据道路信息，确定目标所在道路的类型。

判断所在道路的类型是否为禁止占用的道路类型且位置信息与所在道路的位置区域重合。

若是，则确定目标对应非正常交通类型。

例如，假设禁止占用的道路类型为应急车道，则当目标的位置与应急车道的位置区域重合，则可以确定目标正在发生非正常交通事件。

在另一种实施方式中，还可以确定目标是否跨越预先定义的禁止跨越的道路线，则步骤303的实现流程还可以如下：

根据位置，获得目标所在的第一道路和第一道路，其中，该目标在第一道路的时间与在第二道路的时间的差值在预设时长内；

根据道路信息，获得第一道路和第二道路之间的道路线类型。

若道路线类型为禁止跨越的道路线类型，则确定目标对应非正常交通类型。

例如，假设禁止占用的道路线类型为实线，目标在第一道路的时间与在第二道路的时间的差值在预设时长内，表征目标在预设时长内进行了变道，跨越了实线，则可以确定目标正在发生非正常交通事件。

在另一种实施方式中，还可以确定目标是否压线行驶，则步骤303的实现流程还可以如下：

根据道路信息，获得检测出来的道路线的位置和交通标识线的位置。

判断该目标的位置与道路线位置和交通标识线的位置是否重合。

若重合，则确定目标对应的非正常交通类型。

通过上述检测流程，本发明实施例可以自动获取道路信息，例如车道种类、车道线、交通标识线等。基于这些信息结合行人、机动车、非机动车目标的信息能完成相关事件的检测，从而实现提高了非正常交通事件的检出率和准确率。

为了实现上述实施例中的各个步骤以实现相应的技术效果，本发明实施例提供的交通事件检测方法可以在硬件设备或者以软件模块的形式实现中执行，当交通事件检测方法以软件模块的形式实现时，本发明实施例还提供一种交通事件检测装置，请参见图8，图8为本发明实施例提供的交通事件检测装置的功能模块图，该交通事件检测装置400可以包括：

获取模块410，用于获取多张帧图像，所述多张帧图像来自同一个视频采集装置；

识别模块420，用于根据所述多张帧图像，识别所述视频采集装置的拍摄状态是静止状态还是运动状态；

检测模块430，用于若所述拍摄状态是静止状态，则对所述帧图像进行目标检测与跟踪，以及道路检测，确定所述帧图像中出现的目标对应的交通事件类型；

所述识别模块420，还用于若所述拍摄状态是运动状态，则获得新的帧图像来确定所述拍摄状态，直到确定所述拍摄状态为所述静止状态后，所述检测模块430，还用于对所述新的帧图像进行目标检测与跟踪，以及道路检测，确定所述新的帧图像中出现的目标对应的交通事件类型。

可以理解的是，获取模块410、识别模块420和检测模块430可以协同地执行图3中的步骤以实现相应的技术效果。

在一些可能的实施方式中，识别模块420可以用来执行图4、图6中的各个步骤以实现相应地技术效果。

在一些可能的实施方式中，检测模块430可以用来执行图7中的各个步骤以及图7中步骤S303对应的各种实现流程，以实现相应地技术效果。

在一些可能的实施方式中，该交通事件检测装置400还可以包括预处理模块，用于对所述多张帧图像进行缩放处理，获得预设尺寸的所述多张帧图像。

在一些可能的实施方式中，该交通事件检测装置400还可以包括更新模块，用于根据全部所述差值中的最大差值，更新所述最大差值对应的高斯模型。

需要说明的是，本发明实施例还的交通事件检测装置400中的各个功能模块可以软件或固件(Firmware)的形式存储于存储器中或固化于电子设备的操作***(OperatingSystem，OS)中，并可由电子设备中的处理器执行。同时，执行上述模块所需的数据、程序的代码等可以存储在存储器中。

因此，本发明实施例还提供一种电子设备，该电子设备可以是图1所示的服务器20，或者是其他具有数据处理功能的电子设备，本发明不做限定。

如图9，图9为本发明实施例提供的一种电子设备的方框示意图。该电子设备50包括通信接口501、处理器502和存储器503。该处理器502、存储器503和通信接口501相互之间直接或间接地电性连接，以实现数据的传输或交互。例如，这些元件相互之间可通过一条或多条通讯总线或信号线实现电性连接。存储器503可用于存储软件程序及模块，如本发明实施例所提供的交通事件检测方法对应的程序指令/模块，处理器502通过执行存储在存储器503内的软件程序及模块，从而执行各种功能应用以及数据处理。该通信接口501可用于与其他节点设备进行信令或数据的通信。在本发明中该电子设备50可以具有多个通信接口501。

其中，存储器503可以是但不限于，随机存取存储器(RandomAccess Memory，RAM)，只读存储器(Read Only Memory，ROM)，可编程只读存储器(Programmable Read-OnlyMemory，PROM)，可擦除只读存储器(Erasable Programmable Read-Only Memory，EPROM)，电可擦除只读存储器(Electric Erasable Programmable Read-Only Memory，EEPROM)等。

处理器502可以是一种集成电路芯片，具有信号处理能力。该处理器可以是通用处理器，包括中央处理器(Central Processing Unit，CPU)、网络处理器(NetworkProcessor，NP)等；还可以是数字信号处理器(Digital Signal Processing，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(Field－Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。

本发明实施例还提供一种可读存储介质，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前述实施方式中任一项的交通事件检测方法。该计算机可读存储介质可以是，但不限于，U盘、移动硬盘、ROM、RAM、PROM、EPROM、EEPROM、磁碟或者光盘等各种可以存储程序代码的介质。

以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以所述权利要求的保护范围为准。

Claims (12)

1.一种交通事件检测方法，其特征在于，所述方法包括：

获取多张帧图像，所述多张帧图像来自同一个视频采集装置；

根据所述多张帧图像，识别所述视频采集装置拍摄所述多张帧图像时的拍摄状态是静止状态还是运动状态；

若所述拍摄状态是静止状态，则对所述帧图像进行目标检测与跟踪，以及道路检测，确定所述帧图像中出现的目标对应的交通事件类型；

若所述拍摄状态是运动状态，则获得新的帧图像来确定所述拍摄状态，直到确定所述拍摄状态为所述静止状态后，对所述新的帧图像进行目标检测与跟踪，以及道路检测，确定所述新的帧图像中出现的目标对应的交通事件类型。

2.根据权利要求1所述的交通事件检测方法，其特征在于，根据所述多张帧图像，识别所述视频采集装置拍摄所述多张帧图像时的拍摄状态是静止状态还是运动状态，包括：

根据所述多张帧图像的时序顺序，选择多张连续的目标帧图像，并将除所述目标帧图像以外的帧图像确定为检测图像；

根据全部所述目标帧图像中同一个目标像素位置的像素值，为所述目标像素位置构建多个高斯模型；所述目标像素位置为所述目标帧图像中的任一个位置；

遍历全部所述目标帧图像，获得每个所述目标像素位置对应的多个高斯模型；

将检测图像中目标像素位置上的像素值与所述目标像素位置对应的多个高斯模型进行匹配，获得检测图像对应的二值化图像；其中，所述二值化图像中包括前景像素点和背景像素点；所述前景像素点具有第一像素值；所述背景像素点具有第二像素值；

当所述前景像素点的数量与所述背景像素点的数量之间的比例大于或等于第一阈值，确定所述视频采集装置处于运动状态；

当所述前景像素点的数量与所述背景像素点的数量之间的比例小于所述第一阈值，确定所述视频采集装置处于静止状态。

3.根据权利要求2所述的交通事件检测方法，其特征在于，将所述检测图像与每个所述目标像素位置对应的多个高斯模型进行匹配，获得所述检测图像对应的二值化图像，包括：

将所述检测图像中位于所述目标像素位置的像素值依次输入所述目标像素位置对应的多个高斯模型中，输出每个所述高斯模型对应的匹配结果；

若存在一个匹配结果，与所述匹配结果对应的高斯模型的均值之间的差值小于第二阈值，则将所述检测图像中位于所述目标像素位置上的像素值更新为所述第二像素值；

若每个所述匹配结果与所述匹配结果对应的高斯模型的均值的差值均大于所述第二阈值，则将所述检测图像中位于所述目标像素位置上的像素值更新为所述第一像素值；

根据更新后的所述检测图像，获得所述二值化图像。

4.根据权利要求3所述的交通事件检测方法，其特征在于，在将所述检测图像中位于所述目标像素位置上的像素值更新为所述第一像素值之后，所述方法还包括：

根据全部所述差值中的最大差值，更新所述最大差值对应的高斯模型。

5.根据权利要求1所述的交通事件检测方法，其特征在于，在获取多张帧图像之后，还包括：

对所述多张帧图像进行缩放处理，获得预设尺寸的所述多张帧图像。

6.根据权利要求1所述的交通事件检测方法，其特征在于，若所述拍摄状态为静止状态，则对所述帧图像进行目标检测与跟踪，以及道路检测，确定所述帧图像中出现的目标对应的交通事件类型，包括：

对所述帧图像进行目标检测和跟踪，获得所述目标的位置；

对所述帧图像进行道路检测，获得所述帧图像中出现的道路信息；

根据所述位置和所述道路信息，确定所述目标对应交通事件类型。

7.根据权利要求6所述的交通事件检测方法，其特征在于，根据所述目标的位置和所述道路信息，确定所述目标对应交通事件类型，包括：

根据所述道路信息，确定所述目标所在道路的类型；

判断所在道路的类型是否为禁止占用的道路类型且所述位置是否与所在道路的位置区域重合；

若是，则确定所述目标对应非正常交通类型。

8.根据权利要求6所述的交通事件检测方法，其特征在于，根据所述目标的位置和所述道路信息，确定所述目标对应交通事件类型，包括：

根据所述位置，获得目标所在的第一道路和第二道路，其中，所述目标在所述第一道路的时间与在所述第二道路的时间的差值在预设时长内；

根据道路信息，获得所述第一道路和所述第二道路之间的道路线类型；

若所述道路线类型为禁止跨越的道路线类型，则确定目标对应非正常交通类型。

9.根据权利要求6所述的交通事件检测方法，其特征在于，所述目标的位置和所述道路信息，确定所述目标对应交通事件类型，包括：

根据所述道路信息，获得检测出来的道路线的位置和交通标识线的位置；

判断所述目标的位置与所述道路线的位置和交通标识线的位置是否重合；

若重合，则确定所述目标对应的非正常交通类型。

10.一种交通事件检测装置，其特征在于，包括：

获取模块，用于获取多张帧图像，所述多张帧图像来自同一个视频采集装置；

识别模块，用于根据所述多张帧图像，识别所述视频采集装置的拍摄状态是静止状态还是运动状态；

检测模块，用于若所述拍摄状态是静止状态，则对所述帧图像进行目标检测与跟踪，以及道路检测，确定所述帧图像中出现的目标对应的交通事件类型；

所述识别模块，还用于若所述拍摄状态是运动状态，则获得新的帧图像来确定所述拍摄状态，直到确定所述拍摄状态为所述静止状态后，所述检测模块，还用于对所述新的帧图像进行目标检测与跟踪，以及道路检测，确定所述新的帧图像中出现的目标对应的交通事件类型。

11.一种电子设备，其特征在于，包括处理器和存储器，所述存储器存储有能够被所述处理器执行的计算机程序，所述处理器可执行所述计算机程序以实现权利要求1-9任一项所述的交通事件检测方法。

12.一种可读存储介质，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1-9任一项所述的交通事件检测方法。

Images