CN115359658A - 交通事件的检测方法、装置、设备、存储介质及程序产品 - Google Patents
交通事件的检测方法、装置、设备、存储介质及程序产品 Download PDFInfo
- Publication number
- CN115359658A CN115359658A CN202210989463.XA CN202210989463A CN115359658A CN 115359658 A CN115359658 A CN 115359658A CN 202210989463 A CN202210989463 A CN 202210989463A CN 115359658 A CN115359658 A CN 115359658A
- Authority
- CN
- China
- Prior art keywords
- traffic
- detection
- data
- road area
- event
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 73
- 238000001514 detection method Methods 0.000 claims abstract description 284
- 230000008447 perception Effects 0.000 claims abstract description 68
- 238000012545 processing Methods 0.000 claims abstract description 28
- 238000012549 training Methods 0.000 claims description 45
- 230000002159 abnormal effect Effects 0.000 claims description 39
- 230000006399 behavior Effects 0.000 claims description 27
- 238000004458 analytical method Methods 0.000 claims description 24
- 206010000117 Abnormal behaviour Diseases 0.000 claims description 17
- 238000004590 computer program Methods 0.000 claims description 9
- 238000012216 screening Methods 0.000 claims description 5
- 206010039203 Road traffic accident Diseases 0.000 description 9
- 238000010276 construction Methods 0.000 description 8
- 238000011144 upstream manufacturing Methods 0.000 description 8
- 238000013145 classification model Methods 0.000 description 7
- 238000005516 engineering process Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 238000004422 calculation algorithm Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 230000004927 fusion Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000012790 confirmation Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000007477 logistic regression Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000013179 statistical model Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
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
-
- 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
- G06V10/70—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
- 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
- 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
- G08G1/0129—Traffic data processing for creating historical data or processing based on historical data
-
- 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
- G08G1/0137—Measuring and analyzing of parameters relative to traffic conditions for specific applications
-
- 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
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/052—Detecting movement of traffic to be counted or controlled with provision for determining speed or overspeed
- G08G1/054—Detecting movement of traffic to be counted or controlled with provision for determining speed or overspeed photographing overspeeding vehicles
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Analytical Chemistry (AREA)
- Chemical & Material Sciences (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Databases & Information Systems (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Traffic Control Systems (AREA)
Abstract
本申请提供一种交通事件的检测方法、装置、设备、存储介质及程序产品,该方法包括:获取在目标道路区域内的感知数据,所述感知数据包括下述至少一项:在所述目标道路区域内各个车辆的行驶轨迹、所述目标道路区域的交通流数据;通过多个检测模型中的至少一个目标检测模型,对所述感知数据进行处理,得到各个检测模型对应的检测结果;根据各个检测结果,确定所述目标道路区域内的目标交通事件类型。本申请能够较准确地识别交通事件类型,进而能够及时、有效地减少事件所造成的损失。
Description
技术领域
本申请涉及智慧交通技术领域,尤其涉及一种交通事件的检测方法、装置、设备、存储介质及程序产品。
背景技术
交通事件自动检测(Automatic Incident Detection,AID)***是智能运输***(Intelligent Transportation System,ITS)的一个重要组成部分,借助于AID***,人们可以及早地发现高速公路上发生的交通事件,减少事件所造成的损失。
目前,交通事件自动检测方法,一般以交通流参数的变化来发现交通事件,但是多种交通事件的交通流相似性较高,无法识别出具体的交通事件类型。
因此,现有技术无法较准确地识别交通事件类型,进而无法及时、有效地减少事件所造成的损失。
发明内容
本申请实施例的主要目的在于提供一种交通事件的检测方法、装置、设备、存储介质及程序产品,能够较准确地识别交通事件类型,进而能够及时、有效地减少事件所造成的损失。
第一方面,本申请实施例提供一种交通事件的检测方法,包括:
获取在目标道路区域内的感知数据,所述感知数据包括下述至少一项:在所述目标道路区域内各个车辆的行驶轨迹、所述目标道路区域的交通流数据;
通过多个检测模型中的至少一个目标检测模型,对所述感知数据进行处理,得到各个检测模型对应的检测结果;
根据各个检测结果,确定所述目标道路区域内的目标交通事件类型。
可选的,通过多个检测模型中的至少一个目标检测模型,对所述感知数据进行处理,得到各个检测模型对应的检测结果,包括:
根据所述感知数据,从所述多个检测模型中确定用于对所述感知数据进行处理的至少一个目标检测模型;所述多个检测模型包括轨迹异常检测模型、交通流异常检测模型;
根据各项感知数据,分别通过相应的目标检测模型,得到各项感知数据对应的检测结果。
可选的,根据各项感知数据,分别通过相应的目标检测模型,得到各项感知数据对应的检测结果,包括:
若所述感知数据包括行驶轨迹,则将各个车辆的行驶轨迹输入到轨迹异常检测模型,得到行驶轨迹对应的检测结果;其中,行驶轨迹对应的检测结果包括由交通事件引起异常超速和/或异常变道的交通事件类型;
若所述感知数据包括交通流数据,则将所述交通流数据输入到交通流异常检测模型,得到交通流数据对应的检测结果;其中,交通流数据对应的检测结果包括由交通事件引起交通流异常的交通事件类型。
可选的,所述方法还包括:
若所述感知数据还包括视频流数据,且所述多个检测模型还包括视频流检测模型,则将视频流数据输入到视频流检测模型,得到视频流数据对应的检测结果;其中,视频流数据对应的检测结果为交通事件类型;
所述目标交通事件类型是由各项感知数据对应的检测结果筛选确定的。
可选的,所述方法还包括:
获取存在历史交通事件的多个道路区域中各个道路区域对应的交通事件类型;
获取同一道路区域内不同的摄像头下的各个历史车辆运行轨迹点,并将不同的摄像头下的同一历史车辆运行轨迹点进行串联,生成各个历史车辆的历史行驶轨迹;
根据各个道路区域对应的交通事件类型和各个道路区域内各个历史车辆的历史行驶轨迹构建训练样本,训练网络模型,得到所述轨迹异常检测模型。
可选的,根据各个道路区域对应的交通事件类型和各个道路区域内各个历史车辆的历史行驶轨迹和构建训练样本,训练网络模型,包括:
针对同一道路区域内各个训练样本,通过网络模型分析,确定同一道路区域内各个历史车辆是否存在超速行为和/或变道行为;
根据同一道路区域内存在超速行为和/或变道行为的车辆占比,确定同一道路区域内是否存在异常超速和/或异常变道的异常行为;
若存在异常行为,则根据同一道路区域内各个历史车辆的历史行驶轨迹,通过网络模型预测得到异常行为对应的交通事件类型;
根据同一道路区域对应的交通事件类型以及预测得到的交通事件类型,调整网络模型参数。
可选的,所述方法还包括:
若接收到上报事件数据,则根据上报事件数据,生成与所述上报事件数据关联的关联事件,所述关联事件用于表示由与所述上报事件数据匹配的交通事件类型引起的相关事件;
根据各个检测结果,确定所述目标道路区域内的目标交通事件类型,包括:
根据关联事件和各个检测结果,通过事件分析模型,得到所述目标交通事件类型。
第二方面,本申请实施例还提供一种交通事件的检测装置,所述装置包括:
数据获取模块,用于获取在目标道路区域内的感知数据,所述感知数据包括下述至少一项:在所述目标道路区域内各个车辆的行驶轨迹、所述目标道路区域的交通流数据;
第一检测模块,用于通过多个检测模型中的至少一个目标检测模型,对所述感知数据进行处理,得到各个检测模型对应的检测结果;
第二检测模型,用于根据各个检测结果,确定所述目标道路区域内的目标交通事件类型。
第三方面,本申请实施例提供一种电子设备,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,以使所述电子设备执行上述任一方面所述的方法。
第四方面,本申请实施例提供一种计算机可读存储介质,所述计算机可读存储介质中存储有计算机执行指令,当处理器执行所述计算机执行指令时,实现上述任一方面所述的方法。
第五方面,本申请实施例提供一种计算机程序产品,包括计算机程序,该计算机程序被处理器执行时实现上述任一方面所述的方法。
本申请实施例提供的交通事件的检测方法、装置、设备、存储介质及程序产品,可以通过获取在目标道路区域内的感知数据,所述感知数据包括下述至少一项:在所述目标道路区域内各个车辆的行驶轨迹、所述目标道路区域的交通流数据;进一步的,通过多个检测模型中的至少一个目标检测模型,对所述感知数据进行处理,得到各个检测模型对应的检测结果;进一步的,根据各个检测结果,确定所述目标道路区域内的目标交通事件类型。本申请可以采用行驶轨迹、交通流数据中至少一项,基于相应的检测模型进行初步检测分析,基于初步检测分析结果(即检测结果),确定最终检测结果(即目标交通事件类型),因此,通过行驶轨迹、交通流数据对交通事件类型的检测手段,相较于仅仅依靠交通流参数的变化来识别发生了事件,能够较准确地识别出交通事件类型,而不是只识别出发生了事件,进而能够及时、有效地减少事件所造成的损失。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本申请的实施例,并与说明书一起用于解释本申请的原理。
图1为本申请实施例提供的交通事件的检测方法的场景示意图;
图2为本申请实施例提供的交通事件的检测方法的流程示意图;
图3为本申请另一实施例提供的交通事件的检测方法的流程示意图;
图4为本申请再一实施例提供的交通事件的检测方法的流程示意图;
图5为本申请实施例提供的一种交通事件的检测装置的结构示意图;
图6为本申请实施例提供的一种电子设备的结构示意图。
通过上述附图,已示出本申请明确的实施例,后文中将有更详细的描述。这些附图和文字描述并不是为了通过任何方式限制本申请构思的范围,而是通过参考特定实施例为本领域技术人员说明本申请的概念。
具体实施方式
下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动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。
本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”“第四”等(如果存在)是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本申请的实施例还能够包括除了图示或描述的那些实例以外的其他顺序实例。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、***、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。目前,交通事件自动交通事件的检测方法,一般以交通流参数的变化来发现交通事件,但是多种交通事件的交通流相似性较高,无法识别出具体的交通事件类型。因此,现有技术无法较准确地识别交通事件类型,进而无法及时、有效地减少事件所造成的损失。
为了解决上述问题,本申请的发明构思为:采用多个检测模型,对行驶轨迹、交通流数据中至少一项感知数据进行处理,得到初步检测分析结果,预测出相应的感知数据对应的检测结果作为初步检测分析结果,然后基于各个初步检测分析结果,确定目标交通事件类型,不仅可以识别出发生了事件,并且能够较准确地识别出发生交通事件的交通事件类型,进而能够及时、有效地发布具体的交通事件,来减少事件所造成的损失。
图1为本申请实施例提供的交通事件的检测方法的场景示意图。该交通事件的检测方法的执行主体可以是终端设备或服务器,以服务器为例,可以实时监控某一或某些道路区域的交通路况,若某一或某些道路区域内发生异常交通路况,可以及时、准确地检测出引起异常交通路况的原因是否是有交通事件发生以及发生交通事件的交通事件类型。
示例性,在某一或某些道路区域的道路侧安装感知设备,比如某一或某些道路区域内某路段安装的摄像头,通过摄像头拍摄,可以获取某一或某些道路区域的感知数据,比如基于视频检测技术获取车辆感知数据、交通流数据以及视频感知数据,通过车辆感知数据还原车辆轨迹,生成行驶轨迹;还可以通过相关设备,比如事故车辆或路过交通事件现场的车辆上报数据;基于行驶轨迹、交通流数据、视频感知数据以及上报数据中至少一项,通过多个检测模型中的至少一个目标检测模型,各自检测分析出交通事件类型,再通过事件分析模型筛选出符合当前路况场景的目标交通事件类型。其中,基于上报数据可以生成关联事件,将关联事件结合多个检测模型分别检测的交通事件类型进行综合分析,得到目标交通事件类型。
具体地,感知数据包括至少一项数据,一个检测模型用于一项感知数据进行处理,基于感知数据,选择处理相应数据的检测模型,然后将感知数据分别输入到相应的检测模型中,得到相应的检测结果。因此,检测结果可以包括一个或多个。当包括一个的时候,检测结果即为目标交通事件类型,当包括多个的时候,检测结果通过筛选,得到目标交通事件类型。
因此,通过获取到的感知数据的不同,有不同的检测方式,具有多样化,能够较为全面地、准确地实现交通事件的检测。
下面以具体地实施例对本申请的技术方案进行详细说明。下面这几个具体的实施例可以相互结合,对于相同或相似的概念或过程可能在某些实施例中不再赘述。下面将结合附图,对本申请的实施例进行描述。
示例性地,图2为本申请实施例提供的交通事件的检测方法的流程示意图。本实施例可以应用于任意能够实现检测的装置,例如终端设备或服务器等。如图2所示,所述方法可以包括:
S201、获取在目标道路区域内的感知数据。其中,所述感知数据包括下述至少一项:在所述目标道路区域内各个车辆的行驶轨迹、所述目标道路区域的交通流数据。
本申请实施例中,通过安装在目标道路区域上的感知设备,可以获取该道路区域内的感知数据,比如,通过摄像头拍摄,可以获取该道路区域的车辆感知数据、交通流数据等。其中,可以通过车辆感知数据还原车辆轨迹,生成行驶轨迹。
S202、通过多个检测模型中的至少一个目标检测模型,对所述感知数据进行处理,得到各个检测模型对应的检测结果。
本申请实施例中,该检测结果可以用于表示预测的交通事件类型,比如交通事故、抛洒物、异常停车、施工等。
具体地,通过训练好的多个检测模型,针对不同的感知数据进行处理,预测出该项感知数据相应的检测结果,比如感知数据包括行驶轨迹,则将行驶轨迹输入到多个检测模型中用于处理行驶轨迹的检测模型,预测出行驶轨迹对应的交通事件类型;感知数据包括交通流数据,则将交通流数据输入到多个检测模型中用于处理交通流数据的检测模型,预测出交通流数据对应的交通事件类型。感知数据包括行驶轨迹和交通流数据,则将两项数据分别输入到相应的检测模型中,分别预测出行驶轨迹对应的交通事件类型和交通流数据对应的交通事件类型。因此,通过单一的检测模型或是多个检测模型均可以预测出交通事件类型,如果预测出多个交通事件类型,则可以通过筛选确定最终交通事件类型即目标交通事件类型。
S203、根据各个检测结果,确定所述目标道路区域内的目标交通事件类型。
本申请实施例中,如果检测结果为一个交通事件类型,则该交通事件类型可以作为目标交通事件类型;如果检测结果为至少两个交通事件类型,则通过权重计算或模型推理,确定目标交通事件类型。因此,通过一个检测模型或多个检测模型的检测结果进行融合,能够精准地识别交通事件类型。
因此,本申请实施例可以通过获取在目标道路区域内的感知数据,所述感知数据包括下述至少一项:在所述目标道路区域内各个车辆的行驶轨迹、所述目标道路区域的交通流数据;进一步的,通过多个检测模型中的至少一个目标检测模型,对所述感知数据进行处理,得到各个检测模型对应的检测结果;进一步的,根据各个检测结果,确定所述目标道路区域内的目标交通事件类型。本申请可以采用行驶轨迹、交通流数据中至少一项,基于相应的检测模型进行初步检测分析,基于初步检测分析结果(即检测结果),确定最终检测结果(即目标交通事件类型),因此,通过行驶轨迹、交通流数据对交通事件类型的检测手段,相较于仅仅依靠交通流参数的变化来识别发生了事件,能够较准确地识别出交通事件类型,而不是只识别出发生了事件,进而能够及时、有效地发布具体的交通事件,来减少事件所造成的损失。
可选的,通过多个检测模型中的至少一个目标检测模型,对所述感知数据进行处理,得到各个检测模型对应的检测结果,包括:
步骤a1、根据所述感知数据,从所述多个检测模型中确定用于对所述感知数据进行处理的至少一个目标检测模型;所述多个检测模型包括轨迹异常检测模型、交通流异常检测模型;
步骤a2、根据各项感知数据,分别通过相应的目标检测模型,得到各项感知数据对应的检测结果。
本申请实施例中,基于感知数据,选择处理相应数据的检测模型,然后将感知数据分别输入到相应的检测模型中,得到相应的检测结果。因此,检测结果可以包括一个或两个。当包括一个的时候,检测结果即为目标交通事件类型,当包括两个的时候,检测结果通过筛选,得到目标交通事件类型。
具体地,一个检测模型用于对一项感知数据进行处理,可以根据感知数据包括行驶轨迹和/或交通流数据,从多个检测模型中确定用于当前检测的目标检测模型。其中,多个检测模型包括轨迹异常检测模型、交通流异常检测模型,轨迹异常检测模型用于对行驶轨迹进行处理,交通流异常检测模型用于对交通流数据进行处理。即将行驶轨迹输入到轨迹异常检测模型,预测行驶轨迹对应的检测结果;将交通流数据输入到交通流异常检测模型,预测交通流数据对应的检测结果。
因此,通过获取到的感知数据的不同,有不同的检测方式,具有多样化,能够较为全面地、准确地实现交通事件的检测。
可选的,根据各项感知数据,分别通过相应的目标检测模型,得到各项感知数据对应的检测结果,包括:
步骤b1、若所述感知数据包括行驶轨迹,则将各个车辆的行驶轨迹输入到轨迹异常检测模型,得到行驶轨迹对应的检测结果;其中,行驶轨迹对应的检测结果包括由交通事件引起异常超速和/或异常变道的交通事件类型;
步骤b2、若所述感知数据包括交通流数据,则将所述交通流数据输入到交通流异常检测模型,得到交通流数据对应的检测结果;其中,交通流数据对应的检测结果包括由交通事件引起交通流异常的交通事件类型;
其中,交通事件类型包括下述至少一项:交通事故、抛洒物、异常停车、施工。交通事件类型还可以包括未发生实际交通事件的正常状态类型。
本申请实施例中,不同的感知数据,输入不同的检测模型中,不同的检测模型用于针对不同的感知数据来检测交通事件类型。通过采用轨迹异常检测模型和/或交通流异常检测模型,各自输出预测得到的检测结果,一个模型即可准确地检测出交通事件类型,两个模型检测时,会基于两个检测结果来综合分析,准确地检测出交通事件类型。
具体地,结合图3所示,图3为本申请另一实施例提供的交通事件的检测方法的流程示意图。如果感知数据包括行驶轨迹,则将各个车辆的行驶轨迹输入到训练好的轨迹异常检测模型中,预测出在目标道路区域内基于各个车辆的行驶轨迹是否存在异常行为,以及出现异常行为指向的交通事件类型,即由什么类型的交通事件导致该目标道路区域内车辆的异常行为。如果感知数据包括交通流数据,则将该目标道路区域的交通流数据输入到训练好的交通流异常检测模型中,预测出在目标道路区域内交通流数据是否存在异常,以及出现交通流异常指向的交通事件类型,即由什么类型的交通事件导致的交通流异常。然后基于两个检测结果来综合分析,准确地检测出目标交通事件类型。
可选的,所述方法还包括:
步骤c1、获取存在历史交通事件的多个道路区域中各个道路区域对应的交通事件类型;
步骤c2、获取同一道路区域内不同的摄像头下的各个历史车辆运行轨迹点,并将不同的摄像头下的同一历史车辆运行轨迹点进行串联,生成各个历史车辆的历史行驶轨迹;
步骤c3、根据各个道路区域对应的交通事件类型和各个道路区域内各个历史车辆的历史行驶轨迹构建训练样本,训练网络模型,得到所述轨迹异常检测模型。
本申请实施例中,轨迹异常检测模型的建模过程可以为:首先获取训练样本,样本的获取是基于还原的轨迹,即可以通过该目标道路区域内安装的多个摄像头拍摄的不同路段的视频,基于视频检测的车辆感知数据,如同一个摄像头下的相同车辆使用相同的id,不同摄像头之间的相同车辆可能id不同,因此,在不同摄像头下,按照相同的车辆特征(这里的车辆特征包括id、车牌、颜色、车身外观等),将不同的摄像头下的车辆运行轨迹点进行串联,生成对应的行驶轨迹;然后根据行驶轨迹以及对应的标签为交通事件类型作为样本,训练网络模型,得到轨迹异常检测模型。
由于轨迹能够直观地体现交通事件引起的变化,因此,通过轨迹和标记的交通事件类型为样本可以有效地细分出在获取的感知数据为行驶轨迹的场景下,检测出该目标道路区域发生了交通事件以及交通事件所属交通事件类型。
可选的,根据各个道路区域对应的交通事件类型和各个道路区域内各个历史车辆的历史行驶轨迹和构建训练样本,训练网络模型,包括:
步骤d1、针对同一道路区域内各个训练样本,通过网络模型分析,确定同一道路区域内各个历史车辆是否存在超速行为和/或变道行为;
步骤d2、根据同一道路区域内存在超速行为和/或变道行为的车辆占比,确定同一道路区域内是否存在异常超速和/或异常变道的异常行为;
步骤d3、若存在异常行为,则根据同一道路区域内各个历史车辆的历史行驶轨迹,通过网络模型预测得到异常行为对应的交通事件类型;
步骤d4、根据同一道路区域对应的交通事件类型以及预测得到的交通事件类型,调整网络模型参数。
本申请实施例中,异常换道和/或异常超速行为,都以历史交通事件为样本构建的对应分类模型。其中,每个样本可以包括车辆的行驶轨迹以及对应的交通事件类型,首先针对单一轨迹分析产生该轨迹的车辆是否有超速行为或者换道行为,然后针对同一道路区域内(即同一区间)多个轨迹(比如同一道路区域内相近时间点发生相同类型的交通事件的所有轨迹)统计分析是否有频繁的超速或者换道行为,比如同一道路区域内存在超速行为和/或变道行为的车辆占比大于预定义的占比阈值(比如0.95),则确定该道路区域内存在异常超速和/或异常变道的异常行为,如果确定存在异常行为,则采用该组样本,通过网络模型预测得到异常行为对应的交通事件类型。
为了使得构建的网络模型具有高精度和稳定性,首先通过网路模型分析出道路区域是存在异常超速和/或异常变道的异常行为,而不仅仅是个别车辆的超速行为和/或变道行为,在确定存在异常行为后,通过网络模型预测该异常应为对应的交通事件类型,基于标签和预测结果调整网络模型参数,不断迭代,直到训练结束。
可选的,所述方法还包括:
获取存在历史交通事件的多个道路区域中各个道路区域对应的交通事件类型以及交通流数据;其中,所述交通流数据包括交通流的速度、流量、上下游速度差、上下游流量差;
根据各个道路区域对应的交通事件类型和交通流数据构建训练样本,训练网络模型,得到所述交通流异常检测模型。
本申请实施例中,这些交通流变化是事件发生引起的和/或与事件发生有关系,如果检测到的交通流参数相对于时间或空间的变化大于某一程度,可以表示发生了事件。具体地,可以通过感知设备感知交通断面的宏观速度和流量数据,这里的速度可以包括交通流的速度、上下游速度差;流量可以包括交通流的流量、上下游流量差。
采用比较法、统计法、交通和理论模型法、低流量事件检测算法以及分类检测算法均可以实现对交通流数据的处理,判断交通事件是否发生以及发生的交通事件类型。以分类检测算法对应的分类模型为例,历史某类型事件和非事件分别为正负样本,交通流的速度、流量、上下游速度差、上下游流量差等为特征,引入逻辑回归、极端梯度提升(eXtremeGradient Boosting,XGB)等机器学习技术做分类模型,识别交通流异常以及引起异常的事件的交通事件类型。通过训练得到的交通流异常检测模型能够较准确地预测出交通事件类型。
可选的,所述方法还包括:
若所述感知数据还包括视频流数据,且所述多个检测模型还包括视频流检测模型,则将视频流数据输入到视频流检测模型,得到视频流数据对应的检测结果;
其中,视频流数据对应的检测结果为交通事件类型;所述目标交通事件类型是由各项感知数据对应的检测结果筛选确定的。
本申请实施例中,增加视频检测技术,如果感知数据中包括视频流数据,则将视频流输出输入到多个检测模型中的视频流检测模型中,预测出视频流对应的交通事件类型。
具体地,基于视频流检测模型的检测,结合了交通流检测和/或轨迹检测,相较于现有技术中仅仅使用视频图像处理方式,即利用图像处理技术来发现事件车辆的交通事件的检测方法,实际上是“看到”发生了交通事件,但是依赖于图像技术的精度,在复杂的场景下(比如被遮挡、视线(天气)等客观原因;比如施工:行人进入机动车道、施工车(车辆交通事故、故障)等现象),识别准确率较低,很难做到直接使用,多数情况需要专家做人工二次确认,该视频流检测与交通流检测和/或轨迹检测的结合更为精准,并且无需人工验证。
可选的,所述方法还包括:
获取存在历史交通事件的多个道路区域中各个道路区域对应的交通事件类型以及视频流数据;其中,所述视频流数据包括各个道路区域发生交通事件的视频图像;
根据各个道路区域对应的交通事件类型和视频图像构建训练样本,训练网络模型,得到所述视频流检测模型。
本申请实施例中,通过标定不同类型的事件视频图像,然后以深度学习,例如CNN模型,建立分类模型。为了避免同一交通事件的频繁报警,可以通过时间和空间,基于同一时间段内同一空间处发生的同一交通事件进行报警融合,输出相应类型的事件进行报警,可以将报警的交通事件类型作为训练样本的标签,将发生交通事件对应的视频图像作为训练样本的特征,训练网络模型,得到分类模型,该分类模型作为视频流检测模型。
可选的,所述方法还包括:
步骤e1、若接收到上报事件数据,则根据上报事件数据,生成与所述上报事件数据关联的关联事件,所述关联事件用于表示由与所述上报事件数据匹配的交通事件类型引起的相关事件;
步骤e2、根据各个检测结果,确定所述目标道路区域内的目标交通事件类型,包括:
步骤e3、根据关联事件和各个检测结果,通过事件分析模型,得到所述目标交通事件类型。
本申请实施例中,可以通过接入多源数据,包含但不限于事故数据、施工数据等,对接入的上报数据,按照时间和空间进行融合,不同类型的事件生成关联事件。比如,某个时间点在某个路段上发生交通事故,变道行为因为事故引起的;将该关联事件结合上述行驶轨迹、交通流数据以及视频流数据中至少一项作为事件分析模型的特征输入,通过多种特征组合的方式,进行交通事件类型的检测,如果检测到交通事故、抛洒物、异常停车等,输出突发事件。这里的突发事件包括交通事故、抛洒物、异常停车等。
因此,通过结合上报数据,综合分析出事件类型;上报数据比较直接,占得权重大,结合各个检测模型得到的检测结果,能够降低检测模型的误差,使得最终检测得到的目标交通事件类型更为准确。
可选的,所述方法还包括:
获取存在历史交通事件的多个道路区域中各个道路区域对应的历史上报事件数据,并根据历史上报事件数据,生成与所述历史上报事件数据关联的历史关联事件,
获取各个道路区域分别对应的各个历史检测结果以及交通事件类型;
根据历史关联事件、各个道路区域分别对应的各个历史检测结果以及各个道路区域分别对应的交通事件类型构建训练样本,训练网络模型,得到事件分析模型。
具体地,结合图4所示,图4为本申请再一实施例提供的交通事件的检测方法的流程示意图。将事故上报数据和施工上报数据进行上报融合,确定第一交通事件类型;通过轨迹感知进行轨迹还原,判断是否存在异常超速和/或异常换道,并且预测出引起异常超速和/或异常换道的第二交通事件类型;通过感知设备,获取速度和流量构成交通流数据,然后通过统计模型和/或分类模型,判断交通流是否异常,并且预测出引起交通流异常的第三交通事件类型;通过视频感知确定交通事件类型,比如事故(即交通事故)、施工、异常停车、抛洒物等,进行报警,对该报警事件进行时空融合,生成报警信息,该报警信息中包括第四交通事件类型。
将第一交通事件类型、第二交通事件类型、第三交通事件类型以及第四交通事件类型输入到事件分析模型中,组合识别目标交通事件类型,并且当目标交通事件类型包括交通事故、异常停车、抛洒物等,确定为突发事件并上报有关部门,及时、有效地发布具体的交通事件,来减少事件所造成的损失。
因此,本申请融合了视频感知、轨迹异常、交通流异常、上报报警等特征,增强了模型的准确率和鲁棒性,对细分事件也可以精准识别。基于组合模型(这里可以指事件分析模型)进行交通事件自动检测,融合了多源数据,构造了组合模型,有效的解决了现有的交通事件的检测方法精度低,鲁棒性差的问题,极大的降低了人工成本,减少了事件所造成的损失。
对应于上述交通事件的检测方法,本申请实施例提供一种交通事件的检测装置,图5为本申请实施例提供的一种交通事件的检测装置的结构示意图,所述装置包括:
数据获取模块501,用于获取在目标道路区域内的感知数据,所述感知数据包括下述至少一项:在所述目标道路区域内各个车辆的行驶轨迹、所述目标道路区域的交通流数据;
第一检测模块502,用于通过多个检测模型中的至少一个目标检测模型,对所述感知数据进行处理,得到各个检测模型对应的检测结果;
第二检测模型503,用于根据各个检测结果,确定所述目标道路区域内的目标交通事件类型。
本申请实施例提供的交通事件的检测装置,可用于执行上述图1至图4所示实施例的技术方案,其实现原理和技术效果类似,本实施例此处不再赘述。
本申请实施例可以通过数据获取模块501获取在目标道路区域内的感知数据,所述感知数据包括下述至少一项:在所述目标道路区域内各个车辆的行驶轨迹、所述目标道路区域的交通流数据;进一步的,第一检测模块502通过多个检测模型中的至少一个目标检测模型,对所述感知数据进行处理,得到各个检测模型对应的检测结果;进一步的,通过第二检测模型503根据各个检测结果,确定所述目标道路区域内的目标交通事件类型。本申请可以采用行驶轨迹、交通流数据中至少一项,基于相应的检测模型进行初步检测分析,基于初步检测分析结果(即检测结果),确定最终检测结果(即目标交通事件类型),因此,通过行驶轨迹、交通流数据对交通事件类型的检测手段,相较于仅仅依靠交通流参数的变化来识别发生了事件,能够较准确地识别出交通事件类型,而不是只识别出发生了事件,进而能够及时、准确地提供具体的交通事件,来减少事件所造成的损失。
可选的,第一检测模型,具体用于:
根据所述感知数据,从所述多个检测模型中确定用于对所述感知数据进行处理的至少一个目标检测模型;所述多个检测模型包括轨迹异常检测模型、交通流异常检测模型;
根据各项感知数据,分别通过相应的目标检测模型,得到各项感知数据对应的检测结果。
可选的,第一检测模块,具体用于:
在所述感知数据包括行驶轨迹时,将各个车辆的行驶轨迹输入到轨迹异常检测模型,得到行驶轨迹对应的检测结果;其中,行驶轨迹对应的检测结果包括由交通事件引起异常超速和/或异常变道的交通事件类型;
在所述感知数据包括交通流数据时,则将所述交通流数据输入到交通流异常检测模型,得到交通流数据对应的检测结果;其中,交通流数据对应的检测结果包括由交通事件引起交通流异常的交通事件类型;
其中,交通事件类型包括下述至少一项:交通事故、抛洒物、异常停车、施工。
可选的,该交通事件的检测装置还包括第三检测模块;第三检测模块,用于:
在所述感知数据还包括视频流数据,且所述多个检测模型还包括视频流检测模型时,将视频流数据输入到视频流检测模型,得到视频流数据对应的检测结果;
其中,视频流数据对应的检测结果为交通事件类型;所述目标交通事件类型是由各项感知数据对应的检测结果筛选确定的。
可选的,该交通事件的检测装置还包括:第一训练模块;第一训练模块,用于:
获取存在历史交通事件的多个道路区域中各个道路区域对应的交通事件类型;
获取同一道路区域内不同的摄像头下的各个历史车辆运行轨迹点,并将不同的摄像头下的同一历史车辆运行轨迹点进行串联,生成各个历史车辆的历史行驶轨迹;
根据各个道路区域对应的交通事件类型和各个道路区域内各个历史车辆的历史行驶轨迹构建训练样本,训练网络模型,得到所述轨迹异常检测模型。
可选的,第一训练模块,具体用于:
针对同一道路区域内各个训练样本,通过网络模型分析,确定同一道路区域内各个历史车辆是否存在超速行为和/或变道行为;
根据同一道路区域内存在超速行为和/或变道行为的车辆占比,确定同一道路区域内是否存在异常超速和/或异常变道的异常行为;
若存在异常行为,则根据同一道路区域内各个历史车辆的历史行驶轨迹,通过网络模型预测得到异常行为对应的交通事件类型;
根据同一道路区域对应的交通事件类型以及预测得到的交通事件类型,调整网络模型参数。
可选的,该交通事件的检测装置还包括:第二训练模块;第二训练模块,用于:
获取存在历史交通事件的多个道路区域中各个道路区域对应的交通事件类型以及交通流数据;其中,所述交通流数据包括交通流的速度、流量、上下游速度差、上下游流量差;
根据各个道路区域对应的交通事件类型和交通流数据构建训练样本,训练网络模型,得到所述交通流异常检测模型。
可选的,该交通事件的检测装置还包括:第三训练模块;第三训练模块,用于:
获取存在历史交通事件的多个道路区域中各个道路区域对应的交通事件类型以及视频流数据;其中,所述视频流数据包括各个道路区域发生交通事件的视频图像;
根据各个道路区域对应的交通事件类型和视频图像构建训练样本,训练网络模型,得到所述视频流检测模型。
可选的,该交通事件的检测装置还包括第四检测模块;第四检测模块,用于:在接收到上报事件数据时,根据上报事件数据,生成与所述上报事件数据关联的关联事件,所述关联事件用于表示由与所述上报事件数据匹配的交通事件类型引起的相关事件。
可选的,第二检测模块,具体用于:根据关联事件和各个检测结果,通过事件分析模型,得到所述目标交通事件类型。
可选的,该交通事件的检测装置还包括:第四训练模块;第四训练模块,用于:
获取存在历史交通事件的多个道路区域中各个道路区域对应的历史上报事件数据,并根据历史上报事件数据,生成与所述历史上报事件数据关联的历史关联事件,
获取各个道路区域分别对应的各个历史检测结果以及交通事件类型;
根据历史关联事件、各个道路区域分别对应的各个历史检测结果以及各个道路区域分别对应的交通事件类型构建训练样本,训练网络模型,得到事件分析模型。
图6为本申请实施例提供的一种电子设备的结构示意图。如图6所示,本实施例的电子设备可以包括:
至少一个处理器601;以及
与所述至少一个处理器通信连接的存储器602;
其中,所述存储器602存储有可被所述至少一个处理器601执行的指令,所述指令被所述至少一个处理器601执行,以使所述电子设备执行如上述任一实施例所述的方法。
可选地,存储器602既可以是独立的,也可以跟处理器601集成在一起。
本实施例提供的电子设备的实现原理和技术效果可以参见前述各实施例,此处不再赘述。
本申请实施例还提供一种计算机可读存储介质,所述计算机可读存储介质中存储有计算机执行指令,当处理器执行所述计算机执行指令时,实现前述任一实施例所述的方法。
本申请实施例还提供一种计算机程序产品,包括计算机程序,该计算机程序被处理器执行时实现前述任一实施例所述的方法。
本申请的技术方案中,所涉及的用户数据等信息的收集、存储、使用、加工、传输、提供和公开等处理,均符合相关法律法规的规定,且不违背公序良俗。
在本申请所提供的几个实施例中,应该理解到,所揭露的设备和方法,可以通过其它的方式实现。例如,以上所描述的设备实施例仅仅是示意性的,例如,所述模块的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个模块可以结合或者可以集成到另一个***,或一些特征可以忽略,或不执行。
上述以软件功能模块的形式实现的集成的模块,可以存储在一个计算机可读取存储介质中。上述软件功能模块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设备(可以是个人计算机,服务器,或者网络设备等)或处理器执行本申请各个实施例所述方法的部分步骤。
应理解,上述处理器可以是中央处理单元(Central Processing Unit,简称CPU),还可以是其它通用处理器、数字信号处理器(Digital Signal Processor,简称DSP)、专用集成电路(Application Specific Integrated Circuit,简称ASIC)等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合申请所公开的方法的步骤可以直接体现为硬件处理器执行完成,或者用处理器中的硬件及软件模块组合执行完成。存储器可能包含高速RAM存储器,也可能还包括非易失性存储NVM,例如至少一个磁盘存储器,还可以为U盘、移动硬盘、只读存储器、磁盘或光盘等。
上述存储介质可以是由任何类型的易失性或非易失性存储设备或者它们的组合实现,如静态随机存取存储器(SRAM),电可擦除可编程只读存储器(EEPROM),可擦除可编程只读存储器(EPROM),可编程只读存储器(PROM),只读存储器(ROM),磁存储器,快闪存储器,磁盘或光盘。存储介质可以是通用或专用计算机能够存取的任何可用介质。
一种示例性的存储介质耦合至处理器,从而使处理器能够从该存储介质读取信息,且可向该存储介质写入信息。当然,存储介质也可以是处理器的组成部分。处理器和存储介质可以位于专用集成电路(Application Specific Integrated Circuits,简称ASIC)中。当然,处理器和存储介质也可以作为分立组件存在于电子设备或主控设备中。
需要说明的是,在本文中,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者装置不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者装置所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素。
上述本申请实施例序号仅仅为了描述,不代表实施例的优劣。
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上述实施例方法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,但很多情况下前者是更佳的实施方式。基于这样的理解,本申请的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,该计算机软件产品存储在一个存储介质(如ROM/RAM、磁碟、光盘)中,包括若干指令用以使得一台终端设备(可以是手机,计算机,服务器,空调器,或者网络设备等)执行本申请各个实施例所述的方法。
以上仅为本申请的优选实施例,并非因此限制本申请的专利范围,凡是利用本申请说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本申请的专利保护范围内。
Claims (11)
1.一种交通事件的检测方法,其特征在于,所述方法包括:
获取在目标道路区域内的感知数据,所述感知数据包括下述至少一项:在所述目标道路区域内各个车辆的行驶轨迹、所述目标道路区域的交通流数据;
通过多个检测模型中的至少一个目标检测模型,对所述感知数据进行处理,得到各个检测模型对应的检测结果;
根据各个检测结果,确定所述目标道路区域内的目标交通事件类型。
2.根据权利要求1所述的方法,其特征在于,通过多个检测模型中的至少一个目标检测模型,对所述感知数据进行处理,得到各个检测模型对应的检测结果,包括:
根据所述感知数据,从所述多个检测模型中确定用于对所述感知数据进行处理的至少一个目标检测模型;所述多个检测模型包括轨迹异常检测模型、交通流异常检测模型;
根据各项感知数据,分别通过相应的目标检测模型,得到各项感知数据对应的检测结果。
3.根据权利要求2所述的方法,其特征在于,根据各项感知数据,分别通过相应的目标检测模型,得到各项感知数据对应的检测结果,包括:
若所述感知数据包括行驶轨迹,则将各个车辆的行驶轨迹输入到轨迹异常检测模型,得到行驶轨迹对应的检测结果;其中,行驶轨迹对应的检测结果包括由交通事件引起异常超速和/或异常变道的交通事件类型;
若所述感知数据包括交通流数据,则将所述交通流数据输入到交通流异常检测模型,得到交通流数据对应的检测结果;其中,交通流数据对应的检测结果包括由交通事件引起交通流异常的交通事件类型。
4.根据权利要求3所述的方法,其特征在于,所述方法还包括:
若所述感知数据还包括视频流数据,且所述多个检测模型还包括视频流检测模型,则将视频流数据输入到视频流检测模型,得到视频流数据对应的检测结果;
其中,视频流数据对应的检测结果为交通事件类型;所述目标交通事件类型是由各项感知数据对应的检测结果筛选确定的。
5.根据权利要求2-4任一项所述的方法,其特征在于,所述方法还包括:
获取存在历史交通事件的多个道路区域中各个道路区域对应的交通事件类型;
获取同一道路区域内不同的摄像头下的各个历史车辆运行轨迹点,并将不同的摄像头下的同一历史车辆运行轨迹点进行串联,生成各个历史车辆的历史行驶轨迹;
根据各个道路区域对应的交通事件类型和各个道路区域内各个历史车辆的历史行驶轨迹构建训练样本,训练网络模型,得到所述轨迹异常检测模型。
6.根据权利要求5所述的方法,其特征在于,根据各个道路区域对应的交通事件类型和各个道路区域内各个历史车辆的历史行驶轨迹和构建训练样本,训练网络模型,包括:
针对同一道路区域内各个训练样本,通过网络模型分析,确定同一道路区域内各个历史车辆是否存在超速行为和/或变道行为;
根据同一道路区域内存在超速行为和/或变道行为的车辆占比,确定同一道路区域内是否存在异常超速和/或异常变道的异常行为;
若存在异常行为,则根据同一道路区域内各个历史车辆的历史行驶轨迹,通过网络模型预测得到异常行为对应的交通事件类型;
根据同一道路区域对应的交通事件类型以及预测得到的交通事件类型,调整网络模型参数。
7.根据权利要求1-4任一项所述的方法,其特征在于,所述方法还包括:
若接收到上报事件数据,则根据上报事件数据,生成与所述上报事件数据关联的关联事件,所述关联事件用于表示由与所述上报事件数据匹配的交通事件类型引起的相关事件;
根据各个检测结果,确定所述目标道路区域内的目标交通事件类型,包括:
根据关联事件和各个检测结果,通过事件分析模型,得到所述目标交通事件类型。
8.一种交通事件的检测装置,其特征在于,所述装置包括:
数据获取模块,用于获取在目标道路区域内的感知数据,所述感知数据包括下述至少一项:在所述目标道路区域内各个车辆的行驶轨迹、所述目标道路区域的交通流数据;
第一检测模块,用于通过多个检测模型中的至少一个目标检测模型,对所述感知数据进行处理,得到各个检测模型对应的检测结果;
第二检测模型,用于根据各个检测结果,确定所述目标道路区域内的目标交通事件类型。
9.一种电子设备,其特征在于,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,以使所述电子设备执行权利要求1-7任一项所述的方法。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质中存储有计算机执行指令,当处理器执行所述计算机执行指令时,实现如权利要求1-7任一项所述的方法。
11.一种计算机程序产品,包括计算机程序,其特征在于,该计算机程序被处理器执行时实现如权利要求1-7任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210989463.XA CN115359658B (zh) | 2022-08-17 | 2022-08-17 | 交通事件的检测方法、装置、设备、存储介质及程序产品 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210989463.XA CN115359658B (zh) | 2022-08-17 | 2022-08-17 | 交通事件的检测方法、装置、设备、存储介质及程序产品 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115359658A true CN115359658A (zh) | 2022-11-18 |
CN115359658B CN115359658B (zh) | 2024-06-11 |
Family
ID=84002207
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210989463.XA Active CN115359658B (zh) | 2022-08-17 | 2022-08-17 | 交通事件的检测方法、装置、设备、存储介质及程序产品 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115359658B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115797883A (zh) * | 2023-02-06 | 2023-03-14 | 以萨技术股份有限公司 | 一种确定异常事件的数据处理*** |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110473402A (zh) * | 2019-08-20 | 2019-11-19 | 河北德冠隆电子科技有限公司 | 一种基于目标异常行为轨迹分析的异常事件检测预警*** |
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 |
CN113688652A (zh) * | 2020-05-18 | 2021-11-23 | 魔门塔(苏州)科技有限公司 | 一种异常驾驶行为的处理方法和装置 |
US20220051032A1 (en) * | 2020-12-11 | 2022-02-17 | Beijing Baidu Netcom Science Technology Co., Ltd. | Road event detection method, apparatus, device and storage medium |
CN114446042A (zh) * | 2020-11-04 | 2022-05-06 | 腾讯科技(深圳)有限公司 | 预警交通事故的方法、装置、设备以及存储介质 |
JP7092958B1 (ja) * | 2022-03-09 | 2022-06-28 | あいおいニッセイ同和損害保険株式会社 | 情報処理方法、情報処理装置、及びプログラム |
-
2022
- 2022-08-17 CN CN202210989463.XA patent/CN115359658B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN110473402A (zh) * | 2019-08-20 | 2019-11-19 | 河北德冠隆电子科技有限公司 | 一种基于目标异常行为轨迹分析的异常事件检测预警*** |
CN113688652A (zh) * | 2020-05-18 | 2021-11-23 | 魔门塔(苏州)科技有限公司 | 一种异常驾驶行为的处理方法和装置 |
CN114446042A (zh) * | 2020-11-04 | 2022-05-06 | 腾讯科技(深圳)有限公司 | 预警交通事故的方法、装置、设备以及存储介质 |
US20220051032A1 (en) * | 2020-12-11 | 2022-02-17 | Beijing Baidu Netcom Science Technology Co., Ltd. | Road event detection method, apparatus, device and storage medium |
JP7092958B1 (ja) * | 2022-03-09 | 2022-06-28 | あいおいニッセイ同和損害保険株式会社 | 情報処理方法、情報処理装置、及びプログラム |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115797883A (zh) * | 2023-02-06 | 2023-03-14 | 以萨技术股份有限公司 | 一种确定异常事件的数据处理*** |
Also Published As
Publication number | Publication date |
---|---|
CN115359658B (zh) | 2024-06-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106557541B (zh) | 用于执行自动数据分析的装置和方法、及计算机程序产品 | |
CN110428091B (zh) | 基于数据分析的风险识别方法及相关设备 | |
US20200034958A1 (en) | Automatic Image Based Object Damage Assessment | |
CN110930756B (zh) | 一种基于图像与地磁传感器判断路侧停车的方法及装置 | |
CN111369801B (zh) | 车辆识别方法、装置、设备和存储介质 | |
Stadler et al. | A credibility assessment approach for scenario-based virtual testing of automated driving functions | |
CN115359658B (zh) | 交通事件的检测方法、装置、设备、存储介质及程序产品 | |
CN111369792B (zh) | 一种交通事件的分析方法、装置及电子设备 | |
CN106448161A (zh) | 道路监控方法及道路监控装置 | |
Kejriwal et al. | Vehicle detection and counting using deep learning basedYOLO and deep SORT algorithm for urban traffic management system | |
CN114973211A (zh) | 对象识别方法、装置、设备及存储介质 | |
CN113343880A (zh) | 一种车辆遮挡号牌的识别方法、装置、设备及介质 | |
CN112800841A (zh) | 一种行人计数方法、装置、***及计算机可读存储介质 | |
CN111667697B (zh) | 异常车辆识别方法和装置、计算机可读存储介质 | |
CN116259173A (zh) | 一种基于d-s证据理论的多检测方式交通事件融合方法 | |
CN114648718A (zh) | 道路占道检测方法、***、电子设备及可读存储介质 | |
CN113902999A (zh) | 一种跟踪方法、装置、设备及介质 | |
Wang et al. | Travel time prediction: Empirical analysis of missing data issues for advanced traveler information system applications | |
CN113592901A (zh) | 图像处理方法、装置、计算机设备及计算机可读存储介质 | |
Mallick et al. | Safety monitoring for pedestrian detection in adverse conditions | |
CN112749239A (zh) | 一种事件图谱构建方法、装置及计算设备 | |
Zhang et al. | Identification and screening of key traffic violations: based on the perspective of expressing driver’s accident risk | |
CN111723604A (zh) | 车辆套牌检测方法及装置 | |
CN114724357B (zh) | 一种异常行驶车辆识别方法、装置和计算机设备 | |
Karnati et al. | Machine Learning Algorithms for Traffic Interruption Detection |
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 |