CN110705495A - 交通工具的检测方法、装置、电子设备和计算机存储介质 - Google Patents
交通工具的检测方法、装置、电子设备和计算机存储介质 Download PDFInfo
- Publication number
- CN110705495A CN110705495A CN201910960028.2A CN201910960028A CN110705495A CN 110705495 A CN110705495 A CN 110705495A CN 201910960028 A CN201910960028 A CN 201910960028A CN 110705495 A CN110705495 A CN 110705495A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- detection
- background model
- frames
- target frame
- 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
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- 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
- G06V10/255—Detecting or recognising potential candidate objects based on visual cues, e.g. shapes
-
- 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
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
- G06V10/759—Region-based matching
-
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Multimedia (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Traffic Control Systems (AREA)
Abstract
本公开的实施例涉及一种针对交通工具的检测方法、装置、电子设备和计算机可读存储介质。可用于汽车电子领域,尤其是自动驾驶领域。该方法包括获取监控场景的背景模型,该背景模型是基于针对监控场景的视频中的多个帧而生成的。该方法还包括基于背景模型确定视频中的在多个帧之后的、包含交通工具的目标帧中的静止区域。该方法进一步包括在目标帧中确定针对交通工具的检测框。此外,该方法进一步包括响应于检测框的至少一部分位于静止区域内,将交通工具确定为处于静止状态。本公开的技术方案既简化了检测的计算方法,同时还保证了检测的正确率。
Description
技术领域
本公开的实施例主要涉及自动驾驶领域,并且更具体地,涉及针对交通工具的检测方法、装置、电子设备和计算机可读存储介质。
背景技术
随着汽车保有量的逐年上升,道边违章停车的车辆也有上升的趋势。广义上来说,在一定时间段内停在道边不动、且无人使用的车辆一般可以被称之为“僵尸车”。僵尸车检测技术用于检测道路上长时间停滞不动、阻塞交通的车辆。然而,在自动驾驶领域,虽然无人车本身携带的传感器具有一定的感知范围,但仍无法判断道边的一个车辆是否为一辆长时间停滞在道路上的车辆,这就为无人车后续的路径规划增加了难度。
发明内容
根据本公开的示例实施例,提供了一种针对交通工具的检测方案。
在本公开的第一方面中,提供了一种针对交通工具的检测方法。该方法包括获取监控场景的背景模型,该背景模型是基于针对监控场景的视频中的多个帧而生成的。该方法还包括基于背景模型确定视频中的在多个帧之后的、包含交通工具的目标帧中的静止区域。该方法进一步包括在目标帧中确定针对交通工具的检测框。此外,该方法进一步包括响应于检测框的至少一部分位于静止区域内,将交通工具确定为处于静止状态。
在本公开的第二方面中,提供了一种针对交通工具的检测装置。该装置包括背景模型获取模块,被配置为获取监控场景的背景模型,该背景模型是基于针对监控场景的视频中的多个帧而生成的。该装置还包括静止区域确定模块,被配置为基于背景模型确定视频中的在多个帧之后的、包含交通工具的目标帧中的静止区域。该装置进一步包括检测框确定模块,被配置为在目标帧中确定针对交通工具的检测框。此外,该装置进一步包括静止状态确定模块,被配置为响应于检测框的至少一部分位于静止区域内,将交通工具确定为处于静止状态。
在本公开的第三方面中,提供了一种设备,包括一个或多个处理器;以及存储装置,用于存储一个或多个程序,当一个或多个程序被一个或多个处理器执行,使得一个或多个处理器实现根据本公开的第一方面的方法。
在本公开的第四方面中,提供了一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现根据本公开的第一方面的方法。
应当理解,发明内容部分中所描述的内容并非旨在限定本公开的实施例的关键或重要特征,亦非用于限制本公开的范围。本公开的其它特征将通过以下的描述变得容易理解。
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2A示出了根据本公开的实施例的监控场景的示意图;
图2B示出了根据本公开的实施例的监控场景的示意图;
图3示出了根据本公开的实施例的针对交通工具的检测过程的流程图;
图4示出了根据本公开的实施例的目标帧的静止区域的确定过程的流程图;
图5示出了根据本公开的实施例的交通工具的静止状态的确定过程的流程图;
图6示出了根据本公开的实施例的针对交通工具的检测装置的示意框图;
图7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。
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。
在本公开的实施例的描述中,如本领域技术人员所理解的,术语“交通工具”主要是指在道路上行驶或停靠的载货或载人车辆,诸如载货车、轿车、公共汽车等。当然,“交通工具”可以是自动驾驶车辆,但并不仅限于自动驾驶车辆,其也可表示有人驾驶的车辆。
如以上提及的,自动驾驶车辆需要通过路侧感测装置获取与路况有关的信息来生成较为合理的驾驶策略。需要理解的是,由于汽车保有量的提升,道边停车的车辆数目客观。然而,目前缺乏经济有效的检测手段来确定监控场景中的哪些车辆是停靠时间较长的“僵尸车”。此外,随着道边停车计费以及违章检测的自动化技术的发展,目前检测手段也并不能实现经济有效,仍然亟待改进。
传统的检测方案主要有两种。第一种检测方案是可以实施跟踪检测监控场景中的交通工具。例如,通过跟踪检测,如果检测到一段时间内该交通工具保持静止,则可以将该交通工具确定为处于静止状态,将其视为“僵尸车”。然而,监控场景中可能存在多个被检测的交通工具。如果分别对各交通工具进行跟踪检测,则会占用可观的计算资源,降低计算速度。此外,这种检测方案在一个路段中可能需要多个监控装置,增加了检测工作的成本。
为了克服第一种检测方案的缺陷,第二种检测方案可以通过确定交通工具的检测框在一段时间内是否保持不动来判断该交通工具是否为僵尸车。具体实现方式是,每隔一段时间确定一次检测框的位置,如果位置发生变化,则表示该检测框内的交通工具不是“僵尸车”。然而,由于检测框仅能粗略识别交通工具的轮廓,如果该段时间内发生一交通工具替换另一交通工具的情况,则利用检测框的检测方式容易造成误检;或者如果一辆移动的交通工具遮挡应当被确定为“僵尸车”的情况,则利用检测框的检测方式还容易造成漏检。
近年来,无人驾驶技术逐渐崭露头角。越来越多的企业开始投入无人驾驶的研发和生产中。可预想到,未来一段时间内的道路上将会出现部分自动驾驶车辆。如何为这些自动驾驶车辆提供可靠的路面信息是目前亟待解决的问题。
根据本公开的实施例,提出了一种针对交通工具的检测方案。在该方案中,可以利用诸如混合高斯模型、码书等建模方法对路侧监控装置感测到的若干帧道路图像进行建模,以获得监控场景的背景模型。之后,基于该背景模型识别后续道路图像中的静止区域和运动区域。此外,还利用检测模型检测该道路图像中的属性为交通工具的检测框,如果检测到的检测框的至少一部分位于上述静止区域,则将该检测框中的交通工具确定为“僵尸车”。
以下将参照附图来具体描述本公开的实施例。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100的示意图。在该示例环境100中,路侧监控装置110被设置在诸如用于进行违章拍照的监控器的位置,用于监控一条基本笔直的道路的路面信息,并且减少行人对僵尸车的遮挡的影响。如图1所示,路侧监控装置110可以拍摄到诸如小轿车的交通工具120以及诸如树木、路障等的静止对象130。应理解,路侧监控装置110还可以拍摄到诸如人、自行车、摩托车等的运动对象(未示出)。还应理解,为了便于讨论,本公开图1所示的检测方案仅示出了一个交通工具。然而,本公开并非仅限于使用路侧监控装置110监控一个交通工具120,出现在路侧监控装置110的监控场景中的几辆甚至几十辆交通工具均可以被路侧监控装置110同时监控。
下文将详细描述图1中的路侧监控装置110所拍摄到的监控场景。图2A示出了根据本公开的实施例的监控场景200的示意图。在图2A中,交通工具120和静止对象130均处于静止状态,其余未示出的对象均处于运动状态。当利用多帧连续的监控图像生成混合高斯模型时,该模型可以将交通工具120和静止对象130识别为背景,即交通工具120和静止对象130分别为静止区域220、230,并且可以将其余未示出的对象识别为前景,即运动区域。也就是说,监控场景中的交通工具120和静止对象130已经被确定为静止区域220和静止区域230。应理解,此过程仅是利用多帧图像生成混合高斯模型,并且该模型仅能够确定图像中的静止区域和运动区域,并未对图像中的任何对象进行识别。
因此,要检测出处于静止状态的交通工具,还需要对监控图像进行对象识别。图2B示出了根据本公开的实施例的监控场景200’的示意图。应理解,监控场景200’与监控场景200均选自同一监控图像。在图2B中,可以利用二维目标检测模型对监控场景200’的所有交通工具进行检测,例如,当检测到监控场景200’中存在交通工具120时,可以为交通工具120添加检测框210。应理解,长方形的检测框210仅是示例性的,根据需要,检测框210还可以是圆形、菱形、或者是恰好可以包围交通工具120的外周轮廓的形状等。
通过图2A和图2B两方面的图像处理,如果图2B中的检测框210的一部分在该监控图像中的位置与图2A中的交通工具120的静止区域220相同,则可以将交通工具120确定为处于静止状态,也就是说,交通工具120是“僵尸车”。
下文将参照图3来更详细描述针对交通工具110的检测的详细过程。图3示出了根据本公开的实施例的针对交通工具110的检测过程300的流程图。过程300可以由图1的路侧监控装置110来实现,或者,过程300也可以由与图1的路侧监控装置110有线或无线连接的计算设备来实现。为了方便讨论,将结合图2A和图2B来描述过程300。
在310,与路侧监控装置110相关联的计算设备可以获取监控场景200的背景模型,该背景模型是基于针对监控场景200的视频中的多个帧而生成的。在某些实施例中,可以基于视频中的多个帧(例如,上百帧图像)生成混合高斯模型,以作为该背景模型。备选地或附加地,还可以通过码书、ViBe的算法来使用上述视频的多个帧生成背景模型。以此方式,对于运动对象遮挡静止对象的情况,通过使用多帧图像生成背景模型,使得在时间上可以对其他运动对象的遮挡并不敏感。
在320,与路侧监控装置110相关联的计算设备可以基于背景模型确定视频中的在多个帧之后的、包含交通工具的目标帧中的静止区域220、230。在某些实施例中,如图4所示,可以通过过程400来确定静止区域220、230。图4示出了根据本公开的实施例的目标帧的静止区域220、230的确定过程400的流程图。过程400可以由图1的路侧监控装置110来实现,或者,过程400也可以由与图1的路侧监控装置110有线或无线连接的计算设备来实现。为了方便讨论,将结合图2A来描述过程400。
在410,与路侧监控装置110相关联的计算设备可以获取视频中的目标帧。作为示例,与路侧监控装置110相关联的计算设备可以获取上述用于生成背景模型的多个帧之后的下一帧作为该目标帧。备选地或附加地,与路侧监控装置110相关联的计算设备还可以获取与在上述多个帧之后的与上述多个帧相隔预定时间段的一帧作为该目标帧。也就是说,该目标帧与上述多个帧相隔预定数目的帧。如果需要提高检测的精确程度,则可以降低该预定数目。如果需要降低检测的计算成本,则可以增加该预定数目。此外,每帧图像的时间间隔可以根据实际需要设定。例如,对实时性要求很高的场景,帧与帧之间的时间间隔可能会很小(例如实时处理25Hz),如果要求比较宽松,则可以设置较宽的间隔。
在420,与路侧监控装置110相关联的计算设备可以基于上述多个帧中的至少一部分和该目标帧来更新背景模型。作为示例,当获取目标帧之后,可以使用上述多个帧中的全部帧与该目标帧来更新背景模型。备选地或附加地,如果上述多个帧是第1帧至第N帧并且该目标帧是第N+1帧,则可以使用第2帧至第N+1帧来更新背景模型。也就是说,更新背景模型所需的帧的个数可以是固定的,并且是距离目标帧较近的若干帧。
在430,与路侧监控装置110相关联的计算设备可以基于更新后的背景模型确定该目标帧的静止区域220、230。在确定目标区域的同时或之后,过程300可以行进至330。
在330,与路侧监控装置110相关联的计算设备可以在目标帧中确定针对交通工具120的检测框210。在某些实施例中,可以利用二维目标检测模型对监控场景200’的所有交通工具进行检测,例如,当检测到监控场景200’中存在交通工具120时,可以为交通工具120添加检测框210。作为示例,检测框210的形状为长方形。备选地或附加地,检测框210的形状可以是圆形、菱形、或者是恰好可以包围交通工具120的外周轮廓的形状等。
在340,与路侧监控装置110相关联的计算设备可以判定检测框210的至少一部分是否位于静止区域220、230内。如果确实有部分的检测框210位于静止区域220、230内,则行进至350。应理解,在340之前,并未确定监控场景中是否存在交通工具。也就是说,多帧图像被用于生成混合高斯模型,并且该模型仅能够确定图像中的静止区域和运动区域,并未对图像中的任何对象进行识别。因此,本过程通过检测到交通工具而可以确定位于静止区域内的交通工具是处于静止状态的交通工具。
在350,与路侧监控装置110相关联的计算设备可以将交通工具120确定为处于静止状态。在某些实施例中,如图5所示,可以通过过程500来确定交通工具120是否处于静止状态。图5示出了根据本公开的实施例的交通工具120的静止状态的确定过程500的流程图。过程500可以由图1的路侧监控装置110来实现,或者,过程500也可以由与图1的路侧监控装置110有线或无线连接的计算设备来实现。为了方便讨论,将结合图2B来描述过程500。
在510,与路侧监控装置110相关联的计算设备可以确定检测框210在目标帧中所限定的静止区域220内的像素的数目。在520,与路侧监控装置110相关联的计算设备可以基于所确定的数目以及检测框210中的像素的总数,确定像素比例。在530,与路侧监控装置110相关联的计算设备可以判定该像素比例是否高于阈值比例。在某些实施例中,该阈值比例可以是70%或更高。备选地或附加地,该阈值比例可以是80%或更高。当允许停车的最长时间被延长时,该阈值比例可以是90%或更高。在540,与路侧监控装置110相关联的计算设备可以将交通工具120确定为处于静止状态,即,判定该交通工具120是“僵尸车”或违停车辆。
此外,可选地,在某些实施例中,过程300还可以提供指示交通工具120处于静止状态的提示信息,例如向将要行驶经过交通工具120的另一交通工具提供该提示信息。该另一交通工具可以将交通工具120视为静止障碍物以生成行进路线。
在某些实施例中,交通工具120可以例如是载货车辆、轿车、公共汽车、自行车、电动车、摩托车等。
与传统的针对交通工具的检测方案相比,本公开通过建模识别图像中的静止和运动部分,再通过检测框识别车辆,如果表示车辆的检测框位于静止部分,则可以确定该车辆为僵尸车。相对于上述传统的第一种检测方案,本方案避免了跟踪算法的使用,使得僵尸车检测算法复杂度与当前场景中障碍物的数量不在高度相关,防止了算法运行速度大幅减慢的情况,并且简化了僵尸车的判断规则,避免了过于复杂和繁琐的规则策略设定。相对于上述传统的第二种检测方案,本公开可以很好的识别当一辆车突然开走,而另一辆车停止在该位置的情况,避免了误检。综上,本公开的方案既简化了计算方法,同时还保证了检测的正确率。
以上讨论了在一些示例场景下,同时检测监控场景内的若干交通工具是否长期处于静止状态的机制。然而,应当理解,这些场景的描述仅为了以示例方式来解释说明本公开的实施例。取决于实际需要,在不同或类似场景下,同样可以采用上文所述的检测机制。例如,基于远程控制技术的探测器控制(深海探测长期处于静止状态的生物)、航天器控制等场景同样可以具备上文提到的各种优点。
图6示出了根据本公开的实施例的针对交通工具120的检测装置600的示意框图。装置600可以被包括在图1的路侧监控装置110中,或者被实现为路侧监控装置110,或者实现为与图1的路侧监控装置110有线或无线连接的计算设备。如图6所示,装置600可以包括背景模型获取模块610,被配置为获取监控场景的背景模型,该背景模型是基于针对监控场景的视频中的多个帧而生成的。该装置600还可以包括静止区域确定模块620,被配置为基于背景模型确定视频中的在多个帧之后的、包含交通工具的目标帧中的静止区域。该装置600可以进一步包括检测框确定模块630,被配置为在目标帧中确定针对交通工具的检测框。此外,该装置600可以进一步包括静止状态确定模块640,被配置为响应于检测框的至少一部分位于静止区域内,将交通工具确定为处于静止状态。
在某些实施例中,背景模型获取模块610可以包括:混合高斯模型生成模块(未示出),被配置为基于视频中的多个帧生成混合高斯模型,以作为背景模型。
在某些实施例中,静止区域确定模块620可以包括:目标帧获取模块(未示出),被配置为获取视频中的目标帧;背景模块更新模块(未示出),被配置为基于多个帧中的至少一部分和所述目标帧,更新背景模型;以及区域确定模块(未示出),被配置为基于更新后的背景模型,确定目标帧的静止区域。
在某些实施例中,目标帧与多个帧相隔预定数目的帧。
在某些实施例中,静止状态确定模块640可以包括:像素数目确定模块(未示出),被配置为确定检测框在目标帧中所限定的静止区域内的像素的数目;像素比例确定模块(未示出),被配置为基于所确定的数目以及检测框中的像素的总数,确定像素比例;以及状态确定模块(未示出),被配置为响应于像素比例高于阈值比例,将交通工具确定为处于静止状态。
在某些实施例中,装置600还可以包括:提示模块(未示出),被配置为向将要行驶经过交通工具的另一交通工具提供该交通工具处于静止状态的提示信息。
在某些实施例中,交通工具可以包括以下各项中的至少一项:载货车辆;轿车;以及公共汽车。
图7示出了能够实施本公开的多个实施例的计算设备700的框图。设备700可以用于实现图1中的路侧监控装置110,或者用于实现与图1中的路侧监控装置110有线或无线连接的计算设备。如图所示,设备700包括中央处理单元(CPU)701,其可以根据存储在只读存储器(ROM)702中的计算机程序指令或者从存储单元708加载到随机访问存储器(RAM)703中的计算机程序指令,来执行各种适当的动作和处理。在RAM 703中,还可存储设备700操作所需的各种程序和数据。CPU 701、ROM 702以及RAM 703通过总线704彼此相连。输入/输出(I/O)接口705也连接至总线704。
设备700中的多个部件连接至I/O接口705,包括:输入单元706,例如键盘、鼠标等;输出单元707,例如各种类型的显示器、扬声器等;存储单元708,例如磁盘、光盘等;以及通信单元709,例如网卡、调制解调器、无线通信收发机等。通信单元709允许设备700通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
处理单元701执行上文所描述的各个方法和处理,例如过程300、400。例如,在一些实施例中,过程200、300、400可被实现为计算机软件程序,其被有形地包含于机器可读介质,例如存储单元708。在一些实施例中,计算机程序的部分或者全部可以经由ROM 702和/或通信单元709而被载入和/或安装到设备700上。当计算机程序加载到RAM 703并由CPU701执行时,可以执行上文描述的过程200、300、400的一个或多个步骤。备选地,在其他实施例中,CPU 701可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行过程200、300、400。
本文中以上描述的功能可以至少部分地由一个或多个硬件逻辑部件来执行。例如,非限制性地,可以使用的示范类型的硬件逻辑部件包括:场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)等等。
用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码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器或控制器,使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行,作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本公开的上下文中,机器可读介质可以是有形的介质,其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备,或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
此外,虽然采用特定次序描绘了各操作,但是这应当理解为要求这样操作以所示出的特定次序或以顺序次序执行,或者要求所有图示的操作应被执行以取得期望的结果。在一定环境下,多任务和并行处理可能是有利的。同样地,虽然在上面论述中包含了若干具体实现细节,但是这些不应当被解释为对本公开的范围的限制。在单独的实施例的上下文中描述的某些特征还可以组合地实现在单个实现中。相反地,在单个实现的上下文中描述的各种特征也可以单独地或以任何合适的子组合的方式实现在多个实现中。
尽管已经采用特定于结构特征和/或方法逻辑动作的语言描述了本主题,但是应当理解所附权利要求书中所限定的主题未必局限于上面描述的特定特征或动作。相反,上面所描述的特定特征和动作仅仅是实现权利要求书的示例形式。
Claims (16)
1.一种针对交通工具的检测方法,包括:
获取监控场景的背景模型,所述背景模型是基于针对所述监控场景的视频中的多个帧而生成的;
基于所述背景模型,确定所述视频中的在所述多个帧之后的、包含所述交通工具的目标帧中的静止区域;
在所述目标帧中确定针对所述交通工具的检测框;以及
响应于所述检测框的至少一部分位于所述静止区域内,将所述交通工具确定为处于静止状态。
2.根据权利要求1所述的方法,其中获取所述监控场景的所述背景模型包括:
基于所述视频中的所述多个帧生成混合高斯模型,以作为所述背景模型。
3.根据权利要求1所述的方法,其中确定所述目标帧中的所述静止区域包括:
获取所述视频中的所述目标帧;
基于所述多个帧中的至少一部分和所述目标帧,更新所述背景模型;以及
基于更新后的所述背景模型,确定所述目标帧的静止区域。
4.根据权利要求1所述的方法,其中所述目标帧与所述多个帧相隔预定数目的帧。
5.根据权利要求1所述的方法,其中将所述交通工具确定为处于所述静止状态包括:
确定所述检测框在所述目标帧中所限定的所述静止区域内的像素的数目;
基于所确定的数目以及所述检测框中的像素的总数,确定像素比例;以及
响应于所述像素比例高于阈值比例,将所述交通工具确定为处于所述静止状态。
6.根据权利要求1所述的方法,还包括:
提供指示所述交通工具处于所述静止状态的提示信息。
7.根据权利要求1所述的方法,其中所述交通工具包括以下各项中的至少一项:
载货车辆;
轿车;
公共汽车;
自行车;
电动车;以及
摩托车。
8.一种针对交通工具的检测装置,包括:
背景模型获取模块,被配置为获取监控场景的背景模型,所述背景模型是基于针对所述监控场景的视频中的多个帧而生成的;
静止区域确定模块,被配置为基于所述背景模型确定所述视频中的在所述多个帧之后的、包含所述交通工具的目标帧中的静止区域;
检测框确定模块,被配置为在所述目标帧中确定针对所述交通工具的检测框;以及
静止状态确定模块,被配置为响应于所述检测框的至少一部分位于所述静止区域内,将所述交通工具确定为处于静止状态。
9.根据权利要求8所述的装置,其中所述背景模型获取模块包括:
混合高斯模型生成模块,被配置为基于所述视频中的所述多个帧生成混合高斯模型,以作为所述背景模型。
10.根据权利要求8所述的装置,其中所述静止区域确定模块包括:
目标帧获取模块,被配置为获取所述视频中的所述目标帧;
背景模块更新模块,被配置为基于所述多个帧中的至少一部分和所述目标帧,更新所述背景模型;以及
区域确定模块,被配置为基于更新后的所述背景模型,确定所述目标帧的静止区域。
11.根据权利要求8所述的装置,其中所述目标帧与所述多个帧相隔预定数目的帧。
12.根据权利要求8所述的装置,其中所述静止状态确定模块包括:
像素数目确定模块,被配置为确定所述检测框在所述目标帧中所限定的所述静止区域内的像素的数目;
像素比例确定模块,被配置为基于所确定的数目以及所述检测框中的像素的总数,确定像素比例;以及
状态确定模块,被配置为响应于所述像素比例高于阈值比例,将所述交通工具确定为处于所述静止状态。
13.根据权利要求8所述的装置,还包括:
提示模块,被配置为提供指示所述交通工具处于所述静止状态的提示信息。
14.根据权利要求8所述的装置,其中所述交通工具包括以下各项中的至少一项:
载货车辆;
轿车;
公共汽车;
自行车;
电动车;以及
摩托车。
15.一种电子设备,所述电子设备包括:
一个或多个处理器;以及
存储装置,用于存储一个或多个程序,当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如权利要求1-7中任一项所述的方法。
16.一种计算机可读存储介质,其上存储有计算机程序,所述程序被处理器执行时实现如权利要求1-7中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910960028.2A CN110705495A (zh) | 2019-10-10 | 2019-10-10 | 交通工具的检测方法、装置、电子设备和计算机存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910960028.2A CN110705495A (zh) | 2019-10-10 | 2019-10-10 | 交通工具的检测方法、装置、电子设备和计算机存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110705495A true CN110705495A (zh) | 2020-01-17 |
Family
ID=69200169
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910960028.2A Pending CN110705495A (zh) | 2019-10-10 | 2019-10-10 | 交通工具的检测方法、装置、电子设备和计算机存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110705495A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112597953A (zh) * | 2020-12-28 | 2021-04-02 | 深圳市捷顺科技实业股份有限公司 | 检测视频中通道闸区域行人的方法、装置、设备及介质 |
CN113409587A (zh) * | 2021-06-16 | 2021-09-17 | 北京字跳网络技术有限公司 | 异常车辆的检测方法、装置、设备及存储介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106878674A (zh) * | 2017-01-10 | 2017-06-20 | 哈尔滨工业大学深圳研究生院 | 一种基于监控视频的停车检测方法及装置 |
CN108229256A (zh) * | 2016-12-21 | 2018-06-29 | 杭州海康威视数字技术股份有限公司 | 一种道路施工检测方法及装置 |
CN109285341A (zh) * | 2018-10-31 | 2019-01-29 | 中电科新型智慧城市研究院有限公司 | 一种基于实时视频的城市道路车辆异常停驶检测方法 |
-
2019
- 2019-10-10 CN CN201910960028.2A patent/CN110705495A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108229256A (zh) * | 2016-12-21 | 2018-06-29 | 杭州海康威视数字技术股份有限公司 | 一种道路施工检测方法及装置 |
CN106878674A (zh) * | 2017-01-10 | 2017-06-20 | 哈尔滨工业大学深圳研究生院 | 一种基于监控视频的停车检测方法及装置 |
CN109285341A (zh) * | 2018-10-31 | 2019-01-29 | 中电科新型智慧城市研究院有限公司 | 一种基于实时视频的城市道路车辆异常停驶检测方法 |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112597953A (zh) * | 2020-12-28 | 2021-04-02 | 深圳市捷顺科技实业股份有限公司 | 检测视频中通道闸区域行人的方法、装置、设备及介质 |
CN112597953B (zh) * | 2020-12-28 | 2024-04-09 | 深圳市捷顺科技实业股份有限公司 | 检测视频中通道闸区域行人的方法、装置、设备及介质 |
CN113409587A (zh) * | 2021-06-16 | 2021-09-17 | 北京字跳网络技术有限公司 | 异常车辆的检测方法、装置、设备及存储介质 |
CN113409587B (zh) * | 2021-06-16 | 2022-11-22 | 北京字跳网络技术有限公司 | 异常车辆的检测方法、装置、设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP7052663B2 (ja) | 物体検出装置、物体検出方法及び物体検出用コンピュータプログラム | |
US11790699B2 (en) | Systems and methods for traffic violation detection | |
CN107038723B (zh) | 棒状像素估计方法和系统 | |
JP7078021B2 (ja) | 物体検出装置、物体検出方法及び物体検出用コンピュータプログラム | |
US20100021010A1 (en) | System and Method for detecting pedestrians | |
CN110738081B (zh) | 异常路况检测方法及装置 | |
EP4089659A1 (en) | Map updating method, apparatus and device | |
JP7135665B2 (ja) | 車両制御システム、車両の制御方法及びコンピュータプログラム | |
JP7359735B2 (ja) | 物体状態識別装置、物体状態識別方法及び物体状態識別用コンピュータプログラムならびに制御装置 | |
JP2020052695A (ja) | 物体検出装置、物体検出方法及び物体検出用コンピュータプログラム | |
US20210174113A1 (en) | Method for limiting object detection area in a mobile system equipped with a rotation sensor or a position sensor with an image sensor, and apparatus for performing the same | |
US11482007B2 (en) | Event-based vehicle pose estimation using monochromatic imaging | |
CN109263557A (zh) | 车辆盲区侦测方法 | |
CN110705495A (zh) | 交通工具的检测方法、装置、电子设备和计算机存储介质 | |
JP7226368B2 (ja) | 物体状態識別装置 | |
Rajendar et al. | Prediction of stopping distance for autonomous emergency braking using stereo camera pedestrian detection | |
CN115546756A (zh) | 提高车辆内的情境感知能力 | |
Di et al. | Forward Collision Warning system based on vehicle detection and tracking | |
CN112289021A (zh) | 一种交通信号灯的检测方法、装置及自动驾驶汽车 | |
CN111507126B (zh) | 一种驾驶辅助系统的报警方法、装置及电子设备 | |
Thakurdesai et al. | Computer vision based position and speed estimation for accident avoidance in driverless cars | |
CN107264526A (zh) | 一种横向车辆预警方法、系统、存储介质及终端设备 | |
CN111881245B (zh) | 能见度动态地图的产生方法、装置、设备及存储介质 | |
CN113361299B (zh) | 一种异常停车的检测方法、装置、存储介质及电子设备 | |
CN116524454A (zh) | 物体追踪装置、物体追踪方法及存储介质 |
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 |