CN110781834A - 交通异常图像检测方法、装置、计算机设备及存储介质 - Google Patents
交通异常图像检测方法、装置、计算机设备及存储介质 Download PDFInfo
- Publication number
- CN110781834A CN110781834A CN201911028754.7A CN201911028754A CN110781834A CN 110781834 A CN110781834 A CN 110781834A CN 201911028754 A CN201911028754 A CN 201911028754A CN 110781834 A CN110781834 A CN 110781834A
- Authority
- CN
- China
- Prior art keywords
- traffic
- image
- area
- abnormal
- detection
- 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
-
- 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
-
- 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
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Engineering & Computer Science (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Traffic Control Systems (AREA)
- Image Analysis (AREA)
Abstract
本申请涉及一种交通异常图像检测方法、装置、计算机设备及存储介质。该方法包括:获取待检测的交通图像;采用预设的识别模型对交通图像进行识别,得到识别结果;若识别结果包括异常交通区域,将交通图像存入异常图像库,并执行二次判断过程,得到交通图像的检测结果;若识别结果未包括异常交通区域,对交通图像进行违法检测,得到交通图像的检测结果。该方法通过对交通图像进行识别,对包括异常交通区域和不包括异常交通区域的情况分别进行不同处理,其综合考虑了日常交通中的异常情况,可提升交通图像的检测效率及检测结果的准确性,且使得交通图像的检测过程愈加智能性。
Description
技术领域
本申请涉及图像识别技术领域,特别是涉及一种交通异常图像检测方法、装置、计算机设备及存储介质。
背景技术
随着人们生活水平的日益提高,机动车数量随之剧增,交通违法事件也越来越多,利用人工审核方法来审核电警抓拍的交通违法图像已不能满足审核需求。因此,交通违法图像的审核已经开始迈向智能化,其可以减少人工的工作量,提高违法图像的审核速度以及审核结果准确性。
传统技术的智能审核流程通常为:根据获取的交通违法图像及违法信息,定位图像中车牌号对应的目标车辆;再根据图像中的人、车、路面标线等结构化信息判断该目标车辆的违法行为是否成立,若成立再由人工进行二次确认。
但是,在实际的交通场景中,会存在如雨雪天气、交通事故、道路施工、交警指挥等异常情况导致的交通违法行为(但其不属于真正的违法行为),而传统技术会将其统一列入违法行为中再次由人工进行二次确认。因此,传统技术的交通图像审核方法效率及准确性仍较低。
发明内容
基于此,有必要针对传统技术的交通图像审核方法效率及准确性仍较低的问题,提供一种交通异常图像检测方法、装置、计算机设备及存储介质。
第一方面,本申请实施例提供一种交通异常图像检测方法,包括:
获取待检测的交通图像;
采用预设的识别模型对交通图像进行识别,得到识别结果;
若识别结果包括异常交通区域,将交通图像存入异常图像库,并执行二次判断过程,得到交通图像的检测结果;
若识别结果未包括异常交通区域,对交通图像进行违法检测,得到交通图像的检测结果。
在其中一个实施例中,上述执行二次判断过程,得到交通图像的检测结果,包括:
判断异常交通区域中目标车辆的行为信息是否满足预设的异常交通情况下未违法条件;
若满足异常交通情况下未违法条件,将交通图像的检测结果设置为不违法;
若不满足异常交通情况下未违法条件,将交通图像的检测结果设置为违法。
在其中一个实施例中,异常交通区域包括雨雪交通区域、道路施工区域、道路拥堵区域和交警指挥区域中的至少一个。
在其中一个实施例中,采用预设的识别模型对交通图像进行识别,得到识别结果,包括:
将交通图像输入第一识别模型进行识别;
若识别到雨雪交通区域,得到包含雨雪交通区域的识别结果;
若未识别到雨雪交通区域,则将交通图像输入到第二识别模型进行识别;
若识别到道路施工区域、道路拥堵区域和交警指挥区域中的至少一个,得到包含道路施工区域、道路拥堵区域和交警指挥区域中的至少一个的识别结果;其中,第一识别模型为识别雨雪交通区域的网络模型,第二识别模型为识别其他异常交通区域的网络模型。
在其中一个实施例中,上述将交通图像输入第二识别模型进行识别,包括:
识别交通图像的车辆数目,若车辆数目大于或者等于预设阈值,则得到包含道路拥堵区域的识别结果;
识别交通图像中的交警位置,若交警位置与目标车辆之间的距离小于或者等于预设距离,则得到包含交警指挥区域的识别结果。
在其中一个实施例中,上述方法还包括:
将二次判断过程输出的检测结果与识别模型的识别结果进行对比;
若识别模型的识别结果与二次判断过程输出的检测结果存在差异,根据差异对识别模型进行优化训练。
在其中一个实施例中,若识别结果未包括异常交通区域,对交通图像进行违法检测,得到交通图像的检测结果,包括:
识别交通图像中的目标车辆及目标车辆的行为信息;
根据行为信息与预设的交通规则标准,确定行为信息是否违法,得到交通图像的检测结果。
第二方面,本申请实施例提供一种交通异常图像检测装置,包括:
获取模块,用于获取待检测的交通图像;
识别模块,用于采用预设的识别模型对交通图像进行识别,得到识别结果;
二次判断模块,用于若识别结果包括异常交通区域,将交通图像存入异常图像库,并执行二次判断过程,得到交通图像的检测结果;
检测模块,用于若识别结果未包括异常交通区域,对交通图像进行违法检测,得到交通图像的检测结果。
第三方面,本申请实施例提供一种计算机设备,包括存储器和处理器,存储器存储有计算机程序,处理器执行计算机程序时实现以下步骤:
获取待检测的交通图像;
采用预设的识别模型对交通图像进行识别,得到识别结果;
若识别结果包括异常交通区域,将交通图像存入异常图像库,并执行二次判断过程,得到交通图像的检测结果;
若识别结果未包括异常交通区域,对交通图像进行违法检测,得到交通图像的检测结果。
第四方面,本申请实施例提供一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现以下步骤:
获取待检测的交通图像;
采用预设的识别模型对交通图像进行识别,得到识别结果;
若识别结果包括异常交通区域,将交通图像存入异常图像库,并执行二次判断过程,得到交通图像的检测结果;
若识别结果未包括异常交通区域,对交通图像进行违法检测,得到交通图像的检测结果。
上述交通异常图像检测方法、装置、计算机设备及存储介质,能够获取待检测的交通图像;采用预设的识别模型对交通图像进行识别,得到识别结果;若识别结果包括异常交通区域,将交通图像存入异常图像库,并执行二次判断过程,得到交通图像的检测结果;若识别结果未包括异常交通区域,对交通图像进行违法检测,得到交通图像的检测结果。该方法通过对交通图像进行识别,对包括异常交通区域和不包括异常交通区域的情况分别进行不同处理,其综合考虑了日常交通中的异常情况,可提升交通图像的检测效率及检测结果的准确性,且使得交通图像的检测过程愈加智能性。
附图说明
图1为一个实施例提供的交通异常图像检测方法的流程示意图;
图2为另一个实施例提供的交通异常图像检测方法的流程示意图;
图3为一个实施例提供的交通异常图像检测装置的结构示意图;
图4为另一个实施例提供的交通异常图像检测装置的结构示意图;
图5为一个实施例提供的计算机设备的内部结构示意图。
具体实施方式
本申请实施例提供的交通异常图像检测方法,可以适用于交通违法图像的审核过程,能够大大减少人工的工作量并提高违法图像的审核速度。传统技术在审核违法图像时,通常是根据图像中的人、车、路面标线等结构化信息判断该目标车辆的违法行为是否成立,若成立再由人工进行二次确认;但是其没有考虑异常交通情况,由此得到的审核结果准确性及审核效率仍较低。本申请实施例提供的交通异常图像检测方法、装置、计算机设备及存储介质,旨在解决上述技术问题。
为了使本申请的目的、技术方案及优点更加清楚明白,通过下述实施例并结合附图,对本申请实施例中的技术方案进行进一步的详细说明。应当理解,此处所描述的具体实施例仅用以解释本申请,并不用于限定本申请。
需要说明的是,下述方法实施例的执行主体可以是交通异常图像检测装置,该装置可以通过软件、硬件或者软硬件结合的方式实现成为计算机设备的部分或者全部。下述方法实施例以执行主体为计算机设备为例进行说明。
图1为一个实施例提供的交通异常图像检测方法的流程示意图。本实施例涉及的是计算机设备采用识别模型对待检测的交通图像进行识别,根据识别结果进行不同的检测的过程。如图1所示,该方法包括:
S101,获取待检测的交通图像。
具体的,计算机设备首先获取待检测的交通图像,该交通图像可以为电警抓拍的图像,其还可以包括电警抓拍的相应违法信息,如目标车辆的车牌号、车标、违法类型、违法时间、违法地点等。然后计算机设备可以采取下面步骤的方法判断该交通图像中的违法信息是否成立,以得到交通图像的检测结果。
可选的,计算机设备可以实时从存储电警抓拍的图像库中获取待检测的交通图像,也可以在固定的时间间隔从图像库中获取待检测的交通图像,本实施例对此不做限制。
S102,采用预设的识别模型对交通图像进行识别,得到识别结果。
具体的,计算机设备可以采用预设的识别模型对上述交通图像进行识别,得到识别结果,本步骤中,计算机设备识别的目的为判断该交通图像中是否有异常交通区域;若有异常交通区域,则计算机设备可以将异常交通区域中目标车辆的行为信息置为不违法。可选的,该异常交通区域可以包括雨雪交通区域、道路施工区域、道路拥堵区域和交警指挥区域中的至少一个。可选的,识别结果可以包括异常交通区域的标记结果、异常交通区域中目标车辆的标记结果及其行为信息。
可选的,上述预设的识别模型可以为神经网络模型,如卷积神经网络(Convolutional Neural Networks,CNN)、全卷积网络(Fully Convolutional Networks,FCN),也可以为其他深度学习模型、机器学习模型,只要具有识别异常交通区域的功能即可,本实施例对此不做限制。
可选的,上述识别模型的训练过程可以为:获取训练样本图像,该训练样本图像包括异常区域且该图像中车辆的行为是不违法行为,利用该训练样本图像对上述识别模型进行训练,得到收敛的识别模型。
S103,若识别结果包括异常交通区域,将交通图像存入异常图像库,并执行二次判断过程,得到交通图像的检测结果。
具体的,若上述识别结果包括异常交通区域,则计算机设备可以将该交通图像存入异常图像库,然后对异常图像库中的交通图像进行二次判断,判断该交通图像中目标车辆的行为是否为真正的违法行为,得到该交通图像的检测结果。
例如,在下雪天气,电警抓拍到一目标车辆在直行车道上左转,计算机设备采用识别模型对抓拍到的交通图像进行识别后,由于识别到了雨雪交通区域,因地面上的雪会将行驶指引线覆盖,便将其行为信息置为不违法存入异常图像库中。然后计算机设备再对其进行二次判断,若检测到目标车标为正常行驶(如正常左转行驶),则判断其确为不违法行为;若检测到目标车辆为不正常行驶(如该路口为不允许左转),则判断其为真正的违法行为。
S104,若识别结果未包括异常交通区域,对交通图像进行违法检测,得到交通图像的检测结果。
具体的,若上述识别结果未包括异常交通区域,则计算机设备对该交通图像进行违法检测。可选的,计算机设备可以识别交通图像中的目标车辆及该目标车辆的行为信息,然后根据行为信息与预设的交通规则标准,确定该行为信息是否违法,可选的,计算机设备可以提取交通图像中的人、车辆、路面标线等结构化信息,确定目标车辆的行为信息是否违法,得到交通图像的检测结果。
可选的,计算机设备还可以采用训练收敛的检测网络模型确定上述行为信息是否违法,以得到交通图像的检测结果。
可选的,在上述S103或S104得到交通图像的检测结果之后,可以再由人工进行确认,以进一步提高交通图像的检测结果。针对异常交通区域和非异常交通区域中的违法行为,还可以将其作为违法证据链,为后续的违法处罚提供证据。
本实施例提供的交通异常图像检测方法,计算机设备首先采用识别模型对获取的待检测的交通图像进行识别,判断该交通图像中是否包括异常交通区域,得到识别结果;若包括异常交通区域,则对其执行二次判断过程,判断其是否为真正的违法行为;若不包括异常交通区域,则对其进行正常违法检测,得到交通图像的检测结果。该方法通过对交通图像进行识别,对包括异常交通区域和不包括异常交通区域的情况分别进行不同处理,其综合考虑了日常交通中的异常情况,可提升交通图像的检测效率及检测结果的准确性,且使得交通图像的检测过程愈加智能性。
可选的,在其中一些实施例中,上述执行二次判断过程,得到交通图像的检测结果的过程可以包括:判断异常交通区域中目标车辆的行为信息是否满足预设的异常交通情况下未违法条件;若满足异常交通情况下未违法条件,将交通图像的检测结果设置为不违法;若不满足异常交通情况下未违法条件,将交通图像的检测结果设置为违法。
具体的,针对异常交通情况,可以根据搜索的大量图像数据,制定异常交通条件库,如雨雪天气正常行驶情况下压线为不违法、闯红灯为违法,有交警单独指挥情况下闯红灯不违法、不避让行人为违法等。然后计算机设备判断上述异常交通区域中目标车辆的行为信息是否满足预设的异常交通情况下未违法条件,若满足,则将其检测结果设置为不违法,若不满足,则将其检测结果设置为违法。
由上述实施例可知,异常交通区域可以包括雨雪交通区域、道路施工区域、道路拥堵区域和交警指挥区域,那么针对不同的异常交通情况,所进行的识别方法也不同,下面具体介绍不同异常交通情况所进行的识别过程。
图2为另一个实施例提供的交通异常图像检测方法的流程示意图。本实施例涉及的是计算机设备采用识别模型对交通图像进行识别,得到识别结果的具体过程。在上述实施例的基础上,可选的,如图2所示,S102可以包括:
S201,将交通图像输入第一识别模型进行识别。
S202,若识别到雨雪交通区域,得到包含雨雪交通区域的识别结果。
具体的,因雨雪天气场景与正常天气场景的差别较大,因此计算机设备可以先进行雨雪交通区域的识别。第一识别模型为识别雨雪交通区域的网络模型,计算机设备将交通图像输入该第一识别模型,可以识别出是否包括雨雪交通区域,以及雨雪交通区域中目标车辆的标记结果。可选的,计算机设备可以采用场景信息识别技术进行雨雪天气的识别。可选的,第一识别模型可以为神经网络模型,如ResNet18网络,也可以为其他具有分类能力的网络,本实施例对此不做限制。
可选的,ResNet18网络的训练方法可以为:利用大量雨雪天气的违法图像(但不是真正的违法行为)以及正常天气的违法图像作为训练数据,采用交叉熵损失函数计算损失值,对ResNet18网络进行训练。可选的,交叉熵损失函数可以为:其中,q(x)为训练数据的真实类别标签,p(x)为网络的输出类别。
S203,若未识别到雨雪交通区域,则将交通图像输入第二识别模型进行识别。
S204,若识别到道路施工区域、道路拥堵区域和交警指挥区域中的至少一个,得到包含道路施工区域、道路拥堵区域和交警指挥区域中的至少一个的识别结果;其中,第一识别模型为识别雨雪交通区域的网络模型,第二识别模型为识别其他异常交通区域的网络模型。
具体的,若第一识别模型没有识别到雨雪交通区域,则将交通图像输入第二识别模型进行识别,该第二识别模型为识别除雨雪交通区域之外的其他异常交通区域的网络模型。若计算机设备识别到道路施工区域、道路拥堵区域和交警指挥区域中的至少一个,则将异常交通区域及该区域中的目标车辆进行标记。
可选的,第二识别模型可以为神经网络模型,如SSD(Single Shot MultiBoxDetector)网络,也可以为其他具有检测能力的网络,本实施例对此不做限制。
可选的,针对SSD网络的训练过程可以为:对于道路施工区域,利用大量包含修路、施工标志以及施工人员的图像,对其中的施工人员及修路、施工标志进行标注(包括位置和类别),作为训练数据对SSD网络进行训练。对于训练收敛的SSD网络,通过对交通图像中修路、施工标志以及施工人员进行检测,若包含有修路、施工标志或者施工人员,则得到包含道路施工区域的识别结果。可选的,计算机设备可以采用特定标志识别技术进行道路施工区域的识别。
对于道路拥堵区域,利用大量拥堵及正常道路的图像,对其中的车辆进行标注,并设置车辆数目的阈值,作为训练数据对SSD网络进行训练。对于训练收敛的SSD网络,可以识别交通图像的车辆数目,若车辆数目大于或者等于预设阈值,则得到包含道路拥堵区域的识别结果。可选的,计算机设备可以采用密集车辆检测技术进行道路拥堵区域的识别。
对于交警指挥区域,利用大量具有交警指挥的图像,对其中的交警进行标注(如交警位置),计算交警与车辆之间的距离,作为训练数据对SSD网络进行训练。对于训练收敛的SSD网络,可以识别交通图像中的交警位置,若交警位置与目标车辆之间的距离小于或者等于预设距离,则得到包含交警指挥区域的识别结果。可选的,计算机设备可以采用行人检测与交警识别的技术进行交警指挥区域的识别。
可选的,上述对识别是否包含道路施工区域、道路拥堵区域和交警指挥区域的第二识别模型可以为同一个网络模型,也可以为不同的具有检测能力的网络模型。
可选的,本实施例中识别到的目标车辆,计算机设备可以将其行为信息设置为不违法,然后执行二次判断过程。
本实施例提供的交通异常图像检测方法,计算机设备首先利用第一识别模型对交通图像进行识别,判断是否包含雨雪交通区域;若未包含再利用第二识别模型对交通图像进行识别,判断是否包含道路施工区域、道路拥堵区域和交警指挥区域中的至少一个。该方法采用逐层递进方法对交通图像中的异常交通区域进行识别,可提高交通图像的识别结果,进一步提高交通图像的检测结果。
有上述实施例可知,对具有异常交通区域的交通图像,计算机设备可以将其中目标车辆的行为信息设置为不违法,但二次判断阶段的结果可以包括违法和不违法,即确为违法行为和不违法行为,也就是说,识别模型的识别结果与二次判断过程输出的检测结果可能有差异。可选的,若存在上述差异,则计算机设备可以利用该差异对识别模型再次进行训练,以使识别模型不断学习与调优,不断提升识别模型的识别准确率。
应该理解的是,虽然图1、图2的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,图1、图2中的至少一部分步骤可以包括多个子步骤或者多个阶段,这些子步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些子步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
图3为一个实施例提供的交通异常图像检测装置的结构示意图。如图3所示,该装置包括:获取模块11、识别模块12、二次判断模块13和检测模块14。
具体的,获取模块11,用于获取待检测的交通图像;
识别模块12,用于采用预设的识别模型对交通图像进行识别,得到识别结果。
二次判断模块13,用于若识别结果包括异常交通区域,将交通图像存入异常图像库,并执行二次判断过程,得到交通图像的检测结果。
检测模块14,用于若识别结果未包括异常交通区域,对交通图像进行违法检测,得到交通图像的检测结果。
本实施例提供的交通异常图像检测装置,可以执行上述方法实施例,其实现原理和技术效果类似,在此不再赘述。
在其中一个实施例中,上述二次判断模块13,具体用于判断异常交通区域中目标车辆的行为信息是否满足预设的异常交通情况下未违法条件;若满足异常交通情况下未违法条件,将交通图像的检测结果设置为不违法;若不满足异常交通情况下未违法条件,将交通图像的检测结果设置为违法。
在其中一个实施例中,异常交通区域包括雨雪交通区域、道路施工区域、道路拥堵区域和交警指挥区域中的至少一个。
在其中一个实施例中,上述识别模块12,具体用于将交通图像输入第一识别模型进行识别;若识别到雨雪交通区域,得到包含雨雪交通区域的识别结果;若未识别到雨雪交通区域,则将交通图像输入第二识别模型进行识别;若识别到道路施工区域、道路拥堵区域和交警指挥区域中的至少一个,得到包含道路施工区域、道路拥堵区域和交警指挥区域中的至少一个的识别结果;其中,第一识别模型为识别雨雪交通区域的网络模型,第二识别模型为识别其他异常交通区域的网络模型。
在其中一个实施例中,上述识别模块12,具体用于识别交通图像的车辆数目,若车辆数目大于或者等于预设阈值,则得到包含道路拥堵区域的识别结果;以及识别交通图像中的交警位置,若交警位置与目标车辆之间的距离小于或者等于预设距离,则得到包含交警指挥区域的识别结果。
图4为另一个实施例提供的交通异常图像检测装置的结构示意图。在上述图3所示实施例的基础上,上述装置还包括训练模块15。
具体的,训练模块15,用于将二次判断过程输出的检测结果与识别模型的识别结果进行对比;以及若识别模型的识别结果与二次判断过程输出的检测结果存在差异,根据差异对识别模型进行优化训练。
本实施例提供的交通异常图像检测装置,可以执行上述方法实施例,其实现原理和技术效果类似,在此不再赘述。
在其中一个实施例中,上述检测模块14,具体用于识别交通图像中的目标车辆及目标车辆的行为信息;根据行为信息与预设的交通规则标准,确定行为信息是否违法,得到交通图像的检测结果。
关于交通异常图像检测装置的具体限定可以参见上文中对于交通异常图像检测方法的限定,在此不再赘述。上述交通异常图像检测装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
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,其内部结构图可以如图5所示。该计算机设备包括通过系统总线连接的处理器、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系统、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系统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交通异常图像检测方法。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5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。
在一个实施例中,提供了一种计算机设备,包括存储器和处理器,存储器中存储有计算机程序,该处理器执行计算机程序时实现以下步骤:
获取待检测的交通图像;
采用预设的识别模型对交通图像进行识别,得到识别结果;
若识别结果包括异常交通区域,将交通图像存入异常图像库,并执行二次判断过程,得到交通图像的检测结果;
若识别结果未包括异常交通区域,对交通图像进行违法检测,得到交通图像的检测结果。
本实施例提供的计算机设备,其实现原理和技术效果与上述方法实施例类似,在此不再赘述。
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:
判断异常交通区域中目标车辆的行为信息是否满足预设的异常交通情况下未违法条件;
若满足异常交通情况下未违法条件,将交通图像的检测结果设置为不违法;
若不满足异常交通情况下未违法条件,将交通图像的检测结果设置为违法。
在一个实施例中,异常交通区域包括雨雪交通区域、道路施工区域、道路拥堵区域和交警指挥区域中的至少一个。
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:
将交通图像输入第一识别模型进行识别;
若识别到雨雪交通区域,得到包含雨雪交通区域的识别结果;
若未识别到雨雪交通区域,则将交通图像输入到第二识别模型进行识别;
若识别到道路施工区域、道路拥堵区域和交警指挥区域中的至少一个,得到包含道路施工区域、道路拥堵区域和交警指挥区域中的至少一个的识别结果;其中,第一识别模型为识别雨雪交通区域的网络模型,第二识别模型为识别其他异常交通区域的网络模型。
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:
识别交通图像的车辆数目,若车辆数目大于或者等于预设阈值,则得到包含道路拥堵区域的识别结果;
识别交通图像中的交警位置,若交警位置与目标车辆之间的距离小于或者等于预设距离,则得到包含交警指挥区域的识别结果。
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:
将二次判断过程输出的检测结果与识别模型的识别结果进行对比;
若识别模型的识别结果与二次判断过程输出的检测结果存在差异,根据差异对识别模型进行优化训练。
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:
识别交通图像中的目标车辆及目标车辆的行为信息;
根据行为信息与预设的交通规则标准,确定行为信息是否违法,得到交通图像的检测结果。
在一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现以下步骤:
获取待检测的交通图像;
采用预设的识别模型对交通图像进行识别,得到识别结果;
若识别结果包括异常交通区域,将交通图像存入异常图像库,并执行二次判断过程,得到交通图像的检测结果;
若识别结果未包括异常交通区域,对交通图像进行违法检测,得到交通图像的检测结果。
本实施例提供的计算机可读存储介质,其实现原理和技术效果与上述方法实施例类似,在此不再赘述。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
判断异常交通区域中目标车辆的行为信息是否满足预设的异常交通情况下未违法条件;
若满足异常交通情况下未违法条件,将交通图像的检测结果设置为不违法;
若不满足异常交通情况下未违法条件,将交通图像的检测结果设置为违法。
在一个实施例中,异常交通区域包括雨雪交通区域、道路施工区域、道路拥堵区域和交警指挥区域中的至少一个。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
将交通图像输入第一识别模型进行识别;
若识别到雨雪交通区域,得到包含雨雪交通区域的识别结果;
若未识别到雨雪交通区域,则将交通图像输入到第二识别模型进行识别;
若识别到道路施工区域、道路拥堵区域和交警指挥区域中的至少一个,得到包含道路施工区域、道路拥堵区域和交警指挥区域中的至少一个的识别结果;其中,第一识别模型为识别雨雪交通区域的网络模型,第二识别模型为识别其他异常交通区域的网络模型。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
识别交通图像的车辆数目,若车辆数目大于或者等于预设阈值,则得到包含道路拥堵区域的识别结果;
识别交通图像中的交警位置,若交警位置与目标车辆之间的距离小于或者等于预设距离,则得到包含交警指挥区域的识别结果。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
将二次判断过程输出的检测结果与识别模型的识别结果进行对比;
若识别模型的识别结果与二次判断过程输出的检测结果存在差异,根据差异对识别模型进行优化训练。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
识别交通图像中的目标车辆及目标车辆的行为信息;
根据行为信息与预设的交通规则标准,确定行为信息是否违法,得到交通图像的检测结果。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限,RAM以多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
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发明专利范围的限制。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,本申请专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种交通异常图像检测方法,其特征在于,包括:
获取待检测的交通图像;
采用预设的识别模型对所述交通图像进行识别,得到识别结果;
若所述识别结果包括异常交通区域,将所述交通图像存入异常图像库,并执行二次判断过程,得到所述交通图像的检测结果;
若所述识别结果未包括所述异常交通区域,对所述交通图像进行违法检测,得到所述交通图像的检测结果。
2.根据权利要求1所述的方法,其特征在于,所述执行二次判断过程,得到所述交通图像的检测结果,包括:
判断所述异常交通区域中目标车辆的行为信息是否满足预设的异常交通情况下未违法条件;
若满足所述异常交通情况下未违法条件,将所述交通图像的检测结果设置为不违法;
若不满足所述异常交通情况下未违法条件,将所述交通图像的检测结果设置为违法。
3.根据权利要求1或2所述的方法,其特征在于,所述异常交通区域包括雨雪交通区域、道路施工区域、道路拥堵区域和交警指挥区域中的至少一个。
4.根据权利要求3所述的方法,其特征在于,所述采用预设的识别模型对所述交通图像进行识别,得到识别结果,包括:
将所述交通图像输入第一识别模型进行识别;
若识别到所述雨雪交通区域,得到包含所述雨雪交通区域的识别结果;
若未识别到所述雨雪交通区域,则将所述交通图像输入第二识别模型进行识别;
若识别到所述道路施工区域、所述道路拥堵区域和所述交警指挥区域中的至少一个,得到包含所述道路施工区域、所述道路拥堵区域和所述交警指挥区域中的至少一个的识别结果;其中,所述第一识别模型为识别雨雪交通区域的网络模型,所述第二识别模型为识别其他异常交通区域的网络模型。
5.根据权利要求4所述的方法,其特征在于,所述将所述交通图像输入第二识别模型进行识别,包括:
识别所述交通图像的车辆数目,若所述车辆数目大于或者等于预设阈值,则得到包含所述道路拥堵区域的识别结果;
识别所述交通图像中的交警位置,若所述交警位置与目标车辆之间的距离小于或者等于预设距离,则得到包含所述交警指挥区域的识别结果。
6.根据权利要求1所述的方法,其特征在于,所述方法还包括:
将所述二次判断过程输出的检测结果与所述识别模型的识别结果进行对比;
若所述识别模型的识别结果与所述二次判断过程输出的检测结果存在差异,根据所述差异对所述识别模型进行优化训练。
7.根据权利要求1所述的方法,其特征在于,所述若所述识别结果未包括所述异常交通区域,对所述交通图像进行违法检测,得到所述交通图像的检测结果,包括:
识别所述交通图像中的目标车辆及所述目标车辆的行为信息;
根据所述行为信息与预设的交通规则标准,确定所述行为信息是否违法,得到所述交通图像的检测结果。
8.一种交通异常图像检测装置,其特征在于,包括:
获取模块,用于获取待检测的交通图像;
识别模块,用于采用预设的识别模型对所述交通图像进行识别,得到识别结果;
二次判断模块,用于若所述识别结果包括异常交通区域,将所述交通图像存入异常图像库,并执行二次判断过程,得到所述交通图像的检测结果;
检测模块,用于若所述识别结果未包括所述异常交通区域,对所述交通图像进行违法检测,得到所述交通图像的检测结果。
9.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,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1-7中任一项所述方法的步骤。
10.一种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权利要求1-7中任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911028754.7A CN110781834A (zh) | 2019-10-28 | 2019-10-28 | 交通异常图像检测方法、装置、计算机设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911028754.7A CN110781834A (zh) | 2019-10-28 | 2019-10-28 | 交通异常图像检测方法、装置、计算机设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110781834A true CN110781834A (zh) | 2020-02-11 |
Family
ID=69386988
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911028754.7A Pending CN110781834A (zh) | 2019-10-28 | 2019-10-28 | 交通异常图像检测方法、装置、计算机设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110781834A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112200835A (zh) * | 2020-09-27 | 2021-01-08 | 浙江大华技术股份有限公司 | 一种交通事故检测方法、装置、电子设备及存储介质 |
CN112288716A (zh) * | 2020-10-28 | 2021-01-29 | 中冶赛迪重庆信息技术有限公司 | 一种钢卷打捆状态检测方法、系统、终端及介质 |
CN112509325A (zh) * | 2020-12-04 | 2021-03-16 | 公安部交通管理科学研究所 | 一种基于视频深度学习的非现场违法自动甄别方法 |
CN116681955A (zh) * | 2023-07-31 | 2023-09-01 | 深圳鲲云信息科技有限公司 | 用于交通护栏异常识别的方法及计算设备 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105206052A (zh) * | 2015-09-21 | 2015-12-30 | 张力 | 一种驾驶行为分析方法及设备 |
CN105788269A (zh) * | 2016-05-12 | 2016-07-20 | 招商局重庆交通科研设计院有限公司 | 基于无人机的异常交通识别方法 |
CN107480587A (zh) * | 2017-07-06 | 2017-12-15 | 阿里巴巴集团控股有限公司 | 一种模型配置以及图像识别的方法及装置 |
CN108764208A (zh) * | 2018-06-08 | 2018-11-06 | Oppo广东移动通信有限公司 | 图像处理方法和装置、存储介质、电子设备 |
CN108764042A (zh) * | 2018-04-25 | 2018-11-06 | 深圳市科思创动科技有限公司 | 一种异常路况信息识别方法、装置及终端设备 |
CN108874777A (zh) * | 2018-06-11 | 2018-11-23 | 北京奇艺世纪科技有限公司 | 一种文本反垃圾的方法及装置 |
US20190188501A1 (en) * | 2017-12-18 | 2019-06-20 | Korea Institute Of Civil Engineering And Building Technology | Artificial intelligence system for providing road surface risk information and method thereof |
JP2019139346A (ja) * | 2018-02-07 | 2019-08-22 | シャープ株式会社 | 画像認識装置、画像認識システム及びプログラム |
CN110163300A (zh) * | 2019-05-31 | 2019-08-23 | 北京金山云网络技术有限公司 | 一种图像分类方法、装置、电子设备及存储介质 |
-
2019
- 2019-10-28 CN CN201911028754.7A patent/CN110781834A/zh active Pending
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105206052A (zh) * | 2015-09-21 | 2015-12-30 | 张力 | 一种驾驶行为分析方法及设备 |
CN105788269A (zh) * | 2016-05-12 | 2016-07-20 | 招商局重庆交通科研设计院有限公司 | 基于无人机的异常交通识别方法 |
CN107480587A (zh) * | 2017-07-06 | 2017-12-15 | 阿里巴巴集团控股有限公司 | 一种模型配置以及图像识别的方法及装置 |
US20190188501A1 (en) * | 2017-12-18 | 2019-06-20 | Korea Institute Of Civil Engineering And Building Technology | Artificial intelligence system for providing road surface risk information and method thereof |
JP2019139346A (ja) * | 2018-02-07 | 2019-08-22 | シャープ株式会社 | 画像認識装置、画像認識システム及びプログラム |
CN108764042A (zh) * | 2018-04-25 | 2018-11-06 | 深圳市科思创动科技有限公司 | 一种异常路况信息识别方法、装置及终端设备 |
CN108764208A (zh) * | 2018-06-08 | 2018-11-06 | Oppo广东移动通信有限公司 | 图像处理方法和装置、存储介质、电子设备 |
CN108874777A (zh) * | 2018-06-11 | 2018-11-23 | 北京奇艺世纪科技有限公司 | 一种文本反垃圾的方法及装置 |
CN110163300A (zh) * | 2019-05-31 | 2019-08-23 | 北京金山云网络技术有限公司 | 一种图像分类方法、装置、电子设备及存储介质 |
Non-Patent Citations (1)
Title |
---|
韩超: "场景分类与道路场景异常识别算法研究", 《中国优秀博硕士学位论文全文数据库(硕士)》 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112200835A (zh) * | 2020-09-27 | 2021-01-08 | 浙江大华技术股份有限公司 | 一种交通事故检测方法、装置、电子设备及存储介质 |
CN112200835B (zh) * | 2020-09-27 | 2023-04-07 | 浙江大华技术股份有限公司 | 一种交通事故检测方法、装置、电子设备及存储介质 |
CN112288716A (zh) * | 2020-10-28 | 2021-01-29 | 中冶赛迪重庆信息技术有限公司 | 一种钢卷打捆状态检测方法、系统、终端及介质 |
CN112288716B (zh) * | 2020-10-28 | 2023-10-27 | 中冶赛迪信息技术(重庆)有限公司 | 一种钢卷打捆状态检测方法、系统、终端及介质 |
CN112509325A (zh) * | 2020-12-04 | 2021-03-16 | 公安部交通管理科学研究所 | 一种基于视频深度学习的非现场违法自动甄别方法 |
CN116681955A (zh) * | 2023-07-31 | 2023-09-01 | 深圳鲲云信息科技有限公司 | 用于交通护栏异常识别的方法及计算设备 |
CN116681955B (zh) * | 2023-07-31 | 2023-11-28 | 深圳鲲云信息科技有限公司 | 用于交通护栏异常识别的方法及计算设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110781834A (zh) | 交通异常图像检测方法、装置、计算机设备及存储介质 | |
CN110533923B (zh) | 停车管理方法、装置、计算机设备及存储介质 | |
CN106600977B (zh) | 基于多特征识别的违停检测方法及系统 | |
CN102903239B (zh) | 交通路口车辆左右违章转向检测方法和系统 | |
CN109637151B (zh) | 一种高速公路应急车道违章行驶的识别方法 | |
CN110738857B (zh) | 一种车辆违章取证方法、装置及设备 | |
KR100969995B1 (ko) | 영상처리기법을 이용한 신호교차로의 교통상충 판단 시스템및 방법 | |
CN110929589B (zh) | 车辆特征识别的方法、设备、计算机设备和存储介质 | |
CN110706261A (zh) | 车辆违章检测方法、装置、计算机设备和存储介质 | |
CN113470374B (zh) | 车辆超速监测方法、装置、计算机设备及存储介质 | |
CN110866479A (zh) | 一种检测摩托车驾驶员未戴头盔的方法、装置及系统 | |
CN112509364A (zh) | 车辆停车状态的确定方法、装置、计算机设备及存储介质 | |
CN110675637A (zh) | 车辆违法视频的处理方法、装置、计算机设备及存储介质 | |
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 | |
CN111923857B (zh) | 车辆盲区检测处理方法、装置、车载终端和存储介质 | |
CN113822285A (zh) | 一种用于复杂应用场景的车辆违停识别方法 | |
CN112733598A (zh) | 车辆违法判别方法、装置、计算机设备和存储介质 | |
CN112365719A (zh) | 一种车位管理方法、装置、计算机设备及存储介质 | |
CN104765859A (zh) | 违停车辆信息的录入方法及系统 | |
CN111680633A (zh) | 车辆违章识别方法、装置、计算机设备及存储介质 | |
CN112580457A (zh) | 车辆视频的处理方法、装置、计算机设备和存储介质 | |
CN114693722B (zh) | 一种车辆行驶行为检测方法、检测装置及检测设备 | |
CN107622667B (zh) | 一种变造车牌号码检测方法及系统 | |
CN110718071B (zh) | 图像采集设备的校验方法、装置、计算机设备和存储介质 | |
CN111274931A (zh) | 超车行为的审核方法、装置、计算机设备和存储介质 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200211 |
|
RJ01 | Rejection of invention patent application after publication |