CN111178224A - 物体规则判断方法、装置、计算机设备和存储介质 - Google Patents
物体规则判断方法、装置、计算机设备和存储介质 Download PDFInfo
- Publication number
- CN111178224A CN111178224A CN201911353403.3A CN201911353403A CN111178224A CN 111178224 A CN111178224 A CN 111178224A CN 201911353403 A CN201911353403 A CN 201911353403A CN 111178224 A CN111178224 A CN 111178224A
- Authority
- CN
- China
- Prior art keywords
- target object
- rule
- characteristic shape
- scene image
- image
- 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 57
- 230000011218 segmentation Effects 0.000 claims description 22
- 238000004422 calculation algorithm Methods 0.000 claims description 21
- 238000001514 detection method Methods 0.000 claims description 21
- 238000004458 analytical method Methods 0.000 claims description 10
- 238000004590 computer program Methods 0.000 claims description 10
- 238000007635 classification algorithm Methods 0.000 claims description 5
- 238000010586 diagram Methods 0.000 description 11
- 230000006399 behavior Effects 0.000 description 4
- 238000013527 convolutional neural network Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000003709 image segmentation Methods 0.000 description 3
- 238000000605 extraction Methods 0.000 description 2
- 230000009545 invasion Effects 0.000 description 2
- 238000012806 monitoring device Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
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
- G06V20/588—Recognition of the road, e.g. of lane markings; Recognition of the vehicle driving pattern in relation to the road
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/12—Edge-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/181—Segmentation; Edge detection involving edge growing; involving edge linking
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/20—Analysis of motion
- G06T7/215—Motion-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10004—Still image; Photographic image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10016—Video; Image sequence
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30248—Vehicle exterior or interior
- G06T2207/30252—Vehicle exterior; Vicinity of vehicle
- G06T2207/30256—Lane; Road marking
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Geometry (AREA)
- Image Analysis (AREA)
Abstract
本申请涉及一种物体规则判断方法、装置、计算机设备和存储介质。所述方法包括:通过获取场景图像,获取场景图像中的目标物体并计算目标物体的特征形状,上述特征形状为目标物体的外接多边形,将目标物体的特征形状的位置与场景图像中的规则线对比,并根据规则信息判断目标物体是否符合上述规则信息,实现了用与目标物体的轮廓契合度更高的外接多边形作为目标物体的特征形状并以该特征形状作为规则判断的依据,从而使得目标物体的轮廓更加精确,提高了规则判断的准确性。
Description
技术领域
本申请涉及物体识别追踪技术领域,特别是涉及一种物体规则判断的方法、装置、计算机设备和存储介质。
背景技术
随着图像识别和物体追踪技术的发展,出现了关于物体规则判断的技术,针对特定场景进行事件判断,通常需要获取目标物体的位置,并且将目标物体的位置与设置好的规则线或者区域进行判断,得到是否触发特定事件的结果,例如交通应用中的车辆压线、违规变道和区域入侵等。
然而,相关技术中使用矩形来表示视频或图像中的目标,常常因为相机安装位置或者拍照角度等导致目标只占矩形区域的一部分,且目标物体外接矩形无法很好的表示目标的轮廓信息,常常会导致误判。
针对相关技术中,目标物体轮廓信息识别不清导致规则误判的问题,目前尚未提出有效的解决方案。
发明内容
基于此,有必要针对上述技术问题,提供一种物体规则判断方法、装置、计算机设备和存储介质。
根据本发明的一个方面,提供了一种物体规则判断的方法,包括以下步骤:
获取场景图像以及规则信息,其中,所述场景图像包括目标物体和基于所述场景的规则线;
获取所述场景图像中的目标物体,并计算所述目标物体的特征形状,其中,所述特征形状包括所述目标物体的外接多边形;
对比所述特征形状与所述规则线的位置关系,判断所述位置关系是否符合所述规则信息,其中,所述规则信息指示违规行为。
在其中一个实施例中,所述获取所述场景图像中的目标物体,并计算所述目标物体的特征形状包括:
获取所述场景图像中的目标物体,并计算所述目标物体的特征形状,其中,所述特征形状包括所述目标物体的分割图。
在其中一个实施例中,所述获取所述场景图像中的目标物体,并计算所述目标物体的特征形状包括:
使用目标检测算法对所述场景图像进行检测分析,获取所述场景图像中的目标物体分析结果;
根据像素分类算法,获取所述目标物体分析结果的分割图,对所述分割图中的轮廓点进行多边形拟合,获取所述目标物体的外接多边形,指示所述外接多边形为所述特征形状。
在其中一个实施例中,所述获取所述场景图像中的目标物体,并计算所述目标物体的特征形状包括:
根据像素级别的目标检测算法得到所述目标物体的轮廓信息并且根据所述轮廓信息获取所述目标物体的轮廓线,对所述外接轮廓线进行多边形拟合,得到所述目标物体的外接多边形,指示所述外接多边形为所述特征形状。
在其中一个实施例中,所述对比所述特征形状与所述规则线的位置关系,判断所述关系是否符合所述规则信息包括:
在所述特征形状与所述规则线相交的情况下,判断所述目标物体符合所述规则信息;
所述规则线构成规则区域,在所述特征形状与所述规则区域的重合面积大于预设阈值的情况下,判断所述目标物体符合所述规则信息。
在其中一个实施例中,所述对比所述特征形状与所述规则线的位置关系,判断所述关系是否符合所述规则信息包括:
在所述场景图像中,所述特征形状与所述规则线相交;
获取所述场景图像的前帧图像和后帧图像,获取所述前帧图像中的所述目标物体,并计算所述目标物体的第一特征形状,获取所述后帧图像中的所述目标物体,并计算所述目标物体的第二特征形状;
在所述前帧图像和所述后帧图像中均标记所述规则线划分的第一区域和第二区域;
在所述前帧图像中,所述第一特征形状位于所述第一区域,在所述后帧图像中,所述第二特征形状位于所述第二区域,判断所述目标物体符合所述规则信息。
根据本发明的另一个方面,提供了一种物体规则判断装置,所述装置包括:
图像模块,用于获取场景图像以及规则信息,其中,所述场景图像包括目标物体和基于所述场景的规则线;
目标检测模块,用于获取所述场景图像中的目标物体,并计算所述目标物体的特征形状;
规则判断模块,用于对比所述特征形状与所述规则线的位置关系,判断所述位置关系是否符合所述规则信息。
在其中一个实施例中,所述目标检测模块用于获取所述场景图像中的目标物体,并计算所述目标物体的特征形状,其中,所述特征形状包括所述目标物体的分割图。
根据本发明的另一个方面,还提供一种计算机设备,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物体规则判断方法。
根据本发明的另一个方面,还提供一种计算机可读存储介质,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上述物体规则判断方法。
上述物体规则判断方法、装置、计算机设备和存储介质,通过获取场景图像,获取场景图像中的目标物体并计算目标物体的特征形状,上述特征形状为目标物体的外接多边形,将目标物体的特征形状的位置与场景图像中的规则线对比,并根据规则信息判断目标物体是否符合上述规则信息,实现了用与目标物体的轮廓契合度更高的外接多边形作为目标物体的特征形状并以该特征形状作为规则判断的依据,从而使得目标物体的轮廓更加精确,提高了规则判断的准确性。
附图说明
图1是根据本发明一个实施例中物体规则判断方法的应用场景图;
图2是根据本发明一个实施例中物体规则判断方法的流程图一;
图3是根据本发明一个实施例中物体规则判断方法的流程图二;
图4是根据本发明一个实施例中物体规则判断方法的流程图三;
图5是根据本发明一个实施例中物体规则判断方法的流程图四;
图6是根据本发明一个实施例中物体规则判断方法的流程图五;
图7是根据本发明一个实施例中物体规则判断方法的流程图六;
图8是根据本发明一个具体实施例种物体规则判断的方法流程图;
图9是根据本发明一个具体实施例中的物体规则判断的方法实例示意图一;
图10是根据本发明一个具体实施例中的物体规则判断的方法实例示意图二;
图11是根据本发明一个具体实施例中的物体规则判断的方法实例示意图三;
图12是根据本发明一个具体实施例中的物体规则判断的方法实例示意图四;
图13是根据本发明一个实施例中的物体规则判断装置示意图。
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,对本申请进行进一步详细说明。应当理解,此处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。
图1是根据本发明一个实施例中物体规则判断方法的应用场景图,本申请提供的物体规则判断方法,可以应用于如图1所示的应用环境中。其中,终端102通过网络与服务器104通过网络进行通信,外接监控设备106通过网络与服务器104进行通信。外接监控设备106采集视频或者图像信息,并且将采集到的视频或者图像信息发送给服务器104,服务器104获取用于判断的场景图像,同时,服务器104获取终端102发来的或者存储在服务器104中的规则信息,服务器104获取场景图像中的目标物体和该场景下的规则线,计算目标物体的特征形状,而后对比特征形状与规则线的位置关系,从而判断该目标物体是否符合规则信息,将判断结果反馈给终端102。其中,终端102可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备,服务器104可以用独立的服务器或者是多个服务器组成的服务器集群来实现,终端102和服务器104可以是同一个设备。
在一个实施例中,图2是根据本发明一个实施例中物体规则判断方法的流程图一,如图2所示,提供了一种物体规则判断方法,以该方法应用于图1中的服务器104为例进行说明,包括以下步骤:
步骤S210,获取场景图像以及规则信息,其中,场景图像包括目标物体和基于场景的规则线;
在步骤S210中,获取到的场景图像是监控设备拍摄到的图片或者视频资源中的一帧,该场景图像中包括该场景下的预设的规则线,上述规则线是指在该场景下用于规则判断的参考线,例如,在判断交通工具是否违规压线时,规则线即为用于判断该规则的交通线标,在判断违规入侵时,规则线则是受保护区域的边界线。规则信息则是预设的,并且与上述规则线相关的违规行为,例如,违规压线、违规入侵受保护区域或者违规变道行驶等。可选地,规则线的设定或者规则信息的获取也可以在获取到场景图像后通过终端102的指令来设定,例如,将场景图像反馈给终端102,由终端102指定规则线以及规则信息。
步骤S220,获取场景图像中的目标物体,并计算目标物体的特征形状,其中,特征形状包括目标物体的外接多边形;
在步骤S220中,获取场景图像中的目标物体,例如,可以通过目标检测算法、目标提取算法或者通过指定目标区域再对区域内的物体进行识别;在获取到目标物体之后,再对图像进行分割,获取到目标物体的轮廓信息之后,通过对上述轮廓信息的拟合得到目标物体的最小外接多边形,即该目标物体的特征形状,可选地,获取目标物体的最小外接多边形时可以不包括形状与目标物体的本体相比较突出且相比于目标物体的本体尺寸较小的部件,例如,在目标物体为车辆时,提取的特征形状可以忽略车辆后视镜部分的轮廓。
步骤S230,对比特征形状与规则线的位置关系,判断位置关系是否符合规则信息;
在步骤S230中,将步骤S220中获取到的目标物体的特征形状与步骤S210中的规则线进行位置比对,根据位置比对的结果判断目标物体是否符合规则信息,例如,在判断交通工具是否违规压线时,则判断规则线与目标物体的特征形状是否相交,若相交,判断目标物体符合规则信息,即符合违规压线行为。
上述物体规则判断方法,通过获取场景图像,获取场景图像中的目标物体并计算目标物体的特征形状,上述特征形状为目标物体的外接多边形,将目标物体的特征形状的位置与场景图像中的规则线对比,并根据规则信息判断目标物体是否符合上述规则信息,实现了用与目标物体的轮廓契合度更高的外接多边形作为目标物体的特征形状并以该特征形状作为规则判断的依据,从而使得目标物体的轮廓更加精确,提高了规则判断的准确性。
在一个实施例中,图3是根据本发明一个实施例中物体规则判断方法的流程图二,如图3所示,获取场景图像中的目标物体,并计算目标物体的特征形状包括:步骤S310,获取场景图像中的目标物体,并计算目标物体的特征形状,其中,特征形状包括目标物体的分割图。在本实施例中,获取场景图像中的目标物体,例如,可以通过目标检测算法、目标提取算法或者通过指定目标区域再对区域内的物体进行识别;在获取到目标物体之后,再对目标物体使用图像分割算法得到目标物体的分割图,将目标物体的分割图作为特征形状。本实施例通过使用分割图作为特征形状,使得目标物体的形状特征更加精确,规则判断结果准确性更高。
在一个实施例中,图4是根据本发明一个实施例中物体规则判断方法的流程图三,如图4所示,获取场景图像中的目标物体,并计算目标物体的特征形状包括:步骤S410,使用目标检测算法对场景图像进行检测分析,获取场景图像中的目标物体分析结果;步骤S420,根据像素分类算法,获取目标物体分析结果的分割图,对分割图中的轮廓点进行多边形拟合,获取目标物体的外接多边形,指示外接多边形为特征形状。在本实施例中,使用目标检测算法如可变性组件模型(Deformable Part Model,DPM)算法、卷积神经网络(Convolutional Neural Networks,,CNN)算法、区域卷积神经网络(Region-CNN,RCNN)算法等对场景图像进行检测分析,获取图像中的目标物体分析结果,包括目标大小、位置、类型等;再针对前一步骤中得到的目标分析结果,使用分类算法如残差神经网络(ResidualNeural Network,ResNet)算法得到目标物体的分割图,再使用图像分割算法如阈值分割法、区域分割法或者边缘分割法得到目标物体的轮廓点,再对轮廓点进行多边形拟合,获得目标的最小外接多边形。本实施例中的方法,通过采用图像检测算法、图像分类算法和图像分割算法得到目标物体的最小外接多边形,运算效率高且有效地提高了规则判断的准确性
在一个实施例中,图5是根据本发明一个实施例中物体规则判断方法的流程图四,如图5所示,获取场景图像中的目标物体,并计算目标物体的特征形状包括:步骤S510,根据像素级别的目标检测算法得到目标物体的轮廓信息并且根据轮廓信息获取目标物体的轮廓线,对外接轮廓线进行多边形拟合,得到目标物体的外接多边形,指示外接多边形为特征形状。在本实施例中,对场景图像中的目标物体提取特征形状时,算法中所采用的像素高低会影响最终获取到的最小外接多边形的精确度,在实际应用中,规则判断对精确度要求较高,且用于图像处理的处理器处理性能足够大的情况下,可以利用像素级别的目标检测算法直接获取到目标物体的轮廓信息,对外接轮廓线进行多边形拟合,得到目标物体的外接多边形,本实施例中提供的算法,进一步提高了目标物体的轮廓精确度,从而提高了规则判断的准确性。
在一个实施例中,图6是根据本发明一个实施例中物体规则判断方法的流程图五,如图6所示,对比特征形状与规则线的位置关系,判断关系是否符合规则信息包括:步骤S610,在特征形状与规则线相交的情况下,判断目标物体符合规则信息;规则线构成规则区域,在特征形状与规则区域的重合面积大于预设阈值的情况下,判断目标物体符合规则信息。在本实施例中,分别提供了针对规则线和规则区域时不同的规则判断依据,例如,在判断车辆压线时,将该车辆的特征形状与图像中标识的规则线相比较,当车辆的特征形状与规则线相交,说明车辆符合违规压线这一规则信息;在判断区域入侵时,则将受保护的区域边界作为规则线,即规则线所围成的区域为规则区域,获取特征形状与规则区域之间的重合面积,在该面积的大小占特征形状面积大小的预设百分比的情况下,判定目标物体入侵受保护区域,如违规在禁停区域停车,行人违规进入车道等。上述预设百分比可以通过收集到的历史数据分析得到,只要符合应用场景即可。本实施例提供了用于物体判断的基本依据,提高了规则判断的效率和准确率。
在一个实施例中,图7是根据本发明一个实施例中物体规则判断方法的流程图六,如图7所示,对比特征形状与规则线的位置关系,判断关系是否符合规则信息包括:S710,在场景图像中,特征形状与规则线相交,获取场景图像的前帧图像和后帧图像;S720,获取前帧图像中的目标物体,并计算目标物体的第一特征形状,获取后帧图像中的目标物体,并计算目标物体的第二特征形状;S730,在前帧图像和后帧图像中均标记规则线划分的第一区域和第二区域;S740,在前帧图像中,第一特征形状位于第一区域,在后帧图像中,第二特征形状位于第二区域,判断目标物体符合规则信息。
在本实施例中,提供了一种动态行为的规则信息,例如违规变道行为的判断依据,规则线即为违规变道所涉及的两条车道之间的实线地标,由规则线所分割的第一区域和第二区域即为违规变道涉及的两条车道。当前视频帧或者当前图像是指车辆的特征形状与规则线相交的场景图像,在这种情况下,获取该帧图像的前帧图像和后帧图像,例如,上述前帧图像和后帧图像可以是当前图像前2s以及后2s的图像,对前帧图像和后帧图像分别进行前述图像分析,当在前帧图像中,车辆位于第一车道,在当前图像中,车辆压规则线而在后帧图像中,车辆位于第二车道,即可判断该车辆违规变道。本实施例通过将当前场景图像与前帧图像、后帧图像相结合,提供了判断动态规则信息的方式,进一步提高了规则判断的准确性。
应该理解的是,虽然图1-7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1-7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。
在一个具体的实施例中,图8是根据本发明一个具体实施例中物体规则判断的方法流程图,如图8所示,该方法包括:
S810,获取视频帧或抓拍图片;
S820,目标检测分析;
S830,计算目标的外接多边形或者分割图;
S840,获取基于场景的规则信息;
S850,智能规则判断。
下面以交通场景中的规则判断举例,交通场景中需要对车辆进行交通违章的判断,比如压线和变道等;在实际的道路场景中,相机对于两侧车道或者远处的车辆因为安装角度问题,车辆在画面中轮廓呈现了一定的角度,不是一个规则的矩形,图9是根据本发明一个具体实施例中的物体规则判断方法的实例示意图一,如图9中左下方框中车辆所示,以这个车辆的压线判断进行具体说明。
在相关技术的应用中,通常以目标的外接矩形来标明目标位置并进行对应的规则判断,图10是根据本发明一个具体实施例中的物体规则判断方法的实例示意图二,如图10所示,方框中的车辆旁标注的线条表示车道线,可以很明显地看到该车辆的外界矩形与车道线有相交,这种情况下如果要判断目标车辆压实线就需要增加辅助判断,这些辅助判断又通常因为信息过少不具有普遍性。
本申请中使用的一种方式是使用外接多边形来表示车辆位置,图11是根据本发明一个具体实施例中物体规则判断方法的实例示意图三,如图11所示,这种方式下该车辆的外接多边形与车道线近乎平行,并且外接多边形提供的目标车辆轮廓信息更多,比如车辆前后的外接线段可以表示车头和车尾,车辆左右的外接线段可以表示目标车辆的左右轮廓,利用这些辅助信息可以进一步判断车身姿态,从而做出更准确的判断。
本专利中使用的另一种方式是目标分割图来表示车辆,图12是根据本发明一个具体实施例中的实例示意图四,如图12所示,目标车辆二值图像是目标分割图的一种表示方式,也可以使用外接曲线来拟合车辆轮廓等方式;从图12中可以看到除车辆左侧的后视镜外,车辆轮廓本身与黄色的车道线没有相交,本实施方式呈现了车辆的分割图,能使用的辅助信息更完善。
在一个实施例中,图13是根据本发明一个实施例中的物体规则判断装置示意图,如图13所示,提供了一种物体规则判断装置,该装置包括图像模块、目标检测模块和规则判断模块,其中:
图像模块132,用于获取场景图像以及规则信息,其中,场景图像包括目标物体和基于场景的规则线;
目标检测模块134,用于获取场景图像中的目标物体,并计算目标物体的特征形状;
规则判断模块136,用于对比特征形状与规则线的位置关系,判断位置关系是否符合规则信息。
在一个实施例中,目标检测模,134用于获取场景图像中的目标物体,并计算目标物体的特征形状,其中,特征形状包括目标物体的轮廓信息。
上述物体规则判断装置,通过获取场景图像,获取场景图像中的目标物体并计算目标物体的特征形状,上述特征形状为目标物体的外接多边形,将目标物体的特征形状的位置与场景图像中的规则线对比,并根据规则信息判断目标物体是否符合上述规则信息,实现了用与目标物体的轮廓契合度更高的外接多边形作为目标物体的特征形状并以该特征形状作为规则判断的依据,从而使得目标物体的轮廓更加精确,提高了规则判断的准确性。
关于物体判断装置的具体限定可以参见上文中对于物体判断方法的限定,在此不再赘述。上述物体判断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。
本领域技术人员可以理解,图13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、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,处理器执行计算机程序时实现上述物体规则判断方法。
上述物体规则判断计算机设备,通过获取场景图像,获取场景图像中的目标物体并计算目标物体的特征形状,上述特征形状为目标物体的外接多边形,将目标物体的特征形状的位置与场景图像中的规则线对比,并根据规则信息判断目标物体是否符合上述规则信息,实现了用与目标物体的轮廓契合度更高的外接多边形作为目标物体的特征形状并以该特征形状作为规则判断的依据,从而使得目标物体的轮廓更加精确,提高了规则判断的准确性。
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上述物体规则判断方法。
上述物体规则判断存储介质,通过获取场景图像,获取场景图像中的目标物体并计算目标物体的特征形状,上述特征形状为目标物体的外接多边形,将目标物体的特征形状的位置与场景图像中的规则线对比,并根据规则信息判断目标物体是否符合上述规则信息,实现了用与目标物体的轮廓契合度更高的外接多边形作为目标物体的特征形状并以该特征形状作为规则判断的依据,从而使得目标物体的轮廓更加精确,提高了规则判断的准确性。
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)
1.一种物体规则判断方法,其特征在于,所述方法包括:
获取场景图像以及规则信息,其中,所述场景图像包括目标物体和基于所述场景的规则线,其中,所述规则信息指示违规行为;
获取所述场景图像中的目标物体,并计算所述目标物体的特征形状,其中,所述特征形状包括所述目标物体的外接多边形;
对比所述特征形状与所述规则线的位置关系,判断所述位置关系是否符合所述规则信息。
2.根据权利要求1所述的方法,其特征在于,所述获取所述场景图像中的目标物体,并计算所述目标物体的特征形状包括:
获取所述场景图像中的目标物体,并计算所述目标物体的特征形状,其中,所述特征形状包括所述目标物体的分割图。
3.根据权利要求1所述的方法,其特征在于,所述获取所述场景图像中的目标物体,并计算所述目标物体的特征形状包括:
使用目标检测算法对所述场景图像进行检测分析,获取所述场景图像中的目标物体分析结果;
根据像素分类算法,获取所述目标物体分析结果的分割图,对所述分割图中的轮廓点进行多边形拟合,获取所述目标物体的外接多边形,指示所述外接多边形为所述特征形状。
4.根据权利要求1所述的方法,其特征在于,所述获取所述场景图像中的目标物体,并计算所述目标物体的特征形状包括:
根据像素级别的目标检测算法得到所述目标物体的轮廓信息并且根据所述轮廓信息获取所述目标物体的轮廓线,对所述外接轮廓线进行多边形拟合,得到所述目标物体的外接多边形,指示所述外接多边形为所述特征形状。
5.根据权利要求1至3任意一项所述的方法,其特征在于,所述对比所述特征形状与所述规则线的位置关系,判断所述关系是否符合所述规则信息包括:
在所述特征形状与所述规则线相交的情况下,判断所述目标物体符合所述规则信息;
所述规则线构成规则区域,在所述特征形状与所述规则区域的重合面积大于预设阈值的情况下,判断所述目标物体符合所述规则信息。
6.根据权利要求1至3任意一项所述的方法,其特征在于,所述对比所述特征形状与所述规则线的位置关系,判断所述关系是否符合所述规则信息包括:
在所述场景图像中,所述特征形状与所述规则线相交;
获取所述场景图像的前帧图像和后帧图像,获取所述前帧图像中的所述目标物体,并计算所述目标物体的第一特征形状,获取所述后帧图像中的所述目标物体,并计算所述目标物体的第二特征形状;
在所述前帧图像和所述后帧图像中均标记所述规则线划分的第一区域和第二区域;
在所述前帧图像中,所述第一特征形状位于所述第一区域,在所述后帧图像中,所述第二特征形状位于所述第二区域,判断所述目标物体符合所述规则信息。
7.一种物体规则判断装置,其特征在于,所述装置包括图像模块、目标检测模块和规则判断模块,其中:
所述图像模块,用于获取场景图像以及规则信息,其中,所述场景图像包括目标物体和基于所述场景的规则线;
所述目标检测模块,用于获取所述场景图像中的目标物体,并计算所述目标物体的特征形状;
所述规则判断模块,用于对比所述特征形状与所述规则线的位置关系,判断所述位置关系是否符合所述规则信息。
8.根据权利要求7所述的装置,其特征在于,所述目标检测模块用于获取所述场景图像中的目标物体,并计算所述目标物体的特征形状,其中,所述特征形状包括所述目标物体的分割图。
9.一种计算机设备,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6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至6中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911353403.3A CN111178224B (zh) | 2019-12-25 | 2019-12-25 | 物体规则判断方法、装置、计算机设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911353403.3A CN111178224B (zh) | 2019-12-25 | 2019-12-25 | 物体规则判断方法、装置、计算机设备和存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111178224A true CN111178224A (zh) | 2020-05-19 |
CN111178224B CN111178224B (zh) | 2024-04-05 |
Family
ID=70654135
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911353403.3A Active CN111178224B (zh) | 2019-12-25 | 2019-12-25 | 物体规则判断方法、装置、计算机设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111178224B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112712703A (zh) * | 2020-12-09 | 2021-04-27 | 上海眼控科技股份有限公司 | 车辆视频的处理方法、装置、计算机设备和存储介质 |
CN114187758A (zh) * | 2021-10-18 | 2022-03-15 | 中标慧安信息技术股份有限公司 | 基于智能道路边缘计算网关的车辆检测方法和系统 |
US20220405506A1 (en) * | 2021-06-22 | 2022-12-22 | Intrinsic Innovation Llc | Systems and methods for a vision guided end effector |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2010054417A1 (de) * | 2008-11-14 | 2010-05-20 | Smartspector Artificial Perception Engineering Gmbh | Verfahren zur detektion des anhaltevorgangs von fahrzeugen |
CN102622886A (zh) * | 2012-03-23 | 2012-08-01 | 长安大学 | 一种基于视频的车辆违章变道事件检测方法 |
US20130266188A1 (en) * | 2012-04-06 | 2013-10-10 | Xerox Corporation | Video-based method for detecting parking boundary violations |
CN104029633A (zh) * | 2014-06-16 | 2014-09-10 | 国通道路交通管理工程技术研究中心有限公司 | 一种监管重点运输车辆违法跨线超车的方法及系统 |
US20160034778A1 (en) * | 2013-12-17 | 2016-02-04 | Cloud Computing Center Chinese Academy Of Sciences | Method for detecting traffic violation |
US20160125235A1 (en) * | 2014-11-05 | 2016-05-05 | Baidu Online Network Technology (Beijing) Co., Ltd. | Image segmentation method and image segmentation device |
CN106652465A (zh) * | 2016-11-15 | 2017-05-10 | 成都通甲优博科技有限责任公司 | 一种道路异常驾驶行为的识别方法及系统 |
CN107480666A (zh) * | 2017-08-10 | 2017-12-15 | 深圳市碧海扬帆科技有限公司 | 图像捕获设备及其扫描目标提取方法、装置、存储介质 |
CN110008932A (zh) * | 2019-04-17 | 2019-07-12 | 四川九洲视讯科技有限责任公司 | 一种基于计算机视觉的车辆违章压线检测方法 |
CN110276344A (zh) * | 2019-06-04 | 2019-09-24 | 腾讯科技(深圳)有限公司 | 一种图像分割的方法、图像识别的方法以及相关装置 |
CN110533925A (zh) * | 2019-09-04 | 2019-12-03 | 上海眼控科技股份有限公司 | 车辆违法视频的处理方法、装置、计算机设备及存储介质 |
-
2019
- 2019-12-25 CN CN201911353403.3A patent/CN111178224B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2010054417A1 (de) * | 2008-11-14 | 2010-05-20 | Smartspector Artificial Perception Engineering Gmbh | Verfahren zur detektion des anhaltevorgangs von fahrzeugen |
CN102622886A (zh) * | 2012-03-23 | 2012-08-01 | 长安大学 | 一种基于视频的车辆违章变道事件检测方法 |
US20130266188A1 (en) * | 2012-04-06 | 2013-10-10 | Xerox Corporation | Video-based method for detecting parking boundary violations |
US20160034778A1 (en) * | 2013-12-17 | 2016-02-04 | Cloud Computing Center Chinese Academy Of Sciences | Method for detecting traffic violation |
CN104029633A (zh) * | 2014-06-16 | 2014-09-10 | 国通道路交通管理工程技术研究中心有限公司 | 一种监管重点运输车辆违法跨线超车的方法及系统 |
US20160125235A1 (en) * | 2014-11-05 | 2016-05-05 | Baidu Online Network Technology (Beijing) Co., Ltd. | Image segmentation method and image segmentation device |
CN106652465A (zh) * | 2016-11-15 | 2017-05-10 | 成都通甲优博科技有限责任公司 | 一种道路异常驾驶行为的识别方法及系统 |
CN107480666A (zh) * | 2017-08-10 | 2017-12-15 | 深圳市碧海扬帆科技有限公司 | 图像捕获设备及其扫描目标提取方法、装置、存储介质 |
CN110008932A (zh) * | 2019-04-17 | 2019-07-12 | 四川九洲视讯科技有限责任公司 | 一种基于计算机视觉的车辆违章压线检测方法 |
CN110276344A (zh) * | 2019-06-04 | 2019-09-24 | 腾讯科技(深圳)有限公司 | 一种图像分割的方法、图像识别的方法以及相关装置 |
CN110533925A (zh) * | 2019-09-04 | 2019-12-03 | 上海眼控科技股份有限公司 | 车辆违法视频的处理方法、装置、计算机设备及存储介质 |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112712703A (zh) * | 2020-12-09 | 2021-04-27 | 上海眼控科技股份有限公司 | 车辆视频的处理方法、装置、计算机设备和存储介质 |
US20220405506A1 (en) * | 2021-06-22 | 2022-12-22 | Intrinsic Innovation Llc | Systems and methods for a vision guided end effector |
CN114187758A (zh) * | 2021-10-18 | 2022-03-15 | 中标慧安信息技术股份有限公司 | 基于智能道路边缘计算网关的车辆检测方法和系统 |
Also Published As
Publication number | Publication date |
---|---|
CN111178224B (zh) | 2024-04-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111368639B (zh) | 车辆越线判定方法、装置、计算机设备和存储介质 | |
CN109035299B (zh) | 目标跟踪方法、装置、计算机设备及存储介质 | |
CN108446585B (zh) | 目标跟踪方法、装置、计算机设备和存储介质 | |
US10192107B2 (en) | Object detection method and object detection apparatus | |
CN111178224B (zh) | 物体规则判断方法、装置、计算机设备和存储介质 | |
CN111178245B (zh) | 车道线检测方法、装置、计算机设备和存储介质 | |
CN110459064B (zh) | 车辆违法行为检测方法、装置、计算机设备 | |
CN110634153A (zh) | 目标跟踪模板更新方法、装置、计算机设备和存储介质 | |
CN112509364B (zh) | 车辆停车状态的确定方法、装置、计算机设备及存储介质 | |
CN110706261A (zh) | 车辆违章检测方法、装置、计算机设备和存储介质 | |
CN109492642B (zh) | 车牌识别方法、装置、计算机设备及存储介质 | |
CN109255802B (zh) | 行人跟踪方法、装置、计算机设备及存储介质 | |
CN111160086B (zh) | 车道线识别方法、装置、设备和存储介质 | |
CN111259813B (zh) | 人脸检测跟踪方法、装置、计算机设备和存储介质 | |
CN112560796A (zh) | 人体姿态实时检测方法、装置、计算机设备及存储介质 | |
CN111191533A (zh) | 行人重识别的处理方法、装置、计算机设备和存储介质 | |
CN111161202A (zh) | 车辆行为信息获取方法、装置、计算机设备和存储介质 | |
CN108847031B (zh) | 交通行为监控方法、装置、计算机设备和存储介质 | |
CN112733598A (zh) | 车辆违法判别方法、装置、计算机设备和存储介质 | |
CN111144404A (zh) | 遗留物体检测方法、装置、系统、计算机设备和存储介质 | |
CN111091041A (zh) | 一种车辆违法判别方法、装置、计算机设备和存储介质 | |
CN109479118A (zh) | 对象检测方法、对象检测装置以及电子设备 | |
CN113076851A (zh) | 一种车辆违章数据的采集方法、装置以及计算机设备 | |
CN109063601B (zh) | 唇纹检测方法、装置、计算机设备和存储介质 | |
KR101904480B1 (ko) | 카메라의 왜곡을 고려한 물체 인식 시스템 및 방법 |
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 |