CN111242054B - 一种检测器的捕获率的检测方法及装置 - Google Patents
一种检测器的捕获率的检测方法及装置 Download PDFInfo
- Publication number
- CN111242054B CN111242054B CN202010046048.1A CN202010046048A CN111242054B CN 111242054 B CN111242054 B CN 111242054B CN 202010046048 A CN202010046048 A CN 202010046048A CN 111242054 B CN111242054 B CN 111242054B
- Authority
- CN
- China
- Prior art keywords
- detector
- capture rate
- value
- period
- curve
- 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.)
- Active
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/40—Scenes; Scene-specific elements in video content
- G06V20/41—Higher-level, semantic clustering, classification or understanding of video scenes, e.g. detection, labelling or Markovian modelling of sport events or news items
- G06V20/42—Higher-level, semantic clustering, classification or understanding of video scenes, e.g. detection, labelling or Markovian modelling of sport events or news items of sport video content
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Traffic Control Systems (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种检测器的捕获率的检测方法及装置,包括:获取预设区域内的各时段的检测器的过车数量和摄像头采集的视频流,然后对获取到的各时段的视频流进行分析,进而得到各时段的实际过车数量,然后将得到的检测器的过车数量除以实际过车数量,进而得到各时段的检测器的捕获率,并根据得到各时段的检测器的捕获率在预设时段内形成检测器的捕获率的变化趋势曲线,以实现用于提高检测器捕获率的检测效率,提升检测器捕获率的计算精准的效果。
Description
技术领域
本发明涉及电子信息技术领域,尤其涉及一种检测器的捕获率的检测方法及装置。
背景技术
随着现代经济的高速发展,交通运输保障显得尤为重要,交通管理的要求也越来越高,逐渐向智慧城市、智慧道路交通房间发展,过车流量监控技术相关设备也应运而生,例如线圈、电子警察、高清卡口系统等。通过流量监控可以反应交通道路、卡口的车流量,自动统计不同时段各类车辆的进出数量,分析路口、路段的交通状况,为交通调度、路况优化提供精准技术参考依据。
但这些车流量监控设备随着使用寿命、组件老化、设备故障等因素,效能会发生较低,从而影响过车捕获率(过车捕获率=检测过车数量/实际过车数量),对于运维服务团队,需要提前识别出哪些设备出现捕获率下降的问题,提前进行维修处置。
过车捕获率下降,传统的检测方法是设置专门岗位,随机抽取某几个捕获率检测器,在某段时间内的视频中,使用肉眼数出视频中实际的过车数量作为准确值,通过表格记录,系统上报的过车数和人工数出来的真实过车数,计算出捕获率,费时费力。且由于工作量打,抽取的设备样本小,检测往往不准确,难以形成客观、真实、全面的捕获率变化曲线,从而为降低故障效能判断造成困难。
发明内容
本发明实施例提供一种检测器的捕获率的检测方法及装置,用于提高检测器的捕获率的检测效率,提升检测器的捕获率的计算精准的效果。
第一方面,本发明实施例提供一种检测器的捕获率的检测方法,包括:
获取预设区域内的各时段的检测器的过车数量和摄像头采集的视频流;
对所述各时段的视频流进行分析,得到所述各时段的实际过车数量;
根据所述各时段检测器的过车数量和所述各时段的实际过车数量,确定出所述检测器的捕获率变化趋势曲线。
上述技术方案,首先,在预设区域内,获取各时段的检测器的过车数量和摄像头采集的视频流,然后基于AI技术对获取到的各时段的视频流进行分析,得到各时段的实际过车数量,然后将各时段的检测器的过车数量除以各时段的实际过车数量,进而得到各时段的检测器的捕获率,并根据得到各时段的检测器的捕获率在预设时段内形成检测器的捕获率的变化趋势曲线,以此实现提高检测器的捕获率的检测效率,提升检测器的捕获率的计算精准的效果。
可选的,对所述各时段的视频流进行分析,得到所述各时段的实际过车数量,包括:
读取所述视频流的各视频帧图像,得到关键帧的预设检测区域的背景图片;
通过背景差分法及自适应阈值算法对所述背景图片进行预处理,得到车辆前景和背景图片;
根据所述车辆前景和背景图片,采用边缘检测算法提取车辆的轮廓最小外接矩形,通过卡尔曼滤波器跟踪车辆进行统计,得到所述实际过车数量。
上述技术方案中,首先获取各时段的视频流,进而读取视频流的各视频帧图像,并在视频帧图像设定检测区域,得到关键帧背景图片,然后通过背景差分法进行均值法背景建模及自适应阈值算法对所述关键帧背景图片进行预处理,关键帧通过处理后的关键帧背景图片得出预设区域内各时段的视频帧图像中实际过车数量,以此实现基于AI技术对各时段内实际过车数量的检测更加简便,释放人力,节省时间。
可选的,所述根据各时段检测器的过车数量和所述各时段的实际过车数量,确定出所述检测器的捕获率变化趋势曲线,包括:
将所述各时段的检测器的过车数量与所述各时段的实际过车数量的比值,确定为所述检测器的捕获率变化趋势曲线。
上述技术方案中,通过获取的预设区域内的各时段的检测器的过车数量除以各时段的视频流进行分析得到的各时段的实际过车数量,进而得到预设区域内的各时段的检测器的捕获率,并通过得到的预设区域内的各时段的检测器的捕获率形成在预设时间段内检测器的捕获率变化趋势曲线,以实现准确的得到检测器的捕获率。
可选的,所述确定出所述检测器的捕获率变化趋势曲线之后,还包括:
选取所述检测器的捕获率变化趋势曲线中的多个坐标点;
使用最小二乘法对所述多个坐标点进行拟合,得到所述捕获率的波动曲线;
对所述捕获率的波动曲线进行分析,确定所述检测器的效能是否下降。
上述技术方案中,在得到检测器的捕获率变化趋势曲线之后,在检测器的捕获率变化趋势曲线上选取多个坐标点,然后根据最小二乘法原理,对多个坐标点进行拟合,得到可用于计算的检测器的捕获率的波动曲线,然后根据曲线的特性及最小二乘法原理对检测器的捕获率的波动曲线进行分析,确定检测器捕获率的效能是否下降,以此提升检测器的捕获率的计算精准的效果。
可选的,所述对所述捕获率的波动曲线进行分析,确定所述检测器的效能是否下降,包括:
将所述波动曲线对应曲线方程进行求导,确定所述波动曲线的极值点;
根据所述波动曲线的极值点,将所述波动曲线划分为多个单调区间;
确定所述波动曲线上需要比对的两个坐标点是否在同一个单调区间内,若是,则在确定所述单调区间为单调递增区间时,确定所述检测器的效能未下降;在确定所述单调区间为单调递减区间时,确定所述检测器的效能下降;
否则根据所述曲线方程对所述波动曲线上需要比对的两个坐标点进行求解得到所述两个坐标点的求解值;若前一时刻的坐标点的求解值大于后一时刻的求解值,确定所述检测器的效能下降,若前一时刻的坐标点的求解值不大于所述后一时刻的坐标点的求解值,确定所述检测器的效能未下降。
上述技术方案中,将波动曲线对应的曲线方程进行求导,确定出波动曲线中的极值点,再判断极值点在波动曲线中两侧导函数的正负,进而确定该极值点是极大值或极小值,根据波动曲线中的极大值到极小值之间为单调递减区间,极小值到极大值之间为单调递增区间,将波动曲线分为一个或多个单调区间,其中单调区间包括单调递减区间与单调递增区间,确定波动曲线上需要对比的两个点是否在同一个单调区间之内,若是,则在确定该单调区间为单调递增区间时,将两个需要对比的两个点之间的过程确定为检测器的效能未下降的过程在确定所述单调区间为单调递减区间时,将两个需要对比的两个点之间的过程确定为检测器的效能下降过程,否则根据曲线方程对波动曲线上需要对比的两个坐标点进行求解,比较两个坐标点的求解值,在前一时刻对比的坐标点的求解值大于后一时刻对比的坐标点的求解值,则前一时刻对比的坐标点到后一时刻对比的坐标点的过程是检测器效能下降的过程,在前一时刻对比的坐标点的求解值不大于后一时刻对比的坐标点的求解值,则前一时刻对比的坐标点到后一时刻对比的坐标点的过程是检测器效能未下降的过程,以实现提高检测器的捕获率的检测效率。
根据最小二乘法,求解出所述波动曲线上所有点的值,根据所述所有点的值,确定出平均线;
将所述波动曲线上需要比对的两个坐标点中位于所述平均线上方的坐标点的纵坐标值设置为正,将所述波动曲线上需要比对的两个坐标点中位于所述平均线下方的坐标点的纵坐标值设置为负;
若所述两个坐标点的纵坐标值均设置为正或负,则在确定前一时刻的坐标点的纵坐标值的绝对值大于后一时刻的坐标点的纵坐标值的绝对值时,确定所述检测器的效能下降;在确定所述前一时刻的坐标点的纵坐标值的绝对值不大于所述后一时刻的坐标点的纵坐标值的绝对值时,确定所述检测器的效能未下降;
若所述两个坐标点的纵坐标值中一个坐标点的纵坐标值设置为正、一个坐标点的纵坐标值设置为负,则在确定前一时刻的坐标点的纵坐标值为正时,确定所述检测器的效能下降;在确定前一时刻的坐标点的纵坐标值为负时,确定所述检测器的效能未下降。
上述技术方案中,求解出波动曲线上所有点的值,根据求解出的所有点的值求解出所有点的平均值,根据求解出的平均值确定出用于波动曲线中的平均线,然后根据平均线将需要对比的两个坐标点中位于平均线上方的坐标点的纵坐标值设置为正,位于坐标点下面的坐标点的纵坐标值设置为负,若确定前后时刻波动曲线上需要对比的坐标点的纵坐标值都为正或负时,则在确定前一时刻对比的坐标点的纵坐标值的绝对值大于后一时刻对比的坐标点的纵坐标值的绝对值,确定为对比的两坐标点之间的过程是检测器的效能下降的过程,在确定前一时刻对比的坐标点的纵坐标值的绝对值不大于后一时刻对比的坐标点的纵坐标值的绝对值,确定为对比的两坐标点之间的过程是检测器的效能未下降的过程,其中,波动曲线上对比的坐标点的纵坐标值与检测器的捕获率相对应。若前后时刻对比的坐标点的纵坐标值为一正一负时,则在确定前一时刻波动曲线上对比的坐标点的纵坐标值为正时,确定为对比的两坐标点之间的过程是检测器的效能下降的过程,在确定前一时刻波动曲线上对比的坐标点的纵坐标值为负时,确定为对比的两坐标点之间的过程是检测器的效能未下降的过程,以实现提升检测器的捕获率的计算精准的效果。
第二方面,本发明实施例提供一种检测器的捕获率的检测装置,包括:
获取模块,用于获取预设区域内的各时段的检测器的过车数量和摄像头采集的视频流;
处理模块,用于对所述各时段的视频流进行分析,得到所述各时段的实际过车数量,根据所述各时段检测器的过车数量和所述各时段的实际过车数量,确定出所述检测器的捕获率变化趋势曲线。
可选的,所述处理模块具体用于:
读取所述视频流的各视频帧图像,得到关键帧的预设检测区域的背景图片;
通过背景差分法及自适应阈值算法对所述背景图片进行预处理,得到车辆前景和背景图片;
根据所述车辆前景和背景图片,采用边缘检测算法提取车辆的轮廓最小外接矩形,通过卡尔曼滤波器跟踪车辆进行统计,得到所述实际过车数量。
可选的,所述处理模块具体用于:
将所述各时段的检测器的过车数量与所述各时段的实际过车数量的比值,确定为所述检测器的捕获率变化趋势曲线。
可选的,所述处理模块还用于:
将所述波动曲线对应曲线方程进行求导,确定所述波动曲线的极值点;
根据所述波动曲线的极值点,将所述波动曲线划分为多个单调区间;
确定所述波动曲线上需要比对的两个坐标点是否在同一个单调区间内,若是,则在确定所述单调区间为单调递增区间时,确定所述检测器的效能未下降;在确定所述单调区间为单调递减区间时,确定所述检测器的效能下降;
否则根据所述曲线方程对所述波动曲线上需要比对的两个坐标点进行求解得到所述两个坐标点的求解值;若前一时刻的坐标点的求解值大于后一时刻的求解值,确定所述检测器的效能下降,若前一时刻的坐标点的求解值不大于所述后一时刻的坐标点的求解值,确定所述检测器的效能未下降。
可选的,所述处理模块具体用于:
根据最小二乘法,求解出所述波动曲线上所有点的值,根据所述所有点的值,确定出平均线;
将所述波动曲线上需要比对的两个坐标点中位于所述平均线上方的坐标点的纵坐标值设置为正,将所述波动曲线上需要比对的两个坐标点中位于所述平均线下方的坐标点的纵坐标值设置为负;
若所述两个坐标点的纵坐标值均设置为正或负,则在确定前一时刻的坐标点的纵坐标值的绝对值大于后一时刻的坐标点的纵坐标值的绝对值时,确定所述检测器的效能下降;在确定所述前一时刻的坐标点的纵坐标值的绝对值不大于所述后一时刻的坐标点的纵坐标值的绝对值时,确定所述检测器的效能未下降;
若所述两个坐标点的纵坐标值中一个坐标点的纵坐标值设置为正、一个坐标点的纵坐标值设置为负,则在确定前一时刻的坐标点的纵坐标值为正时,确定所述检测器的效能下降;在确定前一时刻的坐标点的纵坐标值为负时,确定所述检测器的效能未下降。
第三方面,本发明实施例还提供一种计算设备,包括:
存储器,用于存储程序指令;
处理器,用于调用所述存储器中存储的程序指令,按照获得的程序执行上述检测器的捕获率的检测方法。
第四方面,本发明实施例还提供一种计算机可读存储介质存储有计算机可执行指令,所述计算机可执行指令用于使计算机执行上述检测器的捕获率的检测方法。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简要介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域的普通技术人员来讲,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的附图。
图1为本发明实施例提供的一种系统架构示意图;
图2为本发明实施例提供的一种检测器的捕获率的检测方法的流程示意图;
图3为本发明实施例提供的捕获率的波动曲线的示意图;
图4为本发明实施例提供的一种检测器的捕获率的检测方法的结构示意图。
具体实施方式
为了使本发明的目的、技术方案和优点更加清楚,下面将结合附图对本发明作进一步地详细描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例,都属于本发明保护的范围。
图1示例性的示出了本发明实施例所适用的一种系统架构该系统架构可以服务器100,该服务器100可以包括处理器110、通信接口120和存储器130。
处理器110是服务器100的控制中心,利用各种接口和路线连接整个服务器100的各个部分,通过运行或执行存储在存储器130内的软件程序/或模块,以及调用存储在存储器130内的数据,执行服务器100的各种功能和处理数据。可选地,处理器110可以包括一个或多个处理单元。
通信接口120用于传输数据。
存储器130可用于存储软件程序以及模块,处理器110通过运行存储在存储器130的软件程序以及模块,从而执行各种功能应用以及数据处理。存储器130可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需的应用程序等;存储数据区可存储根据业务处理所创建的数据等。此外,存储器130可以包括高速随机存取存储器,还可以包括非易失性存储器,例如至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
需要说明的是,上述图1所示的结构仅是一种示例,本发明实施例对此不做限定。
基于上述描述,图2示例性的使出了本发明实施例示例性的示出了一种检测器的捕获率的检测方法的流程,该流程可用于一种检测器的捕获率的检测装置。
该流程具体包括:
步骤201、获取预设区域内的各时段的检测器的过车数量和摄像头采集的视频流。
本发明实施例,在预设区域内,将电警监控摄像头采集到的视频、检测器检测到的过车数量及相关信息发送至互联网交通安全综合服务管理平台,例如,将下午三点到5点之间,某路口的视频及过车数量发送至互联网交通安全综合服务管理平台,然后在互联网交通安全综合服务管理平台中获取各时段的检测器的过车数量及相对应的电警监控摄像头采集的视频流。
步骤202、对所述各时段的视频流进行分析,得到所述各时段的实际过车数量。
本发明实施例中,在上述步骤中获取到的在预设区域内,各时段的检测器摄像头采集的视频流中读取相对应的视频帧图像,并设定检测区域,得到关键帧背景图片,然后通过背景差分法及自适应阈值算法对关键帧背景图片进行预处理,再根据关键帧通过处理后的关键帧背景图片得到预设区域内各时段的视频帧图像中实际过车数量,具体算法如下:
1、将彩色图像灰度化,得到图像灰度级1-M,第i级像素n个,总像素为N,则第i级灰度出现的概率成为Pi=ni/N,然后对灰度图的每一像素求取平均值。
2、对每一帧图像中同一像素与对应的均值A(a,b)求差值,再将绝对差值累加,然后取平均值,并遍历图像中其他的所有像素。
3、获取初始背景后,通过计算当前帧的背景图像的差值获得前景运动图像。
Ki(a,b)=|Ii(a,b)-Bi(a,b)|.......................................(2-3)
4、在通过阈值分割算法确定一个最佳阈值进行图像二值化处理,从而较好地区别背景和前景。
背景像素:
前景像素:
背景灰度公式:
前景灰度公式:
5、通过纹理的阴影检测算法对提取的前景去除阴影。
6、采用canny(边缘检测算法)提取轮廓最小外接矩形,再通过卡尔曼滤波器跟踪车辆统计相应实际过车数量。
需要说明的是,其中,关键帧是指角色或物体,在运动或变化过程中关键动作所处的那一帧。
背景差分法是采用图像序列中的当前帧和背景参考模型比较来检测运动物体的一种方法,其性能依赖于所使用的背景建模技术。
在基于背景差分方法的运动目标检测中,背景图像的建模和模拟的准确程度,直接影响到检测的效果。不论任何运动目标检测算法,都要尽可能的满足任何图像场景的处理要求,但是由于场景的复杂性、不可预知性、以及各种环境干扰和噪声的存在,如光照的突然变化、实际背景图像中有些物体的波动、摄像机的抖动、运动物体进出场景对原场景的影响等,使得背景的建模和模拟变得比较困难。
均值法背景建模是背景差分法中的一种建模算法,均值法建模算法非常简单,就是对一些连续帧取像素平均值。这种算法速度很快,但对环境光照变化和一些动态背景变化比较敏感。其基本思想是,在视频图像中取连续N帧,计算这N帧图像像素灰度值的平均值来作为背景图像的像素灰度值;
自适应阈值算法是利用图像局部阈值替换全局阈值进行图像计算的一种方法,具体针对光影变化过大的图片,或者范围内颜色差异不太明显的图片。自适应是指保证计算机能够通过判断和计算取得该图像区域的平均阈值进行迭代。自适应阈值算法包括灰度图像自适应阈值分割——OTSU(Nobuyuki Otsu)算法和彩色图像自适应阈值分割——三维空间算法。
其中,灰度图像自适应阈值分割——OTSU算法,也称为最大类间方差法,有时也称为大津算法,计算简单,不收图像亮度和对比度的影响。按照图像的灰度特性,将图像分为背景和前景两部分。背景和前景之间的类间方差越大,当部分前景都会导致两部分差别变小,因此使类间方差最大的分割意义着错分概率最小,即OTSU算法以最佳门限将图像灰度值方图分割成两部分,使两部分类间方差取最大值,即分离性最大。
该算法步骤如下:
1、计算直方图并归一化。
2、计算图像灰度均值。
3、计算直方图的零阶和一级距。
4、计算并找到最大的类间方差对应此最大方差的灰度值即为要找的阈值。
5、用找到的阈值做二值化图像。
步骤203、根据所述各时段检测器的过车数量和所述各时段的实际过车数量,确定出所述检测器的捕获率变化趋势曲线。
本发明实施例中,通过预设区域内的各时段的检测器的过车数量除以对各时段的视频流进行分析得到的各时段的实际过车数量,得到预设区域内的各时段的检测器的捕获率,并形成预设时间段内的检测器的捕获率变化趋势曲线,再选取预设时间段内的检测器的捕获率变化趋势曲线中的多个坐标点,使用最小二乘法对多个坐标点进行拟合,得到检测器的捕获率的波动曲线,并对检测器的捕获率的波动曲线进行分析,确定检测器的效能是否下降,算法如下:
假设现在有n对坐标系中的点,如:(x1,y1),(x2,y2),......,(xn,yn)。其中,x表示时间点,纵坐标表示捕获率。
假设捕获率随时间变化的曲线为:f(x)=a0+a1x+…+akxk。
需要说明的是,f(x)组成的方程组存在有解或没有解的两种情况,也就是说在K阶多项式的曲线下不能拟合每个时间点,为了实现拟合每个时间点,多项式拟合曲线的函数值y与真实的捕获率值y之间的值最接近,即多项式拟合曲线的函数值y与真实的捕获率值y之间的差值的二次方值最小,进而实现拟合每个时间点。具体算法如下:
求多项式拟合曲线的函数值y与真实的捕获率值y之间的差值的二次方值最小。
整理后得:
根据上述公式求出a0,a1,……,ak的偏导数,即对公式(3-1)求偏导,并在方程f(x)=0时,多项式拟合曲线的函数值y与真实的捕获率值y之间的差值的二次方值最小并解出a的值,进一步地,使方程的值等于0,得到下述公式(3-2):
由求和公式计算可以看出,在求和公式等于0时,求和公式内的公式也为0,即(a0+a1x+…+akxk-yi)=0,进一步地,公式(3-2)也为0,根据数学乘法原理,将公式(a0+a1x+…+akxk-yi)成上一个值结果不变,为了得到x与y的关系式,因此,设以下公式:
……
进一步地,等式两侧除以2,将等式分解并进行等式变换,整理得:
将上述公式转换为矩阵进行表达:
根据得到的上述矩阵进一步地扩展分解,整理得
由上述公式简化得:XTXa=XTY,a=(XTX)-1XTY,进而将得到的a带入上述公式f(x)中,得到检测器的捕获率随时间变化的波动曲线。
将波动曲线对应的曲线方程进行求导,确定出波动曲线中的极值点,再判断极值点在波动曲线中两侧导函数的正负,进而确定该极值点是极大值或极小值,根据波动曲线中的极大值到极小值之间为单调递减区间,极小值到极大值之间为单调递增区间,将波动曲线分为一个或多个单调区间,其中单调区间包括单调递减区间与单调递增区间,确定波动曲线上需要对比的两个点是否在同一个单调区间之内,若是,则在确定该单调区间为单调递增区间时,将两个需要对比的两个点之间的过程确定为检测器的效能未下降的过程在确定所述单调区间为单调递减区间时,将两个需要对比的两个点之间的过程确定为检测器的效能下降过程,否则根据曲线方程对波动曲线上需要对比的两个坐标点进行求解,比较两个坐标点的求解值,在前一时刻对比的坐标点的求解值大于后一时刻对比的坐标点的求解值,则前一时刻对比的坐标点到后一时刻对比的坐标点的过程是检测器效能下降的过程,在前一时刻对比的坐标点的求解值不大于后一时刻对比的坐标点的求解值,则前一时刻对比的坐标点到后一时刻对比的坐标点的过程是检测器效能未下降的过程,或者,求解出波动曲线上所有点的值,根据求解出的值求解出所有点的平均值,根据平均值确定出用于波动曲线中的平均线,然后根据平均线将需要对比的两个坐标点中位于平均线上方的坐标点的纵坐标值设置为正,位于坐标点下面的坐标点的纵坐标值设置为负,若确定前后时刻波动曲线上需要对比的坐标点的纵坐标值都为正或负时,则在确定前一时刻对比的坐标点的纵坐标值的绝对值大于后一时刻对比的坐标点的纵坐标值的绝对值,确定为对比的两坐标点之间的过程是检测器的效能下降的过程,在确定前一时刻对比的坐标点的纵坐标值的绝对值不大于后一时刻对比的坐标点的纵坐标值的绝对值,确定为对比的两坐标点之间的过程是检测器的效能未下降的过程,若前后时刻对比的坐标点的纵坐标值为一正一负时,则在确定前一时刻波动曲线上对比的坐标点的纵坐标值为正时,确定为对比的两坐标点之间的过程是检测器的效能下降的过程,在确定前一时刻波动曲线上对比的坐标点的纵坐标值为负时,确定为对比的两坐标点之间的过程是检测器的效能未下降的过程,其中,波动曲线上对比的坐标点的纵坐标值与检测器的捕获率相对应,波动曲线上对比的坐标点的横坐标值与时间相对应。以此实现提升检测器的捕获率的计算精准的效果,例如,如图3所示:
图3中所示,横坐标x是时间,纵坐标y是检测器的捕获率,利用曲线方程求出导数,进而求出极值点,例如,A、B、C三点是波动曲线中的极值点,再判断极值点两侧导函数的正负,确定点为极大值或极小值,例如,根据图3所示,可确定A为极小值点,B为极大值点,C为极小值点,确定极值点之后,将曲线分为多个单调区间,根据两极值点区间导函数的正负确定区间为单调递增区间或单调递减区间,例如A点到B点为单调递增区间,B点到C点为单调递减区间。
图3中所示,a,b,c,d是检测器的捕获率对比的点,首先确定曲线的极值点区间,若两个对比的点在两个相邻极值点之间,则两个点必定属于一个单调区间,在同一个单调区间之内的点,若确定该区间为单调递增区间,通过比较横坐标x值,进而判断横坐标x小的对比的点到横坐标x大的对比的点的过程是检测器的捕获率一个上升的过程,反之,若确定该区间为单调递减区间,通过比较横坐标x值,进而判断横坐标x小的对比的点到横坐标x大的对比的点的过程是检测器的捕获率一个下降的过程。例如,a和b在同一个单调递减区间,b<a,a到b的过程则是检测器的捕获率一个降低的过程。c和d在同一个单调递增区间,c<d,c到d的过程则是检测器的捕获率一个增加的过程。若两个点不在同一个单调区间之内,则利用曲线方程进行求解比较,例如,a和d点,通过曲线方程求解后得出ya>yd,则a到d的过程则是检测器的捕获率一个降低的过程,进而确定检测器效能下降。
此外,还可以根据最小二乘法的原理,求解出a、b、c、d所有点的平均值大小,在波动曲线中确定出平均线,并在波动曲线中画出平均线,根据各点距离平均线的位置,将平均线以下的坐标点的纵坐标值前面加一个负号,即坐标点的纵坐标值设置为负,将平均线以上的坐标点的纵坐标值设置为正,然后根据各坐标点距离平均线的上或下的位置,确定需要对比的两坐标点的纵坐标值的正负情况,例如,距离平均线有正有负,即需要对比的两坐标点的纵坐标值一正一负,距离平均线上方为正的坐标点的捕获率大于距离平均线以下为负的坐标点的捕获率,则在确定前一时刻波动曲线上对比的坐标点为正时,确定为对比的两坐标点之间的过程是检测器的效能下降的过程,在确定前一时刻波动曲线上对比的坐标点为负时,确定为对比的两坐标点之间的过程是检测器的效能未下降的过程,若确定前后时刻波动曲线上两坐标点的纵坐标值都为正或负时,则绝对值大的坐标点是捕获率相对较大,即在确定前一时刻对比的坐标点的纵坐标值绝对值大于后一时刻对比的坐标点的纵坐标值的绝对值,确定为对比的两坐标点之间的过程是检测器的效能下降的过程,在确定前一时刻对比的坐标点的纵坐标值绝对值不大于后一时刻对比的坐标点的纵坐标值的绝对值,确定为对比的两坐标点之间的过程是检测器的效能未下降的过程,以此判断检测器效能是否下降。
需要说明的是,最小二乘法是指通过最小化误差的平方和寻找数据的最佳函数匹配。利用最小二乘法可以简便地求得未知的数据,并使这些求得的数据与实际数据之间误差的平方和为最小。
本发明实施例中,在预设区域内,获取各时段的检测器的过车数量和摄像头采集的视频流,然后基于AI技术对获取到的各时段的视频流中的视频帧图像,在视频帧图像中设定检测区域,得到关键帧背景图片,然后通过背景差分法进行均值法背景建模及自适应阈值算法对关键帧背景图片进行预处理,根据关键帧在处理后的关键帧背景图片中得出各时段的视频帧图像中实际过车数量,然后将获取到的各时段的检测器中的过车数量除以各时段的视频流进行分析得到的各时段的实际过车数量,进而得到各时段的检测器的捕获率,并在预设时间段内通过得到的各时段的检测器的捕获率形成检测器的捕获率变化趋势曲线,在得到检测器的捕获率变化趋势曲线之后,在检测器的捕获率变化趋势曲线上选取多个坐标点,然后根据最小二乘法原理,对多个坐标点进行拟合,得到可用于计算的检测器的捕获率的波动曲线,然后根据曲线的特性及最小二乘法原理对检测器捕获率的波动曲线进行分析,确定检测器捕获率的效能是否下降。
基于相同的技术构思,图4示例性的示出了一种检测器的捕获率的检测装置,该装置可以执行检测器的捕获率的检测方法。
如图4所示,该装置具体包括:
获取模块401,用于获取预设区域内的各时段的检测器的过车数量和摄像头采集的视频流;
处理模块402,用于对所述各时段的视频流进行分析,得到所述各时段的实际过车数量,根据所述各时段检测器的过车数量和所述各时段的实际过车数量,确定出所述检测器的捕获率变化趋势曲线。
可选的,所述处理模块402具体用于:
读取所述视频流的各视频帧图像,得到关键帧的预设检测区域的背景图片;
通过背景差分法及自适应阈值算法对所述背景图片进行预处理,得到车辆前景和背景图片;
根据所述车辆前景和背景图片,采用边缘检测算法提取车辆的轮廓最小外接矩形,通过卡尔曼滤波器跟踪车辆进行统计,得到所述实际过车数量。
可选的,所述处理模块402具体用于:
将所述各时段的检测器的过车数量与所述各时段的实际过车数量的比值,确定为所述检测器的捕获率变化趋势曲线。
可选的,所述处理模块402还用于:
将所述波动曲线对应曲线方程进行求导,确定所述波动曲线的极值点;
根据所述波动曲线的极值点,将所述波动曲线划分为多个单调区间;
确定所述波动曲线上需要比对的两个坐标点是否在同一个单调区间内,若是,则在确定所述单调区间为单调递增区间时,确定所述检测器的效能未下降;在确定所述单调区间为单调递减区间时,确定所述检测器的效能下降;
否则根据所述曲线方程对所述波动曲线上需要比对的两个坐标点进行求解得到所述两个坐标点的求解值;若前一时刻的坐标点的求解值大于后一时刻的求解值,确定所述检测器的效能下降,若前一时刻的坐标点的求解值不大于所述后一时刻的坐标点的求解值,确定所述检测器的效能未下降。
可选的,所述处理模块402具体用于:
根据最小二乘法,求解出所述波动曲线上所有点的值,根据所述所有点的值,确定出平均线;
将所述波动曲线上需要比对的两个坐标点中位于所述平均线上方的坐标点的纵坐标值设置为正,将所述波动曲线上需要比对的两个坐标点中位于所述平均线下方的坐标点的纵坐标值设置为负;
若所述两个坐标点的纵坐标值均设置为正或负,则在确定前一时刻的坐标点的纵坐标值的绝对值大于后一时刻的坐标点的纵坐标值的绝对值时,确定所述检测器的效能下降;在确定所述前一时刻的坐标点的纵坐标值的绝对值不大于所述后一时刻的坐标点的纵坐标值的绝对值时,确定所述检测器的效能未下降;
若所述两个坐标点的纵坐标值中一个坐标点的纵坐标值设置为正、一个坐标点的纵坐标值设置为负,则在确定前一时刻的坐标点的纵坐标值为正时,确定所述检测器的效能下降;在确定前一时刻的坐标点的纵坐标值为负时,确定所述检测器的效能未下降。
基于相同的技术构思,本发明实施例还提供一种计算设备,包括:
存储器,用于存储程序指令;
处理器,用于调用所述存储器中存储的程序指令,按照获得的程序执行上述检测器的捕获率的检测方法。
基于相同的技术构思,本发明实施例还提供一种计算机可读存储介质存储有计算机可执行指令,所述计算机可执行指令用于使计算机执行上述检测器的捕获率的检测方法。
本领域内的技术人员应明白,本申请的实施例可提供为方法、系统、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
显然,本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的精神和范围。这样,倘若本申请的这些修改和变型属于本申请权利要求及其等同技术的范围之内,则本申请也意图包含这些改动和变型在内。
Claims (9)
1.一种检测器的捕获率的检测方法,其特征在于,包括:
获取预设区域内的各时段的检测器的过车数量和摄像头采集的视频流;
对所述各时段的视频流进行分析,得到所述各时段的实际过车数量;
根据所述各时段的检测器的捕获率形成所述检测器的捕获率变化趋势曲线,所述各时段的检测器的捕获率为所述各时段的检测器的过车数量与所述各时段的实际过车数量的比值;
选取所述检测器的捕获率变化趋势曲线中的多个坐标点;
使用最小二乘法对所述多个坐标点进行拟合,得到所述捕获率的波动曲线,所述波动曲线的纵坐标值与检测器的捕获率相对应,所述波动曲线的横坐标值与时间相对应;
对所述捕获率的波动曲线进行分析,确定所述检测器的效能是否下降。
2.如权利要求1所述的方法,其特征在于,对所述各时段的视频流进行分析,得到所述各时段的实际过车数量,包括:
读取所述视频流的各视频帧图像,得到关键帧的预设检测区域的背景图片;
通过背景差分法及自适应阈值算法对所述背景图片进行预处理,得到车辆前景和背景图片;
根据所述车辆前景和背景图片,采用边缘检测算法提取车辆的轮廓最小外接矩形,通过卡尔曼滤波器跟踪车辆进行统计,得到所述实际过车数量。
3.如权利要求1所述的方法,其特征在于,所述根据各时段检测器的过车数量和所述各时段的实际过车数量,确定出所述检测器的捕获率变化趋势曲线,包括:
将所述各时段的检测器的过车数量与所述各时段的实际过车数量的比值,确定为所述检测器的捕获率变化趋势曲线。
4.如权利要求1至3任一项所述的方法,其特征在于,所述对所述捕获率的波动曲线进行分析,确定所述检测器的效能是否下降,包括:
将所述波动曲线对应曲线方程进行求导,确定所述波动曲线的极值点;
根据所述波动曲线的极值点,将所述波动曲线划分为多个单调区间;
确定所述波动曲线上需要比对的两个坐标点是否在同一个单调区间内,若是,则在确定所述单调区间为单调递增区间时,确定所述检测器的效能未下降;在确定所述单调区间为单调递减区间时,确定所述检测器的效能下降;
否则根据所述曲线方程对所述波动曲线上需要比对的两个坐标点进行求解得到所述两个坐标点的求解值;若前一时刻的坐标点的求解值大于后一时刻的求解值,确定所述检测器的效能下降,若前一时刻的坐标点的求解值不大于所述后一时刻的坐标点的求解值,确定所述检测器的效能未下降。
5.如权利要求1至3任一项所述的方法,其特征在于,所述对所述捕获率的波动曲线进行分析,确定所述检测器的效能是否下降,包括:
根据最小二乘法,求解出所述波动曲线上所有点的值,根据所述所有点的值,确定出平均线;
将所述波动曲线上需要比对的两个坐标点中位于所述平均线上方的坐标点的纵坐标值设置为正,将所述波动曲线上需要比对的两个坐标点中位于所述平均线下方的坐标点的纵坐标值设置为负;
若所述两个坐标点的纵坐标值均设置为正或负,则在确定前一时刻的坐标点的纵坐标值的绝对值大于后一时刻的坐标点的纵坐标值的绝对值时,确定所述检测器的效能下降;在确定所述前一时刻的坐标点的纵坐标值的绝对值不大于所述后一时刻的坐标点的纵坐标值的绝对值时,确定所述检测器的效能未下降;
若所述两个坐标点的纵坐标值中一个坐标点的纵坐标值设置为正、一个坐标点的纵坐标值设置为负,则在确定前一时刻的坐标点的纵坐标值为正时,确定所述检测器的效能下降;在确定前一时刻的坐标点的纵坐标值为负时,确定所述检测器的效能未下降。
6.一种检测器的捕获率的检测装置,其特征在于,包括:
获取模块,用于获取预设区域内的各时段的检测器的过车数量和摄像头采集的视频流;
处理模块,用于对所述各时段的视频流进行分析,得到所述各时段的实际过车数量,根据所述各时段的检测器的捕获率形成所述检测器的捕获率变化趋势曲线,所述各时段的检测器的捕获率为所述各时段的检测器的过车数量与所述各时段的实际过车数量的比值;
选取所述检测器的捕获率变化趋势曲线中的多个坐标点;
使用最小二乘法对所述多个坐标点进行拟合,得到所述捕获率的波动曲线,所述波动曲线的纵坐标值与检测器的捕获率相对应,所述波动曲线的横坐标值与时间相对应;
对所述捕获率的波动曲线进行分析,确定所述检测器的效能是否下降。
7.如权利要求6所述的装置,其特征在于,所述处理模块具体用于:
读取所述视频流的各视频帧图像,得到关键帧的预设检测区域的背景图片;
通过背景差分法及自适应阈值算法对所述背景图片进行预处理,得到车辆前景和背景图片;
根据所述车辆前景和背景图片,采用边缘检测算法提取车辆的轮廓最小外接矩形,通过卡尔曼滤波器跟踪车辆进行统计,得到所述实际过车数量。
8.一种计算设备,其特征在于,包括:
存储器,用于存储程序指令;
处理器,用于调用所述存储器中存储的程序指令,按照获得的程序执行权利要求1至5任一项所述的方法。
9.一种计算机存储介质,其特征在于,所述计算机存储介质存储有计算机可执行指令,所述计算机可执行指令用于使计算机执行权利要求1至5任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010046048.1A CN111242054B (zh) | 2020-01-16 | 2020-01-16 | 一种检测器的捕获率的检测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010046048.1A CN111242054B (zh) | 2020-01-16 | 2020-01-16 | 一种检测器的捕获率的检测方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111242054A CN111242054A (zh) | 2020-06-05 |
CN111242054B true CN111242054B (zh) | 2023-09-05 |
Family
ID=70876117
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010046048.1A Active CN111242054B (zh) | 2020-01-16 | 2020-01-16 | 一种检测器的捕获率的检测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111242054B (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103426312A (zh) * | 2013-09-02 | 2013-12-04 | 银江股份有限公司 | 一种基于道路流量检测的自动诱导方法及系统 |
JP2015079379A (ja) * | 2013-10-17 | 2015-04-23 | 株式会社東芝 | 車両数計数装置、車両数計数プログラム、および車両数計数システム |
CN104798121A (zh) * | 2012-11-22 | 2015-07-22 | 三菱重工业株式会社 | 交通信息处理系统、服务器装置、交通信息处理方法及程序 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10008000B2 (en) * | 2016-05-18 | 2018-06-26 | Conduent Business Services, Llc | Camera calibration based on moving vehicle line segments |
-
2020
- 2020-01-16 CN CN202010046048.1A patent/CN111242054B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104798121A (zh) * | 2012-11-22 | 2015-07-22 | 三菱重工业株式会社 | 交通信息处理系统、服务器装置、交通信息处理方法及程序 |
CN103426312A (zh) * | 2013-09-02 | 2013-12-04 | 银江股份有限公司 | 一种基于道路流量检测的自动诱导方法及系统 |
JP2015079379A (ja) * | 2013-10-17 | 2015-04-23 | 株式会社東芝 | 車両数計数装置、車両数計数プログラム、および車両数計数システム |
Also Published As
Publication number | Publication date |
---|---|
CN111242054A (zh) | 2020-06-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20130294652A1 (en) | License plate character segmentation using likelihood maximization | |
CN100545867C (zh) | 航拍交通视频车辆快速检测方法 | |
US9224211B2 (en) | Method and system for motion detection in an image | |
US20170032514A1 (en) | Abandoned object detection apparatus and method and system | |
WO2013186662A1 (en) | Multi-cue object detection and analysis | |
KR102074073B1 (ko) | 차량 인식 방법 및 이를 이용하는 장치 | |
CN111079621B (zh) | 检测对象的方法、装置、电子设备和存储介质 | |
CN111192241B (zh) | 一种人脸图像的质量评估方法、装置及计算机存储介质 | |
CN107945523A (zh) | 一种道路车辆检测方法、交通参数检测方法及装置 | |
Hu et al. | A novel approach for crowd video monitoring of subway platforms | |
CN111723634A (zh) | 一种图像检测方法、装置、电子设备及存储介质 | |
CN117994987B (zh) | 基于目标检测技术的交通参数提取方法及相关装置 | |
US20170103536A1 (en) | Counting apparatus and method for moving objects | |
Kumar et al. | Traffic surveillance and speed limit violation detection system | |
Angelo | A novel approach on object detection and tracking using adaptive background subtraction method | |
Hardas et al. | Moving object detection using background subtraction shadow removal and post processing | |
CN113902772A (zh) | 人群计数方法、装置、计算机存储介质及处理器 | |
CN111062415B (zh) | 基于对比差异的目标对象图像提取方法、系统及存储介质 | |
CN113112479A (zh) | 基于关键区块提取的渐进式目标检测方法和装置 | |
CN111242054B (zh) | 一种检测器的捕获率的检测方法及装置 | |
CN111667419A (zh) | 一种基于Vibe算法的移动目标鬼影消除方法及系统 | |
CN107067411B (zh) | 一种结合密集特征的Mean-shift跟踪方法 | |
CN114998283A (zh) | 一种镜头遮挡物检测方法及装置 | |
CN110580706A (zh) | 一种视频背景模型的提取方法及装置 | |
Oh et al. | Development of an integrated system based vehicle tracking algorithm with shadow removal and occlusion handling methods |
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 |