CN111325171A - 异常停车监测方法及相关产品 - Google Patents
异常停车监测方法及相关产品 Download PDFInfo
- Publication number
- CN111325171A CN111325171A CN202010127466.3A CN202010127466A CN111325171A CN 111325171 A CN111325171 A CN 111325171A CN 202010127466 A CN202010127466 A CN 202010127466A CN 111325171 A CN111325171 A CN 111325171A
- Authority
- CN
- China
- Prior art keywords
- processed
- image
- monitored vehicle
- confidence
- images
- 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.)
- Withdrawn
Links
- 230000002159 abnormal effect Effects 0.000 title claims abstract description 185
- 238000000034 method Methods 0.000 title claims abstract description 68
- 238000012544 monitoring process Methods 0.000 title claims abstract description 60
- 238000001514 detection method Methods 0.000 claims abstract description 71
- 238000010586 diagram Methods 0.000 claims description 180
- 238000012545 processing Methods 0.000 claims description 86
- 238000000605 extraction Methods 0.000 claims description 42
- 238000012806 monitoring device Methods 0.000 claims description 26
- 230000015654 memory Effects 0.000 claims description 15
- 238000013441 quality evaluation Methods 0.000 claims description 14
- 238000004590 computer program Methods 0.000 claims description 12
- 230000005540 biological transmission Effects 0.000 claims description 4
- 230000000875 corresponding effect Effects 0.000 description 53
- 238000003384 imaging method Methods 0.000 description 16
- 230000006870 function Effects 0.000 description 6
- 206010039203 Road traffic accident Diseases 0.000 description 4
- 238000004891 communication Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 230000002596 correlated effect Effects 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000013461 design Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000011176 pooling Methods 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000010845 search algorithm Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
- 230000000007 visual 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
- G06V20/40—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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
- G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
-
- 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
- G06T2207/30168—Image quality inspection
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Multimedia (AREA)
- Quality & Reliability (AREA)
- Traffic Control Systems (AREA)
- Closed-Circuit Television Systems (AREA)
Abstract
本申请公开了一种异常停车监测方法及相关产品。该方法包括:获取至少两张第一待处理图像;基于所述至少两张第一待处理图像,得到所述至少两张第一待处理图像中的被监测车辆的检测结果;所述检测结果包括所述被监测车辆停在异常停车区域内或所述被监测车辆未停在所述异常停车区域内;基于所述检测结果,得到所述被监测车辆的异常停车监测结果。还公开了相应的产品。以监测道路上是否有车辆异常停车。
Description
技术领域
本申请涉及安防技术领域,尤其涉及一种异常停车监测方法及相关产品。
背景技术
近年来,虽然道路交通安全体系的整体水平有所提升,但是仍然存在很多导致交通事故发生的隐患。导致交通事故的原因众多,异常停车即为其中一个。驾驶员在驾驶过程中因车辆故障、交通事故或其他原因导致的异常停车,易导致交通事故的发生。因此如何有效的监测道路上的是否有车辆异常停车具有非常重要的意义。
发明内容
本申请提供一种异常停车监测方法及相关产品。
第一方面,提供了一种异常停车监测方法,所述方法包括:
获取至少两张第一待处理图像;
基于所述至少两张第一待处理图像,得到所述至少两张第一待处理图像中的被监测车辆的检测结果;所述检测结果包括所述被监测车辆停在异常停车区域内或所述被监测车辆未停在所述异常停车区域内;
基于所述检测结果,得到所述被监测车辆的异常停车监测结果。
在该方面中,通过对至少两张第一待处理图像进行处理,可确定至少两张第一待处理图像中的被监测车辆是否停在异常停车区内,得到检测结果。基于检测结果,确定被监测车辆是否异常停车,以达到监测道路上的是否有车辆异常停车的效果。
结合本申请任一实施方式,在所述检测结果包括所述被监测车辆停在所述异常停车区域内的情况下,所述异常停车检测结果还包括所述被监测车辆停在所述异常停车区域内的持续时长;
所述基于所述检测结果,得到所述被监测车辆的异常停车监测结果,包括:
在所述检测结果包括所述被监测车辆停在所述异常停车区域内,且所述持续时长大于或等于时长阈值的情况下,确定所述被监测车辆异常停车。
在该实施方式中,在确定被监测车辆停在异常停车区域内,且持续时长大于或等于时长阈值的情况下,确定被监测车辆异常停车,以达到监测道路上的是否有车辆异常停车的效果。
结合本申请任一实施方式,所述在所述检测结果包括所述被监测车辆停在所述异常停车区域内的情况下,所述异常停车检测结果还包括所述被监测车辆停在所述异常停车区域内的持续时长,包括:
在所述检测结果包括所述被监测车辆停在所述异常停车区域内的情况下,获取所述至少两张第一待处理图像的时间戳,得到至少两个时间戳;
依据所述至少两个时间戳,得到所述持续时长。
结合本申请任一实施方式,所述基于所述至少两张第一待处理图像,得到所述至少两张第一待处理图像中的被监测车辆的检测结果,包括:
对至少一张所述第一待处理图像进行特征提取处理,得到至少一张第一热力图;所述第一热力图包括所述被监测车辆停在像素点所对应的位置的置信度;
依据所述至少一张第一热力图,得到所述被监测车辆停在第一位置的置信度,作为第一置信度;所述第一位置为所述第一热力图中的第一像素点所对应的位置;
在所述第一位置位于所述异常停车区域内,且所述第一置信度大于或等于置信度阈值的情况下,确定所述被监测车辆停在所述异常停车区域内。
在该实施方式中,通过对第一待处理图像进行特征提取处理,得到携带被监测车辆停在第一位置的置信度的信息的第一热力图,进而可依据第一热力图确定被监测车辆停在第一位置的第一置信度。依据第一置信度与置信度阈值的大小关系,可确定被监测车辆是否停在第一位置。在被监测车辆停在第一位置,且第一位置位于异常停车区域内的情况下,确定所述被监测车辆停在所述异常停车区域内。
结合本申请任一实施方式,所述第一待处理图像的数量和所述第一热力图的数量均大于或等于2,所述至少一张所述第一待处理图像包括第二待处理图像和第三待处理图像,所述至少一张第一热力图包括第二热力图和第三热力图,所述第二热力图通过对所述第二待处理图像进行特征提取处理得到,所述第三热力图通过对所述第三待处理图像进行特征提取处理得到;
所述依据至少一张第一热力图,得到所述被监测车辆停在第一位置的置信度,作为第一置信度,包括:
依据第二置信度和第三置信度,得到所述第一置信度;所述第二热力图包括所述被监测车辆停在所述第一位置的第二置信度,所述第三热力图包括所述被监测车辆停在所述第一位置的第三置信度。
在该实施方式中,依据至少两张第一热力图,可得到被监测车辆停在第一位置的至少两个置信度。依据至少两个置信度,得到被监测车辆在第一位置停车的置信度,作为第一置信度,可提高第一置信度的准确度。
结合本申请任一实施方式,所述第二热力图包括所述被监测车辆停在所述第一位置的第二置信度,所述第三热力图包括所述被监测车辆停在所述第一位置的第三置信度;
所述依据第二置信度和第三置信度,得到所述第一置信度,包括:
确定所述第二置信度和所述第三置信度的和,得到所述第一置信度。
结合本申请任一实施方式,所述第一位置为所述第二热力图中的第二像素点所对应的位置,且所述第一位置为所述第三热力图中的第三像素点所对应的位置,且所述第二像素点在所述第二热力图中的位置与所述第三像素点在所述第三热力图中的位置相同。
在该实施方式中,通过同一成像设备采集得到第二待处理图像和第三待处理图像,这样,第二热力图和第三热力图中相同位置的像素点所对应的位置相同,可减小后续处理所需的数据处理量,提高异常停车监测装置处理数据的速度。
结合本申请任一实施方式,所述获取至少两张第一待处理图像,包括:
获取待处理视频流;
对所述待处理视频流进行解码处理,得到所述至少两张第一待处理图像。
在该实施方式中,基于道路上的监控摄像头采集到的视频流,得到至少两张第一待处理图像。由于监控摄像头均为道路上已有的设备,使用本申请实施例提供的技术方案对至少两张第一待处理图像进行处理,可在不增加成本的前提下,实现对道路上的车辆异常停车的实时监测。
结合本申请任一实施方式,所述对所述待处理视频流进行解码处理,得到所述至少两张第一待处理图像,包括:
对所述待处理视频流进行解码处理,得到至少两张第四待处理图像;
依据图像质量评价指标,得到所述至少两张第四待处理图像的质量分数;所述图像质量评价指标包括以下至少一个:图像的分辨率的高低、图像的信噪比的大小、图像的清晰程度;
确定质量分数大于或等于质量分数阈值的第四待处理图像,得到所述至少两张第一待处理图像。
在该实施方式中,以图像质量评价指标为依据,确定第四待处理图像的质量分数。将质量分数大于或等于质量分数阈值的第四待处理图像,作为第一待处理图像,可提高第一待处理图像的图像质量,从而提高确定第一待处理图像中的车辆是否异常停车的准确度。
结合本申请任一实施方式,所述方法还包括:
在所述异常停车监测结果包括所述被监测车辆异常停车的情况下,获取采集所述至少两张第一待处理图像的摄像头的至少一个位置,作为至少一个第二位置;
向终端发送包含所述至少一个第二位置的告警指令;所述告警指令用于指示所述终端输出告警信息。
在该实施方式中,通过向终端发送包含摄像头的位置的告警指令,使终端在接收到告警指令后,输出相应的告警信息,以提示相关执法人员及时到达异常停车的车辆所在的位置,以引导车辆驶出异常停车区域。
第二方面,提供了一种异常停车监测装置,所述装置包括:
第一获取单元,用于获取至少两张第一待处理图像;
第一处理单元,用于基于所述至少两张第一待处理图像,得到所述至少两张第一待处理图像中的被监测车辆的检测结果;所述检测结果包括所述被监测车辆停在异常停车区域内或所述被监测车辆未停在所述异常停车区域内;
第二处理单元,用于基于所述检测结果,得到所述被监测车辆的异常停车监测结果。
结合本申请任一实施方式,在所述检测结果包括所述被监测车辆停在所述异常停车区域内的情况下,所述异常停车检测结果还包括所述被监测车辆停在所述异常停车区域内的持续时长;
所述第二处理单元,用于:
在所述检测结果包括所述被监测车辆停在所述异常停车区域内,且所述持续时长大于或等于时长阈值的情况下,确定所述被监测车辆异常停车。
结合本申请任一实施方式,所述第二处理单元,用于:
在所述检测结果包括所述被监测车辆停在所述异常停车区域内的情况下,获取所述至少两张第一待处理图像的时间戳,得到至少两个时间戳;
依据所述至少两个时间戳,得到所述持续时长。
结合本申请任一实施方式,所述第一处理单元,用于:
对至少一张所述第一待处理图像进行特征提取处理,得到至少一张第一热力图;所述第一热力图包括所述被监测车辆停在像素点所对应的位置的置信度;
依据所述至少一张第一热力图,得到所述被监测车辆停在第一位置的置信度,作为第一置信度;所述第一位置为所述第一热力图中的第一像素点所对应的位置;
在所述第一位置位于所述异常停车区域内,且所述第一置信度大于或等于置信度阈值的情况下,确定所述被监测车辆停在所述异常停车区域内。
结合本申请任一实施方式,所述第一待处理图像的数量和所述第一热力图的数量均大于或等于2,所述至少一张所述第一待处理图像包括第二待处理图像和第三待处理图像,所述至少一张第一热力图包括第二热力图和第三热力图,所述第二热力图通过对所述第二待处理图像进行特征提取处理得到,所述第三热力图通过对所述第三待处理图像进行特征提取处理得到;
所述第一处理单元,用于:
依据第二置信度和第三置信度,得到所述第一置信度;所述第二热力图包括所述被监测车辆停在所述第一位置的第二置信度,所述第三热力图包括所述被监测车辆停在所述第一位置的第三置信度。
结合本申请任一实施方式,所述第二热力图包括所述被监测车辆停在所述第一位置的第二置信度,所述第三热力图包括所述被监测车辆停在所述第一位置的第三置信度;
所述第一处理单元,用于:
确定所述第二置信度和所述第三置信度的和,得到所述第一置信度。
结合本申请任一实施方式,所述第一位置为所述第二热力图中的第二像素点所对应的位置,且所述第一位置为所述第三热力图中的第三像素点所对应的位置,且所述第二像素点在所述第二热力图中的位置与所述第三像素点在所述第三热力图中的位置相同。
结合本申请任一实施方式,所述第一获取单元,用于:
获取待处理视频流;
对所述待处理视频流进行解码处理,得到所述至少两张第一待处理图像。
结合本申请任一实施方式,所述第一获取单元,用于:
对所述待处理视频流进行解码处理,得到至少两张第四待处理图像;
依据图像质量评价指标,得到所述至少两张第四待处理图像的质量分数;所述图像质量评价指标包括以下至少一个:图像的分辨率的高低、图像的信噪比的大小、图像的清晰程度;
确定质量分数大于或等于质量分数阈值的第四待处理图像,得到所述至少两张第一待处理图像。
结合本申请任一实施方式,所述装置还包括:
第二获取单元,用于在所述异常停车监测结果包括所述被监测车辆异常停车的情况下,获取采集所述至少两张第一待处理图像的摄像头的至少一个位置,作为至少一个第二位置;
发送单元,用于向终端发送包含所述至少一个第二位置的告警指令;所述告警指令用于指示所述终端输出告警信息。
第三方面,提供了一种处理器,所述处理器用于执行如上述第一方面及其任意一种可能实现的方式的方法。
第四方面,提供了一种电子设备,包括:处理器、发送装置、输入装置、输出装置和存储器,所述存储器用于存储计算机程序代码,所述计算机程序代码包括计算机指令,在所述处理器执行所述计算机指令的情况下,所述电子设备执行如上述第一方面及其任意一种可能实现的方式的方法。
第五方面,提供了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程序,所述计算机程序包括程序指令,在所述程序指令被处理器执行的情况下,使所述处理器执行如上述第一方面及其任意一种可能实现的方式的方法。
第六方面,提供了一种计算机程序产品,所述计算机程序产品包括计算机程序或指令,在所述计算机程序或指令在计算机上运行的情况下,使得所述计算机执行上述第一方面及其任一种可能的实现方式的方法。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性和解释性的,而非限制本申请。
附图说明
为了更清楚地说明本申请实施例或背景技术中的技术方案,下面将对本申请实施例或背景技术中所需要使用的附图进行说明。
此处的附图被并入说明书中并构成本说明书的一部分,这些附图示出了符合本申请的实施例,并与说明书一起用于说明本申请的技术方案。
图1为本申请实施例提供的一种像素坐标系的示意图;
图2为本申请实施例提供的一种异常停车监测方法的流程示意图;
图3为本申请实施例提供的一种车辆框的示意图;
图4为本申请实施例提供的另一种异常停车监测方法的流程示意图;
图5a为本申请实施例提供的一种第一待处理图像的示意图;
图5b为本申请实施例提供的一种第一热力图的示意图;
图6为本申请实施例提供的一种相同位置的像素点的示意图;
图7为本申请实施例提供的一种同名点的示意图;
图8为本申请实施例提供的另一种异常停车监测方法的流程示意图;
图9为本申请实施例提供的另一种异常停车监测方法的流程示意图;
图10为本申请实施例提供的一种异常停车监测装置的结构示意图;
图11为本申请实施例提供的一种异常停车监测装置的硬件结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本申请方案,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”等是用于区别不同对象,而不是用于描述特定顺序。此外,术语“包括”和“具有”以及它们任何变形,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、系统、产品或设备没有限定于已列出的步骤或单元,而是可选地还包括没有列出的步骤或单元,或可选地还包括对于这些过程、方法、产品或设备固有的其他步骤或单元。
在本文中提及“实施例”意味着,结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例,也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是,本文所描述的实施例可以与其它实施例相结合。
本申请实施例的执行主体为异常停车监测装置,异常停车监测装置可以是以下中的一种:手机、计算机、服务器、平板电脑。
在进行接下来的阐述之前,首先对本申请实施例中的像素坐标系进行定义。如图1所示,以图像A的右下角为像素坐标系的原点o、平行于图像A的行的方向为x轴的方向、平行于图像A的列的方向为y轴的方向,构建像素坐标系xoy。在像素坐标系下,横坐标用于表示图像A中的像素点在图像A中的列数,纵坐标用于表示图像A中的像素点在图像A中的行数,横坐标和纵坐标的单位均可以是像素点。例如,假设图1中的像素点a的坐标为(30,25),即像素点a的横坐标为30个像素点,像素点a的纵坐标为25个像素点,像素点a为图像A中的第30列第25行的像素点。
下面结合本申请实施例中的附图对本申请实施例进行描述。
请参阅图2,图2是本申请实施例提供的一种异常停车监测方法的流程示意图。
201、获取至少两张第一待处理图像。
本申请实施例中,第一待处理图像可以包含任意内容。例如,第一待处理图像可以包括道路。又例如,第一待处理图像可以包括道路和车辆。再例如,第一待处理图像可以包括人。再例如,第一待处理图像可以包括物体。本申请对第一待处理图像中的内容不做限定。
在一种获取至少两张第一待处理图像的实现方式中,异常停车监测装置接收用户通过输入组件输入的至少两张第一待处理图像。上述输入组件包括:键盘、鼠标、触控屏、触控板和音频输入器等。
在另一种获取至少两张第一待处理图像的实现方式中,异常停车监测装置接收数据终端发送的至少两张第一待处理图像。上述数据终端可以是以下任意一种:手机、计算机、平板电脑、服务器。
在又一种获取至少两张第一待处理图像的实现方式中,异常停车监测装置接收监控摄像头发送的至少两张第一待处理图像。可选的,该监控摄像头部署于道路(包括:高速公路、快速公路、城市公路)。
在又一种获取至少两张第一待处理图像的实现方式中,异常停车监测装置接收监控摄像头发送的视频流,将视频流中的至少两张图像作为至少两张第一待处理图像。可选的,该监控摄像头部署于道路(包括:高速公路、快速公路、城市公路)。
202、基于上述至少两张第一待处理图像,得到上述至少两张第一待处理图像中的被监测车辆的检测结果。
本申请实施例中,异常停车区域包括第一待处理图像中的异常停车像素区域。例如,高速公路的车道中不能停车,则第一待处理图像中高速公路的车道所覆盖的像素区域为异常停车区域。又例如,公共汽车站内不能停车,则第一待处理图像中公共汽车站所覆盖的像素区域为异常停车区域。
通过对第一待处理图像进行处理,可确定第一待处理图像中是否包含车辆。在第一待处理图像中包含车辆的情况下,将该车辆作为被监测车辆,可进一步确定被监测车辆在第一待处理图像中的位置。依据被监测车辆在第一待处理中的位置和异常区域,可确定被监测车辆是否在停在异常停车区域内,得到被监测车辆的检测结果。检测结果包括被监测车辆停在异常停车区域内,或包括被监测车辆未停在异常停车区域内。
可选的,在确定被监测车辆在异常停车区域内的位置不变的情况下,可确定被监测车辆在异常停车区域内停车。
在一种可能实现的方式中,通过对第一待处理图像进行特征提取处理,得到热力图,该热力图包含被监测车辆在像素点所对应的位置停车的置信度。例如(例1),热力图1中的像素点a所对应的位置为p1,热力图1中的像素点b所对应的位置为p2。依据热力图1携带的信息,可确定被监测车辆停在p1的置信度为0.6,被监测车辆停在p2的置信度为0.7。可选的,该信息可以是像素点的像素值,如像素点a的像素值为0.6,像素点b的像素值为0.7。
依据热力图,可确定被监测车辆停在不同位置的置信度,在被监测车辆停车的置信度大于或等于置信度阈值的情况下,确定被监测车辆在于置信度对应的位置处停车。接着例1继续举例(例2),假设置信度阈值为0.7,则被监测车辆停在p2。在p2位于异常停车区域内的情况下,检测结果包括被监测车辆停在异常停车区域内。在p2位于异常停车区域外的情况下,检测结果包括被监测车辆未停在异常停车区域内。
在被监测车辆停车的置信度小于置信度阈值的情况下,确定被监测车辆未处于停车状态,检测结果包括被监测车辆未停在异常停车区域内。
在另一种可能实现的方式中,通过对第一待处理图像进行车辆检测处理,可确定第一待处理图像中是否包含车辆。在第一待处理图像中包含被监测车辆的情况下,还可得到被监测车辆在第一待处理图像中的位置。上述位置可以是包含被监测车辆的车辆框的任意一对对角在像素坐标系下的坐标,例如,在图3中,第一待处理图像A包含车辆B。包含车辆B的车辆框为a(x1,y1)b(x2,y2)c(x3,y3)d(x4,y4),则车辆B在第一待处理图像A中的位置可以是:a(x1,y1)和c(x3,y3),车辆B在第一待处理图像A中的位置也可以是:b(x2,y2)和d(x4,y4)。需要理解的是,图3中的车辆框abcd是为了方便理解而画的,在得到车辆B在第一待处理图像A中的位置的过程中,第一待处理图像A内不存在矩形框abcd,而是直接给出点a的坐标和点c的坐标,或点b的坐标和点d的坐标。
可选的,车辆检测处理可通过车辆检测算法实现,其中,车辆检测算法可以是以下中的一种:只需一眼算法(you only look once,YOLO)、目标检测算法(deformable partmodel,DMP)、单张图像多目标检测算法(single shot multiBox detector,SSD)、Faster-RCNN算法等等,本申请对实现车辆检测处理的车辆检测算法不做具体限定。
通过对至少两张第一待处理图像进行车辆检测处理,得到被监测车辆在至少两张第一待处理图像中的位置。在被监测车辆在至少两张第一待处理图像中的位置相同的情况下,确定被监测车辆停在该位置。例如(例3),通过对第一待处理图像1进行车辆检测处理,确定被监测车辆在第一待处理图像1中的位置为p1,通过对第一待处理图像1进行被监测车辆检测处理,确定被监测车辆在第一待处理图像1中的位置也为p1,进而可确定被监测车辆停在p1。在p1位于异常停车区域内的情况下,检测结果包括被监测车辆停在异常停车区域内。在p1位于异常停车区域外的情况下,检测结果包括被监测车辆未停在异常停车区域内。
在被监测车辆在至少两张第一待处理图像中的位置不同的情况下,确定被监测车辆未处于停车状态,检测结果包括被监测车辆未停在异常停车区域内。
在又一种可能实现的方式中,由于第一待处理图像中的参照物的位置是固定的,若被监测车辆在异常停车区域内的位置不变,则被监测车辆与异常停车区域内的参照物之间的距离是不变的,其中,参照物包括:路牌、标识牌、道路上的交通标识。依据三角定位原理可知,至少需要三个参照物才能确定被监测车辆的位置。因此,可在第一待处理图像中选取至少三个参照物,并确定被监测车辆与每一个参照物之间的距离。例如(例4),在第一待处理图像1中,依据被监测车辆的位置与参照物a的位置确定被监测车辆与参照物a之间的距离为d1,依据被监测车辆的位置与参照物b的位置确定被监测车辆与参照物b之间的距离为d2,依据被监测车辆的位置与参照物c的位置确定被监测车辆与参照物c之间的距离为d3。在第一待处理图像2中,依据被监测车辆的位置与参照物a的位置确定被监测车辆与参照物a之间的距离为d4,依据被监测车辆的位置与参照物b的位置确定被监测车辆与参照物b之间的距离为d5,依据被监测车辆的位置与参照物b的位置确定被监测车辆与参照物c之间的距离为d6。
在通过至少两张第一待处理图像确定被监测车辆与每一个参照物之间的距离均未发生改变的情况下,确定被监测车辆处于停车状态。在确定被监测车辆处于停车状态的情况下,确定被监测车辆在第一待处理图像中的位置,即为被监测车辆停车的位置。接着例4继续举例(例5),在d1=d4,且d2=d5,且d3=d6的情况下,确定被监测车辆处于停车状态。假设被监测车辆在第一待处理图像1中的位置为p1,则被监测车辆停在p1。在p1位于异常停车区域内的情况下,检测结果包括被监测车辆停在异常停车区域内。在p1位于异常停车区域外的情况下,检测结果包括被监测车辆未停在异常停车区域内。
在通过至少两张第一待处理图像确定被监测车辆与每一个参照物之间的距离均发生改变的情况下,确定被监测车辆未处于停车状态,检测结果包括被监测车辆未停在异常停车区域内。
203、基于上述检测结果,得到上述被监测车辆的异常停车监测结果。
本申请实施例中,被监测车辆的异常停车监测结果包括被监测车辆异常停车,或包括被监测车辆未异常停车。
显然,在检测结果包括被监测车辆未停在异常停车区域内的情况下,被监测车辆未异常停车,异常停车监测结果包括被监测车辆未异常停车。
车辆在异常停车区域内可短暂的停车,以上下人员或装卸物品等,但通常过对车辆在异常停车区域内的停车时间有限制。例如,车辆在火车站的送客区域最多能停留3分钟。因此,在检测结果包括被监测车辆停在异常停车区域内的情况下,可基于上述至少两张第一待处理图像,确定被监测车辆停在异常停车区域内的持续时长,以依据持续时长和时长阈值判断被监测车辆是否异常停车。可选的,每一张第一待处理图像均携带时间戳,依据至少两张第一待处理图像的时间戳,可确定被监测车辆停在异常停车区域内的持续时长,其中,时间戳表征采集第一待处理图像的时间。例如,第一待处理图像a的时间戳为15点53分3秒表征第一待处理图像a的采集时间为15点53分3秒。
在一种可能实现的方式中,通过对至少两张第一待处理图像进行特征提取处理,得到至少两张热力图。在依据至少两张热力图确定被监测车辆停在异常停车区域内的情况下,依据至少两张热力图,确定被监测车辆在异常停车区域内停车的持续时长。接着例2继续举例,至少两张第一待处理图像包括第一待处理图像1和第一待处理图像2。对第一待处理图像1进行特征提取处理,得到热力图1,对第一待处理图像2进行特征提取处理,得到热力图2。假设:依据热力图2确定被监测车辆停在p2,p2在异常停车区域内,热力图1的时间戳为t1,热力图1的时间戳为t2,依据热力图1的时间戳和热力图2的时间戳,确定被监测车辆停在p2的持续时长为t1与t2之间的差的绝对值:|t1-t2|。在持续时长大于或等于时长阈值的情况下,确定被监测车辆异常停车。在持续时长小于时长阈值的情况下,确定被监测车辆未异常停车。需要理解的是,本申请实施例中,热力图的时间戳与第一待处理图像的时间戳相同。例如,对第一待处理图像a进行特征提取处理,得到热力图b。假设第一待处理图像a的时间戳为15点55分3秒,则热力图b的时间戳也为15点55分3秒。
在另一种可能实现的方式中,在依据被监测车辆在至少两张第一待处理图像中的位置,确定被监测车辆停在异常停车区域内的情况下,依据至少两张第一待处理图像,确定被监测车辆在异常停车区域内停车的持续时长。接着例3继续举例,假设:p1在异常停车区域内,采集第一待处理图像1的时间为t1,采集第一待处理图像2的时间为t2,依据采集第一待处理图像1的时间和采集第一待处理图像2的时间,确定被监测车辆停在p1的持续时长为t1与t2之间的差的绝对值:|t1-t2|。在持续时长大于或等于时长阈值的情况下,确定被监测车辆异常停车。在持续时长小于时长阈值的情况下,确定被监测车辆未异常停车。
在又一种可能实现的方式中,在依据被监测车辆与参照物之间的距离,确定被监测车辆停在异常停车区域内的情况下,依据至少两张第一待处理图像,确定被监测车辆在异常停车区域内停车的持续时长。接着例5继续举例,假设:p1在异常停车区域内,采集第一待处理图像1的时间为t1,采集第一待处理图像2的时间为t2,依据采集第一待处理图像1的时间和采集第一待处理图像2的时间,确定被监测车辆停在p1的持续时长为t1与t2之间的差的绝对值:|t1-t2|。在持续时长大于或等于时长阈值的情况下,确定被监测车辆异常停车。在持续时长小于时长阈值的情况下,确定被监测车辆未异常停车。
本申请实施例通过对至少两张第一待处理图像进行处理,可确定至少两张第一待处理图像中的被监测车辆是否停在异常停车区内。在确定被监测车辆停在异常停车区域内,且持续时长大于或等于时长阈值的情况下,确定被监测车辆异常停车,以达到监测道路上的是否有车辆异常停车的效果。
请参阅图4,图4是本申请实施例提供的步骤202的一种可能实现的方法的流程示意图。
401、对至少一张上述第一待处理图像进行特征提取处理,得到至少一张第一热力图。
本申请实施例中,特征提取处理可以是卷积处理,也可以是池化处理,还可以是卷积处理和池化处理的结合。可选的,特征提取处理可通过已训练的卷积神经网络实现,也可通过特征提取模型实现,本申请对此不做限定。
通过对每一张第一待处理图像分别进行特征提取处理,可提取出每一张第一待处理图像中的内容及语义信息,得到第一待处理图像的特征数据。依据特征数据中的信息,确定被监测车辆停在第一待处理图像中的像素点所对应的位置的置信度,从而得到第一待处理图像的第一热力图,其中,像素点所对应的位置可以是像素点在像素坐标系下的坐标。例如,对图5a所示的第一待处理图像进行特征提取处理,得到的如图5b所示的第一热力图中包含以下信息:被监测车辆停在像素点a所对应的位置的置信度、被监测车辆停在像素点b所对应的位置的置信度、被监测车辆停在像素点c所对应的位置的置信度、被监测车辆停在像素点d所对应的位置的置信度。通过对至少一张第一待处理图像进行特征提取处理,可得到至少一张第一热力图。
在一种得到第一待处理图像的特征数据的实现的方式中,通过至少两层卷积层对第一待处理图像逐层进行卷积处理,完成对第一待处理图像的特征提取处理。至少两层卷积层中的卷积层依次串联,即上一层卷一层的输出为下一层卷积层的输入,每层卷积层提取出的内容及语义信息均不一样,具体表现为,特征提取处理一步步地将第一待处理图像的特征抽象出来,同时也将逐步丢弃相对次要的特征数据,其中,相对次要的特征信息指除被监测车辆的特征信息之外的特征信息。因此,越到后面提取出的特征数据的尺寸越小,但内容及语义信息更浓缩。通过多层卷积层逐级对第一待处理图像进行卷积处理,可得到第一待处理图像中的内容信息及语义信息。
示例性的,卷积处理的实现过程如下:通过使卷积核在第一待处理图像上滑动,并将第一待处理图像上与卷积核的中心像素点对应的像素点称为目标像素点。将第一待处理图像上的像素值与卷积核上对应的数值相乘,然后将所有相乘后的值相加得到卷积处理后的像素值。将卷积处理后的像素值作为目标像素点的像素值。最终滑动处理完第一待处理图像,更新第一待处理图像中所有像素点的像素值,完成对第一待处理图像的卷积处理,得到第一特征图像的特征数据。示例性的,上述至少两层卷积层中的卷积核的尺寸均为3*3,卷积处理的步长为2。
402、依据上述至少一张第一热力图,得到上述被监测车辆停在第一位置的置信度,作为第一置信度。
本申请实施例中,第一位置为任意一张第一热力图中的第一像素点所对应的位置,即第一像素点在第一热力图的像素坐标系下的位置,第一像素点为该第一热力图中任意一个像素点。举例来说,至少两张第一热力图包括:第一热力图1和第一热力图2。第一热力图1包括:像素点a和像素点b,第一热力图2包括:像素点c和像素点d。第一位置可以是像素点a所对应的位置,第一位置也可以是像素点b所对应的位置,第一位置也可以是像素点c所对应的位置,第一位置还可以是像素点d所对应的位置。
需要理解的是,因为第一热力图通过对第一待处理图像进行特征提取处理,所以上述第一位置也可以是第四像素点在第一待处理图像中的位置,其中,第一像素点在第一热力图中的位置与第四像素点在第一待处理图像中的位置相同。
本申请实施例中,两张图像中相同位置的像素点可参见图6,如图6所示,像素点A11在图像A中的位置与像素点B11在图像B中的位置相同,像素点A12在图像A中的位置与像素点k在图像B12中的位置相同,像素点A13在图像A中的位置与像素点B13在图像B中的位置相同,像素点A21在图像A中的位置与像素点B21在图像B中的位置相同,像素点A22在图像A中的位置与像素点B22在图像B中的位置相同,像素点A23在图像A中的位置与像素点B23在图像B中的位置相同,像素点A31在图像A中的位置与像素点B31在图像B中的位置相同,像素点A32在图像A中的位置与像素点B32在图像B中的位置相同,像素点A33在图像A中的位置与像素点B33在图像B中的位置相同。
在一种可能实现的方式中(下文将称为第一种可能实现的方式),依据一张第一热力图,可确定被监测车辆停车第一位置的一个置信度,即一个第一置信度。例如(例6),至少一张第一热力图包括:第一热力图1和第一热力图2。依据第一热力图1,确定被监测车辆停在第一位置的置信度为0.7,则0.7为第一置信度。依据第一热力图2,确定被监测车辆停在第一位置的置信度为0.5,则0.5为第一置信度。
在另一种可能实现的方式中(下文将称为第二种可能实现的方式),依据至少一张第一热力图,可得到被监测车辆在第一位置的至少一个置信度。确定至少一个置信度的和,作为第一置信度。例如(例7),至少一张第一热力图包括:第一热力图1、第一热力图2。依据第一热力图1确定被监测车辆停在第一位置的置信度为0.5,依据第一热力图2确定被监测车辆停在第一位置的置信度为0.4,则第一置信度为0.5+0.4=0.9。
在又一种可能实现的方式中(下文将称为第三种可能实现的方式),依据至少一张第一热力图,可得到被监测车辆在第一位置的至少一个置信度。确定至少一个置信度的均值,作为第一置信度。例如(例8),至少一张第一热力图包括:第一热力图1、第一热力图2。依据第一热力图1确定被监测车辆停在第一位置的置信度为0.7,依据第一热力图2确定被监测车辆停在第一位置的置信度为0.8,则第一置信度为(0.7+0.8)/2=0.75。
403、在上述第一位置位于上述异常停车区域内,且上述第一置信度大于或等于置信度阈值的情况下,确定上述被监测车辆停在上述异常停车区域内。
在第一位置位于异常停车区域内的情况下,表征被监测车辆在异常停车区域内,因此若需确定被监测车辆在异常停车区域内的位置是否不变,只需确定被监测车辆在第一位置处是否处于停车状态。
由于置信度表征被监测车辆停车的概率,可通过置信度的大小判断被监测车辆是否处于停车状态。在一种可能实现的方式中,在第一置信度大于或等于参考阈值的情况下,确定被监测车辆处于停车状态。例如,假设参考阈值为0.8。
需要理解的是,在第一置信度通过上述第一种可能实现的方式得到的情况下,依据每一张第一待处理图像得到的第一置信度,可确定被监测车辆在采集该第一待处理图像时是否停在第一位置。接着例6继续举例,假设置信度阈值为0.6,第一热力图1通过对第一待处理图像1进行特征提取处理得到,第一热力图2通过对第一待处理图像2进行特征提取处理得到,则被监测车辆在采集第一待处理图像1的时刻下停在第一位置,被监测车辆在采集第一待处理图像2的时刻下未停在第一位置。
在第一置信度通过上述第二种可能实现的方式得到的情况下,每一张第一热力图均包括时间戳,该时间戳为采集与第一热力图对应的第一待处理图像的时间。例如(例9),第一热力图1的时间戳为10点22分30秒,第一热力图1通过对第一待处理图像1进行特征提取处理得到,则采集第一待处理图像1的时间为10点22分30秒。将包括所有第一热力图的时间戳的集合称为时间戳集。在第一置信度大于或等于置信度阈值的情况下,确定被监测车辆在时间戳集中的最大值对应的时刻下停在第一位置。接着例7继续举例,假设置信度阈值为0.8,第一热力图1的时间戳为11点22分30秒,第一热力图2的时间戳为11点22分32秒,则时间戳集包括:11点22分30秒、11点22分32秒。时间戳集中的最大值为11点22分32秒,因此被监测车辆在11点22分32秒时停在第一位置。
在第一置信度通过上述第三种可能实现的方式得到的情况下,每一张第一热力图均包括时间戳,该时间戳为采集与第一热力图对应的第一待处理图像的时间,第一热力图的时间戳的含义可参见例9。将包括所有第一热力图的时间戳的集合称为时间戳集。在第一置信度大于或等于置信度阈值的情况下,确定被监测车辆在时间戳集中的最大值对应的时刻下停在第一位置。接着例8继续举例,假设置信度阈值为0.7,第一热力图1的时间戳为14点22分30秒,第一热力图2的时间戳为14点22分32秒,则时间戳集包括:14点22分30秒、14点22分32秒。时间戳集中的最大值为14点22分32秒,因此被监测车辆在14点22分32秒时停在第一位置。
本实施通过对第一待处理图像进行特征提取处理,得到携带被监测车辆停在第一位置的置信度的信息的第一热力图,进而可依据第一热力图确定被监测车辆停在第一位置的第一置信度。依据第一置信度与置信度阈值的大小关系,可确定被监测车辆是否停在第一位置。在被监测车辆停在第一位置,且第一位置位于异常停车区域内的情况下,确定被监测车辆停在异常停车区域内。
作为一种可选的实施方式,步骤402具体包括以下步骤:依据第二置信度和第三置信度,得到上述第一置信度。
由于一张第一待处理图像包含的信息有限,通过对一张第一待处理图像进行特征提取处理得到的第一热力图包含的信息也有限。具体的,在一张第一待处理图像中包含被监测车辆的位置的信息,但可用于确定被监测车辆的行车状态(包括停车状态和行驶状态)的信息少。例如,依据一张第一待处理图像1,得到的被监测车辆的位置为目标位置。通过对第一待处理图像1进行特征提取处理,得到被监测车辆停在目标位置的置信度为目标置信度。其中,目标位置的准确度高,目标置信度的准确度低。
基于此,本步骤通过至少两张第一热力图,确定被监测车辆在第一位置的行车状态。因此在本步骤中,第一待处理图像的数量和第一热力图的数量均大于或等于2。由于一张第一热力图包括被监测车辆停在第一位置的一个置信度,依据至少两张第一热力图,可得到被监测车辆停在第一位置的至少两个置信度。依据至少两个置信度,得到被监测车辆在第一位置停车的置信度,作为第一置信度,可提高第一置信度的准确度。
至少一张第一待处理图像包括第二待处理图像和第三待处理图像,其中,第二待处理图像和第三待处理图像为两张不同的图像。至少一张第一热力图包括第二热力图和第三热力图,其中,第二热力图通过对第二待处理图像进行特征提取处理得到,第三热力图通过对第三待处理图像进行特征提取处理得到。依据第二热力图,得到被监测车辆停在第一位置的置信度,作为第二置信度。依据第三热力图,得到被监测车辆停在第一位置的置信度,作为第三置信度。依据第二置信度和第三置信度,可得到第一置信度。
假设第一置信度为:c1,第二置信度为:c2,第三置信度为:c3。在一种得到第一置信度的实现方式中,c1、c2、c3满足下式:
c1=k×(c2+c3)…公式(1)
其中,k为正数。可选的,k=1。
在另一种得到第一置信度的实现方式中,c1、c2、c3满足下式:
c1=k×(c2+c3)+a…公式(2)
其中,k为正数,a为实数。可选的,k=1,c=0。
在又一种得到第一置信度的实现方式中,c1、c2、c3满足下式:
其中,k为正数。可选的,k=1。
车辆从行驶状态转换为停车状态具有一个过程,而不是瞬时发生的事件,且在该过程中,车辆会经历缓慢行驶状态。由于缓慢行驶状态的车速小易导致将车辆误判断为停车状态,通过判断车辆在一个时间窗口内是否处于停车状态,可提高判断车辆是否处于停车状态的准确度,其中,缓慢行驶状态指车辆的速度小于速度阈值且速度大于0的状态,可选的,速度阈值为5km/h,本申请实施例中,km/h表示千米每小时,为速度的单位。上述时间窗口可理解为车辆从缓慢行驶状态切换为停车状态所需的时间,例如,假设速度阈值为5km/h,车辆从5km/h减速至0需要2秒,则时间窗口为2秒。
可选的,第一待处理图像为视频流中的图像,例如,至少一张第一待处理图像包括:第一待处理图像1、第一待处理图像2、第一待处理图像3,其中,第一待处理图像1为视频流的第一帧图像,第一待处理图像2为视频流的第二帧图像,第一待处理图像3为视频流的第三帧图像。
由于采集视频流中连续两帧图像之间的时间间隔短,通过两帧图像判断被监测车辆是否处于停车状态的准确度低,可依据时间窗口确定第一热力图的数量,进而确定第一待处理图像的数量。例如(例10),假设第一待处理图像为道路上的监控摄像头采集的视频流中的图像,视频流中连续两帧图像之间的时间间隔为1/30秒,时间窗口为2秒,则第一热力图的最少数量为:2/(1/30)=60,相应的,第一待处理图像的最少数量为:60,即异常停车监测装置需获取至少60张第一待处理图像。
将包括一个时间窗口内的车辆在第一位置停车的置信度的集合,作为置信度集。可选的,将置信度集中的所有置信度的和,作为第一置信度,可提高确定被监测车辆在第一位置是否处于停车状态的准确度。接着例10继续举例,一个时间窗口包括60张第一热力图,依据60张第一热力图,可得到被监测车辆停在第一位置的60个置信度。计算这60个置信度求和,得到第一置信度。
可选的,上述时间窗口可为滑动时间窗口,滑动时间窗口的滑动步长为连续两帧图像之间的时间间隔。接着例10继续举例,滑动时间窗口的大小为60帧图像,滑动步长为一帧图像。在滑动时间窗口包括视频流中的前60帧图像的情况下,将前60帧图像中的每一帧图像作为一张第一待处理图像,分别对每一张第一待处理图像进行特征提取处理,得到60张第一热力图,依据60张第一热力图,得到第一置信度(下文将称为第一置信度1)。在得到第一置信度1后,滑动时间窗口滑动一个步长,此时滑动时间窗口包括视频流中的第2帧图像至第61帧图像,将第2帧图像至第61帧图像中的每一帧图像作为一张第一待处理图像,分别对每一张第一待处理图像进行特征提取处理,得到60张第一热力图,依据60张第一热力图,得到第一置信度(下文将称为第一置信度2)。假设视频流中的第60帧图像的时间戳为时间戳1,视频流中的第61帧图像的时间戳为时间戳2。在第一置信度1大于或等于置信度阈值的情况下,确定被监测车辆在时间戳1所指示的时刻下停在第一位置。在第一置信度2大于或等于置信度阈值的情况下,确定被监测车辆在时间戳2所指示的时刻下停在第一位置。
通过滑动时间窗内的第一置信度与置信度阈值之间的大小关系,实现对被监测车辆是否停在第一位置的持续监测。
可选的,不同的第一待处理图像可通过相同的成像设备采集,成像设备采集不同第一待处理图像的时间不同。本申请实施例中,成像设备可以是摄像头。例如,将摄像头a部署于A处。通过摄像头a在时间b采集图像c,通过摄像头a在时间d采集图像e。将图像c和图像e均作为第一待处理图像。
不同的第一待处理图像也可通过不同的成像设备采集,其中,不同的成像设备的位置不同,且不同的成像设备采集第一待处理图像的时间不同。例如,将摄像头a部署于A处,将摄像头b部署于B处。通过摄像头a在时间c采集图像d,通过摄像头b在时间e采集图像f。将图像d和图像f均作为第一待处理图像。
在两张第一待处理图像通过相同的成像设备采集的情况下,在一种在这两张第一待处理图像中分别确定第一位置所对应的像素点的实现方式中,假设这两张第一待处理图像分别为第二待处理图像和第三待处理图像。对第二待处理图像进行特征提取处理得到第二热力图,对第三待处理图像进行特征提取处理得到第三热力图。第二热力图中的第二像素点所对应的位置为第一位置。第三像素点在第三热力图中的位置与第二像素点在第二热力图中的位置相同,则第三像素点所对应的位置也为第一位置。
在两张第一待处理图像通过不同的成像设备采集的情况下,在一种在这两张第一待处理图像中分别确定第一位置所对应的像素点的实现方式中,假设这两张第一待处理图像分别为第五待处理图像和第六待处理图像。通过对第五待处理图像和第六待处理图像进行特征匹配处理,得到第五待处理图像和第六待处理图像中的同名点,作为目标同名点,其中,目标同名点中的一个像素点所对应的位置为第一位置。本申请实施例中,同一个物理点在不同图像中的像素点互为同名点。如图7所示,像素点A与像素点C互为同名点,像素点B与像素点D互为同名点。
举例来说,第五待处理图像为成像设备a在时间b采集的图像,第六待处理图像为成像设备c在时间d采集的图像。通过对第五待处理图像和第六待处理图像进行特征匹配处理,确定第五待处理图像中的像素点A与第六待处理图像中的像素点B互为同名点,其中,像素点A所对应的位置为第一位置,或,像素点B所对应的位置为第一位置。假设:对第五待处理图像进行特征提取处理得到第一热力图像1,对第六待处理图像进行特征提取处理得到第一热力图像2。像素点A在第五待处理图像中的位置与像素点C在第五待处理图像中的位置相同,像素点B在第六待处理图像中的位置与像素点D在第六待处理图像中的位置相同。在像素点A所对应的位置为第一位置的情况下,依据第五热力图,得到被监测车辆在像素点D所对应的位置的置信度,作为第一参考置信度。第一参考置信度为被监测车辆在时间d停在第一位置的置信度。在像素点B所对应的位置为第一位置的情况下,依据第四热力图,得到被监测车辆在像素点C所对应的位置的置信度,作为第二参考置信度。第二参考置信度为被监测车辆在时间c停在第一位置的置信度。
上述特征匹配处理可通过暴风算法(brute force)、k最近邻算法(k-nearestneighbor,KNN)、快速最近邻搜索算法(fast library for approximate nearestneighbors,FLANN)中的任意一种算法实现,本申请对此不作限定。
通过同一成像设备,采集得到不同的第一待处理图像,可减小成本以及数据处理量,提高异常停车监测装置处理数据的速度。通过部署于不同位置的成像设备在不同时间,采集得到不同的第一待处理图像,可得到被监测车辆在不同成像视角下的信息,从而可提高被监测车辆停在第一位置的置信度的准确度。
为获取道路上的实时交通状况,道路上均部署有大量监控摄像头。使用本申请实施例提供的技术方案对监控摄像头采集的视频流进行处理,可实现对道路上的异常停车的实时监测。
请参阅图8,图8为本申请实施例提供另一种车辆异常停车监测方法的流程示意图。
801、获取待处理视频流。
本申请实施例中,异常停车监测装置与至少一个监控摄像头之间具有通讯连接。异常停车监测装置可从每个监控摄像头,获取监控摄像头实时采集的视频流,作为待处理视频流。
需要理解的是,与异常停车监测装置具有通讯连接的监控摄像头的数量并不是固定的,将监控摄像头的网络地址输入至异常停车监测装置,即可通过异常停车监测装置从监控摄像头获取监控摄像头实时采集的视频流。
举例来说(例11),相关执法人员希望使用本申请实施例提供的技术方案监测高速公路A上是否有车辆异常停车。相关执法人员可将高速公路A上的监控摄像头的网络地址输入至异常停车监测装置,即可通过异常停车监测装置获取高速公路A的监控摄像头实时采集的视频流。
802、对上述待处理视频流进行解码处理,得到上述至少两张第一待处理图像。
待处理视频流包含至少两帧图像,异常停车监测装置在对待处理视频流进行后续处理之前,可对待处理视频流进行解码处理,得到至少两帧图像,作为上述至少两张第一待处理图像。
举例来说,待处理视频流包括:图像a、图像b、图像c、图像d。对待处理视频流进行解码处理,得到4张第一待处理图像,分别为:图像a、图像b、图像c、图像d。
在通过步骤802得到至少两张第一待处理图像后,可基于本申请实施例提供的技术方案对至少两张第一待处理图像进行处理,确定至少两张第一待处理图像中是否包含车辆,并在确定至少两张第一待处理图像中包含车辆的情况下,确定车辆是否异常停车。以此,实现对道路上的车辆异常停车的实时监测。
以例11为例,通过对待处理视频进行解码处理,得到至少两张第一待处理图像。使用本申请实施例提供的技术方案对至少两张第一待处理图像进行处理,可确定高速公路A上是否有车辆异常停车。
第一待处理图像的图像质量越高,后续基于第一待处理图像,得到的第一位置的准确度就越高,确定第一待处理图像中的车辆异常停车的准确度也就越高。为进一步提高确定第一待处理图像中的车辆异常停车的准确度,作为一种可选的实施方式,步骤802具体包括以下步骤:
81、对上述待处理视频流进行解码处理,得到至少两张第四待处理图像。
本步骤的实现方式可参见步骤802,本步骤中的至少两张第四待处理图像与步骤802中的至少两张第一待处理图像对应。也就是说,在本步骤中,并不将对待处理视频流进行解码处理得到的图像,作为第一待处理图像,而是作为第四待处理图像。
82、依据图像质量评价指标,得到上述至少两张第四待处理图像的质量分数。
本申请实施例中,上述图像质量评价指标用于评价图像的质量。图像质量评价指标包括以下至少一个:图像的分辨率的高低、图像的信噪比的大小、图像的清晰程度,其中,图像的分辨率与图像质量呈正相关,图像的信噪比与图像质量呈正相关,图像的清晰程度与图像质量呈正相关。依据图像质量评价指标,可得到每一张第四待处理图像的质量分数。
举例来说,在第四待处理图像的分辨率大于或等于50每英寸的像素点的数量(pixels per inch,PPI)且小于或等于100PPI的情况下,评分增加1分。在第四待处理图像的分辨率大于100PPI且小于或等于150PPI的情况下,评分增加2分。在第四待处理图像的信噪比大于150PPI且小于或等于200PPI的情况下,评分增加3分。在第四待处理图像的分辨率大于250PPI且小于或等于300PPI的情况下,评分增加4分。在第四待处理图像的分辨率大于300PPI的情况下,评分增加5分。在第四待处理图像的信噪比大于20分贝且小于或等于30分贝的情况下,评分增加1分。在第四待处理图像的信噪比大于30分贝且小于或等于40分贝的情况下,评分增加2分。在第四待处理图像的信噪比大于40分贝且小于或等于50分贝的情况下,评分增加3分。在第四待处理图像的信噪比大于50分贝且小于或等于60分贝的情况下,评分增加4分。在第四待处理图像的信噪比大于60分贝的情况下,评分增加5分。此外,还可依据第四待处理图像的清晰度从1~5分中获得相应的分数,第四待处理图像的清晰度可通过一下一种算法得到:灰度方差函数、灰度方差乘积函数、能量梯度函数。最后将图像质量评价指标中的各项指标对应的分数相加,得到第四待处理图像的质量分数。
83、确定质量分数大于或等于质量分数阈值的第四待处理图像,得到上述至少两张第一待处理图像。
若第四待处理图像的质量分数小于质量分数阈值,表征第四待处理图像的图像质量差,对第四待处理图像进行处理,得到第一位置的准确度低,从而导致确定第一待处理图像中的车辆异常停车的准确度低。因此,将质量分数大于或等于质量分数阈值的第四待处理图像,作为第一待处理图像,可提高确定第一待处理图像中的车辆异常停车的准确度。
本实施基于道路上的监控摄像头采集到的视频流,得到至少两张第一待处理图像。由于监控摄像头均为道路上已有的设备,使用本申请实施例提供的技术方案对至少两张第一待处理图像进行处理,可在不增加成本的前提下,实现对道路上的车辆异常停车的实时监测。
为使相关执法人员在最短的时间内引导车辆驶出异常停车区域,作为一种可选的实施方式,在确定车辆异常停车后,可执行与图9所示的流程示意图对应的方法:
901、获取采集所述至少两张第一待处理图像的摄像头的至少一个位置,作为至少一个第二位置。
本申请实施例中,摄像头的位置包括摄像头的经度信息和纬度信息。依据采集包含车辆的第一待处理图像的摄像头的位置,可确定车辆的位置,进而可引导相关执法人员到达车辆异常停车的地点。
902、向终端发送包含所述至少一个第二位置的告警指令。
本申请实施例中,终端可以是以下中的一种:手机、计算机、平板电脑、服务器。
上述告警指令可以是语音提示信息,如:“异常停车的车辆出现在北纬23度3分,东经115度16分”。上述告警指令也可以是文字提示信息,如:在终端的显示界面上弹出包含至少一个第二位置的提示窗口,提示窗口内包含提示文字,如:“异常停车的车辆出现在北纬23度3分,东经115度16分”。本申请对此不做限定。
本申请实施例中,告警指令用于指示终端输出告警信息。终端在接收到告警指令后,输出相应的告警信息,以提示相关执法人员及时到达异常停车的车辆所在的位置,以引导车辆驶出异常停车区域。
可选的,上述告警指令还包括异常停车区域的类型,其中,异常停车区域的类型包括:危险停车区域、违法停车区域、3分钟停车区域。不同类型的异常停车区域对应的时间阈值不同。作为一种可选的实施方式,用户可在成像设备的成像区域内依次选取至少三个点,并将至少三个点依次连接,得到一个封闭的多边形。将该多边形包含的区域作为异常停车区域,并向异常停车监测装置输入该异常停车区域的类型和时间阈值。异常停车监测装置在接收到用户输入的异常停车区域的类型和时间阈值后,可将异常停车区域的类型和时间阈值存储,用于后续的异常停车监测。
本领域技术人员可以理解,在具体实施方式的上述方法中,各步骤的撰写顺序并不意味着严格的执行顺序而对实施过程构成任何限定,各步骤的具体执行顺序应当以其功能和可能的内在逻辑确定。
上述详细阐述了本申请实施例的方法,下面提供了本申请实施例的装置。
请参阅图10,图10为本申请实施例提供的一种异常停车监测装置的结构示意图,该装置1包括:第一获取单元11、第一处理单元12、第二处理单元13、第二获取单元14以及发送单元15,其中:
第一获取单元11,用于获取至少两张第一待处理图像;
第一处理单元12,用于基于所述至少两张第一待处理图像,得到所述至少两张第一待处理图像中的被监测车辆的检测结果;所述检测结果包括所述被监测车辆停在异常停车区域内或所述被监测车辆未停在所述异常停车区域内;
第二处理单元13,用于基于所述检测结果,得到所述被监测车辆的异常停车监测结果。
结合本申请任一实施方式,在所述检测结果包括所述被监测车辆停在所述异常停车区域内的情况下,所述异常停车检测结果还包括所述被监测车辆停在所述异常停车区域内的持续时长;
所述第二处理单元13,用于:
在所述检测结果包括所述被监测车辆停在所述异常停车区域内,且所述持续时长大于或等于时长阈值的情况下,确定所述被监测车辆异常停车。
结合本申请任一实施方式,所述第二处理单元13,用于:
在所述检测结果包括所述被监测车辆停在所述异常停车区域内的情况下,获取所述至少两张第一待处理图像的时间戳,得到至少两个时间戳;
依据所述至少两个时间戳,得到所述持续时长。
结合本申请任一实施方式,所述第一处理单元12,用于:
对至少一张所述第一待处理图像进行特征提取处理,得到至少一张第一热力图;所述第一热力图包括所述被监测车辆停在像素点所对应的位置的置信度;
依据所述至少一张第一热力图,得到所述被监测车辆停在第一位置的置信度,作为第一置信度;所述第一位置为所述第一热力图中的第一像素点所对应的位置;
在所述第一位置位于所述异常停车区域内,且所述第一置信度大于或等于置信度阈值的情况下,确定所述被监测车辆停在所述异常停车区域内。
结合本申请任一实施方式,所述第一待处理图像的数量和所述第一热力图的数量均大于或等于2,所述至少一张所述第一待处理图像包括第二待处理图像和第三待处理图像,所述至少一张第一热力图包括第二热力图和第三热力图,所述第二热力图通过对所述第二待处理图像进行特征提取处理得到,所述第三热力图通过对所述第三待处理图像进行特征提取处理得到;
所述第一处理单元12,用于:
依据第二置信度和第三置信度,得到所述第一置信度;所述第二热力图包括所述被监测车辆停在所述第一位置的第二置信度,所述第三热力图包括所述被监测车辆停在所述第一位置的第三置信度。
结合本申请任一实施方式,所述第二热力图包括所述被监测车辆停在所述第一位置的第二置信度,所述第三热力图包括所述被监测车辆停在所述第一位置的第三置信度;
所述第一处理单元12,用于:
确定所述第二置信度和所述第三置信度的和,得到所述第一置信度。
结合本申请任一实施方式,所述第一位置为所述第二热力图中的第二像素点所对应的位置,且所述第一位置为所述第三热力图中的第三像素点所对应的位置,且所述第二像素点在所述第二热力图中的位置与所述第三像素点在所述第三热力图中的位置相同。
结合本申请任一实施方式,所述第一获取单元11,用于:
获取待处理视频流;
对所述待处理视频流进行解码处理,得到所述至少两张第一待处理图像。
结合本申请任一实施方式,所述第一获取单元11,用于:
对所述待处理视频流进行解码处理,得到至少两张第四待处理图像;
依据图像质量评价指标,得到所述至少两张第四待处理图像的质量分数;所述图像质量评价指标包括以下至少一个:图像的分辨率的高低、图像的信噪比的大小、图像的清晰程度;
确定质量分数大于或等于质量分数阈值的第四待处理图像,得到所述至少两张第一待处理图像。
结合本申请任一实施方式,所述装置1还包括:
第二获取单元14,用于在所述异常停车监测结果包括所述被监测车辆异常停车的情况下,获取采集所述至少两张第一待处理图像的摄像头的至少一个位置,作为至少一个第二位置;
发送单元15,用于向终端发送包含所述至少一个第二位置的告警指令;所述告警指令用于指示所述终端输出告警信息。
在一些实施例中,本申请实施例提供的装置具有的功能或包含的模块可以用于执行上文方法实施例描述的方法,其具体实现可以参照上文方法实施例的描述,为了简洁,这里不再赘述。
本申请实施例通过对至少两张第一待处理图像进行处理,可确定至少两张第一待处理图像中的被监测车辆是否停在异常停车区内。在确定被监测车辆停在异常停车区域内,且持续时长大于或等于时长阈值的情况下,确定被监测车辆异常停车,以达到监测道路上的是否有车辆异常停车的效果。
图11为本申请实施例提供的一种异常停车监测装置的硬件结构示意图。该异常停车监测装置2包括处理器21,存储器22,输入装置23,输出装置24。该处理器21、存储器22、输入装置23和输出装置24通过连接器相耦合,该连接器包括各类接口、传输线或总线等等,本申请实施例对此不作限定。应当理解,本申请的各个实施例中,耦合是指通过特定方式的相互联系,包括直接相连或者通过其他设备间接相连,例如可以通过各类接口、传输线、总线等相连。
处理器21可以是一个或多个图形处理器(graphics processing unit,GPU),在处理器21是一个GPU的情况下,该GPU可以是单核GPU,也可以是多核GPU。可选的,处理器21可以是多个GPU构成的处理器组,多个处理器之间通过一个或多个总线彼此耦合。可选的,该处理器还可以为其他类型的处理器等等,本申请实施例不作限定。
存储器22可用于存储计算机程序指令,以及用于执行本申请方案的程序代码在内的各类计算机程序代码。可选地,存储器包括但不限于是随机存储记忆体(random accessmemory,RAM)、只读存储器(read-only memory,ROM)、可擦除可编程只读存储器(erasableprogrammable read only memory,EPROM)、或便携式只读存储器(compact disc read-only memory,CD-ROM),该存储器用于相关指令及数据。
输入装置23用于输入数据和/或信号,以及输出装置24用于输出数据和/或信号。输入装置23和输出装置24可以是独立的器件,也可以是一个整体的器件。
可理解,本申请实施例中,存储器22不仅可用于存储相关指令,还可用于存储相关数据,如该存储器22可用于存储通过输入装置23获取的第一待处理图像,又或者该存储器22还可用于存储通过处理器21得到的第一置信度等等,本申请实施例对于该存储器中具体所存储的数据不作限定。
可以理解的是,图11仅仅示出了一种异常停车监测装置的简化设计。在实际应用中,异常停车监测装置还可以分别包含必要的其他元件,包含但不限于任意数量的输入/输出装置、处理器、存储器等,而所有可以实现本申请实施例的异常停车监测装置都在本申请的保护范围之内。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本申请的范围。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的系统、装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。所属领域的技术人员还可以清楚地了解到,本申请各个实施例描述各有侧重,为描述的方便和简洁,相同或类似的部分在不同实施例中可能没有赘述,因此,在某一实施例未描述或未详细描述的部分可以参见其他实施例的记载。
在本申请所提供的几个实施例中,应该理解到,所揭露的系统、装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,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,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本申请各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。
在上述实施例中,可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时,可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机程序指令时,全部或部分地产生按照本申请实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中,或者通过所述计算机可读存储介质进行传输。所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(digital subscriberline,DSL))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质,(例如,软盘、硬盘、磁带)、光介质(例如,数字通用光盘(digital versatiledisc,DVD))、或者半导体介质(例如固态硬盘(solid state disk,SSD))等。
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,该流程可以由计算机程序来指令相关的硬件完成,该程序可存储于计算机可读取存储介质中,该程序在执行时,可包括如上述各方法实施例的流程。而前述的存储介质包括:只读存储器(read-only memory,ROM)或随机存储存储器(random access memory,RAM)、磁碟或者光盘等各种可存储程序代码的介质。
Claims (14)
1.一种异常停车监测方法,其特征在于,所述方法包括:
获取至少两张第一待处理图像;
基于所述至少两张第一待处理图像,得到所述至少两张第一待处理图像中的被监测车辆的检测结果;所述检测结果包括所述被监测车辆停在异常停车区域内或所述被监测车辆未停在所述异常停车区域内;
基于所述检测结果,得到所述被监测车辆的异常停车监测结果。
2.根据权利要求1所述的方法,其特征在于,在所述检测结果包括所述被监测车辆停在所述异常停车区域内的情况下,所述异常停车检测结果还包括所述被监测车辆停在所述异常停车区域内的持续时长;
所述基于所述检测结果,得到所述被监测车辆的异常停车监测结果,包括:
在所述检测结果包括所述被监测车辆停在所述异常停车区域内,且所述持续时长大于或等于时长阈值的情况下,确定所述被监测车辆异常停车。
3.根据权利要求2所述的方法,其特征在于,所述在所述检测结果包括所述被监测车辆停在所述异常停车区域内的情况下,所述异常停车检测结果还包括所述被监测车辆停在所述异常停车区域内的持续时长,包括:
在所述检测结果包括所述被监测车辆停在所述异常停车区域内的情况下,获取所述至少两张第一待处理图像的时间戳,得到至少两个时间戳;
依据所述至少两个时间戳,得到所述持续时长。
4.根据权利要求1至3中任意一项所述的方法,其特征在于,所述基于所述至少两张第一待处理图像,得到所述至少两张第一待处理图像中的被监测车辆的检测结果,包括:
对至少一张所述第一待处理图像进行特征提取处理,得到至少一张第一热力图;所述第一热力图包括所述被监测车辆停在第一热力图像素点所对应的位置的置信度;
依据所述至少一张第一热力图,得到所述被监测车辆停在第一位置的置信度,作为第一置信度;所述第一位置为所述第一热力图中的第一像素点所对应的位置;
在所述第一位置位于所述异常停车区域内,且所述第一置信度大于或等于置信度阈值的情况下,确定所述被监测车辆停在所述异常停车区域内。
5.根据权利要求4所述的方法,其特征在于,所述第一待处理图像的数量和所述第一热力图的数量均大于或等于2,所述至少一张所述第一待处理图像包括第二待处理图像和第三待处理图像,所述至少一张第一热力图包括第二热力图和第三热力图,所述第二热力图通过对所述第二待处理图像进行特征提取处理得到,所述第三热力图通过对所述第三待处理图像进行特征提取处理得到;
所述依据至少一张第一热力图,得到所述被监测车辆停在第一位置的置信度,作为第一置信度,包括:
依据第二置信度和第三置信度,得到所述第一置信度;所述第二热力图包括所述被监测车辆停在所述第一位置的第二置信度,所述第三热力图包括所述被监测车辆停在所述第一位置的第三置信度。
6.根据权利要求5所述的方法,其特征在于,所述第二热力图包括所述被监测车辆停在所述第一位置的第二置信度,所述第三热力图包括所述被监测车辆停在所述第一位置的第三置信度;
所述依据第二置信度和第三置信度,得到所述第一置信度,包括:
确定所述第二置信度和所述第三置信度的和,得到所述第一置信度。
7.根据权利要求5或6所述的方法,其特征在于,所述第一位置为所述第二热力图中的第二像素点所对应的位置,且所述第一位置为所述第三热力图中的第三像素点所对应的位置,且所述第二像素点在所述第二热力图中的位置与所述第三像素点在所述第三热力图中的位置相同。
8.根据权利要求1至7中任意一项所述的方法,其特征在于,所述获取至少两张第一待处理图像,包括:
获取待处理视频流;
对所述待处理视频流进行解码处理,得到所述至少两张第一待处理图像。
9.根据权利要求8所述的方法,其特征在于,所述对所述待处理视频流进行解码处理,得到所述至少两张第一待处理图像,包括:
对所述待处理视频流进行解码处理,得到至少两张第四待处理图像;
依据图像质量评价指标,得到所述至少两张第四待处理图像的质量分数;所述图像质量评价指标包括以下至少一个:图像的分辨率的高低、图像的信噪比的大小、图像的清晰程度;
确定质量分数大于或等于质量分数阈值的第四待处理图像,得到所述至少两张第一待处理图像。
10.根据权利要求1至9中任意一项所述的方法,其特征在于,所述方法还包括:
在所述异常停车监测结果包括所述被监测车辆异常停车的情况下,获取采集所述至少两张第一待处理图像的摄像头的至少一个位置,作为至少一个第二位置;
向终端发送包含所述至少一个第二位置的告警指令;所述告警指令用于指示所述终端输出告警信息。
11.一种异常停车监测装置,其特征在于,所述装置包括:
第一获取单元,用于获取至少两张第一待处理图像;
第一处理单元,用于基于所述至少两张第一待处理图像,得到所述至少两张第一待处理图像中的被监测车辆的检测结果;所述检测结果包括所述被监测车辆停在异常停车区域内或所述被监测车辆未停在所述异常停车区域内;
第二处理单元,用于基于所述检测结果,得到所述被监测车辆的异常停车监测结果。
12.一种处理器,其特征在于,所述处理器用于执行如权利要求1至10中任意一项所述的方法。
13.一种电子设备,其特征在于,包括:处理器、发送装置、输入装置、输出装置和存储器,所述存储器用于存储计算机程序代码,所述计算机程序代码包括计算机指令,在所述处理器执行所述计算机指令的情况下,所述电子设备执行如权利要求1至10中任一项所述的方法。
14.一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程序,所述计算机程序包括程序指令,在所述程序指令被处理器执行的情况下,使所述处理器执行权利要求1至10中任意一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010127466.3A CN111325171A (zh) | 2020-02-28 | 2020-02-28 | 异常停车监测方法及相关产品 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010127466.3A CN111325171A (zh) | 2020-02-28 | 2020-02-28 | 异常停车监测方法及相关产品 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111325171A true CN111325171A (zh) | 2020-06-23 |
Family
ID=71171197
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010127466.3A Withdrawn CN111325171A (zh) | 2020-02-28 | 2020-02-28 | 异常停车监测方法及相关产品 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111325171A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112241696A (zh) * | 2020-09-28 | 2021-01-19 | 深圳市商汤科技有限公司 | 图像处理方法及装置、电子设备及存储介质 |
CN113822902A (zh) * | 2021-09-24 | 2021-12-21 | 泰州市雷信农机电制造有限公司 | 区块链车体状态监控系统 |
CN115050190A (zh) * | 2022-06-13 | 2022-09-13 | 天翼数字生活科技有限公司 | 一种道路车辆监控方法及其相关装置 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109146924A (zh) * | 2018-07-18 | 2019-01-04 | 北京飞搜科技有限公司 | 一种基于热力图的目标跟踪方法及装置 |
CN110135356A (zh) * | 2019-05-17 | 2019-08-16 | 北京百度网讯科技有限公司 | 违章停车的检测方法及装置、电子设备、计算机可读介质 |
CN110491135A (zh) * | 2019-08-20 | 2019-11-22 | 深圳市商汤科技有限公司 | 检测违章停车的方法及相关装置 |
CN110532984A (zh) * | 2019-09-02 | 2019-12-03 | 北京旷视科技有限公司 | 关键点检测方法、手势识别方法、装置及系统 |
-
2020
- 2020-02-28 CN CN202010127466.3A patent/CN111325171A/zh not_active Withdrawn
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109146924A (zh) * | 2018-07-18 | 2019-01-04 | 北京飞搜科技有限公司 | 一种基于热力图的目标跟踪方法及装置 |
CN110135356A (zh) * | 2019-05-17 | 2019-08-16 | 北京百度网讯科技有限公司 | 违章停车的检测方法及装置、电子设备、计算机可读介质 |
CN110491135A (zh) * | 2019-08-20 | 2019-11-22 | 深圳市商汤科技有限公司 | 检测违章停车的方法及相关装置 |
CN110532984A (zh) * | 2019-09-02 | 2019-12-03 | 北京旷视科技有限公司 | 关键点检测方法、手势识别方法、装置及系统 |
Non-Patent Citations (1)
Title |
---|
赵婷等: "一种基于Heat Map的地理标签数据可视化表达的研究", 《测绘工程》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112241696A (zh) * | 2020-09-28 | 2021-01-19 | 深圳市商汤科技有限公司 | 图像处理方法及装置、电子设备及存储介质 |
CN113822902A (zh) * | 2021-09-24 | 2021-12-21 | 泰州市雷信农机电制造有限公司 | 区块链车体状态监控系统 |
CN115050190A (zh) * | 2022-06-13 | 2022-09-13 | 天翼数字生活科技有限公司 | 一种道路车辆监控方法及其相关装置 |
CN115050190B (zh) * | 2022-06-13 | 2024-01-23 | 天翼数字生活科技有限公司 | 一种道路车辆监控方法及其相关装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108725440B (zh) | 前向碰撞控制方法和装置、电子设备、程序和介质 | |
CN111325171A (zh) | 异常停车监测方法及相关产品 | |
US20240071215A1 (en) | Detection method and apparatus of abnormal vehicle, device, and storage medium | |
CN112818792A (zh) | 车道线检测方法、装置、电子设备及计算机存储介质 | |
CN111368688A (zh) | 行人监测方法及相关产品 | |
CN111369753B (zh) | 非机动车监测方法及相关产品 | |
CN113052047A (zh) | 交通事件的检测方法、路侧设备、云控平台及系统 | |
CN116630945A (zh) | 驾驶分心提醒方法、装置、设备及可读存储介质 | |
CN114494848B (zh) | 一种机器人视距路径确定方法和装置 | |
CN112644484B (zh) | 制动方法、装置、电子设备及可读存储介质 | |
CN113147794A (zh) | 生成自动驾驶预警信息方法、装置、设备及自动驾驶车辆 | |
CN114429631A (zh) | 三维对象检测方法、装置、设备以及存储介质 | |
CN114333417A (zh) | 一种车辆安全检测方法、装置、电子设备及存储介质 | |
CN113869147A (zh) | 目标检测方法及装置 | |
CN111862607A (zh) | 一种责任划分方法、装置、设备及存储介质 | |
CN113012430A (zh) | 一种车辆排队长度检测方法、装置、设备及可读存储介质 | |
CN113011860A (zh) | 用于信息处理的方法、设备和计算机存储介质 | |
CN114228614B (zh) | 一种车辆报警方法、装置、电子设备及存储介质 | |
Morgos et al. | Parking information system with artificial neural network | |
CN113822449B (zh) | 碰撞检测方法、装置、电子设备和存储介质 | |
CN118457218B (zh) | 一种基于传感器与机器视觉的酒驾检测方法及系统 | |
CN114771515B (zh) | 车辆碰撞处理方法、装置及相关设备 | |
CN118736526A (zh) | 一种基于图像识别的车辆碰撞预警方法、装置、设备及介质 | |
CN116524471A (zh) | 置信度阈值的确定方法、装置、设备及存储介质 | |
CN115631478A (zh) | 道路图像检测方法、装置、设备、计算机可读介质 |
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 | ||
WW01 | Invention patent application withdrawn after publication | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20200623 |