CN111369807B - 一种交通事故的检测方法、装置、设备和介质 - Google Patents
一种交通事故的检测方法、装置、设备和介质 Download PDFInfo
- Publication number
- CN111369807B CN111369807B CN202010214329.3A CN202010214329A CN111369807B CN 111369807 B CN111369807 B CN 111369807B CN 202010214329 A CN202010214329 A CN 202010214329A CN 111369807 B CN111369807 B CN 111369807B
- Authority
- CN
- China
- Prior art keywords
- traffic accident
- alarm
- static
- scene
- determining
- 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
Images
Classifications
-
- 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
- G08G1/017—Detecting movement of traffic to be counted or controlled identifying vehicles
- G08G1/0175—Detecting movement of traffic to be counted or controlled identifying vehicles by photographing vehicles, e.g. when violating traffic rules
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- 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
- G06V20/40—Scenes; Scene-specific elements in video content
- G06V20/46—Extracting features or characteristics from the video content, e.g. video fingerprints, representative shots or key frames
-
- 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
- G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B21/00—Alarms responsive to a single specified undesired or abnormal condition and not otherwise provided for
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N7/00—Television systems
- H04N7/18—Closed-circuit television [CCTV] systems, i.e. systems in which the video signal is not broadcast
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Multimedia (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Emergency Management (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Signal Processing (AREA)
- Traffic Control Systems (AREA)
- Image Analysis (AREA)
Abstract
本申请实施例公开了一种交通事故的检测方法、装置、设备和介质,涉及图像处理技术领域中的智能交通技术。该方法包括:从监控视频流中提取至少一帧静态图像;从至少一帧所述静态图像中识别设定的交通事故场景特征;根据识别到的交通事故场景特征,确定交通事故检测结果。本申请实施例提高了交通事故的检测效率,缩短了发现交通事故的耗时。
Description
技术领域
本申请实施例涉及图像处理技术领域,具体涉及智能交通技术。
背景技术
随着城市汽车保有量的增加,以及对道路通行效率的要求提高,如何治理交通拥堵成为道路交通管理的一个重要课题。
引发交通拥堵的原因之一就是交通事故。当发生交通事故时会占用部分甚至全部车道,且交通事故的处理过程需要时间,致使占道现象要持续一段时间才能消除。因此,及时发现并处理交通事故,能缓解交通拥堵的一个方式。
目前发现并处理交通事故的途径,仍然以人工操作为主。一方面通过巡检员从监控视频中发现交通事故,另一方面靠事故方上报交通事故。但是受限于人员数量和精力等因素,导致人工方式确定交通事故的发生,都有滞后性。
此外,即使发现了交通事故,对交通事故的发生、确认、定责以及联带的定损、通知仍然全部依靠交警现场确认,智能化程度很低,所以也需要人通过一段时间才能完成处理,解除占道问题。
发明内容
本申请实施例公开一种交通事故的检测方法、装置、设备和介质,以提高交通事故的检测效率,缩短发现交通事故的耗时。
第一方面,本申请实施例公开了一种交通事故的检测方法,该方法包括:
从监控视频流中提取至少一帧静态图像;
从至少一帧所述静态图像中识别设定的交通事故场景特征;
根据识别到的交通事故场景特征,确定交通事故检测结果。
本申请实施例通过从监控视频流中提取至少一帧静态图像,以从至少一帧静态图像中识别设定的交通事故场景特征,然后根据识别到的交通事故场景特征,确定交通事故检测结果。由此,实现基于静态图像识别交通事故场景特征,进而根据交通事故场景特征快速确定交通事故检测结果,以提高交通事故的检测效率,缩短发现交通事故的耗时。
另外,根据本申请上述实施例的一种交通事故的检测方法,还可以具有如下附加的技术特征:
可选的,如果所述静态图像为多帧,则从多帧所述静态图像中识别设定的交通事故场景特征包括:
从多帧所述静态图像中识别静态目标和/或动态目标,作为目标对象;
识别所述目标对象的所处区域和/或动作行为,作为设定的交通事故场景特征。
上述申请中的一个实施例具有如下优点或有益效果:通过提取多帧静态图像,并从多帧静态图像中识别目标对象,以将目标对象所处区域和/ 或动作行为,作为设定的交通故事场景特征,实现通过多帧静态图像进行比对,为后续确定交通事故检测结果的准确度奠定了基础。
可选的,从多帧所述静态图像中识别静态目标包括:
通过背景模型,根据多帧所述静态图像之间的像素变化来确定静止区域作为静态背景;
从所述静态背景中提取静态目标。
可选的,从所述静态背景中提取静态目标包括:
从多帧所述静态背景中分别提取静态目标;
基于时空矩阵比例,确定多个所述静态目标的轮廓重合度和运动轨迹;
根据所述轮廓重合度和运动轨迹的置信度,滤除置信度不符合设定阈值的静态目标。
上述申请中的一个实施例具有如下优点或有益效果:通过基于时空矩阵比例,确定从多帧静态图像中分别提取的静态目标的轮廓重合度和运动轨迹,以根据轮廓重合度和运动轨迹的置信度提取静态目标,从而避免因静态目标在多帧静态图像中存在的残影、虚影,造成静态目标的误检测。
可选的,识别所述目标对象的所处区域和/或动作行为,作为设定的交通事故场景特征包括下述至少一项:
识别所述目标对象是否处于设定禁止区域,若是,则确定识别到区域侵入场景特征;
识别所述静态目标的停留动作的持续时间,若所述持续时间达到设定停留阈值,则确定识别到异常停留场景特征;
识别所述目标对象在静态图像中的覆盖面积占比,若所述覆盖面积占比达到设定覆盖率,则确定识别到异常密度场景特征;
识别所述目标对象处于设定目标区域的持续时间,若所述持续时间达到设定逗留阈值,则确定识别到区域逗留场景特征。
上述申请中的一个实施例具有如下优点或有益效果:通过将目标对象的所处区域和/或动作行为,作为设定的交通事故场景特征,实现对交通事故按照应用场景进行归纳,从而为确定交通事故检测结果提供条件。
可选的,识别所述目标对象在静态图像中的覆盖面积占比,若所述覆盖面积占比达到设定覆盖率,则确定识别到异常密度场景特征包括下述至少一项:
在设定滑动时间窗内,识别所述目标对象在静态图像的设定覆盖区域中的覆盖面积占比,若所述覆盖面积占比达到设定覆盖率,则确定识别到异常密度场景特征;
在设定滑动时间窗内,识别所述目标对象在静态图像的设定覆盖区域中的覆盖面积占比,以及覆盖面积的增幅,若所述覆盖面积占比达到设定覆盖率,且覆盖面积的增幅达到设定幅值,则确定识别到异常密度场景特征。
可选的,所述目标对象为车辆和/或行人。
可选的,还包括:
获取用户输入的区域配置信息,其中,所述区域配置信息用于配置所述设定禁止区域和所述设定目标区域。
上述申请中的一个实施例具有如下优点或有益效果:通过获取用户输入的区域配置信息,并将区域配置信息配置设定静止区域和设定目标区域,以满足用户个性化需求,提高用户体验。
可选的,从监控视频流中提取至少一帧静态图像,从至少一帧所述静态图像中识别设定的交通事故场景特征包括:
通过至少两路图像处理进程,交替地从所述监控视频流中截取设定时长的监控视频段并顺序启动预处理阶段和图像识别阶段的处理;
在所述图像识别阶段,从所述监控视频段中提取至少一帧静态图像,从至少一帧所述静态图像中识别设定的交通事故场景特征。
可选的,所述设定时长的取值范围为1-2分钟。
上述申请中的一个实施例具有如下优点或有益效果:通过至少两路图像处理进行,交替从监控视频流中截取设定时长的监控视频段并顺序启动预处理阶段和图像识别阶段的处理,能够提高图像处理效率,缩短图像处理时间。
可选的,根据识别到的交通事故场景特征,确定交通事故检测结果包括:
根据所述静态图像所处道路场景类型,确定场景类型权重值;
根据识别到的交通事故场景特征和所述场景类型权重值,确定所述交通事故检测结果;
其中,所述道路场景类型包括:交叉路口、主路和辅路。
上述申请中的一个实施例具有如下优点或有益效果:通过确定场景类型权重值,以根据识别到的交通事故场景特征和场景类型权重值,确定交通事故检测结果,以实现有针对性的确定不同道路场景类型下的交通事故检测结果。
可选的,根据识别到的交通事故场景特征,确定交通事故检测结果包括:
根据识别到的交通事故场景特征,如果基于设定报警规则确定达到报警阈值,则触发报警通知。
上述申请中的一个实施例具有如下优点或有益效果:如果基于设定报警规则确定识别到的交通事故场景特征达到报警阈值,触发报警通知,以使用户能够及时发现交通事故并进行处理。
可选的,还包括:
获取用户输入的设定报警规则或所述设定报警规则中的报警参数,其中,所述报警参数包括所述报警阈值、报警通知次数、以及报警通知形式的至少一项。
可选的,触发报警通知之后,还包括:
进行如下至少一项的内容记录:所述交通事故场景特征、报警时间、所述交通事故场景的所处静态图像、所处静态图像的前置视频帧与后置视频帧、以及所处静态图像的采集摄像头;
在获取到记录查询请求时,根据记录的内容进行查询响应。
上述申请中的一个实施例具有如下优点或有益效果:通过记录相关内容,以支持后续用户的内容查询操作,满足用户需求。
第二方面,本申请实施例还公开了一种交通事故的检测装置,该装置包括:
静态图像提取模块,用于从监控视频流中提取至少一帧静态图像;
场景特征识别模块,用于从至少一帧所述静态图像中识别设定的交通事故场景特征;
检测结果确定模块,用于根据识别到的交通事故场景特征,确定交通事故检测结果。
第三方面,本申请实施例还公开了一种电子设备,该电子设备包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行本申请任一实施例所述的一种交通事故的检测方法。
第四方面,本申请实施例还公开了一种存储有计算机指令的非瞬时计算机可读存储介质,所述计算机指令用于使所述计算机执行本申请任一实施例所述的一种交通事故的检测方法。
本申请上述可选方式所具有的其他效果将在下文中结合具体实施例加以说明。
附图说明
附图用于更好地理解本方案,不构成对本申请的限定。其中:
图1是本申请实施例一公开的一种交通事故的检测方法的流程示意图;
图2(a)是本申请实施例一公开的一种交通事故中抛锚车的异常停留示意图;
图2(b)是本申请实施例一公开的一种交通事故中车辆剐蹭后的车辆异常停留示意图;
图2(c)是本申请实施例一公开的车辆在高速公路上违停的示意图;
图3(a)是本申请实施例一公开的一天早上7点未发生交通事故时的车辆行驶示意图;
图3(b)是本申请实施例一公开的不同天早上7点发生交通事故时的车辆行驶示意图;
图4是本申请实施例二公开的一种交通事故的检测方法的流程示意图;
图5是本申请实施例二公开的从静态图像的静态背景中提取静态目标的示意图;
图6是本申请实施例三公开的一种交通事故的检测方法的流程示意图;
图7是本申请实施例四公开的一种交通事故的检测方法的流程示意图;
图8是本申请实施例五公开的一种交通事故的检测装置的结构示意图;
图9是本申请实施例四公开的一种电子设备的结构示意图。
具体实施方式
以下结合附图对本申请的示范性实施例做出说明,其中包括本申请实施例的各种细节以助于理解,应当将它们认为仅仅是示范性的。因此,本领域普通技术人员应当认识到,可以对这里描述的实施例做出各种改变和修改,而不会背离本申请的范围和精神。同样,为了清楚和简明,以下的描述中省略了对公知功能和结构的描述。
本申请实施例针对相关技术中,目前发现并处理交通事故仍以人工操作为主,导致人工方式确定交通事故的发生存在滞后性,此外发现交通事故,对交通事故的发生、确认、定责以及联带的定损、通知仍全部依靠交警现场确认,智能化程度低,使得交通事故检测效率低,发现交通事故时间长的问题,提出一种交通事故的检测方法。
本申请实施例通过从监控视频流中提取至少一帧静态图像,并从至少一帧静态图像中识别设定的交通事故场景特征,然后根据识别到的交通事故场景特征,确定交通事故检测结果。由此,实现基于静态图像识别交通事故场景特征,进而根据交通事故场景特征快速确定交通事故检测结果,以提高交通事故的检测效率,缩短发现交通事故的耗时。
下面参考附图对本申请实施例的一种交通事故的检测方法、装置、设备和介质进行说明。
实施例一
图1是本申请实施例一公开的一种交通事故的检测方法的流程示意图,本申请实施例可适用于快速及时的检测交通事故的场景,该方法可由交通事故检测装置来执行,该装置可由软件和/或硬件实现,可集成于电子设备的内部。该方法具体包括如下步骤:
S101,从监控视频流中提取至少一帧静态图像。
S102,从至少一帧所述静态图像中识别设定的交通事故场景特征。
其中,监控视频可通过定点摄像头、车载摄像头或者无人机等多种设备拍摄获得,本实施例对此不作具体限定。也就是说,通过定点摄像头、车载摄像头或者无人机等多种设备拍摄获得监控视频,具备较强的场景扩展性,保证了交通事故检测对各类交通事故的主动且快速发现与定位。
本申请实施例中,交通事故场景特征可基于监控视频对各类交通事故按照交通事故应用场景进行归类后确定得到。
其中,基于监控视频对各类交通事故按照交通事故应用场景进行归类,具体为:按照“是否拍摄到交通事故发生点”、“对交通态势是否有影响”以及“监控视频中交通事故主体车辆是否清晰可辨”三个维度,将各类交通事故按照交通事故应用场景归类为4种类型,分别为:
第一类,能拍摄到交通事故发生点,且主体车辆清晰可辨,对整体交通态势有影响;
第二类,能拍摄到交通事故发生点,但看不到或者看不清楚主体车辆,对整体交通态势有影响;
第三类,能拍摄到交通事故发生点,且主体车辆清晰可辨,但对整体交通态势无影响;
第四类,能拍摄到交通事故发生点,但对整体交通态势有影响。
基于监控视频对各类交通事故按照交通事故应用场景进行归类之后,可根据上述四种类型,设定交通事故场景特征。在本申请实施例中,设定的交通事故场景特征包括:区域侵入场景特征、异常停留场景特征、异常密度场景特征和区域逗留场景特征等。
S103,根据识别到的交通事故场景特征,确定交通事故检测结果。
在确定出现交通事故场景特征时,可据此确定交通事故检测结果,并可对结果进行响应。
示例性的,可将识别到的交通事故场景特征与预先设定的报警规则进行匹配;如果识别到的交通事故场景特征与预先设定的报警规则匹配,则确定发生交通事故,自动向交警或者巡检人员发送报警通知,以使交警或者巡检人员能够及时发现交通事故,并及时对交通事故进行处理。
可以理解的是,本申请实施例通过从监控视频流中提取静态图像,以基于静态图像识别设定的交通事故场景特征,并根据识别的交通事故场景特征确定交通事故检测结果,能够及时发现交通事故,且相对于现有技术中通过跟踪每辆车的行驶轨迹来识别交通事故而言,计算代价显著降低。
本申请实施例公开的一种交通事故的检测方法,通过从监控视频流中提取至少一帧静态图像,以从至少一帧静态图像中识别设定的交通事故场景特征,然后根据识别到的交通事故场景特征,确定交通事故检测结果。由此,实现基于静态图像识别交通事故场景特征,进而根据交通事故场景特征快速确定交通事故检测结果,以提高交通事故的检测效率,缩短发现交通事故的耗时。
在本实施例中,交通事故场景特征是能够通过静态图像反映出来的场景特征。例如,区域侵入场景特征是指存在目标对象进入到特定区域的场景特征,该特定区域具有一定的危险性或者隐秘性,需要对此类行为进行即时性的报警,以避免安全隐患。本实施例中目标对象可以为行人或车辆;特定区域可以是景区高危地区、工厂库房、低下车库等违禁区域。
异常停留场景特征是根据交通事故发生的视频规律,目标对象通常会出现长时间异常停留,而其余目标对象继续行驶的场景特征。具体的,基于道路中目标对象的停留行为可体现为不同场景。假设目标对象为车辆,那么车辆的停留行为可体现为两种:第一种是交通事故中的抛锚车或车辆剐蹭后的车辆异常停留,例如如图2(a)和2(b)所示,其中标记为21 代表抛锚车,标记为22代表发生剐蹭后的车辆。第二种是车辆在不允许停车区域主动停车。例如,高速公路上的违停(具体如图2(c)所示,其中标记为23代表违停车辆)、道路内的违停等。
异常密度场景特征是指发生交通事故时,会造成道路拥堵,通常后方目标对象会快速积累,导致相同道路内的目标对象密度快速增加的场景特征。假设目标对象为车辆,那么道路拥堵可体现为2种特征:第一种、与正常的、相同的时间段相比,单位时间车流量减小、车辆密度明显增大、交通事故发生点之后的车速变慢等;第二种、与前序的一段时间相比,车辆密度以异常的、极快的异常速度增长。例如,图3(a)为一天早上7点未发生交通事故时的车辆行驶示意图;图3(b)为不同天早上7点发生交通事故时车辆行驶示意图。
区域逗留场景特征是指对一些敏感区域或可疑行人、高危行人、可疑车辆进行快速排查,以快速定位在交通事件发生前后,在特定区域停留时间明显超出正常范围的异常行人和/车辆的场景特征。
需要说明的是,本实施例中设定的交通事故场景特征不限于上述场景特征,还可以包括其他交通事故场景特征,此处对其不作具体限定。
具体实现S101时,本申请可通过图像处理进程从监控视频流中提取至少一帧静态图像,并通过该图像处理进程从至少一帧静态图像中识别设定的交通事故场景特征。其中,从监控视频流中提取至少一帧静态图像时,按照时间顺序连续提取静态图像。
由于监控视频流数据量很大,为了能够提高对监控视频流的处理效率以及并发处理能力。本申请实施例可采用至少两路图像处理进程,交替从监控视频流中截取设定时长的监控视频段并顺序启动预处理阶段和图像识别阶段的处理;在所述图像识别阶段,从所述监控视频段中提取至少一帧静态图像,从至少一帧所述静态图像中识别设定的交通事故场景特征。
其中,设定时长根据交通事故发生后出现交通事故场景特征最短时长范围来设定。由于交通事故一般2分钟(min)内会出现交通事故场景特征,因此本申请实施例可将设定时长的取值范围设置为1-2分钟(min)。
在本实施例中,采用至少两路图像处理进程,交替从监控视频流中截取设定时长的监控视频段并顺序启动预处理阶段和图像识别的处理,具体实现过程为:至少两路图像处理进程中,至少一路图像处理进程用于截取设定时长的监控视频段,并对截取的监控视频段进行预处理;剩余图像处理进程用于提取之前经过预处理阶段的监控视频段中的静态图像,并对提取的静态图像进行交通事故场景特征识别处理,以识别设定的交通事故场景特征。其中对截取的监控视频段中的静态图像进行预处理包括:切片、解码等预处理。
例如,假设图像处理进程为两路,分别为A路和B路,设定时长为 1min,那么A路负责从监控视频流中截取1min的监控视频段,并对该视频段进行切片、解码等预处理;B路对之前已经预处理好的监控视频段进行静态图像提取,然后对提取的静态图像进行交通事故场景特征识别处理。之后,A路的预处理阶段执行完成,A路进程进入静态图像识别的阶段。B路进程则负责从监控视频流中截取新的1min的监控视频段,并对该视频段进行切片、解码等预处理。两路进程可交替地对监控视频流进行巡检,来发现交通事故。上述实现方案,能将视频流截取为相对较短的监控视频段,允许两路进程可交替的快速处理,不会造成对检测算法资源的集中占用,因此提高了视频流处理的实时性。
实施例二
图4是本申请实施例二公开的一种交通事故的检测方法的流程示意图,本实施例在实施例一的基础上,将“从至少一帧静态图像中识别设定的交通事故场景特征”,进一步优化为“如果所述静态图像为多帧,则从多帧所述静态图像中识别设定的交通事故场景特征”,该方法具体包括如下步骤:
S401,从监控视频流中提取至少一帧静态图像。
S402,如果所述静态图像为多帧,则从多帧所述静态图像中识别静态目标和/或动态目标,作为目标对象。
可以理解的是,本实施例中静态目标和/或动态目标,是指静态目标;或者,是指动态目标;又或者,还可以是指静态目标和动态目标。
本申请实施例中,目标对象为车辆和/或行人。可以理解的是,目标对象为车辆和/或行人,是指车辆;或者,是指行人;又或者,是指车辆和行人,本实施例对此不作具体限定。
示例性的,如果目标对象为静态目标,则从多帧静态图像中识别静态目标,包括:可通过背景模型,根据多帧所述静态图像之间的像素变化来确定静止区域作为静态背景;从所述静态背景中提取静态目标。其中,从静态背景中提取静态目标时,可利用车辆检测算法和/或人体检测算法来实现。在本实施例中,背景模型是指从静态图像中分离出静态区域和非静态区域算法。
例如,如图5所示,通过背景模型,根据多帧静态图像之间的像素变化确定静态背景,并从静态背景中提取静态目标(具体如图5中标记为51)。
需要说明的是,从静态背景中提取静态目标时,由于静态目标在多帧静态图像中可能有残影、虚影等现象,容易造成静态目标检测算法的检测出现误差。因此,为了避免出现静态目标的误检测,本实施例通过结合时空矩阵比例,以比较提取的静态目标在连续多帧静态背景中的轮廓重合度,以做轨迹追踪。如果静态目标的轮廓重合度和运动轨迹的置信度,符合置信度阈值,则确定该静态目标为提取的静态目标。其中,置信度阈值可根据实际应用场景进行设置,此处对其不作具体限定。
也就是说,本申请实施例从静态背景中提取静态目标包括:从多帧所述静态背景中分别提取静态目标;基于时空矩阵比例,确定多个所述静态目标的轮廓重合度和运动轨迹;根据所述轮廓重合度和运动轨迹的置信度,滤除置信度不符合设定阈值的静态目标。
进一步的,如果目标对象为动态目标,则从多帧静态图像中识别动态目标,包括:根据混合高斯模型,对多帧静态图像进行前景和后景分离,并对前景进行识别,得到动态目标;或者,根据帧间差分法,从多帧静态图像中识别动态目标等,此处对其不做具体限定。
S403,识别所述目标对象的所处区域和/或动作行为,作为设定的交通事故场景特征。
可选的,在执行S403之前本申请实施例还可获取用户输入的区域配置信息,其中所述区域配置信息用于配置所述设定禁止区域和所述设定目标区域。
其中,设定禁止区域是指具有危险性或者隐秘性的特定区域,例如景区高位地区、工厂库房或者地下车库等违禁区域。
设定目标区域是指为了对一些敏感区域或者目标对象进行快速排查设定的特定区域,例如交通事故发生地点所在区域等。
在本实施例中,用户输入的区域配置信息可根据设定的交通事故场景特征进行配置。
具体的,当交通事故场景特征为区域侵入场景特征时,用户输入的区域配置信息包括:
支持用户在摄像头画面中制定多个多边形不规则封闭区域(每个封闭区域边线不允许相交),每个封闭区域最多支持十条边的十边形不规则定义。用户可对其设定的每个区域进行命名,支持同时对多个区域进行目标对象区域侵入行为智能监控。
当交通事故场景特征为异常停留场景特征时,用户输入的区域配置信息包括:
任务生效的摄像头列表,必须;
各摄像头上的检测区域列表,必须;
当前任务下的静态目标异常停留时间阈值:车辆或行人停留触发报警时长,可选,默认120秒(s);
任务执行计划,可选,默认全时间执行。
当交通事故场景特征为异常密度场景特征时,用户输入的区域配置信息包括:
任务生效的摄像头列表,必须;
各摄像头上的检测区域列表,必须;
滑动时间窗(History Size):在任务开启时间内的离群分析片段长度,长度单位为秒,可选;
-默认滑动时间窗为10分钟;
-决定了模型可以从过在学习并预测接下来的值是否为异常值的滑动时间窗口内所包含的事件数量;
密度积累频率:各摄像头视频流内车辆密度积累的单位频率,可选
-默认为每20秒累计一次(待验证);
-与【滑动时间窗】共同决定了用于预测异常值的历史事件数量;
任务执行计划,可选,默认全时间执行。
当交通事故场景特征为区域逗留场景特征时,用户输入的区域配置信息包括:
支持用户在摄像头画面中制定多个多边形不规则封闭区域(每个封闭区域边线不允许相交),每个封闭区域最多支持十条边的十边形不规则定义。用户可对其设定的每个区域进行命名。产品支持同时对多个区域进行目标对象逗留行为智能监控。
进一步的,本申请实施例识别所述目标对象的所处区域和/或动作行为,作为设定的交通事故场景特征包括下述至少一项:
识别所述目标对象是否处于设定禁止区域,若是,则确定识别到区域侵入场景特征;
识别所述静态目标的停留动作的持续时间,若所述持续时间达到设定停留阈值,则确定识别到异常停留场景特征;
识别所述目标对象在静态图像中的覆盖面积占比,若所述覆盖面积占比达到设定覆盖率,则确定识别到异常密度场景特征;
识别所述目标对象处于设定目标区域的持续时间,若所述持续时间达到设定逗留阈值,则确定识别到区域逗留场景特征。
其中,识别所述目标对象在静态图像中的覆盖面积占比,若所述覆盖面积占比达到设定覆盖率,则确定识别到异常密度场景特征包括下述至少一项:
在设定滑动时间窗内,识别所述目标对象在静态图像的设定覆盖区域中的覆盖面积占比,若所述覆盖面积占比达到设定覆盖率,则确定识别到异常密度场景特征;
在设定滑动时间窗内,识别所述目标对象在静态图像的设定覆盖区域中的覆盖面积占比,以及覆盖面积的增幅,若所述覆盖面积占比达到设定覆盖率,且覆盖面积的增幅达到设定幅值,则确定识别到异常密度场景特征。
也就是说,确定识别到异常密度场景特征,通过设定一个滑动时间窗,并计算设定覆盖区域内的全部目标对象面积相对设定覆盖区域的面积占比来判断拥堵指数;通过判断是否在指定的滑动时间窗内,设定覆盖区域中的目标对象面积是否达到设定覆盖率或覆盖面积的增幅达到用户设定幅值,来确定是否识别到异常密度场景特征。
可以理解的是,识别目标对象的所处区域和/或动作行为,是指识别目标对象的所处区域;或者,是指识别目标对象的动作行为;又或者,是指识别目标对象的所处区域和动作行为,本实施例对此不作具体限定。
S404,根据识别到的交通事故场景特征,确定交通事故检测结果。
示例性的,从多帧静态图像中识别设定的交通事故场景特征之后,本申请实施例即可根据不同交通事故场景特征对应的报警规则进行匹配,并根据匹配结果确定交通事故检测结果。
本申请实施例公开的一种交通事故的检测方法,通过从监控视频流中提取多帧静态图像,以从多帧静态图像中识别静态目标和/或动态目标,并识别目标对象的所处区域和/或动作行为,作为设定的交通事故场景特征,然后根据识别到的根据交通事故场景特征,确定交通事故检测结果。由此,实现基于静态图像识别交通事故场景特征,进而根据交通事故场景特征快速确定交通事故检测结果,以提高交通事故的检测效率,缩短发现交通事故的耗时。此外,本申请通过采用基于背景模型的交通事故检测方案,能够在大数据流的情况下最大化减轻检测系统的性能压力,从而保证检测系统在大规模应用时的推广性,以提高适用性,并且还能够结合浮动车数据进行更多维的交通事故的感知能力。
实施例三
图6是本申请实施例三公开的一种交通事故的检测方法的流程示意图,本实施例在上述实施例一基础上,将“根据识别到的交通事故场景特征,确定交通事故检测结果”进一步优化为“根据识别到的交通事故场景特征,如果基于设定报警规则确定达到报警阈值,则触发报警通知”,该方法具体包括如下步骤:
S601,从监控视频流中提取至少一帧静态图像。
S602,从至少一帧所述静态图像中识别设定的交通事故场景特征。
S603,根据识别到的交通事故场景特征,如果基于设定报警规则确定达到报警阈值,则触发报警通知。
具体实现之前,首先获取用户输入的设定报警规则或所述设定报警规则中的报警参数,其中,所述报警参数包括所述报警阈值、报警通知次数、以及报警通知形式的至少一项。
示例性的,用户输入的设定报警规则或设定报警规则中的报警参数根据设定的交通事故场景特征设置的。
具体的,当交通事故场景特征为区域侵入场景特征时,用户输入的设定报警规则或设定报警规则中的报警参数包括:
支持用户设置目标对象区域入侵告警任务,当有目标对象进入用户定义的指定区域时,会产生告警记录,告警记录延迟时间不超过10秒。
当交通事故场景特征为异常停留场景特征时,用户输入的设定报警规则或设定报警规则中的报警参数包括:
报警沉默阈值:报警一次之后多长时间不再报警,必须;
当前任务下的静态目标异常停留时间阈值:车辆和/或行人停留触发报警时长,可选,默认120s;
是否需要告警图片线索,可选,默认无。
当交通事故场景特征为异常密度场景特征时,用户输入的设定报警规则或设定报警规则中的报警参数包括:
异常阈值:连续密度积累结果偏离预测密度积累值的幅度,超出后报警,可选;
-默认值与取值范围以实际方案为准(通常默认值为80,范围1-100,该值越小代表,可能被检测的异常值越多);
报警沉默阈值;
是否需要告警图片线索,可选,默认无;
是否需要告警视频线索,可选,默认无;
视频线索前置时间,可选,默认10s;
视频线索后置时间,可选,默认10s。
当交通事故场景特征为区域逗留场景特征时,用户输入的设定报警规则或设定报警规则中的报警参数包括:
产品支持用户设置目标对象区域逗留统计任务以及区域逗留告警任务:
针对区域逗留告警任务,用户可设置逗留告警阈值时间,当有目标对象进入用户定义的指定区域,并在区域内停留时间超过设置的逗留告警阈值时间时,会产生逗留告警记录,告警记录延迟时间不超过10秒。
进一步,获取用户输入的设定报警规则或设定报警规则中的报警参数之后,根据识别到的交通事故场景特征,如果基于设定报警规则确定达到报警阈值,则触发报警通知。
其中,报警通知可根据识别到的交通事故场景特征可携带不同的报警信息。
具体的,当交通事故场景特征为区域侵入场景特征时,报警通知携带的报警信息包括:目标对象处于设定禁止区域的报警信息。
当交通事故场景特征为异常停留场景特征时,报警通知携带的报警信息包括:
报警的摄像头点位信息;
经度、纬度(若摄像头该属性存在);
当前任务名称;
异常停留车辆或行人的位置列表(坐标框);
单次报警内,每个异常停留车辆或行人的起始停留时间;
截止到该次报警,车辆或行人持续停留的时间(当前时间-起始停留时间);
若开启报警图片线索选项,图片线索需包含两张;
-起始停留时间戳背景全图;
-截止到该次报警持续停留时间戳背景全图;
线索视频;
-线索中心时间点以异常车辆或行人具体某车辆或行人的起始停留时间戳为准。
当交通事故场景特征为异常密度场景特征时,报警通知携带的报警信息包括:
报警的摄像头点位信息;
经度、纬度(若摄像头该属性存在);
当前任务名称;
报警时刻所在时间段异常车辆或行人密度累计值;
报警时刻所在时间段正常预测车辆或行人密度累计值;
配置的异常阈值、相较于阈值当前异常密度累计值对应的偏离幅度;
若开启报警图片线索选项,图片线索需包含两张;
-报警时刻向前2个密度累计间隔时刻的背景图;
-报警时刻背景图;
若开启报警视频线索选项,视频线索应符合以下条件;
-报警视频中心时间点以首次触发告警的异常值时刻为准;
-默认PreTime-10秒,PostTime-10秒。
当交通事故场景特征为区域逗留场景特征时,报警通知携带的报警信息包括:目标对象处于目标区域的持续时间达到设定逗留阈值的报警信息。
本申请实施例公开的一种交通事故的检测方法,通过从监控视频流中提取至少一帧静态图像,以从至少一帧静态图像中识别设定的交通事故场景特征,然后根据识别到的交通事故场景特征,如果基于设定报警规则确定达到报警阈值,则触发报警通知。由此,实现基于静态图像识别交通事故场景特征,进而根据交通事故场景特征快速确定交通事故检测结果,以提高交通事故的检测效率,缩短发现交通事故的耗时,并且当识别到的交通事故场景特征达到报警阈值时,触发报警通知,以实现主动发现交通事故,同时自动报警,以保证交警能够在第一时间出警并处理该交通事故,从而缓解交通拥堵。
在上述实施例的技术上,本申请实施例在S603之后,还包括:
进行如下至少一项的内容记录:所述交通事故场景特征、报警时间、所述交通事故场景的所处静态图像、所处静态图像的前置视频帧与后置视频帧、以及所处静态图像的采集摄像头
在获取到记录查询请求时,根据记录的内容进行查询响应。
例如,当根据区域侵入场景特征,触发报警通知后,本申请会保存区域侵入告警抓拍图、前后时间段20秒视频、区域侵入摄像头、区域侵入区域、区域侵入事件时间等信息;又如,当根据区域逗留场景特征,触发报警通知后,本申请会保存区域逗留告警抓拍图、前后时间段20秒视频、区域逗留摄像头、区域逗留区域、区域逗留事件时间等信息。
进一步的,当获取到的记录查询请求是对区域侵入场景特征的查询,则用户能够查看当前已设置的区域侵入任务列表及任务状态,同时也可按照任务名称、摄像头名称、时间、识别对象(人体/头肩)等信息对区域侵入告警进行筛选式的检索。此外,对于区域侵入场景特征,还可支持用户对目标对象区域侵入任务的新增、修改、查询、删除、开启和关闭等功能。
当获取到的记录查询请求是对异常停留场景特征的查询,则支持按照摄像头范围筛选;支持按照告警时间范围筛选;支持按照异常停留时间范围筛选;支持用户更新、删除、开启和关闭对静态目标异常停留的告警任务,并配置任务执行计划。
当获取到的记录查询请求是对异常密度场景特征的查询,则支持查询告警列表中每一条告警包含异常阈值;支持按照摄像头范围筛选;支持按照告警时间范围筛选;支持按照离群阈值进行筛选,默认返回大于阈值的告警事件;支持用户更新、删除、开启和关闭目标对象异常密度的告警任务、并配置任务执行计划。
当获取到的记录查询请求是对区域逗留场景特征的查询,则支持用户对区域逗留统计任务以及区域告警任务的新增、修改、查询、删除、开启和关闭等功能,用户能够查看当前已设置的区域逗留任务列表及任务状态,同时也可按照任务名称、摄像头名称、时间、识别对象(人体/头肩)等信息对区域逗留告警进行筛选式的检索。
也就是说,本申请实施例基于设定报警规则确定识别到的交通事故场景特征达到报警阈值,触发报警通知后,记录交通事故场景特征、报警时间、交通事故场景的所处静态图像、所处静态图像的前置视频帧与后置视频帧,以及所处静态图像的采集摄像头,以为后续用户查询记录内容时,向用户进行查询响应,从而实现通过留存交通事故发生过程中的静态图像及视频帧等信息,以供用户(交警)快速取证,并完成交通事故证据持久化,帮助裁定事故责任,进行交通事故证据归档,同时提供给事故方作为处理反馈,提供公众对事故处理的服务认知,提高客观性。
实施例四
图7是本申请实施例四公开的一种交通事故的检测方法的流程示意图,本实施例在实施例一的基础上,将“根据识别到的交通事故场景特征,确定交通事故检测结果”进一步优化为“根据所述静态图像所处道路场景类型,确定场景类型权重值;根据识别到的交通事故场景特征和所述场景类型权重值,确定所述交通事故检测结果”,该方法具体包括如下步骤:
S701,从监控视频流中提取至少一帧静态图像。
S702,从至少一帧所述静态图像中识别设定的交通事故场景特征。
S703,根据所述静态图像所处道路场景类型,确定场景类型权重值。
其中,所述道路场景类型包括:交叉路口、主路和辅路。
本申请实施例中,可根据道路场景类型的重要程度,确定场景类型权重值。例如,主路的重要程度最高,则相应主路权重值最高;交叉路口的重要程度次高,则相应交叉路口权重值次高;辅路的重要程度最低,则相应辅路的权重值最低。又如,交叉路口的重要程度最高,则相应交叉路口权重值最高;主路的重要程度次高,则相应主路权重值次高;辅路的重要程度最低,则相应辅路的权重值最低,等等,此处对其不作具体限定。
S704,根据识别到的交通事故场景特征和所述场景类型权重值,确定所述交通事故检测结果。
例如,若识别到的交通事故场景特征为异常停留场景特征,场景类型为主路,则基于异常停留场景特征对应的设定报警规则,确定动态目标在主路上的停留时间达到报警阈值2min,则发送报警通知。
又如,若识别到的交通事故场景特征为异常停留场景特征,场景类型为辅路,则基于异常停留场景特征对应的设定报警规则,确定动态目标在辅路上的停留时间为5min未达到报警阈值时,则不发送报警通知。
本申请实施例公开的一种交通事故的检测方法,根据目标道路的第一路面状况对目标道路进行筛选之后,通过从监控视频流中提取至少一帧静态图像,以从至少一帧静态图像中识别设定的交通事故场景特征,并根据所述静态图像所处道路场景类型,确定场景类型权重值;根据识别到的交通事故场景特征和所述场景类型权重值,确定所述交通事故检测结果。由此,实现基于道路场景类型的权重值和识别到的交通事故场景特征,有针对性的确定不同道路场景类型下的交通事故检测结果,从而提高交通事故检测的准确性,以满足不同道路场景类型的交通事故检测需求。
实施例五
为了实现上述目的,本申请实施例五提出了一种交通事故的检测装置。图8是本申请实施例五公开的一种交通事故的检测装置的结构示意图。
如图8所示,本申请实施例提供的一种交通事故的检测装置包括:静态图像提取模块81、场景特征识别模块82及检测结果确定模块83。
其中,静态图像提取模块81,用于从监控视频流中提取至少一帧静态图像;
场景特征识别模块82,用于从至少一帧所述静态图像中识别设定的交通事故场景特征;
检测结果确定模块83,用于根据识别到的交通事故场景特征,确定交通事故检测结果。
作为本申请实施例的一种可选的实现方式,如果所述静态图像为多帧,则场景特征识别模块82包括:第一识别单元和第二识别单元;
其中,第一识别单元,用于从多帧所述静态图像中识别静态目标和/ 或动态目标,作为目标对象;
第二识别单元,用于识别所述目标对象的所处区域和/或动作行为,作为设定的交通事故场景特征。
作为本申请实施例的一种可选的实现方式,第一识别单元,具体用于:
通过背景模型,根据多帧所述静态图像之间的像素变化来确定静止区域作为静态背景;
从所述静态背景中提取静态目标。
作为本申请实施例的一种可选的实现方式,第一识别单元,还用于:
从多帧所述静态背景中分别提取静态目标;
基于时空矩阵比例,确定多个所述静态目标的轮廓重合度和运动轨迹;
根据所述轮廓重合度和运动轨迹的置信度,滤除置信度不符合设定阈值的静态目标。
作为本申请实施例的一种可选的实现方式,第二识别单元,具体用于:
识别所述目标对象的所处区域和/或动作行为,作为设定的交通事故场景特征包括下述至少一项:
识别所述目标对象是否处于设定禁止区域,若是,则确定识别到区域侵入场景特征;
识别所述静态目标的停留动作的持续时间,若所述持续时间达到设定停留阈值,则确定识别到异常停留场景特征;
识别所述目标对象在静态图像中的覆盖面积占比,若所述覆盖面积占比达到设定覆盖率,则确定识别到异常密度场景特征;
识别所述目标对象处于设定目标区域的持续时间,若所述持续时间达到设定逗留阈值,则确定识别到区域逗留场景特征。
作为本申请实施例的一种可选的实现方式,第二识别单元,还用于:在设定滑动时间窗内,识别所述目标对象在静态图像的设定覆盖区域中的覆盖面积占比,若所述覆盖面积占比达到设定覆盖率,则确定识别到异常密度场景特征;
在设定滑动时间窗内,识别所述目标对象在静态图像的设定覆盖区域中的覆盖面积占比,以及覆盖面积的增幅,若所述覆盖面积占比达到设定覆盖率,且覆盖面积的增幅达到设定幅值,则确定识别到异常密度场景特征。
作为本申请实施例的一种可选的实现方式,所述目标对象为车辆和/ 或行人。
作为本申请实施例的一种可选的实现方式,所述一种交通事故的检测装置还包括:配置信息获取模块;
其中,配置信息获取模块,用于获取用户输入的区域配置信息,其中,所述区域配置信息用于配置所述设定禁止区域和所述设定目标区域。
作为本申请实施例的一种可选的实现方式,静态图像提取模块81,还用于通过至少两路图像处理进程,交替地从所述监控视频流中截取设定时长的监控视频段并顺序启动预处理阶段和图像识别阶段的处理;
场景特征识别模块82,还用于在所述图像识别阶段,从所述监控视频段中提取至少一帧静态图像,从至少一帧所述静态图像中识别设定的交通事故场景特征。
作为本申请实施例的一种可选的实现方式,所述设定时长的取值范围为1-2分钟。
作为本申请实施例的一种可选的实现方式,检测结果确定模块83包括:权重值确定单元和结果确定单元;
其中,权重值确定单元,用于根据所述静态图像所处道路场景类型,确定场景类型权重值;
结果确定单元,用于根据识别到的交通事故场景特征和所述场景类型权重值,确定所述交通事故检测结果;
其中,所述道路场景类型包括:交叉路口、主路和辅路。
作为本申请实施例的一种可选的实现方式,检测结果确定模块83,具体用于:
根据识别到的交通事故场景特征,如果基于设定报警规则确定达到报警阈值,则触发报警通知。
作为本申请实施例的一种可选的实现方式,一种交通事故的检测装置还包括:数据获取模块;
其中,数据获取模块,用于获取用户输入的设定报警规则或所述设定报警规则中的报警参数,其中,所述报警参数包括所述报警阈值、报警通知次数、以及报警通知形式的至少一项。
作为本申请实施例的一种可选的实现方式,一种交通事故的检测装置还包括:内容记录模块和查询响应模块;
其中,内容记录模块,用于进行如下至少一项的内容记录:所述交通事故场景特征、报警时间、所述交通事故场景的所处静态图像、所处静态图像的前置视频帧与后置视频帧、以及所处静态图像的采集摄像头;
查询响应模块,用于在获取到记录查询请求时,根据记录的内容进行查询响应。
需要说明的是,前述对一种交通事故的检测方法实施例的解释说明也适用于该实施例的一种交通事故的检测装置,其实现原理类似,此处不再赘述。
本申请实施例公开的一种交通事故的检测装置,通过从监控视频流中提取至少一帧静态图像,以从至少一帧静态图像中识别设定的交通事故场景特征,然后根据识别到的交通事故场景特征,确定交通事故检测结果。由此,实现基于静态图像识别交通事故场景特征,进而根据交通事故场景特征快速确定交通事故检测结果,以提高交通事故的检测效率,缩短发现交通事故的耗时。
实施例六
根据本申请的实施例,本申请还公开了一种电子设备和一种可读存储介质。
如图9所示,是根据本申请实施例的道路路面状况确定方法的电子设备的框图。电子设备旨在表示各种形式的数字计算机,诸如,膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置,诸如,个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例,并且不意在限制本文中描述的和/或者要求的本申请的实现。
如图9所示,该电子设备包括:一个或多个处理器910、存储器920,以及用于连接各部件的接口,包括高速接口和低速接口。各个部件利用不同的总线互相连接,并且可以被安装在公共主板上或者根据需要以其它方式安装。处理器可以对在电子设备内执行的指令进行处理,包括存储在存储器中或者存储器上以在外部输入/输出装置(诸如,耦合至接口的显示设备)上显示GUI的图形信息的指令。在其它实施方式中,若需要,可以将多个处理器和/或多条总线与多个存储器和多个存储器一起使用。同样,可以连接多个电子设备,各个设备提供部分必要的操作(例如,作为服务器阵列、一组刀片式服务器、或者多处理器系统)。图9中以一个处理器910 为例。
存储器920即为本申请所公开的非瞬时计算机可读存储介质。其中,所述存储器存储有可由至少一个处理器执行的指令,以使所述至少一个处理器执行本申请所公开的一种交通事故检测方法。本申请的非瞬时计算机可读存储介质存储计算机指令,该计算机指令用于使计算机执行本申请所公开的一种交通事故检测方法。
存储器920作为一种非瞬时计算机可读存储介质,可用于存储非瞬时软件程序、非瞬时计算机可执行程序以及模块,如本申请实施例中的道路路面状况确定方法对应的程序指令/模块(例如,附图8所示的静态图像提取模块81、场景特征识别模块82及检测结果确定模块83)。处理器910 通过运行存储在存储器920中的非瞬时软件程序、指令以及模块,从而执行服务器的各种功能应用以及数据处理,即实现上述方法实施例中的一种交通事故检测方法。
存储器920可以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、至少一个功能所需要的应用程序;存储数据区可存储根据道路路面状况确定方法的电子设备的使用所创建的数据等。此外,存储器 920可以包括高速随机存取存储器,还可以包括非瞬时存储器,例如至少一个磁盘存储器件、闪存器件、或其他非瞬时固态存储器件。在一些实施例中,存储器920可选包括相对于处理器910远程设置的存储器,这些远程存储器可以通过网络连接至道路路面状况确定方法的电子设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
一种交通事故检测方法的电子设备还可以包括:输入装置930和输出装置940。处理器910、存储器920、输入装置930和输出装置940可以通过总线或者其他方式连接,图9中以通过总线连接为例。
输入装置930可接收输入的数字或字符信息,以及产生与道路路面状况确定方法的电子设备的用户设置以及功能控制有关的键信号输入,例如触摸屏、小键盘、鼠标、轨迹板、触摸板、指示杆、一个或者多个鼠标按钮、轨迹球、操纵杆等输入装置。输出装置940可以包括显示设备、辅助照明装置(例如,LED)和触觉反馈装置(例如,振动电机)等。该显示设备可以包括但不限于,液晶显示器(LCD)、发光二极管(LED)显示器和等离子体显示器。在一些实施方式中,显示设备可以是触摸屏。
此处描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、专用ASIC(专用集成电路)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括:实施在一个或者多个计算机程序中,该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释,该可编程处理器可以是专用或者通用可编程处理器,可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令,并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
这些计算程序(也称作程序、软件、软件应用、或者代码)包括可编程处理器的机器指令,并且可以利用高级过程和/或面向对象的编程语言、和/或汇编/机器语言来实施这些计算程序。如本文使用的,术语“机器可读介质”和“计算机可读介质”指的是用于将机器指令和/或数据提供给可编程处理器的任何计算机程序产品、设备、和/或装置(例如,磁盘、光盘、存储器、可编程逻辑装置(PLD)),包括,接收作为机器可读信号的机器指令的机器可读介质。术语“机器可读信号”指的是用于将机器指令和 /或数据提供给可编程处理器的任何信号。
为了提供与用户的交互,可以在计算机上实施此处描述的系统和技术,该计算机具有:用于向用户显示信息的显示装置(例如,CRT(阴极射线管)或者LCD(液晶显示器)监视器);以及键盘和指向装置(例如,鼠标或者轨迹球),用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互;例如,提供给用户的反馈可以是任何形式的传感反馈(例如,视觉反馈、听觉反馈、或者触觉反馈);并且可以用任何形式(包括声输入、语音输入或者、触觉输入) 来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如,作为数据服务器)、或者包括中间件部件的计算系统(例如,应用服务器)、或者包括前端部件的计算系统(例如,具有图形用户界面或者网络浏览器的用户计算机,用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如,通信网络)来将系统的部件相互连接。通信网络的示例包括:局域网(LAN)、广域网(WAN)、互联网和区块链网络。
计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。
根据本申请实施例的技术方案,通过从监控视频流中提取至少一帧静态图像,以从至少一帧静态图像中识别设定的交通事故场景特征,然后根据识别到的交通事故场景特征,确定交通事故检测结果。由此,实现基于静态图像识别交通事故场景特征,进而根据交通事故场景特征快速确定交通事故检测结果,以提高交通事故的检测效率,缩短发现交通事故的耗时。
应该理解,可以使用上面所示的各种形式的流程,重新排序、增加或删除步骤。例如,本发申请中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行,只要能够实现本申请公开的技术方案所期望的结果,本文在此不进行限制。
上述具体实施方式,并不构成对本申请保护范围的限制。本领域技术人员应该明白的是,根据设计要求和其他因素,可以进行各种修改、组合、子组合和替代。任何在本申请的精神和原则之内所作的修改、等同替换和改进等,均应包含在本申请保护范围之内。
Claims (24)
1.一种交通事故的检测方法,其特征在于,包括:
从监控视频流中提取至少一帧静态图像;
从至少一帧所述静态图像中识别设定的交通事故场景特征,具体包括:如果所述静态图像为多帧,则从多帧所述静态图像中识别静态目标和/或动态目标,作为目标对象;识别所述目标对象的所处区域和/或动作行为,作为设定的交通事故场景特征,所述识别所述目标对象的所处区域和/或动作行为,作为设定的交通事故场景特征包括下述至少一项:识别所述目标对象是否处于设定禁止区域,若是,则确定识别到区域侵入场景特征;识别所述静态目标的停留动作的持续时间,若所述持续时间达到设定停留阈值,则确定识别到异常停留场景特征;识别所述目标对象在静态图像中的覆盖面积占比,若所述覆盖面积占比达到设定覆盖率,则确定识别到异常密度场景特征;识别所述目标对象处于设定目标区域的持续时间,若所述持续时间达到设定逗留阈值,则确定识别到区域逗留场景特征;
根据识别到的交通事故场景特征,确定交通事故检测结果,具体包括:根据识别到的交通事故场景特征,如果基于设定报警规则确定达到报警阈值,则触发报警通知;其中,
当所述交通事故场景特征为区域侵入场景特征时,所述报警通知携带的报警信息包括:所述目标对象处于设定禁止区域的报警信息;或
当所述交通事故场景特征为异常停留场景特征时,所述报警通知携带的报警信息包括:报警的摄像头点位信息、经度、纬度、当前任务名称、异常停留车辆或行人的位置列表、单次报警内每个异常停留车辆或行人的起始停留时间、截止到该次报警车辆或行人持续停留的时间、开启报警图片线索选项时包含两张图片的图片线索、起始停留时间戳背景全图、截止到该次报警持续停留时间戳背景全图以及线索视频;或
当所述交通事故场景特征为异常密度场景特征时,所述报警通知携带的报警信息包括:报警的摄像头点位信息、经度、纬度、当前任务名称、报警时刻所在时间段异常车辆或行人密度累计值、报警时刻所在时间段正常预测车辆或行人密度累计值、配置的异常阈值、相较于阈值当前异常密度累计值对应的偏离幅度、开启报警图片线索选项时包含两张图片的图片线索、报警时刻向前2个密度累计间隔时刻的背景图以及报警时刻背景图;或
当所述交通事故场景特征为区域逗留场景特征时,所述报警通知携带的报警信息包括:目标对象处于目标区域的持续时间达到设定逗留阈值的报警信息。
2.根据权利要求1所述的方法,其特征在于,从多帧所述静态图像中识别静态目标包括:
通过背景模型,根据多帧所述静态图像之间的像素变化来确定静止区域作为静态背景;
从所述静态背景中提取静态目标。
3.根据权利要求2所述的方法,其特征在于,从所述静态背景中提取静态目标包括:
从多帧所述静态背景中分别提取静态目标;
基于时空矩阵比例,确定多个所述静态目标的轮廓重合度和运动轨迹;
根据所述轮廓重合度和运动轨迹的置信度,滤除置信度不符合设定阈值的静态目标。
4.根据权利要求1所述的方法,其特征在于,识别所述目标对象在静态图像中的覆盖面积占比,若所述覆盖面积占比达到设定覆盖率,则确定识别到异常密度场景特征包括下述至少一项:
在设定滑动时间窗内,识别所述目标对象在静态图像的设定覆盖区域中的覆盖面积占比,若所述覆盖面积占比达到设定覆盖率,则确定识别到异常密度场景特征;
在设定滑动时间窗内,识别所述目标对象在静态图像的设定覆盖区域中的覆盖面积占比,以及覆盖面积的增幅,若所述覆盖面积占比达到设定覆盖率,且覆盖面积的增幅达到设定幅值,则确定识别到异常密度场景特征。
5.根据权利要求1所述的方法,其特征在于,所述目标对象为车辆和/或行人。
6.根据权利要求1-5任一所述的方法,其特征在于,还包括:
获取用户输入的区域配置信息,其中,所述区域配置信息用于配置设定禁止区域和设定目标区域。
7.根据权利要求1所述的方法,其特征在于,从监控视频流中提取至少一帧静态图像,从至少一帧所述静态图像中识别设定的交通事故场景特征包括:
通过至少两路图像处理进程,交替地从所述监控视频流中截取设定时长的监控视频段并顺序启动预处理阶段和图像识别阶段的处理;
在所述图像识别阶段,从所述监控视频段中提取至少一帧静态图像,从至少一帧所述静态图像中识别设定的交通事故场景特征。
8.根据权利要求7所述的方法,其特征在于,所述设定时长的取值范围为1-2分钟。
9.根据权利要求1所述的方法,其特征在于,根据识别到的交通事故场景特征,确定交通事故检测结果包括:
根据所述静态图像所处道路场景类型,确定场景类型权重值;
根据识别到的交通事故场景特征和所述场景类型权重值,确定所述交通事故检测结果;
其中,所述道路场景类型包括:交叉路口、主路和辅路。
10.根据权利要求1所述的方法,其特征在于,还包括:
获取用户输入的设定报警规则或所述设定报警规则中的报警参数,其中,所述报警参数包括所述报警阈值、报警通知次数、以及报警通知形式的至少一项。
11.根据权利要求1所述的方法,其特征在于,触发报警通知之后,还包括:
进行如下至少一项的内容记录:所述交通事故场景特征、报警时间、所述交通事故场景的所处静态图像、所处静态图像的前置视频帧与后置视频帧、以及所处静态图像的采集摄像头;
在获取到记录查询请求时,根据记录的内容进行查询响应。
12.一种交通事故的检测装置,其特征在于,包括:
静态图像提取模块,用于从监控视频流中提取至少一帧静态图像;
场景特征识别模块,用于从至少一帧所述静态图像中识别设定的交通事故场景特征,其中如果所述静态图像为多帧,则场景特征识别模块包括:第一识别单元,用于从多帧所述静态图像中识别静态目标和/或动态目标,作为目标对象;第二识别单元,用于识别所述目标对象的所处区域和/或动作行为,作为设定的交通事故场景特征,所述第二识别单元具体用于执行下述至少一项:识别所述目标对象是否处于设定禁止区域,若是,则确定识别到区域侵入场景特征;识别所述静态目标的停留动作的持续时间,若所述持续时间达到设定停留阈值,则确定识别到异常停留场景特征;识别所述目标对象在静态图像中的覆盖面积占比,若所述覆盖面积占比达到设定覆盖率,则确定识别到异常密度场景特征;识别所述目标对象处于设定目标区域的持续时间,若所述持续时间达到设定逗留阈值,则确定识别到区域逗留场景特征;
检测结果确定模块,用于根据识别到的交通事故场景特征,确定交通事故检测结果,具体包括:根据识别到的交通事故场景特征,如果基于设定报警规则确定达到报警阈值,则触发报警通知;其中,
当所述交通事故场景特征为区域侵入场景特征时,所述报警通知携带的报警信息包括:所述目标对象处于设定禁止区域的报警信息;或
当所述交通事故场景特征为异常停留场景特征时,所述报警通知携带的报警信息包括:报警的摄像头点位信息、经度、纬度、当前任务名称、异常停留车辆或行人的位置列表、单次报警内每个异常停留车辆或行人的起始停留时间、截止到该次报警车辆或行人持续停留的时间、开启报警图片线索选项时包含两张图片的图片线索、起始停留时间戳背景全图、截止到该次报警持续停留时间戳背景全图以及线索视频;或
当所述交通事故场景特征为异常密度场景特征时,所述报警通知携带的报警信息包括:报警的摄像头点位信息、经度、纬度、当前任务名称、报警时刻所在时间段异常车辆或行人密度累计值、报警时刻所在时间段正常预测车辆或行人密度累计值、配置的异常阈值、相较于阈值当前异常密度累计值对应的偏离幅度、开启报警图片线索选项时包含两张图片的图片线索、报警时刻向前2个密度累计间隔时刻的背景图以及报警时刻背景图;或
当所述交通事故场景特征为区域逗留场景特征时,所述报警通知携带的报警信息包括:目标对象处于目标区域的持续时间达到设定逗留阈值的报警信息。
13.根据权利要求12所述的装置,其特征在于,第一识别单元具体用于:
通过背景模型,根据多帧所述静态图像之间的像素变化来确定静止区域作为静态背景;
从所述静态背景中提取静态目标。
14.根据权利要求13所述的装置,其特征在于,第一识别单元还用于:
从多帧所述静态背景中分别提取静态目标;
基于时空矩阵比例,确定多个所述静态目标的轮廓重合度和运动轨迹;
根据所述轮廓重合度和运动轨迹的置信度,滤除置信度不符合设定阈值的静态目标。
15.根据权利要求12所述的装置,其特征在于,第二识别单元还用于执行下述至少一项:
在设定滑动时间窗内,识别所述目标对象在静态图像的设定覆盖区域中的覆盖面积占比,若所述覆盖面积占比达到设定覆盖率,则确定识别到异常密度场景特征;
在设定滑动时间窗内,识别所述目标对象在静态图像的设定覆盖区域中的覆盖面积占比,以及覆盖面积的增幅,若所述覆盖面积占比达到设定覆盖率,且覆盖面积的增幅达到设定幅值,则确定识别到异常密度场景特征。
16.根据权利要求12所述的装置,其特征在于,所述目标对象为车辆和/或行人。
17.根据权利要求12-16任一所述的装置,其特征在于,所述装置还包括:
配置信息获取模块,用于获取用户输入的区域配置信息,其中,所述区域配置信息用于配置设定禁止区域和设定目标区域。
18.根据权利要求12所述的装置,其特征在于,静态图像提取模块,还用于通过至少两路图像处理进程,交替地从所述监控视频流中截取设定时长的监控视频段并顺序启动预处理阶段和图像识别阶段的处理;
场景特征识别模块,还用于在所述图像识别阶段,从所述监控视频段中提取至少一帧静态图像,从至少一帧所述静态图像中识别设定的交通事故场景特征。
19.根据权利要求18所述的装置,其特征在于,所述设定时长的取值范围为1-2分钟。
20.根据权利要求12所述的装置,其特征在于,检测结果确定模块包括:
权重值确定单元,用于根据所述静态图像所处道路场景类型,确定场景类型权重值;
结果确定单元,用于根据识别到的交通事故场景特征和所述场景类型权重值,确定所述交通事故检测结果;
其中,所述道路场景类型包括:交叉路口、主路和辅路。
21.根据权利要求12所述的装置,其特征在于,所述装置还包括:
数据获取模块,用于获取用户输入的设定报警规则或所述设定报警规则中的报警参数,其中,所述报警参数包括所述报警阈值、报警通知次数、以及报警通知形式的至少一项。
22.根据权利要求12所述的装置,其特征在于,所述装置还包括:
内容记录模块,用于进行如下至少一项的内容记录:所述交通事故场景特征、报警时间、所述交通事故场景的所处静态图像、所处静态图像的前置视频帧与后置视频帧、以及所处静态图像的采集摄像头;
查询响应模块,用于在获取到记录查询请求时,根据记录的内容进行查询响应。
23.一种电子设备,其特征在于,包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行权利要求1-11中任一项所述的一种交通事故的检测方法。
24.一种存储有计算机指令的非瞬时计算机可读存储介质,其特征在于,所述计算机指令用于使所述计算机执行权利要求1-11中任一项所述的一种交通事故的检测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010214329.3A CN111369807B (zh) | 2020-03-24 | 2020-03-24 | 一种交通事故的检测方法、装置、设备和介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010214329.3A CN111369807B (zh) | 2020-03-24 | 2020-03-24 | 一种交通事故的检测方法、装置、设备和介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111369807A CN111369807A (zh) | 2020-07-03 |
CN111369807B true CN111369807B (zh) | 2022-04-12 |
Family
ID=71206949
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010214329.3A Active CN111369807B (zh) | 2020-03-24 | 2020-03-24 | 一种交通事故的检测方法、装置、设备和介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111369807B (zh) |
Families Citing this family (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112509315B (zh) * | 2020-11-04 | 2022-02-15 | 杭州远眺科技有限公司 | 一种基于视频分析的交通事故检测方法 |
CN112446316B (zh) * | 2020-11-20 | 2022-06-07 | 浙江大华技术股份有限公司 | 事故检测方法、电子设备及存储介质 |
CN112966543B (zh) * | 2020-12-24 | 2022-07-08 | 浙江吉利控股集团有限公司 | 一种车辆刮蹭记录方法及装置 |
CN112836626B (zh) * | 2021-01-29 | 2023-10-27 | 北京百度网讯科技有限公司 | 事故确定方法及装置、模型训练方法及装置、电子设备 |
CN113052047B (zh) * | 2021-03-18 | 2023-12-29 | 阿波罗智联(北京)科技有限公司 | 交通事件的检测方法、路侧设备、云控平台及系统 |
CN115472039B (zh) * | 2021-06-10 | 2024-03-01 | 上海博泰悦臻网络技术服务有限公司 | 信息处理方法及相关产品 |
CN113409587B (zh) * | 2021-06-16 | 2022-11-22 | 北京字跳网络技术有限公司 | 异常车辆的检测方法、装置、设备及存储介质 |
CN113689697B (zh) * | 2021-08-13 | 2022-06-28 | 南京理工大学 | 一种基于规则匹配和知识图谱的交通事件影响分析方法、系统、设备、可读存储介质 |
CN115690630A (zh) * | 2022-11-08 | 2023-02-03 | 山东农业工程学院 | 一种用于路面车辆识别的交通遥感图像处理方法 |
CN117315934A (zh) * | 2023-09-25 | 2023-12-29 | 阜阳交通能源投资有限公司 | 基于无人机的高速公路车流量实时监测及拥堵预测系统 |
CN117994765B (zh) * | 2024-04-03 | 2024-06-11 | 深圳市智兴盛电子有限公司 | 行车记录仪视频校正方法、装置、设备及存储介质 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2002063568A (ja) * | 2000-08-21 | 2002-02-28 | Toshiba Corp | 道路監視装置および道路監視方法 |
CN102867415A (zh) * | 2012-09-12 | 2013-01-09 | 重庆大学 | 基于视频检测技术的道路拥堵判别方法 |
CN106682566A (zh) * | 2015-11-09 | 2017-05-17 | 富士通株式会社 | 交通事故检测方法、交通事故检测装置和电子设备 |
WO2018068312A1 (zh) * | 2016-10-14 | 2018-04-19 | 富士通株式会社 | 交通异常事件检测装置及方法 |
CN109769103A (zh) * | 2017-11-09 | 2019-05-17 | 株式会社日立大厦系统 | 影像监视系统以及影像监视装置 |
KR20190076271A (ko) * | 2017-12-22 | 2019-07-02 | 한동대학교 산학협력단 | Cctv 영상을 이용한 도로 혼잡도 분석 방법 및 시스템 |
Family Cites Families (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7436887B2 (en) * | 2002-02-06 | 2008-10-14 | Playtex Products, Inc. | Method and apparatus for video frame sequence-based object tracking |
WO2003067360A2 (en) * | 2002-02-06 | 2003-08-14 | Nice Systems Ltd. | System and method for video content analysis-based detection, surveillance and alarm management |
CN101105892A (zh) * | 2007-07-30 | 2008-01-16 | 深圳市融合视讯科技有限公司 | 一种车辆交通事故的自动检测方法 |
US8643715B2 (en) * | 2010-09-25 | 2014-02-04 | Kyu Hwang Cho | Real-time remote-viewing digital compass |
CN102073851B (zh) * | 2011-01-13 | 2013-01-02 | 北京科技大学 | 一种城市交通事故自动识别方法和系统 |
CN103258432B (zh) * | 2013-04-19 | 2015-05-27 | 西安交通大学 | 基于视频的交通事故自动识别处理方法和系统 |
CN104933777B (zh) * | 2015-07-30 | 2017-12-12 | 陕西专壹知识产权运营有限公司 | 一种通过行车记录仪上传路况信息的方法及其行车记录仪 |
CN105761500B (zh) * | 2016-05-10 | 2019-02-22 | 腾讯科技(深圳)有限公司 | 交通事故处理方法及交通事故处理装置 |
CN107730881A (zh) * | 2017-06-13 | 2018-02-23 | 银江股份有限公司 | 基于深度卷积神经网络的交通拥堵视觉检测系统 |
KR102061264B1 (ko) * | 2018-02-09 | 2020-01-02 | (주)하나텍시스템 | C-its 기반 차량위치정보를 이용한 돌발 상황 감지시스템 |
CN108550259B (zh) * | 2018-04-19 | 2020-05-12 | 何澜 | 道路拥堵判断方法、终端设备及计算机可读存储介质 |
CN109191830B (zh) * | 2018-08-09 | 2021-01-05 | 昆明理工大学 | 一种基于视频图像处理的道路拥堵检测方法 |
CN110889328B (zh) * | 2019-10-21 | 2023-05-30 | 大唐软件技术股份有限公司 | 检测道路交通状况的方法、装置、电子设备和存储介质 |
-
2020
- 2020-03-24 CN CN202010214329.3A patent/CN111369807B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2002063568A (ja) * | 2000-08-21 | 2002-02-28 | Toshiba Corp | 道路監視装置および道路監視方法 |
CN102867415A (zh) * | 2012-09-12 | 2013-01-09 | 重庆大学 | 基于视频检测技术的道路拥堵判别方法 |
CN106682566A (zh) * | 2015-11-09 | 2017-05-17 | 富士通株式会社 | 交通事故检测方法、交通事故检测装置和电子设备 |
WO2018068312A1 (zh) * | 2016-10-14 | 2018-04-19 | 富士通株式会社 | 交通异常事件检测装置及方法 |
CN109769103A (zh) * | 2017-11-09 | 2019-05-17 | 株式会社日立大厦系统 | 影像监视系统以及影像监视装置 |
KR20190076271A (ko) * | 2017-12-22 | 2019-07-02 | 한동대학교 산학협력단 | Cctv 영상을 이용한 도로 혼잡도 분석 방법 및 시스템 |
Also Published As
Publication number | Publication date |
---|---|
CN111369807A (zh) | 2020-07-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111369807B (zh) | 一种交通事故的检测方法、装置、设备和介质 | |
US10599929B2 (en) | Event monitoring with object detection systems | |
US10930151B2 (en) | Roadside parking management method, device, and system based on multiple cameras | |
US9721168B2 (en) | Directional object detection | |
US10051246B2 (en) | Stopped object detection | |
CN110738857B (zh) | 一种车辆违章取证方法、装置及设备 | |
KR101095528B1 (ko) | 연속류도로 사고 및 돌발 자동판별 검지시스템 및 그 방법 | |
CN108802758B (zh) | 一种基于激光雷达的智能安防监控装置、方法和系统 | |
CN101123721A (zh) | 一种智能视频监控系统及其监控方法 | |
US20070061696A1 (en) | Specifying search criteria for searching video data | |
KR102365578B1 (ko) | 고성능 레이더 및 머신 러닝을 이용한 침입탐지 시스템 | |
CN111862593B (zh) | 交通类事件的上报方法、装置、电子设备及存储介质 | |
CN107590834A (zh) | 一种道路交通事件视频检测方法及系统 | |
US10867495B1 (en) | Device and method for adjusting an amount of video analytics data reported by video capturing devices deployed in a given location | |
CN112750301A (zh) | 目标对象追踪方法、装置、设备及计算机可读存储介质 | |
Feris et al. | Case study: IBM smart surveillance system | |
CN106530711A (zh) | 一种用于高速车辆的视频图像智能交通分析方法 | |
CN114743376B (zh) | 一种非灯控路口智能交通系统 | |
CN112365520A (zh) | 一种基于视频大数据资源效能测评的行人目标实时追踪系统及方法 | |
KR101088153B1 (ko) | 콤보형 영상 감시 시스템 및 영상 감시 방법 | |
KR102644659B1 (ko) | 도로 관리 시스템 및 그 방법 | |
CN113435352B (zh) | 文明城市评分方法、装置、电子设备和存储介质 | |
Hirzallah | Automated camera monitoring system for selective areas of interest | |
CN117496235A (zh) | 一种基于图注意力网络的异常行为预警方法 | |
CN117576642A (zh) | 车辆监管方法、装置、电子设备及存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |