CN111540023B - 图像采集设备的监测方法、装置、电子设备及存储介质 - Google Patents

图像采集设备的监测方法、装置、电子设备及存储介质 Download PDF

Info

Publication number
CN111540023B
CN111540023B CN202010413763.4A CN202010413763A CN111540023B CN 111540023 B CN111540023 B CN 111540023B CN 202010413763 A CN202010413763 A CN 202010413763A CN 111540023 B CN111540023 B CN 111540023B
Authority
CN
China
Prior art keywords
vehicle
determining
video image
line
offset
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
Application number
CN202010413763.4A
Other languages
English (en)
Other versions
CN111540023A (zh
Inventor
朱晓星
杨凡
王成法
孙勇义
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Apollo Zhilian Beijing Technology Co Ltd
Original Assignee
Apollo Zhilian Beijing Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Apollo Zhilian Beijing Technology Co Ltd filed Critical Apollo Zhilian Beijing Technology Co Ltd
Priority to CN202010413763.4A priority Critical patent/CN111540023B/zh
Publication of CN111540023A publication Critical patent/CN111540023A/zh
Priority to JP2020198534A priority patent/JP7110310B2/ja
Priority to EP20217743.2A priority patent/EP3910533B1/en
Priority to US17/142,011 priority patent/US11423659B2/en
Application granted granted Critical
Publication of CN111540023B publication Critical patent/CN111540023B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/80—Analysis of captured images to determine intrinsic or extrinsic camera parameters, i.e. camera calibration
    • 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
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/24—Aligning, centring, orientation detection or correction of the image
    • G06V10/245—Aligning, centring, orientation detection or correction of the image by locating a pattern; Special marks for positioning
    • 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
    • G06V20/40—Scenes; Scene-specific elements in video content
    • G06V20/48—Matching video sequences
    • 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
    • G06V20/54—Surveillance or monitoring of activities, e.g. for recognising suspicious objects of traffic, e.g. cars on the road, trains or boats
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/50—Context or environment of the image
    • G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle
    • G06V20/588—Recognition of the road, e.g. of lane markings; Recognition of the vehicle driving pattern in relation to the road
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N17/00—Diagnosis, testing or measuring for television systems or their details
    • H04N17/002—Diagnosis, testing or measuring for television systems or their details for television cameras
    • 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
    • G06T2207/30232—Surveillance
    • 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
    • G06T2207/30236—Traffic on road, railway or crossing

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Theoretical Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • General Health & Medical Sciences (AREA)
  • Signal Processing (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Image Analysis (AREA)
  • Traffic Control Systems (AREA)

Abstract

本申请公开了一种图像采集设备的监测方法、装置、电子设备及存储介质，涉及计算机视觉领域。图像采集设备的监测方法的具体实现方案为：从图像采集设备采集的第一视频图像中，确定各目标车辆的停止位置；根据各目标车辆的停止位置确定第一视频图像中的标志线；确定第一视频图像中的标志线相对于参考标志线的偏移量，在偏移量达到预定条件的情况下，确定图像采集设备发生偏移。通过上述方案，利用车辆的停止位置确定标志线，将第一视频图像中的标志线和参考标志线进行比对，根据比对结果确定图像采集设备的偏移情况。由此降低人工检测的工作量，并且通过对标志线的比对，可以提高检测的准确度。

Description

图像采集设备的监测方法、装置、电子设备及存储介质
技术领域
本申请涉及计算机视觉领域，尤其涉及图像采集设备的监测方法、装置、电子设备及存储介质。
背景技术
在视频监测场景，图像采集设备所设置的位置、朝向的角度均经过事先测算而确定的，以使得图像采集设备所采集的视频图像具有良好的监测视野。
在出现由于外力等意外情况导致图像采集设备的位置或朝向角度出现偏移的情况下，会对监测造成影响。现有技术中需要定期由工作人员对图像采集设备进行偏差监测。但是，由人工检测一方面效率低，另一方面由于缺乏参照物，导致监测精准度不高。
发明内容
本申请实施例提供一种图像采集设备的监测方法、装置、电子设备及存储介质，以解决现有技术中的一个或多个技术问题。
第一方面，本申请提供一种图像采集设备的监测方法，该方法包括：
从图像采集设备采集的第一视频图像中，确定各目标车辆的停止位置；
根据各目标车辆的停止位置确定第一视频图像中的标志线；
确定第一视频图像中的标志线相对于参考标志线的偏移量，在偏移量达到预定条件的情况下，确定图像采集设备发生偏移。
通过上述方案，将第一视频图像中的标志线和参考标志线进行偏移量计算，根据计算结果确定图像采集设备的偏移情况。由此降低人工检测的工作量。由于参考标志线的存在，可以提高偏移量监测的精准度。
在一种实施方式中，目标车辆的确定方式包括：
对出现在第一视频图像的各帧静态图像中的各车辆进行识别，获取各车辆的行驶轨迹；
根据各车辆的行驶轨迹，确定在行驶过程中出现停车的各第一车辆；
将前向预定范围内不存在其他车辆的第一车辆确定为目标车辆。
通过上述方案，利用车辆识别和跟踪技术，可以自动确认出用于确定标志线的目标车辆。
在一种实施方式中，确定在行驶过程中出现停车的各第一车辆，包括：
获取各车辆在各帧静态图像中的位置变化量；
将位置变化量低于阈值的车辆确定为第一车辆。
通过上述方案，可以准确的筛选出在行驶过程中出现停车的各车辆。
在一种实施方式中，根据停止位置确定第一视频图像中的标志线，包括：
对各目标车辆的停止位置的坐标进行统计；
根据统计结果确定第一视频图像中的标志线。
通过上述方案，利用预定数量的目标车辆的停止位置可以挖掘出路口停止线的位置，将停止线作为图像中的标志线，可以实现自动识别出图像中的标志线。
在一种实施方式中，还包括：
在偏移量未达到预定条件的情况下，利用第一视频图像中的标志线对参考标志线进行调整。
通过上述方案，在标志线样本的数量足够多的情况下，可以使对于参考标志线的调整结果接近标志线的真实情况。
第二方面，本申请提供一种图像采集设备的监测装置，该装置包括：
停止位置确定模块，用于从图像采集设备采集的第一视频图像中，确定各目标车辆的停止位置；
标志线确定模块，用于根据各目标车辆的停止位置确定第一视频图像中的标志线；
偏移确定模块，用于确定第一视频图像中的标志线相对于参考标志线的偏移量，在偏移量达到预定条件的情况下，确定图像采集设备发生偏移。
在一种实施方式中，停止位置确定模块，包括：
行驶轨迹确定子模块，用于对出现在第一视频图像的各帧静态图像中的各车辆进行识别，获取各车辆的行驶轨迹；
第一车辆确定子模块，用于根据行驶轨迹，确定在行驶过程中出现停车的各第一车辆；
目标车辆确定子模块，用于将前向预定范围内不存在其他车辆的第一车辆确定为目标车辆。
在一种实施方式中，第一车辆确定子模块还用于：
获取各车辆在各帧静态图像中的位置变化量，将位置变化量低于阈值的车辆确定为第一车辆。
在一种实施方式中，标志线确定模块，包括：
坐标统计子模块，用于对各目标车辆的停止位置的坐标进行统计；
标志线确定执行子模块，用于根据统计结果确定第一视频图像中的标志线。
在一种实施方式中，还包括：
参考标志线调整模块，用于在偏移量未达到预定条件的情况下，利用第一视频图像中的标志线对参考标志线进行调整。
第三方面，本申请实施例提供一种电子设备，包括：
至少一个处理器；以及
与至少一个处理器通信连接的存储器；其中，
存储器存储有可被至少一个处理器执行的指令，指令被至少一个处理器执行，以使至少一个处理器能够执行本申请任意一项实施例所提供的方法。
第四方面，本申请实施例提供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，计算机指令用于使计算机执行本申请任意一项实施例所提供的方法。
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是根据本申请图像采集设备的监测方法的流程图；
图2是根据本申请确定目标车辆的流程图；
图3是根据本申请确定第一视频图像中的标志线的流程图；
图4是根据本申请图像采集设备的监测装置的示意图；
图5是根据本申请停止位置确定模块的示意图；
图6是根据本申请标志线确定模块的示意图；
图7是用来实现本申请实施例的图像采集设备的监测方法的电子设备的框图。
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。
如图1所示，在一种实施方式中，提供一种图像采集设备的监测方法，包括以下步骤：
S101：从图像采集设备采集的第一视频图像中，确定各目标车辆的停止位置。
S102：根据各目标车辆的停止位置确定第一视频图像中的标志线。
S103：确定第一视频图像中的标志线相对于参考标志线的偏移量，在偏移量达到预定条件的情况下，确定图像采集设备发生偏移。
本申请可以通过服务器或云处理器等数据处理设备实现上述步骤。数据处理设备接收设置在目标区域的所有图像采集设备所上传的信息。根据对上传信息的分析，可以对各图像采集设备的偏移情况进行检测。
第一视频图像可以包括连续多帧静态图像。例如一小时内的连续多帧静态图像、一天内的连续多帧静态图像等。不难理解，静态图像也可以是多帧非连续帧。
对第一视频图像的各帧静态图像中的所有车辆进行识别，以确定出目标车辆。识别方式可以包括车牌号识别、车身颜色识别、车身图案识别或车辆类型识别中的一种或多种等。
通过对车辆识别，可以为不同车辆分配标识(ID，Identity Document)以进行区分。在识别出的各车辆中，筛选出用于确定标志线的车辆，本实施例将这种车辆称为目标车辆。筛选过程可以包括：根据各车辆的行驶轨迹，确定在行驶过程中出现停止的车辆。并且在出现停止的各车辆中筛选出停止在首排的车辆，即前向不存在其他车辆的目标车辆。
一般来说，由于红灯停止在路口第一排的目标车辆，其车头会压在停止线上。基于此，根据预定数量的目标车辆的停止位置，可以在第一视频图像中得到一条停止线。该停止线可以作为在第一视频图像中的标志线。
另外，在获取到各车辆的行驶轨迹的情况下，还可以根据行驶轨迹生成车道线。例如，可以预先在视频图像样本中测量出车道的宽度。在视频图像中将行驶轨迹根据车道的宽度进行扩展，从而根据行驶轨迹得到车道。在车道的两侧分别标注出车道线，作为在第一视频图像中的标志线。
将第一视频图像中的标志线与参考标志线进行对比，以确定第一视频图像中的标志线的偏移量是否达到预定条件。预定条件可以是标志线的重合度低于阈值，或者是斜率差高于阈值等。在达到预定条件的情况下，可以确定图像采集设备发生偏移。其中，偏移包括但不限于位置、角度的改变。
其中，参考标志线可以采用与在第一视频图像中的标志线相同的确定方式。例如，可以在图像采集设备安装完成的第一天或第一个月，对对应时间的多帧静态图像进行识别，将通过识别得到的标志线作为参考标志线。
或者，在图像采集设备安装完成后，还可以采用预先训练好的标志线识别模型对视频图像中的标志线进行识别，将识别结果作为参考标志线。
再或者，也可以采用人工标注的方式。例如，在图像采集设备安装完成后，由工作人员对该图像采集设备所采集的视频图像进行停止线的标注，将标注结果作为参考标志线。
为了增加判断的准确性，在出现第一视频图像中的标志线和参考标志线的偏移量达到预定条件的情况下，可以采用与第一视频图像中确定标志线相同的方式，在第二视频图像、第三视频图像等视频图像中确定标志线。
将第二视频图像、第三视频图像等视频图像中的标志线分别与参考标志线进行比较，在多次比较的结果均为与参考标志线的偏移量达到预定条件的情况下，可以确定图像采集设备发生偏移。
通过上述方案，将第一视频图像中的标志线和参考标志线进行比对，根据比对结果确定图像采集设备的偏移情况。由此降低人工检测的工作量，并且通过设置参考标志线，可以提高偏移量监测的精准度。
如图2所示，在一种实施方式中，确定目标车辆，包括：
S201：对出现在第一视频图像的各帧图像中的各车辆进行识别，获取各车辆的行驶轨迹。
S202：根据各车辆的行驶轨迹，确定在行驶过程中出现停车的各第一车辆。
S203：将前向预定范围内不存在其他车辆的第一车辆确定为目标车辆。
对于识别出的第一车辆，可以根据第一车辆在第一视频图像的各帧静态图像中的位置，得到该第一车辆的行驶轨迹。例如，在第N帧静态图像中第一次检测到标识为ID1的车辆，则可以在第N帧静态图像之后的包含标识为ID1的车辆的其他帧静态图像中，分别确定出标识为ID1的车辆的位置。每一个位置可以抽象为一个像素点或像素块，对各位置进行拟合，可以得到标识为ID1的车辆的行驶轨迹。
根据行驶轨迹，可以确定出标识为ID1的车辆是否在行驶过程中出现停车。在出现停车的情况下，可以将标识为ID1的车辆确定为第一车辆，即标识为ID1的第一车辆。
进一步的，还需判断标识为ID1的第一车辆在停车时，其前向是否存在其他车辆。在不存在其他车辆的情况下，可以将标识为ID1的第一车辆确定为目标车辆。例如，可以设置范围阈值或距离阈值。检测在范围阈值或距离阈值内，标识为ID1的第一车辆的前向是否存在其他车辆。若不存在，则可以确定为标识为ID1的第一车辆在停车时其前向不存在其他车辆。
一般来说，在红灯情况下，会出现车辆在行驶过程中的停车情况。通过上述判断过程，可以筛选出停在路口的第一排车辆。利用筛选出的目标车辆的停止位置，即可在后续步骤中确定出停止线的位置，即确定出标志线的位置。
通过上述方案，利用车辆识别和跟踪技术，可以自动确认出用于确定标志线的目标车辆。
在一种实施方式中，确定在行驶过程中出现停车的各第一车辆，包括：
获取各车辆在各帧静态图像中的位置变化量，将位置变化量低于阈值的车辆确定为第一车辆。
仍以标识为ID1的车辆为例说明。在第N帧静态图像中第一次检测到标识为ID1的车辆，则从第N+1帧静态图像起，逐一对各帧静态图像进行遍历，筛选出包含标识为ID1的车辆的各帧静态图像。
在筛选出的各帧静态图像中确定标识为ID1的车辆的位置。在标识为ID1的车辆在预定数量的静态图像中的位置变化量低于阈值的情况下，可以确定标识为ID1的车辆在行驶过程中出现停车情况。预定数量可以是30帧、50帧等。
对于标识为ID1的车辆在预定数量的静态图像中的位置变化量，可以直接从静态图像中确定。例如，在静态图像中，对于标识为ID1车辆的识别结果可以是一个检测框，在检测框中标记车辆的标识。可以以检测框的中心点作为标识为ID1的车辆的位置。根据标识为ID1的车辆的检测框的中心点在各帧静态图像中的坐标，可以得到标识为ID1的车辆的位置变化量。
另外，也可以将标识为ID1的车辆在各帧静态图像中的位置换算至世界坐标系下，从而确定标识为ID1的车辆的位置变化量。
通过上述方案，可以准确的筛选出在行驶过程中出现停车的车辆。
如图3所示，在一种实施方式中，根据停止位置确定第一视频图像中的标志线，包括：
S301：对各目标车辆的停止位置的坐标进行统计。
S302：根据统计的结果确定第一视频图像中的标志线。
在图像中，各目标车辆的识别结果可以是一个检测框。可以根据目标车辆的行驶方向，确定检测框的前向、后向。可以以检测框的前向作为对应目标车辆的车头位置，并且以车头位置作为停止位置。
以目标车辆由第一视频图像的上边缘驶入，下边缘驶出为例。由于各目标车辆并排停止在路口，因此各目标车辆的停止位置在第一视频图像中的纵坐标差距不大。基于此，可以统计各目标车辆停止位置纵坐标的平均值。纵坐标可以是在静态图像中的坐标，例如，可以以每帧静态图像左下角的像素点为坐标原点。根据纵坐标的平均值可以在视频图像中得到一条水平线段。该水平线段可以作为标志线，即停止线。
通过上述方案，利用预定数量的目标车辆的停止位置，可以挖掘出路口停止线的位置。将停止线作为图像中的标志线，可以实现自动识别出图像中的标志线。
在一种实施方式中，该方法还包括：
在偏移量未达到预定条件的情况下，利用第一视频图像中的标志线对参考标志线进行调整。
在第一视频图像中的标志线与参考标志线的偏移量未达到预定条件的情况下，可以确定图像采集设备的位置并未发生位置偏移。基于此，可以将参考标志线和第一视频图像中的标志线均作为标志线样本。将各标志线样本进行统计，采用统计结果替换参考标志线，以实现对参考标志线的调整。例如，在标志线以像素点表示的情况下，可以统计各标志线的交集像素点，或者并集像素点等。或者，可以统计出各标志线的中间标志线。
通过上述方案，在标志线样本的数量足够多的情况下，对参考标志线的调整结果可以接近标志线的真实情况。
如图4所示，本申请提供一种图像采集设备的监测装置，该装置包括：
停止位置确定模块401，用于从图像采集设备采集的第一视频图像中，确定各目标车辆的停止位置。
标志线确定模块402，用于根据各目标车辆的停止位置确定第一视频图像中的标志线。
偏移确定模块403，用于确定第一视频图像中的标志线相对于参考标志线的偏移量，在偏移量达到预定条件的情况下，确定图像采集设备发生偏移。
如图5所示，在一种实施方式中，停止位置确定模块401，包括：
行驶轨迹确定子模块4011，用于对出现在第一视频图像的各帧静态图像中的各车辆进行识别，获取各车辆的行驶轨迹。
第一车辆确定子模块4012，用于根据各车辆的行驶轨迹，确定在行驶过程中出现停车的各第一车辆。
目标车辆确定子模块4013，用于将前向预定范围内不存在其他车辆的第一车辆确定为目标车辆。
在一种实施方式中，第一车辆确定子模块4012还用于：
获取各车辆在各帧静态图像中的位置变化量，将位置变化量低于阈值的车辆确定为第一车辆。
如图6所示，在一种实施方式中，标志线确定模块402，包括：
坐标统计子模块4021，用于对各目标车辆的停止位置的坐标进行统计。
标志线确定执行子模块4022，用于根据统计结果确定第一视频图像中的标志线。
在一种实施方式中，图像采集设备的监测装置还包括：
参考标志线调整模块，用于在偏移量未达到预定条件的情况下，利用第一视频图像中的标志线对参考标志线进行调整。
本申请实施例各装置中的各模块的功能可以参见上述方法中的对应描述，在此不再赘述。
根据本申请的实施例，本申请还提供了一种电子设备和一种可读存储介质。
如图7所示，是根据本申请实施例的图像采集设备的监测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7所示，该电子设备包括：一个或多个处理器710、存储器720，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)上显示图形用户界面(Graphical User Interface，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7中以一个处理器710为例。
存储器720即为本申请所提供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提供的图像采集设备的监测方法。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提供的图像采集设备的监测方法。
存储器720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图像采集设备的监测方法对应的程序指令/模块(例如，附图4所示的停止位置确定模块401、标志线确定模块402和偏移确定模块403)。处理器710通过运行存储在存储器720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图像采集设备的监测方法。
存储器720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图像采集设备的监测方法的电子设备的使用所创建的数据等。此外，存储器720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720可选包括相对于处理器710远程设置的存储器，这些远程存储器可以通过网络连接至上述电子设备。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。
上述电子设备还可以包括：输入装置730和输出装置740。处理器710、存储器720、输入装置730和输出装置740可以通过总线或者其他方式连接，图7中以通过总线连接为例。
输入装置730可接收输入的数字或字符信息，以及产生与上述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740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(Liquid Crystal Display，LCD)、发光二极管(Light Emitting Diode，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、专用集成电路(Application Specific Integrated Circuits，ASIC)、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(programmable logic device，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(Cathode Ray Tube，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(Local Area Network，LAN)、广域网(Wide Area Network，WAN)和互联网。
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。
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 (12)

1.一种图像采集设备的监测方法，其特征在于，包括：
从图像采集设备采集的第一视频图像中，确定各目标车辆的停止位置；
根据所述各目标车辆的停止位置确定所述第一视频图像中的标志线；
确定所述第一视频图像中的标志线相对于参考标志线的偏移量，在所述偏移量达到预定条件的情况下，确定所述图像采集设备发生偏移。
2.根据权利要求1所述的方法，其特征在于，所述目标车辆的确定方式包括：
对出现在所述第一视频图像的各帧静态图像中的各车辆进行识别，获取所述各车辆的行驶轨迹；
根据所述各车辆的行驶轨迹，确定在行驶过程中出现停车的各第一车辆；
将前向预定范围内不存在其他车辆的所述第一车辆确定为所述目标车辆。
3.根据权利要求2所述的方法，其特征在于，所述确定在行驶过程中出现停车的各第一车辆，包括：
获取所述各车辆在所述各帧静态图像中的位置变化量；
将所述位置变化量低于阈值的车辆确定为第一车辆。
4.根据权利要求1所述的方法，其特征在于，所述根据所述停止位置确定所述第一视频图像中的标志线，包括：
对各所述目标车辆的停止位置的坐标进行统计；
根据统计结果确定所述第一视频图像中的标志线。
5.根据权利要求1所述的方法，其特征在于，还包括：
在所述偏移量未达到预定条件的情况下，利用所述第一视频图像中的标志线对所述参考标志线进行调整。
6.一种图像采集设备的监测装置，其特征在于，包括：
停止位置确定模块，用于从图像采集设备采集的第一视频图像中，确定各目标车辆的停止位置；
标志线确定模块，用于根据所述各目标车辆的停止位置确定所述第一视频图像中的标志线；
偏移确定模块，用于确定所述第一视频图像中的标志线相对于参考标志线的偏移量，在所述偏移量达到预定条件的情况下，确定所述图像采集设备发生偏移。
7.根据权利要求6所述的装置，其特征在于，所述停止位置确定模块，包括：
行驶轨迹确定子模块，用于对出现在所述第一视频图像的各帧静态图像中的各车辆进行识别，获取所述各车辆的行驶轨迹；
第一车辆确定子模块，用于根据所述各车辆的行驶轨迹，确定在行驶过程中出现停车的各第一车辆；
目标车辆确定子模块，用于将前向预定范围内不存在其他车辆的所述第一车辆确定为所述目标车辆。
8.根据权利要求7所述的装置，其特征在于，所述第一车辆确定子模块还用于：
获取所述各车辆在所述各帧静态图像中的位置变化量，将所述位置变化量低于阈值的车辆确定为第一车辆。
9.根据权利要求6所述的装置，其特征在于，所述标志线确定模块，包括：
坐标统计子模块，用于对各所述目标车辆的停止位置的坐标进行统计；
标志线确定执行子模块，用于根据统计结果确定所述第一视频图像中的标志线。
10.根据权利要求6所述的装置，其特征在于，还包括：
参考标志线调整模块，用于在所述偏移量未达到预定条件的情况下，利用所述第一视频图像中的标志线对所述参考标志线进行调整。
11.一种电子设备，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，
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至5中任一项所述的方法。
12.一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至5中任一项所述的方法。
CN202010413763.4A 2020-05-15 2020-05-15 图像采集设备的监测方法、装置、电子设备及存储介质 Active CN111540023B (zh)

Priority Applications (4)

Application Number Priority Date Filing Date Title
CN202010413763.4A CN111540023B (zh) 2020-05-15 2020-05-15 图像采集设备的监测方法、装置、电子设备及存储介质
JP2020198534A JP7110310B2 (ja) 2020-05-15 2020-11-30 画像収集設備の監視方法、装置、電子設備、記憶媒体、及びプログラム
EP20217743.2A EP3910533B1 (en) 2020-05-15 2020-12-30 Method, apparatus, electronic device, and storage medium for monitoring an image acquisition device
US17/142,011 US11423659B2 (en) 2020-05-15 2021-01-05 Method, apparatus, electronic device, and storage medium for monitoring an image acquisition device

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010413763.4A CN111540023B (zh) 2020-05-15 2020-05-15 图像采集设备的监测方法、装置、电子设备及存储介质

Publications (2)

Publication Number Publication Date
CN111540023A CN111540023A (zh) 2020-08-14
CN111540023B true CN111540023B (zh) 2023-03-21

Family

ID=71977748

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010413763.4A Active CN111540023B (zh) 2020-05-15 2020-05-15 图像采集设备的监测方法、装置、电子设备及存储介质

Country Status (4)

Country Link
US (1) US11423659B2 (zh)
EP (1) EP3910533B1 (zh)
JP (1) JP7110310B2 (zh)
CN (1) CN111540023B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113075716A (zh) * 2021-03-19 2021-07-06 地平线(上海)人工智能技术有限公司 基于图像的车辆定位方法和装置、存储介质以及电子设备
CN114332826B (zh) * 2022-03-10 2022-07-08 浙江大华技术股份有限公司 一种车辆图像识别方法、装置、电子设备和存储介质
CN115842848B (zh) * 2023-03-01 2023-04-28 成都远峰科技发展有限公司 一种基于工业物联网的动态监控系统及其控制方法
CN117750196B (zh) * 2024-02-10 2024-05-28 苔花科迈(西安)信息技术有限公司 基于模版的井下钻场移动摄像装置的数据采集方法及装置

Citations (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2006048991A1 (ja) * 2004-11-04 2006-05-11 Shuhou Co., Ltd. インクジェット方式を利用したオフセット印刷方法およびそれによる印刷体
CN103162632A (zh) * 2013-03-26 2013-06-19 中国水利水电科学研究院 离心模型3d光学位移测量系统
CN103700277A (zh) * 2013-12-11 2014-04-02 安徽锐通信息技术有限公司 停车位置记录系统、移动终端和停车位置记录方法
CN104574438A (zh) * 2014-12-23 2015-04-29 中国矿业大学 一种用于绞车主轴轴向偏移视频检测方法
CN104742912A (zh) * 2013-12-27 2015-07-01 比亚迪股份有限公司 车道偏移检测方法和装置
CN105828044A (zh) * 2016-05-09 2016-08-03 深圳信息职业技术学院 一种监控系统及其监控方法
CN106303422A (zh) * 2016-08-12 2017-01-04 浙江宇视科技有限公司 一种视频实况显示方法及设备
CN106570906A (zh) * 2016-11-09 2017-04-19 东南大学 一种摄像机角度偏移条件下基于矩形图样的距离检测方法
CN107144285A (zh) * 2017-05-08 2017-09-08 深圳地平线机器人科技有限公司 位姿信息确定方法、装置和可移动设备
CN109949365A (zh) * 2019-03-01 2019-06-28 武汉光庭科技有限公司 基于路面特征点的车辆指定位置停车方法及系统
CN110401583A (zh) * 2019-06-21 2019-11-01 深圳绿米联创科技有限公司 设备替换的方法、装置、系统、移动终端以及存储介质
CN110516652A (zh) * 2019-08-30 2019-11-29 北京百度网讯科技有限公司 车道检测的方法、装置、电子设备及存储介质
CN110533925A (zh) * 2019-09-04 2019-12-03 上海眼控科技股份有限公司 车辆违法视频的处理方法、装置、计算机设备及存储介质
CN110621541A (zh) * 2018-04-18 2019-12-27 百度时代网络技术（北京）有限公司 用于自动驾驶车辆在高速公路上的自动驾驶的无地图无定位的沿车道行驶方法
CN110909711A (zh) * 2019-12-03 2020-03-24 北京百度网讯科技有限公司 检测车道线位置变化的方法、装置、电子设备和存储介质

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP5471516B2 (ja) 2010-01-28 2014-04-16 トヨタ自動車株式会社 減速支援装置
JP5360076B2 (ja) 2011-01-14 2013-12-04 株式会社デンソー 障害物報知装置
US8970701B2 (en) * 2011-10-21 2015-03-03 Mesa Engineering, Inc. System and method for predicting vehicle location
KR102203410B1 (ko) * 2014-10-20 2021-01-18 삼성에스디에스 주식회사 관심 영역 설정 방법 및 장치
KR102482414B1 (ko) * 2016-06-24 2022-12-29 삼성전자 주식회사 키 결합장치 및 이를 구비하는 전자장치
CN109871752A (zh) 2019-01-04 2019-06-11 北京航空航天大学 一种基于监控视频检测车流提取车道线的方法
CN110798681B (zh) 2019-11-12 2022-02-01 阿波罗智联(北京)科技有限公司 成像设备的监测方法、装置和计算机设备

Patent Citations (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2006048991A1 (ja) * 2004-11-04 2006-05-11 Shuhou Co., Ltd. インクジェット方式を利用したオフセット印刷方法およびそれによる印刷体
CN103162632A (zh) * 2013-03-26 2013-06-19 中国水利水电科学研究院 离心模型3d光学位移测量系统
CN103700277A (zh) * 2013-12-11 2014-04-02 安徽锐通信息技术有限公司 停车位置记录系统、移动终端和停车位置记录方法
CN104742912A (zh) * 2013-12-27 2015-07-01 比亚迪股份有限公司 车道偏移检测方法和装置
CN104574438A (zh) * 2014-12-23 2015-04-29 中国矿业大学 一种用于绞车主轴轴向偏移视频检测方法
CN105828044A (zh) * 2016-05-09 2016-08-03 深圳信息职业技术学院 一种监控系统及其监控方法
CN106303422A (zh) * 2016-08-12 2017-01-04 浙江宇视科技有限公司 一种视频实况显示方法及设备
CN106570906A (zh) * 2016-11-09 2017-04-19 东南大学 一种摄像机角度偏移条件下基于矩形图样的距离检测方法
CN107144285A (zh) * 2017-05-08 2017-09-08 深圳地平线机器人科技有限公司 位姿信息确定方法、装置和可移动设备
CN110621541A (zh) * 2018-04-18 2019-12-27 百度时代网络技术（北京）有限公司 用于自动驾驶车辆在高速公路上的自动驾驶的无地图无定位的沿车道行驶方法
CN109949365A (zh) * 2019-03-01 2019-06-28 武汉光庭科技有限公司 基于路面特征点的车辆指定位置停车方法及系统
CN110401583A (zh) * 2019-06-21 2019-11-01 深圳绿米联创科技有限公司 设备替换的方法、装置、系统、移动终端以及存储介质
CN110516652A (zh) * 2019-08-30 2019-11-29 北京百度网讯科技有限公司 车道检测的方法、装置、电子设备及存储介质
CN110533925A (zh) * 2019-09-04 2019-12-03 上海眼控科技股份有限公司 车辆违法视频的处理方法、装置、计算机设备及存储介质
CN110909711A (zh) * 2019-12-03 2020-03-24 北京百度网讯科技有限公司 检测车道线位置变化的方法、装置、电子设备和存储介质

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
刘锋 ; 丁治 ; .基于视频画面中目标尺寸测量的车型识别研究.2015,(13),第152页. *
焦欣欣 ; 王民慧 ; 李晓鹏 ; .基于单目视觉的结构化道路检测算法研究.2011,(Z1),第8-11页. *
王铮 ; 王明 ; 张厚钧 ; .碰撞试验中车辆横向偏移的研究.2015,(12),第98-100页. *
符锌砂 ; 何石坚 ; 杜锦涛 ; 葛婷 ; .线形空间几何突变对曲线路段车道偏移的影响.2019,(12),第110-118页. *
胡广胜 ; 王菁 ; 孙福庆 ; .基于图像识别的轨道交通车辆装配过程检测系统.2020,(04),第82-86页. *

Also Published As

Publication number Publication date
EP3910533A1 (en) 2021-11-17
CN111540023A (zh) 2020-08-14
US11423659B2 (en) 2022-08-23
US20210357660A1 (en) 2021-11-18
JP2021179964A (ja) 2021-11-18
EP3910533B1 (en) 2024-04-10
JP7110310B2 (ja) 2022-08-01

Similar Documents

Publication Publication Date Title
CN111540023B (zh) 图像采集设备的监测方法、装置、电子设备及存储介质
CN112053563B (zh) 可用于边缘计算平台、云控平台的事件检测方法及设备
CN110910665A (zh) 信号灯控制方法、装置以及计算机设备
CN111860319A (zh) 车道线的确定方法、定位精度的评测方法、装置、设备
CN111292531B (zh) 交通信号灯的跟踪方法、装置、设备及存储介质
CN111523471B (zh) 车辆所在车道的确定方法、装置、设备以及存储介质
CN112101223B (zh) 检测方法、装置、设备和计算机存储介质
CN110738183A (zh) 障碍物检测方法及装置
CN112507949A (zh) 目标跟踪方法、装置、路侧设备以及云控平台
CN111275983A (zh) 车辆追踪方法、装置、电子设备和计算机可读存储介质
CN113538911B (zh) 路口距离的检测方法、装置、电子设备和存储介质
CN111652112A (zh) 一种车道流向的识别方法、装置、电子设备及存储介质
CN112528786A (zh) 车辆跟踪方法、装置及电子设备
CN113091757B (zh) 地图生成方法和装置
CN111540010B (zh) 一种道路监测的方法、装置、电子设备及存储介质
CN110968718A (zh) 目标检测模型负样本挖掘方法、装置及电子设备
CN111536984A (zh) 定位方法和装置、车端设备、车辆、电子设备和定位系统
CN111339877B (zh) 盲区的长度检测方法、装置、电子设备及存储介质
CN112287806A (zh) 一种道路信息检测方法、系统、电子设备及存储介质
CN111703371A (zh) 交通信息的显示方法、装置、电子设备和存储介质
CN111721305A (zh) 定位方法和装置、自动驾驶车辆、电子设备和存储介质
CN111640301B (zh) 故障车辆检测方法及包括路侧单元的故障车辆检测系统
CN110798681B (zh) 成像设备的监测方法、装置和计算机设备
CN111401248A (zh) 一种天空区域的识别方法、装置、电子设备及存储介质
CN113011298A (zh) 截断物体样本生成、目标检测方法、路侧设备和云控平台

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
TA01 Transfer of patent application right

Effective date of registration: 20211012

Address after: 100176 Room 101, 1st floor, building 1, yard 7, Ruihe West 2nd Road, economic and Technological Development Zone, Daxing District, Beijing

Applicant after: Apollo Zhilian (Beijing) Technology Co.,Ltd.

Address before: 100085 Baidu Building, 10 Shangdi Tenth Street, Haidian District, Beijing

Applicant before: BAIDU ONLINE NETWORK TECHNOLOGY (BEIJING) Co.,Ltd.

TA01 Transfer of patent application right
GR01 Patent grant
GR01 Patent grant