CN111814668A - 用于检测道路抛洒物的方法和装置 - Google Patents
用于检测道路抛洒物的方法和装置 Download PDFInfo
- Publication number
- CN111814668A CN111814668A CN202010650258.1A CN202010650258A CN111814668A CN 111814668 A CN111814668 A CN 111814668A CN 202010650258 A CN202010650258 A CN 202010650258A CN 111814668 A CN111814668 A CN 111814668A
- Authority
- CN
- China
- Prior art keywords
- image
- background model
- current frame
- frame image
- projectile
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 66
- 238000001514 detection method Methods 0.000 claims abstract description 31
- 230000015654 memory Effects 0.000 claims description 20
- 230000008569 process Effects 0.000 claims description 18
- 239000007921 spray Substances 0.000 claims description 6
- 238000012795 verification Methods 0.000 claims description 3
- 239000000126 substance Substances 0.000 claims 1
- 238000012545 processing Methods 0.000 abstract description 10
- 238000004891 communication Methods 0.000 description 6
- 206010039203 Road traffic accident Diseases 0.000 description 4
- 238000004590 computer program Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 101100476202 Caenorhabditis elegans mog-2 gene Proteins 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000010339 dilation Effects 0.000 description 1
- 238000003912 environmental pollution Methods 0.000 description 1
- 230000003628 erosive effect Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000000873 masking effect Effects 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000013179 statistical model Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012706 support-vector machine Methods 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- 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
- G06V10/28—Quantising the image, e.g. histogram thresholding for discrimination between background and foreground patterns
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Data Mining & Analysis (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Image Analysis (AREA)
- Traffic Control Systems (AREA)
Abstract
本申请公开了用于检测道路抛洒物的方法、装置、电子设备和存储介质,涉及智能交通技术领域、具体涉及图像处理技术领域。具体实现方案为:获取当前帧图像、当前帧图像之前连续的预定数量帧的图像,当前帧图像之前按预定间隔抽取的预定数量帧的图像;获取预先生成的初始背景模型;分别基于当前帧图像之前连续的预定数量帧的图像和当前帧图像之前按预定间隔抽取的预定数量帧的图像生成短帧背景模型和长帧背景模型;将当前帧图像分别与初始背景模型、短帧背景模型和长帧背景模型进行差分,得到第一图像、第二图像、第三图像;基于第一图像、第二图像、第三图像确定当前帧图像中是否存在抛洒物。该实施方式能够提高道路抛洒物检测的准确率以及召回率。
Description
技术领域
本申请的实施例涉及图像处理技术领域,具体涉及智能交通技术领域。
背景技术
道路拥堵,交通事故以及环境污染是现在道路交通领域普遍遇到的难题,尤其是高速公路上抛洒物引起的交通事故更是目前交通事故发生的重要原因之一。
高速道路抛洒物识别在交通安全领域中扮演着非常重要的角色,在高速公路的抛洒物不及时处理,容易引发严重的交通事故,因此需要对该事件进行监控,遇到抛洒物及时报警并处理,恢复高速正常运行。
发明内容
本公开提供了一种用于检测道路抛洒物的方法、装置、电子设备以及存储介质。
根据本公开的第一方面,提供了一种用于检测道路抛洒物的方法,包括:获取当前帧图像、当前帧图像之前连续的预定数量帧的图像,当前帧图像之前按预定间隔抽取的预定数量帧的图像;获取预先生成的初始背景模型;分别基于当前帧图像之前连续的预定数量帧的图像和当前帧图像之前按预定间隔抽取的预定数量帧的图像生成短帧背景模型和长帧背景模型;将当前帧图像分别与初始背景模型、短帧背景模型和长帧背景模型进行差分,得到第一图像、第二图像、第三图像;基于第一图像、第二图像、第三图像确定当前帧图像中是否存在抛洒物。
根据本公开的第二方面,提供了一种用于检测道路抛洒物的装置,包括:图像获取单元,被配置成获取当前帧图像、当前帧图像之前连续的预定数量帧的图像,当前帧图像之前按预定间隔抽取的预定数量帧的图像;模型获取单元,被配置成获取预先生成的初始背景模型;模型生成单元,被配置成分别基于当前帧图像之前连续的预定数量帧的图像和当前帧图像之前按预定间隔抽取的预定数量帧的图像生成短帧背景模型和长帧背景模型;差分单元,被配置成将当前帧图像分别与初始背景模型、短帧背景模型和长帧背景模型进行差分,得到第一图像、第二图像、第三图像;确定单元,被配置成基于第一图像、第二图像、第三图像确定当前帧图像中是否存在抛洒物。
根据本公开的第三方面,提供了一种电子设备,其特征在于,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第一方面中任一项的方法。
根据本公开的第四方面,提供了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第一方面中任一项的方法。
本申请提出一种基于视频帧的长短背景差分结合机器学习方法后验的方法,能够对复杂情况下产生的误识别进行过滤,不容易受到天气,明暗等室外因素的影响,提高道路抛洒物的准确率以及召回率。
应当理解,本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征,也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
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是本申请的一个实施例可以应用于其中的示例性系统架构图;
图2是根据本申请的用于检测道路抛洒物的方法的一个实施例的流程图;
图3a、3b是根据本申请的用于检测道路抛洒物的方法的一个应用场景的示意图;
图4是根据本申请的用于检测道路抛洒物的方法的又一个实施例的流程图;
图5是根据本申请的用于检测道路抛洒物的装置的一个实施例的结构示意图;
图6是用来实现本申请实施例的用于检测道路抛洒物的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。
图1示出了可以应用本申请的用于检测道路抛洒物的方法或用于检测道路抛洒物的装置的实施例的示例性系统架构100。
如图1所示,系统架构100可以包括摄像头101、102、103,网络104和服务器105。网络104用以在摄像头101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型,例如有线、无线通信链路等等。
用户可以使用摄像头101、102、103通过网络104与服务器105交互,以接收或发送消息等。
摄像头101、102、103泛指用于进行车辆、道路监控的摄像头。可以是在十字路口对违法(比如,跨越车道压实线、逆向行驶、占用非机动车道、不按导向标识行驶、闯红灯等)车辆进行抓拍的电子警察。还可以是安装位置在高速公路、省道和国道的一些重点路段用来抓拍超速开车违法行为的卡口摄像头。摄像头101、102、103还可以是违停抓拍摄像头、流量监控摄像头、天网监控摄像头、流动抓拍摄像头等。
服务器105可以是提供各种服务的服务器,例如对摄像头101、102、103上采集的道路图像提供分析的后台分析服务器。后台分析服务器可以对接收到的道路图像进行分析等处理,并将处理结果(例如道路上是否有抛洒物)输出。
需要说明的是,服务器可以是硬件,也可以是软件。当服务器为硬件时,可以实现成多个服务器组成的分布式服务器集群,也可以实现成单个服务器。当服务器为软件时,可以实现成多个软件或软件模块(例如用来提供分布式服务的多个软件或软件模块),也可以实现成单个软件或软件模块。在此不做具体限定。
需要说明的是,本申请实施例所提供的用于检测道路抛洒物的方法一般由服务器105执行,相应地,用于检测道路抛洒物的装置一般设置于服务器105中。
应该理解,图1中的摄像头、网络和服务器的数目仅仅是示意性的。根据实现需要,可以具有任意数目的摄像头、网络和服务器。
继续参考图2,示出了根据本申请的用于检测道路抛洒物的方法的一个实施例的流程200。该用于检测道路抛洒物的方法,包括以下步骤:
步骤201,获取当前帧图像、当前帧图像之前连续的预定数量帧的图像,当前帧图像之前按预定间隔抽取的预定数量帧的图像。
在本实施例中,用于检测道路抛洒物的方法的执行主体(例如图1所示的服务器)可从摄像头获取当前帧图像、当前帧图像之前连续的预定数量帧的图像,当前帧图像之前按预定间隔抽取的预定数量帧的图像。例如,当前帧之前连续120帧图像,当前帧图像之前每20帧抽取一帧,一共抽取120帧图像。预定数量指的是用于建模的图像的最少数量。
步骤202,获取预先生成的初始背景模型。
在本实施例中,首先需要先建立一个没有抛洒物也没有任何运动物体的背景模型作为初始背景模型。可以通过初始视频流信息在进行抛洒物检测之前进行背景建模,具体采用的建模方法可以是混合高斯模型MOG2,通过实验使用前5s的初始帧来构建背景可以达到预期。在监控系统中,拍摄背景通常是变化较少的固定场景。通常我们假定没有入侵物体的静态场景具有一些常规特性,可以用一个统计模型描述。高斯混合模型就是用高斯模型,而且是多个高斯模型的加权和混合在一起来模拟背景的特性。这样一旦已知这个背景模型,入侵物体就能通过标出场景图像中不符合这一背景模型的部分来检测到。这一过程被称为背景减除(Background subtraction)。
步骤203,分别基于当前帧图像之前连续的预定数量帧的图像和当前帧图像之前按预定间隔抽取的预定数量帧的图像生成短帧背景模型和长帧背景模型。
在本实施例中,短帧背景模型是根据离当前帧图像最近的一段时间(例如5s)的图像生成的,反应的是最近一段时间的背景特征。如果出现了抛洒物,则短帧背景模型会有抛洒物特征。长帧背景模型是根据离当前帧图像之前较长一段时间(例如,100s)抽取的图像生成的,反应的是较长一段时间的背景特征,如果仅是当前帧之前刚刚出现了抛洒物,则长帧背景模型不会有抛洒物特征。如果在当前帧之前早就出现了抛洒物,则长帧背景模型会有抛洒物特征。
步骤204,将当前帧图像分别与初始背景模型、短帧背景模型和长帧背景模型进行差分,得到第一图像、第二图像、第三图像。
在本实施例中,已知背景模型,入侵物体就能通过标出场景图像中不符合这一背景模型的部分来检测到。这一过程被称为背景减除(Background subtraction),也称作差分。将当前帧图像与三种不同的背景模型进行差分,得到三种图像。
步骤205,基于第一图像、第二图像、第三图像确定是否存在抛洒物。
在本实施例中,如果当前帧有抛洒物,那与初始背景模型差分后得到的第一图像中会出现抛洒物,具体表现为第一图像中会出现一些非0的像素点。为防止漏检,需要再用短帧背景模型和长帧背景模型进行差分验证。如果抛洒物是刚刚出现的,则当前帧图像和短帧背景模型中会有抛洒物,而长帧背景模型中没有抛洒物,则当前帧图像和短帧背景模型差分后得到的第二图像中应该是空白的,当前帧图像和长帧背景模型差分后得到的第三图像中有抛洒物。如果第一图像中有抛洒物、第二图像没有抛洒物、第三图像中有抛洒物,则说明抛洒物是刚刚出现的。如果抛洒物已经出现很长一段时间,则当前帧图像、短帧背景模型、长帧背景模型中都会有抛洒物,则第一图像中有抛洒物、第二图像和第三图像中没有抛洒物。如果第一图像中有抛洒物、第二图像和第三图像中没有抛洒物,则说明抛洒物是已经出现很久了。如果当前帧图像中没有抛洒物,则第一图像、第二图像、第三图像中也不会有抛洒物。
本申请的上述实施例提供的方法,通过传统图像与机器学习结合的方法,通过挖掘道路抛洒物的特性,应用于智能交通系统中,能够对复杂情况下产生的误识别进行过滤,不容易受到天气,明暗等室外因素的影响,提高道路抛洒物的准确率以及召回率。
继续参见图3a-3b,图3a-3b是根据本实施例的用于检测道路抛洒物的方法的应用场景的一个示意图。在实际应用中,高速路边某个位置的摄像头采集当前帧图像(如图3a所示),并获取当前帧图像之前一段时间的视频(如图3b)所示。从图3b所示的视频中截取离当前帧图像最近连续的120帧的图像作为短帧图像集合,再从图3b所示的视频中从当前帧图像的前一帧开始,每隔20帧图像抽取一帧图像,一共抽取120帧图像作为长帧图像集合。通过混合高斯模型分别基于短帧图像集合和长帧图像集合生成短帧背景模型和长帧背景模型。再获取由该位置的摄像头采集的原始无抛洒物的图像生成的初始背景模型。该初始背景模型提前生成,后续检测时可反复使用。将当前帧图像分别与三种背景模型进行差分得到第一图像、第二图像、第三图像。如果在第一图像、第三图像检测到抛洒物,但第二图像中未检测到抛洒物,则说明当前帧图像中存在抛洒物。
进一步参考图4,其示出了用于检测道路抛洒物的方法的又一个实施例的流程400。该用于检测道路抛洒物的方法的流程400,包括以下步骤:
步骤401,获取当前帧图像、当前帧图像之前连续的预定数量帧的图像,当前帧图像之前按预定间隔抽取的预定数量帧的图像。
步骤402,获取预先生成的初始背景模型。
步骤402在步骤202的基础上还包括:根据当前时间确定时间段;根据确定出的时间段选择对应的预先生成的初始背景模型。该背景初始化可根据白天黑夜以及四季更迭变化重新建模。针对不同时间段建立不同的初始背景模型,提高模型的准确性,防止误检。例如,同一地点白天、晚上分别建模。还可针对不同季节再细分建模,例如夏季白天、冬季晚上等。还可根据天气建模,例如,晴天、阴天、雨天、雪天等。那么在使用初始背景模型时,可根据当前时间段、当前天气选择对应的预先生成的初始背景模型。例如,当前时间为上午10点,则可选择白天的初始背景模型。进一步的,当前时间为7月4日上午10点,则可选择夏季白天的初始背景模型。
步骤403,分别基于当前帧图像之前连续的预定数量帧的图像和当前帧图像之前按预定间隔抽取的预定数量帧的图像生成短帧背景模型和长帧背景模型。
步骤404,将当前帧图像分别与初始背景模型、短帧背景模型和长帧背景模型进行差分,得到第一图像、第二图像、第三图像。
步骤405,基于第一图像、第二图像、第三图像确定是否存在抛洒物。
步骤401-405与步骤201-205基本相同,因此不再赘述
步骤405在步骤205的基础上还包括:基于第一图像、第二图像、第三图像确定是否存在抛洒物,包括:将第一图像、第二图像、第三图像进行二值化;分别对二值化后的第一图像、第二图像、第三图像进行轮廓检测;如果在任一个二值化的图像中检测出轮廓,则确定出存在抛洒物。可使用自适应的阈值化方法进行二值化。二值化后可过滤掉一些由于摄像头抖动等原因造成的偏移而在第一图像、第二图像、第三图像产生的非0像素点。轮廓检测可采用现有技术。再采用先膨胀后腐蚀的闭操作可以得到抛洒物的外包围矩形框。
步骤406,通过道路掩膜过滤误检。
在本实施例中,若当前帧图中存在抛洒物,则根据道路区域生成掩膜;计算抛洒物的外包围的矩形框与掩膜的交集;若矩形框不在掩膜的区域,则将抛洒物判定为误检。轮廓检测之后通过先膨胀后腐蚀的闭操作可以得到抛洒物的外包围矩形框。高速摄像头有一个特点就是较为固定,道路以外的抛洒物不是我们关心的目标,因此我们在视频处理之前可以对每个摄像头根据道路区域生成mask(掩膜),利用mask信息计算抛洒物矩形框与mask的交集,不在mask区域的矩形框,判别为误检,直接去除。数字图像处理中的掩膜的概念是借鉴于PCB制版的过程,用选定的图像、图形或物体,对处理的图像(全部或局部)进行遮挡,来控制图像处理的区域或处理过程。道路掩膜过滤方式可过滤掉误检,从而提高抛洒物识别的准确性。Mask方式实施起来简单方便,提高了检测速度。
步骤407,通过分类器过滤误检。
在本实施例中,若当前帧图中存在抛洒物,则将当前帧图像、当前帧图像之前预定第一时间的图像、当前帧图像之前预定第二时间的图像输入预先训练的分类器,确定是否存在抛洒物从无到有的过程,若无该过程,则将抛洒物判定为误检。视频帧是长时间的变化,随着时间变化,云彩流动等产生一些阴影,该情况可能会产生误检,分析这种该情况,可采用有抛洒物的当前帧与前10s帧以及20s帧组成特征组,该特征组训练一个分类器(例如,SVM,支持向量机),可以正确学习抛洒物从无到有的突变过程,去除其他缓慢变化的误检。
步骤408,如果连续检测到抛洒物的时长达到预定阈值,则输出报警信息。
在本实施例中,进行误检去除操作之后,就可以根据抛洒物检测到的时间进行判断是否确实存在抛洒物,如果存在抛洒物那么就进行报警。比较久时间(例如,10s以上)都检测到抛洒物才报警。抛洒物一时半会肯定不会消失,如果检测到的时间较短则说明它不是抛洒物,从而防止误报警。
从图4中可以看出,与图2对应的实施例相比,本实施例中的用于检测道路抛洒物的方法的流程400体现了对检测结果进行校验的步骤。由此,本实施例描述的方案可以过滤误检,提高检测准确率。
进一步参考图5,作为对上述各图所示方法的实现,本申请提供了一种用于检测道路抛洒物的装置的一个实施例,该装置实施例与图2所示的方法实施例相对应,该装置具体可以应用于各种电子设备中。
如图5所示,本实施例的用于检测道路抛洒物的装置500包括:图像获取单元501、模型获取单元502、模型生成单元503、差分单元504、确定单元505。其中,图像获取单元501,被配置成获取当前帧图像、当前帧图像之前连续的预定数量帧的图像,当前帧图像之前按预定间隔抽取的预定数量帧的图像;模型获取单元502,被配置成获取预先生成的初始背景模型;模型生成单元503,被配置成分别基于所述当前帧图像之前连续的预定数量帧的图像和所述当前帧图像之前按预定间隔抽取的预定数量帧的图像生成短帧背景模型和长帧背景模型;差分单元504,被配置成将所述当前帧图像分别与所述初始背景模型、所述短帧背景模型和所述长帧背景模型进行差分,得到第一图像、第二图像、第三图像;确定单元505,被配置成基于所述第一图像、所述第二图像、所述第三图像确定所述当前帧图像中是否存在抛洒物。
在本实施例中,用于检测道路抛洒物的装置500的图像获取单元501、模型获取单元502、模型生成单元503、差分单元504、确定单元505的具体处理可以参考图2对应实施例中的步骤201、步骤202、步骤203、步骤204和步骤205。
在本实施例的一些可选的实现方式中,装置500还包括第一校验单元(附图中未示出),被配置成:若当前帧图像中存在抛洒物,则根据道路区域生成掩膜;计算抛洒物的外包围的矩形框与掩膜的交集;若矩形框不在掩膜的区域,则将抛洒物判定为误检。
在本实施例的一些可选的实现方式中,装置500还包括第二校验单元(附图中未示出),被配置成:若当前帧图像中存在抛洒物,则将当前帧图像、当前帧图像之前预定第一时间的图像、当前帧图像之前预定第二时间的图像输入预先训练的分类器,确定是否存在抛洒物从无到有的过程,若无过程,则将抛洒物判定为误检。
在本实施例的一些可选的实现方式中,初始背景模型的建模过程与时间段有关;以及模型获取单元502进一步被配置成:根据当前时间确定时间段;根据确定出的时间段选择对应的预先生成的初始背景模型。
在本实施例的一些可选的实现方式中,确定单元505进一步被配置成:将第一图像、第二图像、第三图像进行二值化;分别对二值化后的第一图像、第二图像、第三图像进行轮廓检测;如果在任一个二值化的图像中检测出轮廓,则确定出存在抛洒物。
在本实施例的一些可选的实现方式中,装置500还包括报警单元(附图中未示出),被配置成:如果连续检测到抛洒物的时长达到预定阈值,则输出报警信息。
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6所示,是根据本申请实施例的用于检测道路抛洒物的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6所示,该电子设备包括:一个或多个处理器601、存储器602,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6中以一个处理器601为例。
存储器602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用于检测道路抛洒物的方法。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用于检测道路抛洒物的方法。
存储器602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用于检测道路抛洒物的方法对应的程序指令/模块(例如,附图5所示的图像获取单元501、模型获取单元502、模型生成单元503、差分单元504、确定单元505)。处理器601通过运行存储在存储器602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用于检测道路抛洒物的方法。
存储器602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用于检测道路抛洒物的电子设备的使用所创建的数据等。此外,存储器602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602可选包括相对于处理器601远程设置的存储器,这些远程存储器可以通过网络连接至用于检测道路抛洒物的电子设备。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。
用于检测道路抛洒物的方法的电子设备还可以包括:输入装置603和输出装置604。处理器601、存储器602、输入装置603和输出装置604可以通过总线或者其他方式连接,图6中以通过总线连接为例。
输入装置603可接收输入的数字或字符信息,以及产生与用于检测道路抛洒物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604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)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。
根据本申请实施例的技术方案,能够对复杂情况下产生的误识别进行过滤,不容易受到天气,明暗等室外因素的影响,提高道路抛洒物的准确率以及召回率。
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 (14)
1.一种用于检测道路抛洒物的方法,包括:
获取当前帧图像、当前帧图像之前连续的预定数量帧的图像,当前帧图像之前按预定间隔抽取的预定数量帧的图像;
获取预先生成的初始背景模型;
分别基于所述当前帧图像之前连续的预定数量帧的图像和所述当前帧图像之前按预定间隔抽取的预定数量帧的图像生成短帧背景模型和长帧背景模型;
将所述当前帧图像分别与所述初始背景模型、所述短帧背景模型和所述长帧背景模型进行差分,得到第一图像、第二图像、第三图像;
基于所述第一图像、所述第二图像、所述第三图像确定所述当前帧图像中是否存在抛洒物。
2.根据权利要求1所述的方法,其中,所述方法还包括:
若所述当前帧图像中存在抛洒物,则根据道路区域生成掩膜;
计算所述抛洒物的外包围的矩形框与所述掩膜的交集;
若所述矩形框不在所述掩膜的区域,则将所述抛洒物判定为误检。
3.根据权利要求1所述的方法,其中,所述方法还包括:
若所述当前帧图像中存在抛洒物,则将所述当前帧图像、当前帧图像之前预定第一时间的图像、当前帧图像之前预定第二时间的图像输入预先训练的分类器,确定是否存在抛洒物从无到有的过程,若无所述过程,则将所述抛洒物判定为误检。
4.根据权利要求1所述的方法,其中,所述初始背景模型的建模过程与时间段有关;以及
所述获取预先生成的初始背景模型,包括:
根据当前时间确定时间段;
根据确定出的时间段选择对应的预先生成的初始背景模型。
5.根据权利要求1所述的方法,其中,所述基于所述第一图像、所述第二图像、所述第三图像确定是否存在抛洒物,包括:
将所述第一图像、所述第二图像、所述第三图像进行二值化;
分别对二值化后的所述第一图像、所述第二图像、所述第三图像进行轮廓检测;
如果在任一个二值化的图像中检测出轮廓,则确定出存在抛洒物。
6.根据权利要求1-5之一中任一项所述的方法,其中,所述方法还包括:
如果连续检测到抛洒物的时长达到预定阈值,则输出报警信息。
7.一种用于检测道路抛洒物的装置,包括:
图像获取单元,被配置成获取当前帧图像、当前帧图像之前连续的预定数量帧的图像,当前帧图像之前按预定间隔抽取的预定数量帧的图像;
模型获取单元,被配置成获取预先生成的初始背景模型;
模型生成单元,被配置成分别基于所述当前帧图像之前连续的预定数量帧的图像和所述当前帧图像之前按预定间隔抽取的预定数量帧的图像生成短帧背景模型和长帧背景模型;
差分单元,被配置成将所述当前帧图像分别与所述初始背景模型、所述短帧背景模型和所述长帧背景模型进行差分,得到第一图像、第二图像、第三图像;
确定单元,被配置成基于所述第一图像、所述第二图像、所述第三图像确定所述当前帧图像中是否存在抛洒物。
8.根据权利要求7所述的装置,其中,所述装置还包括第一校验单元,被配置成:
若所述当前帧图像中存在抛洒物,则根据道路区域生成掩膜;
计算所述抛洒物的外包围的矩形框与所述掩膜的交集;
若所述矩形框不在所述掩膜的区域,则将所述抛洒物判定为误检。
9.根据权利要求7所述的装置,其中,所述装置还包括第二校验单元,被配置成:
若所述当前帧图像中存在抛洒物,则将所述当前帧图像、当前帧图像之前预定第一时间的图像、当前帧图像之前预定第二时间的图像输入预先训练的分类器,确定是否存在抛洒物从无到有的过程,若无所述过程,则将所述抛洒物判定为误检。
10.根据权利要求7所述的装置,其中,所述初始背景模型的建模过程与时间段有关;以及
所述模型获取单元进一步被配置成:
根据当前时间确定时间段;
根据确定出的时间段选择对应的预先生成的初始背景模型。
11.根据权利要求7所述的装置,其中,所述确定单元进一步被配置成:
将所述第一图像、所述第二图像、所述第三图像进行二值化;
分别对二值化后的所述第一图像、所述第二图像、所述第三图像进行轮廓检测;
如果在任一个二值化的图像中检测出轮廓,则确定出存在抛洒物。
12.根据权利要求7-11之一中任一项所述的装置,其中,所述装置还包括报警单元,被配置成:
如果连续检测到抛洒物的时长达到预定阈值,则输出报警信息。
13.一种电子设备,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1-6中任一项所述的方法。
14.一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1-6中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010650258.1A CN111814668B (zh) | 2020-07-08 | 2020-07-08 | 用于检测道路抛洒物的方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010650258.1A CN111814668B (zh) | 2020-07-08 | 2020-07-08 | 用于检测道路抛洒物的方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111814668A true CN111814668A (zh) | 2020-10-23 |
CN111814668B CN111814668B (zh) | 2024-05-10 |
Family
ID=72841954
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010650258.1A Active CN111814668B (zh) | 2020-07-08 | 2020-07-08 | 用于检测道路抛洒物的方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111814668B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112686931A (zh) * | 2020-12-22 | 2021-04-20 | 北京百度网讯科技有限公司 | 图像识别方法、垃圾倾倒行为检测方法、设备和介质 |
CN113221724A (zh) * | 2021-05-08 | 2021-08-06 | 杭州鸿泉物联网技术股份有限公司 | 车辆抛洒物检测方法及系统 |
CN114758322A (zh) * | 2022-05-13 | 2022-07-15 | 安徽省路通公路工程检测有限公司 | 基于机器识别的道路质量检测系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130265419A1 (en) * | 2012-04-06 | 2013-10-10 | Xerox Corporation | System and method for available parking space estimation for multispace on-street parking |
CN104392630A (zh) * | 2014-11-26 | 2015-03-04 | 天津艾思科尔科技有限公司 | 抛洒物智能检测装置与方法 |
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 |
CN109886219A (zh) * | 2019-02-26 | 2019-06-14 | 中兴飞流信息科技有限公司 | 抛洒物检测方法、装置及计算机可读存储介质 |
CN110705461A (zh) * | 2019-09-29 | 2020-01-17 | 北京百度网讯科技有限公司 | 一种图像处理方法及装置 |
-
2020
- 2020-07-08 CN CN202010650258.1A patent/CN111814668B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130265419A1 (en) * | 2012-04-06 | 2013-10-10 | Xerox Corporation | System and method for available parking space estimation for multispace on-street parking |
CN104392630A (zh) * | 2014-11-26 | 2015-03-04 | 天津艾思科尔科技有限公司 | 抛洒物智能检测装置与方法 |
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 |
CN109886219A (zh) * | 2019-02-26 | 2019-06-14 | 中兴飞流信息科技有限公司 | 抛洒物检测方法、装置及计算机可读存储介质 |
CN110705461A (zh) * | 2019-09-29 | 2020-01-17 | 北京百度网讯科技有限公司 | 一种图像处理方法及装置 |
Non-Patent Citations (1)
Title |
---|
李清瑶;邹皓;赵群;王建颖;刘智超;杨进华;: "基于帧间差分自适应法的车辆抛洒物检测", 长春理工大学学报(自然科学版), no. 04 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112686931A (zh) * | 2020-12-22 | 2021-04-20 | 北京百度网讯科技有限公司 | 图像识别方法、垃圾倾倒行为检测方法、设备和介质 |
CN113221724A (zh) * | 2021-05-08 | 2021-08-06 | 杭州鸿泉物联网技术股份有限公司 | 车辆抛洒物检测方法及系统 |
CN113221724B (zh) * | 2021-05-08 | 2022-11-04 | 杭州鸿泉物联网技术股份有限公司 | 车辆抛洒物检测方法及系统 |
CN114758322A (zh) * | 2022-05-13 | 2022-07-15 | 安徽省路通公路工程检测有限公司 | 基于机器识别的道路质量检测系统 |
Also Published As
Publication number | Publication date |
---|---|
CN111814668B (zh) | 2024-05-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111814668B (zh) | 用于检测道路抛洒物的方法和装置 | |
KR101095528B1 (ko) | 연속류도로 사고 및 돌발 자동판별 검지시스템 및 그 방법 | |
US20150178570A1 (en) | Detection of static object on thoroughfare crossings | |
US8614744B2 (en) | Area monitoring using prototypical tracks | |
US11380105B2 (en) | Identification and classification of traffic conflicts | |
CN100545867C (zh) | 航拍交通视频车辆快速检测方法 | |
CN110619747A (zh) | 一种高速公路道路智能监控方法及系统 | |
CN104123544A (zh) | 基于视频分析的异常行为检测方法及系统 | |
CN104282154A (zh) | 一种车辆超载监控系统及方法 | |
CN112349087B (zh) | 一种基于路口信息全息感知的可视化数据输入方法 | |
CN111753612A (zh) | 一种抛洒物检测方法、装置及存储介质 | |
CN103440738A (zh) | 一种风景区内游客步行桥超员预警方法 | |
GB2533581A (en) | Image processing | |
KR20220146670A (ko) | 교통 비정상 탐지 방법, 장치, 기기, 저장 매체 및 프로그램 | |
Yaghoobi Ershadi et al. | Vehicle tracking and counting system in dusty weather with vibrating camera conditions | |
Wang et al. | Traffic camera anomaly detection | |
CN116630866B (zh) | 音视频雷达融合的异常事件监控方法、装置、设备及介质 | |
CN113076934A (zh) | 车辆抛洒物检测方法、装置、电子设备及存储介质 | |
Ardestani et al. | Signal timing detection based on spatial–temporal map generated from CCTV surveillance video | |
CN113538968B (zh) | 用于输出信息的方法和装置 | |
JP2024500979A (ja) | 分散型光ファイバセンシングを用いた未知の異常検出のための道路交通抽出 | |
Prevedouros et al. | Video incident detection tests in freeway tunnels | |
KR101867869B1 (ko) | 가로등 기반 재난 대응 시스템 | |
Song et al. | Abnormal Event Detection Based on in Vehicle Monitoring System | |
Hamdan et al. | Measuring the road traffic intensity using neural network with computer vision |
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 |