CN111898491B - 一种车辆逆向行驶的识别方法、装置及电子设备 - Google Patents
一种车辆逆向行驶的识别方法、装置及电子设备 Download PDFInfo
- Publication number
- CN111898491B CN111898491B CN202010681181.4A CN202010681181A CN111898491B CN 111898491 B CN111898491 B CN 111898491B CN 202010681181 A CN202010681181 A CN 202010681181A CN 111898491 B CN111898491 B CN 111898491B
- Authority
- CN
- China
- Prior art keywords
- target
- vehicle
- image
- target vehicle
- yellow line
- 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
- 238000000034 method Methods 0.000 title claims abstract description 60
- 238000001514 detection method Methods 0.000 claims abstract description 81
- 238000009434 installation Methods 0.000 claims abstract description 37
- 238000004891 communication Methods 0.000 claims description 19
- 230000011218 segmentation Effects 0.000 claims description 17
- 238000004590 computer program Methods 0.000 claims description 10
- 230000003287 optical effect Effects 0.000 claims description 8
- 238000004458 analytical method Methods 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000012544 monitoring process Methods 0.000 abstract description 43
- 230000000694 effects Effects 0.000 abstract description 11
- 238000004422 calculation algorithm Methods 0.000 description 14
- 238000012545 processing Methods 0.000 description 11
- 230000008569 process Effects 0.000 description 9
- 238000010586 diagram Methods 0.000 description 5
- 238000007726 management method Methods 0.000 description 5
- 238000012549 training Methods 0.000 description 5
- 239000013598 vector Substances 0.000 description 5
- 238000000605 extraction Methods 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 238000003708 edge detection Methods 0.000 description 3
- 230000006399 behavior Effects 0.000 description 2
- 238000013136 deep learning model Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 239000007787 solid Substances 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000002457 bidirectional effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000000802 evaporation-induced self-assembly Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000003064 k means clustering Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
Classifications
-
- 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
- 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
- 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
-
- 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
- H04N7/181—Closed-circuit television [CCTV] systems, i.e. systems in which the video signal is not broadcast for receiving images from a plurality of remote sources
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/07—Target detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/08—Detecting or categorising vehicles
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Signal Processing (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明实施例提供了一种车辆逆向行驶的识别方法、装置及电子设备,方法包括:获取目标图像,并对目标图像进行黄线检测,其中,目标图像为目标车辆上安装的图像采集设备采集的道路图像;在目标图像中包括黄线时,根据黄线在目标图像中的位置以及图像采集设备的安装参数,确定黄线与目标车辆的位置关系;基于位置关系确定目标车辆是否逆向行驶。由于图像采集设备安装于目标车辆上,形成车载监测设备,除了适用于交通部门对车辆逆向行驶的监测,还可以适用于物流等企业对车辆的管理、个人车辆的监测等,适用范围广。并且不存在监测死角,图像采集设备可以采集到目标车辆周围的道路图像,进而准确识别目标车辆是否逆向行驶,监测效果好。
Description
技术领域
本发明涉及智能交通技术领域,特别是涉及一种车辆逆向行驶的识别方法、装置及电子设备。
背景技术
随着经济和社会的发展,车辆成为很多家庭必不可少的出行工具,机动车、非机动车的急剧增多带来了很多交通问题,其中,车辆逆向行驶是日益突出的问题。有些驾驶员为了节约时间和贪图一时的方便,不惜冒着触犯相关交通法律法规和生命的危险违法逆向行驶,给社会造成了很恶劣的负面影响。因此,需要对车辆逆向行驶进行识别,以便采取相应措施进行处理。
在目前的车辆逆向行驶视觉检测系统中,通过安装在城市道路的路口等位置的摄像机采集道路图像,使用基于深度神经网络的检测模型检测出图像中的机动车的检测框和黄线的位置,计算每个机动车的检测框内的光流向量,统计一段时间内一定数量的机动车的光流向量的矢量和,将该矢量和作为车道的行车方向。进而在车道行车方向与车辆的光流向量夹角大于阈值,则判定车辆逆向行驶。
上述检测系统中由于需要架设在道路上的固定摄像机获取图像,所以只适用于交通部门对车辆逆向行驶的监测,适用范围小,并且存在监测死角,监测效果不好。
发明内容
本发明实施例的目的在于提供一种车辆逆向行驶的识别方法、装置及电子设备,用以解决目前的车辆逆向行驶监测方法适用范围小,监测效果不佳的问题。具体技术方案如下:
第一方面,本发明实施例提供了一种车辆逆向行驶的识别方法,所述方法包括:
获取目标图像,并对所述目标图像进行黄线检测,其中,所述目标图像为目标车辆上安装的图像采集设备采集的道路图像;
在所述目标图像中包括黄线时,根据所述黄线在目标图像中的位置以及所述图像采集设备的安装参数,确定所述黄线与所述目标车辆的位置关系;
基于所述位置关系确定所述目标车辆是否逆向行驶。
可选的,所述基于所述位置关系确定所述目标车辆是否逆向行驶的步骤,包括:
当所述黄线位于所述目标车辆右侧时,确定所述目标车辆逆向行驶,其中,所述右侧以所述目标车辆的正前方方向为基准;
当所述黄线位于所述目标车辆左侧时,确定所述目标车辆未逆向行驶,其中,所述左侧以所述目标车辆的正前方方向为基准。
可选的,所述当所述黄线位于所述目标车辆右侧时,确定所述目标车辆逆向行驶的步骤,包括:
当所述黄线位于所述目标车辆右侧时,确定所述黄线与所述目标车辆在目标方向上的第一距离,其中,所述目标方向为与道路方向垂直的方向;
如果所述第一距离达到预设阈值,确定所述目标车辆逆向行驶。
可选的,在所述目标图像中不包括黄线时,所述方法还包括:
对所述目标图像进行目标检测,确定所述目标图像中在所述目标车辆的本车道和邻车道的车辆目标;
确定每个所述车辆目标的朝向,并统计第一类车辆目标以及第二类车辆目标的数量,其中,所述第一类车辆目标为与所述目标车辆的朝向相同的车辆目标,所述第二类车辆目标为与所述目标车辆的朝向相反的车辆目标;
基于所述第一类车辆目标以及所述第二类车辆目标的数量,确定所述目标车辆是否逆向行驶。
可选的,所述对所述目标图像进行目标检测,确定所述目标图像中在所述目标车辆的本车道和邻车道的车辆目标的步骤,包括:
对所述目标图像进行目标检测,确定所述目标图像中各目标的位置;
根据每个目标在所述目标图像中的位置及所述图像采集设备的安装参数,确定每个目标与所述目标车辆在目标方向上的第二距离,其中,所述目标方向为与道路方向垂直的方向;
将对应的第二距离小于预设距离的目标,确定为所述目标车辆的本车道和邻车道的车辆目标。
可选的,所述确定每个所述车辆目标的朝向的步骤,包括:
从所述目标图像中抠取包括每个所述车辆目标的车辆图像;
将所述车辆图像输入预先训练的朝向分类网络,根据所述车辆图像的图像特征对所述车辆图像进行朝向分类,得到每个所述车辆图像的朝向。
可选的,所述基于所述第一类车辆目标以及所述第二类车辆目标的数量,确定所述目标车辆是否逆向行驶的步骤,包括:
当所述第二类车辆目标的数量与所述第一类车辆目标的数量的比例达到预设比例时,确定所述目标车辆逆向行驶。
可选的,当所述第二类车辆目标的数量与所述第一类车辆目标的数量的比例未达到所述预设比例时,所述对所述目标图像进行黄线检测的步骤,包括:
对所述目标图像进行图像检测,确定所述目标图像中黄线及路沿的位置,其中,所述路沿包括所述目标车辆左侧的路沿以及所述目标车辆右侧的路沿;
所述方法还包括:
根据所述路沿的位置及所述图像采集设备的安装参数,确定所述目标车辆与所述路沿在所述目标方向上的距离;
基于所述目标车辆与道路左侧路沿以及与道路右侧路沿的距离,确定所述目标车辆是否逆向行驶。
可选的,所述基于所述目标车辆与道路左侧路沿以及与道路右侧路沿的距离,确定所述目标车辆是否逆向行驶的步骤,包括:
当所述目标车辆与道路左侧路沿以及与道路右侧路沿的距离之间的差值大于一个车道的宽度,且与所述左侧路沿的距离小于与所述右侧路沿的距离时,确定所述目标车辆逆向行驶。
可选的,所述对所述目标图像进行图像检测,确定所述目标图像中黄线及路沿的位置的步骤,包括:
将所述目标图像输入预先训练的语义分割网络,得到第一概率图、第二概率图及第三概率图,其中,所述第一概率图中像素点的像素值表示该像素点属于黄线的概率,所述第二概率图中像素点的像素值表示该像素点属于路沿的概率,所述第三概率图中像素点的像素值表示该像素点属于背景的概率;
基于所述第一概率图、所述第二概率图及所述第三概率图及预设的黄线、路沿及背景分别对应的索引值,生成语义掩模图,其中,所述语义掩模图中的像素点的像素值为所述第一概率图、所述第二概率图及所述第三概率图中对应位置的像素值最大的像素点所对应的索引值;
对所述语义掩模图中属于黄线及路沿的像素点分别进行聚类,得到包括黄线区域及路沿区域的实例掩模图;
对所述黄线区域及路沿区域分别进行连通域分析,得到黄线团块和路沿团块;
对所述黄线团块和所述路沿团块分别进行边缘提取,确定所述目标图像中黄线及路沿的位置。
第二方面,本发明实施例提供了一种车辆逆向行驶的识别装置,所述装置包括:
第一检测模块,用于获取目标图像,并对所述目标图像进行黄线检测,其中,所述目标图像为目标车辆上安装的图像采集设备采集的道路图像;
位置关系确定模块,用于在所述目标图像中包括黄线时,根据所述黄线在目标图像中的位置以及所述图像采集设备的安装参数,确定所述黄线与所述目标车辆的位置关系;
第一逆行识别模块,用于基于所述位置关系确定所述目标车辆是否逆向行驶。
第三方面,本发明实施例提供了一种电子设备,包括处理器、通信接口、存储器和通信总线,其中,处理器,通信接口,存储器通过通信总线完成相互间的通信;
存储器,用于存放计算机程序;
处理器,用于执行存储器上所存放的程序时,实现上述第一方面任一所述的方法步骤。
第四方面,本发明实施例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内存储有计算机程序,所述计算机程序被处理器执行时实现上述第一方面任一所述的方法步骤。
本发明实施例有益效果:
本发明实施例提供的方案中,可以获取目标图像,并对目标图像进行黄线检测,其中,目标图像为目标车辆上安装的图像采集设备采集的道路图像,在目标图像中包括黄线时,根据黄线在目标图像中的位置以及图像采集设备的安装参数,确定黄线与目标车辆的位置关系,进而,基于位置关系确定目标车辆是否逆向行驶。由于图像采集设备安装于目标车辆上,形成车载监测设备,除了适用于交通部门对车辆逆向行驶的监测,还可以适用于物流等企业对车辆的管理、个人车辆的监测等,适用范围广。并且不存在监测死角,图像采集设备可以采集到目标车辆周围的道路图像,进而准确识别目标车辆是否逆向行驶,监测效果好。当然,实施本发明的任一产品或方法并不一定需要同时达到以上所述的所有优点。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例所提供的一种车辆逆向行驶的识别方法的流程图;
图2为本发明实施例所提供的车辆逆向行驶的识别方法的另一种流程图;
图3为图2所示实施例中步骤S204的一种具体流程图;
图4为本发明实施例所提供的抠取车辆图像的一种示意图;
图5为本发明实施例所提供的车辆逆向行驶的识别方法的另一种流程图;
图6为基于图1所示实施例的黄线及路沿的位置的确定方式的一种流程图;
图7为本发明实施例所提供的一种车辆逆向行驶的识别装置的结构示意图;
图8为本发明实施例所提供的车辆逆向行驶的识别装置的另一种结构示意图;
图9为本发明实施例所提供的车辆逆向行驶的识别装置的另一种结构示意图;
图10为本发明实施例所提供的一种电子设备的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明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发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
为了解决目前的车辆逆向行驶监测方法适用范围小,监测效果不佳的问题,本发明实施例提供了一种车辆逆向行驶的识别方法、装置、电子设备及计算机可以读存储介质。
下面首先对本发明实施例所提供的一种车辆逆向行驶的识别方法进行介绍。本发明实施例所提供的一种车辆逆向行驶的识别方法可以应用于车辆上安装的图像采集设备,也可以应用于与车辆上安装的图像采集设备通信连接的服务器、处理器等设备,为了描述方便,后续称为电子设备。
在本发明实施例所提供的一种车辆逆向行驶的识别方法中,车辆中可以安装有图像采集设备,用于在车辆行驶过程中采集车辆前方一定范围的图像,该图像中包括路面以及在路面上行驶的其他车辆。
如图1所示,一种车辆逆向行驶的识别方法,所述方法包括:
S101,获取目标图像,并对所述目标图像进行黄线检测;
其中,所述目标图像为目标车辆上安装的图像采集设备采集的道路图像。
S102,在所述目标图像中包括黄线时,根据所述黄线在目标图像中的位置以及所述图像采集设备的安装参数,确定所述黄线与所述目标车辆的位置关系;
S103,基于所述位置关系确定所述目标车辆是否逆向行驶。
可见,本发明实施例提供的方案中,可以获取目标图像,并对目标图像进行黄线检测,其中,目标图像为目标车辆上安装的图像采集设备采集的道路图像,在目标图像中包括黄线时,根据黄线在目标图像中的位置以及图像采集设备的安装参数,确定黄线与目标车辆的位置关系,进而,基于位置关系确定目标车辆是否逆向行驶。由于图像采集设备安装于目标车辆上,形成车载监测设备,除了适用于交通部门对车辆逆向行驶的监测,还可以适用于物流等企业对车辆的管理、个人车辆的监测等,适用范围广。并且不存在监测死角,图像采集设备可以采集到目标车辆周围的道路图像,进而准确识别目标车辆是否逆向行驶,监测效果好。
在目标车辆行驶过程中,电子设备可以获取目标车辆上安装的图像采集设备采集的道路图像,作为目标图像。其中,目标车辆可以为任意安装有图像采集设备的车辆,可以为机动车,也可以为非机动车,例如,快递车、外卖车等,这都是合理的。
在一种实施方式中,图像采集设备可以实时采集目标图像,以在目标车辆行驶过程中对目标车辆是否逆向行驶进行实时识别。例如,目标车辆为快递车,那么快递公司便可以对快递车是否逆向行驶进行实时监测和管理。
获取目标图像后,电子设备可以确定目标图像中是否包括黄线。电子设备可以采用图像检测算法确定目标图像中是否包括黄线,在此不做具体限定,为了方案清楚和行文清晰,后续将会对确定目标图像中黄线的位置的方式进行举例介绍。黄线包括双黄线和单黄线,用于分隔不同方向的车道,一般画在道路正中,把道路隔成两个方向的车道。
进而,在上述步骤S102中,在目标图像中包括黄线时,电子设备便可以根据黄线在目标图像中的位置以及图像采集设备的安装参数,确定黄线与目标车辆的位置关系。图像采集设备的安装参数可以预先获取,可以包括图像采集设备的安装高度、图像采集设备的俯仰角、图像采集设备的偏转角、图像采集设备的焦距以及图像采集设备光心坐标等。
这样,电子设备便可以根据黄线在目标图像中的位置以及图像坐标系与世界坐标系之间的转换关系,确定黄线在世界坐标系中的位置。具体来说,电子设备可以采用逆透视投影算法确定黄线在世界坐标系中的位置,也就是采用以下公式进行计算,得到黄线在世界坐标系中的坐标(xw,yw)。
其中,c1=cosθ,s1=sinθ,c2=cosβ,s2=sinβ,H为图像采集设备的安装高度,θ是图像采集设备的俯仰角,β是图像采集设备的偏转角,fx、fy分别为图像采集设备在X、Y方向上的等效焦距,其中,X方向为以目标车辆为原点,垂直于目标车辆正前方,向右的方向,也就是垂直于道路向右的方向,Y方向即为目标车辆正前方方向。(u0,v0)为图像采集设备光心坐标,(u,v)为黄线在目标图像中的位置坐标,可以为黄线的目标矩形框下边的中心点在图像坐标系的坐标。
由于图像采集设备安装于目标车辆上,所以目标车辆以及图像采集设备在上述X、Y形成的坐标系(世界坐标系)中的横坐标即为0,那么根据黄线在世界坐标系中的横坐标xw,即可以确定黄线与目标车辆的位置关系,具体可以包括,黄线在目标车辆的左侧还是右侧,以及黄线与目标车辆的距离等。
进而,电子设备便可以根据该位置关系,以及目标车辆所在地的交通规则确定目标车辆是否逆向行驶,即执行上述步骤S103。在一种实施方式中,电子设备可以预设逆行标记位flag,用于记录目标车辆是否逆向行驶。例如,逆行标记位flag默认为0,当确定目标车辆逆向行驶时,可以将逆行标记位flag设置为1。
本发明实施例提供的车辆逆向行驶的识别方法可以适用于车载图像采集设备(车载记录仪),可检测机动车、非机动车在单行道、双向车道、非机动车道的逆向行驶行为,可用于违章判断及驾驶员监管等。并且不依赖传感器、物联网信息、地图信息,仅通过车载图像采集设备采集的目标图像即可检测出逆向行驶行为,维护成本低,识别准确率高。
作为本发明实施例的一种实施方式,上述基于所述位置关系确定所述目标车辆是否逆向行驶的步骤,可以包括:
当所述黄线位于所述目标车辆右侧时,确定所述目标车辆逆向行驶;当所述黄线位于所述目标车辆左侧时,确定所述目标车辆未逆向行驶。
由于在中国等一些国家,交通法规规定车辆需要靠右行驶,所以在车辆正常行驶时,黄线是在车辆左侧的,如果黄线位于目标车辆右侧的情况,说明此时目标车辆在对向车道上行驶,可以确定目标车辆逆向行驶。当黄线位于目标车辆左侧时,说明目标车辆正常行驶,可以确定目标车辆未逆向行驶。其中,右侧、左侧均以目标车辆的正前方方向为基准。
在一种实施方式中,以目标车辆为原点,垂直道路向右为正方向,那么如果黄线与目标车辆的之间的第一距离S1大于0,表示黄线在图像采集设备右侧,也就是黄线在目标车辆右侧,那么此时目标车辆很可能是逆向行驶的。如果黄线与目标车辆的之间的第一距离S1小于0,表示黄线在图像采集设备左侧,也就是黄线在目标车辆左侧,那么此时目标车辆正常行驶的。
可见,在本实施例中,当黄线位于目标车辆右侧时,可以确定目标车辆逆向行驶,当黄线位于目标车辆左侧时,可以确定目标车辆未逆向行驶,可以快速准确的确定目标车辆是否逆行。
作为本发明实施例的一种实施方式,上述当所述黄线位于所述目标车辆右侧时,确定所述目标车辆逆向行驶的步骤,可以包括:
当所述黄线位于所述目标车辆右侧时,确定所述黄线与所述目标车辆在目标方向上的第一距离;如果所述第一距离达到预设阈值,确定所述目标车辆逆向行驶。
由于安装误差的存在,图像采集设备的安装角度可能不是正对着车辆正前方的,那么此时可能会出现虽然通过目标图像计算得到的黄线位置是位于目标车辆右侧的,但是实际上黄线并没有位于目标车辆右侧的问题。
那么为了解决这种问题,电子设备可以确定黄线与目标车辆在目标方向上的第一距离,其中,目标方向为与道路方向垂直的方向,例如可以为上述X方向,当然也可以为与X方向相反的方向,在此不做具体限定。
如果该第一距离达到预设阈值,说明通过目标图像计算得到的黄线位置是位于目标车辆右侧的,并且距离目标车辆很远,那么此时即使安装误差的存在,如果实际上黄线位于目标车辆左侧,那么此误差也不会造成计算得到的第一距离如此大,所以说明此时实际上黄线是位于目标车辆右侧的,可以确定目标车辆逆向行驶。
其中,第一距离可以根据安装误差导致的通过目标图像计算得到的黄线位置误差的经验值确定,例如,可以为1.5米、1.35米、1.6米等,在此不做具体限定。
在一种实施方式中,目标方向为上述X方向,S0为预设阈值如果黄线在世界坐标系中的坐标为(xw,yw),根据xw确定黄线与目标车辆在目标方向上的第一距离S1,那么当S1<S0时,表示黄线在目标车辆的左侧,车辆正常行驶;那么当S1≥S0时,表示黄线在目标车辆的右侧,车辆逆向行驶。
可见,在本实施例中,当黄线位于目标车辆右侧时,电子设备可以进一步确定黄线与目标车辆在目标方向上的第一距离,如果第一距离达到预设阈值,确定目标车辆逆向行驶,这样,可以消除图像采集设备安装误差的影响,提高逆向行驶的识别准确率。
作为本发明实施例的一种实施方式,如图2所示,上述车辆逆向行驶的识别方法可以包括:
S201,获取目标图像,并对所述目标图像进行黄线检测,在所述目标图像中包括黄线时,执行步骤S202;在所述目标图像中不包括黄线时,执行步骤S204;
其中,目标图像为目标车辆上安装的图像采集设备采集的道路图像。
S202,根据所述黄线在目标图像中的位置以及所述图像采集设备的安装参数,确定所述黄线与所述目标车辆的位置关系;
S203,基于所述位置关系确定所述目标车辆是否逆向行驶;
上述步骤S201-步骤S203分别与上述步骤S101-步骤S103相同,在此不再赘述。
S204,对所述目标图像进行目标检测,确定所述目标图像中在所述目标车辆的本车道和邻车道的车辆目标;
在目标图像中不包括黄线时,便无法通过黄线的位置确定目标车辆是否逆行,而在一些单行车道或者非机动车道上是没有黄线的,但是也可能出现车辆逆行的情况,所以,此时可以对目标图像进行目标检测,以确定目标图像中在目标车辆的本车道和邻车道的车辆目标。
由于目标车辆的本车道和邻车道的车辆目标的朝向是具有重要参考价值的,而距离目标车辆较远的其他车道中车辆目标的朝向的参考价值并不大,所以可以确定目标图像中在目标车辆的本车道和邻车道的车辆目标。
在一种实施方式中,该步骤S204可以在获取目标图像之后便进行,得到的检测结果可以保存备用,当确定目标图像中不存在黄线时,调用该检测结果进行后续处理即可。
S205,确定每个所述车辆目标的朝向,并统计第一类车辆目标以及第二类车辆目标的数量;
由于目标车辆的朝向可以标识其是否逆向行驶,所以电子设备可以确定每个车辆目标的朝向,可以通过图像检测算法确定车辆目标的朝向,例如,可以采用深度学习模型等。
确定了每个车辆目标的朝向后,可以统计第一类车辆目标以及第二类车辆目标的数量,其中,第一类车辆目标为与目标车辆的朝向相同的车辆目标,第二类车辆目标为与目标车辆的朝向相反的车辆目标。
作为一种实施方式,可以默认目标车辆的朝向是朝前的,那么朝向为朝前的车辆目标即为第一类车辆目标,朝向为朝后的车辆目标即为第二类车辆目标,电子设备可以统计得到第一类车辆目标以及第二类车辆目标的数量。
S206,基于所述第一类车辆目标以及所述第二类车辆目标的数量,确定所述目标车辆是否逆向行驶。
确定了第一类车辆目标以及第二类车辆目标的数量之后,由于如果目标车辆与周围的大多数车辆目标的朝向是相反的,说明此时目标车辆很可能是逆向行驶的,所以电子设备可以基于第一类车辆目标以及第二类车辆目标的数量,确定目标车辆是否逆向行驶。
可见,在本实施例中,在目标图像中不包括黄线时,电子设备可以通过第一类车辆目标以及第二类车辆目标的数量,确定目标车辆是否逆向行驶,可以在目标车辆处于单行车道或者非机动车道中时,准确确定目标车辆是否逆向行驶。
作为本发明实施例的一种实施方式,如图3所示,上述对所述目标图像进行目标检测,确定所述目标图像中在所述目标车辆的本车道和邻车道的车辆目标的步骤,可以包括:
S301,对所述目标图像进行目标检测,确定所述目标图像中各目标的位置;
对于目标图像进行目标检测的具体方式可以采用图像检测领域的任意目标检测方式,在此不做具体限定和说明,只要可以得到目标图像中的车辆目标在目标图像中的位置即可。
例如,可以将目标图像输入YOLO目标检测网络中进行目标检测,YOLO目标检测网络可以输出车辆目标的位置以及置信度,为了提高后续处理的准确度,由于置信度较低的车辆目标很可能是误检测,实际上并不是车辆,所以可以将置信度较低的车辆目标去除,例如,可以将置信度小于0.6的车辆目标去除。
在一种实施方式中,可以采用矩形检测框确定车辆目标的位置,该矩形检测框用于标识车辆目标在图像中所占区域。车辆目标的位置具体可以采用矩形检测框的下边的中点坐标表示,也可以采用矩形检测框的左上角顶点坐标和矩形检测框的宽高表示,还可以采用矩形检测框的中心点和矩形检测框的宽高表示,等等,这都是合理的。
为了提高检测效率降低检测耗时,可以对目标图像进行分辨率调整后再输入目标检测网络。例如,假设目标图像的分辨率是1920*1080,可以对目标图像进行3倍降采样缩放至640*360后,再输入目标检测网络。
S302,根据每个目标在所述目标图像中的位置及所述图像采集设备的安装参数,确定每个目标与所述目标车辆在目标方向上的第二距离;
得到每个目标在目标图像中的位置后,电子设备可以根据图像采集设备的安装参数,确定每个目标在世界坐标系中的位置,进而确定其与目标车辆在目标方向上的第二距离,其中,目标方向为与道路方向垂直的方向。
在一种实施方式中,电子设备可以采用逆透视投影算法计算得到每个目标在世界坐标系中的位置,具体方式可以参加上述公式(1),在此不再赘述。
S303,将对应的第二距离小于预设距离的目标,确定为所述目标车辆的本车道和邻车道的车辆目标。
由于目标车辆的本车道和邻车道的车辆目标是在目标方向上距离目标车辆在一定范围内的车辆目标,所以得到每个目标对应的第二距离后,电子设备可以将对应的第二距离小于预设距离的目标,确定为目标车辆的本车道和邻车道的车辆目标。
其中,第二距离可以根据车道的宽度确定,例如,可以为3.75米、3.5米、4米等,在此不做具体限定。
可见,在本实施例中,电子设备可以对目标图像进行目标检测,确定目标图像中各目标的位置,根据每个目标在目标图像中的位置及图像采集设备的安装参数,确定每个目标与目标车辆在目标方向上的第二距离,进而将对应的第二距离小于预设距离的目标,确定为目标车辆的本车道和邻车道的车辆目标。这样,可以准确确定目标车辆的本车道和邻车道的车辆目标,进一步提高后续确定目标车辆是否逆行的准确度。
作为本发明实施例的一种实施方式,上述确定每个所述车辆目标的朝向的步骤,可以包括:
从所述目标图像中抠取包括每个所述车辆目标的车辆图像;将所述车辆图像输入预先训练的朝向分类网络,根据所述车辆图像的图像特征对所述车辆图像进行朝向分类,得到每个所述车辆图像的朝向。
为了确定每个车辆目标的朝向,可以从目标图像中抠取包括每个车辆目标的车辆图像。作为一种实施方式,如图4所示的目标图像400,假设车辆目标410的位置为(x,y,width,height),其中,(x,y)为该车辆目标在目标图像中的矩形检测框420的左上角顶点的坐标,width为矩形检测框420的宽,height为矩形检测框420的高,那么可以以坐标为(x+width/2,y+height/2)的点440为中心,扣取边长为max(width,height)的正方形区域430,作为车辆图像,这样,该车辆图像可以包括完整的车辆目标。
得到车辆图像后,电子设备可以将车辆图像输入预先训练的朝向分类网络,朝向分类网络可以根据车辆图像的图像特征对车辆图像进行朝向分类,得到每个车辆图像的朝向并输出。
其中,朝向分类网络可以基于图像样本预先训练得到,具体来说,可以采集大量图像样本,该图像样本可以为通过安装与车辆上的摄像机采集的道路上的各种朝向的车辆图像。然后可以标记每个图像样本中车辆的朝向,其中,朝向可以包括前、后、左、右,进而将每个图像样本输入初始朝向分类网络进行处理,初始朝向分类网络可以基于当前的网络参数对图像样本进行分类处理,输出预估朝向。
为了使初始朝向分类网络的输出结果越来越准确,可以根据标记的朝向与输出的朝向之间的差异,不断调整初始朝向分类网络的网络参数,具体调整方式可以采用梯度下降算法、随机梯度下降算法等。这样,初始朝向分类网络在训练过程中不断学习图像样本的图像特征与朝向之前的对应关系,在迭代次数到达预设次数,或者损失函数收敛时,说明此时的初始朝向分类网络已经可以对图像进行准确处理得到准确的朝向,便可以停止训练,得到朝向分类网络。
在一种实施方式中,朝向分类网络可以为Lenet5模型,电子设备可以将扣取的车辆图像缩放成64*64的图像后输入Lenet5模型,进而,Lenet5模型可以根据输入图像的图像特征确定其朝向,进而输出检测结果,也就是车辆图像对应的朝向。
可见,在本实施例中,电子设备可以从目标图像中抠取包括每个车辆目标的车辆图像,将车辆图像输入预先训练的朝向分类网络,根据车辆图像的图像特征对车辆图像进行朝向分类,得到每个车辆图像的朝向,可以准确快速确定车辆目标的朝向。
作为本发明实施例的一种实施方式,上述基于所述第一类车辆目标以及所述第二类车辆目标的数量,确定所述目标车辆是否逆向行驶的步骤,可以包括:
当所述第二类车辆目标的数量与所述第一类车辆目标的数量的比例达到预设比例时,确定所述目标车辆逆向行驶。
如果与目标车辆的朝向相反的车辆目标的数量达到一定数量,说明目标车辆的朝向与本车道以及邻车道的大多数车辆的朝向是相反的,由于此时道路中不存在黄线,不存在反向车道,那么目标车辆非常可能在逆向行驶。所以电子设备可以确定第二类车辆目标的数量与第一类车辆目标的数量的比例。
当第二类车辆目标的数量与第一类车辆目标的数量的比例达到预设比例时,说明与目标车辆的朝向相反的车辆目标的数量很多,那么便可以确定目标车辆逆向行驶。其中,该预设比例可以根据经验值设置,例如,可以为2.5、3、2.75等,在此不做具体限定。
可见,在本实施例中,电子设备可以在第二类车辆目标的数量与第一类车辆目标的数量的比例达到预设比例时,确定目标车辆逆向行驶,这样可以根据目标车辆的本车道及邻车道的车辆目标的朝向准确且快速地确定目标车辆是否逆向行驶。
作为本发明实施例的一种实施方式,如图5所示,上述车辆逆向行驶的识别方法可以包括:
S501,获取目标图像,并对所述目标图像进行图像检测,确定所述目标图像中黄线及路沿的位置,在所述目标图像中包括黄线时,执行步骤S502;在所述目标图像中不包括黄线时,执行步骤S504;
在获取目标图像之后,为了方便后续处理,电子设备可以对目标图像进行图像检测,确定目标图像中黄线及路沿的位置,其中,路沿即为道路的边沿,可以包括目标车辆左侧的路沿以及目标车辆右侧的路沿。
在一种实施方式中,在对目标图像进行图像检测时,也可以确定其中包括的车辆目标的位置,具体方式已经在上述实施例中进行过介绍,在此不再赘述。
S502,根据所述黄线在目标图像中的位置以及所述图像采集设备的安装参数,确定所述黄线与所述目标车辆的位置关系;
S503,基于所述位置关系确定所述目标车辆是否逆向行驶;
S504,对所述目标图像进行目标检测,确定所述目标图像中在所述目标车辆的本车道和邻车道的车辆目标;
S505,确定每个所述车辆目标的朝向,并统计第一类车辆目标以及第二类车辆目标的数量,当所述第二类车辆目标的数量与所述第一类车辆目标的数量的比例达到预设比例时,执行步骤S506,当所述第二类车辆目标的数量与所述第一类车辆目标的数量的比例未达到所述预设比例时,执行步骤S507;
其中,第一类车辆目标为与目标车辆的朝向相同的车辆目标,第二类车辆目标为与目标车辆的朝向相反的车辆目标。
S506,确定所述目标车辆逆向行驶;
上述步骤S502-步骤S506的具体实施方式均已在上述实施例中进行介绍,可以参见相应部分的说明,在此不再赘述。
S507,根据所述路沿的位置及所述图像采集设备的安装参数,确定所述目标车辆与所述路沿在所述目标方向上的距离;
当上述第二类车辆目标的数量与第一类车辆目标的数量的比例未达到预设比例时,说明此时目标车辆与本车道及邻车道的大多数车辆目标的朝向是相同的,为了更准确地确定目标车辆是否逆向行驶,电子设备可以根据目标车辆与路沿之间的位置关系,进一步判定目标车辆是否逆向行驶。
具体来说,电子设备可以路沿在目标图像中的位置及图像采集设备的安装参数,通过逆透视投影算法计算得到路沿在世界坐标系中的位置,进而确定目标车辆与路沿在目标方向上的距离,也就是在马路宽度方向上的距离。
在一种实施方式中,为了准确确定目标车辆与路沿在目标方向上的距离,由于路沿在目标图像中一般是以断续的团块形式呈现的,所以电子设备可以选择多个路沿团块作为目标路沿,进而将该目标路沿与目标车辆在目标方向上的距离的平均值作为目标车辆与路沿在目标方向上的距离。
例如,假设目标图像中左侧有L个路沿团块,按照位置关系从图像下方往上选取K个团块,其中,K<=3。利用上述公式(1)计算每个路沿团块下边缘中点在目标方向上与图像采集设备的距离si,进而计算得到K个si的平均值S2,该平均值S2即为目标车辆与左侧路沿在目标方向上的距离,可以采用同样的方式计算得到目标车辆与右侧路沿在目标方向上的距离S3。
如果在目标图像中无法检测到道路左侧或者右侧的路沿,说明目标车辆距离该路沿是比较远的,该路沿不在图像采集设备的采集范围内,此时为了方便后续计算,可以将目标车辆与该路沿的距离设置为预设值,该预设值可以为一个远大于道路宽度的数值,例如,100米、50米、80米等,可以方便后续的计算过程。
S508,基于所述目标车辆与道路左侧路沿以及与道路右侧路沿的距离,确定所述目标车辆是否逆向行驶。
在车辆正常行驶的情况下,按照靠右行驶的交通法规,车辆距离右侧路沿的距离应该较近,而距离左侧路沿的距离应该较远;按照靠左行驶的交通法规,车辆距离左侧路沿的距离应该较近,而距离右侧路沿的距离应该较远,所以电子设备可以基于目标车辆与道路左侧路沿以及与道路右侧路沿的距离,确定目标车辆是否逆向行驶。
可见,在本实施例中,在目标图像中不存在黄线,且第二类车辆目标的数量与第一类车辆目标的数量的比例未达到预设比例时,可以基于目标车辆与道路左侧路沿以及与道路右侧路沿的距离,确定目标车辆是否逆向行驶,保证在各种情况下均可以对车辆逆向行驶进行准确检测。
作为本发明实施例的一种实施方式,上述基于所述目标车辆与道路左侧路沿以及与道路右侧路沿的距离,确定所述目标车辆是否逆向行驶的步骤,可以包括:
当所述目标车辆与道路左侧路沿以及与道路右侧路沿的距离之间的差值大于一个车道的宽度,且与所述左侧路沿的距离小于与所述右侧路沿的距离时,确定所述目标车辆逆向行驶。
在交通法规为靠右行驶的情况下,车辆正常行驶时,车辆距离右侧路沿的距离应该较近,而距离左侧路沿的距离应该较远,所以电子设备可以确定目标车辆与道路左侧路沿以及与道路右侧路沿的距离之间的差值。
如果目标车辆与道路左侧路沿以及与道路右侧路沿的距离之间的差值大于一个车道的宽度,且与左侧路沿的距离小于与右侧路沿的距离,说明目标车辆在靠近道路左侧路沿行驶,距离右侧路沿较远,那么可以确定目标车辆逆向行驶。
如果目标车辆与道路左侧路沿以及与道路右侧路沿的距离之间的差值不大于一个车道的宽度,或者,目标车辆与左侧路沿的距离不小于与右侧路沿的距离,说明目标车辆在靠近道路右侧路沿行驶,距离左侧路沿较远,那么可以确定目标车辆正常行驶。
作为一种实施方式,一般车道宽度为3.75米,车辆的宽度一般在1米以上,以目标车辆为原点,垂直于道路向右为正方向,那么当目标车辆与左侧路沿在目标方向上的距离S2与目标车辆与右侧路沿在目标方向上的距离S3满足||S2|-S3|>3.75,且-0.5>S2>-3.75时,说明目标车辆与道路左侧路沿以及与道路右侧路沿的距离之间的差值大于一个车道的宽度,且与左侧路沿的距离小于与右侧路沿的距离,此时便可以确定目标车辆逆向行驶。
可见,在本实施例中,当目标车辆与道路左侧路沿以及与道路右侧路沿的距离之间的差值大于一个车道的宽度,且与左侧路沿的距离小于与右侧路沿的距离时,电子设备可以确定目标车辆逆向行驶,这样,可以基于目标车辆与道路左侧路沿以及与道路右侧路沿的距离,准确确定目标车辆是否逆向行驶。
作为本发明实施例的一种实施方式,如图6所示,上述对所述目标图像进行图像检测,确定所述目标图像中黄线及路沿的位置的步骤,可以包括:
S601,将所述目标图像输入预先训练的语义分割网络,得到第一概率图、第二概率图及第三概率图;
为了对目标图像中黄线及路沿进行语义分割,可以预先训练得到语义分割网络,其中,语义分割网络可以为卷积神经网络等深度学习模型,在此不做具体限定。可以预先采集大量包括黄线和路沿的图像样本,并对其中的黄线和路沿进行标记,进而基于标记后的图像样本训练得到语义分割网络,具体训练方式与上述朝向分类网络类似,在此不做赘述。
为了提高语义分割网络的处理效率,由于目标图像中路面以上的天空区域并没有实际作用,所以可以从目标图像中抠取路面部分的图像,并调整分辨率后输入语义分割网络。例如,假设目标图像为1920*1080的图像,可以从目标图像中抠取消隐线以下的1920*128区域,并对抠取的区域进行四倍降采样后输入语义分割网络,其中,消隐线为路面与天空的交界线,也就是说,从目标图像中抠取路面部分的图像区域。
语义分割网络可以对输入的目标图像或者路面部分图像进行语义分割处理,基于图像特征区分其中的黄线部分、路沿部分以及背景部分,其中,除了黄线部分和路沿部分的其他部分均可以认为是背景部分。语义分割网络会输出三个概率图,分别为第一概率图、第二概率图及第三概率图。第一概率图、第二概率图及第三概率图为与输入图像大小相同的图像,第一概率图、第二概率图及第三概率图中的像素点分别与输出图像的像素点一一对应。
其中,第一概率图中像素点的像素值表示该像素点属于黄线的概率,第二概率图中像素点的像素值表示该像素点属于路沿的概率,第三概率图中像素点的像素值表示该像素点属于背景的概率。一般来说,第一概率图、第二概率图、第三概率图的相同位置上的像素点的像素值的加和为1。
例如,第一概率图中坐标为(195,205)的像素点的像素值为0.6,第二概率图中坐标为(195,205)的像素点的像素值为0.3,第三概率图中坐标为(195,205)的像素点的像素值为0.1,那么表示输入图像中坐标为(195,205)的像素点属于黄线的概率为60%,属于路沿的概率为30%,属于背景的概率为10%。
S602,基于所述第一概率图、所述第二概率图及所述第三概率图及预设的黄线、路沿及背景分别对应的索引值,生成语义掩模图;
得到上述第一概率图、第二概率图及第三概率图后,电子设备可以根据第一概率图、第二概率图及第三概率图中每个像素点的像素值以及预设的黄线、路沿及背景分别对应的索引值,生成语义掩模图。其中,语义掩模图中的像素点的像素值为第一概率图、第二概率图及第三概率图中对应位置的像素值最大的像素点所对应的索引值。预设的黄线、路沿及背景分别对应的索引值可以为0、1、2等,在此不做具体限定。
具体来说,可以逐一比较第一概率图、第二概率图及第三概率图中每个像素点的像素值,也就是逐一比较第一概率图、第二概率图及第三概率图中每个像素点对应的概率,将其中的最大像素值对应的索引值确定为语义掩模图中该位置的像素点的像素值。例如,第一概率图、第二概率图及第三概率图中坐标为(a,b)的像素点的像素值分别为0.1、0.7、0.2,那么最大像素值0.7为第二概率图中的像素点,第二概率图为路沿对应的概率图,如果路沿对应的索引值为1,那么语义掩模图中坐标为(a,b)的像素点的像素值即为1。
S603,对所述语义掩模图中属于黄线及路沿的像素点分别进行聚类,得到包括黄线区域及路沿区域的实例掩模图;
语义掩模图是由像素点组成的,其像素值表示该像素点属于黄线、路沿还是背景,得到语义掩模图后,可以对其中的像素点进行聚类,得到黄线区域及路沿区域。具体可以采用Mean-shift算法(均值漂移算法)、K-Means(k-means clustering algorithm,K均值聚类算法)等聚类算法对像素点进行聚类,在此不做具体限定及说明。
S604,对所述黄线区域及路沿区域分别进行连通域分析,得到黄线团块和路沿团块;
聚类后得到的实例掩模图中的黄线区域及路沿区域是将距离较近且属于一个类别的点划分在一起得到的区域,这些区域往往是一块一块不连续的区域,而实际中黄线一般均是连续的线,路沿也是具有一定长度的,所以可以对黄线区域及路沿区域分别进行连通域分析,将不连续的区域结合在一起得到长度更长的黄线团块和路沿团块。
S605,对所述黄线团块和所述路沿团块分别进行边缘提取,确定所述目标图像中黄线及路沿的位置。
得到黄线团块和路沿团块后,电子设备便可以对黄线团块和路沿团块分别进行边缘提取,进而可以将团块的下边界的中点等位置确定为目标图像中相应的黄线位置及路沿的位置。其中,边缘提取的具体方式可以采用canny算法、structure forests(Fast EdgeDetection Using Structured Forests,结构化森林快速边缘检测)算法、HED(Holistically-Nested Edge Detection,整体嵌套边缘检测)算法等,在此不做具体限定。
可见,在本实施例中,电子设备可以通过预先训练的语义分割网络从目标图像中分割出黄线及路沿,经由聚类算法生成实例掩模图,再通过连通域分析、边缘提取,输出准确稳定的黄线和路沿位置。
为了进一步提高黄线位置的确定准确度,作为本发明实施例的一种实施方式,在确定目标图像中黄线及路沿的位置后,上述方法还可以包括:
基于历史帧图像,对黄线的位置进行校准。
具体来说,可以根据位置关系从历史帧找到与目标图像中的黄线关联的黄线。该位置关系由纵向(道路方向,也就是上述Y方向)等间隔采样点计算平均距离得出。
由于黄线在连续采集的图像中的位置是具有关联的,所以可以根据图像采集设备的安装参数,以及目标图像中的黄线的位置,可以确定在Y方向上的各采样点所对应的X方向的坐标值,进而,从历史帧图像中确定该X方向的坐标值的位置是否也具有黄线,如果有,则说明黄线的位置是准确的,如果没有,说明可能是误检测,可以将该黄线的位置删除,保证黄线检测结果的准确性。
例如,当一条黄线关联3帧以上图像时,则认为检测结果准确,可以输出黄线的位置;当一条记录的黄线有连续3帧以上图像没有关联时,则认为检测结果不准确,删除该黄线记录。
可见,在本实施例中,电子设备可以基于历史帧图像,对黄线的位置进行校准。由此可以使黄线的位置更加稳定,准确率更高。
作为本发明实施例的一种实施方式,在确定所述目标车辆逆向行驶时,上述方法还可以包括:
输出报警信息。
为了在车辆逆向行驶时提醒驾驶员或者通知相应的管理人员,在确定目标车辆逆向行驶时,可以输出报警信息。其中,该报警信息可以包括抓拍的违章图像。具体报警方式可以为警报、语音、推送信息等,在此不做具体限定。
确定目标车辆逆向行驶的情况具体可以包括上述三种情况,具体为:第一种情况:目标图像中包括黄线,黄线位于目标车辆右侧;第二种情况:目标图像中不包括黄线,第二类车辆目标的数量与第一类车辆目标的数量的比例达到预设比例;第三种情况:目标图像中不包括黄线,第二类车辆目标的数量与第一类车辆目标的数量的比例未达到预设比例,目标车辆与道路左侧路沿以及与道路右侧路沿的距离之间的差值大于一个车道的宽度,且与左侧路沿的距离小于与右侧路沿的距离。在该三种情况下,均可以输出报警信息。
可见,在本实施例中,在确定目标车辆逆向行驶时,电子设备可以输出报警信息,以提醒驾驶员或者通知相应的管理人员,便于进行相应处理。
作为本发明实施例的一种实施方式,在上述输出报警信息的步骤之前,上述方法还可以包括:
确定所述目标车辆逆向行驶时长达到预设时长。
为了避免频繁发出报警信息,以及避免误检测造成的影响,在输出报警信息之前,电子设备可以确定判断目标车辆逆向行驶时长是否达到预设时长。其中,该预设时长可以根据实际情况确定,例如,可以2秒、3秒、1.5秒等,在此不做具体限定。
在一种实施方式中,在确定目标车辆逆向行驶时,电子设备可以开始计时,如过在开始计时后的预设时长内,检测到目标车辆始终处于逆向行驶状态,则确定目标车辆逆向行驶时长达到预设时长,进而输出报警信息。
例如,预设时长为2秒,在确定目标车辆逆向行驶时,电子设备可以开始计时,假设电子设备每隔0.2秒进行一次逆向行驶检测,在开始计时后,每次进行逆向行驶检测时均确定目标车辆逆向行驶,直到计时时长达到2秒时,电子设备则输出报警信息。
可见,在本实施例中,在输出报警信息之前,电子设备可以确定目标车辆逆向行驶时长是否达到预设时长,进而在达到预设时长时进行报警,可以避免频繁发出报警信息,以及避免误检测造成的影响。
相应于上述车辆逆向行驶的识别方法,本发明实施例还提供了一种车辆逆向行驶的识别装置。下面对本发明实施例所提供的一种车辆逆向行驶的识别装置进行介绍。
如图7所示,一种车辆逆向行驶的识别装置,所述装置包括:
第一检测模块710,用于获取目标图像,并对所述目标图像进行黄线检测;
其中,所述目标图像为目标车辆上安装的图像采集设备采集的道路图像。
位置关系确定模块720,用于在所述目标图像中包括黄线时,根据所述黄线在目标图像中的位置以及所述图像采集设备的安装参数,确定所述黄线与所述目标车辆的位置关系;
第一逆行识别模块730,用于基于所述位置关系确定所述目标车辆是否逆向行驶。
可见,本发明实施例提供的方案中,可以获取目标图像,并对目标图像进行黄线检测,其中,目标图像为目标车辆上安装的图像采集设备采集的道路图像,在目标图像中包括黄线时,根据黄线在目标图像中的位置以及图像采集设备的安装参数,确定黄线与目标车辆的位置关系,进而,基于位置关系确定目标车辆是否逆向行驶。由于图像采集设备安装于目标车辆上,形成车载监测设备,除了适用于交通部门对车辆逆向行驶的监测,还可以适用于物流等企业对车辆的管理、个人车辆的监测等,适用范围广。并且不存在监测死角,图像采集设备可以采集到目标车辆周围的道路图像,进而准确识别目标车辆是否逆向行驶,监测效果好。
作为本发明实施例的一种实施方式,上述第一逆行识别模块730可以包括:
第一识别单元,用于当所述黄线位于所述目标车辆右侧时,确定所述目标车辆逆向行驶;
第二识别单元,用于当所述黄线位于所述目标车辆左侧时,确定所述目标车辆未逆向行驶。
作为本发明实施例的一种实施方式,上述第一识别单元可以包括:
第一距离确定子单元,用于当所述黄线位于所述目标车辆右侧时,确定所述黄线与所述目标车辆在目标方向上的第一距离;
其中,所述目标方向为与道路方向垂直的方向。
第一识别子单元,用于如果所述第一距离达到预设阈值,确定所述目标车辆逆向行驶。
作为本发明实施例的一种实施方式,如图8所示,上述装置还可以包括:
第二检测模块740,用于在所述目标图像中不包括黄线时,对所述目标图像进行目标检测,确定所述目标图像中在所述目标车辆的本车道和邻车道的车辆目标;
朝向确定模块750,用于确定每个所述车辆目标的朝向,并统计第一类车辆目标以及第二类车辆目标的数量;
其中,所述第一类车辆目标为与所述目标车辆的朝向相同的车辆目标,所述第二类车辆目标为与所述目标车辆的朝向相反的车辆目标。
第二逆行识别模块760,用于基于所述第一类车辆目标以及所述第二类车辆目标的数量,确定所述目标车辆是否逆向行驶。
作为本发明实施例的一种实施方式,上述第二检测模块可以包括:
目标位置确定单元,对所述目标图像进行目标检测,确定所述目标图像中各目标的位置;
第二距离确定单元,用于根据每个目标在所述目标图像中的位置及所述图像采集设备的安装参数,确定每个目标与所述目标车辆在目标方向上的第二距离;
其中,所述目标方向为与道路方向垂直的方向。
车辆目标确定单元,用于将对应的第二距离小于预设距离的目标,确定为所述目标车辆的本车道和邻车道的车辆目标。
作为本发明实施例的一种实施方式,上述朝向确定模块可以包括:
车辆图像抠取单元,用于从所述目标图像中抠取包括每个所述车辆目标的车辆图像;
车辆朝向确定单元,用于将所述车辆图像输入预先训练的朝向分类网络,根据所述车辆图像的图像特征对所述车辆图像进行朝向分类,得到每个所述车辆图像的朝向。
作为本发明实施例的一种实施方式,上述第二逆行识别模块可以包括:
第二识别单元,用于当所述第二类车辆目标的数量与所述第一类车辆目标的数量的比例达到预设比例时,确定所述目标车辆逆向行驶。
作为本发明实施例的一种实施方式,上述第一检测模块710可以包括:
第一检测单元,用于对所述目标图像进行图像检测,确定所述目标图像中黄线及路沿的位置;
其中,所述路沿包括所述目标车辆左侧的路沿以及所述目标车辆右侧的路沿。
如图9所示,上述装置还可以包括:
距离确定模块770,用于根据所述路沿的位置及所述图像采集设备的安装参数,确定所述目标车辆与所述路沿在所述目标方向上的距离;
第三逆行识别模块780,用于基于所述目标车辆与道路左侧路沿以及与道路右侧路沿的距离,确定所述目标车辆是否逆向行驶。
作为本发明实施例的一种实施方式,上述第三逆行识别模块可以包括:
第三识别单元,用于当所述目标车辆与道路左侧路沿以及与道路右侧路沿的距离之间的差值大于一个车道的宽度,且与所述左侧路沿的距离小于与所述右侧路沿的距离时,确定所述目标车辆逆向行驶。
作为本发明实施例的一种实施方式,上述第一检测单元可以包括:
语义分割子单元,用于将所述目标图像输入预先训练的语义分割网络,得到第一概率图、第二概率图及第三概率图;
其中,所述第一概率图中像素点的像素值表示该像素点属于黄线的概率,所述第二概率图中像素点的像素值表示该像素点属于路沿的概率,所述第三概率图中像素点的像素值表示该像素点属于背景的概率。
语义掩模图确定子单元,用于基于所述第一概率图、所述第二概率图及所述第三概率图及预设的黄线、路沿及背景分别对应的索引值,生成语义掩模图;
其中,所述语义掩模图中的像素点的像素值为所述第一概率图、所述第二概率图及所述第三概率图中对应位置的像素值最大的像素点所对应的索引值。
实例掩模图确定子单元,用于对所述语义掩模图中属于黄线及路沿的像素点分别进行聚类,得到包括黄线区域及路沿区域的实例掩模图;
连通域分析子单元,用于对所述黄线区域及路沿区域分别进行连通域分析,得到黄线团块和路沿团块;
边缘提取子单元,用于对所述黄线团块和所述路沿团块分别进行边缘提取,确定所述目标图像中黄线及路沿的位置。
作为本发明实施例的一种实施方式,上述装置还可以包括:
报警模块,用于在确定所述目标车辆逆向行驶时,输出报警信息。
作为本发明实施例的一种实施方式,上述装置还可以包括:
时长确定模块,用于在所述输出报警信息之前,确定所述目标车辆逆向行驶时长达到预设时长。
本发明实施例还提供了一种电子设备,如图10所示,包括处理器1001、通信接口1002、存储器1003和通信总线1004,其中,处理器1001,通信接口1002,存储器1003通过通信总线1004完成相互间的通信,
存储器1003,用于存放计算机程序;
处理器1001,用于执行存储器1003上所存放的程序时,实现上述任一实施例所述的车辆逆向行驶的识别方法步骤。
可见,本发明实施例提供的方案中,电子设备可以获取目标图像,并对目标图像进行黄线检测,其中,目标图像为目标车辆上安装的图像采集设备采集的道路图像,在目标图像中包括黄线时,根据黄线在目标图像中的位置以及图像采集设备的安装参数,确定黄线与目标车辆的位置关系,进而,基于位置关系确定目标车辆是否逆向行驶。由于图像采集设备安装于目标车辆上,形成车载监测设备,除了适用于交通部门对车辆逆向行驶的监测,还可以适用于物流等企业对车辆的管理、个人车辆的监测等,适用范围广。并且不存在监测死角,图像采集设备可以采集到目标车辆周围的道路图像,进而准确识别目标车辆是否逆向行驶,监测效果好。
上述电子设备提到的通信总线可以是外设部件互连标准(Peripheral ComponentInterconnect,PCI)总线或扩展工业标准结构(Extended Industry StandardArchitecture,EISA)总线等。该通信总线可以分为地址总线、数据总线、控制总线等。为便于表示,图中仅用一条粗线表示,但并不表示仅有一根总线或一种类型的总线。
通信接口用于上述电子设备与其他设备之间的通信。
存储器可以包括随机存取存储器(Random Access Memory,RAM),也可以包括非易失性存储器(Non-Volatile Memory,NVM),例如至少一个磁盘存储器。可选的,存储器还可以是至少一个位于远离前述处理器的存储装置。
上述的处理器可以是通用处理器,包括中央处理器(Central Processing Unit,CPU)、网络处理器(Network Processor,NP)等;还可以是数字信号处理器(Digital SignalProcessing,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现场可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
在本发明提供的又一实施例中,还提供了一种计算机可读存储介质,该计算机可读存储介质内存储有计算机程序,所述计算机程序被处理器执行时实现上述任一上述任一实施例所述的车辆逆向行驶的识别方法步骤。
可见,本发明实施例提供的方案中,计算机程序被处理器执行时可以获取目标图像,并对目标图像进行黄线检测,其中,目标图像为目标车辆上安装的图像采集设备采集的道路图像,在目标图像中包括黄线时,根据黄线在目标图像中的位置以及图像采集设备的安装参数,确定黄线与目标车辆的位置关系,进而,基于位置关系确定目标车辆是否逆向行驶。由于图像采集设备安装于目标车辆上,形成车载监测设备,除了适用于交通部门对车辆逆向行驶的监测,还可以适用于物流等企业对车辆的管理、个人车辆的监测等,适用范围广。并且不存在监测死角,图像采集设备可以采集到目标车辆周围的道路图像,进而准确识别目标车辆是否逆向行驶,监测效果好。
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发明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,或者从一个计算机可读存储介质向另一个计算机可读存储介质传输,例如,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(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,DVD)、或者半导体介质(例如固态硬盘Solid State Disk(SSD))等。
需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
本说明书中的各个实施例均采用相关的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于系统实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
以上所述仅为本发明的较佳实施例,并非用于限定本发明的保护范围。凡在本发明的精神和原则之内所作的任何修改、等同替换、改进等,均包含在本发明的保护范围内。
Claims (12)
1.一种车辆逆向行驶的识别方法,其特征在于,所述方法包括:
获取目标图像,并对所述目标图像进行黄线检测,其中,所述目标图像为目标车辆上安装的图像采集设备采集的道路图像;
在所述目标图像中包括黄线时,根据所述黄线在目标图像中的位置以及所述图像采集设备的安装参数,确定所述黄线与所述目标车辆的位置关系,其中,采用以下公式进行计算,得到所述黄线在世界坐标系中的坐标(xw,yw);
c1=cosθ,s1=sinθ,c2=cosβ,s2=sinβ,H为所述图像采集设备的安装高度,θ是所述图像采集设备的俯仰角,β是所述图像采集设备的偏转角,fx、fy分别为所述图像采集设备在X、Y方向上的等效焦距,所述X方向为以所述目标车辆为原点,垂直于所述目标车辆正前方,向右的方向,所述Y方向为所述目标车辆正前方方向,(u0,v0)为所述图像采集设备光心坐标,(u,v)为所述黄线在所述目标图像中的位置坐标;
基于所述位置关系确定所述目标车辆是否逆向行驶;
所述基于所述位置关系确定所述目标车辆是否逆向行驶的步骤,包括:
当所述黄线位于所述目标车辆右侧时,确定所述黄线与所述目标车辆在目标方向上的第一距离,其中,所述右侧以所述目标车辆的正前方方向为基准,所述目标方向为与道路方向垂直的方向;
如果所述第一距离达到预设阈值,确定所述目标车辆逆向行驶。
2.如权利要求1所述的方法,其特征在于,所述基于所述位置关系确定所述目标车辆是否逆向行驶的步骤,包括:
当所述黄线位于所述目标车辆左侧时,确定所述目标车辆未逆向行驶,其中,所述左侧以所述目标车辆的正前方方向为基准。
3.如权利要求1或2所述的方法,其特征在于,在所述目标图像中不包括黄线时,所述方法还包括:
对所述目标图像进行目标检测,确定所述目标图像中在所述目标车辆的本车道和邻车道的车辆目标;
确定每个所述车辆目标的朝向,并统计第一类车辆目标以及第二类车辆目标的数量,其中,所述第一类车辆目标为与所述目标车辆的朝向相同的车辆目标,所述第二类车辆目标为与所述目标车辆的朝向相反的车辆目标;
基于所述第一类车辆目标以及所述第二类车辆目标的数量,确定所述目标车辆是否逆向行驶。
4.如权利要求3所述的方法,其特征在于,所述对所述目标图像进行目标检测,确定所述目标图像中在所述目标车辆的本车道和邻车道的车辆目标的步骤,包括:
对所述目标图像进行目标检测,确定所述目标图像中各目标的位置;
根据每个目标在所述目标图像中的位置及所述图像采集设备的安装参数,确定每个目标与所述目标车辆在目标方向上的第二距离,其中,所述目标方向为与道路方向垂直的方向;
将对应的第二距离小于预设距离的目标,确定为所述目标车辆的本车道和邻车道的车辆目标。
5.如权利要求3所述的方法,其特征在于,所述确定每个所述车辆目标的朝向的步骤,包括:
从所述目标图像中抠取包括每个所述车辆目标的车辆图像;
将所述车辆图像输入预先训练的朝向分类网络,根据所述车辆图像的图像特征对所述车辆图像进行朝向分类,得到每个所述车辆图像的朝向。
6.如权利要求3所述的方法,其特征在于,所述基于所述第一类车辆目标以及所述第二类车辆目标的数量,确定所述目标车辆是否逆向行驶的步骤,包括:
当所述第二类车辆目标的数量与所述第一类车辆目标的数量的比例达到预设比例时,确定所述目标车辆逆向行驶。
7.如权利要求6所述的方法,其特征在于,当所述第二类车辆目标的数量与所述第一类车辆目标的数量的比例未达到所述预设比例时,所述对所述目标图像进行黄线检测的步骤,包括:
对所述目标图像进行图像检测,确定所述目标图像中黄线及路沿的位置,其中,所述路沿包括所述目标车辆左侧的路沿以及所述目标车辆右侧的路沿;
所述方法还包括:
根据所述路沿的位置及所述图像采集设备的安装参数,确定所述目标车辆与所述路沿在所述目标方向上的距离;
基于所述目标车辆与道路左侧路沿以及与道路右侧路沿的距离,确定所述目标车辆是否逆向行驶。
8.如权利要求7所述的方法,其特征在于,所述基于所述目标车辆与道路左侧路沿以及与道路右侧路沿的距离,确定所述目标车辆是否逆向行驶的步骤,包括:
当所述目标车辆与道路左侧路沿以及与道路右侧路沿的距离之间的差值大于一个车道的宽度,且与所述左侧路沿的距离小于与所述右侧路沿的距离时,确定所述目标车辆逆向行驶。
9.如权利要求7所述的方法,其特征在于,所述对所述目标图像进行图像检测,确定所述目标图像中黄线及路沿的位置的步骤,包括:
将所述目标图像输入预先训练的语义分割网络,得到第一概率图、第二概率图及第三概率图,其中,所述第一概率图中像素点的像素值表示该像素点属于黄线的概率,所述第二概率图中像素点的像素值表示该像素点属于路沿的概率,所述第三概率图中像素点的像素值表示该像素点属于背景的概率;
基于所述第一概率图、所述第二概率图及所述第三概率图及预设的黄线、路沿及背景分别对应的索引值,生成语义掩模图,其中,所述语义掩模图中的像素点的像素值为所述第一概率图、所述第二概率图及所述第三概率图中对应位置的像素值最大的像素点所对应的索引值;
对所述语义掩模图中属于黄线及路沿的像素点分别进行聚类,得到包括黄线区域及路沿区域的实例掩模图;
对所述黄线区域及路沿区域分别进行连通域分析,得到黄线团块和路沿团块;
对所述黄线团块和所述路沿团块分别进行边缘提取,确定所述目标图像中黄线及路沿的位置。
10.一种车辆逆向行驶的识别装置,其特征在于,所述装置包括:
第一检测模块,用于获取目标图像,并对所述目标图像进行黄线检测,其中,所述目标图像为目标车辆上安装的图像采集设备采集的道路图像;
位置关系确定模块,用于在所述目标图像中包括黄线时,根据所述黄线在目标图像中的位置以及所述图像采集设备的安装参数,确定所述黄线与所述目标车辆的位置关系,其中,采用以下公式进行计算,得到所述黄线在世界坐标系中的坐标(xw,yw);
c1=cosθ,s1=sinθ,c2=cosβ,s2=sinβ,H为所述图像采集设备的安装高度,θ是所述图像采集设备的俯仰角,β是所述图像采集设备的偏转角,fx、fy分别为所述图像采集设备在X、Y方向上的等效焦距,所述X方向为以所述目标车辆为原点,垂直于所述目标车辆正前方,向右的方向,所述Y方向为所述目标车辆正前方方向,(u0,v0)为所述图像采集设备光心坐标,(u,v)为所述黄线在所述目标图像中的位置坐标;
第一逆行识别模块,用于基于所述位置关系确定所述目标车辆是否逆向行驶;
所述第一逆行识别模块,具体用于当所述黄线位于所述目标车辆右侧时,确定所述黄线与所述目标车辆在目标方向上的第一距离,其中,所述右侧以所述目标车辆的正前方方向为基准,所述目标方向为与道路方向垂直的方向;如果所述第一距离达到预设阈值,确定所述目标车辆逆向行驶。
11.一种电子设备,其特征在于,包括处理器、通信接口、存储器和通信总线,其中,处理器,通信接口,存储器通过通信总线完成相互间的通信;
存储器,用于存放计算机程序;
处理器,用于执行存储器上所存放的程序时,实现权利要求1-9任一所述的方法步骤。
12.一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内存储有计算机程序,所述计算机程序被处理器执行时实现权利要求1-9任一所述的方法步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010681181.4A CN111898491B (zh) | 2020-07-15 | 2020-07-15 | 一种车辆逆向行驶的识别方法、装置及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010681181.4A CN111898491B (zh) | 2020-07-15 | 2020-07-15 | 一种车辆逆向行驶的识别方法、装置及电子设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111898491A CN111898491A (zh) | 2020-11-06 |
CN111898491B true CN111898491B (zh) | 2024-06-04 |
Family
ID=73192811
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010681181.4A Active CN111898491B (zh) | 2020-07-15 | 2020-07-15 | 一种车辆逆向行驶的识别方法、装置及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111898491B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112364800B (zh) * | 2020-11-19 | 2023-07-14 | 金陵科技学院 | 一种基于人工智能的自动驾驶偏离处理方法 |
CN112750317A (zh) * | 2020-12-21 | 2021-05-04 | 深圳市商汤科技有限公司 | 车辆逆行检测方法、装置、设备及计算机可读存储介质 |
CN112823377B (zh) * | 2021-01-14 | 2024-02-09 | 深圳市锐明技术股份有限公司 | 一种路沿分割方法、装置、终端设备及可读存储介质 |
CN113538900B (zh) * | 2021-06-11 | 2022-08-26 | 厦门路桥信息股份有限公司 | 停车场中车辆逆向行驶检测方法 |
CN113947945B (zh) * | 2021-09-02 | 2023-01-17 | 北京百度网讯科技有限公司 | 车辆行驶的报警方法、装置、电子设备和可读存储介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106022243A (zh) * | 2016-05-13 | 2016-10-12 | 浙江大学 | 一种基于图像处理的机动车道车辆逆行识别方法 |
CN110178167A (zh) * | 2018-06-27 | 2019-08-27 | 潍坊学院 | 基于摄像机协同接力的路口违章视频识别方法 |
EP3566903A1 (en) * | 2018-05-09 | 2019-11-13 | Neusoft Corporation | Method and apparatus for vehicle position detection |
CN110487562A (zh) * | 2019-08-21 | 2019-11-22 | 北京航空航天大学 | 一种用于无人驾驶的车道保持能力检测系统及方法 |
CN110781768A (zh) * | 2019-09-30 | 2020-02-11 | 奇点汽车研发中心有限公司 | 目标对象检测方法和装置、电子设备和介质 |
-
2020
- 2020-07-15 CN CN202010681181.4A patent/CN111898491B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106022243A (zh) * | 2016-05-13 | 2016-10-12 | 浙江大学 | 一种基于图像处理的机动车道车辆逆行识别方法 |
EP3566903A1 (en) * | 2018-05-09 | 2019-11-13 | Neusoft Corporation | Method and apparatus for vehicle position detection |
CN110178167A (zh) * | 2018-06-27 | 2019-08-27 | 潍坊学院 | 基于摄像机协同接力的路口违章视频识别方法 |
CN110487562A (zh) * | 2019-08-21 | 2019-11-22 | 北京航空航天大学 | 一种用于无人驾驶的车道保持能力检测系统及方法 |
CN110781768A (zh) * | 2019-09-30 | 2020-02-11 | 奇点汽车研发中心有限公司 | 目标对象检测方法和装置、电子设备和介质 |
Non-Patent Citations (1)
Title |
---|
基于图像实例分割的行人车辆检测识别方法;程远航;吴锐;;信息与电脑(理论版)(06);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN111898491A (zh) | 2020-11-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111898491B (zh) | 一种车辆逆向行驶的识别方法、装置及电子设备 | |
CN111368687B (zh) | 一种基于目标检测和语义分割的人行道车辆违停检测方法 | |
US10261574B2 (en) | Real-time detection system for parked vehicles | |
US11455805B2 (en) | Method and apparatus for detecting parking space usage condition, electronic device, and storage medium | |
CN110969160B (zh) | 一种基于深度学习的车牌图像校正、识别方法及系统 | |
CN108389421B (zh) | 基于图像再识别的停车场精确诱导系统及方法 | |
CN111274926B (zh) | 图像数据筛选方法、装置、计算机设备和存储介质 | |
CN109344886B (zh) | 基于卷积神经网络的遮挡号牌判别方法 | |
CN111723854B (zh) | 一种高速公路交通拥堵检测方法、设备及可读存储介质 | |
CN110751012A (zh) | 目标检测评估方法、装置、电子设备及存储介质 | |
KR20210097782A (ko) | 지시등 검출 방법, 장치, 디바이스 및 컴퓨터 판독 가능 기록 매체 | |
CN113034378B (zh) | 一种区分电动汽车与燃油汽车的方法 | |
CN112396044B (zh) | 车道线属性信息检测模型训练、车道线属性信息检测方法 | |
Tak et al. | Development of AI‐Based Vehicle Detection and Tracking System for C‐ITS Application | |
CN111967396A (zh) | 障碍物检测的处理方法、装置、设备及存储介质 | |
CN111524350A (zh) | 车路协同异常行驶状况检测方法、系统、终端设备及介质 | |
JP2018190082A (ja) | 車種判別装置、車種判別方法、および車種判別システム | |
JP2018055597A (ja) | 車種判別装置および車種判別方法 | |
CN114694078A (zh) | 一种基于多目标跟踪的交通行为判定方法 | |
CN113158922A (zh) | 基于yolo神经网络的车流量统计方法、装置及设备 | |
CN113743316B (zh) | 基于目标检测的车辆加塞行为识别方法、系统及装置 | |
CN112016534B (zh) | 车辆违停检测的神经网络的训练方法、检测方法和装置 | |
CN113435350A (zh) | 一种交通标线检测方法、装置、设备和介质 | |
CN108932453B (zh) | 一种车辆备胎检测方法及装置 | |
Zaman et al. | Deep Learning Approaches for Vehicle and Pedestrian Detection in Adverse Weather |
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 |