CN112101223A - 检测方法、装置、设备和计算机存储介质 - Google Patents
检测方法、装置、设备和计算机存储介质 Download PDFInfo
- Publication number
- CN112101223A CN112101223A CN202010971663.3A CN202010971663A CN112101223A CN 112101223 A CN112101223 A CN 112101223A CN 202010971663 A CN202010971663 A CN 202010971663A CN 112101223 A CN112101223 A CN 112101223A
- Authority
- CN
- China
- Prior art keywords
- target object
- image frame
- determining
- module
- preset event
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 74
- 238000000034 method Methods 0.000 claims abstract description 43
- 230000003068 static effect Effects 0.000 claims description 28
- 230000015654 memory Effects 0.000 claims description 19
- 238000005070 sampling Methods 0.000 claims description 16
- 238000004364 calculation method Methods 0.000 claims description 5
- 230000008569 process Effects 0.000 abstract description 6
- 206010039203 Road traffic accident Diseases 0.000 description 35
- 238000004422 calculation algorithm Methods 0.000 description 10
- 238000004891 communication Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 7
- 238000013136 deep learning model Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 5
- 238000012545 processing Methods 0.000 description 5
- 238000004590 computer program Methods 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000001151 other effect Effects 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000006467 substitution reaction 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/56—Extraction of image or video features relating to colour
-
- 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
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/20—Movements or behaviour, e.g. gesture recognition
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Human Computer Interaction (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Social Psychology (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Psychiatry (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Image Analysis (AREA)
- Traffic Control Systems (AREA)
Abstract
本申请公开了检测方法、装置、设备和计算机存储介质,涉及智能交通及自动驾驶领域。具体实现方案为:一种检测方法,包括:在视频数据的第一图像帧中识别出第一目标对象;在所述视频数据中所述第一图像帧之前设定时长内的历史图像帧中检测是否存在与所述第一目标对象的图像相似度达到设定值的第二目标对象;检测不存在后,确定所述第一目标对象所在的第一位置;遍历所述历史图像帧中的对象,并判断所述历史图像帧中的对象是否位于所述第一位置的预设范围内;基于判断结果确定所述历史图像帧中是否存在所述第一目标对象。本申请实施例能够提高图像或视频识别时,对其中的目标对象进行追踪的精确度和准确性。
Description
技术领域
本申请涉及智能交通技术领域,尤其涉及一种检测方法、装置、设备和计算机存储介质。
背景技术
随着视频和图像处理技术的发展,越来越多的领域应用到了目标识别和目标跟踪技术。比如,在交通领域,可通过目标识别和目标跟踪技术跟踪视频数据中的车辆等目标对象。但是,现有技术中,若视频数据中存在同一目标对象被短暂遮挡后再出现,则会将同一目标对象识别为不同的物体,导致计算结果出现偏差。
发明内容
为了解决现有技术中的至少一个问题,本申请实施例提供一种检测方法、装置、设备和计算机存储介质。
第一方面,本申请实施例提供一种检测方法,包括:
在视频数据的第一图像帧中识别出第一目标对象;
在视频数据中第一图像帧之前设定时长内的历史图像帧中检测是否存在与第一目标对象的图像相似度达到设定值的第二目标对象;
检测不存在后,确定第一目标对象所在的第一位置;
遍历历史图像帧中的对象,并判断历史图像帧中的对象是否位于第一位置的预设范围内;
基于判断结果确定历史图像帧中是否存在第一目标对象。
第二方面,本申请实施例提供一种检测装置,包括:
第一目标对象识别模块,用于在视频数据的第一图像帧中识别出第一目标对象;
第二目标对象检测模块,用于在视频数据中第一图像帧之前设定时长内的历史图像帧中检测是否存在与第一目标对象的图像相似度达到设定值的第二目标对象;
第一位置模块,用于检测不存在后,确定第一目标对象所在的第一位置;
历史图像帧位置模块,用于遍历历史图像帧中的对象,并判断历史图像帧中的对象是否位于第一位置的预设范围内;
结果模块,用于基于判断结果确定历史图像帧中是否存在第一目标对象。
第三方面,本申请实施例还提供一种电子设备,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,本申请实施例还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。
第五方面,本申请实施例提供一种用于路侧设备的检测方法,包括:
获取视频数据;
在视频数据的第一图像帧中识别出第一目标对象;
在所述视频数据中所述第一图像帧之前设定时长内的历史图像帧中检测是否存在与所述第一目标对象的图像相似度达到设定值的第二目标对象;
检测不存在后,确定所述第一目标对象所在的第一位置;
遍历所述历史图像帧中的对象,并判断所述历史图像帧中的对象是否位于所述第一位置的预设范围内;
基于判断结果确定所述历史图像帧中是否存在所述第一目标对象。
上述申请中的一个实施例具有如下优点或有益效果:因为能够在历史图像帧中不存在与第一目标对象相似度达到设定值的对象的情况下,根据第一目标对象与历史图像帧中的对象的位置,确定第一目标对象在历史图像帧中是否存在,从而提高了对第一目标对象在视频中进行追踪的准确性,避免由于第一目标对象被暂时遮挡或者算法识别错误等情况,导致第一目标对象的追踪结果与实际结果不符,进而实现了提高目标追踪过程中对同一目标对象的识别准确性的效果。
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是根据本申请一实施例的检测方法的示意图;
图2是根据本申请另一实施例的检测方法的示意图;
图3是根据本申请另一实施例的检测方法的示意图;
图4是根据本申请另一实施例的检测方法的示意图;
图5是根据本申请另一实施例的检测方法的示意图;
图6是根据本申请另一实施例的检测方法的示意图;
图7是根据本申请一实施例的检测装置的示意图;
图8是根据本申请另一实施例的检测装置的示意图;
图9是根据本申请另一实施例的检测装置的示意图;
图10是根据本申请另一实施例的检测装置的示意图;
图11是根据本申请另一实施例的检测装置的示意图;
图12是用来实现本申请实施例的检测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为本申请实施例提供的检测方法流程图之一,如图1所示,本实施例提供的检测方法包括:
步骤S11:在视频数据的第一图像帧中识别出第一目标对象;
步骤S12:在视频数据中第一图像帧之前设定时长内的历史图像帧中检测是否存在与第一目标对象的图像相似度达到设定值的第二目标对象;
步骤S13:检测不存在后,确定第一目标对象所在的第一位置;
步骤S14:遍历历史图像帧中的对象,并判断历史图像帧中的对象是否位于第一位置的预设范围内;
步骤S15:基于判断结果确定历史图像帧中是否存在第一目标对象。
本实施例中,视频数据可以通过本方法的应用场景中设置的摄像头获取。例如,本实施例的方法应用于道路交通场景时,可通过布置在道路两侧、道路交叉口和道路周围建筑物等位置的摄像头获取视频数据;也可以通过设置于车辆等其它移动对象上的摄像头获取视频数据。
在一种实施方式中,第一目标对象可以是视频数据中的各处于运动状态的对象之一,如机动车辆、非机动车辆等。或者第一目标对象还可以是视频数据中各可能发生运动的对象之一,例如,停靠的车辆等。第一目标对象还可以是警示牌。例如,当本实施例应用于道路交通场景时,第一目标对象可以是道路上的警示牌,如用于指示交通事故的三角牌、三角锥等。
在一种实施方式中,在视频数据的第一图像帧中识别出第一目标对象,可以通过深度学习模型,对视频数据进行分析,识别出其中对象的类型,根据视频数据的第一图像帧中各对象的类型,确定第一目标对象。
在一种实施方式中,在视频数据中第一图像帧之前设定时长内的历史图像帧中检测是否存在与第一目标对象的图像相似度达到设定值的第二目标对象,可以是根据目标对象的形状、大小等特征,在第一图像帧的前一图像帧中检测是否存在与第一目标对象的特征相似度较高的第二目标对象。设定时长可以根据以相似度确定第二目标对象是否为第一目标对象的最大时长进行确定。比如,若仅在连续的两个图像帧中检测出相似度达到设定值的两个目标对象的情况下认定这两个目标对象为同一目标对象,则可以将设定时长确定为相邻图像帧之间间隔的时长。
在一种实施方式中,目标对象的图像相似度可以根据目标对象的形状、大小、颜色中的至少一个进行确定。可以通过对深度学习模型或者机器学习模型进行训练,获得目标对象识别模型,根据模型输出结果,确定第一目标对象与第二目标对象是否相似。
在一种实施方式中,检测不存在后,确定第一目标对象所在的第一位置,可以是检测第一目标图像帧之前设定时长内的历史图像帧中不存在与第一目标对象的图像相似度达到设定值的第二目标对象的情况下,确定第一目标对象在第一图像帧中的第一位置。
在一种实施方式中,确定第一目标对象所在的第一位置,可以是确定第一目标对象的检测框,然后将一个相对于检测框固定的位置作为第一位置。比如,可以将第一目标对象的检测框的中心位置作为第一位置。检测框可以是世界坐标系下的检测框,这种情况下,第一位置为世界坐标系下的位置。检测框也可以是像素坐标系下的检测框,这种情况下,第一位置为像素坐标系下的位置。
在一种实施方式中,第一位置可以是像素坐标系下的位置或者世界坐标系下的位置。在第一位置为世界坐标系下的位置的情况下,可以根据第一位置在高精地图中确定第一目标对象所在的地理位置以及具体的道路、具体的车道。根据车道还可以确定第一目标对象的运动方向是否与正确方向一致等。
在一种实施方式中,遍历历史图像帧中的对象,并判断历史图像帧中的对象是否位于第一位置的预设范围内,可以是在历史图像帧中获得与第一目标对象类型一致的目标对象,判断这些类型一致的目标对象的位置与第一位置之差是否在预设范围内。第一目标对象的类型可以根据第一目标对象在第一图像帧中的形状、大小、颜色等特征中的至少一个进行确定,具体可以利用深度学习模型进行确定。第一目标图像的类型也可以利用深度学习模型进行判定,若本方法应用于道路交通领域,则可利用道路交通的监控视频对初始的深度学习模型进行训练,使得模型能够识别出不同型号的车辆以及交通指示物等,从而后续能够通过完成训练的深度信息模型对视频中的对象类型进行确定。预设范围具体可以根据操作人员的经验进行人为设定,或者利用深度学习模型通过学习对初始预设范围进行调整而获得。在本申请实施例中,与第一目标对象的类型相同的对象为目标对象。
在一种实施方式中,基于判断结果确定历史图像帧中是否存在第一目标对象,可以包括,如果历史图像帧中的对象中存在与第一目标对象类型一致且位于第一位置的预设范围内的对象,则判定第一目标对象在历史图像帧中出现过,即历史图像帧中存在第一目标对象,也即历史图像帧中存在与所述第一目标对象属于同一物体的对象。
在视频和图像处理的过程中,目标识别和目标追踪是较为常用的算法,但是目标追踪算法中,可能因为目标对象被遮挡等原因导致追踪中孤单,将同一个目标对象识别为两个目标对象,从而对目标追踪结果造成误差。当目标识别和目标追踪算法应用到道路交通领域的视频处理时,可能导致目标对象追踪失败,进而对后续交通事件的判断产生误导。本申请实施例中,能够在历史图像帧中不存在与第一目标对象相似度达到设定值的对象的情况下,根据第一目标对象与历史图像帧中的对象的位置,确定第一目标对象在历史图像帧中是否存在,从而提高了对第一目标对象在视频中进行追踪的准确性,避免由于第一目标对象被暂时遮挡或者算法识别错误等情况,导致第一目标对象的追踪结果与实际结果不符。
本申请实施例的检测方法的执行主体可以是各种路侧设备,例如路侧感知设备、与路侧感知设备相连接的路侧计算设备,也可以是与路侧计算设备连接的服务器设备,或是与路侧感知设备直接相连的服务器设备等。本申请中服务器设备例如是云控平台、车路协同管理平台、中心子系统、边缘计算平台、云计算平台等。
在另一种实施例中,检测方法的流程如图2所示,检测方法在图1所示的流程的基础上,还包括:
步骤S21:检测到历史图像帧中存在与第一目标对象的图像相似度达到设定值的第二目标对象;
步骤S22:认定第二目标对象与第一目标对象对应同一物体,将第二目标对象对应的对象标识作为第一目标对象的对象标识。
在一种实施方式中,可以在检测到视频中的对象时,给每个对象赋予唯一的对象标识。在检测到第一目标对象后,可以根据第一目标对象在第一图像帧的前一图像帧中是否存在,确定第一目标对象的对象标识。
例如,在视频数据中第一图像帧之前设定时长内的历史图像帧中检测存在与第一目标对象的图像相似度达到设定值的第二目标对象的情况下,将第二目标对象的对象标识赋予第一目标对象,从而通过对象标识可确定第二目标对象和第一目标对象为同一目标对象,也即对应同一物体。在视频数据中第一图像帧之前设定时长内的历史图像帧中检测不存在与第一目标对象的图像相似度达到设定值的第二目标对象的情况下,生成一个新的对象标识,赋予第一目标对象。
在一种实施方式中,历史图像帧可以是第一图像帧的前一图像帧。
本申请实施例中,可通过给目标对象赋予对象标识,确定两个目标对象是否相同,从而使得对同一目标对象的追踪过程能够连续。
在一种实施方式中,在图1所示的检测方法的基础上,基于判断结果确定历史图像帧中是否存在第一目标对象,可进一步包括:
在历史图像帧中存在位于第一位置的预设范围内的第三目标对象;
认定第三目标对象与第一目标对象对应同一物体,将第三目标对象的对象标识作为第一目标对象的对象标识。
在一种实施方式中,第三目标对象可以是与第一图像帧不连续的另一历史图像帧中存在的目标对象。第三目标对象可以在历史图像帧中与第一图像帧不连续的多个图像帧中出现。在第三目标对象在历史图像帧的多个图像帧中出现的情况下,则每次出现的第三目标对象的位置均处于第一位置的预设范围内。
在一种实施方式中,如果基于判断结果得到历史图像帧中不存在任何目标对象位于第一地理位置的预设范围内,则认定历史图像帧中不存在第一目标对象。
在本实施例中,通过对第一目标对象赋予第三目标对象同样的对象标识,从而在第一图像帧与第三目标对象出现的历史图像帧不连续的情况下,也能够连续追踪第三目标对象(第一目标对象),保证目标追踪的准确性和有效性。
在一种实施方式中,检测方法的流程如图3所示,在图1所示的检测方法的基础上,判断历史图像帧中的对象是否位于第一位置的预设范围内之前,还包括:
步骤S31:确定第一目标对象的对象类型;
步骤S32:基于对象类型确定出对象类型相匹配的误差分布范围;
步骤S33:基于误差分布范围,确定出第一位置的预设范围。
在本实施例中,第一目标对象可以是体积较大的目标对象,例如车辆,也可以是体积较小的目标对象,例如交通状况指示物、警示牌等。对于体积不同的对象,对应的位置的预设范围可以不同。本实施例区分目标对象的对象类型,设置对应的预设范围,从而能够提高预设范围的准确性。
在一种实施方式中,可通过对各个对象类型可能在视频数据中出现的误差进行采样,根据采样数据确定对象类型对应的预设范围。具体可以包括:
确定一对象类型的对象在视频数据的检测范围内的多个实际位置;
对于实际位置,获取多个采样图像帧;
根据实际位置对应的多个采样图像帧,确定实际位置在多个采样图像帧中的计算位置;
根据实际位置对应的多个采样图像帧中的计算位置和对应的实际位置之差,确定该对象类型对应的位置误差分布;
根据位置误差分布,确定该对象类型对应的预设范围。
具体例如,当检测方法应用于道路交通领域时,对于A型号的车辆,确定车辆在视频数据的拍摄范围内的9个实际位置。分别将A型号的车辆置于这9个实际位置,然后获取视频数据以得到N个拍摄有A型号车辆的图像帧。根据这N个图像帧,分别计算9个实际位置对应N个图像帧的计算位置,即9N个计算位置。然后根据各计算位置与对应的实际位置之差,确定对象的位置误差分布;然后确定位置误差分布中分布最集中的范围,为该对象类型对应的预设范围。
在具体实施方式中,预设范围包括水平方向的预设范围和垂直方向的预设范围,水平方向的预设范围可以是世界坐标系下水平面的平行方向上的位置偏差范围,垂直方向的预设范围可以是世界坐标系下垂直于水平面的方向上的位置偏差范围。
在一种实施方式中,检测方法还可以包括对历史图像帧中是否存在第一目标对象的判断结果进行校准,将判断结果与实际结果进行对比,确定判断结果是否准确,生成校准信息,然后根据校准信息,对预设范围进行调整。
在本实施例中,根据对象类型确定预设范围,从而能够确定更为准确的预设范围,在位置判断时具有更高的准确度。基于统计位置误差确定预设范围的好处在于,不与要人工设定阈值,然后通过实验不断精调,而是采用统计误差的方式,直接将满足位置误差分布的障碍物认为在同一个位置,更加智能和简单。
在一种实施方式中,检测方法的流程如图4所示,在图1所示的检测方法的基础上,检测方法还包括:
步骤S41:判断第一目标对象是否在预设事件时间阈值内处于静止状态,以确定是否发生预设事件。
在本实施例中,若第一目标对象在历史图像帧中存在,则可判断历史图像帧中,第一目标对象第一次出现的时间到第一图像帧的时间是否达到设定的预设事件发生时间阈值,若达到,则根据第一目标图像在历史图像帧中是否始终处于第一位置,判断是否发生预设事件。若未达到,则对第一图像帧之后的图像帧,判断是否出现第一目标对象且第一目标对象的位置是否始终处于第一位置的预设范围内。若第一目标图像在预设事件发生时间阈值的时长内始终处于第一位置的预设范围内,则可判定发生预设事件。
在本实施例中,对第一图像帧后续的图像帧中是否出现第一目标对象的判断,可重复执行步骤S11-步骤S14。具体可包括,将第一图像帧之后的图像帧中的对象与第一目标对象进行对比,判断第一图像帧之后的图像帧中是否存在第一目标对象。若存在,则确定第一图像帧之后的图像帧中的第一目标对象的位置是否处于第一位置范围内,若是,则根据第一目标对象在历史图像帧中首次出现在第一位置范围内的图像帧到采集的视频数据中第一目标对象最后一次出现在第一位置范围内的图像帧之间的时长,判断是否达到预设事件发生时间阈值。若达到,则判定发生预设事件。若第一图像帧之后设定的删除时长内的图像帧中均为出现第一目标对象,则删除关于第一目标对象的记录。
在一种具体示例中,预设事件为交通事故。目前对于交通事故的信息共享,主要采取人工采集上报的方式或者事故车辆上报的方式。这种上报方式存在耗时太长、覆盖率无法得到保证、效率低、成本高、容易遗漏等缺点。在本实施例中,若根据第一目标对象处于静止状态的时间,判断是否发生预设事件,从而能够实现通过分析视频数据对目标对象的状态的分析,识别出预设事件的发生状况。从而能够通过在道路上设置的视频数据采集装置采集的视频数据进行预设事件的自动识别,识别出发生预设事件后可及时通知其他车辆,同时道路上的视频数据采集装置覆盖面很广,能够达道减小耗时、提高覆盖率、提高效率、降低成本等有益效果。
在一种实施方式中,判断所述第一目标对象是否在预设事件时间阈值内处于静止状态,包括:
获取历史图像帧中与第一目标对象属于同一物体的对象的第二位置;
基于历史图像帧中与第一目标对象属于同一物体的对象的第二位置与第一位置之间的位置差,判断第一目标对象是否在预设事件时间阈值内处于静止状态。
在本实施例中,基于历史图像帧中与第一目标对象属于同一物体的对象的第二位置与第一位置之间的位置差,判断第一目标对象是否处于静止状态,包括:若第二位置与第一位置的位置差处于预设范围内,则判断第一目标对象处于静止状态。
本实施例中,基于历史图像帧中与第一目标对象属于同一物体的对象的第二位置与第一位置之间的位置差,判断第一目标对象是否处于静止状态,可以包括:基于历史图像帧中与第一目标对象属于同一物体的对象的第二位置与第一位置之间的位置差是否处于设定范围内,给第一图像帧赋值;对在预设事件时间阈值范围内的所有图像帧进行赋值之和的计算,赋值之和符合设定条件,则认为第一目标对象静止。
本实施例中,能够根据第一目标对象在历史图像帧中的位置,判断第一目标对象是否处于静止状态,即使在第一目标对象在图像帧中的存在出现间断,也不影响状态判断,具有较高的准确性和抗干扰性。
在一种实施方式中,第一目标对象指示警示牌;判断第一目标对象是否在预设事件时间阈值内处于静止状态,以确定是否发生预设事件,还包括:
根据第一目标对象所指示的警示牌处于静止状态的判断结果,确定发生预设事件。
本实施例中,预设事件可以为交通事故,警示牌可以是交通事故警示三角牌。在实际操作中,若道路上出现交通事故,则在交通事故发生地点前后的路段上设置交通事故警示三角牌,提示本车道当前不能通行,后车绕路或者返回。
在一种具体实施方式中,警示牌还可以是交通事故警示三角锥。
由于交通事故警示三角牌体积较小,在视频数据中经常存在被遮挡的情况,从而通过本申请实施例提供的检测方法,即便交通事故警示三角牌被遮挡,也能够在间断的图像帧中将交通事故警示三角牌识别出来,从而提高佳通事故识别的准确性。
在一种实施方式中,第一目标对象指示车辆,判断第一目标对象是否在预设事件时间阈值内处于静止状态,以确定是否发生预设事件,还包括:
根据第一目标对象所指示的车辆处于静止状态的判断结果,确定发生预设事件。
在本实施例中,预设事件可以为交通事故,在道路交通受到交通事故的发生的影响而中断时,一般会有事故车或事故处理车辆停留在事故发生地点附近。若视频数据在不允许停车的路段拍摄获取,比如在高速公路、高架桥上拍摄或者在红绿灯路口拍摄,那么车辆的长时间静止也可指示交通事故的发生。因此,本实施例中,在第一车辆长时间处于静止状态的情况下发生交通事故,针对车辆不能停止的路段的交通事故的判断,具有较高的准确性。
在一种实施方式中,为了进一步提高预设事件判断的准确性,可以设置当判断警示牌和车辆均处于静止状态的情况下,确定发生预设事件。
在一种实施方式中,还包括:
生成关于预设事件的报告,发送报告。
当本申请实施例所提供的方法应用于道路交通领域时,可通过V2X(Vehicle ToEverything,车用无线通信技术)进行车辆间的通信,发送和获取关于预设事件的报告。对于设置车载单元(On board Unit,OBU)的车辆,可以通过一个平台获取预设时间的报告,也可以路边架设路侧单元(Road Side Unit,RSU),相互之间通过微波进行通讯,发送预设事件的报告到周围的车辆,该OBU表征自动驾驶车辆的身份。对于自动驾驶车辆而言,需要对交通事故发生的情况进行及时的信息获取,以在最短的时间内根据最新的道路交通状况进行行驶线路调整,避免在路线经过的路段发生交通事故的情况下再次发生交通事故。
在一种示例中,可以根据第一目标对象所在的第一位置对应的地理位置,向该地理位置附近设定的报告范围内的其它对象发送关于预设事件的报告。还可以向一个指定的信息共享平台发送关于预设事件的报告。
随着汽车保有量的逐年增加,道路上发生交通事故的频率也逐年升高。道路上发生交通事故,对于普通车辆会减缓车辆的同性速度,对于无人驾驶车辆会影响其路径规划,对于道路上任何没有注意到该现象的车辆或者行人都容易引起二次事故,因此可以及时检测出道路上的交通事故并进行播报是十分有意义的。
本实施例中,能够在判断发生预设事件的情况下,发送关于预设事件的报告,从而当检测方法应用于道路交通领域时,能够及时将道路上发生预设事件的信息通知到道路交通的其它相关参与者,使得道路交通的参与者能够及时知悉道路上发生的状况,从而及时跟进预设事件调整交通行驶路线。
在本申请的一种示例中,可通过对用于指示交通事故的警示牌和车辆均通过前述实施例中的检测方法判断是否静止,以及处于静止状态的时间。可对发生交通事故进行如下定义:在视频数据中检测出警示牌,且在警示牌附近、沿警示牌所在车道线行驶方向设定距离内有静止时间达到预设事件时间阈值的车辆,检测出警示牌的时间也达到预设事件时间阈值,则可判断出现预设事件。
首先对视频数据中的每一图像帧进行目标检测,检测出图象帧中的警示牌和车辆,检测的方法可以使用通用的目标检测算法。以检测框的中心作为目标对象(警示牌或车辆)的中心,计算检测框中心在图象中的位置(即在图像中的XY坐标位置),之后通过相机的内参和外参,将图像帧的检测框中心点的位置转移到世界坐标系下。
通过这样的方式可以获取到图象帧中警示牌和车辆的在世界坐标系下的位置,进一步确定目标对象所在的道路、具体的车道,然后确定车道的车流方向。为检测出的每个对象赋予一个全局唯一且不随时间发生改变的ID作为对象编码。对于出现在不同图像帧中ID不同但类别相同的目标对象进行Reid操作。
为了进行Reid操作,首先要确定目标对象的对象类型对应的预设范围。首先统计目标对象在视频数据所覆盖区域的位置误差,之后会获取到目标对象在该区域的一个位置误差分布。在检测时,通过实时的目标检测算法,获取视频数据的图像帧中目标对象实时的位置,将满足预设范围的目标对象认为是同一个目标对象。
具体而言,可以在视频数据拍摄范围内的世界坐标系位置范围中,选定多个实际位置,在选定的多个实际位置处分别放目标对象,通过目标检测算法和像素坐标系到世界坐标系的坐标转换,获取算法计算出来的目标对象的多个位置,分别计算它沿水平方向和垂直水平面方向的位置误差,根据位置误差确定预设范围。假设,计算获得水平误差为±0.5米,垂直误差为±1.5米,预设范围分别为水平方向±0.5米,垂直方向±1.5米。那么某一个当前帧检测到的目标对象与历史帧的某个目标对象的水平方向距离差小于0.5米,且垂直方向距离差小于1.5米,则即使二者的ID不同,也认为当前检测到的目标对象与历史上的某个目标对象是同一个目标对象。
同样的方法也可以对静止车辆进行Reid判断。
图5示出本申请另一种示例中的检测方法,包括:
步骤S51:根据视频数据,获得图像帧。同时可获得视频数据拍摄装置的内参和外参。
步骤S52:对于每一图像帧,获得目标对象。
步骤S53:对目标对象进行Reid操作,对每个目标对象赋予全局唯一且不随时间或被遮挡状况变化的ID。
对于图像帧中出现的目标对象,判断是否在上一图像帧中出现同一目标对象,如果出现,则认为该目标对象的ID稳定,不需要进行Reid操作,否则认定需要进行Reid操作。根据目标对象的对象类型获取对应的预设范围,遍历上一图像帧或者其它历史图像帧中所有出现的同对象类型的目标对象,判断上一图像帧或者其它历史图像帧中的目标对象的位置与当前图像帧中的目标对象的位置是否处于预设范围内,若是,则认为当前图像帧中的目标对象与历史图像帧中的目标对象为同一目标对象,否则认为是新的目标对象,将当前图像帧中的目标对象的ID存放在历史目标对象的ID存储位置中。如果某个历史目标对象的ID连续第一设定数目的帧(例如100帧)未出现,则认为该ID对应的目标对象已经离开视频数据覆盖范围,将该ID在存储位置对应的记录删除。
步骤S54:若目标对象为车辆,则根据车辆的位置和处于同一位置所在的时长,判断车辆是否静止。
在判断目标对象是否静止时,若某个ID对应的目标对象为第一次出现,则为该目标对象建立一个设定第二数目的帧的历史缓存(例如,4500帧,在每秒15帧的情况下,4500帧对应5分钟时长的图像帧)。对于包含目标对象的所有图像帧,若每一图像帧与其上一历史图像帧中的目标对象之间的位置偏差小于预设范围,且与其之前的历史图像帧中的目标对象的位置平均值小于预设范围,则将该图像帧赋值为1,否则赋值为0。对于设定时长的历史图像帧中各图像帧的赋值之和进行计算,如果大于静止阈值,则认为处于静止状态。
步骤S55:若目标对象为交通事故警示牌,则根据交通事故警示牌的位置和处于同一位置的时长,判断交通事故警示牌是否静止。判断交通事故警示牌是否静止的时长可以不同于判断车辆是否静止的时长。例如,可设置连续60个图像帧中出现交通事故警示牌时,判定交通事故警示牌静止。
步骤S56:根据车辆和交通事故警示牌的静止时间,判断是否发生交通事故,若是,则通过视频数据获取事故车辆。否则,返回步骤S51。
本申请实施例还提供一种检测装置,如图6所示,包括:
第一目标对象识别模块61,用于在视频数据的第一图像帧中识别出第一目标对象;
第二目标对象检测模块62,用于在视频数据中第一图像帧之前设定时长内的历史图像帧中检测是否存在与第一目标对象的图像相似度达到设定值的第二目标对象;
第一位置模块63,用于检测不存在后,确定第一目标对象所在的第一位置;
历史图像帧位置模块64,用于遍历历史图像帧中的对象,并判断历史图像帧中的对象是否位于第一位置的预设范围内;
结果模块65,用于基于判断结果确定历史图像帧中是否存在第一目标对象。
在一种实施方式中,如图7所示,还包括:
第二目标对象存在模块71,用于检测到历史图像帧中存在与第一目标对象的图像相似度达到设定值的第二目标对象;
第一标识模块72,用于认定第二目标对象与第一目标对象对应同一物体,将第二目标对象对应的对象标识作为第一目标对象的对象标识。
在一种实施方式中,结果模块还用于:
在历史图像帧中存在位于第一位置的预设范围内的第三目标对象;
认定第三目标对象与第一目标对象对应同一物体,将第三目标对象的对象标识作为第一目标对象的对象标识。
在一种实施方式中,如图8所示,装置还包括:
对象类型模块81,用于确定第一目标对象的对象类型;
误差分布范围模块82,用于基于对象类型确定出对象类型相匹配的误差分布范围;
预设范围模块83,用于基于误差分布范围,确定出第一位置的预设范围。
在一种实施方式中,如图9所述,装置还包括:
实际位置模块91,用于针对每个对象类型,确定在视频数据的检测范围内的多个实际位置;
采样模块92,用于对于所述实际位置,从所述视频数据中获取多个采样图像帧;
计算位置模块93,用于根据所述实际位置对应的多个采样图像帧,确定每个所述实际位置在多个采样图像帧中的计算位置;
误差分布模块94,用于根据所述实际位置对应的多个采样图像帧中的计算位置和对应的实际位置之差,确定该对象类型对应的位置误差分布;
预设范围模块95,用于根据位置误差分布,确定该对象类型对应的预设范围。
在一种实施方式中。如图10所示,还包括:
预设事件模块101,用于判断第一目标对象是否在预设事件时间阈值内处于静止状态,以确定是否发生预设事件。
在一种实施方式中,预设事件模块还用于:
获取历史图像帧中与第一目标对象属于同一物体的对象的第二位置;
基于历史图像帧中与第一目标对象属于同一物体的对象的第二位置与第一位置之间的位置差,判断第一目标对象是否在预设事件时间阈值内处于静止状态。
在一种实施方式中,第一目标对象指示车辆;预设事件模块还用于:
根据第一目标对象所指示的车辆处于静止状态的判断结果,确定发生预设事件。
在一种实施方式中,第一目标对象指示警示牌,预设事件模块还用于:
根据第一目标对象所指示的警示牌处于静止状态的判断结果,确定发生预设事件。
在一种实施方式中,如图11所示,还包括:
报告模块111,用于生成关于预设事件的报告,发送报告。
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。
本申请实施例可应用于智能交通车路协同的系统架构,智能交通车路协同的系统架构包括路侧设备。路侧设备包括路侧感知设备和路侧计算设备,路侧感知设备(例如路侧相机)连接到路侧计算设备(例如路侧计算单元RSCU),路侧计算设备连接到服务器设备,在另一种系统架构中,路侧感知设备自身包括计算功能,则路侧感知设备直接连接到所述服务器设备。以上连接可以是有线或是无线;本申请中服务器设备例如是云控平台、车路协同管理平台、中心子系统、边缘计算平台、云计算平台等。
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12所示,是根据本申请实施例的检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12所示,该电子设备包括:一个或多个处理器1201、存储器1202,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12中以一个处理器1201为例。
存储器1202即为本申请所提供的非瞬时计算机可读存储介质。其中,存储器存储有可由至少一个处理器执行的指令,以使至少一个处理器执行本申请所提供的检测方法。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提供的检测方法。
存储器1202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检测方法对应的程序指令/模块(例如,附图7所示的第一目标对象识别模块71、第二目标对象检测模块72、第一位置模块73、历史图像帧位置模块74和结果模块75)。处理器1201通过运行存储在存储器1202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检测方法。
存储器1202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检测方法的电子设备的使用所创建的数据等。此外,存储器1202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1202可选包括相对于处理器1201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1203和输出装置1204。处理器1201、存储器1202、输入装置1203和输出装置1204可以通过总线或者其他方式连接,图12中以通过总线连接为例。
输入装置1203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1204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。
根据本申请实施例的技术方案,因为采用能够在历史图像帧中不存在与第一目标对象相似度达到设定值的对象的情况下,根据第一目标对象与历史图像帧中的对象的位置,确定第一目标对象在历史图像帧中是否存在,从而提高了对第一目标对象在视频中进行追踪的准确性,避免由于第一目标对象被暂时遮挡或者算法识别错误等情况,导致第一目标对象的追踪结果与实际结果不符,进而实现了提高目标追踪过程中对同一目标对象的识别准确性的效果。
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 (23)
1.一种检测方法,包括:
在视频数据的第一图像帧中识别出第一目标对象;
在所述视频数据中所述第一图像帧之前设定时长内的历史图像帧中检测是否存在与所述第一目标对象的图像相似度达到设定值的第二目标对象;
检测不存在后,确定所述第一目标对象所在的第一位置;
遍历所述历史图像帧中的对象,并判断所述历史图像帧中的对象是否位于所述第一位置的预设范围内;
基于判断结果确定所述历史图像帧中是否存在所述第一目标对象。
2.根据权利要求1所述的方法,还包括:
检测到所述历史图像帧中存在与所述第一目标对象的图像相似度达到设定值的第二目标对象;
认定所述第二目标对象与所述第一目标对象对应同一物体,将所述第二目标对象对应的对象标识作为所述第一目标对象的对象标识。
3.根据权利要求1所述的方法,其中,所述基于判断结果确定所述历史图像帧中是否存在所述第一目标对象,包括:
在所述历史图像帧中存在位于所述第一位置的预设范围内的第三目标对象;
认定所述第三目标对象与所述第一目标对象对应同一物体,将所述第三目标对象的对象标识作为所述第一目标对象的对象标识。
4.根据权利要求1-3中任意一项所述的方法,其中,所述判断所述历史图像帧中的对象是否位于所述第一位置的预设范围内之前,还包括:
确定第一目标对象的对象类型;
基于所述对象类型确定出所述对象类型相匹配的误差分布范围;
基于所述误差分布范围,确定出所述第一位置的预设范围。
5.根据权利要求4所述的方法,其中,还包括:
针对每个对象类型,确定在视频数据的检测范围内的多个实际位置;
对于所述实际位置,从所述视频数据中获取多个采样图像帧;
根据所述实际位置对应的多个采样图像帧,确定每个所述实际位置在多个采样图像帧中的计算位置;
根据所述实际位置对应的多个采样图像帧中的计算位置和对应的实际位置之差,确定该对象类型对应的位置误差分布;
根据位置误差分布,确定该对象类型对应的预设范围。
6.根据权利要求2或3所述的方法,其中,还包括:
判断所述第一目标对象是否在预设事件时间阈值内处于静止状态,以确定是否发生预设事件。
7.根据权利要求6所述的方法,其中,所述判断所述第一目标对象是否在预设事件时间阈值内处于静止状态,包括:
获取所述历史图像帧中与所述第一目标对象属于同一物体的对象的第二位置;
基于所述历史图像帧中与所述第一目标对象属于同一物体的对象的第二位置与所述第一位置之间的位置差,判断所述第一目标对象是否在预设事件时间阈值内处于静止状态。
8.根据权利要求6所述的方法,其中,所述第一目标对象指示车辆;判断所述第一目标对象是否在预设事件时间阈值内处于静止状态,以确定是否发生预设事件,包括:
根据所述第一目标对象所指示的车辆处于静止状态的判断结果,确定发生预设事件。
9.根据权利要求6所述的方法,其中,所述第一目标对象指示警示牌,判断所述第一目标对象是否在预设事件时间阈值内处于静止状态,以确定是否发生预设事件,还包括:
根据所述第一目标对象所指示的警示牌处于静止状态的判断结果,确定发生预设事件。
10.根据权利要求6所述的方法,其中,还包括:
生成关于所述预设事件的报告,发送所述报告。
11.一种检测装置,包括:
第一目标对象识别模块,用于在视频数据的第一图像帧中识别出第一目标对象;
第二目标对象检测模块,用于在所述视频数据中所述第一图像帧之前设定时长内的历史图像帧中检测是否存在与所述第一目标对象的图像相似度达到设定值的第二目标对象;
第一位置模块,用于检测不存在后,确定所述第一目标对象所在的第一位置;
历史图像帧位置模块,用于遍历所述历史图像帧中的对象,并判断所述历史图像帧中的对象是否位于所述第一位置的预设范围内;
结果模块,用于基于判断结果确定所述历史图像帧中是否存在所述第一目标对象。
12.根据权利要求11所述的装置,还包括:
第二目标对象存在模块,用于检测到所述历史图像帧中存在与所述第一目标对象的图像相似度达到设定值的第二目标对象;
第一标识模块,用于认定所述第二目标对象与所述第一目标对象对应同一物体,将所述第二目标对象对应的对象标识作为所述第一目标对象的对象标识。
13.根据权利要求11所述的装置,其中,所述结果模块还用于:
在所述历史图像帧中存在位于所述第一位置的预设范围内的第三目标对象;
认定所述第三目标对象与所述第一目标对象对应同一物体,将所述第三目标对象的对象标识作为所述第一目标对象的对象标识。
14.根据权利要求11-13中任意一项所述的装置,其中,所述装置还包括:
对象类型模块,用于确定第一目标对象的对象类型;
误差分布范围模块,用于基于所述对象类型确定出所述对象类型相匹配的误差分布范围;
预设范围模块,用于基于所述误差分布范围,确定出所述第一位置的预设范围。
15.根据权利要求14所述的装置,其中,还包括:
实际位置模块,用于针对每个对象类型,确定在视频数据的检测范围内的多个实际位置;
采样模块,用于对于所述实际位置,从所述视频数据中获取多个采样图像帧;
计算位置模块,用于根据所述实际位置对应的多个采样图像帧,确定每个所述实际位置在多个采样图像帧中的计算位置;
误差分布模块,用于根据所述实际位置对应的多个采样图像帧中的计算位置和对应的实际位置之差,确定该对象类型对应的位置误差分布;
预设范围模块,用于根据位置误差分布,确定该对象类型对应的预设范围。
16.根据权利要求12或13所述的装置,其中,还包括:
预设事件模块,用于判断所述第一目标对象是否在预设事件时间阈值内处于静止状态,以确定是否发生预设事件。
17.根据权利要求16所述的装置,其中,所述预设事件模块还用于:
获取所述历史图像帧中与所述第一目标对象属于同一物体的对象的第二位置;
基于所述历史图像帧中与所述第一目标对象属于同一物体的对象的第二位置与所述第一位置之间的位置差,判断所述第一目标对象是否在预设事件时间阈值内处于静止状态。
18.根据权利要求16所述的装置,其中,所述第一目标对象指示车辆;所述预设事件模块还用于:
根据所述第一目标对象所指示的车辆处于静止状态的判断结果,确定发生预设事件。
19.根据权利要求16所述的装置,其中,所述第一目标对象指示警示牌,所述预设事件模块还用于:
根据所述第一目标对象所指示的警示牌处于静止状态的判断结果,确定发生预设事件。
20.根据权利要求16所述的装置,其中,还包括:
报告模块,用于生成关于所述预设事件的报告,发送所述报告。
21.一种电子设备,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权利要求1-10中任一项所述的方法。
22.一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权利要求1-10中任一项所述的方法。
23.一种用于路侧设备的检测方法,包括:
获取视频数据;
在视频数据的第一图像帧中识别出第一目标对象;
在所述视频数据中所述第一图像帧之前设定时长内的历史图像帧中检测是否存在与所述第一目标对象的图像相似度达到设定值的第二目标对象;
检测不存在后,确定所述第一目标对象所在的第一位置;
遍历所述历史图像帧中的对象,并判断所述历史图像帧中的对象是否位于所述第一位置的预设范围内;
基于判断结果确定所述历史图像帧中是否存在所述第一目标对象。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010971663.3A CN112101223B (zh) | 2020-09-16 | 2020-09-16 | 检测方法、装置、设备和计算机存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010971663.3A CN112101223B (zh) | 2020-09-16 | 2020-09-16 | 检测方法、装置、设备和计算机存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112101223A true CN112101223A (zh) | 2020-12-18 |
CN112101223B CN112101223B (zh) | 2024-04-12 |
Family
ID=73759880
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010971663.3A Active CN112101223B (zh) | 2020-09-16 | 2020-09-16 | 检测方法、装置、设备和计算机存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112101223B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112700410A (zh) * | 2020-12-28 | 2021-04-23 | 北京百度网讯科技有限公司 | 信号灯位置确定方法、装置、存储介质、程序、路侧设备 |
CN112750312A (zh) * | 2020-12-28 | 2021-05-04 | 上海眼控科技股份有限公司 | 信息检测方法、装置、设备及存储介质 |
CN113096394A (zh) * | 2021-03-29 | 2021-07-09 | 浙江大华技术股份有限公司 | 目标类型的对象的确定方法、装置、存储介质及电子装置 |
CN113378958A (zh) * | 2021-06-24 | 2021-09-10 | 北京百度网讯科技有限公司 | 自动标注方法、装置、设备、存储介质及计算机程序产品 |
Citations (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140002647A1 (en) * | 2012-06-29 | 2014-01-02 | Behavioral Recognition Systems, Inc. | Anomalous stationary object detection and reporting |
CN103679742A (zh) * | 2012-09-06 | 2014-03-26 | 株式会社理光 | 对象跟踪方法和装置 |
US20150302258A1 (en) * | 2012-03-30 | 2015-10-22 | Megachips Corporation | Object detection device |
JP2017098843A (ja) * | 2015-11-26 | 2017-06-01 | 株式会社リコー | 撮像装置、物体追尾方法、及びプログラム |
CN108446585A (zh) * | 2018-01-31 | 2018-08-24 | 深圳市阿西莫夫科技有限公司 | 目标跟踪方法、装置、计算机设备和存储介质 |
CN110147702A (zh) * | 2018-07-13 | 2019-08-20 | 腾讯科技(深圳)有限公司 | 一种实时视频的目标检测与识别方法和系统 |
CN110264493A (zh) * | 2019-06-17 | 2019-09-20 | 北京影谱科技股份有限公司 | 一种针对运动状态下的多目标对象追踪方法和装置 |
CN110517293A (zh) * | 2019-08-29 | 2019-11-29 | 京东方科技集团股份有限公司 | 目标跟踪方法、装置、系统和计算机可读存储介质 |
CN110688873A (zh) * | 2018-07-04 | 2020-01-14 | 上海智臻智能网络科技股份有限公司 | 多目标追踪方法及人脸识别方法 |
CN110705478A (zh) * | 2019-09-30 | 2020-01-17 | 腾讯科技(深圳)有限公司 | 人脸跟踪方法、装置、设备及存储介质 |
US20200097769A1 (en) * | 2018-09-20 | 2020-03-26 | Avigilon Corporation | Region proposal with tracker feedback |
WO2020082258A1 (zh) * | 2018-10-24 | 2020-04-30 | 深圳鲲云信息科技有限公司 | 一种多目标实时跟踪方法、装置及电子设备 |
US20200134313A1 (en) * | 2018-10-30 | 2020-04-30 | Fujitsu Limited | Detection method and detection device |
CN111145214A (zh) * | 2019-12-17 | 2020-05-12 | 深圳云天励飞技术有限公司 | 目标跟踪方法、装置、终端设备及介质 |
CN111429483A (zh) * | 2020-03-31 | 2020-07-17 | 杭州博雅鸿图视频技术有限公司 | 高速跨摄像机多目标跟踪方法、系统、装置及存储介质 |
US20200242780A1 (en) * | 2019-01-28 | 2020-07-30 | Canon Kabushiki Kaisha | Image processing apparatus, image processing method, and storage medium |
CN111612822A (zh) * | 2020-05-21 | 2020-09-01 | 广州海格通信集团股份有限公司 | 对象跟踪方法、装置、计算机设备和存储介质 |
-
2020
- 2020-09-16 CN CN202010971663.3A patent/CN112101223B/zh active Active
Patent Citations (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150302258A1 (en) * | 2012-03-30 | 2015-10-22 | Megachips Corporation | Object detection device |
US20140002647A1 (en) * | 2012-06-29 | 2014-01-02 | Behavioral Recognition Systems, Inc. | Anomalous stationary object detection and reporting |
CN103679742A (zh) * | 2012-09-06 | 2014-03-26 | 株式会社理光 | 对象跟踪方法和装置 |
JP2017098843A (ja) * | 2015-11-26 | 2017-06-01 | 株式会社リコー | 撮像装置、物体追尾方法、及びプログラム |
CN108446585A (zh) * | 2018-01-31 | 2018-08-24 | 深圳市阿西莫夫科技有限公司 | 目标跟踪方法、装置、计算机设备和存储介质 |
CN110688873A (zh) * | 2018-07-04 | 2020-01-14 | 上海智臻智能网络科技股份有限公司 | 多目标追踪方法及人脸识别方法 |
CN110147702A (zh) * | 2018-07-13 | 2019-08-20 | 腾讯科技(深圳)有限公司 | 一种实时视频的目标检测与识别方法和系统 |
US20200097769A1 (en) * | 2018-09-20 | 2020-03-26 | Avigilon Corporation | Region proposal with tracker feedback |
WO2020082258A1 (zh) * | 2018-10-24 | 2020-04-30 | 深圳鲲云信息科技有限公司 | 一种多目标实时跟踪方法、装置及电子设备 |
US20200134313A1 (en) * | 2018-10-30 | 2020-04-30 | Fujitsu Limited | Detection method and detection device |
US20200242780A1 (en) * | 2019-01-28 | 2020-07-30 | Canon Kabushiki Kaisha | Image processing apparatus, image processing method, and storage medium |
CN110264493A (zh) * | 2019-06-17 | 2019-09-20 | 北京影谱科技股份有限公司 | 一种针对运动状态下的多目标对象追踪方法和装置 |
CN110517293A (zh) * | 2019-08-29 | 2019-11-29 | 京东方科技集团股份有限公司 | 目标跟踪方法、装置、系统和计算机可读存储介质 |
CN110705478A (zh) * | 2019-09-30 | 2020-01-17 | 腾讯科技(深圳)有限公司 | 人脸跟踪方法、装置、设备及存储介质 |
CN111145214A (zh) * | 2019-12-17 | 2020-05-12 | 深圳云天励飞技术有限公司 | 目标跟踪方法、装置、终端设备及介质 |
CN111429483A (zh) * | 2020-03-31 | 2020-07-17 | 杭州博雅鸿图视频技术有限公司 | 高速跨摄像机多目标跟踪方法、系统、装置及存储介质 |
CN111612822A (zh) * | 2020-05-21 | 2020-09-01 | 广州海格通信集团股份有限公司 | 对象跟踪方法、装置、计算机设备和存储介质 |
Non-Patent Citations (1)
Title |
---|
王慧燕;杨宇涛;张政;严国丽;王靖齐;李笑岚;陈卫刚;华;: "深度学习辅助的多行人跟踪算法", 中国图象图形学报, no. 03, pages 81 - 89 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112700410A (zh) * | 2020-12-28 | 2021-04-23 | 北京百度网讯科技有限公司 | 信号灯位置确定方法、装置、存储介质、程序、路侧设备 |
CN112750312A (zh) * | 2020-12-28 | 2021-05-04 | 上海眼控科技股份有限公司 | 信息检测方法、装置、设备及存储介质 |
US11810320B2 (en) | 2020-12-28 | 2023-11-07 | Apollo Intelligent Connectivity (Beijing) Technology Co., Ltd. | Method and apparatus for determining location of signal light, storage medium, program and roadside device |
CN113096394A (zh) * | 2021-03-29 | 2021-07-09 | 浙江大华技术股份有限公司 | 目标类型的对象的确定方法、装置、存储介质及电子装置 |
CN113378958A (zh) * | 2021-06-24 | 2021-09-10 | 北京百度网讯科技有限公司 | 自动标注方法、装置、设备、存储介质及计算机程序产品 |
Also Published As
Publication number | Publication date |
---|---|
CN112101223B (zh) | 2024-04-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112101223B (zh) | 检测方法、装置、设备和计算机存储介质 | |
US20220051032A1 (en) | Road event detection method, apparatus, device and storage medium | |
CN111998860B (zh) | 自动驾驶定位数据校验方法、装置、电子设备及存储介质 | |
CN111739344B (zh) | 一种预警方法、装置及电子设备 | |
CN111583668B (zh) | 交通拥堵检测方法、装置、电子设备和存储介质 | |
CN113240909B (zh) | 车辆监测方法、设备、云控平台和车路协同系统 | |
US9083856B2 (en) | Vehicle speed measurement method and system utilizing a single image capturing unit | |
CN110910665B (zh) | 信号灯控制方法、装置以及计算机设备 | |
CN111540023B (zh) | 图像采集设备的监测方法、装置、电子设备及存储介质 | |
CN108766031B (zh) | 一种检测车道障碍物的方法和装置 | |
CN103473929A (zh) | 车辆违规监控方法、装置及系统 | |
CN111311906B (zh) | 路口距离的检测方法、装置、电子设备和存储介质 | |
JP2023527265A (ja) | 交通異常を検出する方法および装置、電子機器、記憶媒体並びにコンピュータプログラム | |
EP3940666A1 (en) | Digital reconstruction method, apparatus, and system for traffic road | |
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 | |
US20220044558A1 (en) | Method and device for generating a digital representation of traffic on a road | |
CN112287806A (zh) | 一种道路信息检测方法、系统、电子设备及存储介质 | |
CN113799793A (zh) | 一种基于数据驱动的实现预测模型自动化迭代的系统 | |
CN114648748A (zh) | 一种基于深度学习的机动车违停智能识别方法及系统 | |
CN111540010A (zh) | 一种道路监测的方法、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 | |
Bhandari et al. | Fullstop: A camera-assisted system for characterizing unsafe bus stopping | |
CN115973190A (zh) | 自动驾驶车辆的决策方法、装置和电子设备 | |
CN113538968B (zh) | 用于输出信息的方法和装置 | |
CN112507964A (zh) | 用于车道级事件的检测方法和装置、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 | ||
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 Intelligent Connectivity (Beijing) Technology Co., Ltd. Address before: 2 / F, baidu building, 10 Shangdi 10th Street, Haidian District, Beijing 100085 Applicant before: BEIJING BAIDU NETCOM SCIENCE AND TECHNOLOGY Co.,Ltd. |
|
GR01 | Patent grant | ||
GR01 | Patent grant |