CN112367475A - 一种交通事件检测方法、系统及电子设备 - Google Patents

Abstract

本申请提供了交通事件检测方法，属于检测技术领域，包括：预先设置交通监控摄像头的多个长距离预置位；根据预设巡航规则控制监控摄像头巡航至指定的长距离预置位；在巡航过程中执行预置位校验算法；巡航至指定预置位后，执行画面抖动检测算法以获得抖动数据；用深度神经网络模型进行交通目标的检测，用跟踪算法获得交通目标的运动估计随机量，将抖动数据补偿到运动估计随机量上，再用匈牙利关联算法进行多目标全局跟踪以获得多目标的时空轨迹；基于时空轨迹及道路区域规则进行逻辑判断，得到交通事件的检测结果。本申请扩大了事件检测的范围；通过画面抖动检测和补偿，降低了长距离预置位的设置中相机抖动导致图像模糊和跟踪失效情况的发生。

Description

一种交通事件检测方法、系统及电子设备

技术领域

本申请涉及交通事件检测技术领域，具体而言，涉及一种交通事件检测方法、系统及电子设备。

背景技术

我国已成为全球机动车保有量最大、高速公路里程最长的国家，2019年全国高速公路总里程已超过18万公里。根据国家2019年颁布的交通强国战略，高速公路网络的信息化和智能化是其中非常重要的环节。

摄像头监控系统是高速公路上的基础感知系统，特别是重要路段都会有100%的监控系统覆盖，并将视频画面实时地回传到路段的监控指挥中心，路段的监控指挥中心会安排监控人员操作云台来观察各个方向的监控视频，人为判断是否有拥堵、异常停车、抛洒物、行人闯入等异常交通事件发生。然而，人工监控方式一方面会消耗大量人力物力资源，更重要的是，有研究数据表明人眼盯着画面连续观看20秒以上，会遗漏其中80%的信息，因此这种人工监控的方式还存在大量的事件漏报问题。

针对上述问题，现有技术中也有一些利用图像识别技术自主检测识别交通事件的方案。例如，CN111507237A公开了一种应用在高速公路上基于视频的异常事件检测方法与装置，先对获取的视频图像做帧差运算，划分视频图像的运动区域，再对已划分的各运动区域进行检测，识别物体是车辆或是行人，根据识别到的物体对象，识别异常事件为逆行或拥堵或抛洒或行人闯入；但是这个方法无法对抗摄像头视角变化，而且用帧差运算结果提取目标的检出率较低，误检较高，且抗干扰性差。CN107590834A 一种道路交通事件视频检测方法及系统，利用PTZ摄像机的多预置位训练能力来扩大事件检测的覆盖范围，在每个预置位通过背景建模的方式来提取目标进行事件检测，但是，该方案对预置位的视角并没有感知，摄像头在巡航过程中容易发生坐标的偏移从而导致原本的预置位路面结构模型失效。

综上可见，现有技术虽然进行了交通事件自动检测的尝试，但仍存在例如上述的许多技术问题，尤其是针对多预置位的监控检测方式，现有技术中还没有相关的方案能在大视野与识别准确度之间做到较好的平衡。

发明内容

为了解决上述背景技术中存在的技术问题，本申请提供了一种交通事件检测方法、系统及电子设备。

本申请的第一方面提供了一种交通事件检测方法，所述方法包括：

S1、预先设置交通监控摄像头的多个长距离预置位；

S2、根据预设巡航规则控制所述监控摄像头巡航至指定的所述长距离预置位；其中，在巡航过程中执行预置位校验算法；

S3、在所述摄像头巡航至指定预置位后，执行画面抖动检测算法以获得抖动数据；

S4、采用深度神经网络模型进行交通目标的检测，采用跟踪算法进一步获得所述交通目标的运动估计随机量，然后将步骤S3中的所述抖动数据补偿到所述运动估计随机量上，再采用匈牙利关联算法进行多目标全局跟踪以获得多目标的时空轨迹；

S5、基于所述时空轨迹及道路区域规则进行逻辑判断，从而得到交通事件的检测结果。

可选地，所述预设巡航规则包括：所述摄像头的预设预置位巡航顺序，或者人工输入的预置位巡航指令，或者其它摄像头传输的辅助检测请求。

可选地，所述其它摄像头传输的辅助检测请求中包括请求检测的监控位置；所述摄像头基于本身的位置及所述监控位置换算出对应的长距离预置位，然后巡航至该长距离预置位。

可选地，所述方法还包括：

S02、从摄像头周期性获取PTZ坐标，并与初始化时保存记录的所述长距离预置位坐标比对，若坐标距离小于阈值thr1且持续n个采样周期内坐标抖动幅度不大于阈值thr2，则判定到达指定的所述长距离预置位，执行步骤S2。

可选地，所述预置位校验算法,具体为：

使用预先训练好的深度学习模型提取当前画面的车道线，并同时进行车道线特征描述；将当前画面的车道线特征描述向量与初始化时保存记录的所述长距离预置位画面的车道线特征描述向量进行比较，若向量距离大于阈值thr3，则表示摄像头偏移量过大，提示人工调整摄像头；若向量距离小于阈值thr3，则表示摄像头偏移量在容忍范围内，根据偏移量自动调整监控图像中的布控线。

可选地，所述画面抖动检测算法,具体为：

采用光流法计算帧间的全局运动向量，展开时间和空间轴上的统计得到摄像头的抖动数据，包括抖动幅度和抖动方向。

可选地，所述采用光流法计算帧间的全局运动向量，展开时间和空间轴上的统计得到摄像头的抖动数据，包括抖动幅度和抖动方向，包括：

将视频图像画面的左右两侧预设宽度的范围作为监测区域，针对两侧的所述监测区域，分别采用光流法计算帧间的全局运动向量，分别展开时间和空间轴上的统计得到摄像头的抖动数据，包括抖动幅度和抖动方向；

若左右两侧监测区域的抖动幅度差值小于阈值thr4且抖动方向一致，则判定存在抖动，并保存所述抖动数据。

可选地，所述补偿采用最小二乘曲线拟合法或均值滤波法或卡尔曼滤波法。

本申请的第二方面提供了一种交通事件检测系统，所述系统包括

设置模块，用于预先设置交通监控摄像头的多个长距离预置位；

巡航控制模块，用于根据预设巡航规则控制所述监控摄像头巡航至指定的所述长距离预置位；

预置位校验模块，用于在巡航过程中执行预置位校验算法；

画面抖动检测模块，用于在所述监控摄像头巡航至指定预置位后，执行画面抖动检测算法以获得抖动数据；

交通检测跟踪模块，用于采用深度神经网络模型进行交通目标的检测，采用跟踪算法进一步获得所述交通目标的运动估计随机量，然后将步骤S3中的所述抖动数据补偿到所述运动估计随机量上，再采用匈牙利关联算法进行多目标全局跟踪以获得多目标的时空轨迹；

交通事件逻辑判断模块，用于基于所述时空轨迹及道路区域规则进行逻辑判断，从而得到交通事件的检测结果。

本申请的第三方面提供了一种计算机存储介质，该存储介质上存储有计算机程序，该计算机程序被处理器运行时执行如上任一项所述的方法。

本发明的有益效果在于：

1.本申请设置了最远可覆盖500米的长距离预置位，突破了传统预置位仅能覆盖100-150米范围的缺陷，扩大了事件检测的范围；

2.本申请还设置了画面抖动检测和补偿，以降低因长距离预置位的设置而出现的相机抖动导致图像模糊和跟踪失效情况的发生，显著提高了交通监控的准确性；

3. 本申请在进行画面抖动检测时，创造性的将监控图像画面分为左右两个部分，并分别进行抖动检测，并且只有在左右两侧的抖动幅度和抖动方向一致时才认定确实存在抖动情况，进而进行后续的抖动补偿操作。避免了基于全图进行抖动检测所带来的误判问题，提高了抖动检测准确性。

附图说明

为了更清楚地说明本申请实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本申请的某些实施例，因此不应被看作是对范围的限定，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相关的附图。

图1是本申请实施例公开的一种交通事件检测方法的流程示意图。

图2是本申请实施例公开的一种交通事件检测系统的结构示意图。

图3是本申请实施例公开一种电子设备的结构示意图。

具体实施方式

为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。

因此，以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围，而是仅仅表示本申请的选定实施例。基于本申请中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。

应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。

在本申请的描述中，需要说明的是，若出现术语“上”、“下”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，或者是该发明产品使用时惯常摆放的方位或位置关系，仅是为了便于描述本申请和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本申请的限制。

此外，若出现术语“第一”、“第二”等仅用于区分描述，而不能理解为指示或暗示相对重要性。

需要说明的是，在不冲突的情况下，本申请的实施例中的特征可以相互结合。

实施例一

请参阅图1，图1是本申请实施例公开的一种交通事件检测方法的流程示意图。如图1所示，本申请实施例的一种交通事件检测方法，所述方法包括：

S1、预先设置交通监控摄像头的多个长距离预置位；

S2、根据预设巡航规则控制所述监控摄像头巡航至指定的所述长距离预置位；其中，在巡航过程中执行预置位校验算法；

S3、在所述摄像头巡航至指定预置位后，执行画面抖动检测算法以获得抖动数据；

S4、采用深度神经网络模型进行交通目标的检测，采用跟踪算法进一步获得所述交通目标的运动估计随机量，然后将步骤S3中的所述抖动数据补偿到所述运动估计随机量上，再采用匈牙利关联算法进行多目标全局跟踪以获得多目标的时空轨迹；

S5、基于所述时空轨迹及道路区域规则进行逻辑判断，从而得到交通事件的检测结果。

在本申请实施例中，正常情况下，1080P的监控相机，事件检测的覆盖范围仅能达到100-150米，难以应对目前复杂的交通环境的监控。对此，本申请设置了长距离预置位，从而可以将事件检测范围突破到500米，相对于现有技术来说，显著提高了交通事件的检测范围，为更为准确、全面的交通监控提供了设备基础。但是设置长距离预置位之后又会导致相机抖动的加剧，于是，本申请又增加了画面抖动检测和补偿来降低相机抖动带来的图像模糊和跟踪失效情况的发生，显著提高了交通监控的准确性。

其中，对于道路区域规则来说，既包括道路通行结构信息还包括通行信号信息，于是，本申请的技术方案既可以对视线变道、逆行等进行检测，还可以检测识别闯红灯等不按交通指示行驶的违章。

可选地，所述预设巡航规则包括：所述摄像头的预设预置位巡航顺序，或者人工输入的预置位巡航指令，或者其它摄像头传输的辅助检测请求。

在本申请实施例中，摄像头的预置位巡航可以固定巡航顺序方案和实时指令控制巡航方案，其中固定巡航顺序方案可以是预先设置好的固定的预置位巡航顺序。而实时指令控制巡航方案又可以分为人工触发和其它摄像头请求触发两种，具体而言：监控工作人员根据监控需要而实时输入的预置位巡航指令，从而控制摄像头暂停固定巡航顺序方案而行进至指定的预置位；以及，交通监控的协同监控是目前智能交通的重要内容，例如，某个路口的摄像头检测识别到了交通异常情况的存在，但是由于光线、角度、遮挡等原因而无法获得对象物的身份信息（例如车牌号），此时，该摄像头可以向周边摄像头传输的辅助检测请求，例如周边设置有一个如本申请的方案的摄像头，其长距离预置位可以覆盖到该路口，尤其是当其拍摄角度理想时为更佳，此时就可以由该摄像头拍摄、识别获得对象物的身份信息在内的检测结果，从而实现协同监控。

可选地，所述其它摄像头传输的辅助检测请求中包括请求检测的监控位置；所述摄像头基于本身的位置及所述监控位置换算出对应的长距离预置位，然后巡航至该长距离预置位。

在本申请实施例中，可以预设路网结构与摄像头监控视野之间的预设关系，从而被请求辅助的摄像头可以根据接收的请求中的监控位置来确定所述监控位置是否在自身的监控范围内以及应当基于哪个预置位进行监控。另外，对于例如城镇区域，还存在建筑物遮挡的问题，所以，还可以将建筑物的位置及三维尺寸也预设进所述预设关系之中，然后再基于摄像头的位置、安装高度、监控视野来确定本摄像头是否真的能够覆盖所述请求的监控位置，或者发出请求的摄像头也可以基于周边摄像头的位置、安装高度、监控视野来确定周边摄像头是否真的能够覆盖所述请求的监控位置，并从中选择合适的周边摄像头以发出辅助检测请求。

可选地，所述方法还包括：

S02、从摄像头周期性获取PTZ坐标，并与初始化时保存记录的所述长距离预置位坐标比对，若坐标距离小于阈值thr1且持续n个采样周期内坐标抖动幅度不大于阈值thr2，则判定到达指定的所述长距离预置位，执行步骤S2。

在本申请实施例中，如果摄像头未到达指定预置位，则该方法后续所基于的视频图像显然不会完整的包括目标监控区域，摄像头是否准确到达指定预置位是事关整个检测方法能否获得准确检测结果的重要前提，需要对其是否到位先进行检测。在具体实施时，可在前述步骤S1中预设各个长距离预置位的坐标，然后实时检测获得摄像头的PTZ（即Pan/Tilt/Zoom的简写，代表云台全方位（上下、左右）移动及镜头变倍、变焦控制）坐标，当二者的坐标距离小于阈值thr1且持续n个采样周期内坐标抖动幅度不大于阈值thr2时，说明摄像头已经到达指定预置位且已经稳定在该预置位，可以进行后续的检测流程。

可选地，所述预置位校验算法具体为：

使用预先训练好的深度学习模型提取当前画面的车道线，并同时进行线段特征描述；将当前画面的车道线特征描述向量与初始化时保存记录的所述长距离预置位画面的车道线特征描述向量进行比较，若向量距离大于阈值thr3，则表示摄像头偏移量过大，提示人工调整摄像头；若向量距离小于阈值thr3，则表示摄像头偏移量在容忍范围内，根据偏移量自动调整监控图像中的布控线。

在本申请实施例中，虽然上述步骤S02对蛇形头是否到达指定预置位进行了检测，但是球机在长时间运行过程中还容易受到外部因素的干扰，例如在设定预置位巡航过程中会出现转动的位置与设定预置位有偏移，而且这种偏移会随时间累积，从而导致设定的预置位失效。针对该问题，本申请又增加了一个基于道路分割模型的预置位校验步骤，用来计算球机位置与设定预置位之间的视角偏移；如果视角偏移在允许范围之内，则通过道路分割模型对原本的区域布控进行修正，使得事件检测仍然得以正常进行，如果视角偏移过大，则触发预置位偏移事件告警，以提醒工作人员进行处理。

其中，针对视角偏移的情况，现有技术所采用的手段通常是继续控制摄像头朝偏移方向进行反向运动以使预置位与对应的参照物（例如车道线）对齐，然而，对于因球机机械部件磨损等原因而出现的偏移情况来说，球机实际上已经无法在物理上准确的行进至指定预置位了，所以，此种情况下就无法解决视角偏移的问题。而本申请是采用了更为主动的方式，即先经过步骤S02来确保摄像头已经运动至预置位且满足偏差条件（即阈值thr1、thr2），此时如何基于与车道线的向量比对仍然存在视角偏移情况时，主动小幅度的调整布控线的位置以克服检测到的视角偏差，该方案更具操作性，且可以避免现有技术中上述克服方式的缺陷。

可选地，所述画面抖动检测算法,具体为：

采用光流法计算帧间的全局运动向量，展开时间和空间轴上的统计得到摄像头的抖动数据，包括抖动幅度和抖动方向。

可选地，所述采用光流法计算帧间的全局运动向量，展开时间和空间轴上的统计得到摄像头的抖动数据，包括抖动幅度和抖动方向，包括：

将视频图像画面的左右两侧预设宽度的范围作为监测区域，针对两侧的所述监测区域，分别采用光流法计算帧间的全局运动向量，分别展开时间和空间轴上的统计得到摄像头的抖动数据，包括抖动幅度和抖动方向；

若左右两侧监测区域的抖动幅度差值小于阈值thr4且抖动方向一致，则判定存在抖动，并保存所述抖动数据。

在本申请实施例中，现有技术中采用光流法计算帧间全局运动向量时，均是针对单一监控画面进行，然而，该方式对交通监控场景来说并不是特别的适用。因为，交通监控场景中的车辆时刻处于运动状态，于是帧间全局运动向量会始终处于变动状态，如此容易引起抖动误判，而通过前景检测来排除运动车辆的影响的方案，显然又会大幅增加计算难度及负荷，尤其当道路发生拥挤车辆较多时，实用意义较低。针对上述现实问题，由于视频监控画面的左右两侧为非机动车道区域，通常情况下该区域不会出现太大的变动，所以，本申请将视频监控画面分为左右两侧，并分别对左右两侧图像的预定区域进行全局运动向量的检测，如果两侧的抖动幅度差值在预设范围内且抖动方向也一致，则说明确实发生了抖动情况，接着将该抖动数据进行保存以用于后续的图像补偿。

其中，对于预定区域的设置，可以有采用如下方式：检测识别出道路边界线，将画面外侧边到道路边线的区域作为所述预定区域，也即，将机动车道以为的区域作为所述预定区域。但是，在实际的交通场景中，路边经常会停有车辆，尤其是当停泊车辆过多的时候会将整个的机动车车道边线全部遮盖起来，针对该情况，还可以识别监控图像中的若干车辆的平均宽度及其与整个监控画面宽度的比值，同时还获取摄像头当前所处的预置位信息，综合上述信息来将从监控画面侧边沿至监控画面内部方向的预定范围作为所述预定区域。举例而言，当前监控图像中车辆的宽度均值与监控画面宽度的比值为1:α，同时基于预置位信息查表获得对应的系数β，于是，预定区域的范围即为监控画面宽度的β*（1/α）；其中，越是长距离的预置位对应的系数β越小，且所有系数均小于等于1，其含义：越是长距离的预置位，监控图像被拉的就越近，监控视野也就越小，相应地机动车道以外的区域所占面积也就越小，所以设置更小的系数β以使预定区域也对应小一些；反之，对于近距离的预置位，则其系数β越大，以在大视野中的圈定更大范围的预定区域。另外，系数β是非线性设置的。

可选地，所述补偿采用最小二乘曲线拟合法或均值滤波法或卡尔曼滤波法。

实施例二

请参阅图2，图2是本申请实施例公开的一种交通事件检测系统的结构示意图。如图2所示，本申请实施例的一种交通事件检测系统，所述系统包括：

设置模块，用于预先设置交通监控摄像头的多个长距离预置位；

巡航控制模块，用于根据预设巡航规则控制所述监控摄像头巡航至指定的所述长距离预置位；

预置位校验模块，用于在巡航过程中执行预置位校验算法；

画面抖动检测模块，用于在所述监控摄像头巡航至指定预置位后，执行画面抖动检测算法以获得抖动数据；

交通检测跟踪模块，用于采用深度神经网络模型进行交通目标的检测，采用跟踪算法进一步获得所述交通目标的运动估计随机量，然后将所述抖动数据叠加到所述运动估计随机量上，再采用匈牙利关联算法进行多目标全局跟踪以获得多目标的时空轨迹；

交通事件逻辑判断模块，用于基于所述时空轨迹及道路区域规则进行逻辑判断，从而得到交通事件的检测结果。

在本申请实施例中，正常情况下，1080P的监控相机，事件检测的覆盖范围仅能达到100-150米，难以应对目前复杂的交通环境的监控。对此，本申请设置了长距离预置位，从而可以将事件检测范围突破到500米，相对于现有技术来说，显著提高了交通事件的检测范围，为更为准确、全面的交通监控提供了设备基础。但是设置长距离预置位之后又会导致相机抖动的加剧，于是，本申请又增加了画面抖动检测和补偿来降低相机抖动带来的图像模糊和跟踪失效情况的发生，显著提高了交通监控的准确性。

实施例三

请参阅图3，图3是本申请实施例公开的一种电子设备，其特征在于：所述设备包括：

存储有可执行程序代码的存储器；

与所述存储器耦合的处理器；

所述处理器调用所述存储器中存储的所述可执行程序代码，执行如实施例一所述的交通事件检测方法。

实施例四

本申请实施例还公开了一种计算机存储介质，该存储介质上存储有计算机程序，该计算机程序被处理器运行时执行如实施例一所述的交通事件检测方法。

本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

以上所述，仅为本申请的具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应以所述权利要求的保护范围为准。

Claims (10)

1.一种交通事件检测方法，其特征在于：所述方法包括：

S1、预先设置交通监控摄像头的多个长距离预置位；

S2、根据预设巡航规则控制所述监控摄像头巡航至指定的所述长距离预置位；其中，在巡航过程中执行预置位校验算法；

S3、在所述摄像头巡航至指定预置位后，执行画面抖动检测算法以获得抖动数据；

S4、采用深度神经网络模型进行交通目标的检测，采用跟踪算法进一步获得所述交通目标的运动估计随机量，然后将步骤S3中的所述抖动数据补偿到所述运动估计随机量上，再采用匈牙利关联算法进行多目标全局跟踪以获得多目标的时空轨迹；

S5、基于所述时空轨迹及道路区域规则进行逻辑判断，从而得到交通事件的检测结果。

2.根据权利要求1所述的方法，其特征在于：所述预设巡航规则包括：所述摄像头的预设预置位巡航顺序，或者人工输入的预置位巡航指令，或者其它摄像头传输的辅助检测请求。

3.根据权利要求2所述的方法，其特征在于：所述其它摄像头传输的辅助检测请求中包括请求检测的监控位置；所述摄像头基于本身的位置及所述监控位置换算出对应的长距离预置位，然后巡航至该长距离预置位。

4.根据权利要求1所述的方法，其特征在于：所述方法还包括：

S02、从摄像头周期性获取PTZ坐标，并与初始化时保存记录的所述长距离预置位坐标比对，若坐标距离小于阈值thr1且持续n个采样周期内坐标抖动幅度不大于阈值thr2，则判定到达指定的所述长距离预置位，执行步骤S2。

5.根据权利要求1所述的方法，其特征在于：所述预置位校验算法,具体为：

使用预先训练好的深度学习模型提取当前画面的车道线，并同时进行车道线特征描述；将当前画面的车道线特征描述向量与初始化时保存记录的所述长距离预置位画面的车道线特征描述向量进行比较，若向量距离大于阈值thr3，则表示摄像头偏移量过大，提示人工调整摄像头；若向量距离小于阈值thr3，则表示摄像头偏移量在容忍范围内，根据偏移量自动调整监控图像中的布控线。

6.根据权利要求1所述的方法，其特征在于：所述画面抖动检测算法,具体为：

采用光流法计算帧间的全局运动向量，展开时间和空间轴上的统计得到摄像头的抖动数据，包括抖动幅度和抖动方向。

7.根据权利要求6所述的方法，其特征在于：所述采用光流法计算帧间的全局运动向量，展开时间和空间轴上的统计得到摄像头的抖动数据，包括抖动幅度和抖动方向，包括：

将视频图像画面的左右两侧预设宽度的范围作为监测区域，针对两侧的所述监测区域，分别采用光流法计算帧间的全局运动向量，分别展开时间和空间轴上的统计得到摄像头的抖动数据，包括抖动幅度和抖动方向；

若左右两侧监测区域的抖动幅度差值小于阈值thr4且抖动方向一致，则判定存在抖动，并保存所述抖动数据。

8.根据权利要求1所述的方法，其特征在于：所述补偿采用最小二乘曲线拟合法或均值滤波法或卡尔曼滤波法。

9.一种交通事件检测系统，其特征在于：所述系统包括

设置模块，用于预先设置交通监控摄像头的多个长距离预置位；

巡航控制模块，用于根据预设巡航规则控制所述监控摄像头巡航至指定的所述长距离预置位；

预置位校验模块，用于在巡航过程中执行预置位校验算法；

画面抖动检测模块，用于在所述监控摄像头巡航至指定预置位后，执行画面抖动检测算法以获得抖动数据；

交通检测跟踪模块，用于采用深度神经网络模型进行交通目标的检测，采用跟踪算法进一步获得所述交通目标的运动估计随机量，然后将所述抖动数据补偿到所述运动估计随机量上，再采用匈牙利关联算法进行多目标全局跟踪以获得多目标的时空轨迹；

交通事件逻辑判断模块，用于基于所述时空轨迹及道路区域规则进行逻辑判断，从而得到交通事件的检测结果。

10.一种电子设备，其特征在于：所述设备包括：

存储有可执行程序代码的存储器；

与所述存储器耦合的处理器；

所述处理器调用所述存储器中存储的所述可执行程序代码，执行如权利要求1-8任一项所述的交通事件检测方法。

Images