CN112464749A - 一种基于规则与学习的交通场景异常目标检测方法 - Google Patents

一种基于规则与学习的交通场景异常目标检测方法 Download PDF

Info

Publication number
CN112464749A
CN112464749A CN202011251133.8A CN202011251133A CN112464749A CN 112464749 A CN112464749 A CN 112464749A CN 202011251133 A CN202011251133 A CN 202011251133A CN 112464749 A CN112464749 A CN 112464749A
Authority
CN
China
Prior art keywords
speed
traffic scene
target object
target
movement
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.)
Pending
Application number
CN202011251133.8A
Other languages
English (en)
Inventor
徐勇
黄超
王耀威
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Peng Cheng Laboratory
Original Assignee
Peng Cheng Laboratory
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Peng Cheng Laboratory filed Critical Peng Cheng Laboratory
Priority to CN202011251133.8A priority Critical patent/CN112464749A/zh
Publication of CN112464749A publication Critical patent/CN112464749A/zh
Pending legal-status Critical Current

Links

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
    • 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
    • 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
    • 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
    • G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Theoretical Computer Science (AREA)
  • Computational Linguistics (AREA)
  • Software Systems (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Traffic Control Systems (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种基于规则与学习的交通场景异常目标检测方法，所述方法包括：获取实时采集的交通场景视频数据；对所述交通场景视频数据进行统计和运算，得到目标物体的疑似异常运动信息；根据所述疑似异常运动信息和交通规则，确定交通场景异常运动的目标。本发明实施例通过将采集的交通场景视频数据进行统计和运算，得到目标物体的疑似异常运动信息，再根据疑似异常运动信息和交通规则确定出交通场景异常运动的目标，运算量小，实现高实时性，对交通场景异常运动目标的确定更加精准。

Description

一种基于规则与学习的交通场景异常目标检测方法
技术领域
本发明涉及通信技术领域，尤其涉及的是一种基于规则与学习的交通场景异常目标检测方法。
背景技术
现有技术检测交通场景异常目标的方法是利用生成对抗网络(GAN,GenerativeAdversarial Networks)预测连续四帧视频的后一帧视频。训练时，利用正常视频样本训练生成器，使其能够很好地预测正常视频；测试时，生成器对正常视频生成的预测帧与原始视频之间的误差较小，而生成器不能很好地对异常视频进行预测，其预测帧与原始帧之间有较大的误差。因此，利用预测帧与原始帧之间的误差来检测异常行为的缺陷是：该算法是在假定用于有限的正常样本训练的生成器能够对所有的正常样本都能很好的预测的基础上设计的。然而，现实中不可能收集到所有的类型的正常行为，对于非典型的正常样本效果并不理想。此外，该类方法是基于深度学习的端到端的异常行为检测方法，复杂的深度神经网络结构使得该算法不能满足实际应用中的实时性要求。
因此，现有技术还有待改进和发展。
发明内容
本发明要解决的技术问题在于，针对现有技术的上述缺陷，提供一种基于规则与学习的交通场景异常目标检测方法，旨在解决现有技术中确定交通场景异常运动目标不准确，运算量大，且无法实现实时性的问题。
本发明解决问题所采用的技术方案如下：
第一方面，本发明实施例提供一种基于规则与学习的交通场景异常目标检测方法，其中，所述方法包括：
获取实时采集的交通场景视频数据；
对所述交通场景视频数据进行统计和运算，得到目标物体的疑似异常运动信息；
根据所述疑似异常运动信息和交通规则，确定交通场景异常运动的目标。
在一种实现方式中，其中，所述对所述交通场景视频数据进行统计和运算，确定目标物体的疑似异常运动信息包括：
根据所述交通视频数据确定出目标物体在预设时间段的运动速度、目标物体在预设时间段的运动方向、目标物体在预设时间段的运动轨迹、目标物体当前的交通场景和在当前交通场景的目标物体数量；
根据所述交通场景，所述目标物体数量、对所述运动速度进行统计和运算，确定疑似异常运动速度；
根据所述运动方向，对所述运动方向进行判别，确定疑似异常运动方向；
根据所述运动轨迹，对所述运动轨迹进行判别，确定疑似异常运动轨迹。
在一种实现方式中，其中，所述根据所述交通场景，所述目标物体数量、对所述运动速度进行统计和运算，确定疑似异常运动速度包括：
根据所述交通场景、所述运动速度和所述目标物体数量，经过统计和运算确定出目标物体运动速度阈值；其中，当所述交通场景为市区限速路段时，所述运动速度为第一运动速度，所述目标物体数量为第一目标物体数量；当所述交通场景为限制低速的高速路段时，所述运动速度为第二运动速度，所述目标物体数量为第二目标物体数量；当所述交通场景为同时限制高速和低速的高速路段时，所述运动速度为第三运动速度，所述目标物体数量为第三目标物体数量；
根据所述目标物体运动速度阈值，确定疑似异常运动速度。
在一种实现方式中，其中，所述根据所述交通场景、所述运动速度和所述目标物体数量确定出目标物体运动速度阈值包括：
当所述交通场景为市区限速路段时，根据所述第一运动速度和所述第一目标物体数量确定出目标物体运动速度第一阈值；
当所述交通场景为限制低速的高速路段时，根据所述第二运动速度和所述第二目标物体数量确定出目标物体运动速度第二阈值；
当所述交通场景为同时限制高速和低速的高速路段时，根据所述第三运动速度和所述第三目标物体数量确定出目标物体运动速度第三阈值和目标物体运动速度第四阈值，其中，目标物体运动速度第三阈值小于目标物体运动速度第四阈值。
在一种实现方式中，其中，所述根据所述目标物体运动速度阈值，确定疑似异常运动速度包括：
当所述交通场景为市区限速路段时，且当所述第一运动速度大于所述目标物体运动速度第一阈值时，则确定所述第一运动速度为疑似异常运动速度；
当所述交通场景为限制低速的高速路段时，且当所述第二运动速度小于所述目标物体运动速度第二阈值时，则确定所述第二运动速度为疑似异常运动速度；
当所述交通场景为同时限制高速和低速的高速路段时，且当所述第三运动速度小于目标物体运动速度第三阈值或者当所述第三运动速度大于目标物体运动速度第四阈值时，则确定所述第三运动速度为疑似异常运动速度。
在一种实现方式中，其中，所述根据所述运动方向，对所述运动方向进行判别，确定疑似异常运动方向包括：
获取目标物体的最大平均运动方向变化值vmax；
获取目标物体的平均运动方向变化值
Figure BDA0002771646420000041
当所述运动方向大于
Figure BDA0002771646420000042
时，所述运动方向为疑似异常运动方向；其中，β为大于0.8并且小于1的参数，根据当前交通场景进行调整。
在一种实现方式中，其中，所述根据所述运动轨迹，对所述运动轨迹进行判别，确定疑似异常运动轨迹包括：
根据所述运动轨迹，获取目标物体的最大运动方向变化值directionmax；
当directionmax>γ时，则所述运动轨迹为疑似异常运动轨迹；其中，γ为预设运动方向阈值。
在一种实现方式中，其中，所述根据所述疑似异常运动信息和交通规则，确定异常运动目标包括：
获取系统中根据交通规则设定的先验值；
根据所述疑似异常运动速度，所述疑似异常运动方向，所述疑似异常运动轨迹和所述先验值，确定异常运动目标。
第二方面，本发明实施例还提供一种基于规则与学习的交通场景异常目标检测装置，其中，装置包括：
交通场景视频数据获取单元，用于获取实时采集的交通场景视频数据；
疑似异常运动信息获取单元，用于对所述交通场景视频数据进行统计和运算，得到目标物体的疑似异常运动信息；
交通场景异常运动目标确定单元，用于根据所述疑似异常运动信息和交通规则，确定交通场景异常运动的目标。
第三方面，本发明实施例还提供一种智能终端，包括有存储器，以及一个或者一个以上的程序，其中一个或者一个以上程序存储于存储器中，且经配置以由一个或者一个以上处理器执行所述一个或者一个以上程序包含用于执行如上述任意一项所述的基于规则与学习的交通场景异常目标检测方法。
第四方面，本发明实施例还提供一种非临时性计算机可读存储介质，当所述存储介质中的指令由电子设备的处理器执行时，使得电子设备能够执行如上述中任意一项所述的基于规则与学习的交通场景异常目标检测方法。
本发明的有益效果：本发明实施例首先获取实时采集的交通场景视频数据；然后对所述交通场景视频数据进行统计和运算，得到目标物体的疑似异常运动信息；最后根据所述疑似异常运动信息和交通规则，确定交通场景异常运动的目标；可见，本发明实施例通过将采集的交通场景视频数据进行统计和运算，得到目标物体的疑似异常运动信息，再根据疑似异常运动信息和交通规则确定出交通场景异常运动的目标，运算量小，实现高实时性，对交通场景异常运动目标的确定更加精准。
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中记载的一些实施例，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本发明实施例提供的一种基于规则与学习的交通场景异常目标检测方法流程示意图
图2本发明实施例提供的一种基于规则与学习的交通场景异常目标检测装置的原理框图。
图3本发明实施例提供的智能终端的内部结构原理框图。
具体实施方式
本发明公开了一种基于规则与学习的交通场景异常目标检测方法，为使本发明的目的、技术方案及效果更加清楚、明确，以下参照附图并举实施例对本发明进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。
本技术领域技术人员可以理解，除非特意声明，这里使用的单数形式“一”、“一个”、“所述”和“该”也可包括复数形式。应该进一步理解的是，本发明的说明书中使用的措辞“包括”是指存在所述特征、整数、步骤、操作、元件和/或组件，但是并不排除存在或添加一个或多个其他特征、整数、步骤、操作、元件、组件和/或它们的组。应该理解，当我们称元件被“连接”或“耦接”到另一元件时，它可以直接连接或耦接到其他元件，或者也可以存在中间元件。此外，这里使用的“连接”或“耦接”可以包括无线连接或无线耦接。这里使用的措辞“和/或”包括一个或更多个相关联的列出项的全部或任一单元和全部组合。
本技术领域技术人员可以理解，除非另外定义，这里使用的所有术语(包括技术术语和科学术语)，具有与本发明所属领域中的普通技术人员的一般理解相同的意义。还应该理解的是，诸如通用字典中定义的那些术语，应该被理解为具有与现有技术的上下文中的意义一致的意义，并且除非像这里一样被特定定义，否则不会用理想化或过于正式的含义来解释。
由于现有技术中，检测交通场景异常目标的方法是利用生成对抗网络(GAN,Generative Adversarial Networks)预测连续四帧视频的后一帧视频。训练时，利用正常视频样本训练生成器，使其能够很好地预测正常视频；测试时，生成器对正常视频生成的预测帧与原始视频之间的误差较小，而生成器不能很好地对异常视频进行预测，其预测帧与原始帧之间有较大的误差。因此，利用预测帧与原始帧之间的误差来检测异常行为。这种方法的缺陷是：该算法是在假定用于有限的正常样本训练的生成器能够对所有的正常样本都能很好的预测的基础上设计的。然而，现实中不可能收集到所有的类型的正常行为，对于非典型的正常样本效果并不理想。此外，该类方法是基于深度学习的端到端的异常行为检测方法，复杂的深度神经网络结构使得该算法不能满足实际应用中的实时性要求，因此，现有技术确定交通场景异常运动目标不准确，运算量大，且无法实现实时性的问题。
为了解决现有技术的问题，本实施例提供了一种基于规则与学习的交通场景异常目标检测方法，通过本实施例中的方法，基于规则与学习的交通场景异常目标检测系统先获取摄像头实时采集的交通场景视频数据，包括图片数据和影音数据，交通场景视频数据可以看到目标物体是处于运动的还是处于静止的，目标物体运动的速度大小，目标物体运动的方向，目标物体运动的轨迹，然后对交通场景视频数据进行统计和运算，就可以得到目标物体的疑似异常运动信息，也即得到目标物体可能存在异常运动的信息。为了进一步确定出准确的交通场景异常运动目标，还需要增加交通规则项来辅助判断，也即在疑似异常运动信息的基础上，再根据交通规则来最终确定交通场景异常运动的目标。本实施例中的方法运算量小，实现高实时性，对交通场景异常运动目标的确定更加精准。
举例说明
交通场景异常目标检测技术判断超速、危险驾驶行为等交通违章的重要技术手段，异常目标的自动检测可有效提高该类行政执法的效率，节省大量的人力；实际应用中可在自动检测系统所得结果的基础上，进行人工确认并实施行政执法。常规的交通场景异常目标检测常根据“学习算法”得出，即将算法得出的结果作为判定结果。而实际应用场景中的异常目标判别是一个很复杂的问题，它不仅随场景的变化而变化，而且随着场景中限速规定的调整而变化。此外，交通管理规定也是直接影响异常目标判别的关键因素之一。交通场景中运动目标的速度、运动方向、轨迹等的估算存在的计算上的误差也制约了异常目标判别的准确度。因此，本发明专利提出由于绝大多数车辆会遵守交通规则、可利用“多数正常，少数异常”的原则进行交通场景异常目标判别、并同时利用交通规则进行辅助判别的思路，也即将疑似异常运动目标与疑似违章运动目标的“交集”作为最终的异常运动目标，通过本实施例中的基于规则与学习的交通场景异常目标检测方法，先获取实时采集的交通场景视频数据，摄像头拍摄的目标具有“近大远小”的特点，即使是物理尺度完全相同的目标，距离摄像头近的目标的成像尺寸会比较大，而距离摄像头远的目标的成像尺寸会比较小。因此，需要根据对监控摄像头的成像区域进行区域划分时按照距离监控摄像头近的地方单个区域面积较大、而距离监控摄像头远的地方单个区域面积较小的方式进行划分。然后对所述交通场景视频数据进行统计和运算，得到目标物体的疑似异常运动信息；也即计算出交通场景中运动目标的运动速度、运动方向、运动轨迹等，通过上述交通场景的运动信息就可以初步得出目标物体的疑似异常运动信息，为了对交通场景异常运动的目标进行精准的判断，增加了交通规则判断项，即根据疑似异常运动信息和交通规则一同来确定交通场景异常运动的目标，本实施例中的方法运算量小，实现高实时性，对交通场景异常运动目标的确定更加精准。
示例性方法
本实施例提供一种基于规则与学习的交通场景异常目标检测方法，该方法可以应用于通信智能终端。具体如图1所示，所述方法包括：
步骤S100、获取实时采集的交通场景视频数据；
具体地，系统安装在某一交通应用场景后，即通过系统配置的摄像头实时采集交通视频数据，所述采集方式有磁频采集和波断采集，其中磁频采集的是在触发视频后进行流量测量，而波断采集是在触发视频后进行速度测量。当系统获得实时采集的交通场景视频数据后就可以完善信息，然后为后续进行数据分析做准备。
本实施例提供一种基于规则与学习的交通场景异常目标检测方法，该方法可以应用于通信智能终端。具体如图1所示，所述方法包括：
步骤S200、对所述交通场景视频数据进行统计和运算，得到目标物体的疑似异常运动信息；
在本实施例中，系统运算方法是在客服端或服务器上运行的，实际中，系统获取到交通场景视频数据后，就可以在客服端或服务器上进行统计和运算，例如实际中，交通场景的视频数据包含交通场景目标的运动速度，交通场景目标的运动方向，交通场景目标的运动轨迹，通过将上述信息放置到客服端或服务器上进行统计，然后根据一种运算方法，也可以为基于神经网络的学习算法等得到目标物体的疑似异常运动信息。
为了得到目标物体的疑似异常运动信息，所述对所述交通场景视频数据进行统计和运算，确定目标物体的疑似异常运动信息包括如下步骤：
步骤S201、根据所述交通视频数据确定出目标物体在预设时间段的运动速度、目标物体在预设时间段的运动方向、目标物体在预设时间段的运动轨迹、目标物体当前的交通场景和在当前交通场景的目标物体数量；
步骤S202、根据所述交通场景，所述目标物体数量、对所述运动速度进行统计和运算，确定疑似异常运动速度；
步骤S203、根据所述运动方向，对所述运动方向进行判别，确定疑似异常运动方向；
步骤S204、根据所述运动轨迹，对所述运动轨迹进行判别，确定疑似异常运动轨迹。
具体地，系统获取所述交通视频数据后，就可以确定出目标物体在预设时间段的运动速度、目标物体在预设时间段的运动方向、目标物体在预设时间段的运动轨迹、目标物体当前的交通场景和在当前交通场景的目标物体数量；由于在实际的运算过程中，目标物体的疑似异常运动信息是分别得到的，比如，根据所述交通场景，所述目标物体数量、对所述运动速度进行统计和运算，确定疑似异常运动速度；根据所述运动方向，对所述运动方向进行判别，确定疑似异常运动方向；根据所述运动轨迹，对所述运动轨迹进行判别，确定疑似异常运动轨迹。通过对目标物体的疑似异常运动信息的多维运算，得到全面的目标物体的疑似异常运动信息。
为了确定出疑似异常运动速度，所述根据所述交通场景，所述目标物体数量、对所述运动速度进行统计和运算，确定疑似异常运动速度包括如下步骤：根据所述交通场景、所述运动速度和所述目标物体数量，经过统计和运算确定出目标物体运动速度阈值；其中，当所述交通场景为市区限速路段时，所述运动速度为第一运动速度，所述目标物体数量为第一目标物体数量；当所述交通场景为限制低速的高速路段时，所述运动速度为第二运动速度，所述目标物体数量为第二目标物体数量；当所述交通场景为同时限制高速和低速的高速路段时，所述运动速度为第三运动速度，所述目标物体数量为第三目标物体数量；根据所述目标物体运动速度阈值，确定疑似异常运动速度。
在本实施例中，系统获取所述交通视频数据后，就可以确定出目标物体在预设时间段的运动速度、目标物体当前交通场景和在当前交通场景的目标物体数量；由于运动速度和目标物体数量所在的交通场景不同，当所述交通场景为市区限速路段时，所述运动速度为第一运动速度，所述目标物体数量为第一目标物体数量；当所述交通场景为限制低速的高速路段时，所述运动速度为第二运动速度，所述目标物体数量为第二目标物体数量；当所述交通场景为同时限制高速和低速的高速路段时，所述运动速度为第三运动速度，所述目标物体数量为第三目标物体数量；通过统计方法计算得到疑似异常运动目标判定阈值，并根据所述运动速度和运动速度阈值的比较确定出疑似异常运动目标。在另一种实施方式中，根据运动速度、目标物体当前交通场景和在当前交通场景的目标物体数量，通过学习训练算法来计算得到疑似异常运动目标判定阈值并依据所述运动速度和运动速度阈值的比较确定出疑似异常运动目标。其中，学习训练算法可以采用神经网络或者实际中任一种可能出现的算法模型。
为了确定出目标物体运动速度阈值，所述根据所述交通场景、所述运动速度和所述目标物体数量确定出目标物体运动速度阈值包括如下步骤：当所述交通场景为市区限速路段时，根据所述第一运动速度和所述第一目标物体数量确定出目标物体运动速度第一阈值；当所述交通场景为限制低速的高速路段时，根据所述第二运动速度和所述第二目标物体数量确定出目标物体运动速度第二阈值；当所述交通场景为同时限制高速和低速的高速路段时，根据所述第三运动速度和所述第三目标物体数量确定出目标物体运动速度第三阈值和目标物体运动速度第四阈值，其中，目标物体运动速度第三阈值小于目标物体运动速度第四阈值。
具体地，当所述交通场景为市区限速路段时，也即应用于过高运动速度为异常的交通场景，系统对当前时刻以前的t时间段内不同区域的所有运动目标进行运动速度的分析，估算出所有运动目标的运动速度；利用公式
Figure BDA0002771646420000111
确定出运动速度s。对某区域而言，n代表该区域内t时间段内的所有运动目标的数量，而ns代表该区域内t时间段内速度小于等于运动速度s的运动目标的数量。公式
Figure BDA0002771646420000112
的意思为如果
Figure BDA0002771646420000113
恰好等于疑似异常运动目标判定阈值α，则速度值s称为速度阈值。系统将当前时刻区域内所有速度值大于s的运动目标判定为疑似异常运动目标。如果
Figure BDA0002771646420000114
不恰好等于但是最接近于疑似异常运动目标判定阈值α，则速度值s也称为速度阈值。
当所述交通场景为限制低速的高速路段时，也即应用于过低运动速度为异常的交通场景(常见于限制最低速度的高速路段)。系统对当前时刻以前的t时间段内不同区域的所有运动目标进行运动速度的分析，估算出所有运动目标的运动速度；利用公式
Figure BDA0002771646420000115
确定出速度s。对某区域而言，n代表该区域内t时间段内的所有运动目标的数量，而ng代表该区域内t时间段内速度大于等于运动速度g的运动目标的数量。公式
Figure BDA0002771646420000121
的意思为如果
Figure BDA0002771646420000122
恰好等于或者最接近于疑似异常运动目标判定阈值α，则速度值g称为速度阈值。
当所述交通场景为同时限制高速和低速的高速路段时也即应用于限制最高速度以及需要同时判别出超低速或者静止运动目标的交通场景。此时，需要双判定阈值α1和α2。系统对当前时刻以前的t时间段内不同区域的所有运动目标进行运动速度的分析，估算出所有运动目标的运动速度；利用公式
Figure BDA0002771646420000123
确定出速度s。对某区域而言，n代表该区域内t时间段内的所有运动目标的数量，而np代表该区域内t时间段内速度大于等于运动速度p的运动目标的数量；nq代表该区域内t时间段内速度小于等于运动速度q的运动目标的数量。p与q之间的大小关系为p<q。公式
Figure BDA0002771646420000124
表示
Figure BDA0002771646420000125
恰好等于或者最接近于疑似异常运动目标判定阈值α1，公式
Figure BDA0002771646420000126
表示
Figure BDA0002771646420000127
恰好等于或者最接近于疑似异常运动目标判定阈值α2。速度值p与q分别称为低速度阈值与高速度阈值。
为了确定疑似异常运动速度，所述根据所述目标物体运动速度阈值，确定疑似异常运动速度包括：当所述交通场景为市区限速路段时，且当所述第一运动速度大于所述目标物体运动速度第一阈值时，则确定所述第一运动速度为疑似异常运动速度；当所述交通场景为限制低速的高速路段时，且当所述第二运动速度小于所述目标物体运动速度第二阈值时，则确定所述第二运动速度为疑似异常运动速度；当所述交通场景为同时限制高速和低速的高速路段时，且当所述第三运动速度小于目标物体运动速度第三阈值或者当所述第三运动速度大于目标物体运动速度第四阈值时，则确定所述第三运动速度为疑似异常运动速度。
具体地，在本实施例中，当所述交通场景为市区限速路段时，系统确定出运动速度s为运动速度阈值后，系统将当前时刻区域内所有运动速度大于s的运动目标判定为疑似异常运动目标。当所述交通场景为限制低速的高速路段时，系统确定出运动速度g为速度阈值后，系统将当前时刻区域内所有速度值小于g的运动目标判定为疑似异常运动目标。当所述交通场景为同时限制高速和低速的高速路段时，也即系统确定运动速度p与运动速度q分别为低速度阈值与高速度阈值时，系统将当前时刻区域内所有运动速度小于p或者当前时刻区域内所有运动速度大于q的运动目标判定为疑似异常运动目标。
为了确定疑似异常运动方向，所述根据所述运动方向，对所述运动方向进行判别，确定疑似异常运动方向包括如下步骤：获取目标物体的最大平均运动方向变化值vmax；获取目标物体的平均运动方向变化值
Figure BDA0002771646420000131
当所述运动方向大于
Figure BDA0002771646420000132
时，所述运动方向为疑似异常运动方向；其中，β为大于0.8并且小于1的参数，根据当前交通场景进行调整。
具体地，对当前时刻以前的t时间段内不同区域的所有单个目标进行平均运动方向变化的分析，在计算出目标不同时刻的运动方向的基础上估算出所有运动目标的平均运动方向变化。令一个区域内t时间段内第j个目标的平均运动方向变化值为vj；该区域内t时间段内全体目标的平均运动方向变化值为
Figure BDA0002771646420000133
该区域内t时间段内所有目标中的最大平均运动方向变化值vmax。单个目标的平均运动方向变化值的计算方式为将目标在分析区域内的移动分为k个时间片段，从第二个时间片段开始计算当前时间片段与前一时间片段之间运动方向的差值的绝对值；由于可以一共得到k-1绝对值，这k-1值的均值就为当前目标的平均运动方向变化值。
然后，将当前时刻该区域内平均运动方向变化值大于
Figure BDA0002771646420000141
的目标确定为疑似运动方向异常的运动目标。β为大于0.8并且小于1的参数。β根据当前交通场景可以进行调整。
为了确定疑似异常运动轨迹，所述根据所述运动轨迹，对所述运动轨迹进行判别，确定疑似异常运动轨迹包括如下步骤：根据所述运动轨迹，获取目标物体的最大运动方向变化值directionmax；当directionmax>γ时，则所述运动轨迹为疑似异常运动轨迹；其中，γ为预设运动方向阈值。
具体地，根据运动轨迹，假设已经估计得出当前时刻以前的t时间段内不同区域的所有单个目标的不同时刻的运动方向、平均运动方向变化值。系统获取到目标物体的运动轨迹后，假设该区域当前时刻估算出的某个目标的最大运动方向变化值为directionmax。然后，假如该区域内当前时刻的待分析目标已经满足疑似运动方向异常的判定条件，如果directionmax>γ，则将此目标判定为疑似运动轨迹异常的运动目标。γ为预设阈值，根据当前交通场景进行设置。
本实施例提供一种基于规则与学习的交通场景异常目标检测方法，该方法可以应用于通信智能终端。具体如图1所示，所述方法包括：
步骤S300、根据所述疑似异常运动信息和交通规则，确定交通场景异常运动的目标。
实际中，系统根据疑似异常运动信息来判断交通场景异常运动目标可能会存在不精准的问题，因此本实施例将疑似异常运动目标与疑似违章运动目标的“交集”作为最终的异常运动目标的方案。即对交通场景中的每一区域进行如下处理：首先设定疑似异常运动目标判定阈值，并依据阈值确定出疑似异常运动目标。然后依据交通规则确定出疑似违章运动目标，最后将二者的“交集”作为最终的异常运动目标，也即同时满足疑似异常运动信息目标和疑似违章运动目标的目标才作为异常运动目标，提高了判断的准确性。
为了确定交通场景异常运动的目标，所述根据所述疑似异常运动信息和交通规则，确定异常运动目标包括如下步骤：
步骤S301、获取系统中根据交通规则设定的先验值；
步骤S302、根据所述疑似异常运动速度，所述疑似异常运动方向，所述疑似异常运动轨迹和所述先验值，确定异常运动目标。
实际中，交通规则如：机动车、非机动车实行右侧通行，道路划设专用车道的，在专用车道内，只准许规定的车辆通行，其他车辆不得进入专用车道内行驶，遇有交通警察现场指挥时，应当按照交通警察的指挥通行；在没有交通信号的道路上，应当在确保安全、畅通的原则下通行；不得超车的情形如下：(一)前车正在左转弯、掉头、超车的；(二)与对面来车有会车可能的；(三)前车为执行紧急任务的警车、消防车、救护车、工程救险车的；道路养护车辆、工程作业车进行作业时，在不影响过往车辆通行的前提下，其行驶路线和方向不受交通标志、标线限制，过往车辆和人员应当注意避让。洒水车、清扫车等机动车应当按照安全作业标准作业；在不影响其他车辆通行的情况下，可以不受车辆分道行驶的限制，但是不得逆向行驶；除此之外，还有学校附近的减速行驶规定等。现实中可能会出现系统判定目标物体为疑似异常运动信息，但是根据交通规则来判断却又不是异常运动，因此，本发明实施例在系统中设定交通规则的先验值，然后在实际的交通应用场景中，根据所述疑似异常运动速度，所述疑似异常运动方向，所述疑似异常运动轨迹和交通规则设定的先验值来确定异常运动目标，此时确定的异常运动目标准确率高。
示例性设备
如图2中所示，本发明实施例提供一种基于规则与学习的交通场景异常目标检测装置，该装置包括：交通场景视频数据获取单元401、疑似异常运动信息获取单元402、交通场景异常运动目标确定单元403；交通场景视频数据获取单元401，用于获取实时采集的交通场景视频数据；
疑似异常运动信息获取单元402，用于对所述交通场景视频数据进行统计和运算，得到目标物体的疑似异常运动信息；
交通场景异常运动目标确定单元403，用于根据所述疑似异常运动信息和交通规则，确定交通场景异常运动的目标。
基于上述实施例，本发明还提供了一种智能终端，其原理框图可以如图3所示。该智能终端包括通过系统总线连接的处理器、存储器、网络接口、显示屏、温度传感器。其中，该智能终端的处理器用于提供计算和控制能力。该智能终端的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该智能终端的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种基于规则与学习的交通场景异常目标检测方法。该智能终端的显示屏可以是液晶显示屏或者电子墨水显示屏，该智能终端的温度传感器是预先在智能终端内部设置，用于检测内部设备的运行温度。
本领域技术人员可以理解，图3中的原理图，仅仅是与本发明方案相关的部分结构的框图，并不构成对本发明方案所应用于其上的智能终端的限定，具体的智能终端可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在一个实施例中，提供了一种智能终端，包括有存储器，以及一个或者一个以上的程序，其中一个或者一个以上程序存储于存储器中，且经配置以由一个或者一个以上处理器执行所述一个或者一个以上程序包含用于进行以下操作的指令：
获取实时采集的交通场景视频数据；
对所述交通场景视频数据进行统计和运算，得到目标物体的疑似异常运动信息；
根据所述疑似异常运动信息和交通规则，确定交通场景异常运动的目标。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本发明所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
综上所述，本发明公开了一种基于规则与学习的交通场景异常目标检测方法、智能终端、存储介质，所述方法包括：获取实时采集的交通场景视频数据；对所述交通场景视频数据进行统计和运算，得到目标物体的疑似异常运动信息；根据所述疑似异常运动信息和交通规则，确定交通场景异常运动的目标。本发明实施例通过将采集的交通场景视频数据进行统计和运算，得到目标物体的疑似异常运动信息，再根据疑似异常运动信息和交通规则确定出交通场景异常运动的目标，运算量小，实现高实时性，对交通场景异常运动目标的确定更加精准。
应当理解的是，本发明公开了一种基于规则与学习的交通场景异常目标检测方法方法，应当理解的是，本发明的应用不限于上述的举例，对本领域普通技术人员来说，可以根据上述说明加以改进或变换，所有这些改进和变换都应属于本发明所附权利要求的保护范围。

Claims (10)

1.一种基于规则与学习的交通场景异常目标检测方法，其特征在于，所述方法包括：
获取实时采集的交通场景视频数据；
对所述交通场景视频数据进行统计和运算，得到目标物体的疑似异常运动信息；
根据所述疑似异常运动信息和交通规则，确定交通场景异常运动的目标。
2.根据权利要求1所述的基于规则与学习的交通场景异常目标检测方法，其特征在于，所述对所述交通场景视频数据进行统计和运算，确定目标物体的疑似异常运动信息包括：
根据所述交通视频数据确定出目标物体在预设时间段的运动速度、目标物体在预设时间段的运动方向、目标物体在预设时间段的运动轨迹、目标物体当前的交通场景和在当前交通场景的目标物体数量；
根据所述交通场景，所述目标物体数量、对所述运动速度进行统计和运算，确定疑似异常运动速度；
根据所述运动方向，对所述运动方向进行判别，确定疑似异常运动方向；
根据所述运动轨迹，对所述运动轨迹进行判别，确定疑似异常运动轨迹。
3.根据权利要求2所述的基于规则与学习的交通场景异常目标检测方法，其特征在于，所述根据所述交通场景，所述目标物体数量、对所述运动速度进行统计和运算，确定疑似异常运动速度包括：
根据所述交通场景、所述运动速度和所述目标物体数量，经过统计和运算确定出目标物体运动速度阈值；其中，当所述交通场景为市区限速路段时，所述运动速度为第一运动速度，所述目标物体数量为第一目标物体数量；
当所述交通场景为限制低速的高速路段时，所述运动速度为第二运动速度，所述目标物体数量为第二目标物体数量；
当所述交通场景为同时限制高速和低速的高速路段时，所述运动速度为第三运动速度，所述目标物体数量为第三目标物体数量；
根据所述目标物体运动速度阈值，确定疑似异常运动速度。
4.根据权利要求3所述的基于规则与学习的交通场景异常目标检测方法，其特征在于，所述根据所述交通场景、所述运动速度和所述目标物体数量确定出目标物体运动速度阈值包括：
当所述交通场景为市区限速路段时，根据所述第一运动速度和所述第一目标物体数量确定出目标物体运动速度第一阈值；
当所述交通场景为限制低速的高速路段时，根据所述第二运动速度和所述第二目标物体数量确定出目标物体运动速度第二阈值；
当所述交通场景为同时限制高速和低速的高速路段时，根据所述第三运动速度和所述第三目标物体数量确定出目标物体运动速度第三阈值和目标物体运动速度第四阈值，其中，目标物体运动速度第三阈值小于目标物体运动速度第四阈值。
5.根据权利要求4所述的基于规则与学习的交通场景异常目标检测方法，其特征在于，所述根据所述目标物体运动速度阈值，确定疑似异常运动速度包括：
当所述交通场景为市区限速路段时，且当所述第一运动速度大于所述目标物体运动速度第一阈值时，则确定所述第一运动速度为疑似异常运动速度；
当所述交通场景为限制低速的高速路段时，且当所述第二运动速度小于所述目标物体运动速度第二阈值时，则确定所述第二运动速度为疑似异常运动速度；
当所述交通场景为同时限制高速和低速的高速路段时，且当所述第三运动速度小于目标物体运动速度第三阈值或者当所述第三运动速度大于目标物体运动速度第四阈值时，则确定所述第三运动速度为疑似异常运动速度。
6.根据权利要求2所述的基于规则与学习的交通场景异常目标检测方法，其特征在于，所述根据所述运动方向，对所述运动方向进行判别，确定疑似异常运动方向包括：
获取目标物体的最大平均运动方向变化值vmax；
获取目标物体的平均运动方向变化值
Figure FDA0002771646410000031
当所述运动方向大于
Figure FDA0002771646410000032
时，所述运动方向为疑似异常运动方向；其中，β为大于0.8并且小于1的参数，根据当前交通场景进行调整。
7.根据权利要求2所述的基于规则与学习的交通场景异常目标检测方法，其特征在于，所述根据所述运动轨迹，对所述运动轨迹进行判别，确定疑似异常运动轨迹包括：
根据所述运动轨迹，获取目标物体的最大运动方向变化值directionmax；
当directionmax>γ时，则所述运动轨迹为疑似异常运动轨迹；其中，γ为预设运动方向阈值。
8.根据权利要求7所述的基于规则与学习的交通场景异常目标检测方法，其特征在于，所述根据所述疑似异常运动信息和交通规则，确定异常运动目标包括：
获取系统中根据交通规则设定的先验值；
根据所述疑似异常运动速度，所述疑似异常运动方向，所述疑似异常运动轨迹和所述先验值，确定异常运动目标。
9.一种智能终端，其特征在于，包括有存储器，以及一个或者一个以上的程序，其中一个或者一个以上程序存储于存储器中，且经配置以由一个或者一个以上处理器执行所述一个或者一个以上程序包含用于执行如权利要求1-8中任意一项所述的方法。
10.一种非临时性计算机可读存储介质，其特征在于，当所述存储介质中的指令由电子设备的处理器执行时，使得电子设备能够执行如权利要求1-8中任意一项所述的方法。
CN202011251133.8A 2020-11-11 2020-11-11 一种基于规则与学习的交通场景异常目标检测方法 Pending CN112464749A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011251133.8A CN112464749A (zh) 2020-11-11 2020-11-11 一种基于规则与学习的交通场景异常目标检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011251133.8A CN112464749A (zh) 2020-11-11 2020-11-11 一种基于规则与学习的交通场景异常目标检测方法

Publications (1)

Publication Number Publication Date
CN112464749A true CN112464749A (zh) 2021-03-09

Family

ID=74825528

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011251133.8A Pending CN112464749A (zh) 2020-11-11 2020-11-11 一种基于规则与学习的交通场景异常目标检测方法

Country Status (1)

Country Link
CN (1) CN112464749A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115273456A (zh) * 2022-06-14 2022-11-01 北京车网科技发展有限公司 一种两轮电动车违规行驶的判定方法、系统和存储介质

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115273456A (zh) * 2022-06-14 2022-11-01 北京车网科技发展有限公司 一种两轮电动车违规行驶的判定方法、系统和存储介质
CN115273456B (zh) * 2022-06-14 2023-08-29 北京车网科技发展有限公司 一种两轮电动车违规行驶的判定方法、系统和存储介质

Similar Documents

Publication Publication Date Title
US11074813B2 (en) Driver behavior monitoring
CN112700470B (zh) 一种基于交通视频流的目标检测和轨迹提取方法
CN104809878B (zh) 利用公交车gps数据检测城市道路交通异常状态的方法
CN108320553B (zh) 基于道路驾驶事件的路况预测方法
US11836985B2 (en) Identifying suspicious entities using autonomous vehicles
CN110751828B (zh) 一种路段拥堵测量方法、装置、计算机设备及存储介质
CN109784254B (zh) 一种车辆违规事件检测的方法、装置和电子设备
CN111833598B (zh) 一种高速公路无人机交通事件自动监测方法及系统
CN113936465B (zh) 交通事件检测方法及装置
CN110032947A (zh) 一种监控事件发生的方法及装置
DE102011088164A1 (de) Verfahren zum Anpassen eines Parameters eines Fahrzeuges in Abhängigkeit von einer auftretenden Luftströmung
CN110733507A (zh) 车道变换及道路隔离方法、装置、设备及存储介质
CN113276874A (zh) 一种车辆行驶轨迹处理方法及相关装置
KR20190087276A (ko) 영상 기반 교통량 측정 시스템 및 그 방법
CN112464749A (zh) 一种基于规则与学习的交通场景异常目标检测方法
CN112232257B (zh) 一种交通异常确定方法、装置、设备及介质
KR20220101535A (ko) 딥러닝 기반 온-디바이스 실시간 교통제어 시스템
CN110909607B (zh) 一种智慧地铁运营中客流感知的装置系统
CN116311913B (zh) 一种基于ai视频智能分析的高速路段拥堵分析方法及系统
CN115841765B (zh) 车辆位置盲区监控方法、装置、电子设备及可读存储介质
CN116913099A (zh) 一种智能交通实时监控系统
CN114693722B (zh) 一种车辆行驶行为检测方法、检测装置及检测设备
CN116645817A (zh) 一种违章车辆跟踪方法、系统、电子设备及存储介质
CN115762230A (zh) 基于剩余车位量预测的停车场智能引导方法及装置
CN111627224A (zh) 车辆速度异常检测方法、装置、设备及存储介质

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