CN112507874B - 一种用于检测机动车加塞行为的方法与设备 - Google Patents

一种用于检测机动车加塞行为的方法与设备 Download PDF

Info

Publication number
CN112507874B
CN112507874B CN202011436220.0A CN202011436220A CN112507874B CN 112507874 B CN112507874 B CN 112507874B CN 202011436220 A CN202011436220 A CN 202011436220A CN 112507874 B CN112507874 B CN 112507874B
Authority
CN
China
Prior art keywords
vehicle
motor vehicle
target
detection frame
frame
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
Application number
CN202011436220.0A
Other languages
English (en)
Other versions
CN112507874A (zh
Inventor
秦建波
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.)
Shanghai Xinyi Intelligent Technology Co ltd
Original Assignee
Shanghai Xinyi Intelligent Technology Co ltd
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 Shanghai Xinyi Intelligent Technology Co ltd filed Critical Shanghai Xinyi Intelligent Technology Co ltd
Priority to CN202011436220.0A priority Critical patent/CN112507874B/zh
Publication of CN112507874A publication Critical patent/CN112507874A/zh
Application granted granted Critical
Publication of CN112507874B publication Critical patent/CN112507874B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle
    • G06V20/58—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads
    • G06V20/584—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads of vehicle lights or traffic lights

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Theoretical Computer Science (AREA)
  • Traffic Control Systems (AREA)

Abstract

本申请通过一种用于检测机动车加塞行为的方法及设备，首先获取车辆的行车路况图像序列，接着将所述行车路况图像序列中当前图像输入车辆检测网络模型，以识别所述图像中的全部机动车，然后从所述全部机动车中确定目标机动车，最后基于所述行车路况图像序列，跟踪所述目标机动车，并检测到所述目标机动车被遮挡，则确定有机动车加塞行为发生。通过该方法可实时自动检测当前车辆的行车道路前方是否有其它机动车加塞行为，效率高，具有非常实用的市场价值。

Description

一种用于检测机动车加塞行为的方法与设备
技术领域
本申请涉及计算机图像处理技术领域，尤其涉及一种用于检测机动车加塞行为的技术。
背景技术
机动车辆正常行驶在路面上，如果遇到前方道路拥堵时，应当依次排队、通行，且不得在人行横道、禁停区域内停车等候，这时候如果有其它机动车辆在道路没有正常驶入空间时加塞，从排队等候的车辆两侧强行挤压、穿插、阻碍正常通行车辆，不但容易引发司机间纠纷，还容易引发道路交通事故，造成车辆受损、道路堵塞，影响道路交通的通行效率。这种加塞行为不仅不文明，而且还涉嫌违反交通法规。
通常对机动车加塞行为的取证是根据照片或者视频，比如被加塞机动车驾驶员或前排副驾驶位乘员拍照，或者从被加塞机动车安装的行车记录仪，或者道路相关位置安装的摄像头抓拍的照片等。但这些判断机动车加塞行为的取证方式都是通过人工方式对视频或连续照片进行分析，耗时费力，效率低下。
发明内容
本申请的目的是提供一种用于检测机动车加塞行为的方法及设备，用以解决现有机动车加塞行为人工检测方式效率低下的技术问题。
根据本申请的一个方面，提供了一种用于检测机动车加塞行为的方法，其中，所述方法包括：
获取车辆的行车路况图像序列；
将所述行车路况图像序列中当前图像输入车辆检测网络模型，以识别所述图像中的全部机动车；
从所述全部机动车中确定目标机动车；
基于所述行车路况图像序列，跟踪所述目标机动车，并检测到所述目标机动车被遮挡，则确定有机动车加塞行为发生。
可选地，其中，在所述获取车辆的行车路况图像序列之前，所述方法还包括：
获取所述车辆的行车车速，并确认所述车速在预设时间段内符合第一预设阈值。
可选地，其中，所述识别所述图像中的全部机动车包括：
确定全部机动车中每辆机动车的检测框；
识别每辆机动车的车型。
可选地，其中，所述从所述全部机动车中确定目标机动车包括：
对每辆机动车的检测框进行检测，筛选出检测框面积符合第二预设阈值的机动车；
确定检测框包含图像中心且检测框中心与图像中心的距离最短和/或检测框的下边线与图像下边线距离最短的机动车为目标机动车。
可选地，其中，在所述基于所述行车路况图像序列，跟踪所述目标机动车之前，所述方法还包括：
检测所述车辆与所述目标机动车之间的车距，并确定所述车距符合第三预设阈值。
可选地，其中，所述检测所述车辆与所述目标机动车之间的车距包括以下任一项：
检测所述目标机动车的检测框面积，基于目标机动车的车型及预设参考检测框面积确定所述车辆与所述目标机动车之间的车距；
检测检测框的下边线与图像下边线距离以确定所述车辆与所述目标机动车之间的车距。
可选地，其中，所述跟踪所述目标机动车包括：
计算所述行车路况图像序列中相邻两帧的后一帧图像中机动车检测框与前一帧图像中目标机动车检测框的IoU(Intersection over Union，交并比)，将各帧图像中IoU符合第四预设阈值的机动车确定为所述目标机动车，以实现对所述目标机动车的跟踪。
可选地，其中，所述检测到所述目标机动车被遮挡包括：
检测到所述目标机动车的检测框左下角或/和右下角与另一机动车的检测框重叠；
计算后续各帧图像中所述目标机动车的检测框与所述另一机动车的检测框的IoU；
当所述IoU逐帧增加，且符合第五预设阈值时，确定所述目标机动车被遮挡。
可选地，其中，所述一种用于检测机动车加塞行为方法还包括：
识别实施加塞行为的机动车，确定所述机动车的类型及车牌信息。
可选地，其中，所述方法还包括：
将包含所述行车路况图像序列之前预设时间段及之后预设时间段的视频标记信息后保存，其中，所述信息用于标识加塞发生时间、加塞发生路段、加塞机动车车牌信息。
根据本申请的另一方面，还提供了一种用于检测机动车加塞行为的设备，其中，所述设备包括：
第一装置，用于获取车辆的行车路况图像序列；
第二装置，用于将所述行车路况图像序列中当前图像输入车辆检测网络模型，以识别所述图像中的全部机动车；
第三装置，用于从所述机动车中确定目标机动车；
第四装置，用于基于所述行车路况图像序列，跟踪所述目标机动车，并检测到所述目标机动车被遮挡，则确定有机动车加塞行为发生。
可选地，其中，所述设备还包括：
第五装置，用于获取所述车辆的行车车速，并确认所述车速在预设时间段内符合第一预设阈值。
可选地，其中，所述设备还包括：
第六装置，用于识别实施加塞行为的机动车，确定所述机动车的类型及车牌信息。
可选地，其中，所述设备还包括：
第七装置，用于将包含所述行车路况图像序列之前预设时间段及之后预设时间段的视频标记信息后保存，其中，所述信息用于标识加塞行为发生时间、加塞行为发生路段、加塞机动车车牌信息。
与现有技术相比，本申请通过一种用于检测机动车加塞行为的方法及设备，首先获取车辆的行车路况图像序列，接着将所述行车路况图像序列中当前图像输入车辆检测网络模型，以识别所述图像中的全部机动车，然后从所述全部机动车中确定目标机动车，最后基于所述行车路况图像序列，跟踪所述目标机动车，并检测到所述目标机动车被遮挡，则确定有机动车加塞行为发生。通过该方法可实时自动检测当前车辆的行车道路前方是否有其它机动车加塞行为，效率高，具有非常实用的市场价值。
附图说明
通过阅读参照以下附图所作的对非限制性实施例所作的详细描述，本发明的其它特征、目的和优点将会变得更明显：
图1示出根据本申请一个方面的一种用于检测机动车加塞行为的方法流程图；
图2示出根据本申请另一个方面一种用于检测机动车加塞行为的设备示意图；
附图中相同或相似的附图标记代表相同或相似的部件。
具体实施方式
下面结合附图对本发明作进一步详细描述。
在本申请一个典型的配置中，系统各模块和可信方均包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器，随机存取存储器 (RAM) 和/或非易失性内存等形式，如只读存储器 (ROM) 或闪存(flash RAM)。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存 (PRAM)、静态随机存取存储器 (SRAM)、动态随机存取存储器 (DRAM)、其他类型的随机存取存储器 (RAM)、只读存储器 (ROM)、电可擦除可编程只读存储器 (EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘 (DVD) 或其他光学存储、磁盒式磁带，磁带磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括非暂存电脑可读媒体 (transitory media)，如调制的数据信号和载波。
为更进一步阐述本申请所采取的技术手段及取得的效果，下面结合附图及优选实施例，对本申请的技术方案，进行清楚和完整的描述。
图1示出本申请一个方面的一种用于检测机动车加塞行为的方法流程图，其中，一个实施例的方法包括：
S11获取车辆的行车路况图像序列；
S12将所述行车路况图像序列中当前图像输入车辆检测网络模型，以识别所述图像中的全部机动车；
S13从所述全部机动车中确定目标机动车；
S14基于所述行车路况图像序列，跟踪所述目标机动车，并检测到所述目标机动车被遮挡，则确定有机动车加塞行为发生。
在本申请中，所述方法通过设备1执行，所述设备1为集成有摄像功能或与摄像设备电连接的计算机设备，所述计算机设备包括但不限于集成AI芯片的行车记录仪、车载计算机、服务器、网络计算机等，其中，所述电连接包括如LAN、USB等方式的有线电连接或者WLAN、WiFi等方式无线电连接，在此，仅为举例，其他现有的或者今后可能出现的电连接方式如适用于本申请也应包含在本申请的保护范围内。
在此，所述计算机设备仅为举例，其他现有的或者今后可能出现的设备和/或资源共享平台如适用于本申请也应包含在本申请的保护范围内，在此，以引用的方式包含于此。
在该实施例中，在所述步骤S11中，所述设备1安装在车辆上，直接或通过与设备1电连接的摄像设备获取到以车辆为中心视角的行车路况视频，采集到行车路况图像序列，例如，设备1或与设备1电连接的摄像设备安装在车辆前挡风玻璃的中间位置，采集车辆正前方的实时行车路况信息。若设备1获取的行车路况图像序列不是以车辆为中心视角，可以基于坐标位移变换，获得以车辆为中心视角的行车路况图像序列，下文提及的行车路况图像序列默认都是以车辆为中心视角，不再赘述。
可选地，在设备1获取车辆的行车路况图像序列之前，获取所述车辆的行车车速，并确认所述车速在预设时间段内符合第一预设阈值。
为了减少设备1的计算量，提高机动车加塞行为的检测效率，只有当车辆行驶缓慢、处于拥堵状况时设备1才去获取车辆的行车路况图像序列，例如，可以预设在1分钟内行车车速都低于5km/h时，认为车辆处于拥堵状况。设备1可以通过获取车辆的与车速相关的CAN总线传感器数据，确定车辆的行车车速，还可以通过获取的导航定位信号，确定车辆的行车车速，然后判断是否在1分钟内行车车速都低于5km/h。若是，则设备1才去获取车辆的行车路况图像序列，否则，不进入检测机动车加塞行为。
在此，行车车速的获取方式仅为举例，其他现有的或者今后可能出现的电连接方式如适用于本申请也应包含在本申请的保护范围内。
继续在该实施例中，在所述步骤S12中，所述设备1将获取到的所述行车路况图像序列中当前图像输入车辆检测网络模型，以识别所述图像中的全部机动车。
其中，所述车辆检测网络模型是基于现有的用于目标检测的卷积神经网络，例如：FastRCNN(Fast Region-based Convolutional Neural Networks，快速区域卷积神经网络)、RetinaNet、SSD (Single Shot MultiBox Detector，单点多框检测器)、FCOS( FullyConvolutional One-Stage Object Detection，一阶全卷积目标检测)、CenterNet、YoLo等，采用与行车路况图像同类的训练集对卷积神经网络进行训练，并经验证集测试验证后得到的。
可选地，其中，所述识别所述图像中的全部机动车包括：
确定全部机动车中每辆机动车的检测框；
识别每辆机动车的车型。
其中，车辆检测网络模型将行车路况图像序列当前图像中的每一辆机动车都标注检测框，例如，通过检测框左上角及右下角的坐标(x，y)可以唯一确定检测框。然后通过车辆检测网络模型可以确定每个检测框对应的机动车的车型。
继续在该实施例中，在所述步骤S13中，所述设备1从检测出的全部机动车中确定目标机动车。
可选地，其中，所述步骤S13包括：
对每辆机动车的检测框进行检测，筛选出检测框面积符合第二预设阈值的机动车；
确定检测框中心与图像中心的距离最短和/或检测框的下边线与图像下边线距离最短的机动车为目标机动车。
正常情况下，只有当前车道前方及左右相邻车道中临近本车的机动车可能会与加塞行为相关，这些机动车的检测框面积都较大，比如，根据检测框面积大小，从与机动车对应的全部检测框中筛选出检测框面积最大的前5个，当前车道前方的第一辆机动车即是目标机动车，其检测框面积应该包含在其中，或者当前车道前方没有机动车而左右车道有机动车，这种情况下虽然筛选出检测框面积最大的前5个，但并没有目标机动车，同时，考虑到目标机动车与车辆之间的距离应最短。因此，可从这几个检测框中确定检测框包含图像中心且检测框中心与图像中心的距离最短和/或检测框的下边线与图像下边线距离最短的机动车为目标机动车。
可选地，所述方法还包括：
检测所述车辆与所述目标机动车之间的车距，并确定所述车距符合第三预设阈值。
其中，若设备1所在车辆与当前车道前方的目标机动车之间车距超过了合理距离，比如在低速缓慢行驶状态下两车之间距离超过4米，在允许并线的车道，两边机动车的安全并线行为并不属于加塞行为，因此，本申请在自动检测机动车加塞行为时，还综合考虑车速、车距因素，以尽可能从客观上认定加塞行为。
可选地，其中，所述检测所述车辆与所述目标机动车之间的车距包括以下任一项：
检测所述目标机动车的检测框面积，基于目标机动车的车型及预设参考检测框面积确定所述车辆与所述目标机动车之间的车距；
检测检测框的下边线与图像下边线距离以确定所述车辆与所述目标机动车之间的车距。
其中，车辆与当前车道前方的目标机动车的车距可以通过如下方式进行判断：将获取的目标机动车的检测框面积与预设的参考检测框面积比较，若面积大于参考面积，则判定车辆与当前车道前方的目标机动车的车距小于安全并线车距，此时若有其它机动车有并线行为，可判定为加塞行为。其中，预设的参考检测框面积是在设定的安全车距上的目标机动车的检测框面积，比如4米，不同机动车车型的参考检测框面积不同，当检测出目标机动车车型及其检测框面积后，通过查表找到对应车型的参考面积，比较实际检测框面积与参考检测框面积，若实际检测框面积大于参考面积，则认定两车较近，此时若有其它机动车有并线行为，可判定为加塞行为。
车辆与当前车道前方的目标机动车的车距还可以通过如下方式进行判断：通过目标机动车检测框下边线在行车路况图像中的位置来判断。在行车路况图像中，目标机动车检测框的下边线越低，车辆与当前车道前方的目标机动车的车距越近。可基于预设的检测框下边线位置与车距对照关系表，确定一个合理的阈值，当下边线的位置低于该阈值时，则认为两车车距较近，此时若有其它机动车有并线行为，可判定为加塞行为。
继续在该实施例中，在所述步骤S14中，所述设备1基于所述行车路况图像序列，跟踪所述目标机动车，并检测到所述目标机动车被遮挡，则确定有机动车加塞行为发生。
可选地，其中，所述跟踪所述目标机动车包括：
计算所述行车路况图像序列中相邻两帧的后一帧图像中机动车检测框与前一帧图像中目标机动车检测框的IoU，将各帧图像中IoU符合第四预设阈值的机动车确定为所述目标机动车，以实现检测所述目标机动车的跟踪。
其中，由于道路拥塞，行车缓慢，车辆与当前车道前面的目标机动车之间的车距较小，使得行车路况图像序列中相邻两帧图像中目标机动车检测框基本重叠或大部分重叠，IoU大，如果拥塞路况缓解或解除，车辆与当前车道前面的目标机动车之间的车距变大，超过启动检测加塞行为的阈值，则设备1丢弃对目标机动车的跟踪，只在下一次加塞行为检测触发时再确定目标机动车。
因此，可设定一个阈值，比如，将相邻两帧的后一帧图像中机动车检测框与前一帧图像中目标机动车检测框的IoU大于0.7的一辆机动车确定为目标机动车，以实现对目标机动车的跟踪。
可选地，其中，所述检测到所述目标机动车被遮挡包括：
检测到所述目标机动车的检测框左下角或/和右下角与另一机动车的检测框重叠；
计算各帧图像中所述目标机动车的检测框与所述另一机动车的检测框的IoU；
当所述IoU逐帧增加，且符合第五预设阈值时，确定所述目标机动车被遮挡。
其中，由于道路拥塞，行车缓慢，车辆与当前车道前面的目标机动车之间的车距较小，使得行车路况图像序列中相邻两帧图像中目标机动车检测框基本重叠或大部分重叠，IoU大，如果此时有旁边车道其它机动车并线加塞，后续各帧图像中当前车道前方的目标机动车的检测框左下角(左边车道有车辆并线)或/和右下角(右边车道有车辆并线)与另一机动车的检测框开始重叠，且后续各帧图像中重叠的面积逐步增大，相应地，后续各帧图像中当前车道前方的目标机动车的检测框与实施加塞的机动车的检测框的IoU变大，因此，可设定一个阈值，比如，在行车车速、车距都符合加塞行为检测情况下，当后续各帧图像中目标机动车的检测框与实施加塞的机动车的检测框的IoU大于0.2时，确定目标机动车被遮挡，可以判定有机动车加塞行为发生。
可选地，其中，所述一种用于检测机动车加塞行为的方法还包括：
识别实施加塞行为的机动车，确定所述机动车的类型及车牌信息。
继续如上实施例，基于所述车辆检测模型，识别出实施加塞行为的机动车的类型及其车牌信息，以用于后续处理。
可选地，所述方法还包括：
将包含所述行车路况图像序列之前预设时间段及之后预设时间段的视频标记信息后保存，其中，所述信息用于标识加塞发生时间、加塞发生路段、加塞机动车车牌信息。
继续如上实施例，在检测到机动车加塞行为及识别实施加塞行为的机动车，确定所述机动车的类型及车牌信息后，将包含检测到机动车加塞行为的所述行车路况图像序列之前预设时间段及之后预设时间段的视频标记信息后保存，其中，所述信息用于标识加塞发生时间、加塞发生路段、加塞机动车车牌信息。比如，为了确保用于判定机动车加塞行为的证据充分、完整，将包含检测到机动车加塞行为的所述行车路况图像序列之前3分钟及之后1分钟的视频标记上“加塞-YYYYMMDD HHMM-xx路段-机动车车牌信息”后保存，以用于举报或其它合法用途。
图2示出根据本申请另一个方面的一种用于检测机动车加塞行为的设备示意图，其中，所述设备包括：
第一装置21，用于获取车辆的行车路况图像序列；
第二装置22，用于将所述行车路况图像序列中当前图像输入车辆检测网络模型，以识别所述图像中的全部机动车；
第三装置23，用于从所述机动车中确定目标机动车；
第四装置24，用于基于所述行车路况图像序列，跟踪所述目标机动车，并检测到所述目标机动车被遮挡，则确定有机动车加塞行为发生。
在该实施例中，所述设备与设备1相同。
其中，设备1的第一装置21获取车辆的行车路况图像序列，接着设备的1第二装置22将所述行车路况图像序列中当前图像输入车辆检测网络模型，以识别所述图像中的全部机动车，然后设备1的第三装置23从所述机动车中确定目标机动车，最后设备1的第四装置24基于所述行车路况图像序列，跟踪所述目标机动车，并检测到所述目标机动车被遮挡，则确定有机动车加塞行为发生。
可选地，其中，所述设备还包括：
第五装置(未示出)，用于获取所述车辆的行车车速，并确认所述车速在预设时间段内符合第一预设阈值。
其中，为了减少设备1的计算量，提高机动车加塞行为的检测效率，只有当车辆行驶缓慢、处于拥堵状况时设备1才去获取车辆的行车路况图像序列，例如，可以预设在1分钟内行车车速都低于5km/h时，认为车辆处于拥堵状况。设备1的第五装置获取所述车辆的行车车速，可以通过获取车辆的与车速相关的CAN总线传感器数据，确定车辆的行车车速，还可以通过获取的导航定位信号，确定车辆的行车车速，然后判断是否在1分钟内行车车速都低于5km/h。若是，则设备1的第一装置21才去获取车辆的行车路况图像序列，否则，不进入检测机动车加塞行为。
可选地，其中，所述设备还包括：
第六装置(未示出)，用于识别实施加塞行为的机动车，确定所述机动车的类型及车牌信息。
在设备1的第四装置24确定有机动车加塞行为发生后，设备1的第六装置识别出实施加塞行为的机动车的类型及其车牌信息，以用于后续处理。
可选地，其中，所述设备还包括：
第七装置(未示出)，用于将包含所述行车路况图像序列之前预设时间段及之后预设时间段的视频标记信息后保存，其中，所述信息用于标识加塞行为发生时间、加塞行为发生路段、加塞机动车车牌信息。
其中，在设备1的第四装置24检测到机动车加塞行为及第六装置识别实施加塞行为的机动车，确定所述机动车的类型及车牌信息后，第七装置将包含检测到机动车加塞行为的所述行车路况图像序列之前预设时间段及之后预设时间段的视频标记信息后保存，其中，所述信息用于标识加塞发生时间、加塞发生路段、加塞机动车车牌信息。比如，为了确保用于判定机动车加塞行为的证据充分、完整，将包含检测到机动车加塞行为的所述行车路况图像序列之前3分钟及之后1分钟的视频标记上“加塞-YYYYMMDD HHMM-xx路段-机动车车牌信息”后保存，以用于举报或其它合法用途。
根据本申请的又一方面，还提供了一种计算机可读介质，所述计算机可读介质存储有计算机可读指令，所述计算机可读指令可被处理器执行以实现前述方法。
根据本申请的又一方面，还提供了一种用于检测机动车加塞行为的设备，其中，该设备包括：
一个或多个处理器；以及
存储有计算机可读指令的存储器，所述计算机可读指令在被执行时可使所述处理器执行如前述方法的操作。
例如，计算机可读指令在被执行时使所述一个或多个处理器：获取车辆的行车路况图像序列，将所述行车路况图像序列中当前图像输入车辆检测网络模型，以识别所述图像中的全部机动车，从所述全部机动车中确定目标机动车，基于所述行车路况图像序列，跟踪所述目标机动车，并检测到所述目标机动车被遮挡，则确定有机动车加塞行为发生。
对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。此外，显然“包括”一词不排除其他单元或步骤，单数不排除复数。装置权利要求中陈述的多个单元或装置也可以由一个单元或装置通过软件和/或者硬件来实现。第一，第二等词语用来表示名称，而并不表示任何特定的顺序。

Claims (14)

1.一种用于检测机动车加塞行为的方法，其特征在于，所述方法包括：
获取以车辆为中心视角的行车路况图像序列；
将所述行车路况图像序列中当前图像输入车辆检测网络模型，以确定全部机动车中每辆机动车的检测框并识别每辆机动车的车型；
从所述全部机动车中确定目标机动车；
基于所述行车路况图像序列，跟踪所述目标机动车，并检测到所述目标机动车被遮挡，则确定有机动车加塞行为发生，其中，所述检测到所述目标机动车被遮挡包括：检测到所述目标机动车的检测框左下角或/和右下角与另一机动车的检测框重叠，计算各帧图像中所述目标机动车的检测框与所述另一机动车的检测框的IoU，当所述IoU逐帧增加，且符合第五预设阈值时，确定所述目标机动车被遮挡。
2.根据权利要求1所述的方法，其特征在于，在所述获取以车辆为中心视角的行车路况图像序列之前，所述方法还包括：
获取所述车辆的行车车速，并确认所述车速在预设时间段内符合第一预设阈值。
3.根据权利要求1所述的方法，其特征在于，所述从所述全部机动车中确定目标机动车包括：
对每辆机动车的检测框进行检测，筛选出检测框面积符合第二预设阈值的机动车；
确定检测框包含图像中心且检测框中心与图像中心距离最短和/或检测框的下边线与图像下边线距离最短的机动车为目标机动车。
4.根据权利要求1所述的方法，其特征在于，在所述基于所述行车路况图像序列，跟踪所述目标机动车之前，所述方法还包括：
检测所述车辆与所述目标机动车之间的车距，并确定所述车距符合第三预设阈值。
5.根据权利要求4所述的方法，其特征在于，所述检测所述车辆与所述目标机动车之间的车距包括以下任一项：
检测所述目标机动车的检测框面积，基于目标机动车的车型及预设参考检测框面积确定所述车辆与所述目标机动车之间的车距；
检测检测框的下边线与图像下边线距离以确定所述车辆与所述目标机动车之间的车距。
6.根据权利要求1所述的方法，其特征在于，所述跟踪所述目标机动车包括：
计算所述行车路况图像序列中相邻两帧的后一帧图像中机动车检测框与前一帧图像中目标机动车检测框的IoU，将各帧图像中IoU符合第四预设阈值的机动车确定为所述目标机动车，以实现对所述目标机动车的跟踪。
7.根据权利要求1至6中任一项所述的方法，其特征在于，所述方法还包括：
识别实施加塞行为的机动车，确定所述机动车的类型及车牌信息。
8.根据权利要求7所述的方法，其特征在于，所述方法还包括：
将包含所述行车路况图像序列之前预设时间段及之后预设时间段的视频标记信息后保存，其中，所述信息用于标识加塞发生时间、加塞发生路段、加塞机动车车牌信息。
9.一种用于检测机动车加塞行为的设备，其特征在于，所述设备包括：
第一装置，用于获取以车辆为中心视角的行车路况图像序列；
第二装置，用于将所述行车路况图像序列中当前图像输入车辆检测网络模型，以确定全部机动车中每辆机动车的检测框并识别每辆机动车的车型；
第三装置，用于从所述机动车中确定目标机动车；
第四装置，用于基于所述行车路况图像序列，跟踪所述目标机动车，并检测到所述目标机动车被遮挡，则确定有机动车加塞行为发生，其中，所述检测到所述目标机动车被遮挡包括：检测到所述目标机动车的检测框左下角或/和右下角与另一机动车的检测框重叠，计算各帧图像中所述目标机动车的检测框与所述另一机动车的检测框的IoU，当所述IoU逐帧增加，且符合第五预设阈值时，确定所述目标机动车被遮挡。
10.根据权利要求9所述的设备，其特征在于，所述设备还包括：
第五装置，用于获取所述车辆的行车车速，并确认所述车速在预设时间段内符合第一预设阈值。
11.根据权利要求9或10所述的设备，其特征在于，所述设备还包括：
第六装置，用于识别实施加塞行为的机动车，确定所述机动车的类型及车牌信息。
12.根据权利要求11所述的设备，其特征在于，所述设备还包括：
第七装置，用于将包含所述行车路况图像序列之前预设时间段及之后预设时间段的视频标记信息后保存，其中，所述信息用于标识加塞行为发生时间、加塞行为发生路段、加塞机动车车牌信息。
13.一种计算机可读介质，其特征在于，
其上存储有计算机可读指令，所述计算机可读指令被处理器执行以实现如权利要求1至8中任一项所述的方法。
14.一种设备，其特征在于，该设备包括：
一个或多个处理器；以及
存储有计算机可读指令的存储器，所述计算机可读指令在被执行时使所述处理器执行如权利要求1至8中任一项所述方法的操作。
CN202011436220.0A 2020-12-10 2020-12-10 一种用于检测机动车加塞行为的方法与设备 Active CN112507874B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011436220.0A CN112507874B (zh) 2020-12-10 2020-12-10 一种用于检测机动车加塞行为的方法与设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011436220.0A CN112507874B (zh) 2020-12-10 2020-12-10 一种用于检测机动车加塞行为的方法与设备

Publications (2)

Publication Number Publication Date
CN112507874A CN112507874A (zh) 2021-03-16
CN112507874B true CN112507874B (zh) 2023-02-21

Family

ID=74970457

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011436220.0A Active CN112507874B (zh) 2020-12-10 2020-12-10 一种用于检测机动车加塞行为的方法与设备

Country Status (1)

Country Link
CN (1) CN112507874B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113688935A (zh) * 2021-09-03 2021-11-23 阿波罗智能技术(北京)有限公司 高精地图的检测方法、装置、设备以及存储介质
CN116052440B (zh) * 2023-02-03 2024-02-02 深圳市旗扬特种装备技术工程有限公司 一种车辆意图加塞行为识别方法、装置、设备及存储介质

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2008276689A (ja) * 2007-05-07 2008-11-13 Mitsubishi Electric Corp 車両用障害物認識装置
CN105632186A (zh) * 2016-03-11 2016-06-01 博康智能信息技术有限公司 检测车辆加塞行为的方法和装置
CN108074401A (zh) * 2016-11-16 2018-05-25 杭州海康威视数字技术股份有限公司 一种车辆加塞行为判别方法及装置
CN110084831A (zh) * 2019-04-23 2019-08-02 江南大学 基于YOLOv3多伯努利视频多目标检测跟踪方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2008276689A (ja) * 2007-05-07 2008-11-13 Mitsubishi Electric Corp 車両用障害物認識装置
CN105632186A (zh) * 2016-03-11 2016-06-01 博康智能信息技术有限公司 检测车辆加塞行为的方法和装置
CN108074401A (zh) * 2016-11-16 2018-05-25 杭州海康威视数字技术股份有限公司 一种车辆加塞行为判别方法及装置
CN110084831A (zh) * 2019-04-23 2019-08-02 江南大学 基于YOLOv3多伯努利视频多目标检测跟踪方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
基于行车记录仪的车辆违规加塞取证系统的研究;张茂林;《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》;20180215;论文第22-43页 *

Also Published As

Publication number Publication date
CN112507874A (zh) 2021-03-16

Similar Documents

Publication Publication Date Title
US9940530B2 (en) Platform for acquiring driver behavior data
CN110738842A (zh) 事故责任划分及行为分析方法、装置、设备及存储介质
CN112507874B (zh) 一种用于检测机动车加塞行为的方法与设备
CN113345258B (zh) 基于边缘计算的道路通行保障方法、系统、设备及介质
KR101834838B1 (ko) 영상처리를 이용한 도로 교통 정보 제공 시스템 및 방법
CN108932849B (zh) 一种记录多台机动车低速行驶违法行为的方法及装置
CN113362483B (zh) 一种车辆异常的检测方法、装置、设备及存储介质
CN113055823B (zh) 一种基于路侧停车管理共享单车的方法及装置
CN108932850B (zh) 一种记录机动车低速行驶违法行为的方法及装置
CN112749622B (zh) 应急车道占用识别方法和装置
CN112434657A (zh) 飘散运载物检测方法、设备、程序及计算机可读介质
KR20190087276A (ko) 영상 기반 교통량 측정 시스템 및 그 방법
CN111160132B (zh) 障碍物所在车道的确定方法、装置、电子设备和存储介质
CN107871393A (zh) 一种自动判别车辆违章占用禁行车道的方法及其系统
CN113989715A (zh) 车辆违停检测方法、装置、电子设备及存储介质
CN114141022B (zh) 应急车道占用行为检测方法、装置、电子设备及存储介质
KR101963353B1 (ko) 법규 위반 스마트 적발 시스템
CN115359443A (zh) 交通事故检测方法和装置、电子设备和存储介质
CN115359438A (zh) 一种基于计算机视觉的车辆加塞的检测方法、系统和装置
CN115019511A (zh) 基于自动驾驶车辆的识别机动车违规变道的方法和装置
CN114038209A (zh) 公交占道处理方法、装置及设备
CN114724107A (zh) 一种图像检测方法、装置、设备及介质
CN112597945A (zh) 车辆检测方法及装置
CN110766949B (zh) 违章抓拍方法及装置
CN114842431A (zh) 一种识别道路护栏的方法、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
CB02 Change of applicant information
CB02 Change of applicant information

Address after: 200331 room e176, 1f, 406 Gulang Road, Putuo District, Shanghai

Applicant after: Shanghai Xinyi Intelligent Technology Co.,Ltd.

Address before: 200080 7th floor, No.137 Haining Road, Hongkou District, Shanghai

Applicant before: Shanghai Xinyi Intelligent Technology Co.,Ltd.

GR01 Patent grant
GR01 Patent grant