CN112580516A - 一种道路场景识别方法、装置、设备及存储介质 - Google Patents

一种道路场景识别方法、装置、设备及存储介质 Download PDF

Info

Publication number
CN112580516A
CN112580516A CN202011520203.5A CN202011520203A CN112580516A CN 112580516 A CN112580516 A CN 112580516A CN 202011520203 A CN202011520203 A CN 202011520203A CN 112580516 A CN112580516 A CN 112580516A
Authority
CN
China
Prior art keywords
straight line
scene
video
image
identified
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
CN202011520203.5A
Other languages
English (en)
Inventor
侯凯
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 Eye Control Technology Co Ltd
Original Assignee
Shanghai Eye Control 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 Eye Control Technology Co Ltd filed Critical Shanghai Eye Control Technology Co Ltd
Priority to CN202011520203.5A priority Critical patent/CN112580516A/zh
Publication of CN112580516A publication Critical patent/CN112580516A/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
    • G06V20/35—Categorising the entire scene, e.g. birthday party or wedding scene
    • G06V20/38—Outdoor scenes
    • G06T5/90—
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/13—Edge detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
    • 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
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/40—Scenes; Scene-specific elements in video content
    • G06V20/46—Extracting features or characteristics from the video content, e.g. video fingerprints, representative shots or key frames
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20048—Transform domain processing
    • G06T2207/20061—Hough transform
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20092—Interactive image processing based on input by user
    • G06T2207/20104—Interactive definition of region of interest [ROI]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30232—Surveillance
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30248—Vehicle exterior or interior
    • G06T2207/30252—Vehicle exterior; Vicinity of vehicle

Abstract

本发明实施例公开了一种道路场景识别方法，包括：对待识别视频中的视频帧进行预处理，获取待检测图像；对待检测图像进行直线检测，获取至少一条直线；对至少一条直线进行筛选，获取目标直线；计算目标直线的平均角度，根据平均角度确定待识别视频的场景类型。本发明实施例提供的道路场景识别方法，通过提取待识别视频中的目标直线，根据目标直线的平均角度识别道路场景，可以实现摄像头转动情况下对道路场景的快速识别，从而保证道路场景与相应的人为配置相匹配，进而可以提高基于视频流数据的违法判别等行为的准确率。

Description

一种道路场景识别方法、装置、设备及存储介质
技术领域
本发明涉及图像处理技术领域，尤其涉及一种道路场景识别方法、装置、设备及存储介质。
背景技术
随着工业摄像头的技术的日益精进，交通的重要路口都会有摄像头的分布，交通部门可以利用这些高清摄像头进行车辆违法的人工审核，但这种方式人力成本巨大，并且容易出错，故利用深度学习进行违法判断的需要日益剧增。目前对于违法判断中对于固定摄像头的识别目前主要是根据一些固定区域进行违法车辆检测，并进行违法判断，但对于一个转动的摄像头来说如何进行变换下的场景匹配是一个难点问题。对于工业应用来说，为了追求速度和效果，需要利用一些图像处理方面的技术，对一个转动摄像头所拍摄的场景进行识别，但目前还没有较为详细的方案。
发明内容
本发明实施例提供了一种道路场景识别方法、装置、设备及存储介质，可以实现摄像头转动情况下对道路场景的快速识别，从而保证道路场景与相应的人为配置相匹配，进而可以提高基于视频流数据的违法判别等行为的准确率。
第一方面，本发明实施例提供了一种道路场景识别方法，包括：
对待识别视频中的视频帧进行预处理，获取待检测图像；
对所述待检测图像进行直线检测，获取至少一条直线；
对所述至少一条直线进行筛选，获取目标直线；
计算所述目标直线的平均角度，根据所述平均角度确定所述待识别视频的场景类型。
进一步地，对待识别视频中的视频帧进行预处理，获取待检测图像，包括：
提取所述视频帧的感兴趣区域；
调整所述感兴趣区域的大小，将调整后的图像进行灰度化处理；
对灰度化处理后的图像进行边缘检测，获得边缘图像；
对所述边缘图像进行二值化处理，获取待检测图像。
进一步地，调整所述感兴趣区域的大小，包括：按照设定比例将所述感兴趣区域缩小。
进一步地，对所述至少一条直线进行筛选，获取目标直线，包括：
获取设定角度范围，并将所述至少一条直线中倾斜角度落入所述角度范围外的直线进行过滤；
提取过滤后的直线中长度满足设定条件的直线，获得目标直线。
进一步地，提取过滤后的直线中长度满足设定条件的直线，获得目标直线，包括：
按长度对所述过滤后的直线进行降序或升序排序；
提取排序靠前或靠后设定数量的直线，获得目标直线。
进一步地，根据所述平均角度确定所述待识别视频的场景类型，包括：
若所述平均角度小于第一设定阈值，则所述待识别视频的场景类型为第一场景；
若所述平均角度大于第一设定阈值，则所述待识别视频的场景类型为第二场景。
进一步地，在根据所述平均角度确定所述待识别视频的场景类型之后，还包括：
若确定的所述待识别视频的场景类型为第一场景，且当前配置不是所述第一场景对应的配置信息，则将所述配置切换至所述第一场景对应的配置信息；
若确定的所述待识别视频的场景类型为第二场景，且当前配置不是所述第二场景对应的配置信息，则将所述配置切换至所述第二场景对应的配置信息。
第二方面，本发明实施例还提供了一种道路场景识别装置，包括：
待检测图像获取模块，用于对待识别视频中的视频帧进行预处理，获取待检测图像；
直线检测模块，用于对所述待检测图像进行直线检测，获取至少一条直线；
目标直线获取模块，用于对所述至少一条直线进行筛选，获取目标直线；
场景类型确定模块，用于计算所述目标直线的平均角度，根据所述平均角度确定所述待识别视频的场景类型。
可选的，待检测图像获取模块还用于：
提取所述视频帧的感兴趣区域；
调整所述感兴趣区域的大小，将调整后的图像进行灰度化处理；
对灰度化处理后的图像进行边缘检测，获得边缘图像；
对所述边缘图像进行二值化处理，获取待检测图像。
可选的，待检测图像获取模块还用于：
按照设定比例将所述感兴趣区域缩小。
可选的，目标直线获取模块还用于：
获取设定角度范围，并将所述至少一条直线中倾斜角度落入所述角度范围外的直线进行过滤；
提取过滤后的直线中长度满足设定条件的直线，获得目标直线。
可选的，目标直线获取模块还用于：
按长度对所述过滤后的直线进行降序或升序排序；
提取排序靠前或靠后设定数量的直线，获得目标直线。
可选的，场景类型确定模块还用于：
若所述平均角度小于第一设定阈值，则所述待识别视频的场景类型为第一场景；
若所述平均角度大于第一设定阈值，则所述待识别视频的场景类型为第二场景。
可选的，装置还包括配置信息切换模块，用于若确定的所述待识别视频的场景类型为第一场景，且当前配置不是所述第一场景对应的配置信息，则将所述配置切换至所述第一场景对应的配置信息；若确定的所述待识别视频的场景类型为第二场景，且当前配置不是所述第二场景对应的配置信息，则将所述配置切换至所述第二场景对应的配置信息。
第三方面，本发明实施例还提供了一种道路场景识别设备，该设备包括：
包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如本发明实施例任一所述的道路场景识别方法。
第四方面，本发明实施例还提供了一种道路场景识别存储介质，其上存储有计算机程序，该程序被处理装置执行时实现如本发明实施例任一所述的道路场景识别方法。
本发明实施例首先对待识别视频中的视频帧进行预处理，获取待检测图像；然后对待检测图像进行直线检测，获取至少一条直线；再对至少一条直线进行筛选，获取目标直线；最后计算目标直线的平均角度，根据平均角度确定待识别视频的场景类型。本发明实施例提供的道路场景识别方法，通过提取待识别视频中的目标直线，根据目标直线的平均角度识别道路场景，可以实现摄像头转动情况下对道路场景的快速识别，从而保证道路场景与相应的人为配置相匹配，进而可以提高基于视频流数据的违法判别等行为的准确率。
附图说明
图1是本发明实施例一中的一种道路场景识别方法流程图；
图2A是本发明实施例一中的场景类型示例图；
图2B是本发明实施例一中的场景类型示例图；
图3是本发明实施例一中的一种道路场景识别过程示意图；
图4是本发明实施例二中的一种待检测图像获取方法流程图；
图5是本发明实施例三中的一种道路场景识别装置结构示意图；
图6是本发明实施例四中的一种计算机设备的结构示意图。
具体实施方式
下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释本发明，而非对本发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本发明相关的部分而非全部结构。
实施例一
图1为本发明实施例一提供的一种道路场景识别方法流程图，本实施例可适用于对摄像头拍摄的道路场景进行识别的情况，该方法可以由道路场景识别装置来执行，该装置可由硬件和/或软件组成，并一般可集成在具有道路场景识别功能的设备中，该设备可以是服务器或服务器集群等电子设备。如图1所示，具体包括如下步骤：
步骤110、对待识别视频中的视频帧进行预处理，获取待检测图像。
其中，待识别视频可以是道路上可转动的摄像头所拍摄的视频。
对于可以180°转动的摄像头，其所拍摄的同一地点的画面由于镜头的转动会呈现不同的视角，例如一条南北方向的道路，摄像头有南北两个拍摄方向，我们可以将两个相反方向的拍摄场景分别称作场景A和场景B，利用本发明实施例所提供的道路场景识别方法，可以识别出摄像头所拍摄的视频中的场景类型。
在本实施例中，对待识别视频中的视频帧进行预处理，获取待检测图像的方式可以是：提取视频帧的感兴趣区域；调整感兴趣区域的大小，将调整后的图像进行灰度化处理；对灰度化处理后的图像进行边缘检测，获得边缘图像；对边缘图像进行二值化处理，获取待检测图像。
进一步地，调整感兴趣区域的大小的方式可以是：按照设定比例将感兴趣区域缩小。
优选地，可以通过调用OpenCV中的相关算法接口完成视频帧的预处理。OpenCV是一个基于BSD许可(开源)发行的跨平台计算机视觉和机器学习软件库，可以运行在Linux、Windows、Android和Mac OS操作系统上，它同时提供了Python、Ruby、MATLAB等语言的接口，实现了图像处理和计算机视觉方面的很多通用算法。对于本发明实施例中所使用的ROI提取、灰度化、边缘检测和二值化等，均可以将待处理图像输入相应的模型，利用OpenCV来完成。
步骤120、对待检测图像进行直线检测，获取至少一条直线。
其中，直线检测是图像处理中的一种常用手段，优选地，可以采用霍夫直线检测算法对图像中的直线进行提取。霍夫直线检测可以通过一种投票算法检测具有特定形状的物体,在一个参数空间中通过计算累计结果的局部最大值得到一个符合该特定形状的集合作为霍夫变换结果。
需要注意的是，本发明实施例中所提到的“直线”表示感兴趣区域内与有弧度的线条相区分的笔直线条，而并非数学意义上的两端无限延长的直线概念。
具体的，可以调用OpenCV中的霍夫直线检测模型，将预处理后的待检测图像输入模型中，得到图像中的直线。
步骤130、对至少一条直线进行筛选，获取目标直线。
在本实施例中，对至少一条直线进行筛选，获取目标直线的方式可以是：获取设定角度范围，并将至少一条直线中倾斜角度落入角度范围外的直线进行过滤；提取过滤后的直线中长度满足设定条件的直线，获得目标直线。
具体的，由于本实施例中摄像头的拍摄方向与道路方向始终平行，例如对于南北方向的道路，摄像头的拍摄方向为向南或向北，因此，若在每一个视频帧中建立直角坐标系，令x轴和y轴分别是摄像画面的两条中心线，则道路线与x轴所呈的角度在0°到180°之间。进一步地，如图2A-图2B所示，若摄像头面朝道路一端时道路与x轴呈60°(以道路的中心线与x轴的角度作为道路与x轴的角度)，则当摄像头面朝另一端时该道路与x轴呈120°。优选地，由于摄像头拍摄方向与其拍摄的道路方向平行，所以道路线与x轴的角度一般不会非常接近0°或180°，故可以设定角度范围，过滤掉所需道路线以外不满足要求的直线。例如，可以令设定角度范围为30°-150°，则对直线进行筛选时可以过滤掉角度小于30°和大于150°的直线，再对过滤后的直线进行进一步的长度筛选。
进一步地，提取过滤后的直线中长度满足设定条件的直线，获得目标直线的方式可以是：按长度对过滤后的直线进行降序或升序排序；提取排序靠前或靠后设定数量的直线，获得目标直线。
具体的，可以将所有经过角度过滤后的直线按照长度进行排序，选取长度较长的几条直线作为目标直线，从而筛掉长度过短的直线，减少对正常道路线的影响。例如，可以按照长度进行降序排序，从排序之后的直线集合中提取前5条作为目标直线。同理，也可将过滤后的直线按照长度进行升序排序，然后可以提取集合中的最后几条作为目标直线，目标直线的数量可以人为设定。
步骤140、计算目标直线的平均角度，根据平均角度确定待识别视频的场景类型。
其中，待识别视频的场景类型可以分为场景A和场景B。在本实施例中，场景A和场景B为同一摄像头拍摄同一地点时两个相反方向下的道路场景，例如，对于南北方向的道路，若场景A为朝南拍摄时的道路场景，则场景B为朝北拍摄时的道路场景。优选的，可以令道路线角度小于90°的场景为场景A，道路线角度大于180°的场景为场景B。场景的类型可以通过场景的配置文件存储在设备中，在道路场景识别中可以通过读取场景的配置文件获取场景的类型。
在本实施例中，根据平均角度确定待识别视频的场景类型的方式可以是：若平均角度小于第一设定阈值，则待识别视频的场景类型为第一场景；若平均角度大于第一设定阈值，则待识别视频的场景类型为第二场景。
其中，第一设定阈值可以是90°，第一场景可以是场景A，第二场景可以是场景B。具体的，可以取筛选出的每条直线的两个顶点，根据顶点坐标计算每条直线的角度。例如，对于其中一条目标直线，其两个顶点的坐标分别为A(x1，y1)和B(x2，y2)，其中x1、x2是x轴上的坐标值，y1、y2是y轴上的坐标值，令dx＝x2-x1，dy＝y2-y1，可以通过C++的标准库函数std::atan2(dy，dx)计算目标直线的平均角度。优选地，计算后得到的平均角度若小于90°，则当前待识别视频的场景类型为场景A；若大于90°，则当前待识别视频的场景类型为场景B。
进一步地，若平均角度等于第一设定阈值，则说明此步骤之前的计算处理中可能出现错误，在此情况下，可以跳过当前视频帧。
在本实施例中，在根据平均角度确定待识别视频的场景类型之后，还可以：若确定的待识别视频的场景类型为第一场景，且当前配置不是第一场景对应的配置信息，则将配置切换至第一场景对应的配置信息；若确定的待识别视频的场景类型为第二场景，且当前配置不是第二场景对应的配置信息，则将配置切换至第二场景对应的配置信息。
具体的，可以针对不同场景匹配对应的配置信息，若确定的待识别视频的场景类型与当前配置不能对应，即摄像头发生了转动，在此情况下，可以切换配置信息使场景类型与配置信息相匹配。
图3为本发明实施例一中的一种道路场景识别过程示意图，如图所示，获取视频流数据后对视频帧进行ROI提取、resize、边缘检测和二值化等预处理，然后通过霍夫直线检测对图像中的直线进行提取，再通过直线过滤和排序筛选目标直线，最后根据计算出的目标直线的平均角度对道路场景类型进行识别。
本发明实施例首先对待识别视频中的视频帧进行预处理，获取待检测图像；然后对待检测图像进行直线检测，获取至少一条直线；再对至少一条直线进行筛选，获取目标直线；最后计算目标直线的平均角度，根据平均角度确定待识别视频的场景类型。本发明实施例提供的道路场景识别方法，通过提取待识别视频中的目标直线，根据目标直线的平均角度识别道路场景，可以实现摄像头转动情况下对道路场景的快速识别，从而保证道路场景与相应的人为配置相匹配，进而可以提高基于视频流数据的违法判别等行为的准确率。
实施例二
图4是本发明实施例二中的一种待检测图像获取方法流程图，本实施例可适用于获取待检测图像的情况。如图4所示，具体包括如下步骤：
步骤111、提取视频帧的感兴趣区域。
具体的，获取待识别视频数据后，可以对视频的每一帧图像进行感兴趣区域(ROI)提取。其中，感兴趣区域(ROI，region of interest)，是机器视觉、图像处理中，从被处理的图像以方框、圆、椭圆、不规则多边形等方式勾勒出需要处理的区域，从而进行图像的下一步处理。在本实施例中，感兴趣区域主要是视频图像中的道路区域。ROI提取后，为了后续处理的需要，可以调整感兴趣区域的大小，并将图像进行灰度化处理。其中，灰度化是指在RGB模型中，如果R＝G＝B时，则彩色表示为一种灰度颜色，其中R＝G＝B的值叫灰度值，灰度范围为0-255。由于摄像头拍摄的图像是彩色的，灰度化处理可以将彩色图像用灰度颜色表示，提高计算速度。对图像进行灰度化处理后可以利用边缘检测提取图像中的线条轮廓，再对边缘图像进行二值化处理，最终获得待检测图像。其中，边缘检测的目的是标识数字图像中亮度变化明显的点，可以利用Soble等边缘检测算法进行识别；二值化是将图像上的像素点的灰度值设置为0或255，也就是将整个图像呈现出明显的黑白效果的过程。
步骤112、调整感兴趣区域的大小，将调整后的图像进行灰度化处理。
在本实施例中，调整感兴趣区域的大小的方式可以是：按照设定比例将所述感兴趣区域缩小。
优选地，为了方便后续计算处理，可以将获取到的感兴趣区域的大小进行调整，将区域按照设定比例进行缩小或放大。例如，可以利用OpenCV中的resize函数进行图像大小变换，将感兴趣区域的长和宽同时缩小到原来的十分之一。
步骤113、对灰度化处理后的图像进行边缘检测，获得边缘图像。
优选地，可以通过调用OpenCV中的相关算法接口完成视频帧的预处理。OpenCV是一个基于BSD许可(开源)发行的跨平台计算机视觉和机器学习软件库，可以运行在Linux、Windows、Android和Mac OS操作系统上，它同时提供了Python、Ruby、MATLAB等语言的接口，实现了图像处理和计算机视觉方面的很多通用算法。具体的，可以利用OpenCV，将待处理图像输入边缘检测模型获得边缘图像。
步骤114、对边缘图像进行二值化处理，获取待检测图像。
同理，可以调用OpenCV中的二值化模型，将边缘图像输入模型中，得到待检测图像。
本发明实施例首先提取视频帧的感兴趣区域；然后调整感兴趣区域的大小，将调整后的图像进行灰度化处理；再对灰度化处理后的图像进行边缘检测，获得边缘图像；最后对边缘图像进行二值化处理，获取待检测图像。本发明实施例提供的待检测图像获取方法，通过对待识别视频中的视频帧进行预处理，可以获取待检测图像，以便进行下一步处理。
实施例三
图5为本发明实施例三提供的一种道路场景识别装置结构示意图。如图5所示，该装置包括：待检测图像获取模块210，直线检测模块220，目标直线获取模块230，场景类型确定模块240。
待检测图像获取模块210，用于对待识别视频中的视频帧进行预处理，获取待检测图像。
可选的，待检测图像获取模块210还用于：
提取视频帧的感兴趣区域；调整感兴趣区域的大小，将调整后的图像进行灰度化处理；对灰度化处理后的图像进行边缘检测，获得边缘图像；对边缘图像进行二值化处理，获取待检测图像。
可选的，待检测图像获取模块210还用于：
按照设定比例将感兴趣区域缩小。
直线检测模块220，用于对待检测图像进行直线检测，获取至少一条直线。
目标直线获取模块230，用于对至少一条直线进行筛选，获取目标直线。
可选的，目标直线获取模块230还用于：
获取设定角度范围，并将至少一条直线中倾斜角度落入所述角度范围外的直线进行过滤；提取过滤后的直线中长度满足设定条件的直线，获得目标直线。
可选的，目标直线获取模块230还用于：
按长度对过滤后的直线进行降序或升序排序；提取排序靠前或靠后设定数量的直线，获得目标直线。
场景类型确定模块240，用于计算目标直线的平均角度，根据平均角度确定待识别视频的场景类型。
可选的，场景类型确定模块240还用于：
若平均角度小于第一设定阈值，则待识别视频的场景类型为第一场景；若平均角度大于第一设定阈值，则待识别视频的场景类型为第二场景。
可选的，装置还包括配置信息切换模块，用于若确定的待识别视频的场景类型为第一场景，且当前配置不是第一场景对应的配置信息，则将配置切换至第一场景对应的配置信息；若确定的待识别视频的场景类型为第二场景，且当前配置不是第二场景对应的配置信息，则将配置切换至第二场景对应的配置信息。
上述装置可执行本公开前述所有实施例所提供的方法，具备执行上述方法相应的功能模块和有益效果。未在本实施例中详尽描述的技术细节，可参见本公开前述所有实施例所提供的方法。
实施例四
图6为本发明实施例四提供的一种计算机设备的结构示意图。图6示出了适于用来实现本发明实施方式的计算机设备312的框图。图6显示的计算机设备312仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。设备312是典型的道路场景识别计算设备。
如图6所示，计算机设备312以通用计算设备的形式表现。计算机设备312的组件可以包括但不限于：一个或者多个处理器316，存储装置328，连接不同系统组件(包括存储装置328和处理器316)的总线318。
总线318表示几类总线结构中的一种或多种，包括存储器总线或者存储器控制器，外围总线，图形加速端口，处理器或者使用多种总线结构中的任意总线结构的局域总线。举例来说，这些体系结构包括但不限于工业标准体系结构(Industry StandardArchitecture，ISA)总线，微通道体系结构(Micro Channel Architecture，MCA)总线，增强型ISA总线、视频电子标准协会(Video Electronics Standards Association，VESA)局域总线以及外围组件互连(Peripheral Component Interconnect，PCI)总线。
计算机设备312典型地包括多种计算机系统可读介质。这些介质可以是任何能够被计算机设备312访问的可用介质，包括易失性和非易失性介质，可移动的和不可移动的介质。
存储装置328可以包括易失性存储器形式的计算机系统可读介质，例如随机存取存储器(Random Access Memory，RAM)330和/或高速缓存存储器332。计算机设备312可以进一步包括其它可移动/不可移动的、易失性/非易失性计算机系统存储介质。仅作为举例，存储系统334可以用于读写不可移动的、非易失性磁介质(图6未显示，通常称为“硬盘驱动器”)。尽管图6中未示出，可以提供用于对可移动非易失性磁盘(例如“软盘”)读写的磁盘驱动器，以及对可移动非易失性光盘(例如只读光盘(Compact Disc-Read Only Memory，CD-ROM)、数字视盘(Digital Video Disc-Read Only Memory，DVD-ROM)或者其它光介质)读写的光盘驱动器。在这些情况下，每个驱动器可以通过一个或者多个数据介质接口与总线318相连。存储装置328可以包括至少一个程序产品，该程序产品具有一组(例如至少一个)程序模块，这些程序模块被配置以执行本发明各实施例的功能。
具有一组(至少一个)程序模块326的程序336，可以存储在例如存储装置328中，这样的程序模块326包括但不限于操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。程序模块326通常执行本发明所描述的实施例中的功能和/或方法。
计算机设备312也可以与一个或多个外部设备314(例如键盘、指向设备、摄像头、显示器324等)通信，还可与一个或者多个使得用户能与该计算机设备312交互的设备通信，和/或与使得该计算机设备312能与一个或多个其它计算设备进行通信的任何设备(例如网卡，调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口322进行。并且，计算机设备312还可以通过网络适配器320与一个或者多个网络(例如局域网(Local AreaNetwork，LAN)，广域网Wide Area Network，WAN)和/或公共网络，例如因特网)通信。如图所示，网络适配器320通过总线318与计算机设备312的其它模块通信。应当明白，尽管图中未示出，可以结合计算机设备312使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、磁盘阵列(Redundant Arrays of IndependentDisks，RAID)系统、磁带驱动器以及数据备份存储系统等。
处理器316通过运行存储在存储装置328中的程序，从而执行各种功能应用以及数据处理，例如实现本发明上述实施例所提供的道路场景识别方法。
实施例五
本发明实施例提供了一种计算机可读存储介质，该计算机可读存储介质上存储有计算机程序，该程序被处理装置执行时实现如本发明实施例中的道路场景识别方法。本发明上述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本公开中，计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读信号介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：电线、光缆、RF(射频)等等，或者上述的任意合适的组合。
在一些实施方式中，客户端、服务器可以利用诸如HTTP(HyperText TransferProtocol，超文本传输协议)之类的任何当前已知或未来研发的网络协议进行通信，并且可以与任意形式或介质的数字数据通信(例如，通信网络)互连。通信网络的示例包括局域网(“LAN”)，广域网(“WAN”)，网际网(例如，互联网)以及端对端网络(例如，ad hoc端对端网络)，以及任何当前已知或未来研发的网络。
上述计算机可读介质可以是上述电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。
上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该电子设备执行时，使得该电子设备：对待识别视频中的视频帧进行预处理，获取待检测图像；对待检测图像进行直线检测，获取至少一条直线；对至少一条直线进行筛选，获取目标直线；计算目标直线的平均角度，根据平均角度确定待识别视频的场景类型。
可以以一种或多种程序设计语言或其组合来编写用于执行本公开的操作的计算机程序代码，上述程序设计语言包括但不限于面向对象的程序设计语言，诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络连接到用户计算机，包括局域网(LAN)或广域网(WAN)，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
附图中的流程图和框图，图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
描述于本公开实施例中所涉及到的单元可以通过软件的方式实现，也可以通过硬件的方式来实现。其中，单元的名称在某种情况下并不构成对该单元本身的限定。
本文中以上描述的功能可以至少部分地由一个或多个硬件逻辑部件来执行。例如，非限制性地，可以使用的示范类型的硬件逻辑部件包括：现场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、片上系统(SOC)、复杂可编程逻辑设备(CPLD)等等。
在本公开的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
注意，上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解，本发明不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此，虽然通过以上实施例对本发明进行了较为详细的说明，但是本发明不仅仅限于以上实施例，在不脱离本发明构思的情况下，还可以包括更多其他等效实施例，而本发明的范围由所附的权利要求范围决定。

Claims (10)

1.一种道路场景识别方法，其特征在于，包括：
对待识别视频中的视频帧进行预处理，获取待检测图像；
对所述待检测图像进行直线检测，获取至少一条直线；
对所述至少一条直线进行筛选，获取目标直线；
计算所述目标直线的平均角度，根据所述平均角度确定所述待识别视频的场景类型。
2.根据权利要求1所述的方法，其特征在于，对待识别视频中的视频帧进行预处理，获取待检测图像，包括：
提取所述视频帧的感兴趣区域；
调整所述感兴趣区域的大小，将调整后的图像进行灰度化处理；
对灰度化处理后的图像进行边缘检测，获得边缘图像；
对所述边缘图像进行二值化处理，获取待检测图像。
3.根据权利要求2所述的方法，其特征在于，调整所述感兴趣区域的大小，包括：按照设定比例将所述感兴趣区域缩小。
4.根据权利要求1所述的方法，其特征在于，对所述至少一条直线进行筛选，获取目标直线，包括：
获取设定角度范围，并将所述至少一条直线中倾斜角度落入所述角度范围外的直线进行过滤；
提取过滤后的直线中长度满足设定条件的直线，获得目标直线。
5.根据权利要求4所述的方法，其特征在于，提取过滤后的直线中长度满足设定条件的直线，获得目标直线，包括：
按长度对所述过滤后的直线进行降序或升序排序；
提取排序靠前或靠后设定数量的直线，获得目标直线。
6.根据权利要求1所述的方法，其特征在于，根据所述平均角度确定所述待识别视频的场景类型，包括：
若所述平均角度小于第一设定阈值，则所述待识别视频的场景类型为第一场景；
若所述平均角度大于第一设定阈值，则所述待识别视频的场景类型为第二场景。
7.根据权利要求6所述的方法，其特征在于，在根据所述平均角度确定所述待识别视频的场景类型之后，还包括：
若确定的所述待识别视频的场景类型为第一场景，且当前配置不是所述第一场景对应的配置信息，则将所述配置切换至所述第一场景对应的配置信息；
若确定的所述待识别视频的场景类型为第二场景，且当前配置不是所述第二场景对应的配置信息，则将所述配置切换至所述第二场景对应的配置信息。
8.一种道路场景识别装置，其特征在于，包括：
待检测图像获取模块，用于对待识别视频中的视频帧进行预处理，获取待检测图像；
直线检测模块，用于对所述待检测图像进行直线检测，获取至少一条直线；
目标直线获取模块，用于对所述至少一条直线进行筛选，获取目标直线；
场景类型确定模块，用于计算所述目标直线的平均角度，根据所述平均角度确定所述待识别视频的场景类型。
9.一种计算机设备，其特征在于，所述设备包括：包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如权利要求1-7任一所述的道路场景识别方法。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理装置执行时实现如权利要求1-7中任一所述的道路场景识别方法。
CN202011520203.5A 2020-12-21 2020-12-21 一种道路场景识别方法、装置、设备及存储介质 Pending CN112580516A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011520203.5A CN112580516A (zh) 2020-12-21 2020-12-21 一种道路场景识别方法、装置、设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011520203.5A CN112580516A (zh) 2020-12-21 2020-12-21 一种道路场景识别方法、装置、设备及存储介质

Publications (1)

Publication Number Publication Date
CN112580516A true CN112580516A (zh) 2021-03-30

Family

ID=75136451

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011520203.5A Pending CN112580516A (zh) 2020-12-21 2020-12-21 一种道路场景识别方法、装置、设备及存储介质

Country Status (1)

Country Link
CN (1) CN112580516A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113569684A (zh) * 2021-07-20 2021-10-29 上海明略人工智能(集团)有限公司 短视频场景分类方法、系统、电子设备及存储介质
CN113569683A (zh) * 2021-07-20 2021-10-29 上海明略人工智能(集团)有限公司 结合显著区域检测的场景分类方法、系统、设备及介质

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108416045A (zh) * 2018-03-15 2018-08-17 斑马网络技术有限公司 交通设施的位置获取方法、装置、终端设备及服务器
CN109299674A (zh) * 2018-09-05 2019-02-01 重庆大学 一种基于车灯的隧道违章变道检测方法
CN109344704A (zh) * 2018-08-24 2019-02-15 南京邮电大学 一种基于行车方向与车道线夹角的车辆变道行为检测方法
CN109949578A (zh) * 2018-12-31 2019-06-28 上海眼控科技股份有限公司 一种基于深度学习的车辆压线违法自动审核方法
CN111126323A (zh) * 2019-12-26 2020-05-08 广东星舆科技有限公司 服务于交通违规检测的卡口元素识别与分析方法、系统
CN111382704A (zh) * 2020-03-10 2020-07-07 北京以萨技术股份有限公司 基于深度学习的车辆压线违章判断方法、装置及存储介质
CN111583660A (zh) * 2020-05-22 2020-08-25 济南博观智能科技有限公司 车辆转向行为检测方法、装置、设备及存储介质
CN111860113A (zh) * 2020-06-01 2020-10-30 安徽奇点智能新能源汽车有限公司 车道线检测方法及系统
CN112017249A (zh) * 2020-08-18 2020-12-01 东莞正扬电子机械有限公司 车载摄像头滚转角获取、安装角度校正方法及设备

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108416045A (zh) * 2018-03-15 2018-08-17 斑马网络技术有限公司 交通设施的位置获取方法、装置、终端设备及服务器
CN109344704A (zh) * 2018-08-24 2019-02-15 南京邮电大学 一种基于行车方向与车道线夹角的车辆变道行为检测方法
CN109299674A (zh) * 2018-09-05 2019-02-01 重庆大学 一种基于车灯的隧道违章变道检测方法
CN109949578A (zh) * 2018-12-31 2019-06-28 上海眼控科技股份有限公司 一种基于深度学习的车辆压线违法自动审核方法
CN111126323A (zh) * 2019-12-26 2020-05-08 广东星舆科技有限公司 服务于交通违规检测的卡口元素识别与分析方法、系统
CN111382704A (zh) * 2020-03-10 2020-07-07 北京以萨技术股份有限公司 基于深度学习的车辆压线违章判断方法、装置及存储介质
CN111583660A (zh) * 2020-05-22 2020-08-25 济南博观智能科技有限公司 车辆转向行为检测方法、装置、设备及存储介质
CN111860113A (zh) * 2020-06-01 2020-10-30 安徽奇点智能新能源汽车有限公司 车道线检测方法及系统
CN112017249A (zh) * 2020-08-18 2020-12-01 东莞正扬电子机械有限公司 车载摄像头滚转角获取、安装角度校正方法及设备

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
钱基德 等: "基于感兴趣区域模型的车道线快速检测算法", 电子科技大学学报, vol. 47, no. 03, pages 356 - 361 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113569684A (zh) * 2021-07-20 2021-10-29 上海明略人工智能(集团)有限公司 短视频场景分类方法、系统、电子设备及存储介质
CN113569683A (zh) * 2021-07-20 2021-10-29 上海明略人工智能(集团)有限公司 结合显著区域检测的场景分类方法、系统、设备及介质
CN113569683B (zh) * 2021-07-20 2024-04-02 上海明略人工智能(集团)有限公司 结合显著区域检测的场景分类方法、系统、设备及介质

Similar Documents

Publication Publication Date Title
CN112348815B (zh) 图像处理方法、图像处理装置以及非瞬时性存储介质
US20150117767A1 (en) Method and apparatus of determining air quality
CN111950353B (zh) 印章文本识别方法、装置及电子设备
CN108550258B (zh) 车辆排队长度检测方法、装置、存储介质和电子设备
CN112669344A (zh) 一种运动物体的定位方法、装置、电子设备及存储介质
CN112580516A (zh) 一种道路场景识别方法、装置、设备及存储介质
CN109948521B (zh) 图像纠偏方法和装置、设备及存储介质
CN113723377A (zh) 一种基于ld-ssd网络的交通标志检测方法
CN114037992A (zh) 仪表示数识别方法、装置、电子设备及存储介质
CN112330576A (zh) 车载鱼眼摄像头畸变矫正方法、装置、设备及存储介质
US11417080B2 (en) Object detection apparatus, object detection method, and computer-readable recording medium
CN114638294A (zh) 一种数据增强方法、装置、终端设备及存储介质
CN113299073A (zh) 识别车辆违章停车的方法、装置、设备和存储介质
CN111898610A (zh) 卡片缺角检测方法、装置、计算机设备及存储介质
CN111950345A (zh) 摄像头的识别方法、装置、电子设备和存储介质
CN113326766B (zh) 文本检测模型的训练方法及装置、文本检测方法及装置
CN110673607A (zh) 动态场景下的特征点提取方法、装置、及终端设备
CN114821274A (zh) 一种用于识别分合指示牌的状态的方法和设备
CN111967332B (zh) 用于自动驾驶的能见度信息生成方法和装置
CN108229281B (zh) 神经网络的生成方法和人脸检测方法、装置及电子设备
EP3044734B1 (en) Isotropic feature matching
Wu et al. Enhanced roadway inventory using a 2‐D sign video image recognition algorithm
CN110765875B (zh) 交通目标的边界检测方法、设备及装置
CN112767412A (zh) 车辆部件级分割方法、装置以及电子设备
CN109141457B (zh) 导航评估方法、装置、计算机设备和存储介质

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