CN112926425A - 道路状态检测方法、装置及设备 - Google Patents
道路状态检测方法、装置及设备 Download PDFInfo
- Publication number
- CN112926425A CN112926425A CN202110183962.5A CN202110183962A CN112926425A CN 112926425 A CN112926425 A CN 112926425A CN 202110183962 A CN202110183962 A CN 202110183962A CN 112926425 A CN112926425 A CN 112926425A
- Authority
- CN
- China
- Prior art keywords
- road
- target image
- image
- suspected abnormal
- vehicle
- 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 44
- 230000002159 abnormal effect Effects 0.000 claims abstract description 142
- 238000000034 method Methods 0.000 claims abstract description 78
- 238000012549 training Methods 0.000 claims description 114
- 238000004590 computer program Methods 0.000 claims description 14
- 238000012216 screening Methods 0.000 claims description 10
- 238000000605 extraction Methods 0.000 claims description 6
- 238000010586 diagram Methods 0.000 description 24
- 239000013598 vector Substances 0.000 description 23
- 238000013461 design Methods 0.000 description 17
- 230000006870 function Effects 0.000 description 16
- 230000008569 process Effects 0.000 description 16
- 238000012545 processing Methods 0.000 description 16
- 230000003321 amplification Effects 0.000 description 9
- 238000010276 construction Methods 0.000 description 9
- 238000003199 nucleic acid amplification method Methods 0.000 description 9
- 238000013507 mapping Methods 0.000 description 7
- 230000006399 behavior Effects 0.000 description 6
- 238000002372 labelling Methods 0.000 description 5
- 230000009286 beneficial effect Effects 0.000 description 3
- 238000013527 convolutional neural network Methods 0.000 description 3
- 238000013136 deep learning model Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 3
- 238000013434 data augmentation Methods 0.000 description 2
- 206010000117 Abnormal behaviour Diseases 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 230000003190 augmentative effect Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 239000007787 solid Substances 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
- G06V20/50—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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Multimedia (AREA)
- Traffic Control Systems (AREA)
- Navigation (AREA)
Abstract
本申请实施例提供一种道路状态检测方法、装置及设备。道路状态检测方法包括：获取推荐路线中包括相同路段的每个车辆的行驶路线；根据所述每个车辆的行驶路线，确定所述相同路段中的疑似异常路段；获取所述疑似异常路段的邻接道路的目标图像；根据所述目标图像，确定所述疑似异常路段的道路状态。在本申请中，参考能够反映疑似异常路段真实状态的目标图像，确定疑似异常路段的道路状态，可以提高确定出的道路状态的准确性。
Description
技术领域
本申请实施例涉及道路状态的检测领域，尤其涉及一种道路状态检测方法、装置及设备。
背景技术
目前，服务器可以为车辆规划路线，以使车辆能够根据规划的路线行驶，其中，规划的路线中通常包括多个路段。在服务器为车辆规划路线之前，服务器通常会确定路段的道路状态(例如：开通、封闭)。
在相关技术中，服务器确定路段的道路状态的方法包括：提取道路的车流量、行驶信息；人工根据提取的车流量、行驶信息，确定路段的道路状态。在上述方法中，人工根据提取的车流量、行驶信息，确定路段的道路状态，使得确定出的道路状态准确性较差。
发明内容
本申请实施例提供一种道路状态检测方法、装置及设备。
第一方面，本申请实施例提供一种道路状态检测方法，方法包括：
获取推荐路线中包括相同路段的每个车辆的行驶路线；
根据每个车辆的行驶路线，确定相同路段中的疑似异常路段；
获取疑似异常路段的邻接道路的目标图像；
根据目标图像，确定疑似异常路段的道路状态。
第二方面，本申请实施例提供一种像素识别模型的训练方法，方法包括：
获取训练图像；
对训练图像进行数量扩增，得到多个训练图像；
对多个训练图像中的部分训练图像的属性信息进行调整，得到多个第二样本图像；
采用多个第二样本图像，对初始像素识别模型进行训练，得到像素识别模型；像素识别模型用于识别目标图像中每个像素所属的类别，类别为非障碍物类别或者障碍物类别。
第三方面，本申请实施例提供一种道路状态识别模型的训练方法，方法包括：
获取多个第一样本图像；
根据多个第一样本图像，确定多个样本信息；其中，一个第一样本图像对应一个样本信息，样本信息为对拍摄所述第一样本图像时车辆的速度和方向角、拍摄所述第一样本图像时车辆所处的位置与样本疑似异常路段的起始位置之间的距离和第一样本图像的图像特征进行拼接得到的；
采用多个样本信息，对初始道路状态识别模型进行训练，得到道路状态识别模型，道路状态识别模型用于识别疑似异常路段的道路状态。
第四方面，本申请实施例提供一种道路状态检测装置，装置包括：第一获取模块、第一确定模块、第二获取模块和第二确定模块；其中，
第一获取模块用于，获取推荐路线中包括相同路段的每个车辆的行驶路线；
第一确定模块用于，根据每个车辆的行驶路线，确定相同路段中的疑似异常路段；
第二获取模块用于，获取疑似异常路段的邻接道路的目标图像；
第二确定模块用于，根据目标图像，确定疑似异常路段的道路状态。
第五方面，本申请实施例提供一种像素识别模型的训练装置，装置包括：获取模块、数量扩增模块、调整模块和训练模块；其中，
获取模块用于，获取训练图像；
数量扩增模块用于，对训练图像进行数量扩增，得到多个训练图像；
调整模块用于，对多个训练图像中的部分训练图像的属性信息进行调整，得到第二多个样本图像；
训练模块用于，采用多个第二样本图像，对初始像素识别模型进行训练，得到像素识别模型；像素识别模型用于识别目标图像中每个像素所属的类别，类别为非障碍物类别或者障碍物类别。
第六方面，本申请实施例提供一种道路状态识别模型的训练装置，装置包括：获取模块、确定模块和训练模块；其中，
获取模块用于，获取多个第一样本图像；
确定模块用于，根据多个第一样本图像，确定多个样本信息；其中，一个第一样本图像对应一个样本信息，样本信息采用拍摄第一样本图像时车辆的速度和方向角、拍摄所述第一样本图像时车辆所处的位置与样本疑似异常路段的起始位置之间的距离和所述第一样本图像的图像特征拼接得到；
训练模块用于，采用多个样本信息，对初始道路状态识别模型进行训练，得到所述道路状态识别模型；所述道路状态识别模型用于识别疑似异常路段的道路状态。
第七方面，本申请实施例提供一种服务器，包括：处理器和存储器；
存储器存储计算机执行指令；
处理器执行存储器存储的计算机执行指令，使得处理器执行上述第一方面中任一项的道路状态检测方法、或者上述第二方面中任一项的像素识别模型的训练方法、或者上述第三方面中的道路状态识别模型的训练方法。
第八方面，本申请实施例提供一种计算机可读存储介质，计算机可读存储介质中存储有计算机执行指令，当计算机执行指令被处理器执行时实现上述第一方面中任一项的道路状态检测方法、或者上述第二方面中任一项的像素识别模型的训练方法、或者上述第三方面中的道路状态识别模型的训练方法。
第九方面，本申请实施例提供一种计算机程序产品，包括计算机程序，计算机程序被处理器执行时实现上述第一方面中任一项的道路状态检测方法、或者上述第二方面中任一项的像素识别模型的训练方法、或者上述第三方面中的道路状态识别模型的训练方法。
本申请实施例提供的一种道路状态检测方法、装置及设备，道路状态检测方法包括：获取推荐路线中包括相同路段的每个车辆的行驶路线；根据所述每个车辆的行驶路线，确定所述相同路段中的疑似异常路段；获取所述疑似异常路段的邻接道路的目标图像；根据所述目标图像，确定所述疑似异常路段的道路状态。在上述方法中，先确定疑似异常路段，进而根据疑似异常路段的邻接道路的目标图像，确定疑似异常路段的道路状态，可以提高确定出的道路状态的准确性。在本申请中，由于参考能够反映疑似异常路段真实状态的目标图像，确定疑似异常路段的道路状态，因此提高了确定出的道路状态的准确性。
附图说明
为了更清楚地说明本申请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一简单地介绍，显而易见地，下面描述中的附图是本申请实施例的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本申请实施例提供的道路状态检测方法的应用场景示意图；
图2为本申请实施例提供的道路状态检测方法的流程示意图一；
图3为本申请实施例提供的道路状态检测方法的流程示意图二；
图4为本申请实施例提供的确定邻接道路的一种示意图；
图5为本申请实施例提供的得到疑似异常路段的一种示意图；
图6为本申请实施例提供的图像特征的一种示意图；
图7为本申请实施例提供的像素识别模型的训练方法的流程示意图；
图8为本申请实施例提供的训练初始像素识别模型的示意图；
图9为本申请实施例提供的道路状态识别模型的训练方法的流程示意图；
图10为本申请实施例提供的道路状态识别模型的一种示意图；
图11为本申请实施例提供的道路状态检测装置的示意图一；
图12为本申请实施例提供的道路状态检测装置的示意图二；
图13为本申请实施例提供的像素识别模型的训练装置的示意图；
图14为本申请实施例提供的道路状态识别模型的训练装置的示意图；
图15为本申请实施例提供的服务器的硬件示意图。
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。基于本申请中的实施例，本领域普通技术人员在没有做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。
图1为本申请实施例提供的道路状态检测方法的应用场景示意图。如图1所示，包括：车辆、推荐路线和服务器。服务器可以为车辆规划推荐路线。推荐路线中包括至少一个路段(例如包括道路A、道路B和道路C)。
在服务器为车辆规划推荐路线之前，可以先确定每个路段的状态，进而根据每个路段的道路状态确定是否向将该路段确定为推荐路线的一部分。
在现有技术中，获取多个车辆对应的规划路线和实际行驶路线；根据车辆对应的规划路线和实际行驶路线，确定出存在异常驾驶行为的路段；提取该路段对应的车流量特征、车行驶特征；之后，人工根据提取到的特征，确定存在异常驾驶行为的路段的道路状态。在上述现有技术中，通过人工根据提取的特征，确定存在异常驾驶行为的路段的道路状态，无法反映该路段的道路状态的真实状态，会导致确定出的道路状态的准确性较差。例如，当路段拥堵时，该路段的道路状态为开通，但是会出现车辆偏航、掉头等异常驾驶行为，若通过人工根据提取的特征，确定存在异常驾驶行为的路段的道路状态，则确定出的道路状态的可能为封闭。
在本申请中，为了避免通过人工确定存在异常驾驶行为的路段的道路状态，提高确定出的道路状态的准确性，发明人想到先初步确定疑似异常路段，再根据疑似异常路段的真实状态，确定疑似异常路段的道路状态，从而提高确定出的道路状态的准确性。在图1中，例如当疑似异常路段为道路B时，服务器可以根据道路B的邻接道路(例如道路A或道路C)的图像，确定疑似异常路段的道路状态。在本申请中，服务器先确定疑似异常路段，再根据图像确定疑似异常路段的道路状态，从而提高确定出的道路状态的准确性。
下面以具体地实施例对本申请的技术方案进行详细说明。下面这几个具体的实施例可以相互结合，对于相同或相似的概念或过程可能在某些实施例不再赘述。
图2为本申请实施例提供的道路状态检测方法的流程示意图一。如图2所示，本实施例提供的道路状态检测方法包括：
S201、获取推荐路线中包括相同路段的每个车辆的行驶路线。
本申请实施例的执行主体可以为服务器，也可以为设置在服务器中的道路状态检测装置。道路状态检测装置可以通过软件和/或硬件的结合来实现。
推荐路线中包括至少一个路段。推荐路段为服务器根据车辆的初始地址与目标地址为车辆规划的路线。
行驶路线中包括至少一个路段。行驶路线为车辆实际行驶的路线。
针对每个车辆，该车辆的推荐路线与该车辆的推荐路线对应的行驶路线可以相同、也可以不相同。
多个车辆各自对应的推荐路线中包括相同路段。相同路段为服务器为目标车辆规划目标推荐路线的过程中、想将其作为目标推荐路线的一部分的路段。
每个路段具有标识。标识可以为路段的名称，也可以为路段的编号等。
可选地，服务器存储的历史记录中可以包括多个车辆的推荐路线和每个车辆实际行驶的与车辆的推荐路线对应的行驶路线。
在一种可能的设计中，可以根据相同路段的标识，从上述历史记录中获取多个车辆的推荐路线；推荐路线包括的至少一个路段各自对应的标识中包括相同路段的标识；
根据多个车辆的推荐路线，从上述历史记录中获取多个车辆的行驶路线；针对一个车辆，该车辆的推荐路线与该车辆的行驶路线的起始位置和终止位置可以相同。
S202、根据每个车辆的行驶路线，确定相同路段中的疑似异常路段。
疑似异常路段的长度可以小于或等于相同路段的长度。
可选地，可以通过如下2种可行的方式，根据行驶路线，在推荐路线中确定疑似异常路段。
方式1、根据多个车辆的行驶路线，确定相同路段中未行驶次数超过预设次数的路段，并将未行驶次数超过预设次数的路段确定为疑似异常路段。
具体的，方式1包括如下S2010～S2014。
S2010、统计每个车辆推荐路线中包括的相同路段的标识；设置每个标识对应的未通行次数等于0。
S2011、根据第i个车辆的行驶路线，在第i个车辆的推荐路线中确定第i个车辆未通过的相同路段。
S2012、将第i个车辆未通过的相同路段的标识对应的次数加1。
S2013、将i加1，重复执行L次S2011～S2012，得到每个标识对应的未通行次数；L为上述每个车辆的总个数。
S2014、将多个相同路段中未通行次数大于或等于第一阈值时对应标识的路段，确定为疑似异常路段。
方式2、包括如下S2020～S2026。
S2020、统计每个车辆的推荐路线中包括的相同路段的标识；设置每个标识对应的参数值等于0。
S2021、在第i个车辆的推荐路线包括的相同路段中提取开始偏航时刻t1和结束偏航时刻t2之间的第一路段；在第i个车辆的行驶路线中提取开始偏航时刻t1和结束偏航时刻t2之间的第二路段。
S2022、计算相同路段对应的第一路段与第二路段之间的余弦相似度和路段长度差。
S2023、判断余弦相似度是否小于或等于第一相似度阈值。
若是，则执行S2024，否则执行S2025。
在一种可能设计中，还可以判断余弦相似度是否小于或等于第一相似度阈值且路段长度差是否大于或等于第一长度阈值；若是，则执行S2024，否则执行S2025。
S2024、将相同路段的标识对应的参数值加1，将i加1，重复执行L次S2021～S2023。
S2025、将i加1，重复执行L次S2021～S2024，多个相同路段的标识各自对应的参数值；
S2026、将多个相同路段的标识各自对应的参数值中，对应最大参数值的标识对应的相同路段确定为疑似异常路段。
其中，第一相似度阈值可以为0.7、0.6等，第一长度阈值可以为300、400米等。
需要说明的是，在实际应用中，除上述方式1和方式2之外，还可以通过其他可行的方式，确定疑似异常路段，此处不再详述。
S203、获取疑似异常路段的邻接道路的目标图像。
例如，在图1的基础上，当疑似异常路段为道路B时，在一种可能的设计中，疑似异常路段的邻接道路可以为道路C、也可以为道路A。
例如，在图1的基础上，当疑似异常路段为道路B时，在另一种可能的设计中，疑似异常路段的邻接道路可以为道路C中的部分路段、也可以为道路A中的部分路段，其中，部分路段的长度等于预设长度。可选地，预设长度可以为40米、50米、60等。
目标图像可以车辆在道路C和/或在道路A上拍摄的图像，也可以为车辆在道路C中的部分道路C和/或在道路A中的部分路段上拍摄的图像。
S204、根据目标图像，确定疑似异常路段的道路状态。
具体的，可以将目标图像输入预先训练好的深度学习模型，得到疑似异常路段的道路状态。其中，深度学习模型为采用多个第一样本图像进行训练得到，此处多个第一样本图像可以为多个车辆在多个样本疑似异常路段的样本邻接道路上拍摄的图像。
可选地，深度学习模型可以为深度残差网络、区域卷积神经网络、全卷积神经网络、空洞卷积神经网络等。
可选地，道路状态可以为开通、封闭、或者通行能力低下等。
图2实施例提供的道路状态检测方法包括：获取推荐路线中包括相同路段的每个车辆的行驶路线；根据每个车辆的行驶路线，在相同路段中确定疑似异常路段；获取疑似异常路段的邻接道路的目标图像；根据目标图像，确定疑似异常路段的道路状态。在上述方法中，先确定疑似异常路段，进而根据疑似异常路段的邻接道路的目标图像，确定疑似异常路段的道路状态，可以提高确定出的道路状态的准确性。在本申请中，由于参考能够反映疑似异常路段真实状态的目标图像，确定疑似异常路段的道路状态，因此提高了确定出的道路状态的准确性。
在本申请中，由于在确定疑似异常路段之后，参考了能够反映疑似异常路段真实状态的目标图像(即与疑似异常路段的邻接道路的目标图像)，确定疑似异常路段的道路状态，因此能够提高确定出的道路状态的准确性。需要说明的是，根据能够反映疑似异常路段真实状态的目标图像，确定疑似异常路段的道路状态，使得当道路存在拥堵和道路施工等情况时，若车辆发生偏航、调头等异常行为，也能准确地确定出道路状态为通行能力低下(对应拥堵)、或者封闭(对应道路施工)。
在上述实施例的基础上，下面结合图3对本申请实施例提供的道路状态检测方法作进一步地详细说明，具体的，请参见图3实施例。
图3为本申请实施例提供的道路状态检测方法的流程示意图二。如图3所示，本实施例提供的道路状态检测方法包括：
S301、获取推荐路线中包括相同路段的每个车辆的行驶路线。
具体的，S301的执行过程与S201的执行过程相同，此处不再赘述。
S302、根据每个车辆的行驶路线，确定相同路段中的疑似异常路段。
具体的，S302的执行过程与S202的执行过程相同，此处不再赘述。
S303、确定疑似异常路段的标识。
推荐路线包括相同路段具有对应的标识。服务器中可以存储相同路段的起始位置和终止位置、每个相同路段的标识、以及相同路段的标识与该相同路段的起始位置和终止位置之间的第一映射关系。
可选地，在确定相同路段中的疑似异常路段之后，可以获取疑似异常路段的起始位置(为GSP定位的位置)和终端位置(为GSP定位的位置)；根据疑似异常路段的起始位置和终端位置，在第一映射关系中确定目标相同路段的起始位置和终止位置，其中，疑似异常路段的起始位置和终端位置在目标相同路段的起始位置和终止位置之间；将第一映射关系中目标相同路段的起始位置和终止位置对应的标识，确定为疑似异常路段的标识。
S304、根据标识，从与疑似异常道路连接的道路中，确定预设长度的多个待选路段。
可选地，服务器中还可以存储路段的标识与路段的标识对应的至少一个邻路标识的第二映射关系。针对一个路段的标识，第二映射关系指示该标识对应的路段与邻路标识对应的路段相互邻接。
可选地，可以根据标识和第二映射关系，确定与标识对应的至少一个邻路标识，将至少一个邻路标识各自对应的路段，确定为与疑似异常道路连接的道路。进一步地，根据预设长度，对与疑似异常道路连接的道路进行分段处理，得到多个待选路段，每个待选路段的长度的等于预设长度。
S305、根据车辆的运动方向，将多个待选路段中，待选路段的终止点和疑似异常道路起始点重合的待选路段，确定疑似异常路段的邻接道路。
图4为本申请实施例提供的确定邻接道路的一种示意图。在图1的基础上，如图4所示，当疑似异常道路为道路B时，例如对与疑似异常道路连接的道路A和道路C进行分段处理，得到4个待选路段。
根据车辆1的运动方向，可以将多个待选路段中位于道路C上、且待选路段的终止点P1和疑似异常道路的起始点P1重合的待选路段，确定为疑似异常路段的邻接道路。
根据车辆2的运动方向，可以将多个待选路段中位于道路A上、且待选路段的终止点P2和疑似异常道路的起始点P2重合的待选路段，确定为疑似异常路段的邻接道路。
S306、获取邻接道路对应的多张原始图像。
其中，多张原始图像为车辆在邻接道路上拍摄的图像。
S307、根据筛选条件对多张原始图像进行筛选，得到目标图像。
筛选条件包括如下至少一种：
疑似异常道路的起始点与拍摄原始图像时车辆的运动方向之间的方位角在第一预设范围内，疑似异常道路的起始点为在行驶方向上与所述车辆最近的且在所述疑似异常道路上的位置点；
原始图像的拍摄角度在第二预设范围内；或者，
原始图像的清晰度大于或等于预设值。
例如，第一预设范围可以为[60,120](单位：度)，第二预设范围可以为[-90,90](单位：度)，第一清晰度阈值可以为[100,255](单位：灰度值)。
需要说明的是，上述方位角指示从疑似异常道路的起始点的指北方向线起，依顺时针方向，至车辆的运动方向之间的水平夹角。
S308、分别获取拍摄目标图像时车辆的运动信息，以及目标图像的图像特征。
运动信息包括如下至少一种：车辆的速度，方向角，拍摄目标图像时车辆所处的位置与疑似异常路段的起始位置之间的距离。
在一种可能的设计中，获取拍摄目标图像时车辆的运动信息，包括：
从行车记录仪记录的信息中获取目标图像对应的拍摄位置；
从车辆的电子设备中获取拍摄位置对应的速度、方向角、拍摄目标图像时车辆所处的位置与疑似异常路段的起始位置之间的距离；
将拍摄位置对应的速度、方向角、拍摄目标图像时车辆所处的位置与疑似异常路段的起始位置之间的距离，确定为拍摄目标图像时车辆的运动信息。
图像特征包括如下7个特征中的至少一个特征：
特征1和特征2、第一区域Omax中相对的两侧边缘分别与目标图像的中心线所形成的第一夹角a(例如两侧边缘中的右侧边缘与中心线所形成夹角，例如与特征1对应)和第二夹角b(例如两侧边缘中的左侧边缘与中心线所形成夹角，例如与特征2对应)；第一区域为多个区域中面积最大的区域；
特征3、第一区域Omax的区域面积wmax·hmax；
特征4、多个区域的总面积
特征5、区域面积分别与多个区域的总面积的第一比值
M为多个区域的总个数；
特征6、区域面积与目标图像的面积的第二比值(wmax·hmax)/(w·h)；
特征7、多个区域的总面积与目标图像的面积的第三比值
可选地，可以通过如下2种可行的方法，获取目标图像的图像特征。
方式1、当图像特征包括上述7个特征时，获取目标图像的图像特征的方法包括：
对目标图像进行图像识别，得到目标图像中包括的图像区域的图像类型，所述图像类型可以包括：天空、土地、障碍物、海洋等；障碍物可以包括如下中的任意至少一种：施工围栏、水马围栏、锥形桶、施工车辆、施工路牌、工作人员等；
根据图像类型，在目标图像确定障碍物所在的至少一个图像区域；
根据至少一个图像区域的面积的大小，在至少一个图像区域中确定最大图像区域；
根据至少一个图像区域和最大图像区域，对目标图像进行特征提取，得到上述7个特征；
按照预设规则，对得到的7个特征进行排序，得到图像特征；预设规则包括每个特征在图像特征中的排列位置。
方式2、当图像特征包括上述7个特征时，获取目标图像的图像特征的方法包括：
将目标图像输入像素识别模型，得到目标图像中每个像素所属的类别；像素识别模型为采用多个第二样本图像进行训练得到的，第二样本图像中包括障碍物所在的区域；类别为非障碍物类别或者障碍物类别；
根据每个像素所属的类别，对目标图像中的障碍物所在的区域进行特征提取，得到图像特征。
其中，障碍物类别可以包括如下至少一种：施工围栏类别、水马围栏类别、锥形桶类别、施工车辆类别、施工路牌类别、工作人员类别。
在一种可能的设计中，根据每个像素所属的类别，对目标图像中的障碍物所在的区域进行特征提取，得到图像特征，包括：
根据像素所属的类别，在目标图像中确定多个区域；多个区域的每个区域中的像素的类别为障碍物类别；
在多个区域中确定第一区域；第一区域为多个区域中面积最大的区域；
获取第一区域中相对的两侧边缘分别与目标图像的中心线所形成的第一夹角、第二夹角；
获取第一区域的区域面积；
获取区域面积分别与获取所述第一区域的区域面积；
获取所述区域面积分别与所述多个区域的总面积、所述目标图像的面积的比值，得到第一比值和第二比值；
获取多个区域的总面积与所述目标图像的面积的比值，得到第三比值；
对第一夹角、第二夹角、区域面积、多个区域的总面积、第一比值、第二比值以及第三比值，得到图像特征。
S309、根据运动信息和图像特征，确定疑似异常路段的道路状态。
在一种可能设计中，运动信息包括车辆的速度、方向角和拍摄目标图像时车辆所处的位置与疑似异常路段的起始位置之间的距离；
根据运动信息和图像特征，确定疑似异常路段的道路状态，包括：
将速度、方向角、距离和图像特征进行拼接，得到拼接后的信息；
将拼接后的信息输入预先训练的道路状态识别模型，得到疑似异常路段的道路状态；道路状态识别模型为采用多个样本信息进行训练得到的，样本信息采用拍摄第一样本图像时车辆的速度和方向角、拍摄第一样本图像时车辆所处的位置与样本疑似异常路段的起始位置之间的距离和第一样本图像的图像特征拼接得到。
在一种可能的设计中，还可以对速度、方向角、距离进行组合，得到轨迹特征；对轨迹特征和图像特征进行拼接，得到拼接后的信息。
与现有技术不同，在现有技术中，根据基于计算机视觉的道路状态检测方法，确定道路状态。在基于计算机视觉的道路状态检测方法中，服务器需要采集全部路网中的车辆的图像，服务器通过模型对全部图像进行处理，得到道路状态。在上述过程中，服务器采集全部路网中的车辆的图像，需要浪费较多的数据流量，导致成本较高，而且服务对全部路网中的车辆的图像进行处理，使得处理时长较大，导致确定道路状态的效率较低，降低对道路状态的更新频率，无法实时地确定出道路状态。此外，在基于计算机视觉的道路状态检测方法中，无法将图像中的障碍物精确地映射至实际路网位置中，导致确定出的道路状态的准确性较低。
而在本申请中，图3实施例提供的方法包括：服务器在确定出疑似异常路段之后，从与疑似异常道路连接的道路中确定疑似异常路段的邻接道路，进而根据邻接道路对应的多张原始图像，确定疑似异常路段的道路状态，避免服务采集全部路网中的车辆的图像，节省了数据流量，降低了成本，而且，根据筛选条件对多张原始图像进行筛选，得到目标图像，根据目标图像，确定疑似异常路段的道路状态，可以避免服务器对大量图像进行处理，节省了处理时长，提高确定道路状态的效率提高对道路状态的更新频率，能够实现实时地确定道路状态。此外，在图3实施例中，在确定出疑似异常路段的邻接道路之后，根据邻接道路上的目标图像和拍摄目标图像时车辆的运动信息，确定疑似异常路段的道路状态，能够实现将图像中的障碍物精确地映射至实际路网位置中(即邻接道路上)，提高确定出的道路状态的准确性。
图5为本申请实施例提供的得到疑似异常路段的一种示意图。如图5所示，例如：通过上述S202中的方式2中的S2021，在车辆的推荐路线包括的相同路段中提取开始偏航时刻t1和结束偏航时刻t2之间的第一路段；
在车辆的行驶路线中提取开始偏航时刻t1和结束偏航时刻t2之间的第二路段；
获取第一路段和第二路段的余弦相似度；
当余弦相似度是否小于或等于第一相似度阈值时，确定第一路段存在异常，进而第一路段所在的相同路段确定为疑似异常路段。
图6为本申请实施例提供的图像特征的一种示意图。如图6所示，包括目标图像61。例如目标图像61包括：区域O1和区域O2。
其中，区域O1的面积为w1·h1，区域O2的面积为w2·h2，由于区域O1的面积大于区域O2的面积，因此区域O1为第一区域Omax(区域面积为wmax·hmax)。
根据上述图像特征的确定方法，得到目标图像61对应的图像特征(包括7个特征)为：
其中，N_{t}表示目标图像对应的拍摄时间。
在实际应用中，当目标图像的数量为Y时，可以先根据上述方法，确定Y张目标图像各自对应的图像特征；再根据将Y张目标图像的拍摄时间，将Y张目标图像各自对应的图像特征进行组合，得到总图像特征。
图7为本申请实施例提供的像素识别模型的训练方法的流程示意图。如图7所示，该方法包括：
S701、获取训练图像。
可选地，图7实施例的执行主体可以为服务器，也可以为服务器中的像素识别模型的训练装置，还可以为其他电子设备(例如笔记本电脑、台式电脑等)，又可以为设置在其他电子设备中的像素识别模型的训练装置。其中，像素识别模型的训练装置可以通过软件和/或硬件的结合来实现。
训练图像的数量有多个，多个训练图像互不相同，每个训练图像均为用户对障碍物所在的区域进行标注后的图像。
S702、对训练图像进行数量扩增，得到多个训练图像。
在一种可能设计中，可以根据预设值，对训练图像进行数量扩增，得到多个训练图像。例如，预设值可以为20、50等。
例如，当训练图像的数量为1、预设值为20时，对训练图像进行数量扩增，得到20个训练图像。
S703、对多个训练图像中的部分训练图像的属性信息进行调整，得到多个第二样本图像。
属性信息包括如下至少一种：对比度、锐化度、亮度、噪声。
可选地，可以通过如下3种方式，得到多个第二样本图像。
方式1、按照预设规则，对部分训练图像的对比度、锐化度、亮度、噪声进行调整，得到部分调整图像；预设规则包括部分训练图像对应的对比度值、锐化度值、亮度值、噪声值；
将部分调整图像和多个训练图像中除部分训练图像之外的图像，确定为多个第二样本图像。
方式2、按照预设规则，对多个训练图像的属性信息进行调整，得到多个第二样本图像，预设规则中包括每个训练图像对应的对比度值、锐化度值、亮度值、或者噪声值。
方式3、生成对比度、锐化度、亮度、或者噪声各自对应的M个参数值；
在对比度、锐化度、亮度、或者噪声各自对应的M个参数值中，随机选取对比度、锐化度、亮度、或者噪声各自对应的1个参数值，得到第一特征序列；
删除对比度、锐化度、亮度、或者噪声各自对应的M个参数值中，随机选取出的对比度、锐化度、亮度、或者噪声各自对应的1个参数值；
在剩余的参数值中，再次随机选取出的对比度、锐化度、亮度、或者噪声各自对应的1个参数值，得到第二特征序列；
依次类推，生成M个特征序列；
根据M个特征序列，随机调整M个训练图像的属性信息，得到M个第二样本图像。
需要说明的是，在实际应用中，还可以通过其他可行的方法得到多个第二样本图像，此处不再详述。
S704、采用多个第二样本图像，对初始像素识别模型进行训练，得到像素识别模型。
像素识别模型用于识别目标图像中每个像素所属的类别，类别为非障碍物类别或者障碍物类别。
在一种可能设计中，针对一个第二样本图像，在采用该第二样本图像对初始像素识别模型进行训练的过程中，初始像素识别模型可以输出该第二样本图像中每个像素所属的障碍物类别。当用户自行判断出的该第二样本图像中每个像素所属的障碍物类别，与初始像素识别模型输出的该第二样本图像中每个像素所属的障碍物类别存在不同时，可以采样该第二样本图像重新对初始像素识别模型进行训练。
与现有技术不同，在现有技术中，通常需要人工标注大量的图像，进而通过标注后的图像对模型进行训练，导致人工标注成本高、标注效率低。而在本申请中，对训练图像进行数量扩增，得到多个训练图像，对多个训练图像中的部分训练图像的属性信息进行调整，得到多个第二样本图像，进而通过多个第二样本图像对初始像素识别模型进行训练，可以降低人工标注成本高、提高标注效率。
图8为本申请实施例提供的训练初始像素识别模型的示意图。如图8所示，包括：数据增广模型、初始像素识别模型、障碍物类别损失函数模型。初始像素识别模型中包括：初始编码器和初始解码器。
数据增广模型用于根据训练图像执行S701～S703得到多个第二样本图像。
针对多个第二样本图像中的每个第二样本图像，初始像素识别模型依次执行如下操作：
初始编码器对第二样本图像进行处理，得到高维嵌入特征向量，并向初始解码器提供该高维嵌入特征向量；
初始解码器对高维嵌入特征向量进行处理，输出第二样本图像对应的全连接层向量。
障碍物类别损失函数模型根据第二样本图像对应的全连接层向量，确定第二样本图像对应的损失函数值。
可选地，当损失函数值不变或者连续两个第二样本图像各自对应的损失函数值的差值小于或等于预设阈值时，停止训练得到像素识别模型。
其中，障碍物类别损失函数模型为：
其中，m为第二样本图像的索引，DLossm为第m个损失函数值(即第m个第二样本图像的损失函数值)，n为第m个第二样本图像中的像素的索引，
为第n像素的均衡类别差异因子，CELossn为第n像素的交叉熵损失函数，λ为像素类别均衡权重因子，c为障碍物类别的索引，Cn为第n像素的障碍物类别，Rc为属于第c个障碍物类别的像素总个数。
需要说明的是，上述n、
CELossn、λ、c、Cn、Rc包含在全连接层向量中。
与现有技术不同，在现有技术中，由于人工标注成本较高，因此大量标注样本图像不太可能，因此为了节省成本仅采用少量人工标注图像进行模型训练，但是由于在实际中事先定义的障碍物类别的数量不均衡，例如有常见的施工围栏、锥形桶，少见的挖掘机、水马围挡、工作人员等，因此导致各个障碍物类别的样本图像的数量差异较大、样本图像中障碍物类别不均衡。进一步地，在现有技术中，由于各个障碍物类别的样本图像的数量差异较大，样本图像中障碍物类别不均衡，导致损失函数无法收敛或者收拢速度较慢，进而导致训练时长较大，若强制终止训练，则导致模型不准确，当采用不准确的模型对图像进行处理，无法准确地确定每个像素的障碍物类别。
而在本申请中，对训练图像进行数量扩增，得到多个训练图像，对多个训练图像中的部分训练图像的属性信息进行调整，得到多个第二样本图像，避免出现各个障碍物类别的第二样本图像的数量差异较大、第二样本图像中障碍物类别不均衡的问题，使得初始像素识别模型能够得到足够的训练。而且由于本申请创新性地设计了障碍物类别损失函数模型，使得初始像素识别模型可以快速收敛，节省训练时长，提高像素识别模型的准确性，进而提高确定出的每个像素的障碍物类别的准确性。
图9为本申请实施例提供的道路状态识别模型的训练方法的流程示意图。如图9所示，该方法包括：
S901、获取多个第一样本图像。
可选地，图9实施例的执行主体可以为服务器，也可以为服务器中的道路状态识别模型的训练装置，还可以为其他电子设备(例如笔记本电脑、台式电脑等)，又可以为设置在其他电子设备中的道路状态识别模型的训练装置。其中，道路状态识别模型的训练装置可以通过软件和/或硬件的结合来实现。
第一样本图像为车辆在样本疑似异常路段的邻接道路上拍摄的图像。
可选地，多个第一样本图像还可以本申请中的多个第二样本图像。
S902、根据多个第一样本图像，确定多个样本信息；其中，一个第一样本图像对应一个样本信息，样本信息采用拍摄第一样本图像时车辆的速度和方向角、拍摄第一样本图像时车辆所处的位置与样本疑似异常路段的起始位置之间的距离和第一样本图像的图像特征拼接得到。
具体的，根据一个第一样本图像确定一个样本信息的方法，与S303～S308中的方法类似，此处不再说明。
S903、采用多个样本信息，对初始道路状态识别模型进行训练，得到道路状态识别模型，道路状态识别模型用于识别疑似异常路段的道路状态。
图10为本申请实施例提供的道路状态识别模型的一种示意图。如图10所示，道路状态识别模型包括：第一网络、第二网络和第三网络。其中，第一网络、第二网络和第三网络依次连接。
将拼接后的信息{N_{特征1，特征2，特征3，特征4，特征5，特征6，特征7，特征8，特征9，特征10}，N_{t}}输入第一网络。
拼接后的信息为对轨迹特征{N_{特征8,特征9,特征10}，N_{t}}和图像特征{N_{特征1，特征2，特征3，特征4，特征5，特征6，特征7}，N_{t}}进行拼接后得到的。
轨迹特征为{N_{特征8,特征9,特征10},N_{t}}为对运动信息进行组合后得到的。其中，特征8指示速度，特征9指示方向角，特征10指示距离。
图像特征{N_{特征1，特征2，特征3，特征4，特征5，特征6，特征7}，N_{t}}为对第一夹角、第二夹角、区域面积、多个区域的总面积、第一比值、第二比值以及第三比值进行组合得到。其中，特征1指示第一夹角，特征2指示第二夹角，特征3指示区域面积，特征4指示多个区域的总面积，特征5指示第一比值，特征6指示第二比值，特征7指示第三比值。
其中，第一网络中包括：1D卷积子网络和批归一化+RELU激活函数+最大值池化(Bn+Relu+Maxpool)子网络。1D卷积子网络与Bn+Relu+Maxpool子网络连接。1D卷积子网络对拼接后的信息进行处理，得到各参数的初始序列潜在向量；Bn+Relu+Maxpool子网络对各个参数的初始序列潜在向量进行进一步加工，得到各参数的第一序列潜在向量。
其中，第二网络中包括：至少一个子网络。至少一个子网络依次连接。每个子网络中包括：2D卷积子网络和Bn+Relu+Maxpool子网络。在每个子网络中，2D卷积子网络和Bn+Relu+Maxpool子网络连接。第二网络用于接收第一序列潜在向量，并对第一序列潜在向量进行处理，得到目标时空向量。
例如，当第二网络中包括2个子网络时，在第一子网络中，2D卷积子网络用于对第一序列潜在向量进行参数间特征提取处理，得到第一初始时空向量，Bn+Relu+Maxpool子网络对初始时空向量进行进一步加工，得到第一时空向量；在第二子网络中，2D卷积子网络用于对第一时空向量进行进一步时空特征提取处理，得到第二初始时空向量，Bn+Relu+Maxpool子网络对第二初始时空向量进行加工处理，得到目标时空向量。
其中，第三网络中包括：全连接层(FC layer)、分类器(Softmax)和输出层(Output)。其中，全连接层和分类器连接。具体的，全连接层对目标时空向量进行编码映射处理，得到一维向量；分类器对一维向量进行处理，得到至少一个预设类别各自对应的概率；输出层在至少一个预设类别各自对应的概率中，确定最大概率，输出最大概率对应的预设类别(即疑似异常路段的道路状态)。其中，至少一个预设类别包括：开通、封闭、通行能力低下。
图11为本申请实施例提供的道路状态检测装置的示意图一。如图11所示，道路状态检测装置10包括：第一获取模块101、第一确定模块102、第二获取模块103和第二确定模块104；其中，
第一获取模块101用于，获取推荐路线中包括相同路段的每个车辆的行驶路线；
第一确定模块102用于，根据每个车辆的行驶路线，确定相同路段中的疑似异常路段；
第二获取模块103用于，获取疑似异常路段的邻接道路的目标图像；
第二确定模块104用于，根据目标图像，确定疑似异常路段的道路状态。
本申请实施例提供的道路状态检测装置10可以执行上述道路状态检测，其实现原理以及有益效果类似，此处不再进行赘述。
图12为本申请实施例提供的道路状态检测装置的示意图二。在图11的基础上，如图12所示，道路状态检测装置10还包括：第三确定模块105；第三确定模块105用于：
确定疑似异常路段的标识；
根据标识，从与疑似异常道路连接的道路中，确定预设长度的多个待选路段；
根据车辆的运动方向，将多个待选路段中，待选路段的终止点和疑似异常道路起始点重合的待选路段，确定为邻接道路。
申请实施例提供的道路状态检测装置10可以执行上述道路状态检测，其实现原理以及有益效果类似，此处不再进行赘述。
在一种可能的设计中，第二确定模块104具体用于：
根据目标图像的图像特征和拍摄目标图像的车辆的运动信息，确定疑似异常路段的道路状态。
在一种可能的设计中，运动信息包括车辆的速度、方向角和拍摄目标图像时车辆所处的位置与疑似异常路段的起始位置之间的距离；
第二确定模块104具体用于：
将速度、方向角、距离和图像特征进行拼接，得到拼接后的信息；
将拼接后的信息输入预先训练的道路状态识别模型，得到疑似异常路段的道路状态；道路状态识别模型为采用多个样本信息进行训练得到的，样本信息采用拍摄第一样本图像时车辆的速度和方向角、拍摄第一样本图像时车辆所处的位置与样本疑似异常路段的起始位置之间的距离和第一样本图像的图像特征拼接得到。
在一种可能的设计中，第二确定模块104具体用于：
将目标图像输入像素识别模型，得到目标图像中每个像素所属的类别；
像素识别模型为采用多个第二样本图像进行训练得到的，第二样本图像中包括障碍物所在的区域；类别为非障碍物类别或者障碍物类别；
根据每个像素所属的类别，对目标图像中障碍物所在的区域进行特征提取，得到图像特征。
在一种可能的设计中，第二确定模块104具体用于：
根据类别，在目标图像中确定多个区域；多个区域的每个区域中的每个像素的类别为障碍物类别；
在多个区域中确定第一区域；第一区域为多个区域中面积最大的区域；
获取第一区域中相对的两侧边缘分别与目标图像的中心线所形成的第一夹角、第二夹角，中心线与相对的两侧边缘平行、且穿过目标图像的中心；
获取第一区域的区域面积；
获取区域面积分别与多个区域的总面积、目标图像的面积的比值，得到第一比值和第二比值；
获取多个区域的总面积与目标图像的面积的比值，得到第三比值；
对第一夹角、第二夹角、区域面积、多个区域的总面积、第一比值、第二比值以及第三比值，得到图像特征。
在一种可能的设计中，第二获取模块103具体用于：
获取邻接道路对应的多张原始图像；
根据筛选条件对多张原始图像进行筛选，得到目标图像；
筛选条件包括如下至少一种：
疑似异常道路的起始点与拍摄原始图像时车辆的运动方向之间的方位角在第一预设范围内，所述疑似异常道路的起始点为按照所述行驶方向与所述车辆最近的、且在所述疑似异常道路上的位置点；
原始图像的拍摄角度在第二预设范围内；或者，
原始图像的清晰度大于或等于预设值。
在一种可能的设计中，第一确定模块102具体用于：
根据每个车辆的行驶路线，确定相同路段中未行驶次数超过预设次数的路段，并将未行驶次数超过预设次数的路段确定为疑似异常路段。
图13为本申请实施例提供的像素识别模型的训练装置的示意图。如图13所示，像素识别模型的训练装置20包括：获取模块201、数量扩增模块202、调整模块203和训练模块204；其中，
获取模块201用于，获取训练图像；
数量扩增模块202用于，对训练图像进行数量扩增，得到多个训练图像；
调整模块203用于，对多个训练图像中的部分训练图像的属性信息进行调整，得到多个第二样本图像；
训练模块204用于，采用多个第二样本图像，对初始像素识别模型进行训练，得到像素识别模型；像素识别模型用于识别目标图像中每个像素所属的类别，类别为非障碍物类别或者障碍物类别。
本申请实施例提供的像素识别模型的训练装置20可以执行上述像素识别模型的训练方法，其实现原理以及有益效果类似，此处不再进行赘述。
在一种可能的设计中，属性信息包括如下至少一种：对比度、锐化度、亮度、噪声；调整模块203具体用于：
按照预设规则，对部分训练图像的对比度、锐化度、亮度、噪声进行调整，得到部分调整图像；预设规则中包括部分训练图像对应的对比度值、锐化度值、亮度值、噪声值；
将部分调整图像和多个训练图像中除部分训练图像之外的图像，确定为多个第二样本图像。
图14为本申请实施例提供的道路状态识别模型的训练装置的示意图。如图14所示，道路状态识别模型的训练装置30包括：获取模块301、确定模302和训练模块303；其中，
获取模块301用于，获取多个第一样本图像；
确定模块302用于，根据多个第一样本图像，确定多个样本信息；其中，一个第一样本图像对应一个样本信息，样本信息采用拍摄第一样本图像时车辆的速度和方向角、拍摄第一样本图像时车辆所处的位置与样本疑似异常路段的起始位置之间的距离和第一样本图像的图像特征拼接得到；
训练模块303用于，采用多个样本信息，对初始道路状态识别模型进行训练，得到道路状态识别模型，道路状态识别模型用于识别疑似异常路段的道路状态。
本申请实施例提供的路状态识别模型的训练装置30可以执行上述路状态识别模型的训练方法。
图15本申请实施例提供的服务器的硬件示意图。如图15所示，服务器40可以包括：收发器401、存储器402、处理器403。收发器401可以包括：发射器和/或接收器。该发射器还可称为发送器、发射机、发送端口或发送接口等类似描述，接收器还可称为接收器、接收机、接收端口或接收接口等类似描述。示例性地，收发器401、存储器402、处理器403各部分之间通过总线404相互连接。
存储器402用于存储计算机执行指令；
处理器403用于执行存储器402存储的计算机执行指令，使得处理器403执行上述道路状态检测方法、或者像素识别模型的训练方法、或者道路状态识别模型的训练方法。
本申请实施例提供一种计算机可读存储介质，计算机可读存储介质中存储有计算机执行指令，当计算机执行指令被处理器执行时实现上述道路状态检测方法、或者像素识别模型的训练方法、或者道路状态识别模型的训练方法。
本申请实施例还提供一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时，可实现上述道路状态检测方法、或者像素识别模型的训练方法、或者道路状态识别模型的训练方法。
实现上述各方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成。前述的程序可以存储于一可读取存储器中。该程序在执行时，执行包括上述各方法实施例的步骤；而前述的存储器(存储介质)包括：只读存储器(read-only memory，ROM)、RAM、快闪存储器、硬盘、固态硬盘、磁带(magnetic tape)、软盘(floppy disk)、光盘(optical disc)及其任意组合。
本申请实施例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单元以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理单元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。
显然，本领域的技术人员可以对本申请实施例进行各种改动和变型而不脱离本申请的精神和范围。这样，倘若本申请实施例的这些修改和变型属于本申请权利要求及其等同技术的范围之内，则本申请也意图包含这些改动和变型在内。
在本申请中，术语“包括”及其变形可以指非限制性的包括；术语“或”及其变形可以指“和/或”。本本申请中术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。本申请中，“多个”是指两个或两个以上。“和/或”，描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。字符“/”一般表示前后关联对象是一种“或”的关系。
Claims (10)
1.一种道路状态检测方法，其特征在于，所述方法包括：
获取推荐路线中包括相同路段的每个车辆的行驶路线；
根据所述每个车辆的行驶路线，确定所述相同路段中的疑似异常路段；
获取所述疑似异常路段的邻接道路的目标图像；
根据所述目标图像，确定所述疑似异常路段的道路状态。
2.根据权利要求1所述的方法，其特征在于，所述根据所述目标图像，确定所述疑似异常路段的道路状态，包括：
根据所述目标图像的图像特征和拍摄所述目标图像的车辆的运动信息，确定所述疑似异常路段的道路状态。
3.根据权利要求2所述的方法，其特征在于，所述运动信息包括所述车辆的速度、方向角和拍摄所述目标图像时车辆所处的位置与疑似异常路段的起始位置之间的距离；
所述根据所述目标图像的图像特征和拍摄所述目标图像的车辆的运动信息，确定所述疑似异常路段的道路状态，包括：
将所述速度、所述方向角、所述距离和所述图像特征进行拼接，得到拼接后的信息；
将所述拼接后的信息输入预先训练的道路状态识别模型，得到所述疑似异常路段的道路状态；所述道路状态识别模型为采用多个样本信息进行训练得到的，所述样本信息采用拍摄第一样本图像时车辆的速度和方向角、拍摄所述第一样本图像时车辆所处的位置与样本疑似异常路段的起始位置之间的距离和所述第一样本图像的图像特征拼接得到。
4.根据权利要求2或3所述的方法，其特征在于，所述图像特征基于以下步骤确定：
将所述目标图像输入像素识别模型，得到所述目标图像中每个像素所属的类别；所述像素识别模型为采用多个第二样本图像进行训练得到的，所述第二样本图像中包括障碍物所在的区域，所述类别为非障碍物类别或者障碍物类别；
根据所述每个像素所属的类别，对所述目标图像中障碍物所在的区域进行特征提取，得到所述图像特征。
5.根据权利要求4所述的方法，其特征在于，所述根据所述每个像素所属的类别，对所述目标图像中的障碍物所在的区域进行特征提取，得到所述图像特征，包括：
根据所述类别，在所述目标图像中确定多个区域；所述多个区域的每个区域中的每个像素的类别为所述障碍物类别；
在所述多个区域中确定第一区域；所述第一区域为所述多个区域中面积最大的区域；
获取所述第一区域中相对的两侧边缘分别与所述目标图像的中心线所形成的第一夹角、第二夹角，所述中心线与所述相对的两侧边缘平行、且穿过所述目标图像的中心；
获取所述第一区域的区域面积；
获取所述区域面积分别与所述多个区域的总面积、所述目标图像的面积的比值，得到第一比值和第二比值；
获取所述多个区域的总面积与所述目标图像的面积的比值，得到第三比值；
对所述第一夹角、所述第二夹角、所述区域面积、所述多个区域的总面积、所述第一比值、所述第二比值以及所述第三比值，得到所述图像特征。
6.根据权利要求1-3任一项所述的方法，其特征在于，所述获取所述疑似异常路段的邻接道路的目标图像，包括：
获取所述邻接道路对应的多张原始图像；
根据筛选条件对所述多张原始图像进行筛选，得到所述目标图像；
所述筛选条件包括如下至少一种：
所述疑似异常道路的起始点与拍摄所述原始图像时所述车辆的运动方向之间的方位角在第一预设范围内，所述疑似异常道路的起始点为在所述行驶方向上与所述车辆最近的且在所述疑似异常道路上的位置点；
所述原始图像的拍摄角度在第二预设范围内；或者，
所述原始图像的清晰度大于或等于预设值。
7.一种道路状态检测装置，其特征在于，所述装置包括：第一获取模块、第一确定模块、第二获取模块和第二确定模块；其中，
所述第一获取模块用于，获取推荐路线中包括相同路段的每个车辆的行驶路线；
所述第一确定模块用于，根据所述每个车辆的行驶路线，确定所述相同路段中的疑似异常路段；
所述第二获取模块用于，获取所述疑似异常路段的邻接道路的目标图像；
所述第二确定模块用于，根据所述目标图像，确定所述疑似异常路段的道路状态。
8.一种服务器，其特征在于，包括：处理器和存储器；
所述存储器存储计算机执行指令；
所述处理器执行所述存储器存储的计算机执行指令，使得所述处理器执行上述权利要求1-6中任一项所述的道路状态检测方法。
9.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质中存储有计算机执行指令，当所述计算机执行指令被处理器执行时实现上述权利要求1-8中任一项所述的道路状态检测方法。
10.一种计算机程序产品，包括计算机程序，其特征在于，所述计算机程序被处理器执行时实现上述权利要求1-6中任一项所述的道路状态检测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110183962.5A CN112926425B (zh) | 2021-02-10 | 2021-02-10 | 道路状态检测方法、装置及设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110183962.5A CN112926425B (zh) | 2021-02-10 | 2021-02-10 | 道路状态检测方法、装置及设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112926425A true CN112926425A (zh) | 2021-06-08 |
| CN112926425B CN112926425B (zh) | 2024-09-27 |
Family
ID=76171538
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110183962.5A Active CN112926425B (zh) | 2021-02-10 | 2021-02-10 | 道路状态检测方法、装置及设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112926425B (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114779838A (zh) * | 2022-06-20 | 2022-07-22 | 鲁冉光电(微山)有限公司 | 一种车载摄像头角度智能调节控制系统 |
| CN114842661A (zh) * | 2022-07-04 | 2022-08-02 | 成都宜泊信息科技有限公司 | 一种管理室内地图通行路段实时状态的方法和系统 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2012003549A (ja) * | 2010-06-17 | 2012-01-05 | Toshiba Teli Corp | 異常走行車両検出システムおよび道路監視プログラム |
| US20180158323A1 (en) * | 2016-07-12 | 2018-06-07 | Denso Corporation | Road condition monitoring system |
| CN109993969A (zh) * | 2019-03-08 | 2019-07-09 | 腾讯大地通途（北京）科技有限公司 | 一种路况判定信息获取方法、装置及设备 |
| CN110148294A (zh) * | 2018-06-07 | 2019-08-20 | 腾讯大地通途（北京）科技有限公司 | 路况状态确定方法及装置 |
| CN110364008A (zh) * | 2019-08-16 | 2019-10-22 | 腾讯科技（深圳）有限公司 | 路况确定方法、装置、计算机设备和存储介质 |
-
2021
- 2021-02-10 CN CN202110183962.5A patent/CN112926425B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2012003549A (ja) * | 2010-06-17 | 2012-01-05 | Toshiba Teli Corp | 異常走行車両検出システムおよび道路監視プログラム |
| US20180158323A1 (en) * | 2016-07-12 | 2018-06-07 | Denso Corporation | Road condition monitoring system |
| CN110148294A (zh) * | 2018-06-07 | 2019-08-20 | 腾讯大地通途（北京）科技有限公司 | 路况状态确定方法及装置 |
| CN109993969A (zh) * | 2019-03-08 | 2019-07-09 | 腾讯大地通途（北京）科技有限公司 | 一种路况判定信息获取方法、装置及设备 |
| CN110364008A (zh) * | 2019-08-16 | 2019-10-22 | 腾讯科技（深圳）有限公司 | 路况确定方法、装置、计算机设备和存储介质 |
Non-Patent Citations (2)
| Title |
|---|
| 刘康;仇培元;刘希亮;张恒才;王少华;陆锋;: "利用词向量模型分析城市道路交通空间相关性", 测绘学报, no. 12 * |
| 陈玉敏;李淼;房晓丽;: "基于时空融合加速的Fast RCNN运动车辆检测算法", 电子测量技术, no. 03 * |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114779838A (zh) * | 2022-06-20 | 2022-07-22 | 鲁冉光电(微山)有限公司 | 一种车载摄像头角度智能调节控制系统 |
| CN114779838B (zh) * | 2022-06-20 | 2022-09-02 | 鲁冉光电(微山)有限公司 | 一种车载摄像头角度智能调节控制系统 |
| CN114842661A (zh) * | 2022-07-04 | 2022-08-02 | 成都宜泊信息科技有限公司 | 一种管理室内地图通行路段实时状态的方法和系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112926425B (zh) | 2024-09-27 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US20210302585A1 (en) | Smart navigation method and system based on topological map | |
| CN109459045B (zh) | 一种针对低频gps轨迹的改进交互式投票匹配方法 | |
| CN110874564A (zh) | 分类车线后补像素检测车线的方法及装置 | |
| CN106297297A (zh) | 基于深度学习的交通拥堵判别方法 | |
| CN111723854B (zh) | 一种高速公路交通拥堵检测方法、设备及可读存储介质 | |
| CN111539454A (zh) | 一种基于元学习的车辆轨迹聚类方法及系统 | |
| CN113409361B (zh) | 一种多目标跟踪方法、装置、计算机及存储介质 | |
| CN112633149B (zh) | 一种域自适应雾天图像目标检测方法和装置 | |
| CN112926425B (zh) | 道路状态检测方法、装置及设备 | |
| CN111161307A (zh) | 图像分割方法、装置、电子设备及存储介质 | |
| CN112101114B (zh) | 一种视频目标检测方法、装置、设备以及存储介质 | |
| CN111626357B (zh) | 一种基于神经网络模型的图像识别方法 | |
| CN113378803B (zh) | 一种道路交通事故检测方法、装置、计算机及存储介质 | |
| CN111414878A (zh) | 一种关于地块的社会属性分析、图像处理方法及装置 | |
| CN112509321A (zh) | 一种基于无人机的城市复杂交通情景的驾驶控制方法、系统及可读存储介质 | |
| CN117542195A (zh) | 一种交通运行状态识别方法、装置、设备及介质 | |
| CN111160282B (zh) | 一种基于二值化Yolov3网络的红绿灯检测方法 | |
| CN112163521A (zh) | 一种车辆行驶行为的识别方法、装置及设备 | |
| CN112288702A (zh) | 一种基于车联网的道路图像检测方法 | |
| CN113838076A (zh) | 目标图像中的对象轮廓的标注方法及装置、存储介质 | |
| CN115761667A (zh) | 一种基于改进fcos算法的无人车辆搭载摄像头目标检测方法 | |
| CN115527270A (zh) | 一种密集人群环境中的特定行为识别方法 | |
| CN110942073A (zh) | 一种集装箱拖车编号识别方法、装置和计算机设备 | |
| CN115147812A (zh) | 车道线检测方法、装置、车辆和存储介质 | |
| CN114511740A (zh) | 车辆图像分类方法、车辆轨迹还原方法、装置及设备 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |