CN113657299A - 交通事故确定方法及电子设备 - Google Patents

Abstract

本公开提供交通事故确定方法及电子设备。包括：针对路段视频中的待检测视频图像，利用目标检测神经网络模型对所述待检测视频图像进行车辆检测，得到所述待检测视频图像中各目标车辆的位置；基于所述待检测视频图像中各目标车辆的位置，得到所述待检测视频图像中所述各目标车辆的标识；通过所述待检测视频图像中各目标车辆的位置和标识，分别确定出所述待检测视频图像中所述各目标车辆的当前运动状态以及当前车门状态；根据所述待检测视频图像中各目标车辆的当前车门状态以及各目标车辆的当前运动状态，分别确定所述各目标车辆是否发生交通事故。由此，提高交通事故确定的准确率。

Description

交通事故确定方法及电子设备

技术领域

本发明涉及智能交通技术领域，特别涉及一种交通事故确定方法及电子设备。

背景技术

随着经济的发展，城市中的汽车数量逐渐增加，导致城市交通事故频发。为了减少和预防交通事故的发生，对城市道路交通的实时检测以及实时监控越来越受到人们的重视，因此智能交通系统的研究成为了热点。在智能交通系统中，可以迅速检测道路上发生的交通事件，减少由于交通事件所带来的人员伤亡、财产损失等影响，避免二次事件的发生。

现有技术中的交通事故确定方法，仅通过各车辆的当前运动状态确定出各车辆是否发生交通事故。该方法识别出的结果并不是很准确，例如，司机仅仅在路旁停车休息时，通过该方法会被识别为发生交通事故。由此，导致交通事故确定的准确率较低。

发明内容

本公开示例性的实施方式中提供一种交通事故确定方法及电子设备，用于提高交通事故确定的准确率。

本公开的第一方面提供一种交通事故确定方法，所述方法包括：

针对路段视频中的待检测视频图像，利用目标检测神经网络模型对所述待检测视频图像进行车辆检测，得到所述待检测视频图像中各目标车辆的位置；

基于所述待检测视频图像中各目标车辆的位置，得到所述待检测视频图像中所述各目标车辆的标识；

通过所述待检测视频图像中各目标车辆的位置和标识，分别确定出所述待检测视频图像中所述各目标车辆的当前运动状态以及当前车门状态；

根据所述待检测视频图像中各目标车辆的当前车门状态以及各目标车辆的当前运动状态，分别确定所述各目标车辆是否发生交通事故。

本实施例中是基于所述待检测视频图像中各目标车辆的当前车门状态以及各目标车辆的当前运动状态来确定出各目标车辆是否发生事故，由于大部分的交通事故司机都会下车查看，所以通过目标车辆的当前运动状态以及车门状态来判断该目标车辆是否发生交通事故，提高了交通事故确定结果的准确率。

在一个实施例中，所述目标检测神经网络模型是以内容安全策略黑暗网络CSPdarknet53作为主干网络，且所述CSPdarknet53中第三残差块和第四残差块中的至少一个残差块的各卷积层是扩张率为设定值的空洞卷积。

本实施例通过对目标检测神经网络的主干网络替换为内容安全策略黑暗网络CSPdarknet53，且该CSPdarknet53中第三残差块和第四残差块中的至少一个残差块的各卷积层是扩张率为设定值的空洞卷积。由此，利用目标检测神经网络中的空洞卷积来扩展全局视野来获取视频图像中更多抽象特征和空间信息。以此，通过本实施例中改进后的目标检测神经网络对视频图像中的目标车辆进行检测，使得车辆识别结果更加准确，进一步提高了交通事故确定的准确率。

在一个实施例中，所述当前运动状态包括目标车辆是否处于停车状态以及当所述目标车辆处于停车状态时所对应的停车时长；

所述根据所述待检测视频图像中各目标车辆的当前车门状态以及各目标车辆的当前运动状态，分别确定所述各目标车辆是否发生交通事故，包括：

针对所述待检测视频图像中的任意一辆目标车辆，若所述目标车辆的当前车门状态为打开状态，且所述目标车辆的当前运动状态为目标状态，则确定所述目标车辆发生交通事故；其中，所述目标状态为所述目标车辆处于停车状态以及停车时长大于指定时长；

否则，则确定所述目标车辆未发生交通事故。

本实施例通过针对所述待检测视频图像中的任意一辆目标车辆，若所述目标车辆的当前车门状态为打开状态，且所述目标车辆的当前运动状态为停车状态以及停车时长大于指定时长，则确定所述目标车辆发生交通事故。由此，提高交通事故检测结果的准确性。

在一个实施例中，所述基于所述待检测视频图像中各目标车辆的位置，得到所述待检测视频图像中所述各目标车辆的标识，包括：

针对待检测视频图像中位置数量为多个的任一目标车辆，对所述目标车辆的多个位置进行筛选，得到筛选后的所述目标车辆的位置；

利用预设的目标跟踪算法以及各目标车辆的位置，分别对各目标车辆进行识别，得到所述待检测视频图像中各目标车辆的标识。

本实施例通过对待检测视频图像中位置数量为多个的任一目标车辆，对所述目标车辆的多个位置进行筛选之后，再确定目标车辆的标识，以此使得确定出目标车辆的标识更加准确。

在一个实施例中，所述通过所述待检测视频图像中各目标车辆的位置和标识，分别确定出所述待检测视频图像中所述各目标车辆的当前运动状态以及当前车门状态之后，所述方法还包括：

针对所述待检测视频图像中的任意两辆目标车辆，基于所述两辆目标车辆的位置确定所述两辆目标车辆之间的距离；

基于所述两辆目标车辆之间的距离、所述两辆目标车辆的当前运动状态以及所述两辆目标车辆的车门状态，确定所述两辆目标车辆是否发生交通事故。

本实施例中通过针对所述第二目标图像中的任意两辆目标车辆，基于所述两辆目标车辆的之间的距离、车门状态以及所述两辆目标车辆的当前运动状态，确定所述两辆目标车辆是否发生交通事故，以此，提高两辆车追尾情况下的交通事故检测结果的准确率。

在一个实施例中，所述当前运动状态包括目标车辆当前是否处于停车状态和所述目标车辆处于停车状态时的停车时长；

所述基于所述两辆目标车辆之间的距离、所述两辆目标车辆的当前运动状态以及所述两辆目标车辆的车门状态，确定所述两辆目标车辆是否发生交通事故，包括：

若确定所述两辆目标车辆之间的距离在指定范围内，且所述两辆目标车辆的当前运动状态为目标状态以及至少一辆目标车辆的车门为打开状态，则确定所述两辆目标车辆发生交通事故；其中，所述目标状态为所述两辆目标车辆均处于停车状态，且处于停车状态的时长大于指定时长；

否则，则确定所述两辆目标车辆之间未发生交通事故。

本实施例通过确定两辆目标车辆的之间的距离在指定范围内，且所述两辆目标车辆的当前运动状态为所述两辆目标车辆均处于停车状态，且处于停车状态的时长大于指定时长，以及至少一辆目标车辆的车门为打开状态，则确定所述两辆目标车辆发生交通事故，由此，本实施例中通过目标车辆之间的距离、目标车辆是否处于停车状态以及停车时长结合车门的开关门状态来确定两辆目标车辆是否发生交通事故，使得交通事故的确定结果更加准确。

在一个实施例中，通过以下方式确定目标车辆的当前车门状态：

针对所述待检测视频图像中的任意一辆目标车辆，按照所述目标车辆的包围盒，对所述待检测视频图进行裁剪，得到所述目标车辆的图像，其中所述目标车辆的包围盒是通过所述目标检测神经网络模型得到的；

将所述目标车辆的图像输入至预先训练好的残差网络中进行识别，得到所述目标车辆的当前车门状态。

本实施例中针对任意一辆目标车辆，按照所述目标车辆的包围盒，对所述待检测视频图进行裁剪，得到所述目标车辆的图像，然后将所述目标车辆的图像输入至预先训练好的残差网络中进行识别，得到所述目标车辆的当前车门状态，以此提高结果的准确率。

在一个实施例中，通过以下方式确定目标车辆是否处于停车状态：

针对所述待检测视频图像中的任意一辆目标车辆，若所述目标车辆在所述待检测视频图像中的位置与所述目标车辆在上一帧视频图像中的位置相等，则确定所述目标车辆处于停车状态；

否则，则确定所述目标车辆未处于停车状态。

本实施例中通过目标车辆在所述待检测视频图像的位置与所述目标车辆在上一帧视频图像中的位置来确定车辆是否处于停车状态，以此通过一次计算就可以确定出车辆是否处于停车状态，减少计算量。

在一个实施例中，通过以下方式确定出停车时长：

当确定出所述目标车辆处于停车状态之后，基于所述目标车辆的标识确定出所述目标车辆在所述待检测视频图像之前的各帧视频图像中的位置；并，

通过所述目标车辆在各帧视频图像中的位置，确定所述目标车辆的停车时长。

本实施例通过基于所述目标车辆的标识确定出所述目标车辆在所述待检测视频图像之前的各帧视频图像中的位置；并通过所述目标车辆在各帧视频图像中的位置，确定所述目标车辆的停车时长。由此，使得确定出的停车时长更加准确。

本公开第二方面提供一种电子设备，包括存储单元和处理器，其中：

所述存储单元，被配置为存储待识别路段视频；

所述处理器，被配置为：

针对路段视频中的待检测视频图像，利用目标检测神经网络模型对所述待检测视频图像进行车辆检测，得到所述待检测视频图像中各目标车辆的位置；

基于所述待检测视频图像中各目标车辆的位置，得到所述待检测视频图像中所述各目标车辆的标识；

通过所述待检测视频图像中各目标车辆的位置和标识，分别确定出所述待检测视频图像中所述各目标车辆的当前运动状态以及当前车门状态；

根据所述待检测视频图像中各目标车辆的当前车门状态以及各目标车辆的当前运动状态，分别确定所述各目标车辆是否发生交通事故。

在一个实施例中，所述目标检测神经网络模型是以内容安全策略黑暗网络CSPdarknet53作为主干网络，且所述CSPdarknet53中第三残差块和第四残差块中的至少一个残差块的各卷积层是扩张率为设定值的空洞卷积。

在一个实施例中，所述当前运动状态包括目标车辆是否处于停车状态以及当所述目标车辆处于停车状态时所对应的停车时长；

所述处理器执行所述根据所述待检测视频图像中各目标车辆的当前车门状态以及各目标车辆的当前运动状态，分别确定所述各目标车辆是否发生交通事故，具体被配置为：

针对所述待检测视频图像中的任意一辆目标车辆，若所述目标车辆的当前车门状态为打开状态，且所述目标车辆的当前运动状态为目标状态，则确定所述目标车辆发生交通事故；其中，所述目标状态为所述目标车辆处于停车状态以及停车时长大于指定时长；

否则，则确定所述目标车辆未发生交通事故。

在一个实施例中，所述处理器执行所述基于所述待检测视频图像中各目标车辆的位置，得到所述待检测视频图像中所述各目标车辆的标识，具体被配置为：

针对待检测视频图像中位置数量为多个的任一目标车辆，对所述目标车辆的多个位置进行筛选，得到筛选后的所述目标车辆的位置；

利用预设的目标跟踪算法以及各目标车辆的位置，分别对各目标车辆进行识别，得到所述待检测视频图像中各目标车辆的标识。

在一个实施例中，所述处理器，还被配置为：

所述通过所述待检测视频图像中各目标车辆的位置和标识，分别确定出所述待检测视频图像中所述各目标车辆的当前运动状态以及当前车门状态之后，针对所述待检测视频图像中的任意两辆目标车辆，基于所述两辆目标车辆的位置确定所述两辆目标车辆之间的距离；

基于所述两辆目标车辆之间的距离、所述两辆目标车辆的当前运动状态以及所述两辆目标车辆的车门状态，确定所述两辆目标车辆是否发生交通事故。

在一个实施例中，所述当前运动状态包括目标车辆是否处于停车状态以及当所述目标车辆处于停车状态时所对应的停车时长；

所述处理器执行所述基于所述两辆目标车辆之间的距离、所述两辆目标车辆的当前运动状态以及所述两辆目标车辆的车门状态，确定所述两辆目标车辆是否发生交通事故，具体被配置为：

若确定所述两辆目标车辆之间的距离在指定范围内，且所述两辆目标车辆的当前运动状态为目标状态以及至少一辆目标车辆的车门为打开状态，则确定所述两辆目标车辆发生交通事故；其中，所述目标状态为所述两辆目标车辆均处于停车状态，且处于停车状态的时长大于指定时长；

否则，则确定所述两辆目标车辆之间未发生交通事故。

在一个实施例中，所述处理器，还被配置为：

通过以下方式确定目标车辆的当前车门状态：

针对所述待检测视频图像中的任意一辆目标车辆，按照所述目标车辆的包围盒，对所述待检测视频图像进行裁剪，得到所述目标车辆的图像，其中所述目标车辆的包围盒是通过所述目标检测神经网络模型得到的；

将所述目标车辆的图像输入至预先训练好的残差网络中进行识别，得到所述目标车辆的当前车门状态。

在一个实施例中，所述处理器，还被配置为：

通过以下方式确定目标车辆是否处于停车状态：

针对所述待检测视频图像中的任意一辆目标车辆，若所述目标车辆在所述待检测视频图像中的位置与所述目标车辆在上一帧视频图像中的位置相等，则确定所述目标车辆处于停车状态；

否则，则确定所述目标车辆未处于停车状态。

在一个实施例中，所述处理器，还被配置为：

通过以下方式确定出停车时长：

当确定出所述目标车辆处于停车状态之后，基于所述目标车辆的标识确定出所述目标车辆在所述待检测视频图像之前的各帧视频图像中的位置；并，

通过所述目标车辆在各帧视频图像中的位置，确定所述目标车辆的停车时长。

根据本公开实施例提供的第三方面，提供一种计算机存储介质，所述计算机存储介质存储有计算机程序，所述计算机程序用于执行如第一方面所述的方法。

附图说明

为了更清楚地说明本公开实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简要介绍，显而易见地，下面描述中的附图仅仅是本公开的一些实施例，对于本领域的普通技术人员来讲，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为根据本公开一个实施例中的适用场景示意图；

图2为根据本公开一个实施例的交通事故确定方法的流程示意图之一；

图3为根据本公开一个实施例的车辆检测后的待检测视频图像示意图；

图4为根据本公开一个实施例的筛选位置后的待检测视频图像示意图；

图5为根据本公开一个实施例的交通事故确定方法中CSPdarknet53结构示意图；

图6为根据本公开一个实施例的交通事故确定方法中的空洞卷积进行卷积操作的示意图；

图7为根据本公开一个实施例的交通事故确定方法中的YOLOv4的结构示意图；

图8为根据本公开一个实施例的交通事故确定方法中各帧图像中目标车辆的标识示意图；

图9为根据本公开一个实施例的交通事故确定方法的利用残差网络确定当前车门状态的流程示意图；

图10为根据本公开一个实施例的交通事故确定方法的流程示意图之二；

图11为根据本公开一个实施例的交通事故确定装置；

图12为根据本公开一个实施例的电子设备的结构示意图。

具体实施方式

为使本公开实施例的目的、技术方案和优点更加清楚，下面将结合本公开实施例中的附图，对本公开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公开一部分实施例，而不是全部的实施例。基于本公开中的实施例，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，都属于本公开保护的范围。

本公开实施例中术语“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。

本公开实施例描述的应用场景是为了更加清楚的说明本公开实施例的技术方案，并不构成对于本公开实施例提供的技术方案的限定，本领域普通技术人员可知，随着新应用场景的出现，本公开实施例提供的技术方案对于类似的技术问题，同样适用。其中，在本公开的描述中，除非另有说明，“多个”的含义是两个或两个以上。

现有技术中，仅通过各车辆的当前运动状态确定出各车辆是否发生交通事故。该方法识别出的结果并不是很准确，例如，司机仅仅在路旁停车休息时，通过该方法会被识别为发生交通事故。由此，导致交通事故确定的准确率较低。

因此，本公开提供一种交通事故确定方法，通过基于所述待检测视频图像中各目标车辆的当前车门状态以及各目标车辆的当前运动状态来确定出各目标车辆是否发生事故，由于大部分的交通事故司机都会下车查看，所以通过目标车辆的当前运动状态以及车门状态来判断该目标车辆是否发生交通事故，提高了交通事故确定结果的准确率。下面，结合附图对本公开的方案详细的进行介绍。

如图1所示，一种交通事故确定方法的应用场景，该应用场景中包括服务器110、终端设备120和交通摄像机130。图1中是以一个终端设备120和一个交通摄像机130为例，实际上不限制终端设备120和交通摄像机130的数量。终端设备120可为手机、平板电脑和个人计算机等。服务器110可以通过单个服务器实现，也可以通过多个服务器实现。服务器110可以通过实体服务器实现，也可以通过虚拟服务器实现。

在一种可能的应用场景中，服务器110从交通摄像机130中获取路段视频，然后服务器110针对路段视频中的待检测视频图像，利用目标检测神经网络模型对所述待检测视频图像进行车辆检测，得到所述待检测视频图像中各目标车辆的位置；然后服务器110基于所述待检测视频图像中各目标车辆的位置，得到所述待检测视频图像中所述各目标车辆的标识；并通过所述待检测视频图像中各目标车辆的位置和标识，分别确定出所述待检测视频图像中所述各目标车辆的当前运动状态以及当前车门状态；最后服务器110根据所述待检测视频图像中各目标车辆的当前车门状态以及各目标车辆的当前运动状态，分别确定所述各目标车辆是否发生交通事故，若确定存在目标车辆发生交通事故，则将交通事故的结果发送至终端设备120中。

图2为本公开的交通事故确定方法的流程示意图，可包括以下步骤：

步骤201：针对路段视频中的待检测视频图像，利用目标检测神经网络模型对所述待检测视频图像进行车辆检测，得到所述待检测视频图像中各目标车辆的位置；

如图3所示，图像3a为待检测视频图像，将图像3a输入至目标检测神经网络中进行车辆检测，得到各目标车辆的位置，如图3中的图像3b所示。可以看出各目标车辆在所述待检测视频图像中的位置。

根据图3中的图像3b可以看出存在位置为多个的目标车辆，可通过以下方法对所述各目标车辆的位置进行筛选：

利用非极大值抑制算法对各目标车辆的位置进行筛选之后，利用所述筛选后的待检测视频图像中各目标车辆的位置的置信度对各目标车辆的位置进行再次筛选，得到二次筛选后的所述待检测视频图像。其中，所述目标车辆的位置的置信度是通过所述目标检测神经网络模型得到的。

其中，利用非极大值抑制算法对所述待检测视频图像中各目标车辆的位置进行筛选的流程包括：针对任意一个目标车辆，根据所述目标车辆的各位置对应的置信度对将各位置进行排序，确定出所述目标车辆的位置中置信度最高的位置，将所述目标车辆的各位置中除该置信度最高的位置之外的其他位置与置信度最高的位置进行交并比IOU计算，将IOU值大于指定阈值的位置进行删除之后，判断剩余位置的数量是否在指定范围，若不是，则返回执行根据所述目标车辆的各位置的置信度对将各位置进行排序，确定出所述目标车辆的位置中置信度最高的位置的步骤，直至剩余位置的数量在指定范围，则结束。

例如，如图4所示，图4中的图像4a为目标检测神经网络模型检测后待检测视频图像，该图像中存在位置的数量为多个的目标车辆，对该图像中位置的数量为多个的目标车辆的位置进行筛选之后，如图4中的图像4b所示，即每个目标车辆的位置只有一个。

由于本实施例中的目标为车辆，可能有些与车辆的形状相似，目标检测神经网络模型可能也会误认为是车辆，所以需要将各目标车辆的位置的置信度小于指定阈值的位置进行删除，由于每个目标车辆只有一个位置，将该位置删除之后，则该位置中的物体不再是本实施例中的目标车辆，以此进一步提高车辆识别的准确率。

在一个实施例中，所述目标检测神经网络模型是以内容安全策略黑暗网络CSPdarknet53作为主干网络，且所述CSPdarknet53中第三残差块和第四残差块中的至少一个残差块的各卷积层是扩张率为设定值的空洞卷积。

需要说明的是：本实施例中扩张率的设定值的取值范围大于1。空洞卷积的具体扩张率可根据具体需求进行设置，本实施在此并不进行限定。

其中，本实施例中的目标检测神经网络模型包括但不限于R-CNN(Region-Convolutional Neural Networks，区域卷积神经网络)、Fast R-CNN(Fast Region-Convolutional Neural Networks，快速区域卷积神经网络)、YOLOv4(You Only Look Once4th)、YOLOv3(You Only Look Once 3rd)。

如图5所示，为CSPdarknet53的结构示意图，其包括卷积层和五个残差块，(即第一残差块、第二残差块、第三残差块、第四残差块和第五残差块)。本实施例中将CSPdarknet53中的第三残差块和/或第四残差块中各卷积层利用扩张率为设定值的空洞卷积进行替换。图5中为第三残差块和第四残差块中的各卷积层均使用扩张率为设定值的空洞卷积进行替换。

本实施例中将CSPdarknet5中的第三残差块和第四残差块中的至少一个残差块的各卷积层替换为扩张率为设定值的空洞卷积。以扩张率为2，大小为3*3的卷积核为例进行说明。如图6所示，图6中的图像6a为现有技术中CSPdarknet53中的第三残差块或第四残差块的进行卷积操作的示意图，从图像6a中可以看出，利用现有技术中的卷积核进行卷积操作的感受野为3*3。如图6中的图像6b所示，利用同样大小为3*3的卷积核，且扩张率为2的空洞卷积进行卷积操作的感受野为5*5。由此，本实施例中改进后的目标检测神经网络扩展了全局视野，以此来获取视频图像中更多抽象特征和空间信息。

下面，以目标检测神经网络模型为YOLOv4为例，对本申请中的利用目标检测神经网络模型对待检测视频图像进行车辆检测的流程进行详细的说明，如图7所示，为YOLOv4的结构示意图，包括：主干网络、SPP模块(SPATIAL Pyramid Pooling，空间金字塔池化)、PANet网络结构层以及检测层。

其中，主干网络为本实施例中的网络结构为第三残差块和第四残差块中的至少一个残差块的各卷积层是扩张率为设定值的空洞卷积的CSPdarknet53。该主干网络主要用于对本实施例中的路段视频中待检测视频图像进行特征提取的。该主干网络的输出分为三个分支，各分支输出的特征图的大小不相同。

SPP模块中使用了三个不同大小的池化层，对主干网络提取的特征图进行池化操作。即使用5*5、9*9和15*15大小的池化层对主干网络提取的特征图进行池化操作，然后利用全连接层对三个池化层输出的特征图进行拼接，拼接后再利用卷积层进行降维。以此使得得到的特征更加丰富。

PANet网络结构层主要对各分支得到的特征图进行上采样或下采样处理，然后利用全连接层将对应的各特征图进行拼接后，再利用卷积层进行降维处理。得到三个特征图。

检测层是对PANet网络结构层中得到的三个特征图进行目标车辆检测，以此得到最终的识别结果(即本申请实施例中的得到目标车辆在待检测视频图像中的位置，即图3中的图像3b)。

步骤202：基于所述待检测视频图像中各目标车辆的位置，得到所述待检测视频图像中所述各目标车辆的标识；

在一个实施例中，利用预设的目标跟踪算法以及各目标车辆的位置，分别对各目标车辆进行识别，得到所述待检测视频图像中各目标车辆的标识。

如图8所示，得到待检测视频图像中各目标车辆的标识，即将待检测视频图像中的目标车辆与上一帧视频图像中的各目标车辆进行匹配。

本实施例中的采用目标跟踪算法可为DeepSort算法(Deep Simple Online andRealtime Tracking，深度简单的在线实时跟踪算法)来对目标车辆进行跟踪识别。其中，现有技术的其他跟踪算法只要能实现对目标车辆进行跟踪识别均可使用，本实施例在此并不对目标跟踪算法进行限定。

步骤203：通过所述待检测视频图像中各目标车辆的位置和标识，分别确定出所述待检测视频图像中所述各目标车辆的当前运动状态以及当前车门状态；

在一个实施例中，所述当前运动状态包括目标车辆是否处于停车状态以及当所述目标车辆处于停车状态时所对应的停车时长；

通过以下方式确定目标车辆是否处于停车状态：

针对所述待检测视频图像中的任意一辆目标车辆，若所述目标车辆在所述待检测视频图像中的位置与所述目标车辆在上一帧视频图像中的位置相等，则确定所述目标车辆处于停车状态；否则，则确定所述目标车辆未处于停车状态。

例如，若车辆1在待检测视频图像中的位置为(A,B,C,D)，车辆1上一帧视频图像中的位置也为(A,B,C,D)，则确定所述车辆1处于停车状态。

在一个实施例中，通过以下方式确定出停车时长：当确定出所述目标车辆处于停车状态之后，基于所述目标车辆的标识确定出所述目标车辆在所述待检测视频图像之前的各帧视频图像中的位置；并，通过所述目标车辆在各帧视频图像中的位置，确定所述目标车辆的停车时长。

例如，若确定总共20帧视频图像中车辆1处于停车状态，若1秒对应10帧视频图像，则确定出车辆1的停车时长为2秒。

在一个实施例中，所述当前车门状态包括车门打开和车门关闭；

通过以下方式确定目标车辆的当前车门状态：

针对所述待检测视频图像中的任意一辆目标车辆，按照所述目标车辆的包围盒，对所述待检测视频图像进行裁剪，得到所述目标车辆的图像，其中所述目标车辆的包围盒是通过所述目标检测神经网络模型得到的；将所述目标车辆的图像输入至预先训练好的残差网络中进行识别，得到所述目标车辆的当前车门状态。

其中，如图8所示，为对确定当前车门状态的流程示意图，包括以下步骤：

步骤801：利用残差网络对所述目标车辆的图像进行特征提取，得到车辆特征信息；

步骤802：将所述车辆特征信息与各预设车辆特征信息进行匹配，得到所述车辆特征信息与各预设车辆特征信息的相似度；

步骤803：将相似度最高的预设车辆特征信息对应的车门状态确定为所述目标车辆的当前车门状态。

步骤204：根据所述待检测视频图像中各目标车辆的当前车门状态以及各目标车辆的当前运动状态，分别确定所述各目标车辆是否发生交通事故。

在一个实施例中，步骤204可实施为：针对所述待检测视频图像中的任意一辆目标车辆，若所述目标车辆的当前车门状态为打开状态，且所述目标车辆的当前运动状态为目标状态，则确定所述目标车辆发生交通事故；其中，所述目标状态为所述目标车辆处于停车状态以及停车时长大于指定时长；否则，则确定所述目标车辆未发生交通事故。

例如，指定时长为20分钟，若确定出存在目标车辆的车门状态为打开状态，且停车时长大于20分钟，则确定所述目标车辆发生交通事故。

在一个实施例中，可通过以下方式确定两辆目标车辆之间是否发生交通事故(例如，追尾等交通事故)：

针对所述待检测视频图像中的任意两辆目标车辆，基于所述两辆目标车辆的位置确定所述两辆目标车辆之间的距离；基于所述两辆目标车辆之间的距离、所述两辆目标车辆的当前运动状态以及所述两辆目标车辆的车门状态，确定所述两辆目标车辆是否发生交通事故。

具体的，可通过以下方式确定出所述两辆目标车辆是否发生交通事故：

若确定所述两辆目标车辆之间的距离在指定范围内，且所述两辆目标车辆的当前运动状态为目标状态以及至少一辆目标车辆的车门为打开状态，则确定所述两辆目标车辆发生交通事故；其中，所述目标状态为所述两辆目标车辆均处于停车状态，且处于停车状态的时长大于指定时长；否则，则确定所述两辆目标车辆之间未发生交通事故。

例如，如图9所示，图9中的第n帧视频图像为待检测视频图像，若确定出车辆2和车辆3包围盒之间的距离在指定范围，且确定出车辆2和车辆3的当前车辆状态均为停车状态，且停车时长大于指定时长，并且车辆2的车门为打开状态，则确定车辆2和车辆3发生交通事故。

需要说明的是，本实施例中的指定范围以及指定时长可根据具体的实际情况进行设置，本实施例在此并不对指定范围以及指定时长的值进行限定。

为了进一步的了解本公开的技术方案，下面结合图10进行详细的说明，可包括以下步骤：

步骤1001：针对路段视频中的待检测视频图像，利用目标检测神经网络模型对所述待检测视频图像进行车辆检测，得到所述待检测视频图像中各目标车辆的位置；

步骤1002：针对所述待检测视频图像中位置数量为多个的任一目标车辆，对所述目标车辆的多个位置进行筛选，得到筛选后的所述目标车辆的位置；

步骤1003：利用预设的目标跟踪算法以及各目标车辆的位置，分别对各目标车辆进行识别，得到所述待检测视频图像中各目标车辆的标识；

步骤1004：通过所述待检测视频图像中各目标车辆的位置和标识，分别确定出所述待检测视频图像中所述各目标车辆的当前运动状态和当前车门状态，其中，所述当前运动状态包括目标车辆是否处于停车状态以及当所述目标车辆处于停车状态时所对应的停车时长；

步骤1005：针对所述待检测视频图像中的任意一辆目标车辆，判断所述目标车辆的当前运动状态是否为目标状态，其中，所述目标状态为所述目标车辆处于停车状态以及停车时长大于指定时长；若是，则执行步骤1006，若否，执行步骤1008；

步骤1006：判断所述目标车辆的当前车门状态是否为打开状态，若是，则执行步骤1007，若否，则执行步骤1008；

步骤1007：确定所述目标车辆发生交通事故；

步骤1008：确定所述目标车辆未发生交通事故。

基于相同的公开构思，本公开如上所述的交通事故确定方法还可以由一种交通事故确定装置实现。该交通事故确定装置的效果与前述方法的效果相似，在此不再赘述。

图11为根据本公开一个实施例的交通事故确定装置的结构示意图。

如图11所示，本公开的交通事故确定装置1000可以包括车辆检测模块1110、目标车辆标识确定模块1120、当前运动状态确定模块1130和交通事故确定模块1140。

车辆检测模块1110，用于针对路段视频中的待检测视频图像，利用目标检测神经网络模型对所述待检测视频图像进行车辆检测，得到所述待检测视频图像中各目标车辆的位置；

目标车辆标识确定模块1120，用于基于所述待检测视频图像中各目标车辆的位置，得到所述待检测视频图像中所述各目标车辆的标识；

当前运动状态确定模块1130，用于通过所述待检测视频图像中各目标车辆的位置和标识，分别确定出所述待检测视频图像中所述各目标车辆的当前运动状态和当前车门状态；

第一交通事故确定模块1140，用于根据所述待检测视频图像中各目标车辆的当前车门状态以及各目标车辆的当前运动状态，分别确定所述各目标车辆是否发生交通事故，其中所述当前车门状态是用于表示所述目标车辆的车门是否打开。

在一个实施例中，所述目标检测神经网络模型是以内容安全策略黑暗网络CSPdarknet53作为主干网络，且所述CSPdarknet53中第三残差块和第四残差块中的至少一个残差块的各卷积层是扩张率为设定值的空洞卷积。

在一个实施例中，所述当前运动状态包括目标车辆是否处于停车状态以及当所述目标车辆处于停车状态时所对应的停车时长；

所述第一交通事故确定模块1140，具体用于：

针对所述待检测视频图像中的任意一辆目标车辆，若所述目标车辆的当前车门状态为打开状态，且所述目标车辆的当前运动状态为目标状态，则确定所述目标车辆发生交通事故；其中，所述目标状态为所述目标车辆处于停车状态以及停车时长大于指定时长；

否则，则确定所述目标车辆未发生交通事故。

在一个实施例中目标车辆标识确定模块1120，具体用于：

针对所述待检测视频图像中位置数量为多个的任一目标车辆，对所述目标车辆的多个位置进行筛选，得到筛选后的所述目标车辆的位置；

利用预设的目标跟踪算法以及各目标车辆的位置，分别对各目标车辆进行识别，得到所述待检测视频图像中各目标车辆的标识。

在一个实施例中，所述装置还包括：

第二交通事故确定模块1150，用于所述通过所述待检测视频图像中各目标车辆的位置和标识，分别确定出所述待检测视频图像中所述各目标车辆的当前运动状态和当前车门状态之后，针对所述待检测视频图像中的任意两辆目标车辆，基于所述两辆目标车辆的位置确定所述两辆目标车辆之间的距离；基于所述两辆目标车辆之间的距离、所述两辆目标车辆的当前运动状态以及所述两辆目标车辆的车门状态，确定所述两辆目标车辆是否发生交通事故。

在一个实施例中，所述当前运动状态包括目标车辆是否处于停车状态以及当所述目标车辆处于停车状态时所对应的停车时长；

所述第二交通事故确定模块1150，具体用于：

若确定所述两辆目标车辆之间的距离在指定范围内，且所述两辆目标车辆的当前运动状态为目标状态以及至少一辆目标车辆的车门为打开状态，则确定所述两辆目标车辆发生交通事故；其中，所述目标状态为所述两辆目标车辆均处于停车状态，且处于停车状态的时长大于指定时长；

否则，则确定所述两辆目标车辆之间未发生交通事故。

在一个实施例中，所述装置还包括：

当前车门状态确定模块1160，用于通过以下方式确定目标车辆的当前车门状态：

针对所述待检测视频图像中的任意一辆目标车辆，按照所述目标车辆的包围盒，对所述待检测视频图像进行裁剪，得到所述目标车辆的图像，其中所述目标车辆的包围盒是通过所述目标检测神经网络模型得到的；

将所述目标车辆的图像输入至预先训练好的残差网络中进行识别，得到所述目标车辆的当前车门状态。

在一个实施例中，所述装置还包括：

停车状态确定模块1170，用于通过以下方式确定目标车辆是否处于停车状态：

针对所述待检测视频图像中的任意一辆目标车辆，若所述目标车辆在所述待检测视频图像中的位置与所述目标车辆在上一帧视频图像中的位置相等，则确定所述目标车辆处于停车状态；

否则，则确定所述目标车辆未处于停车状态。

在一个实施例中，所述装置还包括：

停车时长确定模块1180，用于通过以下方式确定出停车时长：

当确定出所述目标车辆处于停车状态之后，基于所述目标车辆的标识确定出所述目标车辆在所述待检测视频图像之前的各帧视频图像中的位置；并，

通过所述目标车辆在各帧视频图像中的位置，确定所述目标车辆的停车时长。

在介绍了本公开示例性实施方式的一种交通事故确定方法及装置之后，接下来，介绍根据本公开的另一示例性实施方式的电子设备。

所属技术领域的技术人员能够理解，本公开的各个方面可以实现为系统、方法或程序产品。因此，本公开的各个方面可以具体实现为以下形式，即：完全的硬件实施方式、完全的软件实施方式(包括固件、微代码等)，或硬件和软件方面结合的实施方式，这里可以统称为“电路”、“模块”或“系统”。

在一些可能的实施方式中，根据本公开的电子设备可以至少包括至少一个处理器、以及至少一个计算机存储介质。其中，计算机存储介质存储有程序代码，当程序代码被处理器执行时，使得处理器执行本说明书上述描述的根据本公开各种示例性实施方式的交通事故确定方法中的步骤。例如，处理器可以执行如图2中所示的步骤201-204。

下面参照图12来描述根据本公开的这种实施方式的电子设备1200。图12显示的电子设备1200仅仅是一个示例，不应对本公开实施例的功能和使用范围带来任何限制。

如图12所示，电子设备1200以通用电子设备的形式表现。电子设备1200的组件可以包括但不限于：上述至少一个处理器1201、上述至少一个计算机存储介质1202、连接不同系统组件(包括计算机存储介质1202和处理器1201)的总线1203。

总线1203表示几类总线结构中的一种或多种，包括计算机存储介质总线或者计算机存储介质控制器、外围总线、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。

计算机存储介质1202可以包括易失性计算机存储介质形式的可读介质，例如随机存取计算机存储介质(RAM)1221和/或高速缓存存储介质1222，还可以进一步包括只读计算机存储介质(ROM)1223。

计算机存储介质1202还可以包括具有一组(至少一个)程序模块1224的程序/实用工具1225，这样的程序模块1224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。

电子设备1200也可以与一个或多个外部设备1204(例如键盘、指向设备等)通信，还可与一个或者多个使得用户能与电子设备1200交互的设备通信，和/或与使得该电子设备1200能与一个或多个其它电子设备进行通信的任何设备(例如路由器、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1205进行。并且，电子设备1200还可以通过网络适配器1206与一个或者多个网络(例如局域网(LAN)，广域网(WAN)和/或公共网络，例如因特网)通信。如图所示，网络适配器1206通过总线1203与用于电子设备1200的其它模块通信。应当理解，尽管图中未示出，可以结合电子设备1200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、冗余处理器、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。

在一些可能的实施方式中，本公开提供的一种交通事故确定方法的各个方面还可以实现为一种程序产品的形式，其包括程序代码，当程序产品在计算机设备上运行时，程序代码用于使计算机设备执行本说明书上述描述的根据本公开各种示例性实施方式的交通事故确定方法中的步骤。

程序产品可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。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。可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取计算机存储介质(RAM)、只读计算机存储介质(ROM)、可擦式可编程只读计算机存储介质(EPROM或闪存)、光纤、便携式紧凑盘只读计算机存储介质(CD-ROM)、光计算机存储介质件、磁计算机存储介质件、或者上述的任意合适的组合。

本公开的实施方式的交通事故确定的程序产品可以采用便携式紧凑盘只读计算机存储介质(CD-ROM)并包括程序代码，并可以在电子设备上运行。然而，本公开的程序产品不限于此，在本文件中，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。

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，其中承载了可读程序代码。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。可读信号介质还可以是可读存储介质以外的任何可读介质，该可读介质可以发送、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。

可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于无线、有线、光缆、RF等等，或者上述的任意合适的组合。

可以以一种或多种程序设计语言的任意组合来编写用于执行本公开操作的程序代码，程序设计语言包括面向对象的程序设计语言—诸如Java、C++等，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电子设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户电子设备上部分在远程电子设备上执行、或者完全在远程电子设备或服务器上执行。在涉及远程电子设备的情形中，远程电子设备可以通过任意种类的网络包括局域网(LAN)或广域网(WAN)连接到用户电子设备，或者，可以连接到外部电子设备(例如利用因特网服务提供商来通过因特网连接)。

应当注意，尽管在上文详细描述中提及了装置的若干模块，但是这种划分仅仅是示例性的并非强制性的。实际上，根据本公开的实施方式，上文描述的两个或更多模块的特征和功能可以在一个模块中具体化。反之，上文描述的一个模块的特征和功能可以进一步划分为由多个模块来具体化。

此外，尽管在附图中以特定顺序描述了本公开方法的操作，但是，这并非要求或者暗示必须按照该特定顺序来执行这些操作，或是必须执行全部所示的操作才能实现期望的结果。附加地或备选地，可以省略某些步骤，将多个步骤合并为一个步骤执行，和/或将一个步骤分解为多个步骤执行。

本领域内的技术人员应明白，本公开的实施例可提供为方法、系统、或计算机程序产品。因此，本公开可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本公开可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘计算机存储介质、CD-ROM、光学计算机存储介质等)上实施的计算机程序产品的形式。

本公开是参照根据本公开的方法、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计算机存储介质中，使得存储在该计算机可读计算机存储介质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公开进行各种改动和变型而不脱离本公开的精神和范围。这样，倘若本公开的这些修改和变型属于本公开权利要求及其等同技术的范围之内，则本公开也意图包含这些改动和变型在内。

Claims (10)

1.一种交通事故确定方法，其特征在于，所述方法包括：

针对路段视频中的待检测视频图像，利用目标检测神经网络模型对所述待检测视频图像进行车辆检测，得到所述待检测视频图像中各目标车辆的位置；

基于所述待检测视频图像中各目标车辆的位置，得到所述待检测视频图像中所述各目标车辆的标识；

通过所述待检测视频图像中各目标车辆的位置和标识，分别确定出所述待检测视频图像中所述各目标车辆的当前运动状态以及当前车门状态；

根据所述待检测视频图像中各目标车辆的当前车门状态以及各目标车辆的当前运动状态，分别确定所述各目标车辆是否发生交通事故。

2.根据权利要求1所述的方法，其特征在于，所述目标检测神经网络模型是以内容安全策略黑暗网络CSPdarknet53作为主干网络，且所述CSPdarknet53中第三残差块和第四残差块中的至少一个残差块的各卷积层是扩张率为设定值的空洞卷积。

3.根据权利要求1所述的方法，其特征在于，所述当前运动状态包括目标车辆是否处于停车状态以及当所述目标车辆处于停车状态时所对应的停车时长；

所述根据所述待检测视频图像中各目标车辆的当前车门状态以及各目标车辆的当前运动状态，分别确定所述各目标车辆是否发生交通事故，包括：

针对所述待检测视频图像中的任意一辆目标车辆，若所述目标车辆的当前车门状态为打开状态，且所述目标车辆的当前运动状态为目标状态，则确定所述目标车辆发生交通事故；其中，所述目标状态为所述目标车辆处于停车状态以及停车时长大于指定时长；

否则，则确定所述目标车辆未发生交通事故。

4.根据权利要求1所述的方法，其特征在于，所述基于所述待检测视频图像中各目标车辆的位置，得到所述待检测视频图像中所述各目标车辆的标识，包括：

针对所述待检测视频图像中位置数量为多个的任一目标车辆，对所述目标车辆的多个位置进行筛选，得到筛选后的所述目标车辆的位置；

利用预设的目标跟踪算法以及各目标车辆的位置，分别对各目标车辆进行识别，得到所述待检测视频图像中各目标车辆的标识。

5.根据权利要求1所述的方法，其特征在于，所述通过所述待检测视频图像中各目标车辆的位置和标识，分别确定出所述待检测视频图像中所述各目标车辆的当前运动状态以及当前车门状态之后，所述方法还包括：

针对所述待检测视频图像中的任意两辆目标车辆，基于所述两辆目标车辆的位置确定所述两辆目标车辆之间的距离；

基于所述两辆目标车辆之间的距离、所述两辆目标车辆的当前运动状态以及所述两辆目标车辆的车门状态，确定所述两辆目标车辆是否发生交通事故。

6.根据权利要求5所述的方法，其特征在于，所述当前运动状态包括目标车辆是否处于停车状态以及当所述目标车辆处于停车状态时所对应的停车时长；

所述基于所述两辆目标车辆之间的距离、所述两辆目标车辆的当前运动状态以及所述两辆目标车辆的车门状态，确定所述两辆目标车辆是否发生交通事故，包括：

若确定所述两辆目标车辆之间的距离在指定范围内，且所述两辆目标车辆的当前运动状态为目标状态以及至少一辆目标车辆的车门为打开状态，则确定所述两辆目标车辆发生交通事故；其中，所述目标状态为所述两辆目标车辆均处于停车状态，且处于停车状态的时长大于指定时长；

否则，则确定所述两辆目标车辆之间未发生交通事故。

7.根据权利要求1、3或5～6中任一所述的方法，其特征在于，通过以下方式确定目标车辆的当前车门状态：

针对所述待检测视频图像中的任意一辆目标车辆，按照所述目标车辆的包围盒，对所述待检测视频图像进行裁剪，得到所述目标车辆的图像，其中所述目标车辆的包围盒是通过所述目标检测神经网络模型得到的；

将所述目标车辆的图像输入至预先训练好的残差网络中进行识别，得到所述目标车辆的当前车门状态。

8.根据权利要求3或6中所述的方法，其特征在于，通过以下方式确定目标车辆是否处于停车状态：

针对所述待检测视频图像中的任意一辆目标车辆，若所述目标车辆在所述待检测视频图像中的位置与所述目标车辆在上一帧视频图像中的位置相等，则确定所述目标车辆处于停车状态；

否则，则确定所述目标车辆未处于停车状态。

9.根据权利要求3或6中所述的方法，其特征在于，通过以下方式确定出停车时长：

基于所述目标车辆的标识确定出所述目标车辆在所述待检测视频图像之前的各帧视频图像中的位置；并，

通过所述目标车辆在各帧视频图像中的位置，确定所述目标车辆的停车时长。

10.一种电子设备，其特征在于，包括存储单元和处理器，其中：

所述存储单元，被配置为存储路段视频；

所述处理器，被配置为：

针对路段视频中的待检测视频图像，利用目标检测神经网络模型对所述待检测视频图像进行车辆检测，得到所述待检测视频图像中各目标车辆的位置；

基于所述待检测视频图像中各目标车辆的位置，得到所述待检测视频图像中所述各目标车辆的标识；

通过所述待检测视频图像中各目标车辆的位置和标识，分别确定出所述待检测视频图像中所述各目标车辆的当前运动状态以及当前车门状态；

根据所述待检测视频图像中各目标车辆的当前车门状态以及各目标车辆的当前运动状态，分别确定所述各目标车辆是否发生交通事故。

Images