CN113807220A - 交通事件检测方法、装置、电子设备和可读存储介质 - Google Patents
交通事件检测方法、装置、电子设备和可读存储介质 Download PDFInfo
- Publication number
- CN113807220A CN113807220A CN202111039303.0A CN202111039303A CN113807220A CN 113807220 A CN113807220 A CN 113807220A CN 202111039303 A CN202111039303 A CN 202111039303A CN 113807220 A CN113807220 A CN 113807220A
- Authority
- CN
- China
- Prior art keywords
- information
- detection
- road surface
- detection information
- 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.)
- Pending
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 646
- 238000000034 method Methods 0.000 claims description 34
- 206010039203 Road traffic accident Diseases 0.000 claims description 29
- 238000000605 extraction Methods 0.000 claims description 29
- 239000013598 vector Substances 0.000 claims description 20
- 230000011218 segmentation Effects 0.000 claims description 19
- 238000012545 processing Methods 0.000 claims description 12
- 238000004590 computer program Methods 0.000 claims description 10
- 238000010191 image analysis Methods 0.000 claims description 8
- 239000000284 extract Substances 0.000 abstract 1
- 230000008569 process Effects 0.000 description 14
- 238000010586 diagram Methods 0.000 description 10
- 238000012549 training Methods 0.000 description 9
- 238000004891 communication Methods 0.000 description 8
- 238000012360 testing method Methods 0.000 description 8
- 238000004458 analytical method Methods 0.000 description 7
- 230000006870 function Effects 0.000 description 6
- 238000013528 artificial neural network Methods 0.000 description 4
- 238000013135 deep learning Methods 0.000 description 2
- 239000006185 dispersion Substances 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Images
Classifications
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computational Linguistics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Evolutionary Biology (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Traffic Control Systems (AREA)
- Image Analysis (AREA)
Abstract
本发明实施例提供一种交通事件检测方法、装置、电子设备和可读存储介质，涉及计算机技术领域。本发明实施例通过获取车辆行驶时的路面图像，对路面图像进行特征提取，得到车辆检测信息、道路线检测信息以及指示牌检测信息，在得到车辆检测信息、道路线检测信息以及指示牌信息后，根据车辆检测信息确定得到路面的拥堵信息，根据道路线检测信息以及指示牌检测信息确定得到路面的事故信息，然后根据路面的拥堵信息以及事故信息，得到路面的交通事件检测结果。如此，通过结合车辆检测信息、道路线检测信息以及指示牌信息，对路面的交通事件进行检测，可以有效提高交通事件的检测准确率。
Description
技术领域
本发明涉及计算机技术领域，具体而言，涉及一种交通事件检测方法、装置、电子设备和可读存储介质。
背景技术
交通事件检测是智能交通系统中最重要的组成部分之一，可为道路选择、交通疏导等工作提供重要的决策依据。车辆事故、故障以及拥堵事件是城市交通中常见的事件，这些事件发生的随机性强，难以预测，对城市道路其他人行车会造成安全隐患。
目前，对交通事件的检测容易发生误判，交通事件的检测准确率有待提高。
发明内容
基于此，本发明实施例提供一种交通事件检测方法、装置、电子设备和可读存储介质，可以有效提高交通事件的检测准确率。
本发明的实施例可以通过以下方式实现：
第一方面，本发明实施例提供一种交通事件检测方法，所述方法包括：
获取车辆行驶时的路面图像；
对所述路面图像进行特征提取，得到路面信息；其中，所述路面信息包括车辆检测信息、道路线检测信息以及指示牌检测信息，所述车辆检测信息包括车辆检测框，所述道路线检测信息包括路面的车道线信息，所述指示牌检测信息包括指示牌检测结果以及指示牌的位置信息；
根据所述车辆检测信息，确定得到路面的拥堵信息，以及根据所述道路线检测信息以及所述指示牌检测信息，确定得到所述路面的事故信息；
根据所述拥堵信息以及所述事故信息，得到所述路面的交通事件检测结果。
在可选的实施方式中，所述根据所述道路线检测信息以及所述指示牌检测信息，确定得到所述路面的事故信息，包括：
根据所述道路线检测信息中的路面的车道线信息，确定得到所述路面图像中的路面区域；
判断所述指示牌检测信息中的指示牌检测结果是否包括指示牌信息；
若包括所述指示牌信息，则根据所述指示牌检测信息中的指示牌的位置信息，检测所述指示牌是否位于所述路面区域；
若位于所述路面区域，则判定所述路面存在交通事故。
在可选的实施方式中，所述路面信息还包括行人检测信息以及信号灯检测信息，所述判断所述指示牌检测信息中的指示牌检测结果是否包括指示牌信息之后，所述方法还包括：
若未包括所述指示牌信息，对所述行人检测信息进行判断和分析，确定是否存在目标行人；
若存在所述目标行人，则根据所述车辆检测信息以及所述信号灯检测信息，检测所述路面是否发生拥堵，若未发生拥堵，则判定所述路面存在交通事故；
若未存在所述目标行人，则判定所述路面未发生交通事故。
在可选的实施方式中，所述根据所述道路线检测信息中的路面的车道线信息，确定得到所述路面图像中的路面区域，包括：
根据所述道路线检测信息中的车道线坐标，确定得到相距最远的两条目标车道线；
根据所述两条目标车道线，确定得到所述路面区域；
所述指示牌的位置信息包括指示牌检测框的坐标，所述根据所述指示牌检测信息中的指示牌的位置信息，检测所述指示牌是否位于所述路面区域，包括：
判断所述指示牌检测框的坐标是否位于所述两条目标车道线的坐标之间；
若位于，判定所述指示牌位于所述路面区域。
在可选的实施方式中，所述路面信息还包括信号灯检测信息；所述根据所述车辆检测信息，确定得到路面的拥堵信息，包括：
对所述车辆检测信息中包括的车辆检测框进行分析，得到目标检测框；其中，所述目标检测框为最靠近所述路面图像中心线且面积最大的车辆检测框；
检测所述目标检测框与所述路面图像的面积比值是否大于第一预设阈值；
若所述目标检测框与所述路面图像的面积比值未大于所述第一预设阈值，则判定所述路面未发生拥堵；
若所述目标检测框与所述路面图像的面积比值大于所述第一预设阈值，则获取所述车辆的速度信息，根据所述信号灯检测信息以及所述速度信息，检测所述路面是否发生拥堵。
在可选的实施方式中，所述根据所述信号灯检测信息以及所述速度信息，检测所述路面是否发生拥堵，包括：
根据所述速度信息，检测所述车辆的速度是否大于第二预设阈值；
若所述车辆的速度大于所述第二预设阈值，则判定所述路面未发生拥堵；
若所述车辆的速度未大于所述第二预设阈值，则对所述信号灯检测信息中包括的信号灯信息进行分析，检测所述信号灯信息是否与目标信息进行匹配；
若所述信号灯信息与所述目标信息匹配，则判定所述路面未发生拥堵；
若所述信号灯信息未与所述目标信息匹配，则判定所述路面发生拥堵。
在可选的实施方式中，所述对所述路面图像进行特征提取，得到路面信息，包括：
根据预设的目标检测模型对所述路面图像进行目标检测，得到所述车辆检测信息、指示牌检测信息、行人检测信息以及信号灯检测信息；
根据预设的车道线检测模型对所述路面图像进行车道线检测，得到所述道路线检测信息。
在可选的实施方式中，所述根据预设的目标检测模型对所述路面图像进行目标检测，得到所述车辆检测信息、指示牌检测信息、行人检测信息以及信号灯检测信息，包括：
将所述路面图像输入至所述目标检测模型，通过所述目标检测模型的特征提取层对所述路面图像进行特征提取，得到特征图；
通过所述目标检测模型的特征预测层，对所述特征图进行特征处理，输出目标物体的检测框以及检测框的坐标；其中，所述目标物体包括车辆、指示牌、行人以及信号灯中的至少一个；
根据所述目标物体的检测框以及检测框的坐标，得到所述车辆检测信息、指示牌检测信息、行人检测信息以及信号灯检测信息。
在可选的实施方式中，所述根据预设的车道线检测模型对所述路面图像进行车道线检测，得到所述道路线检测信息，包括：
将所述路面图像输入至所述车道线检测模型，通过车道线检测模型的分割分支，分割得到属于车道线的像素以及属于背景区域的像素；
通过所述车道线检测模型的矢量分支，对属于车道线的像素进行矢量化处理，得到属于车道线的像素特征向量；
通过所述车道线检测模型的聚类层对所述属于车道线的像素特征向量进行聚类，得到属于同一车道线的像素集合；
对不同车道线的像素集合进行拟合，得到每条车道线以及每条车道线的坐标，以得到道路线检测信息。
第二方面，本发明实施例提供一种交通事件检测装置，包括：
图像获取模块，用于获取车辆行驶时的路面图像；
图像分析模块，用于对所述路面图像进行特征提取，得到路面信息；其中，所述路面信息包括车辆检测信息、道路线检测信息以及指示牌检测信息，所述车辆检测信息包括车辆检测框，所述道路线检测信息包括路面的车道线信息，所述指示牌检测信息包括指示牌检测结果以及指示牌的位置信息；
事件检测模块，用于根据所述车辆检测信息，确定得到路面的拥堵信息，以及根据所述道路线检测信息以及所述指示牌检测信息，确定得到所述路面的事故信息，根据所述拥堵信息以及所述事故信息，得到所述路面的交通事件检测结果。
第三方面，本发明实施例提供一种电子设备，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前述任一实施方式所述的交通事件检测方法。
第四方面，本发明实施例提供一种可读存储介质，所述可读存储介质包括计算机程序，所述计算机程序运行时控制所述可读存储介质所在电子设备执行前述任一实施方式所述的交通事件检测方法。
本发明实施例提供的交通事件检测方法、装置、电子设备和可读存储介质，通过获取车辆行驶时的路面图像，对路面图像进行特征提取，得到车辆检测信息、道路线检测信息以及指示牌检测信息，在得到车辆检测信息、道路线检测信息以及指示牌信息后，根据车辆检测信息确定得到路面的拥堵信息，根据道路线检测信息以及指示牌检测信息确定得到路面的事故信息，然后根据路面的拥堵信息以及事故信息，得到路面的交通事件检测结果。如此，通过结合车辆检测信息、道路线检测信息以及指示牌信息，对路面的交通事件进行检测，可以有效提高交通事件的检测准确率。
附图说明
下面结合附图，通过对本发明的具体实施方式详细描述，将使本发明的技术方案及其它有益效果显而易见。
图1为本发明实施例所提供的电子设备的一种结构示意图。
图2为本发明实施例所提供的交通事件检测方法的一种流程示意图。
图3为本发明实施例所提供的目标检测模型的一种结构示意图。
图4为本发明实施例所提供的车道线检测模型的一种结构示意图。
图5为本发明实施例所提供的一种车道示意图。
图6为本发明实施例所提供交通事件检测装置的一种方框示意图。
图标：100-电子设备；10-交通事件检测装置；11-图像获取模块；12-图像分析模块；13-事件检测模块；20-存储器；30-处理器；40-通信单元。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述。显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域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，都属于本发明保护的范围。
在本发明的描述中，需要理解的是，术语“中心”、“纵向”、“横向”、“长度”、“宽度”、“厚度”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”、“顺时针”、“逆时针”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个所述特征。在本发明的描述中，“多个”的含义是两个或两个以上，除非另有明确具体的限定。
在本发明的描述中，需要说明的是，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接或可以相互通讯；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通或两个元件的相互作用关系。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本发明中的具体含义。
在本发明中，除非另有明确的规定和限定，第一特征在第二特征之“上”或之“下”可以包括第一和第二特征直接接触，也可以包括第一和第二特征不是直接接触而是通过它们之间的另外的特征接触。而且，第一特征在第二特征“之上”、“上方”和“上面”包括第一特征在第二特征正上方和斜上方，或仅仅表示第一特征水平高度高于第二特征。第一特征在第二特征“之下”、“下方”和“下面”包括第一特征在第二特征正下方和斜下方，或仅仅表示第一特征水平高度小于第二特征。
下文的公开提供了许多不同的实施方式或例子用来实现本发明的不同结构。为了简化本发明的公开，下文中对特定例子的部件和设置进行描述。当然，它们仅仅为示例，并且目的不在于限制本发明。此外，本发明可以在不同例子中重复参考数字和/或参考字母，这种重复是为了简化和清楚的目的，其本身不指示所讨论各种实施方式和/或设置之间的关系。此外，本发明提供了的各种特定的工艺和材料的例子，但是本领域普通技术人员可以意识到其他工艺的应用和/或其他材料的使用。
如背景技术所述，交通事件检测是智能交通系统中最重要的组成部分之一，可为道路选择、交通疏导等工作提供重要的决策依据。车辆事故、故障以及拥堵事件是城市交通中常见的事件，这些事件发生的随机性强，难以预测，对城市道路其他人行车会造成安全隐患。而目前，对交通事件的检测又容易发生误判，因此，交通事件的检测准确率有待提高。
基于上述研究，本发明实施例提供一种交通事件检测方法、装置、电子设备和可读存储介质，通过对交通事件实际场景的分析，在获取车辆行驶时的路面图像后，对路面图像进行特征提取，得到道路场景中与交通事件相关的车辆检测信息、道路线检测信息、指示牌检测信息，在得到车辆检测信息、道路线检测信息以及指示牌信息后，根据车辆检测信息确定得到路面的拥堵信息，根据道路线检测信息以及指示牌检测信息确定得到路面的事故信息，然后根据路面的拥堵信息以及事故信息，得到路面的交通事件检测结果。如此，通过结合车辆检测信息、道路线检测信息以及指示牌信息，对路面的交通事件进行检测，可以有效提高交通事件的检测准确率。
请参阅图1，图1为本实施例提供的一种电子设备100的结构框图。电子设备100包括交通事件检测装置10、存储器20、处理器30及通信单元40，存储器20存储有处理器30可执行的机器可读指令，当电子设备100运行时，处理器30与存储器20之间通过总线通信，处理器30执行机器可读指令，并执行交通事件检测方法。
存储器20、处理器30以及通信单元40各元件相互之间直接或间接地电性连接，以实现信号的传输或交互。例如，这些元件相互之间可通过一条或多条通讯总线或信号线实现电性连接。交通事件检测装置10包括至少一个可以软件或固件(firmware)的形式存储于存储器20中的软件功能模块。处理器30用于执行存储器20中存储的可执行模块(例如交通事件检测装置10所包括的软件功能模块或计算机程序)。
其中，存储器20可以是，但不限于，随机读取存储器(Random Access memory，RAM)，只读存储器(Read Only Memory，ROM)，可编程只读存储器(Programmable Read-OnlyMemory，PROM)，可擦除只读存储器(Erasable Programmable Read-Only Memory，EPROM)，电可擦除只读存储器(Electric Erasable Programmable Read-Only Memory，EEPROM)等。
在一些实施例中，处理器30用以执行本实施例中描述的一个或多个功能。在一些实施例中，处理器30可以包括一个或多个处理核(例如，单核处理器(S)或多核处理器(S))。仅作为举例，处理器30可以包括中央处理单元(Central Processing Unit，CPU)、专用集成电路(Application Specific Integrated Circuit，ASIC)、专用指令集处理器(Application Specific Instruction-setProcessor，ASIP)、图形处理单元(GraphicsProcessing Unit，GPU)、物理处理单元(Physics Processing Unit，PPU)、数字信号处理器(Digital Signal Processor，DSP)、现场可编程门阵列(Field Programmable GateArray，FPGA)、可编程逻辑器件(Programmable Logic Device，PLD)、控制器、微控制器单元、简化指令集计算机(ReducedInstruction Set Computing，RISC)或微处理器等，或其任意组合。
本实施例中，存储器20用于存储程序，处理器30用于在接收到执行指令后，执行程序。本实施例任一实施方式所揭示的流程定义的方法可以应用于处理器30中，或者由处理器30实现。
通信单元40用于通过网络建立电子设备100与其他设备之间的通信连接，并用于通过网络收发数据。
在一些实施方式中，网络可以是任何类型的有线或者无线网络，或者是他们的结合。仅作为示例，网络可以包括有线网络、无线网络、光纤网络、远程通信网络、内联网、因特网、局域网(Local Area Network，LAN)、广域网(Wide Area Network，WAN)、无线局域网(Wireless Local Area Networks，WLAN)、城域网(Metropolitan Area Network，MAN)、广域网(Wide Area Network，WAN)、公共电话交换网(Public Switched Telephone Network，PSTN)、蓝牙网络、ZigBee网络、或近场通信(Near Field Communication，NFC)网络等，或其任意组合。
在本实施例中，电子设备100可以是但不限于笔记本电脑、超级移动个人计算机(ultra-mobile personal computer，UMPC)、上网本、个人数字助理(personal digitalassistant，PDA)、物理服务器等电子设备上，本实施例对电子设备的具体类型不作任何限制。
可以理解地，图1所示的结构仅为示意。电子设备100还可以具有比图1所示更多或者更少的组件，或者具有与图1所示不同的配置。图1所示的各组件可以采用硬件、软件或其组合实现。
基于图1的实现架构，本实施例提供一种交通事件检测方法，由图1所示的电子设备执行，下面对本实施例提供的交通事件检测方法的步骤进行详细阐述。请结合参阅图2，本实施例所提供的交通事件检测方法包括步骤S101至步骤S104。
步骤S101：获取车辆行驶时的路面图像。
其中，可以在车辆上安装图像采集设备，通过图像采集设备采集车辆行驶时的路面图像。在本实施例中，车辆行驶时的路面图像为车辆正前方的图像。
可选的，图像采集设备可以实时采集车辆行驶时的路面图像，然后将采集到路面图像发送至电子设备，由电子设备进行处理。图像采集设备也可以按照预设周期采集路面图像，然后将采集到的路面图像发送至电子设备。例如，可以每分钟采集一次路面图像，也可以每30秒采集一次路面，具体可根据实际需求而设定，本实施例不做限制。
可选的，还可以在车辆上安装视频采集设备，通过视频采集设备采集车辆行驶时的视频，然后将视频回传至电子设备，由电子设备对视频进行抽帧处理，得到路面图像。
步骤S102：对路面图像进行特征提取，得到路面信息。
其中，在得到路面图像，即可对路面图像进行分析，提取路面图像中的特征。
在本实施例中，通过对交通事件实际场景的分析可知，出现车辆事故、故障的场景大部分情况下都有放置指示牌(如三角警示牌、三角警示架)，少部分场景存在交警等特别人群，而对于路面交通来说，车辆、道路线、信号灯为固定场景，因此，本实施例在得到路面图像后，对路面图像进行特征提取，可以得到车辆检测信息、道路线检测信息、指示牌检测信息、行人检测信息以及信号灯检测信息等路面信息。
其中，车辆检测信息包括车辆检测框，道路线检测信息包括路面的车道线信息，指示牌检测信息包括指示牌检测结果以及指示牌的位置信息，行人检测信息包括是否检测到目标行人的检测结果，信号灯检测信息包括是否检测到信号的检测结果以及信号灯的类型。
可选的，在本实施例中，可采用深度学习的方式，基于样本训练得到的模型对路面图像进行特征提取，得到路面信息，也可以采用传统的图像提取方式对路面图像进行特征提取，得到路面信息，例如，采用尺度不变特征变换、方向梯度直方图等方式对路面图像进行特征提取，得到路面信息。
步骤S103：根据车辆检测信息，确定得到路面的拥堵信息，以及根据道路线检测信息以及指示牌检测信息，确定得到路面的事故信息。
在得到路面信息后，即可综合车辆检测信息、道路线检测信息以及指示牌检测信息，对路面的交通事件进行检测。
在本实施例中，路面的交通事件可以包括拥堵事件以及事故事件，其中，可根据道路线检测信息以及指示牌检测信息，确定得到路面的事故信息，根据车辆检测信息，确定得到路面的拥堵信息。
在本实施例中，车辆检测信息包括的车辆检测框信息可以反映出路面上车辆的行驶情况，因此，在得到车辆检测信息后，可基于车辆检测信息，确定得到路面的拥堵信息。道路线检测信息以及指示牌信息又可以反映出路面上是否出现有指示牌，当路面上出现指示牌后，则表示路面上发生交通事故，因此，在得到道路线检测信息以及指示牌检测信息后，根据道路线检测信息以及指示牌检测信息，可以确定得到路面的事故信息。
步骤S104：根据拥堵信息以及事故信息，得到路面的交通事件检测结果。
在本实施例中，拥堵信息包括是否拥堵信息的检测结果，事故信息包括是否发生事故的检测结果。根据路面的拥堵信息以及事故信息，得到路面的交通事件检测结果时，若路面的拥堵信息反映出发生拥堵，且路面的事故信息反映出发生事故，则路面的交通事件检测结果为发生拥堵且发生事故；若路面的拥堵信息反映出发生拥堵，且路面的事故信息未反映出发生事故，则路面的交通事件检测结果为发生拥堵；若路面的拥堵信息未反映出发生拥堵，且路面的事故信息反映出发生事故，则路面的交通事件检测结果为发生事故。
本实施例提供的交通事件检测方法，通过获取车辆行驶时的路面图像，对路面图像进行特征提取，得到道路场景中与交通事件相关的车辆检测信息、道路线检测信息、指示牌检测信息，根据车辆检测信息确定得到路面的拥堵信息，根据道路线检测信息以及指示牌检测信息确定得到路面的事故信息，然后根据路面的拥堵信息以及事故信息，得到路面的交通事件检测结果。如此，通过结合车辆检测信息、道路线检测信息以及指示牌信息，对路面的交通事件进行检测，可以有效提高交通事件的检测准确率。
为了提高交通事件的检测准确率，保证路面信息提取的准确性，在本实施例中，可采用深度学习的目标检测模型和语义分割模型提取出路面图像中与交通事件有关的路面信息。
可选的，在本实施例中，对路面图像进行特征提取，得到路面信息的步骤可以包括：
根据预设的目标检测模型对路面图像进行目标检测，得到车辆检测信息、指示牌检测信息、行人检测信息以及信号灯检测信息。
根据预设的车道线检测模型对路面图像进行车道线检测，得到道路线检测信息。
其中，预设的目标检测模型可以通过对用于目标检测的神经网络进行训练得到，预设的车道线检测模型可以通过对用于语义分割的神经网络进行训练得到。在本实施例中，目标检测模型以及车道线检测模型的训练采用有监督的训练方式，即通过已知真实值的样本数据去训练得到一个最优模型，再利用这个模型将所有的输入映射为相应的输出，对输出进行判断从而实现预测或者分类的目的。例如，对于目标检测模型，可以对多张路面图像中的车辆、指示牌、行人以及信号灯等信息进行标注，得到样本集，然后将样本集输入至目标检测的神经网络中进行训练，得到目标检测模型。又例如，对于车道线检测模型，可以对多张路面图像中的车道线进行标注，得到样本集，然后将样本集输入至语义分割的神经网络中进行训练，即可得到车道线检测模型。
在得到目标检测模型以及车道线检测模型后，即可根据目标检测模型对路面图像进行目标检测，得到车辆检测信息、指示牌检测信息、行人检测信息以及信号灯检测信息。根据车道线检测模型对路面图像进行车道线检测，得到道路线检测信息。
为了提高特征提取的准确性，在本实施例中，目标检测模型可以是yolov4检测模型，yolov4检测模型保留了yolov3的head部分，将主干网络修改为CSPDarknet53，同时采用了空间金字塔池化(Spatial Pyramid Pooling，SPP)的思想来扩大感受野，将PANet作为neck部分，通过加深网络层，提升对特征信息检测的精度，其结构可以如图3所示，CSPDarknet53为主干网络，也是整个网络的入口，输入图像首先会经过CSPDarknet53网络，然后会通过SPP层和PANet层，最后经由Yolov3的Head输出结果，输出的结果包括初始的预测框的位置信息和检测目标的得分信息等。
基于此，在本实施例中，根据预设的目标检测模型对路面图像进行目标检测，得到车辆检测信息、指示牌检测信息、行人检测信息以及信号灯检测信息的步骤可以包括：
将路面图像输入至目标检测模型，通过目标检测模型的特征提取层对路面图像进行特征提取，得到特征图。
通过目标检测模型的特征预测层，对特征图进行特征处理，输出目标物体的检测框以及检测框的坐标；其中，目标物体包括车辆、指示牌、行人以及信号灯中的至少一个。
根据目标物体的检测框以及检测框的坐标，得到车辆检测信息、指示牌检测信息、行人检测信息以及信号灯检测信息。
其中，目标检测模型的特征提取层包括CSPDarknet53、SPP层以及PANet层，目标检测模型的特征预测层包括Yolov的Head部分。路面图像先通过CSPDarknet53网络进行特征提取，然后再通过SPP层和PANet层进一步处理，得到路面图像的特征图。在得到特征图后，通过Yolov3的Head部分对特征图进行特征处理，输出路面图像中预测得到的目标物体的检测框以及检测框的坐标。
在本实施例中，目标物体包括车辆、指示牌、行人以及信号灯中的至少一个。在得到的目标物体的检测框以及检测框的坐标后，即可根据目标物体的检测框以及检测框的坐标，得到车辆检测信息、指示牌检测信息、行人检测信息以及信号灯检测信息。
例如，目标物体包括车辆、指示牌、行人以及信号灯，则车辆检测信息中包括车辆的检测框以及车辆的检测框的坐标，指示牌检测信息包括指示牌的检测框以及指示牌的检测框的坐标，行人检测信息包括行人的检测框以及检测框的坐标，信号灯检测信息包括信号灯的检测框以及信号灯的检测框的坐标。
又例如，目标物体包括车辆以及指示牌，则车辆检测信息中包括车辆的检测框以及车辆的检测框的坐标，指示牌检测信息包括指示牌的检测框以及指示牌的检测框的坐标，而行人检测信息则包括未检测到行人的检测结果，信号灯检测信息则包括未检测信号灯的检测结果。
本实施例所提供的交通事件检测方法，通过yolov4检测模型对路面图像进行目标检测，可以有效提高对目标物体的检测的精度。
为了可以准确分割出路面图像中的道路线，在本实施例中，车道线检测模型可以采用LaneNet分割模型，LaneNet分割模型包括分割分支、矢量分支以及聚类层。如图4所示，LaneNet分割模型的分割分支Segmentation branch与矢量分支Embedding branch共享编码层(encoder层)，其中，分割分支Segmentation branch是常规的语义分割，用于分割车道线和背景，实现的是二分类，LaneNet分割模型的矢量分支Embedding branch用于像素的矢量化，把每个像素用一个高维向量表示，以区分每个像素属于哪条车道线。在完成分割和矢量化后，对矢量化的像素进行聚类，即可得到属于同一车道线的像素。像素的聚类，发生在预测部分，基于Mean-Shift算法实现，将两个分支的结果进行聚类，即可得到分割的结果，输出每条车道线的像素集合。
基于此，在本实施例中，根据预设的车道线检测模型对路面图像进行车道线检测，得到道路线检测信息的步骤可以包括：
将路面图像输入至车道线检测模型，通过车道线检测模型的分割分支，分割得到属于车道线的像素以及属于背景区域的像素；
通过车道线检测模型的矢量分支，对属于车道线的像素进行矢量化处理，得到属于车道线的像素特征向量；
通过车道线检测模型的聚类层对属于车道线的像素特征向量进行聚类，得到属于同一车道线的像素集合；
对不同车道线的像素集合进行拟合，得到每条车道线以及每条车道线的坐标，以得到道路线检测信息。
其中，在得到路面图像后，将路面图像输入至车道线检测模型后，分割分支即对路面图像的像素进行二分类，判断路面图像中的每个像素是属于车道线还是背景，从而分割得到属于车道线的像素以及属于背景区域的像素。然后通过矢量分支，对属于车道线的像素进行矢量化处理，即把每个像素用一个高维向量表示，把图像特征表示为嵌入空间中，特征之间的关系映射在嵌入空间，得到属于车道线的像素特征向量，在得到属于车道线的像素特征向量后，通过聚类层对属于车道线的像素特征向量使用mean shift算法进行聚类，使得簇中心沿着密度上升的方向移动，防止将离群点选入相同的簇中，之后对像素向量进行划分，直到将所有的车道线像素分配给对应的车道，得到属于同一车道线的像素集合。
由于LaneNet的输出是每条车道线的像素集合，为了得到车道线信息，在本实施例中，在得到每条车道线的像素集合后，还需要通过曲线拟合算法对每条车道线的像素集合进行拟合，并进行坐标标注，从而得到每条车道线以及每条车道线的坐标，在得到每条车道线以及每条车道线的坐标后，即得到了道路线检测信息，即在本实施例中，道路线检测信息包括检测得到的每条车道线以及每条车道线的坐标。
本实施例所提供的交通事件检测方法，通过LaneNet分割模型进行车道线检测，可以有效提高道路线的分割准确性。
在通过预设的目标检测模型以及预设的车道线检测模型得到车辆检测信息、指示牌检测信息、行人检测信息、信号灯检测信息以及道路线检测信息等路面信息后，即可结合车辆检测信息、指示牌检测信息、行人检测信息、信号灯检测信息以及道路线检测信息等路面信息对路面的交通事件进行检测。可选的，在本实施例中，根据道路线检测信息以及指示牌检测信息，确定得到路面的事故信息的步骤可以包括：
根据道路线检测信息中的路面的车道线信息，确定得到路面图像中的路面区域。
判断指示牌检测信息中的指示牌检测结果是否包括指示牌信息。
若包括指示牌信息，则根据指示牌检测信息中的指示牌的位置信息，检测指示牌是否位于路面区域。
若位于路面区域，则判定路面存在交通事故。
其中，路面区域表征在道路上车辆行驶的区域。鉴于实际生活中，对于车辆行驶的道路，大多设置有车道线，因此，在得到道路线检测信息后，可根据道路线检测信息中的车道线信息，确定出路面区域，即确定出道路上车辆行驶的区域。
鉴于实际应用中，道路上的车道线有多条，为了准确划分出路面区域，在本实施例中，根据道路线检测信息中的路面的车道线信息，确定得到路面图像中的路面区域的步骤可以包括：
根据车道线信息中的车道线坐标，确定得到相距最远的两条目标车道线。
根据两条目标车道线，确定得到路面区域。
其中，道路线检测信息中的每条车道线具有坐标，在得到道路线检测信息后，即可对车道线信息中的每条车道线的坐标进行分析，确定得到相距最远的两条目标车道线，即找到分割出的位于两边侧(最左边和最右边)的两条目标车道线，然后以这两条目标车道线划分出的中间区域，即为路面区域。例如，如图5所示，图5为一种道路示意图。图5为两车道的道路示意图，图5中具有3条车道线，分别为L1、L2以及L3，其中，L1、L2、L3的横坐标分别为X1、X2、X3，对车道线L1、车道线L2、车道线L3的坐标进行分析，可以得到车道线L1和车道线L3相距最远，车道线L1和车道线L3位于道路的两边侧，车道线L1为道路最左边的车道线，车道线L2为道路最右边的车道线。在确定得到位于两边侧的车道线L1和车道线L3后，则可以车道线L1和车道线L3划分出的中间区域为路面区域，即图5中的a区域。
在本实施例中，通过对交通事件真实场景的分析，出现车辆事故、故障的场景，即出现交通事故的场景，大部分情况下都有放置指示牌(如三角警示牌)，因此，在确定出路面区域后，即可判断指示牌检测信息中的指示牌检测结果是否包括指示牌信息。
若指示牌检测结果包括指示牌信息，即指示牌检测结果中包括指示牌的检测框，当指示牌检测结果中包括指示牌信息时，则表征路面上存在指示牌，则根据指示牌检测信息中的指示牌的位置信息，检测指示牌是否位于路面区域，若位于路面区域，则判定路面存在交通事故，若未位于路面区域，则判定路面未存在交通事故。
在本实施例中，指示牌的位置信息包括指示牌检测框的坐标，根据指示牌检测信息中的指示牌的位置信息，检测指示牌是否位于路面区域的步骤可以包括：
判断指示牌检测框的坐标是否位于两条目标车道线的坐标之间。
若位于两条目标车道线的坐标之间，则判定指示牌位于路面区域，若未位于两条目标车道线的坐标之间，则判定指示牌未位于路面区域。
其中，若目标检测模型检测到路面图像中存在指示牌，则会预测得到指示牌对应的检测框(即指示牌检测框)以及指示牌检测框的坐标。
当在判断指示牌是否位于路面区域时，可以根据指示牌检测框的坐标、两条目标车道线的坐标，判断指示牌检测框的坐标是否位于两条目标车道线的坐标之间，若指示牌检测框的坐标位于两条目标车道线的坐标之间，则判定指示牌位于路面区域，路面存在交通事故，而若指示牌检测框的坐标未位于两条目标车道线的坐标之间，则判定指示牌未位于路面区域，路面未存在交通事故。
需要说明的是，在本实施例中，路面图像中每个物体的坐标均属于同一坐标系。可选的，可以路面图像中的任意一点建立X-Y坐标系，例如，可以路面图像中的中心点建立X-Y坐标系，也可以路面图像中的左上角的顶点建立X-Y坐标系，具体地，本实施例不做限定。在建立坐标系后，目标检测模型输出的各个检测框的坐标与车道线检测模型输出的车道线的坐标则均位于同一坐标，如此，即可以将指示牌检测框、两条目标车道线的坐标进行对比，判断指示检测框的坐标是否位于两条目标车道线的坐标之间。
在本实施例中，通过对交通事件真实场景的分析，出现车辆事故、故障的场景，即出现交通事故的场景，大部分情况下都有放置指示牌(如三角警示牌)，而少部分未存在指示牌的场景中却存在交通事故处理人员，如交警、医护人员等等。基于此，在本实施例中，若判断得到指示牌检测信息中的指示牌检测结果未包括指示牌信息后，则还需要根据行人检测信息以及信号灯检测信息，进一步分析路面是否存在交通事件。
因此，在本实施例中，在判断得到指示牌检测结果未包括指示牌信息后，本实施例提供的交通事件检测方法还可以包括以下步骤：
对行人检测信息进行判断和分析，确定是否存在目标行人。
若存在目标行人，则根据车辆检测信息以及信号灯检测信息，检测路面是否发生拥堵，若未发生拥堵，则判定路面存在交通事故。
若未存在目标行人，则判定路面未发生交通事故。
其中，在得到行人检测信息后，对行人检测信息进行分析，判断行人检测信息是否包括检测到行人的检测结果，若未包括检测到行人的检测结果，同时，指示牌检测结果中也未包括指示牌信息，则判定路面未发生交通事故。
而若判断得到行人检测信息中包括检测到行人的检测结果，则需要对行人检测信息中包括的行人进行分析，判断是否为目标行人，即判断行人检测信息中是否存在目标行人。
在本实施例中，目标行人可以是交通事故处理人员，如交警。若行人检测信息未存在目标行人，且指示牌检测信息中也未包括存在指示牌的检测结果，则判定路面未发生交通事故。
由于在实际应用中，道路中出现拥堵时，也会存在交警在疏通车辆拥堵情况，因此，在本实施例中，当在判定得到行人检测信息中存在目标行人时，还需根据车辆检测信息以及信号灯检测信息，检测路面是否发生拥堵，若未发生拥堵，才可以判定路面存在交通事故，若路面发生拥堵，即表示该目标行人在处理拥堵情况，路面未存在交通事故。
在本实施例中，可以对目标检测模型进行训练，使得目标检测模型可以直接输出是否存在目标行人的检测结果。
在对目标检测模型进行训练时，可以对样本集中的目标行人进行标注，将标注有目标行人的样本集输入至目标检测模型中，对目标检测模型进行训练，使目标检测模型对目标行人的特征进行学习，如此，可以让训练得到的目标检测模型用于检测目标行人的能力，进而当路面图像中存在目标行人时，将路面图像输入至目标检测模型后，目标检测模型可以直接输出目标行人的检测框。
本实施例所提供的交通事件检测方法，利用目标检测模型以及车道线检测模型，提取路面图像中的车辆检测信息、道路线检测信息、指示牌检测信息、行人检测信息以及信号灯检测信息，根据车辆检测信息、道路线检测信息、指示牌检测信息、行人检测信息以及信号灯检测信息，对路面的交通事件进行检测，可以有效检测出路面上发生的交通事故，如车辆故障以及车辆事故等，准确率较高。
鉴于实际道路交通还会发生交通拥堵的交通事件，为了能准确识别出路面是否发生交通拥堵，在本实施例中，可以根据车辆检测信息检测路面是否发生拥堵。
可选的，根据车辆检测信息，确定得到路面的拥堵信息的步骤可以包括：
对车辆检测信息中包括的车辆检测框进行分析，得到目标检测框；其中，目标检测框为最靠近路面图像中心线且面积最大的车辆检测框。
检测目标检测框与路面图像的面积比值是否大于第一预设阈值。
若目标检测框与路面图像的面积比值未大于所述第一预设阈值，则判定路面未发生拥堵。
若目标检测框与路面图像的面积比值大于第一预设阈值，则获取车辆的速度信息，根据信号灯检测信息以及速度信息，检测路面是否发生拥堵。
其中，采集得到路面图像中可能存在多个车辆，为了能准确检测出路面是否发生拥堵，本实施例选取同一车道的车辆进行评估，即选取当前车辆以及位于该当前车辆正前方的车辆评估路面是否发生拥堵。因此，在本实施例中，在采集得到路面图像，得到路面图像中的车辆检测信息后，对车辆检测信息中的车辆检测框进行分析，查找最靠近路面图像中心线且面积最大的车辆检测框，并将最靠近路面图像中心线且面积最大的车辆检测框作为目标检测框。
其中，针对车辆检测信息中的每个车辆检测框，若该车辆检测框最靠近路面图像中心线且该车辆检测框的面积最大，则表示该车辆检测框对应的车辆位于当前车辆的正前方，因此，将该车辆检测框作为目标检测框。
在得到目标检测框后，比较目标检测框的面积与路面图像的面积，判断目标检测框与路面图像的面积比值是否大于第一预设阈值，若目标检测框与路面图像的面积比值大于第一预设阈值，则表示目标检测框对应的车辆与当前的车辆的距离过近，当前路面可能存在拥堵情况，需进一步分析。而当目标检测框与路面图像的面积比值未大于第一预设阈值，则表示目标检测框对应的车辆与当前的车辆的距离过远，当前路面未存在拥堵情况。
可选的，第一预设阈值可以根据实际情况而设定，本实施例不做具体限定。可选的，在本实施例中，第一预设阈值可以为0.05，当目标检测框与路面图像的面积比值大于0.05，则表示目标检测框对应的车辆与当前的车辆的距离过近，当前路面可能存在拥堵情况，需进一步分析。当目标检测框与路面图像的面积比值未大于0.05，则表示目标检测框对应的车辆与当前的车辆的距离过远，当前路面未存在拥堵情况。
在本实施例中，当目标检测框与路面图像的面积比值大于第一预设阈值时，可以获取车辆的速度信息，根据信号灯检测信息以及速度信息，进一步检测路面是否发生拥堵。
在本实施例中，根据信号灯检测信息以及速度信息，检测路面是否发生拥堵的步骤可以包括：
根据速度信息，检测车辆的速度是否大于第二预设阈值。
若车辆的速度大于第二预设阈值，则判定路面未发生拥堵。
若车辆的速度未大于第二预设阈值，则对信号灯检测信息中包括的信号灯信息进行分析，检测信号灯信息是否与目标信息进行匹配。
若信号灯信息与目标信息匹配，则判定路面未发生拥堵。
若信号灯信息未与目标信息匹配，则判定路面发生拥堵。
其中，当目标检测框与路面图像的面积比值大于第一预设阈值时，获取车辆的速度信息，根据车辆的速度信息检测路面是否发生拥堵情况。
在本实施例中，车辆的速度信息可以随路面图像上传到电子设备。车辆上配置有采集车辆速度的传感器，当获取到车辆的速度信息后，便可以和路面图像上传到电子设备。
在获取到车辆的速度信息后，便可以判断车辆的速度是否大于第二预设阈值，若车辆的速度大于第二预设阈值，则表示车辆的车速正常，处于正常的行驶过程中，路面未发生拥堵情况。若车辆的速度未大于第二预设阈值，则表示车辆的车速过低，处于低速的行驶过程中，路面可能存在拥堵情况。
在本实施例中，第二预设阈值可以根据实际情况而设定，本实施例不做具体限定。可选的，在本实施例中，第二预设阈值可以为5km/h，当车辆的速度大于5km/h，则表示车辆的车速正常，处于正常的行驶过程中，路面未发生拥堵情况。若车辆的速度未大于5km/h，则表示车辆的车速过低，处于低速的行驶过程中，路面可能存在拥堵情况。
当车辆的速度未大于第二预设阈值时，还有可能是因为信号灯变化情况，车辆暂时停止行驶，因此，当车辆的速度未大于第二预设阈值时，则对信号灯检测信息中包括的信号灯信息进行分析，判断信号灯信息是否与目标信息进行匹配。
在本实施例中，信号灯可以是红绿灯的检测信息，目标信息可以是红灯信息。在对信号灯检测信息中包括的信号灯信息进行分析后，若得到信号灯信息与目标信息匹配，即得到信号灯信息为红灯信息时，则表示当前车辆在等待红灯，当前车辆的速度未大于第二预设阈值，进而判定当前路面未发生拥堵。若得到信号灯信息未与目标信息匹配，即得到信号灯信息不为红灯信息时，则表示当前车辆未在等待红灯，当前车辆的速度未大于第二预设阈值的情况，并非由等待信号灯造成的，进而可以判定当前路面发生拥堵情况。
需要说明的是，在对信号灯检测信息进行分析后，若信号灯检测信息中包括未检测到信号灯的检测检测结果，则表示车辆的速度未大于第二预设阈值的情况，并非由等待信号灯造成的，进而可以判定当前路面发生拥堵情况。
本实施例提供的交通事件检测方法，通过车辆检测信息、信号灯检测信息以及速度信息综合判断当前路面是否发生拥堵，可以有效检测出路面上发生的拥堵情况，准确率较高。
在一种可选的实施方式中，当在检测出路面发生交通事故以及在检测出路面发生拥堵后，可以将检测出的交通事故以及拥堵情况的检测结果进行上报，以便于后续交通部门根据检测结果进行交通管控，以减少安全隐患。
本实施例提供的交通事件检测方法，通过对交通事件实际场景的分析，在获取车辆行驶时的路面图像后，对路面图像进行特征提取，得到道路场景中与交通事件相关的车辆检测信息、道路线检测信息、指示牌检测信息、行人检测信息以及信号灯检测信息，通过结合车辆检测信息、道路线检测信息、指示牌检测信息、行人检测信息以及信号灯检测信息对路面的交通事件进行检测，可以有效提高交通事件的检测准确率。其中，通过用人工筛选的真实发生的交通事件做测试，对交通事故，即对车辆事故，故障的召回率为80.65％，对拥堵场景的召回率达到98％。
本实施例提供的交通事件检测方法，通过实时回传的数据，可以有效识别出当前道路上正在发送的事件以及位置信息，且准确性高。
基于同一发明构思，请参阅图6，本实施例提高一种交通事件检测装置10，应用于图1所示的电子设备，如图6所示，本实施例所提供的交通事件检测装置10包括图像获取模块11、图像分析模块12以及事件检测模块13。
图像获取模块11，用于获取车辆行驶时的路面图像。
图像分析模块12，用于对路面图像进行特征提取，得到路面信息；其中，路面信息包括车辆检测信息、道路线检测信息以及指示牌检测信息，车辆检测信息包括车辆检测框，道路线检测信息包括路面的车道线信息，指示牌检测信息包括指示牌检测结果以及指示牌的位置信息。
事件检测模块13，用于根据车辆检测信息，确定得到路面的拥堵信息，根据道路线检测信息以及指示牌检测信息，确定得到路面的事故信息；根据拥堵信息以及事故信息，得到路面的交通事件检测结果。
在可选的实施方式中，事件检测模块13用于：
根据道路线检测信息中的路面的车道线信息，确定得到路面图像中的路面区域。
判断指示牌检测信息中的指示牌检测结果是否包括指示牌信息。
若包括存在指示牌，则根据指示牌检测信息中指示牌的位置信息，检测指示牌是否位于路面区域。
若位于路面区域，则判定路面存在交通事故。
在可选的实施方式中，事件检测模块13还用于：
若未包括指示牌信息，对行人检测信息进行判断和分析，确定是否存在目标行人。
若存在目标行人，则根据车辆检测信息以及信号灯检测信息，检测路面是否发生拥堵，若未发生拥堵，则判定路面存在交通事故。
若未存在目标行人，则判定路面未发生交通事故。
在可选的实施方式中，事件检测模块13用于：
根据车道线信息中的车道线的坐标，确定得到相距最远的两条目标车道线。
根据两条目标车道线，确定得到路面区域。
指示牌的位置信息包括所述指示牌检测框的坐标，事件检测模块13根据指示牌检测信息中指示牌的位置信息，检测指示牌是否位于路面区域，包括：
判断指示牌检测框的坐标是否位于两条目标车道线的坐标之间。
若位于，判定指示牌位于路面区域。
在可选的实施方式中，事件检测模块13用于：
对车辆检测信息中包括的车辆检测框进行分析，得到目标检测框；其中，目标检测框为最靠近路面图像中心线且面积最大的车辆检测框。
检测目标检测框与路面图像的面积比值是否大于第一预设阈值。
若目标检测框与路面图像的面积比值未大于第一预设阈值，则判定路面未发生拥堵。
若目标检测框与路面图像的面积比值大于第一预设阈值，则获取车辆的速度信息，根据信号灯检测信息以及速度信息，检测路面是否发生拥堵。
在可选的实施方式中，事件检测模块13用于：
根据速度信息，检测车辆的速度是否大于第二预设阈值。
若车辆的速度大于所述第二预设阈值，则判定路面未发生拥堵。
若车辆的速度未大于第二预设阈值，则对信号灯检测信息中包括的信号灯信息进行分析，检测信号灯信息是否与目标信息进行匹配。
若信号灯信息与目标信息匹配，则判定路面未发生拥堵。
若信号灯信息未与目标信息匹配，则判定路面发生拥堵。
在可选的实施方式中，图像分析模块12用于：
根据预设的目标检测模型对路面图像进行目标检测，得到车辆检测信息、指示牌检测信息、行人检测信息以及信号灯检测信息。
根据预设的车道线检测模型对路面图像进行车道线检测，得到道路线检测信息。
在可选的实施方式中，图像分析模块12用于：
将路面图像输入至所述目标检测模型，通过目标检测模型的特征提取层对路面图像进行特征提取，得到特征图。
通过目标检测模型的特征预测层，对特征图进行特征处理，输出目标物体的检测框以及检测框的坐标；其中，目标物体包括车辆、指示牌、行人以及信号灯中的至少一个。
根据目标物体的检测框以及检测框的坐标，得到车辆检测信息、指示牌检测信息、行人检测信息以及信号灯检测信息。
在可选的实施方式中，图像分析模块12用于：
将路面图像输入至车道线检测模型，通过车道线检测模型的分割分支，分割得到属于车道线的像素以及属于背景区域的像素。
通过车道线检测模型的矢量分支，对属于车道线的像素进行矢量化处理，得到属于车道线的像素特征向量。
通过车道线检测模型的聚类层对属于车道线的像素特征向量进行聚类，得到属于同一车道线的像素集合。
对不同车道线的像素集合进行拟合，得到每条车道线以及每条车道线的坐标，以得到道路线检测信息。
本实施例所提供的交通事件检测装置，通过对交通事件实际场景的分析，在获取车辆行驶时的路面图像后，对路面图像进行特征提取，得到道路场景中与交通事件相关的车辆检测信息、道路线检测信息、指示牌检测信息、行人检测信息以及信号灯检测信息，通过结合车辆检测信息、道路线检测信息、指示牌检测信息、行人检测信息以及信号灯检测信息对路面的交通事件进行检测，可以有效提高交通事件的检测准确率。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的交通事件检测装置10的具体工作过程，可以参考前述方法中的对应过程，在此不再过多赘述。
在上述基础上，本实施例还提供一种可读存储介质，所述可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现前述任一实施方式所述的交通事件检测方法。
其中，可读存储介质可以是，但不限于，U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的可读存储介质的具体工作过程，可以参考前述方法中的对应过程，在此不再过多赘述。
综上，本发明实施例提供的交通事件检测方法、装置、电子设备和可读存储介质，通过对交通事件实际场景的分析，在获取车辆行驶时的路面图像后，对路面图像进行特征提取，得到道路场景中与交通事件相关的车辆检测信息、道路线检测信息、指示牌检测信息、行人检测信息以及信号灯检测信息，结合车辆检测信息、道路线检测信息、指示牌检测信息、行人检测信息以及信号灯检测信息对路面的拥堵以及事故等交通事件进行检测，可以有效提高交通事件的检测准确率。
在本发明实施例所提供的几个实施方式中，应该理解到，所揭露的装置和方法，也可以通过其它的方式实现。以上所描述的装置和方法实施方式仅仅是示意性的，例如，附图中的流程图和框图显示了根据本发明的多个实施方式的装置、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，所述模块、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方式中，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，两个连续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动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。
另外，在本发明实施例中的各功能模块可以集成在一起形成一个独立的部分，也可以是各个模块单独存在，也可以两个或两个以上模块集成形成一个独立的部分。
所述功能如果以软件功能模块的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，电子设备，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
以上所述，仅为本发明的各种实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应所述以权利要求的保护范围为准。
Claims (12)
1.一种交通事件检测方法，其特征在于，所述方法包括：
获取车辆行驶时的路面图像；
对所述路面图像进行特征提取，得到路面信息；其中，所述路面信息包括车辆检测信息、道路线检测信息以及指示牌检测信息，所述车辆检测信息包括车辆检测框，所述道路线检测信息包括路面的车道线信息，所述指示牌检测信息包括指示牌检测结果以及指示牌的位置信息；
根据所述车辆检测信息，确定得到路面的拥堵信息，以及根据所述道路线检测信息以及所述指示牌检测信息，确定得到所述路面的事故信息；
根据所述拥堵信息以及所述事故信息，得到所述路面的交通事件检测结果。
2.根据权利要求1所述的交通事件检测方法，其特征在于，所述根据所述道路线检测信息以及所述指示牌检测信息，确定得到所述路面的事故信息，包括：
根据所述道路线检测信息中的路面的车道线信息，确定得到所述路面图像中的路面区域；
判断所述指示牌检测信息中的指示牌检测结果是否包括指示牌信息；
若包括所述指示牌信息，则根据所述指示牌检测信息中的指示牌的位置信息，检测所述指示牌是否位于所述路面区域；
若位于所述路面区域，则判定所述路面存在交通事故。
3.根据权利要求2所述的交通事件检测方法，其特征在于，所述路面信息还包括行人检测信息以及信号灯检测信息，所述判断所述指示牌检测信息中的指示牌检测结果是否包括指示牌信息之后，所述方法还包括：
若未包括所述指示牌信息，对所述行人检测信息进行判断和分析，确定是否存在目标行人；
若存在所述目标行人，则根据所述车辆检测信息以及所述信号灯检测信息，检测所述路面是否发生拥堵，若未发生拥堵，则判定所述路面存在交通事故；
若未存在所述目标行人，则判定所述路面未发生交通事故。
4.根据权利要求2所述的交通事件检测方法，其特征在于，所述根据所述道路线检测信息中的路面的车道线信息，确定得到所述路面图像中的路面区域，包括：
根据所述车道线信息中的车道线坐标，确定得到相距最远的两条目标车道线；
根据所述两条目标车道线，确定得到所述路面区域；
所述指示牌的位置信息包括指示牌检测框的坐标，所述根据所述指示牌检测信息中的指示牌的位置信息，检测所述指示牌是否位于所述路面区域，包括：
判断所述指示牌检测框的坐标是否位于所述两条目标车道线的坐标之间；
若位于，判定所述指示牌位于所述路面区域。
5.根据权利要求1-4任意一项所述的交通事件检测方法，其特征在于，所述路面信息还包括信号灯检测信息；所述根据所述车辆检测信息，确定得到路面的拥堵信息，包括：
对所述车辆检测信息中包括的车辆检测框进行分析，得到目标检测框；其中，所述目标检测框为最靠近所述路面图像中心线且面积最大的车辆检测框；
检测所述目标检测框与所述路面图像的面积比值是否大于第一预设阈值；
若所述目标检测框与所述路面图像的面积比值未大于所述第一预设阈值，则判定所述路面未发生拥堵；
若所述目标检测框与所述路面图像的面积比值大于所述第一预设阈值，则获取所述车辆的速度信息，根据所述信号灯检测信息以及所述速度信息，检测所述路面是否发生拥堵。
6.根据权利要求5所述的交通事件检测方法，其特征在于，所述根据所述信号灯检测信息以及所述速度信息，检测所述路面是否发生拥堵，包括：
根据所述速度信息，检测所述车辆的速度是否大于第二预设阈值；
若所述车辆的速度大于所述第二预设阈值，则判定所述路面未发生拥堵；
若所述车辆的速度未大于所述第二预设阈值，则对所述信号灯检测信息中包括的信号灯信息进行分析，检测所述信号灯信息是否与目标信息进行匹配；
若所述信号灯信息与所述目标信息匹配，则判定所述路面未发生拥堵；
若所述信号灯信息未与所述目标信息匹配，则判定所述路面发生拥堵。
7.根据权利要求1所述的交通事件检测方法，其特征在于，所述对所述路面图像进行特征提取，得到路面信息，包括：
根据预设的目标检测模型对所述路面图像进行目标检测，得到所述车辆检测信息、指示牌检测信息、行人检测信息以及信号灯检测信息；
根据预设的车道线检测模型对所述路面图像进行车道线检测，得到所述道路线检测信息。
8.根据权利要求7所述的交通事件检测方法，其特征在于，所述根据预设的目标检测模型对所述路面图像进行目标检测，得到所述车辆检测信息、指示牌检测信息、行人检测信息以及信号灯检测信息，包括：
将所述路面图像输入至所述目标检测模型，通过所述目标检测模型的特征提取层对所述路面图像进行特征提取，得到特征图；
通过所述目标检测模型的特征预测层，对所述特征图进行特征处理，输出目标物体的检测框以及检测框的坐标；其中，所述目标物体包括车辆、指示牌、行人以及信号灯中的至少一个；
根据所述目标物体的检测框以及检测框的坐标，得到所述车辆检测信息、指示牌检测信息、行人检测信息以及信号灯检测信息。
9.根据权利要求7所述的交通事件检测方法，其特征在于，所述根据预设的车道线检测模型对所述路面图像进行车道线检测，得到所述道路线检测信息，包括：
将所述路面图像输入至所述车道线检测模型，通过所述车道线检测模型的分割分支，分割得到属于车道线的像素以及属于背景区域的像素；
通过所述车道线检测模型的矢量分支，对属于车道线的像素进行矢量化处理，得到属于车道线的像素特征向量；
通过所述车道线检测模型的聚类层对所述属于车道线的像素特征向量进行聚类，得到属于同一车道线的像素集合；
对不同车道线的像素集合进行拟合，得到每条车道线以及每条车道线的坐标，以得到道路线检测信息。
10.一种交通事件检测装置，其特征在于，包括：
图像获取模块，用于获取车辆行驶时的路面图像；
图像分析模块，用于对所述路面图像进行特征提取，得到路面信息；其中，所述路面信息包括车辆检测信息、道路线检测信息以及指示牌检测信息，所述车辆检测信息包括车辆检测框，所述道路线检测信息包括路面的车道线信息，所述指示牌检测信息包括指示牌检测结果以及指示牌的位置信息；
事件检测模块，用于根据所述车辆检测信息，确定得到路面的拥堵信息，根据所述道路线检测信息以及所述指示牌检测信息，确定得到所述路面的事故信息，并根据所述拥堵信息以及所述事故信息，得到所述路面的交通事件检测结果。
11.一种电子设备，其特征在于，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权利要求1至9任一项所述的交通事件检测方法。
12.一种可读存储介质，其特征在于，所述可读存储介质包括计算机程序，所述计算机程序运行时控制所述可读存储介质所在电子设备执行权利要求1至9任一项所述的交通事件检测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111039303.0A CN113807220A (zh) | 2021-09-06 | 2021-09-06 | 交通事件检测方法、装置、电子设备和可读存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111039303.0A CN113807220A (zh) | 2021-09-06 | 2021-09-06 | 交通事件检测方法、装置、电子设备和可读存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113807220A true CN113807220A (zh) | 2021-12-17 |
Family
ID=78940457
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111039303.0A Pending CN113807220A (zh) | 2021-09-06 | 2021-09-06 | 交通事件检测方法、装置、电子设备和可读存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113807220A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115497293A (zh) * | 2022-09-21 | 2022-12-20 | 浙江大学 | 一种动态交通事故隐患点识别方法 |
| CN115512312A (zh) * | 2022-09-15 | 2022-12-23 | 北京四维远见信息技术有限公司 | 一种相机交替曝光的对地拍照方法、装置、设备及介质 |
| CN116682087A (zh) * | 2023-07-28 | 2023-09-01 | 安徽中科星驰自动驾驶技术有限公司 | 基于空间池化网络车道检测的自适应辅助驾驶方法 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104217216A (zh) * | 2014-09-01 | 2014-12-17 | 华为技术有限公司 | 生成检测模型的方法和设备、用于检测目标的方法和设备 |
| CN105513354A (zh) * | 2015-12-22 | 2016-04-20 | 电子科技大学 | 基于视频的城市道路交通拥堵检测系统 |
| CN108550259A (zh) * | 2018-04-19 | 2018-09-18 | 何澜 | 道路拥堵判断方法、终端设备及计算机可读存储介质 |
| US20200166941A1 (en) * | 2018-11-26 | 2020-05-28 | GM Global Technology Operations LLC | Vehicle crowd sensing system and method |
| CN111402612A (zh) * | 2019-01-03 | 2020-07-10 | 北京嘀嘀无限科技发展有限公司 | 一种交通事件通知方法及装置 |
| CN112364910A (zh) * | 2020-11-05 | 2021-02-12 | 长安大学 | 基于峰值聚类高速公路收费数据异常事件检测方法及装置 |
| CN112926575A (zh) * | 2021-01-22 | 2021-06-08 | 北京嘀嘀无限科技发展有限公司 | 交通事故识别方法、装置、电子设备和介质 |
| CN113222916A (zh) * | 2021-04-28 | 2021-08-06 | 北京百度网讯科技有限公司 | 采用目标检测模型检测图像的方法、装置、设备和介质 |
-
2021
- 2021-09-06 CN CN202111039303.0A patent/CN113807220A/zh active Pending
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104217216A (zh) * | 2014-09-01 | 2014-12-17 | 华为技术有限公司 | 生成检测模型的方法和设备、用于检测目标的方法和设备 |
| CN105513354A (zh) * | 2015-12-22 | 2016-04-20 | 电子科技大学 | 基于视频的城市道路交通拥堵检测系统 |
| CN108550259A (zh) * | 2018-04-19 | 2018-09-18 | 何澜 | 道路拥堵判断方法、终端设备及计算机可读存储介质 |
| US20200166941A1 (en) * | 2018-11-26 | 2020-05-28 | GM Global Technology Operations LLC | Vehicle crowd sensing system and method |
| CN111402612A (zh) * | 2019-01-03 | 2020-07-10 | 北京嘀嘀无限科技发展有限公司 | 一种交通事件通知方法及装置 |
| CN112364910A (zh) * | 2020-11-05 | 2021-02-12 | 长安大学 | 基于峰值聚类高速公路收费数据异常事件检测方法及装置 |
| CN112926575A (zh) * | 2021-01-22 | 2021-06-08 | 北京嘀嘀无限科技发展有限公司 | 交通事故识别方法、装置、电子设备和介质 |
| CN113222916A (zh) * | 2021-04-28 | 2021-08-06 | 北京百度网讯科技有限公司 | 采用目标检测模型检测图像的方法、装置、设备和介质 |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115512312A (zh) * | 2022-09-15 | 2022-12-23 | 北京四维远见信息技术有限公司 | 一种相机交替曝光的对地拍照方法、装置、设备及介质 |
| CN115497293A (zh) * | 2022-09-21 | 2022-12-20 | 浙江大学 | 一种动态交通事故隐患点识别方法 |
| CN115497293B (zh) * | 2022-09-21 | 2024-05-14 | 浙江大学 | 一种动态交通事故隐患点识别方法 |
| CN116682087A (zh) * | 2023-07-28 | 2023-09-01 | 安徽中科星驰自动驾驶技术有限公司 | 基于空间池化网络车道检测的自适应辅助驾驶方法 |
| CN116682087B (zh) * | 2023-07-28 | 2023-10-31 | 安徽中科星驰自动驾驶技术有限公司 | 基于空间池化网络车道检测的自适应辅助驾驶方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11840239B2 (en) | Multiple exposure event determination | |
| CN113807220A (zh) | 交通事件检测方法、装置、电子设备和可读存储介质 | |
| US10032085B2 (en) | Method and system to identify traffic lights by an autonomous vehicle | |
| KR101748121B1 (ko) | 객체 인지 기반의 실시간 영상 검지 시스템 및 그 방법 | |
| US20180124319A1 (en) | Method and apparatus for real-time traffic information provision | |
| CN111626170B (zh) | 一种铁路边坡落石侵限检测的图像识别方法 | |
| CN111415533B (zh) | 弯道安全预警监控方法、装置以及系统 | |
| CN107909012B (zh) | 一种基于视差图的实时车辆跟踪检测方法与装置 | |
| CN104616502A (zh) | 基于组合式车路视频网络的车牌识别与定位系统 | |
| CN112666553B (zh) | 一种基于毫米波雷达的道路积水识别方法及设备 | |
| CN105956568A (zh) | 一种基于监控目标识别的异常行为检测预警方法 | |
| CN112818792A (zh) | 车道线检测方法、装置、电子设备及计算机存储介质 | |
| CN104268548A (zh) | 一种基于道路图像的积雪检测方法 | |
| CN115782905A (zh) | 一种自动驾驶车辆驾驶安全度量化系统 | |
| KR20160081190A (ko) | 카메라를 이용한 보행자 인식 방법 및 그 기록 매체 | |
| KR20110117576A (ko) | 영상기반의 사고 검지 시스템 및 방법 | |
| CN116631187B (zh) | 一种案件现场勘查信息智能采集分析系统 | |
| CN115294774B (zh) | 基于深度学习的非机动车道路违停检测方法及装置 | |
| Das et al. | Why slammed the brakes on? auto-annotating driving behaviors from adaptive causal modeling | |
| CN110569732A (zh) | 一种基于驾驶员监控系统的安全带检测方法以及相应的设备 | |
| CN113128563B (zh) | 一种高速工程车辆检测方法、装置、设备及存储介质 | |
| CN104112144A (zh) | 人车识别方法及装置 | |
| Koloushani et al. | Introducing Automatic Control Method of Safety Standards in Horizontal Curves by Processing Images Taken by Mobile Mapping System. | |
| CN112861701A (zh) | 违章停车识别方法、装置、电子设备以及计算机可读介质 | |
| KR20090074927A (ko) | 차량검출방법 |
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 |