CN114078319A - 一种检测交通事故隐患地点的方法及装置 - Google Patents
一种检测交通事故隐患地点的方法及装置 Download PDFInfo
- Publication number
- CN114078319A CN114078319A CN202010803223.7A CN202010803223A CN114078319A CN 114078319 A CN114078319 A CN 114078319A CN 202010803223 A CN202010803223 A CN 202010803223A CN 114078319 A CN114078319 A CN 114078319A
- Authority
- CN
- China
- Prior art keywords
- conflict
- traffic
- target
- hidden danger
- traffic accident
- 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
Images
Classifications
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
- G08G1/0125—Traffic data processing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/20—Analysis of motion
- G06T7/246—Analysis of motion using feature-based methods, e.g. the tracking of corners or segments
-
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10016—Video; Image sequence
-
- 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
- G06T2207/30241—Trajectory
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Theoretical Computer Science (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Traffic Control Systems (AREA)
Abstract
本申请公开了一种检测交通事故隐患地点的方法,涉及智慧交通领域。该方法包括:根据监控视频确定预设时长内的多个目标的轨迹。进一步地,利用行为冲突检测模型,分析多个目标的轨迹,得到目标行为冲突类型,确定交通道路上目标行为冲突类型的发生量,根据目标行为冲突类型的发生量和交通道路的冲突阈值确定交通道路上的交通事故隐患地点。例如,若目标行为冲突类型的发生量大于或等于冲突阈值,确定交通道路为交通事故隐患地点。从而助力交通管理员及时消除交通事故隐患地点,减少交通事故发生率,提高了交通道路安全。
Description
技术领域
本申请涉及智慧交通领域,尤其涉及一种检测交通事故隐患地点的方法及装置。
背景技术
随着城市的快速发展以及人民生活水平的日益提高,机动车辆保有量日益增长,道路交通逐渐趋于密集化和复杂化,大大增加了交通事故的发生率。为了降低交通事故的发生率,通常交通管理者通过统计已发生的交通事故,排查交通事故的多发路段,预警驾驶员或行人此处为事故多发地。如此,交通管理者仅通过警示事故多发地,交通事故的发生率仍然较高。因此,如何确定交通事故的隐患地点,预防发生交通事故是一个亟待解决的问题。
发明内容
本申请提供了一种检测交通事故隐患地点的方法,该方法可以及时地检测交通道路上的交通事故隐患地点,大大降低了交通事故的发生概率,提高了交通道路安全。
第一方面,本申请提供了一种交通事故隐患地点的方法,该方法由检测装置执行。该方法包括:接收设置于交通道路的监控设备拍摄的监控视频,该监控视频记录了交通道路上的目标;接收视频数据之后,根据监控视频确定预设时长内的多个目标的轨迹,目标的轨迹包括动态目标的运行轨迹和静态目标的轨迹。进一步地,利用行为冲突检测模型,分析多个目标的轨迹,得到目标行为冲突类型,确定交通道路上目标行为冲突类型的发生量,根据目标行为冲突类型的发生量和交通道路的冲突阈值确定交通道路上的交通事故隐患地点。例如,若目标行为冲突类型的发生量大于或等于冲突阈值,确定交通道路为交通事故隐患地点;若目标行为冲突类型的发生量小于冲突阈值,确定交通道路不是交通事故隐患地点。
上述方法通过对设置于交通道路上的监控设备拍摄的监控视频进行处理和分析,得到交通道路上目标的轨迹,采用行为冲突检测模型分析目标的轨迹挖掘目标行为冲突类型,结合交通道路的冲突阈值确定交通道路上的交通事故隐患地点。从而减少了交通管理员的人工排查的工作量,弥补交通事故隐患预防措施的缺口,助力交通管理员及时消除交通事故隐患地点,减少交通事故发生率,提高了交通道路安全。
可理解的,交通事故隐患点是指尚未发生过交通事故或发生过少量交通事故,但由于交通组织设计缺陷或交通场景复杂,导致交通道路上的目标在这些地方高频率发生大量危险行驶行为(如行为冲突),带来潜在交通事故的点(段)。例如,交通道路上机动车、非机动车和行人混行的地方。又如,交通道路的附件有学校、住宅区、行人较多的地方。又如,交通道路上有施工场所的地方。又如,交通信号灯设计不合理的地方。
在一种可能的实现方式中,在根据目标行为冲突类型的发生量和交通道路的冲突阈值确定交通道路上的交通事故隐患地点之后,方法还包括:根据隐患优先级推送交通事故隐患地点的信息,交通事故隐患地点的信息包括以下信息中的一种或多种:隐患优先级、交通事故隐患地点的位置信息、发生时段、目标行为冲突类型、目标行为冲突的方向。其中,目标行为冲突的方向可以利用行为冲突检测模型分析多个目标的轨迹得到。
及时将交通事故隐患地点的信息推送给交通管理系统,使交通管理员根据交通事故隐患地点的信息制定相应的预防整治方案,助力交通管理员从根源上、快速整治交通事故隐患地点,及时消除交通事故隐患地点,减少交通事故发生率,提高了交通道路安全。
在另一种可能的实现方式中,还可以分析交通事故隐患地点的信息,生成交通事故隐患地点的整改措施;推送交通事故隐患地点的整改措施。
交通事故隐患地点的整改措施辅助交通管理员制定相应的预防整治方案,助力交通管理员从根源上、快速整治交通事故隐患地点,及时消除交通事故隐患地点,减少交通事故发生率,提高了交通道路安全。
在另一种可能的实现方式中,根据目标行为冲突类型的发生量和交通道路的冲突阈值确定交通道路上的交通事故隐患地点,包括:根据目标行为冲突类型的发生量和冲突阈值确定冲突指数;根据冲突指数和冲突指数阈值,确定目标行为冲突类型的发生量的等级;根据目标行为冲突类型的发生量的等级确定交通道路上的交通事故隐患地点。通过根据目标行为冲突类型的发生量和冲突阈值确定冲突指数,结合冲突指数阈值获取目标行为冲突类型的发生量的等级,来提高确定交通道路上的交通事故隐患地点的准确性。
在另一种可能的实现方式中,在根据目标行为冲突类型的发生量的等级确定交通道路上的交通事故隐患地点之后,方法还包括:根据交通事故隐患地点的信息中的至少一个信息和冲突指数确定隐患优先级,交通事故隐患地点的信息包括以下信息中的一种或多种:隐患优先级、交通事故隐患地点的位置信息、发生时段、目标行为冲突类型、目标行为冲突的方向;根据隐患优先级推送交通事故隐患地点的信息。
在另一种可能的实现方式中,利用行为冲突检测模型,分析多个目标的轨迹,得到目标行为冲突类型,包括:提取多个目标的轨迹中的轨迹特征,轨迹特征包括以下特征中的一种或多种:目标的运动速度、目标的姿态、目标的加速度;根据轨迹特征进行分类处理,得到目标行为冲突类型。其中,行为冲突检测模型是根据样本数据预先训练得到的。通过行为冲突检测模型提取多个目标的轨迹中的轨迹特征,对轨迹特征进行分类处理,得到尽可能多的目标行为冲突类型,提高了获得交通道路上目标行为冲突的准确性。
第二方面,本申请还提供了一种检测装置,包括:目标检测与跟踪模块,用于根据监控视频确定预设时长内的多个目标的轨迹;冲突检测模块,用于利用行为冲突检测模型,分析多个目标的轨迹,得到目标行为冲突类型;冲突统计模块,用于确定交通道路上目标行为冲突类型的发生量;隐患点确定模块,用于根据目标行为冲突类型的发生量和交通道路的冲突阈值确定交通道路上的交通事故隐患地点。
在一种可能的实现方式中,隐患点确定模块,还用于根据隐患优先级推送交通事故隐患地点的信息,交通事故隐患地点的信息包括以下信息中的一种或多种:隐患优先级、交通事故隐患地点的位置信息、发生时段、目标行为冲突类型、目标行为冲突的方向。
在另一种可能的实现方式中,冲突检测模块,还用于利用行为冲突检测模型,分析多个目标的轨迹,得到目标行为冲突的方向。
在另一种可能的实现方式中,隐患点确定模块,还用于分析交通事故隐患地点的信息,生成交通事故隐患地点的整改措施;并推送交通事故隐患地点的整改措施。
在另一种可能的实现方式中,隐患点确定模块在用于根据目标行为冲突类型的发生量和交通道路的冲突阈值确定交通道路上的交通事故隐患地点时,具体用于:根据目标行为冲突类型的发生量和冲突阈值确定冲突指数;根据冲突指数和冲突指数阈值,确定目标行为冲突类型的发生量的等级;根据目标行为冲突类型的发生量的等级确定交通道路上的交通事故隐患地点。
在另一种可能的实现方式中,隐患点确定模块在用于根据目标行为冲突类型的发生量的等级确定交通道路上的交通事故隐患地点时,具体用于:根据交通事故隐患地点的信息中的至少一个信息和冲突指数确定隐患优先级,交通事故隐患地点的信息包括以下信息中的一种或多种:隐患优先级、交通事故隐患地点的位置信息、发生时段、目标行为冲突类型、目标行为冲突的方向;并根据隐患优先级推送交通事故隐患地点的信息。
在另一种可能的实现方式中,冲突检测模块在用于利用行为冲突检测模型,分析多个目标的轨迹,得到目标行为冲突类型时,具体用于:提取多个目标的轨迹中的轨迹特征,轨迹特征包括以下特征中的一种或多种:目标的运动速度、目标的姿态、目标的加速度;根据轨迹特征进行分类处理,得到目标行为冲突类型。
在另一种可能的实现方式中,行为冲突检测模型是根据样本数据预先训练得到的。
第三方面,本申请提供一种计算设备,该计算设备包括至少一个存储器和至少一个处理器,至少一个存储器用于存储一组计算机指令;当至少一个处理器执行所述一组计算机指令时,该系统执行第一方面或第一方面的任意一种可能的实现方式提供的方法。
第四方面,本申请还提供一种检测系统,该检测系统用于检测交通事故隐患地点,该系统包括:目标检测与跟踪系统,用于接收监控视频,根据监控视频确定预设时长内的多个目标的轨迹,其中,监控视频由设置于交通道路的监控设备拍摄获得。隐患地检测系统,用于根据多个目标的轨迹获取目标行为冲突类型,统计目标行为冲突类型的发生量,根据目标行为冲突类型的发生量和交通道路的冲突阈值确定交通道路上的交通事故隐患地点。
第五方面,本申请提供一种计算机可读存储介质,包括:计算机软件指令;当计算机软件指令在计算设备中运行时,使得计算设备执行如第一方面或第一方面可能的实现方式。该存储介质包括但不限于易失性存储器,例如随机访问存储器,非易失性存储器,例如快闪存储器、硬盘(英文:hard disk drive,缩写:HDD)、固态硬盘(英文:solid statedrive,缩写:SSD)。
第六方面,本申请提供一种计算机程序产品,所述计算机程序产品包括计算机程序代码,在所述计算机程序代码被计算设备执行时,所述计算设备执行前述第一方面或第一方面的任意可能的实现方式中提供的方法。该计算机程序产品可以为一个软件安装包,在需要使用前述第一方面或第一方面的任意可能的实现方式中提供的方法的情况下,可以下载该计算机程序产品并在计算设备上执行该计算机程序产品。
附图说明
图1为本申请实施例提供的一种检测装置的部署示意图;
图2为本申请实施例提供的另一种检测装置的部署示意图;
图3为本申请实施例提供的又一种检测装置的部署示意图;
图4至图9为本申请实施例提供的目标行为冲突类型的示意图;
图10为本申请实施例提供的目标行为冲突的方向示意图;
图11为本申请实施例提供的一种计算设备的结构示意图;
图12为本申请实施例提供的一种训练装置和检测装置的结构示意图;
图13为本申请实施例提供的一种检测交通事故隐患地点的方法的流程图;
图14为本申请实施例提供的一种行为冲突检测模型的工作流程图;
图15为本申请实施例提供的另一种检测交通事故隐患地点的方法的流程图;
图16为本申请实施例提供的另一种检测交通事故隐患地点的方法的流程图;
图17为本申请实施例提供的一种系统的示意图。
具体实施方式
本申请说明书和权利要求书及上述附图中的术语“第一”、“第二”和“第三”等是用于区别不同对象,而不是用于限定特定顺序。
在本申请实施例中,“示例性的”或者“例如”等词用于表示作例子、例证或说明。本申请实施例中被描述为“示例性的”或者“例如”的任何实施例或设计方案不应被解释为比其它实施例或设计方案更优选或更具优势。确切而言,使用“示例性的”或者“例如”等词旨在以具体方式呈现相关概念。
多个”是指两个或两个以上,其它量词与之类似。“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。此外,对于单数形式“a”,“an”和“the”出现的元素(element),除非上下文另有明确规定,否则其不意味着“一个或仅一个”,而是意味着“一个或多于一个”。例如,“adevice”意味着对一个或多个这样的device。再者,至少一个(at least one of).......”意味着后续关联对象中的一个或任意组合,例如“A、B和C中的至少一个”包括A,B,C,AB,AC,BC,或ABC。
下面将结合附图对本申请实施例的实施方式进行详细描述。
本申请提供一种检测交通事故隐患地点的方法,该方法由检测装置执行。用于检测交通事故隐患地点的检测装置的功能可以由软件系统实现、也可以由硬件设备实现、还可以由软件系统和硬件设备结合实现。
在一种可能的设计中,检测装置部署在边缘环境。例如:检测装置是边缘环境中的一个边缘设备或运行在一个或多个边缘设备上的软件装置,所述边缘环境指距离要检测的交通道路较近的数据中心或者边缘设备的集合,边缘环境包括一个或多个边缘设备,边缘设备可以是设置在交通道路路边的具有计算能力的路侧设备。
示例的,如图1所示,检测装置部署在路边的边缘设备120。边缘设备120用于接收来自监控设备110的监控视频,依据监控视频确定预设时长内的多个目标的轨迹,利用行为冲突检测模型分析多个目标的轨迹,得到监控设备110所在交通道路上的目标行为冲突类型。进而,边缘设备120根据目标行为冲突类型的发生量和监控设备110所在交通道路的冲突阈值判断监控设备110所在交通道路是否为交通事故隐患地点。边缘设备120还可以根据隐患优先级向后端系统推送交通事故隐患地点的信息。交通事故隐患地点的信息包括以下信息中的一种或多种:隐患优先级、交通事故隐患地点的位置信息、发生时段、目标行为冲突类型、目标行为冲突的方向。从而助力交通管理员从根源上、快速整治交通事故隐患地点,及时消除交通事故隐患地点,减少交通事故发生率。可选的,边缘设备120还可以分析交通事故隐患地点的信息,生成交通事故隐患地点的整改措施;向后端系统推送交通事故隐患地点的整改措施,辅助交通管理员整治交通事故隐患地点。
监控设备110通过无线方式或有线方式与边缘设备120连接。通常,监控设备110布置在使其视场角能覆盖全部或部分被监视场所的位置。如图1所示,监控设备110可以设置在路口的路杆上。监控设备110用于采集被监视场所内机动车、非机动车和行人等目标的实时监控视频。监控设备110可以包括摄像头、雷达和云台。例如,摄像头可以是可变焦距的摄像头,使摄像头采集距离摄像头更远的、更清楚的图像。云台可以是电动云台130,摄像头与电动云台连接。电动云台根据控制指令带动摄像头进行水平方向和/或垂直方向的转动,从而使摄像头能采集到更大角度和更大面积的视频信息。
边缘设备120可设置在监控设备110所在的路杆上。一个边缘设备120可以连接多个监控设备110。例如,一个路口可以设置一个边缘设备120,边缘设备120连接该路口四个方向的监控设备110。可选的,一个区域可以设置一个边缘设备120,该边缘设备120可以接收来自该区域内的所有监控设备110的监控视频。区域可以由交通管理员自行设置。例如,将至少三个路口设置为一个区域。
可选的,边缘设备120可以将交通事故隐患地点的信息和/或交通事故隐患地点的整改措施发生至交通管理系统。交通管理系统包括控制设备和显示设备。交通管理系统还可以接收来自边缘设备120的监控视频,对监控视频处理后,利用显示设备显示采集到的被监视场所内机动车、非机动车和行人等目标的视频。从而,以便于交通管理员直观地看到目标行为冲突的场景,分析交通事故隐患地点的根本原因。显示设备可以包括多台监视器,例如监视器是具有视频输入功能的电视机。
在另一种可能的设计中,检测装置还可以部署在云环境。云环境是云计算模式下利用基础资源向用户提供云服务的实体。云环境包括云数据中心和云服务平台。所述云数据中心包括云服务提供商拥有的大量基础资源(包括计算资源、存储资源和网络资源)。云数据中心包括的计算资源可以是大量的计算设备(例如服务器)。检测装置可以是云数据中心中用于对交通事故隐患地点进行检测的服务器。检测装置也可以是创建在云数据中心中的用于对交通事故隐患地点进行检测的虚拟机。检测装置还可以是部署在云数据中心中的服务器或者虚拟机上的软件装置,该软件装置用于对交通事故隐患地点进行检测,该软件装置可以分布式地部署在多个服务器上、或者分布式地部署在多个虚拟机上、或者分布式地部署在虚拟机和服务器上。
示例的,如图2所示,检测装置部署在云环境210中,设置于交通道路侧的监控设备220将拍摄到的监控视频发送至云环境210中的检测装置。关于监控设备220的具体解释可以参考上述监控设备110的阐述,不予赘述。检测装置接收来自监控设备220的监控视频,依据监控视频确定预设时长内的多个目标的轨迹,利用行为冲突检测模型分析多个目标的轨迹,得到监控设备220所在交通道路上的目标行为冲突类型。进而,检测装置根据目标行为冲突类型的发生量和监控设备220所在交通道路的冲突阈值判断监控设备220所在交通道路是否为交通事故隐患地点。检测装置还可以根据隐患优先级向交通管理系统推送交通事故隐患地点的信息。可选的,检测装置还可以分析交通事故隐患地点的信息,生成交通事故隐患地点的整改措施;向交通管理系统推送交通事故隐患地点的整改措施。从而助力交通管理员从根源上、快速整治交通事故隐患地点,及时消除交通事故隐患地点,减少交通事故发生率。
检测装置可以由云服务提供商部署在云数据中心,云服务提供商将检测装置提供的功能抽象成为一项云服务,云服务平台供用户咨询和购买这项云服务。用户购买这项云服务后即可使用云数据中心的该检测装置提供的检测交通事故隐患地点的服务。检测装置还可以由租户部署在租户租用的云数据中心的计算资源中(例如虚拟机),租户通过云服务平台购买云服务提供商提供的计算资源云服务,在购买的计算资源中运行检测装置,使得检测装置进行交通事故隐患地点检测。
在另一种可能的设计中,当检测装置为软件装置时,检测装置可以在逻辑上分成多个部分,每个部分具有不同的功能(多个部分例如:检测装置包括目标检测与跟踪模块、冲突检测模块、冲突统计模块、隐患点确定模块)。检测装置的几个部分可以分别部署在不同的环境或设备上,部署在不同环境或设备上的检测装置的各个部分之间协同实现交通事故隐患地点检测的功能。
示例的,如图3所示,检测装置中的目标检测与跟踪模块部署在边缘设备320。冲突检测模块、冲突统计模块和隐患点确定模块部署在云环境330(例如:部署在云数据中心的服务器或虚拟机上)。设置于交通道路侧的监控设备310将拍摄到的监控视频发送至边缘设备320中的检测装置。关于监控设备310的具体解释可以参考上述监控设备110的阐述,不予赘述。部署在边缘设备320上的检测装置接收来自监控设备310的监控视频,依据监控视频确定预设时长内的多个目标的轨迹,将多个目标的轨迹发送至云环境330中的检测装置。部署在云环境330中的检测装置利用行为冲突检测模型分析多个目标的轨迹,得到监控设备310所在交通道路上的目标行为冲突类型。进而,部署在云环境330中的检测装置根据目标行为冲突类型的发生量和监控设备310所在交通道路的冲突阈值判断监控设备310所在交通道路是否为交通事故隐患地点。部署在云环境330中的检测装置还可以根据隐患优先级向交通管理系统推送交通事故隐患地点的信息。可选的,部署在云环境330中的检测装置还可以分析交通事故隐患地点的信息,生成交通事故隐患地点的整改措施;向交通管理系统推送交通事故隐患地点的整改措施。从而助力交通管理员从根源上、快速整治交通事故隐患地点,及时消除交通事故隐患地点,减少交通事故发生率。
应理解,本申请不对检测装置的各部分的划分进行限制性的限定,也不对检测装置具体部署在哪个环境进行限制性的限定。实际应用时可根据各计算设备的计算能力或具体应用需求进行适应性的部署。值得注意的是,在一种实施例中,摄像头可以为具有一定计算能力的智能摄像头,检测装置还可以分三部分部署,其中,一部分部署在监控设备,一部分部署在边缘计算设备,一部分部署在云计算设备。
值得说明的是,本实施例中的预设时长可以由交通管理员自适应配置。例如,预设时长可以是15分钟或者30分钟。在一种可能的设计中,对于不同的路段,交通管理员可以配置不同的预设时长。例如,由于较宽的路段可容纳的较多的车辆通过,发生目标行为冲突的概率较小,因此可以设置较长的预设时长,监测较宽的路段的目标行为冲突;反之,由于较窄的路段可容纳的较少的车辆通过,发生目标行为冲突的概率较大,因此可以设置较短的预设时长。在另一种可能的设计中,对于不同的时段,交通管理员可以配置不同的预设时长。例如,由于车流量高峰期车流量较大,发生目标行为冲突的概率较大,因此可以设置较短的预设时长;反之,由于车流量低峰期车流量较小,发生目标行为冲突的概率较小,因此可以设置较长的预设时长。从而针对不同的场景获取更佳准确的目标行为冲突。
目标包括机动车、非机动车、行人、静态物体(如建筑物、障碍物等)中至少一种。目标行为冲突类型包括但不限于:机动车与机动车的行为冲突、机动车与非机动车的行为冲突、机动车与行人的行为冲突、机动车与静态物体的行为冲突、非机动车与行人的行为冲突、非机动车与静态物体的行为冲突、机动车、非机动车和行人的行为冲突。
示例的,如图4所示,为本申请一实施例提供的机动车与机动车的行为冲突示意图。其中,机动车1的行驶行为为左转,机动车2的行驶行为为直行,机动车1的左转行为和机动车2的直行行为冲突。
如图5所示,为本申请一实施例提供的机动车与非机动车的行为冲突示意图。其中,机动车的行驶行为为右转,非机动车的行驶行为为直行,机动车的右转行为和非机动车的直行行为冲突。
如图6所示,为本申请一实施例提供的机动车与行人的行为冲突示意图。其中,机动车的行驶行为为左转,行人的行为为直行,机动车的左转行为和行人的直行行为冲突。
如图7所示,为本申请一实施例提供的非机动车与行人的行为冲突示意图。其中,非机动车的行驶行为为右转,行人的行为为直行,非机动车的右转行为和行人的直行行为冲突。
如图8所示,为本申请一实施例提供的机动车、非机动车和行人的行为冲突示意图。其中,机动车、非机动车和行人混行。
如图9所示,为本申请一实施例提供的机动车与静态物体的行为冲突示意图。其中,由于道路中间有施工地,可能导致道路较狭窄,在车辆较多的情况下机动车的行驶行为与施工地冲突。
目标行为冲突的冲突方向包括同向冲突、对向冲突和侧向冲突。图10为本申请一实施例提供的冲突方向的示意图。
如图10中的(a)所示,假设机动车1和机动车2的行驶方向均为西,因此机动车1和机动车2的行驶方向相同,机动车1和机动车2的冲突方向为同向冲突。如图10中的(b)所示,假设机动车1的行驶方向为东,机动车2的行驶方向为西,因此机动车1的行驶方向与机动车2的行驶方向相反,机动车1和机动车2的冲突方向为对向冲突。如图10中的(c)所示,假设机动车1的行驶方向为东,机动车2的行驶方向为南,因此机动车1和机动车2的行驶方向相邻,机动车1和机动车2的冲突方向为横向冲突。
当检测装置为软件装置时,检测装置可以单独部署在任意环境(云环境、边缘环境、终端计算设备等)中的一个计算设备上。当检测装置为硬件设备时,检测装置可以是任意环境中的一个计算设备。图11提供了一种计算设备的结构示意图。计算设备1100包括存储器1101、处理器1102、通信接口1103以及总线1104。其中,存储器1101、处理器1102、通信接口1103通过总线1104实现彼此之间的通信连接。
存储器1101可以是只读存储器(read only memory,ROM)、静态存储设备、动态存储设备或者随机存取存储器(random access memory,RAM)。存储器1101可以存储计算机指令,当存储器1101中存储的计算机指令被处理器1102执行时,处理器1102和通信接口1103用于执行检测交通事故隐患地点的方法。存储器还可以存储数据集合,例如:存储器1101中的一部分用来存储检测交通事故隐患地点所需的数据,以及用于存储程序执行过程中的中间数据或结果数据。
处理器1102可以采用通用的中央处理器(central processing unit,CPU)、应用专用集成电路(application specific integrated circuit,ASIC)、图形处理器(graphics processing unit,GPU)或其任意组合。处理器1102可以包括一个或多个处理器核,处理器1102可以包括AI加速器,例如:神经网络处理器(neural processing unit,NPU)。在本实施例中,处理器1102用于执行检测装置的功能。
通信接口1103使用例如但不限于收发器一类的收发模块,来实现计算设备1100与其他设备或通信网络之间的通信。例如,可以通过通信接口1103获取检测交通事故隐患地点所需的数据。
总线1104可以是在计算设备1100各个部件(例如,存储器1101、处理器1102、通信接口1103)之间传送信息的通路。
检测装置在执行本实施例提供的检测交通事故隐患地点的方法时,需要采用人工智能(artificial intelligence,AI)模型。AI模型包括多种多类,神经网络模型为AI模型中的一类,在描述本实施例时,以神经网络模型为例。应理解,还可以使用其他AI模型完成本实施例描述的神经网络模型的功能,本申请不对此作任何限定。
神经网络模型是一类模仿生物神经网络(动物的中枢神经系统)的结构和功能的数学计算模型。一个神经网络模型可以包括多种不同功能的神经网络层,每层包括参数和计算公式。根据计算公式的不同或功能的不同,神经网络模型中不同的层有不同的名称,例如:进行卷积计算的层称为卷积层,所述卷积层常用于对输入信号(例如:图像)进行特征提取。一个神经网络模型也可以由多个已有的神经网络模型组合构成。不同结构的神经网络模型可用于不同的场景(例如:分类、识别)或在用于同一场景时提供不同的效果。神经网络模型结构不同具体包括以下一项或多项:神经网络模型中网络层的层数不同、各个网络层的顺序不同、每个网络层中的权重、参数或计算公式不同。业界已存在多种不同的用于识别或分类等应用场景的具有较高准确率的神经网络模型,其中,一些神经网络模型可以被特定的训练集进行训练后单独完成一项任务或与其他神经网络模型(或其他功能模块)组合完成一项任务。一些神经网络模型也可以被直接用于单独完成一项任务或与其他神经网络模型(或其他功能模块)组合完成一项任务。
在本实施例中,执行检测交通事故隐患地点的方法需要用到两种不同的神经网络模型。一种是用于对监控视频中的目标的轨迹进行检测的神经网络模型,称为目标检测模型。应理解,本实施例中的目标检测模型可采用业界已有的用于目标检测具有较优效果的神经网络模型中的任意一种,例如:一阶段统一实时目标检测(you only look once:unified,real-time object detection,Yolo)模型、单镜头多盒检测器(single shotmulti box detector,SSD)模型、区域卷积神经网络(region convolutional neuralnetwork,RCNN)模型或快速区域卷积神经网络(fast region convolutional neuralnetwork,Fast-RCNN)模型等。
本实施例中,执行检测交通事故隐患地点的方法需要用到的另一种神经网络模型是:用于对检测到的目标的轨迹确定目标行为冲突类型的模型,称为行为冲突检测模型,行为冲突检测模型也可采用业界已有的一些神经网络模型中的任意一种,例如:卷积神经网络(convolutional neural network,CNN)模型、Resnet模型、Densenet模型、VGGnet模型等。应理解,未来业界开发的可实现目标检测和行为冲突检测的神经网络模型也可用于作为本实施例中的目标检测模型和行为冲突检测模型,本申请对此不作限定。
目标检测模型和行为冲突检测模型在被用于进行交通事故隐患地点检测之前可由训练装置进行训练,训练装置分别采用不同的训练集对目标检测模型和行为冲突检测模型进行训练,经训练装置训练完成的目标检测模型和行为冲突检测模型可被部署于检测装置中的目标检测与跟踪模块中,由检测装置用于进行检测目标的轨迹和目标行为冲突类型。
图12提供了一种训练装置1210和检测装置1220的结构示意图。下面结合图12对训练装置1210和检测装置1220的结构和功能进行介绍,应理解,本实施例仅对训练装置1210和检测装置1220的结构和功能模块进行示例性划分,本申请并不对其具体划分做任何限定。
训练装置1210用于对目标检测模型1211和行为冲突检测模型1212分别进行训练,对目标检测模型1211和行为冲突检测模型1212进行训练需要两个训练集,分别称为目标检测训练集和行为冲突检测训练集。获得的目标检测训练集和行为冲突检测训练集被保存在数据库1240中。可由采集装置1230采集多个训练视频或训练图像,采集到的多个训练视频或训练图像由人工或采集装置1230进行处理和标注后构成一个训练集。当采集装置1230采集的是多个训练视频时,采集装置1230将训练视频中的视频帧作为训练图像,进而对训练图像进行处理和标注构建训练集。训练装置1210在启动对目标检测模型1211进行训练时,初始化模块1213首先对目标检测模型1211中的每层的参数进行初始化(即:为每个参数赋予一个初始值),进而训练模块1214读取数据库1240中的目标检测训练集中的训练图像对目标检测模型1211进行训练,直到目标检测模型1211中的损失函数收敛且损失函数值小于特定阈值或目标检测训练集中所有的训练图像被用于训练,则目标检测模型1211训练完成。同理,训练装置1210在启动对行为冲突检测模型1212进行训练时,初始化模块1213首先对行为冲突检测模型1212中的每层的参数进行初始化(即:为每个参数赋予一个初始值),进而训练模块1214读取数据库1240中的行为冲突检测训练集中的训练图像对行为冲突检测模型1212进行训练,直到行为冲突检测模型1212中的损失函数收敛且损失函数值小于特定阈值或者行为冲突检测训练集中所有的训练图像被用于训练,则行为冲突检测模型1212训练完成。
值得注意的是,目标检测模型1211和行为冲突检测模型1212也可由两个训练装置分别进行训练,目标检测模型1211和/或行为冲突检测模型1212还可以不需要由训练装置1210进行训练,例如:目标检测模型1211和/或行为冲突检测模型1212采用的是第三方已训练好的,且对目标检测和/或属性检测具有较好精确度的神经网络模型。
在本实施例中,也可不需要采集装置1230采集训练图像或训练视频,也不需要构建目标检测训练集和/或行为冲突检测训练集,例如:目标检测训练集和/或行为冲突检测训练集从第三方直接获得。例如:采集装置1230在采集到1万张包含各个交通道路上的机动车、非机动车、行人、静态物体等目标的图像。在构建目标检测训练集时,将这1万张图像中的目标用边界框进行标注,经过边界框标注后的这1万张训练图像就构成了目标检测训练集。在构建行为冲突检测训练集时,将1万张训练图像中的目标的轨迹进行标注,经过目标行为冲突类型标注后的目标的轨迹就构成了行为冲突检测训练集。
经过训练装置1210训练完成的目标检测模型1211和行为冲突检测模型1212可分别被用于对监控设备拍摄的监控视频中的视频帧进行目标检测和目标行为冲突类型检测。在本实施例中,如图12所示,训练完成的目标检测模型1211和行为冲突检测模型1212被部署至检测装置1220。在检测装置1220中,训练完成的目标检测模型1211被部署至目标检测与跟踪模块1221,训练完成的行为冲突检测模型1212被部署至冲突检测模块1222。
如图12所示,检测装置1220包括目标检测与跟踪模块1221、冲突检测模型1222、冲突统计模块1223、隐患点确定模块1224。
目标检测与跟踪模块1221,用于接收来自监控设备拍摄的监控视频,由监控设备拍摄的监控视频可以是实时的视频流。实时视频流记录了交通道路上的目标在当前时刻的运行情况,对视频数据中的目标进行检测,获得目标在当前时刻在视频中的位置信息,进一步地,目标检测与跟踪模块1221还用于根据目标在当前时刻在视频中的位置信息以及目标在历史时刻在视频中的位置信息,对目标在一段时间内在视频画面中的轨迹进行跟踪和拟合,获得每个目标在视频中的轨迹信息。
应理解,本申请中的目标为位于交通道路上的实体,目标包括交通道路上的动态目标和静态目标。交通道路上的动态目标为在交通道路上随着时间进行移动运行,一段时间内可形成一条运行轨迹的物体。动态目标包括机动车、非机动车、行人和动物等。静态目标在交通道路上一段时间内静止。例如,静态目标可以是山体、熄火停靠在路边的车辆、道路施工形成的施工区域等。目标检测与跟踪模块1221在进行目标跟踪时,可识别动态目标和静态目标,可以仅对动态目标进行跟踪,也可以对动态目标和静态目标都进行跟踪。
应理解,目标检测与跟踪模块1221可以接收至少一个监控设备拍摄的监控视频,根据每个监控视频对视频数据中的视频帧的目标进行检测与跟踪。
可选的,目标检测与跟踪模块1221还可以接收来自雷达设备发送的雷达数据,且结合监控视频和雷达数据共同进行目标的检测和跟踪。
目标检测与跟踪模块1221,用于利用预先获得的标定关系将每个目标在视频中的运动轨迹信息转换成每个目标在交通道路上的运动轨迹信息。
应理解,每个目标在视频中的运动轨迹信息为一个像素坐标序列,该序列由目标在不同视频帧中的像素坐标组成,每个目标在视频中的运动轨迹信息表示目标在包括当前时刻在内的一个历史时段内在视频中的运行状况。每个目标在交通道路上的运动轨迹信息为一个地理坐标序列,该序列由目标在交通道路上的地理坐标组成,每个目标在交通道路上的运动轨迹信息表示目标在包括当前时刻在内的一个历史时段内在交通道路上的运行状况。所述目标的像素坐标是视频帧中目标所在位置的像素点的坐标,像素坐标是二维坐标;目标的地理坐标是目标在物理世界中的任意一种坐标系下的坐标,例如:本申请中的地理坐标采用由目标在交通道路中的位置对应的经度、纬度和海拔组成的三维坐标。可选的,目标检测与跟踪模块1221,还可以用于根据目标在包括当前时刻和历史时刻的一段时间内在交通道路上的运动轨迹信息,预测目标在未来某一时刻或者某一时段在交通道路上的位置信息和运动轨迹信息。
冲突检测模型1222,用于分析多个目标的轨迹,得到监控设备所在交通道路上的目标行为冲突类型。
冲突统计模块1223,用于统计冲突检测模型1222输出的目标行为冲突类型中每种目标行为冲突类型的发生量。
隐患点确定模块1224,用于根据目标行为冲突类型的发生量和监控设备所在交通道路的冲突阈值判断监控设备所在交通道路是否为交通事故隐患地点。若交通道路是交通事故隐患地点,根据隐患优先级推送交通事故隐患地点的信息。
可选的,隐患点确定模块1224还可以分析交通事故隐患地点的信息,生成交通事故隐患地点的整改措施;向交通管理系统推送交通事故隐患地点的整改措施,辅助交通管理员整治交通事故隐患地点。
由于上述各模块的功能,本实施例提供的检测装置可以用于检测一定地理区域内的交通事故隐患地点情况,及时推送交通事故隐患地点的信息和整改措施,助力交通管理员从根源上、快速整治交通事故隐患地点,及时消除交通事故隐患地点,减少交通事故发生率。
接下来,结合图13,对本实施例提供的检测交通事故隐患地点的方法进行详细说明。
S1301、接收来自监控设备的监控视频。
可理解的,交通道路上设置有监控设备,监控设备用于监控交通道路上的目标并生成监控视频。
S1302、依据监控视频确定预设时长内目标的轨迹。
由于监控设备全天候监视其所在的交通道路,采集实时的交通道路的监控视频,监控视频的时长较长。为了便于计算,可以从全天的监控视频中选取预设时长的监控视频,获取该预设时长内在监控设备所在交通道路上目标的轨迹。在本申请中,监控设备所在交通道路上目标的轨迹包括机动车的运行轨迹、非机动车的运行轨迹、行人的运行轨迹和静态物体的轨迹中至少一种。例如,目标的轨迹包括机动车的运行轨迹。又如,目标的轨迹包括非机动车的运行轨迹。又如,目标的轨迹包括机动车的运行轨迹和行人的运行轨迹。又如,目标的轨迹包括机动车的运行轨迹和非机动车的运行轨迹。又如,目标的轨迹包括非机动车的运行轨迹和行人的运行轨迹。又如,目标的轨迹包括机动车的运行轨迹、非机动车的运行轨迹和行人的运动轨迹。又如,目标的轨迹包括机动车的运行轨迹和静态物体的轨迹。本申请对该目标的类型不予限定。需要说明的是,检测装置确定预设时长内目标的轨迹的个数不予限定,目标的轨迹的个数由实际的场景确定。
在一些实施例中,可以采用目标检测、目标跟踪和视频解析等技术获得目标的轨迹。目标检测也可称为目标提取,是一种基于目标几何和统计特征的图像分割,它将目标的分割和识别合二为一,其准确性和实时性是整个系统的一项重要能力。目标跟踪在连续的视频帧中定位某一物体。利用目标检测技术检测到目标时,了解目标的外观、位置、运动方向和速度。在下一帧中,可以使用所有这些信息来预测下一帧中目标的位置,并对目标的预期位置进行小范围搜索,以准确定位目标。因此,在设计高效的系统时,通常在每n帧上运行目标检测算法,而在其间的n-1帧中采用目标跟踪算法。进而,采用融合技术将多帧中目标的位置联系起来,得到目标的轨迹。
S1303、利用行为冲突检测模型,分析目标的轨迹,得到目标行为冲突类型。
行为冲突检测模型用于依据目标的轨迹提取轨迹特征,分析轨迹特征得到目标行为冲突类型。可理解的,行为冲突检测模型的分类结果包括机动车与机动车的行为冲突、机动车与非机动车的行为冲突、机动车与行人的行为冲突、机动车与静态物体的行为冲突、非机动车与行人的行为冲突、非机动车与静态物体的行为冲突、机动车、非机动车和行人的行为冲突。示例的,行为冲突检测模型可以输出如图4至图9所示的目标行为冲突类型。对于一个目标,行为冲突检测模型可以计算得到该目标与其他目标行为冲突属于哪种行为冲突的概率,分类结果为最大概率对应的目标行为冲突。例如,假设目标的轨迹包括目标1的运动轨迹和目标2的运动轨迹,行为冲突检测模型对目标1的运动轨迹和目标2的运动轨迹进行分析,得到目标1与目标2的行为冲突属于机动车与机动车的行为冲突的概率是80%,目标1与目标2的行为冲突属于机动车与非机动车的行为冲突的概率是5%,目标1与目标2的行为冲突属于机动车与行人的行为冲突的概率是10%,目标1与目标2的行为冲突属于非机动车与行人的行为冲突的概率是5%,目标1与目标2的行为冲突属于机动车、非机动车与行人的行为冲突的概率是0%,因此,对于目标1和目标2而言,由于机动车与机动车的行为冲突的概率是80%,行为冲突检测模型的分类结果为目标1与目标2的行为冲突属于机动车与机动车的行为冲突。
可选的,对于行为相冲突的目标,行为冲突检测模型输出一个行为冲突类型。如目标1与目标2的行为冲突属于机动车与机动车的行为冲突,对于目标1与目标2,行为冲突检测模型输出一个机动车与机动车的行为冲突,不会对目标1与目标2分别输出两次机动车与机动车的行为冲突。但是,对于行为不相冲突的目标而言,行为冲突检测模型分别输出各自的目标行为冲突。
假设输出N类目标行为冲突。N为大于或等于1的整数。可理解的,N=1,表示行为冲突检测模型输出一类目标行为冲突。例如,行为冲突检测模型输出机动车与机动车的行为冲突、机动车与非机动车的行为冲突、机动车与行人的行为冲突、机动车与静态物体的行为冲突、非机动车与行人的行为冲突、非机动车与静态物体的行为冲突、机动车、非机动车和行人的行为冲突中任意一类。行为冲突检测模型接收到的目标的轨迹包括两个目标的运动轨迹。
N=2,表示行为冲突检测模型输出两类目标行为冲突。例如,行为冲突检测模型输出机动车与机动车的行为冲突、机动车与非机动车的行为冲突、机动车与行人的行为冲突、机动车与静态物体的行为冲突、非机动车与行人的行为冲突、非机动车与静态物体的行为冲突、机动车、非机动车和行人的行为冲突中任意两类。行为冲突检测模型接收到的目标的运动轨迹包括至少三个目标的运动轨迹,至少三个目标包括机动车、非机动车和行人中至少两种。
此外,行为冲突检测模型包括训练阶段和检测阶段。如图14所示,为本申请一实施例提供的行为冲突检测模型的工作流程图。在训练阶段,首先,通过摄像头采集大量的交通道路的监控视频,根据交通道路的监控视频获取目标的轨迹,分析大量的目标的轨迹得到轨迹特征(feature),以及预测用的标签(label)。标签可以是离散值,比如目标的轨迹对应的行为冲突类型。例如,机动车与机动车的行为冲突、机动车与非机动车的行为冲突、机动车与行人的行为冲突、机动车与静态物体的行为冲突、非机动车与行人的行为冲突、非机动车与静态物体的行为冲突、机动车、非机动车和行人的行为冲突。特征也可称为属性(attribute)。可以将一个标记好的轨迹以及标签的目标作为一个样本(sample),样本也可称为示例(instance)。一组样本构成的集合称为数据集(data set)。数据集也可称为语料库或样本库。样本库包括标记的目标的轨迹。一般将数据集分为训练集(training set)和测试集(test set)两部分。训练集中的样本用来训练神经网络模型。训练集中的样本可称为训练样本(training sample)。测试集中的样本用来检验训练得到的行为冲突检测模型。测试集中的样本可称为测试样本(test sample)。
通常,用一个D维向量表示多个目标的轨迹所有特征构成的向量,该向量可称为特征向量(feature vector),其中每一维表示一个特征。假设训练集S包括M个样本,从一个函数集合中自动寻找一个“最优”的函数f(x)来近似每个样本的特征向量x和标签y之间的真实映射关系,直到“最优”的函数f(x)收敛,从而得到行为冲突检测模型,即训练行为冲突检测模型(执行S1401)。因此,寻找这个“最优”的函数f(x)是机器学习的关键。一般通过学习算法(learning algorithm)来完成。这个寻找过程可称为学习(learning)或训练(training)过程。
为了确保行为冲突检测模型准确性,可以用测试集S’中的样本测试行为冲突检测模型,即将测试集中的样本输入到行为冲突检测模型,计算预测结果的准确率。
这样,在检测阶段,将实时获取的目标的轨迹输入行为冲突检测模型,经过提取运动轨迹特征,输出目标行为冲突类型,即推理行为冲突检测模型(执行S1402)。可选的,如果有新的目标行为冲突类型,可以更新目标行为冲突类型的样本库(执行S1403)。
在一种可能的设计中,本文所述的行为冲突检测模型可以是长短期记忆网络(long-short term memory,LSTM)模型。
S1304、确定交通道路上目标行为冲突类型的发生量。
统计行为冲突检测模型输出的每类目标行为冲突的发生量,最终得到目标行为冲突类型的发生量。例如,冲突检测模型输出10起机动车与机动车的行为冲突、10起机动车与非机动车的行为冲突和10起机动车与行人的行为冲突,则目标行为冲突类型的发生量为30起。
S1305、根据目标行为冲突类型的发生量和交通道路的冲突阈值判断监控设备所在交通道路是否为交通事故隐患地点。
若目标行为冲突类型的发生量大于或等于冲突阈值,表示监控设备所在交通道路的车辆流量冲突较大,发生交通事故的概率较大,执行S1306;若目标行为冲突类型的发生量小于冲突阈值,表示监控设备所在交通道路的车辆流量冲突较小,发生交通事故的概率较小,执行S1307。
需要说明的是,冲突阈值可以由交通管理员预先配置。例如,冲突阈值可以是10类目标行为冲突。在一种可能的设计中,对于不同的路段,交通管理员可以配置不同的冲突阈值。例如,较宽的路段对应的冲突阈值较大,较窄的路段对应的冲突阈值较小。在另一种可能的设计中,对于不同的时段,交通管理员可以配置不同的冲突阈值。例如,车流量高峰期对应的冲突阈值较小,车流量低峰期对应的冲突阈值较大。
S1306、确定监控设备所在交通道路为交通事故隐患地点。
S1307、确定监控设备所在交通道路不是交通事故隐患地点。
进一步的,若监控设备所在交通道路为交通事故隐患地点,可以将交通事故隐患地点的相关信息发送至交通管理系统,由交通管理系统向交通管理者推送交通事故隐患地点的相关信息。如图15所示,本实施例还包括以下步骤。
S1501、根据隐患优先级推送交通事故隐患地点的信息。
交通事故隐患地点的信息包括以下信息中的一种或多种:隐患优先级、交通事故隐患地点的位置信息、发生时段、目标行为冲突类型、目标行为冲突的方向、发生冲突的目标。隐患优先级可以用标识、数值、或者文字等表示。
可选的,交通管理者可以配置监控设备所在交通道路的标识。交通事故隐患地点的位置信息可以是监控设备所在交通道路的标识。发送交通事故隐患地点的信息时,该事故隐患地点的信息包括监控设备所在交通道路的标识。或者,交通事故隐患地点的位置信息可以是交通道路的名称。
交通管理者可以配置多个发生时段,例如高峰时段和非高峰时段。例如,高峰时段可以是早上6点半到9点和下午18点到20点。非高峰时段为一天24小时内,除了高峰时段之外的时段。当预设时长内交通道路为交通事故隐患地点,判断该预设时长的监控视频属于高峰时段内的监控视频还是非高峰时段的监控视频,来确定发生时段。
目标行为冲突的冲突方向包括如图10所示的同向冲突、对向冲突和横向冲突。冲突方向可以由行为冲突检测模型分析目标的运动轨迹输出得到。
交通事故隐患地点的隐患优先级可以由交通管理员预先配置。在一种可能的设计中,对于不同的路段,交通管理员可以配置不同的隐患优先级。例如,对于主干道,配置高优先级;对于次干道,配置低优先级。
可选的,对于相同的隐患优先级,根据发生时段发送交通事故隐患地点的信息。例如,先发送高峰时段内的交通事故隐患地点的信息,再发送非高峰时段内的交通事故隐患地点的信息。
可选的,还可以执行S1502,分析交通事故隐患地点的信息,生成交通事故隐患地点的整改措施。S1503、推送交通事故隐患地点的整改措施。例如,交通道路较狭窄,车流量较多的情况下,容易发生剐蹭交通事故,可以在交通道路中间设置隔离栏,避免机动车乱走发生剐蹭。例如,由于交通信号灯设置的不合理,导致交通拥堵,可能发生剐蹭等交通事故的路段,整改措施可以是调整交通信号灯的时长,解决交通拥堵,避免发生剐蹭等交通事故。又如,交通道路上机动车、非机动车和行人混行的地方,整改措施可以是设置隔离栏,使机动车、非机动车和行人分开在不同的区域行驶,避免发生交通事故。又如,交通道路的附件有学校、住宅区、行人较多的地方,整改措施可以是将该路段设置为限速路段,避免发生交通事故。又如,交通道路上有施工场所的地方,整改措施可以是对交通道路上的目标分流,行驶其他路段,避免发生交通事故。
可选的,还可以推送目标行为冲突的根因。目标行为冲突的根因以表格的形式呈现。假设东、西、南和北均由两个车道。两个车道为对向车道。东边包括东1车道和东2车道。西边包括西1车道和西2车道。南边包括南1车道和南2车道。北边包括北1车道和北2车道。机动车、非机动车和行人均在北1车道,如图10所示,机动车、非机动车和行人为同向冲突。表1呈现了目标行为冲突的根因。
表1
东1 | 东2 | 南1 | 南2 | 西1 | 西2 | 北1 | 北2 | |
机动车 | * | |||||||
非机动车 | * | |||||||
行人 | * |
交通管理员收到交通事故隐患地点的信息后,根据交通事故隐患地点的根因制定相应的预防整治建议措施。例如,交通事故隐患地点的根因是机动车和非机动车混行严重,则可采取机动车和非机动车隔离的措施来预防交通事故发生,从而消除交通事故隐患地点,减少交通事故发生率。
可选的,还可以接收交通事故隐患地点的监控视频,以便于交通管理员直观的看到交通道路的具体情况。
如此,采用神经网络模型分析目标的运动轨迹挖掘目标行为冲突,从而能够准确及及时地发现交通事故隐患地点和交通事故高发地点,减少了交通管理员的人工排查的工作量,并提供了交通事故隐患地点的根因,使交通管理员根据交通事故隐患地点的根因制定相应的预防整治方法,弥补交通事故隐患预防措施的缺口,助力交通管理员从根源上、快速整治交通事故隐患地点,及时消除交通事故隐患地点,减少交通事故发生率。
在另一些实施例中,可以对目标行为冲突类型的发生量划分等级,以便于交通管理员根据目标行为冲突类型的发生量的等级处理交通事故隐患地点。如图16所示,S1305包括以下步骤。
S13051、根据目标行为冲突类型的发生量和冲突阈值确定冲突指数。
假设目标行为冲突类型的发生量表示为n,冲突阈值表示为nmax,冲突指数表示为index。若n<nmax,冲突指数index为n/nmax;若n≥nmax,冲突指数index为1。
S13052、根据冲突指数和冲突指数阈值,确定目标行为冲突类型的发生量的等级。
S13053、根据目标行为冲突类型的发生量的等级确定监控设备所在交通道路是交通事故隐患地点。
在一种可能的设计中,目标行为冲突类型的发生量的等级包括高、中和低。若冲突指数大于或等于第一冲突指数阈值,确定目标行为冲突类型的发生量的等级为高,表示监控设备所在交通道路的车辆流量冲突较大,发生交通事故的概率较大,监控设备所在交通道路为交通事故隐患地点。
又如,若冲突指数大于第二冲突指数阈值且小于第一冲突指数阈值,确定目标行为冲突类型的发生量的等级为中,表示监控设备所在交通道路的车辆流量冲突较大,发生交通事故的概率较大,监控设备所在交通道路为交通事故隐患地点。
又如,若冲突指数小于第二冲突指数阈值,目标行为冲突类型的发生量的等级为低,表示监控设备所在交通道路的车辆流量冲突较小,发生交通事故的概率较小,确定监控设备所在交通道路不是交通事故隐患地点。
第一冲突指数阈值和第二冲突指数阈值可以由交通管理员预先配置。第一冲突指数阈值大于第二冲突指数阈值。第一冲突指数阈值和第二冲突指数阈值的取值范围为0到1。
进一步的,若监控设备所在交通道路为交通事故隐患地点,可以向交通管理系统交通事故隐患地点的信息和交通事故隐患地点的整改措施。具体的,根据交通事故隐患地点的信息中的至少一个信息和冲突指数确定影响指数,根据影响指数和影响指数阈值确定隐患优先级。进而,根据隐患优先级推送交通事故隐患地点的信息和交通事故隐患地点的整改措施。
例如,根据交通事故隐患地点的位置信息的权重和冲突指数确定影响指数。由于交通道路可划分为主干道和非主干道,主干道和非主干道管理的优先级不同。如果将主干道确定为交通事故隐患地点,可以优先优化处理该主干道的交通隐患。因此,可以为不同的交通道路设置不同的权重,因此,可以根据交通事故隐患地点的位置信息的权重调整冲突指数得到影响指数,依据影响指数对交通事故隐患地点进行排序,先处理高优先级的交通事故隐患地点,从而尽可能快速整治交通事故隐患地点,降低交通事故的发生率。
又如,根据发生时段的权重和冲突指数确定影响指数。
又如,根据发生冲突的目标的权重和冲突指数确定影响指数。由于行人是弱势群体,如果发生目标行为冲突的目标中包括行人,目标的权重较高。
影响指数满足公式index’=index*Σwj,其中,wj表示交通事故隐患地点的信息中信息的权重,权重的取值范围为0到1。权重可以由交通管理员预先配置。对于交通参与者有非机动车、行人等,或高峰时段,则权重的取值可以配置的较高,影响指数相对偏高。
影响指数阈值可以由交通管理员预先配置。影响指数阈值的取值范围为0到1。例如,影响指数阈值为0、0.4、0.7或1。例如,若影响指数大于0且小于0.4,隐患优先级为低优先级;若影响指数大于0.4且小于0.7,隐患优先级为中优先级;若影响指数大于0.7,隐患优先级为高优先级。
交通事故隐患地点的信息包括以下信息中的一种或多种:隐患优先级、交通事故隐患地点的位置信息、发生时段、目标行为冲突类型、目标行为冲突的方向、发生冲突的目标、冲突指数。关于隐患优先级、交通事故隐患地点的位置信息、发生时段、目标行为冲突类型、目标行为冲突的方向和发生冲突的目标的解释可以参考S1501的阐述,不予赘述。
如此,采用神经网络模型分析目标的运动轨迹挖掘目标行为冲突,从而能够准确及及时地发现交通事故隐患地点和交通事故高发地点,减少了交通管理员的人工排查的工作量,并提供了交通事故隐患地点的根因,使交通管理员根据交通事故隐患地点的根因制定相应的预防整治方法,弥补交通事故隐患预防措施的缺口,助力交通管理员从根源上、快速整治交通事故隐患地点,及时消除交通事故隐患地点,减少交通事故发生率。
本申请还提供如图12所示的检测装置1220,检测装置1220包括的模块和功能如前文的描述,在此不再赘述。
在一种实施例中,检测装置1220中的目标检测与跟踪模块1221用于执行前述方法步骤S1302。冲突检测模型1222用于执行前述方法步骤S1303;冲突统计模块1223用于执行前述方法步骤S1304。隐患点确定模块1224用于执行前述方法步骤S1305-S1307。在另一种更具体的实施例中,隐患点确定模块1224用于执行前述方法步骤S13051-S13053、及S1501-S1503描述的可选步骤。
本申请还提供一种检测系统,该检测系统用于检测交通事故隐患地点,该系统包括:目标检测与跟踪系统,用于接收监控视频,根据监控视频确定预设时长内的多个目标的轨迹,其中,监控视频由设置于交通道路的监控设备拍摄获得。隐患地检测系统,用于根据多个目标的轨迹获取目标行为冲突类型,统计目标行为冲突类型的发生量,根据目标行为冲突类型的发生量和交通道路的冲突阈值确定交通道路上的交通事故隐患地点。更具体地,上述检测系统用于执行前述S1301-S1306的方法,上述检测系统的目标检测与跟踪系统用于执行前述S1301,隐患地检测系统用于执行前述S1302-S1306。
本申请还提供一种如图11所示的计算设备1100,计算设备1100中的处理器1102读取存储器1101存储的一组计算机指令以执行前述检测交通事故隐患地点的方法。
由于本申请提供的检测装置1220中的各个模块可以分布式地部署在同一环境或不同环境中的多个计算机上,因此,本申请还提供一种如图17所示的系统,该系统包括多个计算机1700,每个计算机1700包括存储器1701、处理器1702、通信接口1703以及总线1704。其中,存储器1701、处理器1702、通信接口1703通过总线1704实现彼此之间的通信连接。
存储器1701可以是只读存储器,静态存储设备,动态存储设备或者随机存取存储器。存储器1701可以存储计算机指令,当存储器1701中存储的计算机指令被处理器1702执行时,处理器1702和通信接口1703用于执行检测交通事故隐患地点的部分方法。存储器还可以存储数据集合,例如:存储器1701中的一部分存储资源被划分成一个交通事故隐患地点信息库存储模块,用于存储检测装置1220所需的交通事故隐患地点信息库。
处理器1702可以采用通用的中央处理器(central processing unit,CPU),应用专用集成电路(application specific integrated circuit,ASIC),图形处理器(graphics processing unit,GPU)或其任意组合。处理器1702可以包括一个或多个芯片。处理器1702可以包括AI加速器,例如神经网络处理器(neural processing unit,NPU)。
通信接口1703使用例如但不限于收发器一类的收发模块,来实现计算机1700与其他设备或通信网络之间的通信。例如,可以通过通信接口1703获取盲区信息。
总线1704可包括在计算机1700各个部件(例如,存储器1701、处理器1702、通信接口1703)之间传送信息的通路。
上述每个计算机1700间通过通信网络建立通信通路。每个计算机1700上运行目标检测与跟踪模块1221、冲突检测模型1222、冲突统计模块1223、隐患点确定模块1224中的任意一个或多个。任一计算机1700可以为云数据中心中的计算机(例如:服务器),或边缘数据中心中的计算机,或终端计算设备。
上述各个附图对应的流程的描述各有侧重,某个流程中没有详述的部分,可以参见其他流程的相关描述。
在上述实施例中,可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时,可以全部或部分地以计算机程序产品的形式实现。实现车辆的盲区检测的计算机程序产品包括一个或多个进行检测车辆的盲区的计算机指令,在计算机上加载和执行这些计算机程序指令时,全部或部分地产生按照本发明实施例图5-图7所述的流程或功能。
所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中,或者从一个计算机可读存储介质向另一个计算机可读存储介质传输,例如,所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质存储有实现车辆的盲区检测的计算机程序指令的可读存储介质。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质,(例如,软盘、硬盘、磁带)、光介质(例如,DVD)、或者半导体介质(例如SSD)。
Claims (18)
1.一种检测交通事故隐患地点的方法,其特征在于,交通道路上设置有监控设备,所述监控设备用于监控所述交通道路上的目标并生成监控视频,所述方法包括:
根据所述监控视频确定预设时长内的多个目标的轨迹;
利用行为冲突检测模型,分析所述多个目标的轨迹,得到目标行为冲突类型;
确定所述交通道路上所述目标行为冲突类型的发生量;
根据所述目标行为冲突类型的发生量和所述交通道路的冲突阈值确定所述交通道路上的交通事故隐患地点。
2.根据权利要求1所述的方法,其特征在于,在根据所述目标行为冲突类型的发生量和所述交通道路的冲突阈值确定所述交通道路上的交通事故隐患地点之后,所述方法还包括:
根据隐患优先级推送所述交通事故隐患地点的信息,所述交通事故隐患地点的信息包括以下信息中的一种或多种:所述隐患优先级、所述交通事故隐患地点的位置信息、发生时段、所述目标行为冲突类型、目标行为冲突的方向。
3.根据权利要求1或2所述的方法,其特征在于,所述方法还包括:
利用所述行为冲突检测模型,分析所述多个目标的轨迹,得到所述目标行为冲突的方向。
4.根据权利要求1-3中任一项所述的方法,其特征在于,所述方法还包括:
分析所述交通事故隐患地点的信息,生成所述交通事故隐患地点的整改措施;
推送所述交通事故隐患地点的整改措施。
5.根据权利要求1-4中任一项所述的方法,其特征在于,根据所述目标行为冲突类型的发生量和所述交通道路的冲突阈值确定所述交通道路上的交通事故隐患地点,包括:
根据所述目标行为冲突类型的发生量和所述冲突阈值确定冲突指数;
根据所述冲突指数和冲突指数阈值,确定所述目标行为冲突类型的发生量的等级;
根据所述目标行为冲突类型的发生量的等级确定所述交通道路上的交通事故隐患地点。
6.根据权利要求5所述的方法,其特征在于,在根据所述目标行为冲突类型的发生量的等级确定所述交通道路上的交通事故隐患地点之后,所述方法还包括:
根据所述交通事故隐患地点的信息中的至少一个信息和所述冲突指数确定隐患优先级,所述交通事故隐患地点的信息包括以下信息中的一种或多种:所述隐患优先级、所述交通事故隐患地点的位置信息、发生时段、所述目标行为冲突类型、目标行为冲突的方向;
根据所述隐患优先级推送所述交通事故隐患地点的信息。
7.根据权利要求1-6中任一项所述的方法,其特征在于,利用行为冲突检测模型,分析所述多个目标的轨迹,得到目标行为冲突类型,包括:
提取所述多个目标的轨迹中的轨迹特征,所述轨迹特征包括以下特征中的一种或多种:目标的运动速度、目标的姿态、目标的加速度;
根据所述轨迹特征进行分类处理,得到所述目标行为冲突类型。
8.根据权利要求1-7中任一项所述的方法,其特征在于,所述行为冲突检测模型是根据样本数据预先训练得到的。
9.一种检测装置,其特征在于,交通道路上设置有监控设备,所述监控设备用于监控所述交通道路上的目标并生成监控视频,所述装置包括:
目标检测与跟踪模块,用于根据所述监控视频确定预设时长内的多个目标的轨迹;
冲突检测模块,用于利用行为冲突检测模型,分析所述多个目标的轨迹,得到目标行为冲突类型;
冲突统计模块,用于确定所述交通道路上所述目标行为冲突类型的发生量;
隐患点确定模块,用于根据所述目标行为冲突类型的发生量和所述交通道路的冲突阈值确定所述交通道路上的交通事故隐患地点。
10.根据权利要求9所述的装置,其特征在于,
所述隐患点确定模块,还用于根据隐患优先级推送所述交通事故隐患地点的信息,所述交通事故隐患地点的信息包括以下信息中的一种或多种:所述隐患优先级、所述交通事故隐患地点的位置信息、发生时段、所述目标行为冲突类型、目标行为冲突的方向。
11.根据权利要求9或10所述的装置,其特征在于,
所述冲突检测模块,还用于利用所述行为冲突检测模型,分析所述多个目标的轨迹,得到所述目标行为冲突的方向。
12.根据权利要求9-11中任一项所述的装置,其特征在于,
所述隐患点确定模块,还用于分析所述交通事故隐患地点的信息,生成所述交通事故隐患地点的整改措施;并推送所述交通事故隐患地点的整改措施。
13.根据权利要求9-12中任一项所述的装置,其特征在于,所述隐患点确定模块在用于根据所述目标行为冲突类型的发生量和所述交通道路的冲突阈值确定所述交通道路上的交通事故隐患地点时,具体用于:
根据所述目标行为冲突类型的发生量和所述冲突阈值确定冲突指数;
根据所述冲突指数和冲突指数阈值,确定所述目标行为冲突类型的发生量的等级;
根据所述目标行为冲突类型的发生量的等级确定所述交通道路上的交通事故隐患地点。
14.根据权利要求13所述的装置,其特征在于,所述隐患点确定模块在用于根据所述目标行为冲突类型的发生量的等级确定所述交通道路上的交通事故隐患地点时,具体用于:
根据所述交通事故隐患地点的信息中的至少一个信息和所述冲突指数确定隐患优先级,所述交通事故隐患地点的信息包括以下信息中的一种或多种:所述隐患优先级、所述交通事故隐患地点的位置信息、发生时段、所述目标行为冲突类型、目标行为冲突的方向;并根据所述隐患优先级推送所述交通事故隐患地点的信息。
15.根据权利要求9-14中任一项所述的装置,其特征在于,所述冲突检测模块在用于利用行为冲突检测模型,分析所述多个目标的轨迹,得到目标行为冲突类型时,具体用于:
提取所述多个目标的轨迹中的轨迹特征,所述轨迹特征包括以下特征中的一种或多种:目标的运动速度、目标的姿态、目标的加速度;
根据所述轨迹特征进行分类处理,得到所述目标行为冲突类型。
16.根据权利要求9-15中任一项所述的装置,其特征在于,所述行为冲突检测模型是根据样本数据预先训练得到的。
17.一种计算设备,其特征在于,所述计算设备包括至少一个存储器和至少一个处理器,所述至少一个存储器用于存储一组计算机指令;当所述至少一个处理器执行所述一组计算机指令时,所述计算设备执行上述权利要求1至8中任一项所述的方法。
18.一种计算机可读存储介质,其特征在于,所述存储介质中存储有计算机程序或指令,当所述计算机程序或指令被通信装置执行时,实现如权利要求1至8中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010803223.7A CN114078319A (zh) | 2020-08-11 | 2020-08-11 | 一种检测交通事故隐患地点的方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010803223.7A CN114078319A (zh) | 2020-08-11 | 2020-08-11 | 一种检测交通事故隐患地点的方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114078319A true CN114078319A (zh) | 2022-02-22 |
Family
ID=80280246
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010803223.7A Pending CN114078319A (zh) | 2020-08-11 | 2020-08-11 | 一种检测交通事故隐患地点的方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114078319A (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 |
CN116524444A (zh) * | 2023-04-10 | 2023-08-01 | 盐城工学院 | 一种基于目标检测的交通安全风险诊断方法和装置 |
CN117576640A (zh) * | 2023-11-15 | 2024-02-20 | 无锡市明大交通科技咨询有限公司 | 道路隐患排查结果排查方法、装置、电子设备及存储介质 |
-
2020
- 2020-08-11 CN CN202010803223.7A patent/CN114078319A/zh active Pending
Cited By (5)
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 |
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 |
CN116524444A (zh) * | 2023-04-10 | 2023-08-01 | 盐城工学院 | 一种基于目标检测的交通安全风险诊断方法和装置 |
CN116524444B (zh) * | 2023-04-10 | 2023-12-15 | 盐城工学院 | 一种基于目标检测的交通安全风险诊断方法和装置 |
CN117576640A (zh) * | 2023-11-15 | 2024-02-20 | 无锡市明大交通科技咨询有限公司 | 道路隐患排查结果排查方法、装置、电子设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11941887B2 (en) | Scenario recreation through object detection and 3D visualization in a multi-sensor environment | |
US10037607B2 (en) | Topology determination for non-overlapping camera network | |
KR102652023B1 (ko) | 실시간 교통 정보 제공 방법 및 장치 | |
CN102945603B (zh) | 检测交通事件的方法及电子警察装置 | |
Morishita et al. | SakuraSensor: Quasi-realtime cherry-lined roads detection through participatory video sensing by cars | |
CN114078319A (zh) | 一种检测交通事故隐患地点的方法及装置 | |
US20130286198A1 (en) | Method and system for automatically detecting anomalies at a traffic intersection | |
US9760783B2 (en) | Vehicle occupancy detection using passenger to driver feature distance | |
US9104919B2 (en) | Multi-cue object association | |
US20080095435A1 (en) | Video segmentation using statistical pixel modeling | |
US20180089515A1 (en) | Identification and classification of traffic conflicts using live video images | |
WO2013186662A1 (en) | Multi-cue object detection and analysis | |
CN110472599B (zh) | 对象数量确定方法、装置、存储介质与电子设备 | |
WO2021227586A1 (zh) | 交通事故分析方法、装置及设备 | |
Chang et al. | Video analytics in smart transportation for the AIC'18 challenge | |
EP4020428A1 (en) | Method and apparatus for recognizing lane, and computing device | |
CN112447060A (zh) | 识别车道的方法、装置及计算设备 | |
Gochoo et al. | Fisheye8k: A benchmark and dataset for fisheye camera object detection | |
CN114926791A (zh) | 一种路口车辆异常变道检测方法、装置、存储介质及电子设备 | |
CN112749681A (zh) | 一种基于边缘设备和深度学习的违章检测方法 | |
CN114708426A (zh) | 目标检测方法、模型训练方法、装置、设备及存储介质 | |
CN116311166A (zh) | 交通障碍物识别方法、装置及电子设备 | |
CN111929672A (zh) | 移动轨迹的确定方法及装置、存储介质和电子装置 | |
Kejriwal et al. | Vehicle detection and counting using deep learning basedYOLO and deep SORT algorithm for urban traffic management system | |
Dinh et al. | Development of a tracking-based system for automated traffic data collection for roundabouts |
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 |