CN114141022B - 应急车道占用行为检测方法、装置、电子设备及存储介质 - Google Patents
应急车道占用行为检测方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN114141022B CN114141022B CN202010913044.9A CN202010913044A CN114141022B CN 114141022 B CN114141022 B CN 114141022B CN 202010913044 A CN202010913044 A CN 202010913044A CN 114141022 B CN114141022 B CN 114141022B
- Authority
- CN
- China
- Prior art keywords
- information
- vehicle
- emergency lane
- state image
- target
- 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.)
- Active
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
- G08G1/017—Detecting movement of traffic to be counted or controlled identifying vehicles
- G08G1/0175—Detecting movement of traffic to be counted or controlled identifying vehicles by photographing vehicles, e.g. when violating traffic rules
-
- 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
- G06N3/045—Combinations of networks
-
- 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
-
- 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
- G08G1/015—Detecting movement of traffic to be counted or controlled with provision for distinguishing between two or more types of vehicles, e.g. between motor-cars and cycles
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Traffic Control Systems (AREA)
- Alarm Systems (AREA)
Abstract
本申请提供一种应急车道占用行为检测方法、装置、电子设备及计算机可读存储介质。该应急车道占用行为检测方法包括:获取包含目标道路的第一状态图像;对所述第一状态图像进行区域检测处理,得到所述目标道路的应急车道的第一区域信息;根据所述第一区域信息进行车辆检测处理,确定所述应急车道内存在目标车辆;检测所述目标车辆的车辆类别信息;当检测到所述车辆类别信息属于预设类别信息时,确定所述目标道路的应急车道被占用。本申请中可以实现自动检测应急车道的占用行为,降低检测的硬件设备成本。
Description
技术领域
本申请涉及智能交通技术领域,具体涉及一种应急车道占用行为检测方法、装置、电子设备及计算机可读存储介质。
背景技术
应急车道主要在城市环线、快速路及高速路两侧施划,主要用于突发情况下(交通事故、救助突发性伤病员、救险等)方便救援车辆和救治人员通行,被称为“生命通道”,非法占用应急车道间接威胁他人生命安全,危害大。
目前,现有技术中主要采用以下方式检测占用应急车道的行为:在应急车道的护栏立柱上安装摄像头,根据预先设定的应急车道区域,摄像头对进入该区域的车辆进行检测。
但是,在实际应用中发明人发现,现有的应急车道占用的检测方法检测精度较低。
发明内容
本申请提供一种应急车道占用行为检测方法、装置、电子设备及计算机可读存储介质,旨在解决现有的应急车道占用行为的检测方法检测精度较低的问题。
第一方面,本申请提供一种应急车道占用行为检测方法,所述方法包括:
获取包含目标道路的第一状态图像,其中,所述目标道路是指设置有应急车道的道路;
对所述第一状态图像进行区域检测处理,得到所述目标道路的应急车道的第一区域信息;
根据所述第一区域信息进行车辆检测处理,确定所述应急车道内存在目标车辆;
检测所述目标车辆的车辆类别信息;
当检测到所述车辆类别信息属于预设类别信息时,确定所述目标道路的应急车道被占用。
第二方面,本申请提供一种应急车道占用行为检测装置,所述应急车道占用行为检测装置包括:
获取单元,用于获取包含目标道路的第一状态图像,其中,所述目标道路是指设置有应急车道的道路;
检测单元,用于对所述第一状态图像进行区域检测处理,得到所述目标道路的应急车道的第一区域信息;
处理单元,用于根据所述第一区域信息进行车辆检测处理,确定所述应急车道内存在目标车辆;
所述处理单元,用于检测所述目标车辆的车辆类别信息;
所述处理单元,用于当检测到所述车辆类别信息属于预设类别信息时,确定所述目标道路的应急车道被占用。
第三方面,本申请还提供一种电子设备,所述电子设备包括处理器和存储器,所述存储器中存储有计算机程序,所述处理器调用所述存储器中的计算机程序时执行本申请提供的任一种应急车道占用行为检测方法中的步骤。
第四方面,本申请还提供一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器进行加载,以执行所述的应急车道占用行为检测方法中的步骤。
本申请通过对包含目标道路(目标道路是指设置有应急车道的道路)的第一状态图像进行区域检测处理,得到目标道路的应急车道的第一区域信息;再根据第一区域信息进行检测,以确定目标道路的应急车道内存在目标车辆,可以实现自动检测应急车道的占用行为。并通过检测目标车辆的车辆类别信息,当检测到车辆类别信息属于预设类别信息时,才确定目标道路的应急车道被占用,从而可以避免将警车、救护车、道路养护车辆等特殊车辆进入应急车道的行为误判为应急车道的占用行为,从而提高了应急车道占用行为的检测精度。
附图说明
为了更清楚地说明本申请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单地介绍,显而易见地,下面描述中的附图仅仅是本申请的一些实施例,对于本领域技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本申请实施例提供的应急车道占用行为检测方法的一种流程示意图;
图2是本申请实施例中提供的包含目标道路的图像的一种示意图;
图3是本申请实施例中提供的步骤S20的一个实施例流程示意图;
图4是本申请实施例中提供的车道线区域的一种场景示意图;
图5是本申请实施例提供的训练后车道线检测网络的一种总体框架示意图;
图6是本申请实施例中提供的拟合得到的应急车道区域一种场景示意图;
图7是本申请实施例中提供的应急车道占用行为检测装置的一个实施例结构示意图;
图8是本申请实施例中提供的电子设备的一个实施例结构示意图。
具体实施方式
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,所描述的实施例仅仅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,都属于本申请保护的范围。
在本申请实施例的描述中,需要理解的是,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。在本申请实施例的描述中,“多个”的含义是两个或两个以上,除非另有明确具体的限定。
为了使本领域任何技术人员能够实现和使用本申请,给出了以下描述。在以下描述中,为了解释的目的而列出了细节。应当明白的是,本领域普通技术人员可以认识到,在不使用这些特定细节的情况下也可以实现本申请。在其它实例中,不会对公知的过程进行详细阐述,以避免不必要的细节使本申请实施例的描述变得晦涩。因此,本申请并非旨在限于所示的实施例,而是与符合本申请实施例所公开的原理和特征的最广范围相一致。
本申请实施例提供一种应急车道占用行为检测方法、装置、电子设备和计算机可读存储介质。其中,该应急车道占用行为检测装置可以集成在电子设备中,该电子设备可以是服务器,也可以是终端等设备。
首先,在介绍本申请实施例之前,先介绍下本申请实施例关于应用背景的相关内容。
在现实生活的交通中,占用高等级道路的应急车道停车或者行车是一种非常危险的交通违法行为,增加了发生交通事故的风险。目前排查占用应急车道事件的普遍方法为通过交通卡口摄像头监控或者高速交警大队安排人员车辆持续巡逻。随着全国高等级公路里程逐年增加,在高速公路上全面铺开视频监控设备,需要大量的前期资金投入并且持续进行设备维护,但同时难以覆盖全部道路面;人工排查方式耗时耗力且覆盖频次较低。
在实际应用中发现,由于未对具体车辆类别进行识别,因此容易将警车、救护车、道路养护车辆等特殊车辆进入应急车道的行为误判为应急车道的占用行为,进而导致了应急车道占用行为的检测精度较低。
基于现有的相关技术存在的上述缺陷,本申请实施例提供了应急车道占用行为检测方法,至少在一定程度上克服现有的相关技术所存在的缺陷。
本申请实施例应急车道占用行为检测方法的执行主体可以为本申请实施例提供的应急车道占用行为检测装置,或者集成了该应急车道占用行为检测装置的服务器设备、物理主机或者用户设备(User Equipment,UE)等不同类型的电子设备,其中,应急车道占用行为检测装置可以采用硬件或者软件的方式实现,UE具体可以为智能手机、平板电脑、笔记本电脑、掌上电脑、台式电脑或者个人数字助理(Personal Digital Assistant,PDA)等终端设备。
该电子设备可以采用单独运行的工作方式,或者也可以采用设备集群的工作方式,通过应用本申请实施例提供的应急车道占用行为检测方法,可以实现自动检测应急车道的占用行为,并提高应急车道占用行为的检测精度、降低检测的硬件设备成本。
下面,开始介绍本申请实施例提供的应急车道占用行为检测方法,本申请实施例中以电子设备作为执行主体,为了简化与便于描述,后续方法实施例中将省略该执行主体。
参照图1,图1是本申请实施例提供的应急车道占用行为检测方法的一种流程示意图。需要说明的是,虽然在流程图中示出了逻辑顺序,但是在某些情况下,可以以不同于此处的顺序执行所示出或描述的步骤。该应急车道占用行为检测方法包括步骤S10~S50,其中:
S10、获取包含目标道路的第一状态图像。
其中,目标道路是指设置有应急车道的道路,如高速路、城市环线、快速路等。第一状态图像是指包含目标运单的图像。请参照图2,图2是本申请实施例中提供的包含目标道路的图像的一种示意图。
在本申请的一些实施例中,步骤S10具体可以包括:调用预设的视频采集装置获取所述第一状态图像。
其中,视频采集装置设置于特定车辆,特定车辆是指路过目标道路的频率大于预设频率阈值的车辆。视频采集装置主要用于采集包含目标道路的状态图像(此处即后文中所指状态图像可以是第一状态图像、或后文所提及的第二状态图像),视频采集装置拍摄得到的包含目标道路的多帧状态图像,可通过时间线组成视频。在后文中,状态图像以设置于特定车辆中的视频采集装置拍摄的图像为例。
例如,广州市的某快递公司的快件配送车辆通过AA高速路的频率(如每天路过n次)大于预设频率阈值,则可以将该快件配送车辆作为特定车辆,并在该快件配送车辆上设置视频采集装置。在该快件配送车辆路过AA高速路时,将调用该快件配送车辆上设置的视频采集装置,以采集包含目标道路的第一状态图像。
现有技术中主要是在应急车道的护栏立柱上安装摄像头,根据预先设定的应急车道区域,摄像头对进入该区域的车辆进行检测,从而确定应急车道是否被占用。但是,由于摄像头能够覆盖的视野范围有限,因此需要布局较多的摄像头,造成了较大的硬件成本。
由以上内容可以看出,通过在高频次路过的车辆上加装视频采集装置用于采集包含目标道路的状态图像,以基于包含目标道路的状态图像进一步检测应急车道是否被占用。一方面,在兼顾应急车道占用行为的检测精度的同时,降低了硬件成本。另一方面,由于是在高频次路过的车辆上设置视频采集装置,而无需额外采用专门的车辆用于巡查,因此降低了车辆使用成本、并可以在一定程度上缓解道路拥堵。
具体地,在实际应用中,应用本申请实施例提供的应急车道占用行为检测方法的电子设备,在硬件上可直接包括视频采集装置,并在本地存储该视频采集装置拍摄得到的图像,可在电子设备内部直接读取;或者,电子设备也可与视频采集装置建立网络连接,并根据该网络连接从视频采集装置在线获取视频采集装置得到的图像;或者,电子设备也可从存储有视频采集装置拍摄得到的图像的相关存储介质,读取出视频采集装置拍摄得到的图像,具体获取方式在此不做限定。
其中,视频采集装置可根据预设的拍摄方式拍摄图像,例如可设置拍摄高度、拍摄方向或者拍摄距离,其具体拍摄方式可根据视频采集装置本身进行调节,具体在此不做限定。视频采集装置拍摄得到的多帧图像,可通过时间线组成视频。
在一些实施方式中,可以从视频采集装置所采集的(包含目标道路的)的视频中,分别获取每一帧图像作为第一状态图像,确定应急车道内存在目标车辆。
进一步地,在另一些实施方式中,为了减少数据处理量,可以从视频采集装置所采集的(包含目标道路的)的视频中,每预设时间间隔获取一帧图像,以作为第一状态图像,确定应急车道内存在目标车辆。
S20、对所述第一状态图像进行区域检测处理,得到所述目标道路的应急车道的第一区域信息。
其中,第一区域信息是指对第一状态图像进行区域检测处理后,所得到的应急车道区域所在像素点。
请参照图3,图3是本申请实施例中提供的步骤S20的一个实施例流程示意图。
在本申请的一些实施例中,步骤S20具体可以包括以下步骤S21~S23,其中:
S21、对所述第一状态图像进行车道线检测处理,得到所述目标道路的车道线信息。
在一些实施例中,可以采用经过深度学习后的车道线检测网络来预测目标道路的车道线信息。即步骤S21具体可以包括:将所述第一状态图像输入训练后车道线检测网络的分割子网络中,以调用所述分割子网络根据所述第一状态图像进行分割处理,得到所述车道线信息。
其中,车道线信息是指目标道路的普通车道线、不可变道白实线、应急车道线、或护栏等所在的像素点。
由于车辆遮挡、灯光伪影等原因,可能会造成图像中的车道线(包括变道白实线、应急车道线、或护栏等)不是连续完整的。
为此,进一步地,“将所述第一状态图像输入训练后车道线检测网络的分割子网络中,以调用所述分割子网络根据所述第一状态图像进行分割处理,得到所述车道线信息”具体可以包括:将所述第一状态图像输入所述分割子网络中,以调用所述分割子网络根据所述第一状态图像进行分割处理,得到所述目标道路内的车道线区域的信息;从所述车道线区域的信息中,获取符合预设条件的目标线段区域信息;根据所述目标线段区域信息进行拟合处理,得到所述车道线信息。
其中,预设条件是指车道线区域的长宽比处于预设范围区间、和车道线区域的面积大于预设阈值中的至少一者。
车道线区域是指通过分割预测处理后得到的、状态图像(如第一状态图像)中车道线所在的连续像素点所构成的区域。请参照图4,图4是本申请实施例中提供的车道线区域的一种场景示意图。
由以上内容可以看出,通过从分割子网络根据第一状态图像进行分割处理所得到的车道线区域的信息中,获取符合预设条件的目标线段区域信息进行拟合得到目标道路的车道线信息,一方面,而可以完整地确定目标道路中的每条车道线。另一方面,由于在图像中车道线为细长的区域,通过筛选长宽比处于预设范围区间的车道线区域进行拟合,可以更精准地确定目标道路的车道线信息。通过筛选面积大于预设阈值车道线区域进行拟合,可以滤除干扰,也在一定程度上提高了目标道路的车道线信息的精确度。
S22、根据所述车道线信息进行分类处理,得到所述目标道路的应急车道线信息和护栏信息。
对应地,在一些实施例中,也可以采用经过深度学习后的车道线检测网络来预测目标道路的应急车道线信息和护栏信息。即步骤S22具体可以包括:调用所述预设车道线检测网络中的分类子网络对所述车道线信息进行分类处理,得到所述应急车道线信息和所述护栏信息。
其中,应急车道线信息是指目标道路中的应急车道所在的像素点。护栏信息是指目标道路中的护栏所在的像素点。
例如,对Cascade Mask R-CNN实例分割算法进行训练,得到训练后车道线检测网络。并通过训练后车道线检测网络根据第一状态图像将车道线信息(包括普通车道线、不可变道白实线、应急车道线、与护栏)准确分割出来。并且进一步对车道线信息进行区分,得到普通车道线地信息、不可变道白实线的信息、应急车道线信息、与护栏信息,即可以得到目标道路的应急车道线信息和护栏信息。
请参照图5,图5是本申请实施例提供的训练后车道线检测网络的一种总体框架示意图。
如图5所示,训练后车道线检测网络可以包括主干网络、分割子网络、分类子网络。其中,训练后车道线检测网络的具体训练过程可以参照以下步骤A1~A4中的各步骤,在此不再赘述。
其中,主干网络,可以是卷积神经网络,用于输出第一状态图像的图像特征,为后续分割子网络、分类子网络提供图像特征数据,以保证能正常预测车道线信息、中轴距离信息。主干网络以第一状态图像为输入,对第一状态图像进行特征提取处理得到第一状态图像的图像特征,并以第一状态图像的图像特征为输出。
分割子网络,用于输出车道线信息。分割子网络以第一状态图像的图像特征为输入,根据第一状态图像的图像特征进行预测处理得到目标道路的车道线信息,并以车道线信息为输出。
分类子网络,用于输出目标道路的应急车道线信息和护栏信息。分类子网络以车道线信息为输入,根据车道线信息进行回归分类处理得到目标道路的应急车道线信息和护栏信息,并以目标道路的应急车道线信息和护栏信息为输出。
由以上内容可以看出,由于训练后车道线检测网络可以充分学习和挖掘应急车道线信息和护栏信息回归分割的更优表达方式,因此,通过调用训练后车道线检测网络根据第一状态图像预测出目标道路的应急车道线信息和护栏信息,可以使得应急车道线信息和护栏信息更加准确,进而可以提高应急车道占用行为的检测精度。
在一些实施例中,训练后车道线检测网络通过以下步骤A1~A4训练得到,其中:
A1、获取目标图像。
其中,目标图像是指用于训练车道线检测网络的、包含目标道路的图像。目标图像中已标注实际的应急车道线信息、护栏信息。
目标图像中已标注的实际的应急车道线信息,是指目标图像中所包含的应急车道线的实际位置信息,即目标图像中的应急车道实际所在的像素点。实际的应急车道线信息具体可以包括标记的应急车道线的检测框。实际的护栏信息具体可以包括标记的护栏的检测框。
目标图像中已标注的实际的护栏信息,是指目标图像中所包含的护栏的实际位置信息,即目标图像中的护栏实际所在的像素点。
A2、调用预设车道线检测网络中的分割子网络,根据目标图像进行车道线分割处理,得到目标图像的车道线预测结果。
其中,车道线预测结果是指通过预测得到的目标图像中的车道线(车道线包括普通车道线、不可变道白实线、应急车道线、或护栏等)所在像素点。车道线预测结果具体可以包括预测的车道线的检测框。
A3、调用预设车道线检测网络中的分类子网络,根据车道线预测结果进行分类预测处理,得到目标图像中应急车道线的预测信息、护栏的预测信息。
由于车道线为细长的区域,人工标注车道线信息容易导致较大误差。而分割边界对于后续拟合应急车道区域以及确认占道事件都有较大影响,因此需要以更精细的级联网络对边界区域进行修正。进一步地,通过专门筛选的IOU阈值挑选对应质量的图像样本用于训练,可以使得训练后车道线检测网络的性能得到提升。
即具体地,在步骤A2中得到目标图像的车道线预测结果后,还包括:获取预测的车道线的检测框(具体可以通过人工从车道线预测结果中筛选出:应急车道的检测框、护栏的检测框)与实际标记的应急车道的检测框、护栏的检测框之间的交并比(记为IOU)。并从目标图像中,获取待训练图像,其中,待训练图像是指:车道线预测结果(即预测的应急车道的检测框)与(已标注实际的)应急车道线的检测框之间的交并比大于预设交并比阈值、并且车道线预测结果(即预测的护栏的检测框)与(已标注实际的)护栏信息的检测框之间的交并比大于预设交并比阈值所对应的图像。
在步骤A3中,采用筛选得到的待训练图像所对应的车道线预测结果进行分类预测处理,得到待训练图像中应急车道线的预测信息、护栏的预测信息。即采用待训练图像对预设车道线检测网络进行训练,由于采用实际与预测的车道线的检测框之间的交并比筛选待训练图像,可以避免由于车道线为细长的区域,人工标注车道线信息容易导致较大误差的问题,从而提高了训练后车道线检测网络对应急车道线、护栏的检测精度。
A4、根据应急车道线的预测信息、护栏的预测信息、实际的应急车道线信息、实际的护栏信息对预设车道线检测网络进行训练,得到训练后车道线检测网络。
具体地,首先,根据应急车道线的预测信息和实际的应急车道线信息,确定预设车道线检测网络的第一损失值(第一损失值是指应急车道线的预测损失值);并根据护栏的预测信息和实际的护栏信息,确定预设车道线检测网络的第二损失值(第一损失值是指护栏的预测损失值)。然后,根据第一损失值和第二损失值确定预设车道线检测网络的总损失值,并根据总损失值调整预设车道线检测网络的模型参数,直至预设车道线检测网络收敛时,将收敛的预设车道线检测网络作为训练后车道线检测网络。
与训练后车道线检测网络对应,在一些实施方式中,预设车道线检测网络包括主干网络、分割子网络、分类子网络。其中,主干网络、分割子网络、分类子网络的作用,以及网络的输入、输出可以参照以上关于“训练后车道线检测网络”的阐述,在此不再赘述。
S23、根据所述应急车道线信息和所述护栏信息,获取所述第一区域信息。
具体地,根据应急车道线信息和护栏信息,确定应急车道线与护栏所构成的区域所在像素点,以作为第一区域信息。
请参照图6,图6是本申请实施例中提供的拟合得到的应急车道区域的一种场景示意图。例如,通过如上步骤可以确定应急车道线为图6中的车道线3、护栏为图6中的车道线4,则可以根据车道线3和4所构成的区域,车道线3和4所构成的区域(即应急车道区域)所在像素点即为第一区域信息。
由以上内容可以看出,通过预测出应急车道线与护栏,从而构建出应急车道区域,从而有效保证了应急车道区域的检测,为后续检测是否存在应急车道占用行为提供了精确的数据依据。
S30、根据所述第一区域信息进行车辆检测处理,确定所述应急车道内存在目标车辆。
具体地,可以采用经过深度学习后的车辆检测模型来检测应急车道内是否存在车辆。
例如,首先,基于训练数据集(包括多张包含车辆的应急车道区域图像),对预设的车辆检测模型进行训练,使得训练后的车辆检测模型学习到车辆的特征(如由于车辆的检测框与车道线不在一个画面维度,较难完整精确地检测出车辆。可以通过训练学习车辆轮胎的特征,以使得可以通过检测车辆轮胎位置确定车辆是否处于应急车道区域),从而得到训练后的(适用于根据应急车道区域图像(即应急车道的区域信息)进行检测处理确定应急车道区域图像中是否存在车辆)车辆检测模型。其中,预设的车辆检测模型可以是可用于分类的开源网络模型,如YOLOv3网络、MobileNet网络等等。具体地,可以采用模型参数为默认值的开源分类网络作为预设的车辆检测模型。
然后,将第一区域信息输入至训练后的车辆检测模型中,以调用训练后的车辆检测模型根据第一区域信息进行特征提取处理,得到第一区域信息的特征信息;并根据第一区域信息的特征信息进行分类回归处理,确定应急车道内是否存在车辆。
在一些实施方式中,当基于第一区域信息检测到应急车道内存在车辆时,则直接确定应急车道内存在目标车辆。
在一些实施方式中,当基于第一区域信息检测到应急车道内存在车辆时,可以参照以下步骤B1~B4,确定应急车道内存在目标车辆。
S40、检测所述目标车辆的车辆类别信息。
其中,车辆类别信息可以包括如警车、救护车、道路养护车辆等特殊类别,以及如私家车、货车、载客车等普通类别。
在本申请的一些实施例中,可以采用经过深度学习后的车辆类别识别网络来检测目标车辆的车辆类别信息。
例如,首先,基于训练数据集(包括多张包含车辆的图像),对预设的车辆类别识别网络进行训练,使得训练后的车辆类别识别网络学习到每种类别车辆的特征,从而得到训练后的(适用于根据状态图像进行检测处理确定目标车辆的车辆类别信息)车辆类别识别网络。其中,预设的车辆类别识别网络可以是可用于分类的开源网络模型,如YOLOv3网络、MobileNet网络等等。具体地,可以采用模型参数为默认值的开源分类网络作为预设的车辆类别识别网络。
然后,将标注了应急车道的区域信息的状态图像(可以是第一状态图像、或第二状态图像)输入至训练后的车辆类别识别网络中,以调用训练后的车辆检测模型基于状态图像进行特征提取处理,得到应急车道的区域信息对应的特征信息,并根据应急车道的区域信息对应的特征信息进行分类处理,得到目标车辆的车辆类别信息。
即在本申请的一些实施例中,步骤S40具体可以包括:根据所述第一区域信息进行车辆特征信息提取处理,得到所述目标车辆的车辆特征信息;将所述车辆特征信息输入训练后的车辆类别识别网络,以调用所述车辆类别识别网络根据所述车辆特征信息进行分类处理,得到所述车辆类别信息。
例如,在一些实施方式中,基于第一状态图像直接确定应急车道内存在目标图像。此时,对应的,将标记了第一区域信息的第一状态图像,输入至训练后的车辆类别识别网络中,以调用训练后的车辆类别识别网络根据第一区域信息进行车辆特征信息提取处理,得到目标车辆的车辆特征信息;并根据车辆特征信息进行分类处理,得到目标车辆的车辆类别信息。
由以上内容可以看出,由于训练后车辆类别识别网络可以充分学习和挖掘车辆特征的更优表达方式,因此,通过调用训练后车辆类别识别网络根据车辆特征信息进行分类处理,得到车辆类别信息,可以使得车辆类别信息更加准确,进而可以提高应急车道占用行为的检测精度。
在另一些实施方式中,基于第一状态图像、第二状态图像均检测到了应急车道内存在车辆。此时,对应的,从第一状态图像和第二状态图像中,获取并基于清晰度较高的状态图像进行特征提取处理,得到目标车辆的特征信息,并根据目标车辆的特征信息进行分类处理,得到目标车辆的车辆类别信息。
比如,第二状态图像的清晰度比第一状态图像高,则可以将标记了第二区域信息的第二状态图像,输入至训练后的车辆类别识别网络中,以调用训练后的车辆检测模型根据第二区域信息进行车辆特征信息提取处理,得到目标车辆的车辆特征信息;并根据车辆特征信息进行分类处理,得到目标车辆的车辆类别信息。
S50、当检测到所述车辆类别信息属于预设类别信息时,确定所述目标道路的应急车道被占用。
其中,预设类别信息是指没有占用应急车道权限的车辆的类别。如,预设类别信息为私家车、货车、载客车等类别。
例如,预设类别信息为私家车、货车、载客车,当检测到目标车辆的车辆类别信息为私家车时,可以确定目标道路的应急车道被占用。当检测到目标车辆的车辆类别信息为客车时,可以确定目标道路的应急车道被占用。当检测到目标车辆的车辆类别信息为急救车时,由于急救车未违法占用应急车道,则可以确定目标道路的应急车道未被占用。
由以上内容可以看出,通过对包含目标道路(目标道路是指设置有应急车道的道路)的第一状态图像进行区域检测处理,得到目标道路的应急车道的第一区域信息;再根据第一区域信息进行检测,以确定目标道路的应急车道内存在目标车辆,可以实现自动检测是否存在应急车道的占用行为。并检测目标车辆的车辆类别信息,当检测到车辆类别信息属于预设类别信息时,才确定目标道路的应急车道被占用,从而可以避免将警车、救护车、道路养护车辆等特殊车辆进入应急车道的行为误判为应急车道的占用行为,从而提高了应急车道占用行为的检测精度。
由于目标道路较远处的成像比例相对较小,若特定车辆与目标道路上的其他车辆距离较远,则目标道路上的其他车辆、以及较远处的应急车道区域在状态图像上的成像相对较小。因此,在检测与特定车辆距离较远(目标道路上)的其他车辆是否存在占用应急车道行为时,容易出现误判的情况。即,状态图像的清晰度会影响应急车道占用行为的检测准确率的问题。
为此,可以基于多帧状态图像确定应急车道内是否存在目标车辆。具体地,在本申请的一些实施例中,步骤S30具体可以包括以下步骤B1~B4:
B1、根据所述第一区域信息检测所述应急车道内是否存在车辆。
具体地,“根据所述第一区域信息检测所述应急车道内是否存在车辆”可以参照以上步骤S30,在此不再赘述。
在一些实施方式中,当基于第一区域信息检测到应急车道内存在车辆时,继续执行步骤B2。当基于第一区域信息检测到应急车道内不存在车辆时,不作进一步数据处理。或者,当基于第一区域信息检测到应急车道内不存在车辆时,继续从视频采集装置所采集的(包含目标道路的)的视频中,获取另一帧图像,以作为第一状态图像重新检测分析。
由于基于深度学习后的网络针对噪声较高的情况也具有较好的预测性能,因此通过采用基于深度学习后的根据第一区域信息进行分类回归处理,确定应急车道内是否存在车辆,可以更高效、精准地检测出应急车道内是否存在车辆。
B2、当检测到所述应急车道内存在车辆时,获取包含目标道路的第二状态图像。
其中,第二状态图像可以包括N帧图像,其中,N为大于等于1的正整数。第二状态图像的获取时间滞后于或超前于第一状态图像的获取时间。第一状态图像与第二状态图像的主要区别在于采集时间不同。
例如,视频采集装置安装于特定车辆的正前方(用于拍摄特定车辆行驶方向的正前方道路的图像),若目标道路上的其他车辆处于特定车辆行驶方向的前方,则视频采集装置在滞后于第一状态图像获取的图像,清晰度将比第一状态图像高。因此,当基于第一状态图像检测到应急车道内存在车辆时,可以从视频采集装置所采集的(包含目标道路的)的视频中,获取在第一状态图像之后的N帧图像,以作为第二状态图像。
又如,视频采集装置安装于特定车辆的正后方(用于拍摄特定车辆行驶方向的正后方道路的图像),若目标道路上的其他车辆处于特定车辆行驶方向的后方,则视频采集装置在超前于第一状态图像获取的图像,清晰度将比第一状态图像高。因此,当基于第一状态图像检测到应急车道内存在车辆时,可以从视频采集装置所采集的(包含目标道路的)的视频中,获取在第一状态图像之前的N帧图像,以作为第二状态图像。
B3、对所述第二状态图像进行区域检测处理,得到所述目标道路的应急车道的第二区域信息。
其中,第二区域信息是指对第二状态图像进行区域检测处理后,所得到的应急车道区域所在像素点。
其中,“对所述第二状态图像进行区域检测处理,得到所述目标道路的应急车道的第二区域信息”具体可以参照以上步骤S21~S23中“对所述第一状态图像进行区域检测处理,得到所述目标道路的应急车道的第一区域信息”的具体说明和举例,在此不再赘述。
B4、根据所述第二区域信息进行车辆检测处理,确定所述应急车道内存在目标车辆。
例如,将第二区域信息输入至训练后的车辆检测模型中,以调用训练后的车辆检测模型根据第二区域信息进行分类回归处理,确定应急车道内是否存在车辆。
当基于第二区域信息检测到应急车道内不存在车辆时,不作进一步数据处理。或者,当基于第二区域信息检测到应急车道内不存在车辆时,继续从视频采集装置所采集的(包含目标道路的)的视频中,获取另一帧图像,以作为第一状态图像重新检测分析。
当基于第二区域信息检测到应急车道内存在车辆时,则确定应急车道内存在目标车辆。
由以上内容可以看出,为了减少数据处理量,可以从视频采集装置所采集的(包含目标道路的)的视频中,每预设时间间隔获取一帧图像,以作为第一状态图像。首先,基于第一状态图像先初步检测应急车道内是否存在车辆。当初步检测应急车道内存在车辆时,再从视频采集装置所采集的(包含目标道路的)的视频中,获取在第一状态图像之前的N帧图像、或在第一状态图像之后的N帧图像,以作为第二状态图像。以实现获取清晰度较高的状态图像再次检测确认应急车道内是否存在车辆,进而确定应急车道内是否存在目标车辆。从而避免在检测与特定车辆距离较远(目标道路上)的其他车辆是否存在占用应急车道行为时,容易出现误判的情况。可见,通过以上步骤B1~B4,一方面,提高了应急车道占用行为的检测精度;另一方面,减少了数据处理量。
为了进一步检测处占用应急车道的车辆的车牌号,便于交警及时处理应急车道占用行为。为此,在一些实施例中,在确定目标道路的应急车道被占用之后,还可以进一步检测出占用应急车道的目标车辆的车牌号信息。
例如,首先,可以采用训练后的车牌区域检测网络从状态图像中分割出目标车辆的车牌所在区域。然后,基于现有的字符检测方法,识别车牌所在区域中的字符,从而得到目标车辆的车牌号信息。现有的字符检测方法在此不再赘述。
其中,训练后的车牌区域检测网络通过如下方式训练得到:基于训练数据集(包括多张包含车牌区域的图像),对预设的车牌区域检测网络进行训练,使得训练后的车牌区域检测网络学习到车牌区域的特征,从而得到训练后的(适用于根据图像进行检测处理得出图像中车牌所在区域的)车牌区域检测网络。其中,预设的车牌区域检测网络可以是可用于进行实例分割的开源网络模型,如Mask R-CNN网络、LSTM-CF网络等等。具体地,可以采用模型参数为默认值的开源实例分割网络作为预设的车牌区域检测网络。
“采用训练后的车牌区域检测网络从状态图像中分割出目标车辆的车牌所在区域”具体可以包括:将第一状态图像(或第二状态图像)输入至训练后的车牌区域检测网络中,以使得训练后的车牌区域检测网络对状态图像进行特征提取处理,得到状态图像的特征信息;并根据状态图像的特征信息进行车牌所在区域检测处理,分割出第一状态图像(或第二状态图像)中的目标车辆的车牌所在区域。
进一步地,为了提高所检测车牌号信息的精度,可以基于多个状态图像检测出目标车辆的车牌号信息。即,在本申请的一些实施例中,“确定所述目标道路的应急车道被占用”的步骤之后还包括:分别对所述第一状态图像、所述第二状态图像进行识别处理,得到所述目标车辆的车牌号信息。
具体地,分别将第一状态图像、第二状态图像输入训练后的车牌区域检测网络中。
以调用训练后的车牌区域检测网络对第一状态图像进行车牌所在区域检测处理,分割出第一状态图像中的目标车辆的车牌所在区域。并调用训练后的车牌区域检测网络对第二状态图像进行车牌所在区域检测处理,分割出第二状态图像中的目标车辆的车牌所在区域。
然后,基于现有的字符检测方法,识别第一状态图像中的目标车辆的车牌所在区域中的每个字符,并输出每个字符的第一置信度,从而得到车牌号中第N个字符取值为X的第一置信度。并基于现有的字符检测方法,识别第二状态图像中的目标车辆的车牌所在区域中的字符,并输出每个字符的第二置信度,从而得到车牌号中第N个字符取值为X的第二置信度。
最后,根据第一置信度和第二置信度进行加权平均处理,从而车牌号中第N个字符取值为X的目标置信度。并从第N个字符取值中,获取目标置信度最高的字符取值,以作为车牌号中第N个字符取值。从而得到目标车辆的车牌号信息。
例如,基于状态图像1识别出目标车辆的车牌所在区域中的字符为“123”,字符“1”、“2”、“3”对应的第一置信度分别为:0.8、0.7、0.8。基于状态图像2(即第二状态图像)识别出目标车辆的车牌所在区域中的字符为“123”,字符“1”、“2”、“3”对应的第二置信度分别为:0.6、0.7、0.8。基于状态图像3(即第二状态图像)识别出目标车辆的车牌所在区域中的字符为“723”,字符“7”、“2”、“3”对应的第一置信度分别为:0.9、0.7、0.8。
假设车牌号共包括3个字符,通过对车牌号的第1个字符的取值“1”、“7”进行加权平均处理后,确定第1个字符的取值为“1”、“7”的目标置信度分别为:(0.8+0.6)/2=0.7、0.9。
通过对车牌号的第2个字符的取值“2”进行加权平均处理后,确定第2个字符的取值为“2”的目标置信度为:(0.7+0.7+0.7)/3=0.7。
通过对车牌号的第3个字符的取值“3”进行加权平均处理后,确定第3个字符的取值为“3”的目标置信度为:(0.8+0.8+0.8)/3=0.8。
车牌号的第2、3个字符的取值为“7”的目标置信度最高,因此车牌号的第1个字符的取值确定为:“7”。由于车牌号的第2、3个字符的取值只有一个,分别为:“2”、“3”,因此车牌号的第2、3个字符的取值分别确定为:“2”、“3”。从而可以确定目标车辆的车牌号信息为“723”。
由以上内容可以看出,通过结合多个状态图像(第一状态图像和第二状态图像)分别识别出目标车辆的车牌号字符、以及基于每个状态图像所识别的每个字符的置信度,再对车牌号字符进行置信度加权处理后,确定车牌号中第N个字符取值为X的目标置信度。并从第N个字符取值中,获取目标置信度最高的字符取值,以作为车牌号中第N个字符取值。使得目标车辆的车牌号信息可以更加稳定地输出,进而提高了目标车辆的车牌号信息。
为了便于交警及时处理应急车道占用行为,以保证公共资源的正确使用,在本申请的一些实施例中,在步骤S50之后还包括:获取目标信息;根据所述目标信息进行交通报警处理。
其中,目标信息包括目标车辆的车牌号信息、特定车辆的位置信息、视频采集装置的相机姿态角、和状态图像(可以是第一状态图像、或第二状态图像)的获取时间中的至少一者。
其中,目标车辆的车牌号信息的获取可以参照前述说明,在此不再赘述。
进一步地,特定车辆上安装有GPS定位装置。GPS定位装置用于采集特定车辆的GPS坐标位置,以实现获取特定车辆的位置信息。
特定车辆的视频采集装置还用于记录状态图像的采集时间。
在确定目标道路的应急车道被占用之后,电子设备可以获取目标车辆的车牌号信息、通过特定车辆上安装的GPS定位装置获取特定车辆的位置信息、通过视频采集装置获取视频采集装置的相机姿态角、以及状态图像的获取时间等信息(即目标信息)。然后,根据车辆的位置信息、视频采集装置的相机姿态角等信息,确定出现应急车道占用行为的具体道路位置;根据状态图像的获取时间等信息确定出现应急车道占用行为的具体时间。最后,将出现应急车道占用行为的具体道路位置、具体时间发送至对应的交通处理人员,以实现自动交通报警处理。以便交警可以直接获悉出现应急车道占用行为的具体道路位置、具体时间,并及时处理应急车道占用行为。
进一步地,考虑到状态图像的清晰度会影响车辆车牌号的识别问题,因此需要针对清晰度较高的状态图像识别出目标车辆的车牌号信息。具体地,在一些实施例中,根据第一区域信息进行车辆检测处理后,直接确定应急车道内存在目标车辆。此时,对应地,“获取目标信息”具体可以包括:(1)根据第一状态图像分割出目标车辆的牌照区域,并基于现有的车牌号识别算法,根据目标车辆的拍照区域识别出目标车辆的车牌号信息;(2)获取视频采集装置采集第一状态图像的时间,以作为状态图像的获取时间(即第一状态图像的获取时间);(3)获取视频采集装置采集第一状态图像时的相机姿态角,以作为视频采集装置的相机姿态角;(4)获取在第一状态图像的获取时间时,GPS定位装置采集到的特定车辆的GPS坐标位置,以作为特定车辆的位置信息。
在一些实施例中,根据第二区域信息进行车辆检测处理后,确定应急车道内存在目标车辆。此时,对应地,“获取目标信息”具体可以包括:(1)根据第二状态图像分割出目标车辆的牌照区域,并基于现有的车牌号识别算法,根据目标车辆的拍照区域识别出目标车辆的车牌号信息;(2)获取视频采集装置采集第二状态图像的时间,以作为状态图像的获取时间(即第二状态图像的获取时间);(3)获取视频采集装置采集第二状态图像时的相机姿态角,以作为视频采集装置的相机姿态角;(4)获取在第二状态图像的获取时间时,GPS定位装置采集到的特定车辆的GPS坐标位置,以作为特定车辆的位置信息。
由以上内容可以看出,通过获取目标车辆的车牌号信息、特定车辆的位置信息、视频采集装置的相机姿态角、和状态图像(可以是第一状态图像、或第二状态图像)的获取时间等信息,可以确定出现应急车道占用行为的具体道路位置、具体时间。并通过将出现应急车道占用行为的具体道路位置、具体时间发送至对应的交通处理人员,实现了自动交通报警处理。使得交警可以及时处理应急车道占用行为,对应急车道的占用行为起到了及时监督作用,一定程度保证了公共资源的正确使用。
为了更好实施本申请实施例中应急车道占用行为检测方法,在应急车道占用行为检测方法基础之上,本申请实施例中还提供一种应急车道占用行为检测装置,如图7所示,为本申请实施例中应急车道占用行为检测装置的一个实施例结构示意图,该应急车道占用行为检测装置700包括:
获取单元701,用于获取包含目标道路的第一状态图像,其中,所述目标道路是指设置有应急车道的道路;
检测单元702,用于对所述第一状态图像进行区域检测处理,得到所述目标道路的应急车道的第一区域信息;
处理单元703,用于根据所述第一区域信息进行车辆检测处理,确定所述应急车道内存在目标车辆;
所述处理单元703,用于检测所述目标车辆的车辆类别信息;
所述处理单元703,用于当检测到所述车辆类别信息属于预设类别信息时,确定所述目标道路的应急车道被占用。
在本申请的一些实施例中,所述处理单元703具体还用于:
根据所述第一区域信息进行车辆特征信息提取处理,得到所述目标车辆的车辆特征信息;
将所述车辆特征信息输入训练后的车辆类别识别网络,以调用所述车辆类别识别网络根据所述车辆特征信息进行分类处理,得到所述车辆类别信息。
在本申请的一些实施例中,所述处理单元703具体还用于:
根据所述第一区域信息检测所述应急车道内是否存在车辆;
当检测到所述应急车道内存在车辆时,获取包含目标道路的第二状态图像,其中,所述第二状态图像的获取时间滞后于或超前于所述第一状态图像的获取时间;
对所述第二状态图像进行区域检测处理,得到所述目标道路的应急车道的第二区域信息;
根据所述第二区域信息进行车辆检测处理,确定所述应急车道内存在目标车辆。
在本申请的一些实施例中,所述应急车道占用行为检测装置还包括车牌号识别单元(图中未示出),在所述确定所述目标道路的应急车道被占用的步骤之后,所述车牌号识别单元具体用于:
分别对所述第一状态图像、所述第二状态图像进行识别处理,得到所述目标车辆的车牌号信息。
在本申请的一些实施例中,所述检测单元702具体还用于:
对所述第一状态图像进行车道线检测处理,得到所述目标道路的车道线信息;
根据所述车道线信息进行分类处理,得到所述目标道路的应急车道线信息和护栏信息;
根据所述应急车道线信息和所述护栏信息,获取所述第一区域信息。
在本申请的一些实施例中,所述检测单元702具体还用于:
将所述第一状态图像输入训练后车道线检测网络的分割子网络中,以调用所述分割子网络根据所述第一状态图像进行分割处理,得到所述车道线信息;
调用所述预设车道线检测网络中的分类子网络对所述车道线信息进行分类处理,得到所述应急车道线信息和所述护栏信息。
在本申请的一些实施例中,所述检测单元702具体还用于:
将所述第一状态图像输入所述分割子网络中,以调用所述分割子网络根据所述第一状态图像进行分割处理,得到所述目标道路内的车道线区域的信息;
从所述车道线区域的信息中,获取符合预设条件的目标线段区域信息,其中,所述预设条件是指车道线区域的长宽比处于预设范围区间、和车道线区域的面积大于预设阈值中的至少一者;
根据所述目标线段区域信息进行拟合处理,得到所述车道线信息。
在本申请的一些实施例中,所述获取单元701具体还用于:
调用预设的视频采集装置获取所述第一状态图像,其中,所述视频采集装置设置于特定车辆,所述特定车辆是指路过所述目标道路的频率大于预设频率阈值的车辆。
在本申请的一些实施例中,所述应急车道占用行为检测装置还包括报警单元(图中未示出),在所述确定所述目标道路的应急车道被占用的步骤之后,所述报警单元具体用于:
获取目标信息,其中,所述目标信息包括所述目标车辆的车牌号信息、所述特定车辆的位置信息、和所述第一状态图像的获取时间中的至少一者;
根据所述目标信息进行交通报警处理。
具体实施时,以上各个单元可以作为独立的实体来实现,也可以进行任意组合,作为同一或若干个实体来实现,以上各个单元的具体实施可参见前面的方法实施例,在此不再赘述。
由于该应急车道占用行为检测装置可以执行本申请如图1至图6对应任意实施例中应急车道占用行为检测方法中的步骤,因此,可以实现本申请如图1至图6对应任意实施例中应急车道占用行为检测方法所能实现的有益效果,详见前面的说明,在此不再赘述。
此外,为了更好实施本申请实施例中应急车道占用行为检测方法,在应急车道占用行为检测方法基础之上,本申请实施例还提供一种电子设备,参阅图8,图8示出了本申请实施例电子设备的一种结构示意图,具体的,本申请实施例提供的电子设备包括处理器801,处理器801用于执行存储器802中存储的计算机程序时实现如图1至图6对应任意实施例中应急车道占用行为检测方法的各步骤;或者,处理器801用于执行存储器802中存储的计算机程序时实现如图7对应实施例中各单元的功能。
示例性的,计算机程序可以被分割成一个或多个模块/单元,一个或者多个模块/单元被存储在存储器802中,并由处理器801执行,以完成本申请实施例。一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段,该指令段用于描述计算机程序在计算机装置中的执行过程。
电子设备可包括,但不仅限于处理器801、存储器802。本领域技术人员可以理解,示意仅仅是电子设备的示例,并不构成对电子设备的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件,例如电子备还可以包括输入输出设备、网络接入设备、总线等,处理器801、存储器802、输入输出设备以及网络接入设备等通过总线相连。
处理器801可以是中央处理单元(Central Processing Unit,CPU),还可以是其他通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现成可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等,处理器是电子设备的控制中心,利用各种接口和线路连接整个电子设备的各个部分。
存储器802可用于存储计算机程序和/或模块,处理器801通过运行或执行存储在存储器802内的计算机程序和/或模块,以及调用存储在存储器802内的数据,实现计算机装置的各种功能。存储器802可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等;存储数据区可存储根据电子设备的使用所创建的数据(比如音频数据、视频数据等)等。此外,存储器可以包括高速随机存取存储器,还可以包括非易失性存储器,例如硬盘、内存、插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(Flash Card)、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
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,上述描述的应急车道占用行为检测装置、电子设备及其相应单元的具体工作过程,可以参考如图1至图6对应任意实施例中应急车道占用行为检测方法的说明,具体在此不再赘述。
本领域普通技术人员可以理解,上述实施例的各种方法中的全部或部分步骤可以通过指令来完成,或通过指令控制相关的硬件来完成,该指令可以存储于一计算机可读存储介质中,并由处理器进行加载和执行。
为此,本申请实施例提供一种计算机可读存储介质,其中存储有多条指令,该指令能够被处理器进行加载,以执行本申请如图1至图6对应任意实施例中应急车道占用行为检测方法中的步骤,具体操作可参考如图1至图6对应任意实施例中应急车道占用行为检测方法的说明,在此不再赘述。
其中,该计算机可读存储介质可以包括:只读存储器(ROM,Read Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁盘或光盘等。
由于该计算机可读存储介质中所存储的指令,可以执行本申请如图1至图6对应任意实施例中应急车道占用行为检测方法中的步骤,因此,可以实现本申请如图1至图6对应任意实施例中应急车道占用行为检测方法所能实现的有益效果,详见前面的说明,在此不再赘述。
以上对本申请实施例所提供的一种应急车道占用行为检测方法、装置、电子设备及计算机可读存储介质进行了详细介绍,本文中应用了具体个例对本申请的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本申请的方法及其核心思想;同时,对于本领域的技术人员,依据本申请的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本申请的限制。
Claims (9)
1.一种应急车道占用行为检测方法,其特征在于,所述方法包括:
获取包含目标道路的第一状态图像,其中,所述目标道路是指设置有应急车道的道路;
对所述第一状态图像进行区域检测处理,得到所述目标道路的应急车道的第一区域信息;
根据所述第一区域信息进行车辆检测处理,确定所述应急车道内存在目标车辆;
检测所述目标车辆的车辆类别信息;
当检测到所述车辆类别信息属于预设类别信息时,确定所述目标道路的应急车道被占用;
所述对所述第一状态图像进行区域检测处理,得到所述目标道路的应急车道的第一区域信息,包括:
对所述第一状态图像进行车道线检测处理,得到所述目标道路的车道线信息;
根据所述车道线信息进行分类处理,得到所述目标道路的应急车道线信息和护栏信息;
根据所述应急车道线信息和所述护栏信息,获取所述第一区域信息;
所述对所述第一状态图像进行车道线检测处理,得到所述目标道路的车道线信息,包括:
将所述第一状态图像输入训练后车道线检测网络的分割子网络中,以调用所述分割子网络根据所述第一状态图像进行分割处理,得到所述车道线信息;
所述根据所述车道线信息进行分类处理,得到所述目标道路的应急车道线信息和护栏信息,包括:
调用所述训练后车道线检测网络中的分类子网络对所述车道线信息进行分类处理,得到所述应急车道线信息和所述护栏信息;
所述将所述第一状态图像输入训练后车道线检测网络的分割子网络中,以调用所述分割子网络根据所述第一状态图像进行分割处理,得到所述车道线信息,包括:
将所述第一状态图像输入所述分割子网络中,以调用所述分割子网络根据所述第一状态图像进行分割处理,得到所述目标道路内的车道线区域的信息;
从所述车道线区域的信息中,获取符合预设条件的目标线段区域信息,其中,所述预设条件是指车道线区域的长宽比处于预设范围区间、和车道线区域的面积大于预设阈值中的至少一者;
根据所述目标线段区域信息进行拟合处理,得到所述车道线信息 。
2.根据权利要求1所述的应急车道占用行为检测方法,其特征在于,所述检测所述目标车辆的车辆类别信息,包括:
根据所述第一区域信息进行车辆特征信息提取处理,得到所述目标车辆的车辆特征信息;
将所述车辆特征信息输入训练后的车辆类别识别网络,以调用所述车辆类别识别网络根据所述车辆特征信息进行分类处理,得到所述车辆类别信息。
3.根据权利要求1所述的应急车道占用行为检测方法,其特征在于,所述根据所述第一区域信息进行车辆检测处理,确定所述应急车道内存在的目标车辆,包括:
根据所述第一区域信息检测所述应急车道内是否存在车辆;
当检测到所述应急车道内存在车辆时,获取包含目标道路的第二状态图像,其中,所述第二状态图像的获取时间滞后于或超前于所述第一状态图像的获取时间;
对所述第二状态图像进行区域检测处理,得到所述目标道路的应急车道的第二区域信息;
根据所述第二区域信息进行车辆检测处理,确定所述应急车道内存在目标车辆。
4.根据权利要求3所述的应急车道占用行为检测方法,其特征在于,所述确定所述目标道路的应急车道被占用,之后还包括:
分别对所述第一状态图像、所述第二状态图像进行识别处理,得到所述目标车辆的车牌号信息。
5.根据权利要求1-4任一项所述的应急车道占用行为检测方法,其特征在于,所述获取包含目标道路的第一状态图像,包括:
调用预设的视频采集装置获取所述第一状态图像,其中,所述视频采集装置设置于特定车辆,所述特定车辆是指路过所述目标道路的频率大于预设频率阈值的车辆。
6.根据权利要求5所述的应急车道占用行为检测方法,其特征在于,所述确定所述目标道路的应急车道被占用,之后还包括:
获取目标信息,其中,所述目标信息包括所述目标车辆的车牌号信息、所述特定车辆的位置信息、和所述第一状态图像的获取时间中的至少一者;
根据所述目标信息进行交通报警处理。
7.一种应急车道占用行为检测装置,其特征在于,所述应急车道占用行为检测装置包括:
获取单元,用于获取包含目标道路的第一状态图像,其中,所述目标道路是指设置有应急车道的道路;
检测单元,用于对所述第一状态图像进行区域检测处理,得到所述目标道路的应急车道的第一区域信息;
处理单元,用于根据所述第一区域信息进行车辆检测处理,确定所述应急车道内存在目标车辆;
所述处理单元,用于检测所述目标车辆的车辆类别信息;
所述处理单元,用于当检测到所述车辆类别信息属于预设类别信息时,确定所述目标道路的应急车道被占用;
所述检测单元具体还用于:
对所述第一状态图像进行车道线检测处理,得到所述目标道路的车道线信息;
根据所述车道线信息进行分类处理,得到所述目标道路的应急车道线信息和护栏信息;
根据所述应急车道线信息和所述护栏信息,获取所述第一区域信息;
所述检测单元具体还用于:
将所述第一状态图像输入训练后车道线检测网络的分割子网络中,以调用所述分割子网络根据所述第一状态图像进行分割处理,得到所述车道线信息;
调用所述训练后车道线检测网络中的分类子网络对所述车道线信息进行分类处理,得到所述应急车道线信息和所述护栏信息;
所述检测单元具体还用于:
将所述第一状态图像输入所述分割子网络中,以调用所述分割子网络根据所述第一状态图像进行分割处理,得到所述目标道路内的车道线区域的信息;
从所述车道线区域的信息中,获取符合预设条件的目标线段区域信息,其中,所述预设条件是指车道线区域的长宽比处于预设范围区间、和车道线区域的面积大于预设阈值中的至少一者;
根据所述目标线段区域信息进行拟合处理,得到所述车道线信息。
8.一种电子设备,其特征在于,包括处理器和存储器,所述存储器中存储有计算机程序,所述处理器调用所述存储器中的计算机程序时执行如权利要求1至6任一项所述的应急车道占用行为检测方法。
9.一种计算机可读存储介质,其特征在于,其上存储有计算机程序,所述计算机程序被处理器进行加载,以执行权利要求1至6任一项所述的应急车道占用行为检测方法中的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010913044.9A CN114141022B (zh) | 2020-09-03 | 2020-09-03 | 应急车道占用行为检测方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010913044.9A CN114141022B (zh) | 2020-09-03 | 2020-09-03 | 应急车道占用行为检测方法、装置、电子设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114141022A CN114141022A (zh) | 2022-03-04 |
CN114141022B true CN114141022B (zh) | 2023-05-23 |
Family
ID=80438094
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010913044.9A Active CN114141022B (zh) | 2020-09-03 | 2020-09-03 | 应急车道占用行为检测方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114141022B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115100844A (zh) * | 2022-05-07 | 2022-09-23 | 深圳汇辰软件有限公司 | 一种应急车道占用行为的识别系统、方法及终端设备 |
CN115565371A (zh) * | 2022-09-21 | 2023-01-03 | 北京汇通天下物联科技有限公司 | 应急停车检测方法、装置、电子设备及可读存储介质 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE102018100154A1 (de) * | 2017-01-13 | 2018-07-19 | Ford Global Technologies, Llc | System und verfahren zur vermeidung von interferenz mit einem bus |
CN109637151A (zh) * | 2018-12-31 | 2019-04-16 | 上海眼控科技股份有限公司 | 一种高速公路应急车道违章行驶的识别方法 |
CN109726699A (zh) * | 2019-01-07 | 2019-05-07 | 殷鹏 | 基于人工智能的电动自行车占用机动车道识别方法 |
CN111081028A (zh) * | 2019-12-31 | 2020-04-28 | 安徽协同创新设计研究院有限公司 | 交通违停、占用应急车道的识别分析 |
CN111126209A (zh) * | 2019-12-09 | 2020-05-08 | 上海博泰悦臻电子设备制造有限公司 | 车道线检测方法及相关设备 |
CN111611886A (zh) * | 2020-04-24 | 2020-09-01 | 智慧互通科技有限公司 | 一种基于车辆行为分析的停车信息校验方法及装置 |
Family Cites Families (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107025642B (zh) * | 2016-01-27 | 2018-06-22 | 百度在线网络技术(北京)有限公司 | 基于点云数据的车辆轮廓检测方法和装置 |
CN107705552B (zh) * | 2016-08-08 | 2020-04-28 | 杭州海康威视数字技术股份有限公司 | 一种应急车道占用行为检测方法、装置及系统 |
US10497257B2 (en) * | 2017-08-31 | 2019-12-03 | Nec Corporation | Parking lot surveillance with viewpoint invariant object recognition by synthesization and domain adaptation |
CN108470159B (zh) * | 2018-03-09 | 2019-12-20 | 腾讯科技(深圳)有限公司 | 车道线数据处理方法、装置、计算机设备和存储介质 |
CN108411820B (zh) * | 2018-03-23 | 2020-03-31 | 合肥工业大学 | 一种高速公路应急车道智能管理与控制系统 |
CN110659539B (zh) * | 2018-06-28 | 2022-11-25 | 杭州海康威视数字技术股份有限公司 | 一种信息处理方法、装置及机器可读存储介质 |
CN110084095B (zh) * | 2019-03-12 | 2022-03-25 | 浙江大华技术股份有限公司 | 车道线检测方法、车道线检测装置和计算机存储介质 |
CN110491132B (zh) * | 2019-07-11 | 2022-04-08 | 平安科技(深圳)有限公司 | 基于视频帧图片分析的车辆违停检测方法及装置 |
CN110491141B (zh) * | 2019-08-22 | 2021-03-23 | 长安大学 | 一种车辆信息识别系统及识别方法 |
CN110718058B (zh) * | 2019-09-26 | 2022-05-20 | 东南大学 | 一种基于主动安全终端的高速公路应急车道占用检测和处置方法 |
-
2020
- 2020-09-03 CN CN202010913044.9A patent/CN114141022B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE102018100154A1 (de) * | 2017-01-13 | 2018-07-19 | Ford Global Technologies, Llc | System und verfahren zur vermeidung von interferenz mit einem bus |
CN109637151A (zh) * | 2018-12-31 | 2019-04-16 | 上海眼控科技股份有限公司 | 一种高速公路应急车道违章行驶的识别方法 |
CN109726699A (zh) * | 2019-01-07 | 2019-05-07 | 殷鹏 | 基于人工智能的电动自行车占用机动车道识别方法 |
CN111126209A (zh) * | 2019-12-09 | 2020-05-08 | 上海博泰悦臻电子设备制造有限公司 | 车道线检测方法及相关设备 |
CN111081028A (zh) * | 2019-12-31 | 2020-04-28 | 安徽协同创新设计研究院有限公司 | 交通违停、占用应急车道的识别分析 |
CN111611886A (zh) * | 2020-04-24 | 2020-09-01 | 智慧互通科技有限公司 | 一种基于车辆行为分析的停车信息校验方法及装置 |
Non-Patent Citations (1)
Title |
---|
杨常华.基于深度学习的高速公路视频事件检测系统分析.《山西电子技术》.2020,(第2期),第13-15页. * |
Also Published As
Publication number | Publication date |
---|---|
CN114141022A (zh) | 2022-03-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107705552B (zh) | 一种应急车道占用行为检测方法、装置及系统 | |
CN111382704B (zh) | 基于深度学习的车辆压线违章判断方法、装置及存储介质 | |
CN103824452B (zh) | 一种轻量级的基于全景视觉的违章停车检测装置 | |
WO2019105342A1 (zh) | 车辆套牌检测方法、装置、可读存储介质及电子设备 | |
US11380104B2 (en) | Method and device for detecting illegal parking, and electronic device | |
US20210192227A1 (en) | Method and apparatus for detecting parking space usage condition, electronic device, and storage medium | |
CN112163543A (zh) | 一种车辆违法占道的检测方法及系统 | |
CN111444798B (zh) | 电动自行车驾驶行为的识别方法、装置和计算机设备 | |
US20180129883A1 (en) | Detection method and apparatus of a status of a parking lot and electronic equipment | |
CN114141022B (zh) | 应急车道占用行为检测方法、装置、电子设备及存储介质 | |
KR101756848B1 (ko) | 불법 주정차 관리 시스템 | |
JP2008130086A (ja) | 分類境界確定方法及び分類境界確定装置 | |
US11482012B2 (en) | Method for driving assistance and mobile device using the method | |
KR101001302B1 (ko) | 코너정보를 이용한 끼어들기 위반차량 검지시스템 및 그 방법 | |
CN112381014A (zh) | 一种基于城市道路的违停车辆检测及管理方法及系统 | |
CN111967396A (zh) | 障碍物检测的处理方法、装置、设备及存储介质 | |
JP6678552B2 (ja) | 車種判別装置および車種判別方法 | |
CN114202936B (zh) | 一种交通指挥机器人及其控制方法 | |
Nguwi et al. | Number plate recognition in noisy image | |
CN113112813B (zh) | 违章停车检测方法及装置 | |
WO2019085929A1 (zh) | 图像处理方法及其装置、安全驾驶方法 | |
CN113076852A (zh) | 一种基于5g通信的占用公交车道车载抓拍处理系统 | |
CN113392680A (zh) | 道路识别装置及方法、电子设备 | |
CN114693722B (zh) | 一种车辆行驶行为检测方法、检测装置及检测设备 | |
CN116152753A (zh) | 车辆信息识别方法和系统、存储介质和电子装置 |
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 |