CN114333308A - 交通异常识别方法、装置、电子设备及存储介质 - Google Patents
交通异常识别方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN114333308A CN114333308A CN202111605360.0A CN202111605360A CN114333308A CN 114333308 A CN114333308 A CN 114333308A CN 202111605360 A CN202111605360 A CN 202111605360A CN 114333308 A CN114333308 A CN 114333308A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- traffic
- identification
- video data
- attribute
- 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
Landscapes
- Traffic Control Systems (AREA)
Abstract
本申请的实施例提供的交通异常识别方法、装置、电子设备及存储介质,可通过获取的交通视频数据进行车辆识别处理,确定所述交通视频数据中的至少一个车辆,以及各车辆的行驶轨迹和车辆属性;根据各车辆的行驶轨迹确定是否有目标车辆出现交通异常;若是,则根据所述目标车辆的车辆属性,生成交通异常识别结果。本申请提供的方案不仅能够对交通异常进行实时分析和判断,而且在识别结果中还直接提供有出现交通异常的车辆的车辆属性,从而能够使得交通管理人员在及时获知交通异常发生的情况下,还能够根据车辆属性对出现交通异常的车辆进行快速锁定,便于道路管理人员采取相应的处理措施。
Description
技术领域
本申请实施例涉及数据处理领域,尤其涉及交通异常识别方法、装置、电子设备及存储介质。
背景技术
随着物联网技术的发展,视频监控系统逐步覆盖生活各处,特别的,在交通领域中,利用视频监控平台进行实时路况信息的获取成为可能。交通异常是指包括交通拥堵、交通事故、交通违章等一系列非正常交通状态的状态集合。通过及时的对交通异常情况进行识别,可有效且及时的对交通事态进行干预,保证交通安全。
在现有技术中,对于交通异常的识别往往需要通过人力进行,需要人工手动有选择对视频监控平台监测,也就是从海量的视频中去人工搜索交通异常现象。
但是,由人工对庞大的视频数据进行处理,既无时效性,也无准确性,对道路交通情况只能满足于事后查询,缺乏前瞻性。
发明内容
本申请提供交通异常识别方法、装置、电子设备及存储介质,用以对交通视频数据进行车辆识别处理,并确定车辆属性及行驶轨迹,以便对交通异常情况进行检测,保证交通安全。
一方面,本申请提供一种交通异常识别方法,包括:
对获取的交通视频数据进行车辆识别处理,确定所述交通视频数据中的至少一个车辆,以及各车辆的行驶轨迹和车辆属性;
根据各车辆的行驶轨迹确定是否有目标车辆出现交通异常。
第二方面,本申请提供了一种交通异常的识别装置,包括:
第一处理模块,用于对获取的交通视频数据进行车辆识别处理,确定所述交通视频数据中的至少一个车辆,以及各车辆的行驶轨迹和车辆属性;
第二处理模块,用于根据各车辆的行驶轨迹确定是否有目标车辆出现交通异常;
结果生成模块,用于在第二处理模块确定有目标车辆出现交通异常时,根据所述目标车辆的车辆属性,生成交通异常识别结果。
第三方面,本申请提供了一种电子设备,包括:
至少一个处理器;以及
存储器;
所述存储器存储计算机执行指令;
所述至少一个处理器执行所述存储器存储的计算机执行指令,使得所述至少一个处理器执行实现如前任一项所述的方法。
第四方面,本申请提供了一种计算机可读存储介质,所述计算机可读存储介质中存储有计算机执行指令,当处理器执行所述计算机执行指令时,实现如前任一项所述的方法。
第五方面,本申请提供了一种计算机程序产品,包括计算机指令,该计算机指令被处理器执行时,实现如前任一项所述的方法。
本申请提供交通异常的识别方法、装置、电子设备及存储介质,通过采用对获取的交通视频数据进行车辆识别处理,确定所述交通视频数据中的至少一个车辆,以及各车辆的行驶轨迹和车辆属性;根据各车辆的行驶轨迹确定是否有目标车辆出现交通异常;若是,则根据所述目标车辆的车辆属性,生成交通异常识别结果的技术方案,从而实现了对交通视频数据中交通异常情况的自动识别和交通异常结果的自动生成,相对于现有技术中采用人力对交通异常进行识别的方案来说,本申请提供的方案其识别效率更高,时效性更好,人力成本较低。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本公开的实施例,并与说明书一起用于解释本公开的原理。
图1是本申请提供的一种交通异常识别方法架构图;
图2是本申请提供的一种交通异常识别方法的识别车辆与车辆属性的流程图;
图3为本申请提供的连续帧视频帧图像中车辆的图像位置的示意图;
图4是本申请提供的一种交通异常识别方法的车辆的行驶轨迹示意图;
图5是本申请提供的一种交通异常识别装置的结构框图;
图6是本申请提供的实施例提供的电子设备的硬件结构示意图。
通过上述附图,已示出本申请明确的实施例,后文中将有更详细的描述。这些附图和文字描述并不是为了通过任何方式限制本申请构思的范围,而是通过参考特定实施例为本领域技术人员说明本申请的概念。
具体实施方式
这里将详细地对示例性实施例进行说明,其示例表示在附图中。下面的描述涉及附图时,除非另有表示,不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本申请相一致的所有实施方式。相反,它们仅是与如所附权利要求书中所详述的、本申请的一些方面相一致的装置和方法的例子。
随着物联网技术的发展,视频监控系统逐步覆盖生活各处,特别的,在交通领域中,利用视频监控平台进行实时路况信息的获取成为可能。
交通异常是指包括交通拥堵、交通事故、交通违章等一系列非正常交通状态的状态集合。通过及时的对交通异常情况进行识别,可有效且及时的对交通事态进行干预,保证交通安全。
在现有技术中,对于交通异常的识别往往需要通过人力进行,即通过交通观察员对各个视频监控平台的数据进行监控,从而及时获取交通异常信息。在一般情况,交通观察员需要同时对多个监控平台的屏幕进行监控,以保证其所负责的每一个监控屏幕所拍摄的画面中没有交通异常的发生。
当交通观察员发现了交通异常,其需要对交通异常进行异常原因和异常地点的上报,以便于交通管理人员对该交通异常情况进行相应的处理。
显然的,现有的处理方式中,由于视频信息量巨大以及人力资源的有效性,现有的方式容易出现无法对交通异常进行及时识别,甚至是遗漏识别的情况,这也将严重影响交通安全。
针对这样的技术问题,发明人考虑可利用一些自动化的识别处理方法,以对视频中的交通异常进行辅助识别。具体来说,对获取的交通视频数据进行车辆识别处理,确定所述交通视频数据中的至少一个车辆,以及各车辆的行驶轨迹和车辆属性;根据各车辆的行驶轨迹确定是否有目标车辆出现交通异常;若是,则根据所述目标车辆的车辆属性,生成交通异常识别结果。
其中,通过采用先对车辆进行识别,以获取车辆行驶轨迹和车辆属性,再基于车辆行驶轨迹判定是否出现交通异常情况,最后基于车辆属性对交通异常识别结果进行生成的方式,从而实现了对交通视频数据中交通异常情况的自动识别和交通异常结果的自动生成,相对于现有技术中采用人力对交通异常进行识别的方案来说,本申请提供的方案其识别效率更高,时效性更好,人力成本较低。
下面以具体地实施例对本申请的实施例的技术方案以及本申请的技术方案如何解决上述技术问题进行详细说明。下面这几个具体的实施例可以相互结合,对于相同或相似的概念或过程可能在某些实施例中不再赘述。下面将结合附图,对本申请的实施例的实施例进行描述。
参考图1,图1为申请所基于的一种网络架构的示意图,该图1所示网络架构具体可包括视频监控设备1、服务器2、以及终端3。
其中,视频监控设备1具体为设置在交通道路上、交通道路两侧的一个或多个视频采集设备,如视频监控摄像头等。其可用于对一定范围内的交通道路进行拍摄,以得到交通视频数据,并通过网络将得到的交通视频数据上传至服务器2。
服务器2具体为设置在云端的运算服务器集群,其可用于基于本申请提供的交通长的识别方法,对视频监控设备1上传的交通视频数据进行识别处理,以生成相应的交通异常识别结果。
终端3具体可为用户手机、台式电脑、平板电脑等硬件设备,其可与服务器2通过网络进行链接,以获取服务器2下发的交通异常识别结果,并展示给用户。
实施例一
图2是本申请提供的一种交通异常的识别方法的流程示意图,如图2所示的,该方法包括:
步骤201、对获取的交通视频数据进行车辆识别处理,确定所述交通视频数据中的至少一个车辆,以及各车辆的行驶轨迹和车辆属性。
步骤202、根据各车辆的行驶轨迹确定是否有目标车辆出现交通异常。
步骤203、若是,则根据所述目标车辆的车辆属性,生成交通异常识别结果。
需要说明的是,本申请提供的交通异常的识别方法具体执行主体为交通异常的识别装置,该交通异常的识别装置具体可集成或安装或承载在前述的服务器中。
具体来说,首先,视频监控设备会对道路交通情况进行拍摄,以得到交通视频数据,视频监控设备可通过实时上传或周期性上传的方式,将拍摄得到的交通视频数据上传至服务器中,以供交通异常的识别装置从服务器中获取和处理。
在识别装置获取到交通视频数据之后,可对交通视频数据进行预处理,以保证后续的识别的正常进行。其中,所述预处理包括但不限于对交通视频数据进行解码处理,以及对交通视频数据进行数据帧的分帧处理等。
在识别过程中,识别装置将对交通视频数据进行车辆识别处理,以得到交通视频数据中所拍摄的车辆的相关信息,该车辆的相关信息至少包括有车辆的行驶轨迹以及车辆属性。
其中,车辆的行驶轨迹具体可指车辆在交通道路上的行驶路线,而车辆属性则具体可指车辆身份,如车牌信息、车型信息、车辆部件信息等等。
在完成对视频数据中车辆的识别之后,识别装置还将根据车辆的行驶轨迹是否异常,来确定车辆是否出现交通异常。其中,交通异常具体可包括交通拥堵、交通事故、交通违章等等。
当识别装置确定出某一车辆出现了交通异常时,则可根据前述获取的该车辆的车辆属性,生成交通异常识别结果。其中,该交通异常识别结果中至少包括有出现异常的车辆的车辆属性,还可包括有出现异常的道路位置和异常时间等。
通过采用交通异常识别方法,不仅能够对交通异常进行实时分析和判断,而且在识别结果中还直接提供有出现交通异常车辆的车辆属性,从而能够使得交通管理人员在及时获知交通异常发生的情况下,还能够根据车辆属性对出现交通异常的车辆进行快速锁定,便于其采取相应的处理措施,打破了现有技术中采用人力对交通异常进行识别的局限性。
在本申请实施方式中,还提供了一种对于交通视频数据进行车辆识别处理的具体方式,在可选的实施方式中,交通视频数据中包括有连续的多个视频帧图像。相应的,上述的步骤202具体可包括:
步骤2021、利用预设的车辆检测模型对所述交通视频数据中的每一视频帧图像进行车辆检测处理,以确定出每一视频帧图像中的至少一个车辆以及每个车辆在视频帧图像中的图像位置。
步骤2022、根据每个车辆在各视频帧图像中的图像位置,确定每个车辆的行驶轨迹。
步骤2023、根据每个车辆在至少一个视频帧图像中的图像位置,确定出每个车辆的车辆图像,并对每个车辆的车辆图像进行属性识别,得到每个车辆的车辆属性。
具体来说,在上述步骤2021中,识别装置中可预设有车辆检测模型。该车辆检测模型可为训练完毕的神经网络模型。当交通视频数据中的每一视频帧图像输入至该车辆检测模型后,车辆检测模型可输出每一视频帧图像中的至少一个车辆以及每个车辆在视频帧图像中的图像位置。
进一步来说,前述的车辆检测模型具体可利用如YOLOv3目标检测神经网络模型在内的网络模型来实现,当然,YOLOv3只是实现其检测目标的其中一类模型,在其他可选方式中,还可采用其他目标检测模型来实现对车辆的检测,本实施方式对其不进行限制。
在执行步骤2021之前,还可对该模型先行进行训练,具体的,首先可获取到大量的车辆实景训练图像,然后对这些车辆实景训练图像进行目标标注,以标注出每一张车辆实景训练图像中所出现的车辆的图像位置,车辆实景训练图像以及相应的标注值将构成车辆实景训练数据集。然后,可将车辆实景训练图像中的训练图像及相应的标注值输入至待训练的车辆检测模型中,以进行训练最终以得到步骤2021中所述的预设的车辆检测模型。
在完成对于每一视频帧图像进行车辆检测处理之后,识别装置还可如步骤2022所述的,利用各视频帧图像之间的连续性确定出图像中各车辆的行驶轨迹。具体的,由于所提及的车辆实景训练图像是对服务器中获取到的某一时间段的视频流进行预处理和分帧处理而获得的画面清晰的静态图片。通过对各视频帧图像进行基于帧的时序的排序,能够获得同一车辆在不同时序帧图像中的车辆位置,进而将各车辆位置进行组合以构建出该车辆的行驶轨迹。通过利用帧的时序,还可确定是车辆在每一车辆位置的瞬时速度,以得到用于表示车辆位置和瞬速速度的行驶轨迹。
图3为本申请提供的连续帧视频帧图像中车辆的图像位置的示意图,如图3所示的,在包括第1视频帧图像、第2视频帧图像和第3视频帧图像在内的图像中,利用如步骤2021所述的方式对图像中的车辆进行识别,其确定出每个图像中的各车辆的图像位置。如图3所示的,第1视频帧图像中可识别出A车和B车的位置(方框示出车辆的图像位置),第2视频帧图像和和第3视频帧图像中可分别识别出A车、B车以及C车的位置(方框示出车辆的图像位置)。
图4为本申请提供的车辆的行驶轨迹的示意图,如图4所示的,在图3的基础上,利用每一视频帧图像的帧的时间可构建每一车辆的行驶轨迹,即图4中的虚线部分。
此外,在完成对每个车辆的行驶轨迹的确定之后,识别装置还将针对每一个车辆,进行属性识别处理。具体来说,由于前述步骤2021中已经确定出每个车辆在连续视频帧图像中的图像位置,在步骤2023中,可针对车辆中的每一个车辆,根据该车辆的在各视频帧图像中的图像位置,截取出该车辆的多个车辆图像,然后,从多个车辆图像中选取任一车辆图像以进行属性识别。
其中,属性识别所用到的车辆图像具体可为清晰度较高的图像。
在可选的实施方式中,上述的步骤2023具体可包括:针对各车辆中的任一个车辆的车辆图像,利用预设的车身朝向分类模型,对任一个车辆的车辆图像进行车辆朝向的识别。当该任一车辆的车辆超前时,则对该任一车辆的车辆图像进行属性识别处理,得到该任一车辆的车辆属性;其中,所述车辆属性包括车辆部件信息、车牌信息、车型信息。
具体的来说,为了更好的识别出车辆属性,在识别装置中还预设有车身朝向分类模型,而通过利用该车身朝向分类模型,可对车辆图像中的车辆的朝向进行识别并分类。
在本实施方式中,为了使得车辆属性能够被准确的识别出来,当且仅当车辆图像中的车辆朝前时,即车头面向图像拍摄方向时,该车辆图像才被进行属性识别处理;反之,当车辆图像中的车辆朝后时,即车头背向图像拍摄方向时,车辆图像将不进行属性识别处理。
进一步来说,上述的车身朝向模型具体利用如YOLOv3目标检测神经网络模型与ResNet-50图像分类神经网络模型在内的网络模型来实现。YOLOv3与ResNet-50只是实现检测车身朝向的其中的一种组合方式,在其他可选方式中,还可采用其他目标检测模型来实现对车身朝向的检测,本实施方式对其不进行限制。
此外,本实施方式中还可包括对该车身朝向模型进行训练的过程:首先采集得到大量的车辆实景训练图像,其中车辆实景训练图像中应包括有车辆;随后,对车辆实景训练图像中的车辆的车头的朝向进行方向标注,以得到包括有车辆实景训练图像以及方向标注的车辆朝向数据集。最后,将车辆实景训练图像中的训练图像及相应的方向标注输入至待训练的车身朝向模型中,以进行训练最终以得到上述的车身朝向模型。
在完成对上述车辆图像中车辆的车身朝向判定之后,如前所述的,当且仅当车辆图像中的车辆朝前时,即车头面向图像拍摄方向时,该车辆图像将被进行属性识别处理。此时,识别装置可对车辆图像中的车辆进行多种车辆属性的识别处理,其中可识别的车辆属性包括但不限于:车辆部件信息、车牌信息、车型信息。
具体来说,车辆部件信息可包括安全带信息(安全带已使用,或安全带未使用)、车头灯信息(远光灯已使用,或远光灯未使用,或轮廓灯已使用,或轮廓灯未使用)等用于表示车辆部件使用状态的信息。在识别时,具体可利用基于车辆部件的目标检测网络先对车辆部件的位置进行识别,然后利用基于使用状态的分类网络对车辆部件的使用状态进行分类,最后得到车辆部件信息。
而车牌信息具体可指代车牌标识信息。在识别时,可先利用基于车牌位置的检测网络对车牌所在位置进行识别,然后利用OCR识别算法对车牌所在位置的图像进行OCR识别,以得到图像中所描述的车牌标识。
而车型信息具体可指代车辆的车标类型、车型分类、颜色等信息。在识别时,具体可利用车标的检测网络先对车标的位置进行识别,然后利用可对车标进行分类的模型,对车标图像进行分类,以确定车辆的车标;此外,识别时,还可利用颜色识别模型,对车辆的车身颜色进行识别,最后,根据车身颜色识别结果以及车标类型确定出车型分类。
通过上述方式,能够对车辆属性进行准确识别,便于生成交通异常识别结果。
在上述实施方式的基础上的,在可选实施方式中,步骤202具体可包括根据所述各车辆的行驶轨迹,确定是否有目标车辆出现交通拥堵。
如前所述的,由于车辆的行驶轨迹即表示有车辆的行驶路径,又表示有车辆在每一车辆位置上的瞬时速度,利用其中的瞬时速度,则可确定出在视频数据所包含的多个车辆中,是否有车辆出现瞬时速度异常的现象。如根据各车辆行驶轨迹,判断是否出现某个车辆的瞬时速度逐步降速至0,或瞬时速度持续维持在低配速,若是,则说明该车辆可能处于交通拥堵的情况中。
进一步的,为了使得对于交通拥堵的情况判定更为准确,当视频数据中所包含的多个车辆都处于交通拥堵的情况时,则可确定出该视频数据所对应的路段出现交通拥堵的情况。
最后,识别装置根据上述结果可确定出现交通拥堵的目标车辆,并结合前述得到的目标车辆的车辆属性,生成具有车辆属性的目标车辆在某时某地出现交通拥堵的识别结果。
在上述实施方式的基础上的,在可选实施方式中,识别装置还将根据所述各车辆的行驶轨迹,确定是否有目标车辆出现交通违章或交通事故。
如前所述的,由于车辆的行驶轨迹即表示有车辆的行驶路径,又表示有车辆在每一车辆位置上的瞬时速度,综合考虑行驶路径与瞬时速度,则可确定出在视频数据所包含的多个车辆中,是否有车辆出现交通违章。当车辆的行驶轨迹中的某一段轨迹路线出现在应急车道或者其他禁行驶的区域时,或者车辆行驶轨迹与其他车辆方向不一致,则判断该车辆存在交通违章;同时,依据视频帧中每一车辆的瞬时速度是否大于当前道路速度要求,若是,则该车辆出现超速违章行为。
同样,综合考虑车辆的行驶路径与瞬时速度,则可确定出在视频数据所包含的多个车辆中,是否有车辆出现交通事故。当连续视频帧中某一车辆瞬时速度突然下降到0,即车辆急停,随后在连续的视频帧中陆续出现车辆急停,或者车辆的行驶路呈较大弧度的曲线,或者车辆的瞬时速度毫无规律的变动(如图4中的车A),此时可以判断有目标车辆出现交通事故。
进一步的,为了使得对于交通拥堵的情况判定更为准确,当视频数据中所包含的多个车辆都处于交通拥堵的情况时,则可确定出该视频数据所对应的路段出现交通拥堵的情况。
最后,识别装置根据上述结果可确定出现交通拥堵的目标车辆,并结合前述得到的目标车辆的车辆属性,生成具有车辆属性的目标车辆在某时某地出现交通拥堵的识别结果。
在上述实施例的基础上,本申请提供的识别方法还能够对于行人所出现的交通异常进行识别,从而使得识别范围更广,精准度更高。可选实施方式中,该识别方法还包括:对获取的交通视频数据进行人体识别处理,确定所述交通视频数据中的至少一个行人,以及各行人的行驶轨迹和行人属性。
具体的来说,识别装置预设有人体识别模型,基于交通实时视频流进行分帧处理,得到连续的视频帧,然后进行跳帧处理,然后将其输入至预设好的人体识别模型,人体识别模型可输出每一视频帧图像中的至少一个行人以及每个行人在视频帧图像中的图像位置。其中的跳帧是指对视频流分帧处理后形成的连续帧,采用等间距值对连续帧间隔取视频帧的过程,能够使得模型仅对部分数据进行处理,其运算量相对较小,运算效率得到提升。
进一步来说,前述的人体识别模型,包括基于Retinaface人脸检测模型与YOLOv3目标检测神经网络模型。具体来说Retinaface人脸检测模型是一种基于人脸数据训练数据集训练的到的高精度神经网络模型,该模型可实现对多目标进行快速检测;YOLOv3仅是实现其检测人体的其中一类模型,在其他可选方式中,还可采用其他目标检测模型来实现对人体的检测,本实施方式对其不进行限制。
在本申请提供的实施方式中,还包括对该模型先行进行训练的过程,具体的,在执行上述步骤之前,首先可通过网络获取到大量公开的人脸与人体数据集,然后对这些人脸与人体数据集进行目标标注,以标注出每一张人脸图像中五官的位置,以及每一张人体图像中的衣服颜色、是否佩戴帽子、身高、头发长短等特征信息,人脸与人体数据图像以及相应的标注值将构成人脸与人体识别训练数据集。然后,可将人脸与人体识别训练数据图像及相应的标注值输入至待训练的人体识别模型中,以进行训练最终以得到人体识别模型。
通过上述对行人的识别,可确定出各行人的行驶轨迹,进而确定是否有目标行人出现交通异常:
具体来说,在完成对于每一视频帧图像进行人体识别处理之后,识别装置还可如根据各行人的行驶轨迹确定是否有目标行人出现交通异常,利用各视频帧图像之间的连续性确定出图像中行人的行驶轨迹。
由于所提及的人脸人体数据集是对服务器中获取到的某一时间段的视频流进行预处理和分帧处理而获得的画面清晰的静态图片。通过对各视频帧图像进行基于帧的时序的排序,能够获得同一行人在不同时序帧图像中的行人位置,进而将各行人位置进行组合以构建出该行人的行驶轨迹,以得到用于表示行人的属性。根据行人轨迹即行人的行走路线,判断行人的行走路线是否在交通道路规定的范围内,若不是则该行人出现交通异常行为。
同时,在完成对行人的行驶轨迹的识别之后,识别装置还可对行人属性进行识别,其中,行人属性是指行人的特征,如面部特征、衣服颜色、头发长短以及外部的配饰等特征信息。
而通过对行人的行驶轨迹的判定,能够确定出该行人是否出现交通异常行为,进而基于出现交通异常行为的目标行人的行人属性,构建相应的交通异常识别结果。
举例来说,若有行人出现闯红灯的情况,该行人在交通路口的行驶轨迹将出现走走停停的异常现象,此时,识别装置可将该行人的面部特征、衣服颜色、头发长短以及外部的配饰等特征信息结合视频拍摄位置和拍摄时间,一并生成交通异常识别结果。
本实施方式中所得到的识别结果不仅包括有对车辆相关信息进行分析而得到的交通异常结果,还包括有对行人相关信息进行分析而得到的交通异常结果,其结果所包含的信息更全面,普适性更强。
在上述实施例的基础上,本申请提供的识别方法还能够对于路面所出现的交通异常进行识别,从而使得识别范围更广,精准度更高。
具体的,识别方法还包括:
对获取的交通视频数据进行路面异物识别处理,确定所述交通视频数据所拍摄的路面上是否存有异物。
具体来说,在上述各实施方式的基础上,识别装置中还预设有路面异物识别模型,以用于对路面上是否存在有异物进行识别。其中,路面异物包含修路时放置的路障、车上遗失、车上抛撒下来的物品等。当通过路面异物识别模型识别初路面上存在异物,则可根据识别出的异物的位置,生成交通异常识别结果。
在上述实施例的基础上,可选实施方式中,该识别方法还包括:对获取的交通视频数据进行天气识别处理,确定所述交通视频数据中的至少一个天气气象,以及各天气气象的等级,并判断是否有天气灾害发生。
具体的,识别方法还包括:利用预设的天气识别模型,对所述交通视频数据进行天气识别处理;对获取的天气识别处理结果进行灾害识别处理,确定所述交通视频数据所拍摄的场景下是否具有天气灾害现象;若是,则根据所述天气灾害现象所发生的位置,生成交通异常识别结果。
其中,天气识别模型是预先设置在识别装置中的可用于对交通视频数据进行天气识别分类的神经网络模型。
通过利用该天气识别模型可输出由交通视频数据中所对应的天气类型以及气象等级所构成的天气识别处理结果。具体来说天气识别处理结果具体可包括[风,8级]、[雾霾,重度]等。
然后,可对天气识别处理结果进行灾害识别分析处理,以确定当前天气类型以及气象等级是否是会对交通造成异常的灾害型气象现象。最后,结合该检测到的地理位置与时间,生成天气识别结果。
本申请提供交通异常的识别方法,通过采用对获取的交通视频数据进行车辆识别处理,确定所述交通视频数据中的至少一个车辆,以及各车辆的行驶轨迹和车辆属性;根据各车辆的行驶轨迹确定是否有目标车辆出现交通异常;若是,则根据所述目标车辆的车辆属性,生成交通异常识别结果的技术方案,从而实现了对交通视频数据中交通异常情况的自动识别和交通异常结果的自动生成,相对于现有技术中采用人力对交通异常进行识别的方案来说,本申请提供的方案其识别效率更高,时效性更好,人力成本较低。
实施例二
对应于上文实施例的交通异常识别方法,图5为本公开实施例提供的一种交通异常识别装置的结构示意图。为了便于说明,仅示出了与本公开实施例相关的部分。
参照图5,该交通异常识别装置包括:
第一处理模块10,用于对获取的交通视频数据进行车辆识别处理,确定所述交通视频数据中的至少一个车辆,以及各车辆的行驶轨迹和车辆属性;
第二处理模块20,用于根据各车辆的行驶轨迹确定是否有目标车辆出现交通异常;
结果生成模块30,用于在第二处理模块确定有目标车辆出现交通异常时,根据所述目标车辆的车辆属性,生成交通异常识别结果。
可选的,所述交通视频数据中包括有连续的多个视频帧图像;
所述第一处理模块10,具体用于:
利用预设的车辆检测模型对所述交通视频数据中的每一视频帧图像进行车辆检测处理,以确定出每一视频帧图像中的至少一个车辆以及每个车辆在视频帧图像中的图像位置;
根据每个车辆在各视频帧图像中的图像位置,确定每个车辆的行驶轨迹;
根据每个车辆在至少一个视频帧图像中的图像位置,确定出每个车辆的车辆图像,并对每个车辆的车辆图像进行属性识别,得到每个车辆的车辆属性。
可选的,所述第一处理模块10,具体用于:
针对各车辆中的任一个车辆的车辆图像,利用预设的车身朝向分类模型,对任一个车辆的车辆图像进行车辆朝向的识别;
当该任一车辆的车辆超前时,则对该任一车辆的车辆图像进行属性识别处理,得到该任一车辆的车辆属性;其中,所述车辆属性包括车辆部件信息、车牌信息、车型信息。
可选的,所述第二处理模块20,具体用于:
根据所述各车辆的行驶轨迹,确定是否有目标车辆出现交通拥堵。
可选的,所述第二处理模块20,具体用于:
根据所述各车辆的行驶轨迹,确定是否有目标车辆出现交通违章或交通事故。
可选的,所述识别装置还包括:第三处理模块;
所述第三处理模块,用于对获取的交通视频数据进行人体识别处理,确定所述交通视频数据中的至少一个行人,以及各行人的行驶轨迹和行人属性;
以及,还用于根据各行人的行驶轨迹确定是否有目标行人出现交通异常;
若是,则所述结果生成模块30还用于根据所述目标行人的行人属性,生成交通异常识别结果。
可选的,所述识别装置还包括:第四处理模块;
所述第四处理模块,用于对获取的交通视频数据进行路面异物识别处理,确定所述交通视频数据所拍摄的路面上是否存有异物;
若有,则所述结果生成模块30还用于确定路面异物的位置,生成交通异常识别结果。
可选的,所述识别装置还包括:第五处理模块;
所述第五处理模块,用于利用预设的天气识别模型,对所述交通视频数据进行天气识别处理;还用于对获取的交通视频数据进行灾害识别处理,确定所述交通视频数据所拍摄的场景下是否具有天气灾害现象;
若是,则所述结果生成模块30还用于根据所述天气灾害现象所发生的位置,生成交通异常识别结果。
本申请提供交通异常的识别装置,通过采用对获取的交通视频数据进行车辆识别处理,确定所述交通视频数据中的至少一个车辆,以及各车辆的行驶轨迹和车辆属性;根据各车辆的行驶轨迹确定是否有目标车辆出现交通异常;若是,则根据所述目标车辆的车辆属性,生成交通异常识别结果的技术方案,从而实现了对交通视频数据中交通异常情况的自动识别和交通异常结果的自动生成,相对于现有技术中采用人力对交通异常进行识别的方案来说,本申请提供的方案其识别效率更高,时效性更好,人力成本较低。
实施例三
本申请提供的电子设备,可用于执行上述方法实施例的技术方案,其实现原理和技术效果类似,本实施例此处不再赘述。
参考图6,其示出了适于用来实现本申请实施例的电子设备1000的结构示意图,该电子设备1000可以为终端设备或媒体库。其中,终端设备可以包括但不限于诸如移动电话、笔记本电脑、数字广播接收器、个人数字助理(Personal Digital Assistant,简称PDA)、平板电脑(Portable Android Device,简称PAD)、便携式多媒体播放器(Portable MediaPlayer,简称PMP)、车载设备(例如车载导航终端)等等的移动终端以及诸如数字TV、台式计算机等等的固定终端。图6示出的电子设备仅仅是一个示例,不应对本申请实施例的功能和使用范围带来任何限制。
如图6所示,电子设备1000可以包括识别装置(例如中央处理器、图形处理器等)1001,其可以根据存储在只读存储器(Read Only Memory,简称ROM)1002中的程序或者从存储装置1009加载到随机访问存储器(Random Access Memory,简称RAM)1003中的程序而执行各种适当的动作和处理。在RAM 1003中,还存储有电子设备1000操作所需的各种程序和数据。歌曲发行日期的识别装置1001、ROM 1002以及RAM 1003通过总线1004彼此相连。输入/输出(I/O)接口1005也连接至总线1004。
通常,以下装置可以连接至I/O接口1005:包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置1006;包括例如液晶显示器(Liquid CrystalDisplay,简称LCD)、扬声器、振动器等的输出装置1007;包括例如磁带、硬盘等的存储装置1009;以及通信装置10010。通信装置10010可以允许电子设备1000与其他设备进行无线或有线通信以交换数据。虽然图6示出了具有各种装置的电子设备1000,但是应理解的是,并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。
特别地,根据本申请的实施例,上文参考流程图描述的过程可以被实现为计算机软件程序。例如,本申请的实施例包括一种计算机程序产品,其包括承载在计算机可读介质上的计算机程序,该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中,该计算机程序可以通过通信装置10010从网络上被下载和安装,或者从存储装置1009被安装,或者从ROM 1002被安装。在该计算机程序被识别装置1001执行时,执行本申请实施例的方法中限定的上述功能。
需要说明的是,本申请上述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本申请中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本申请中,计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读信号介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于:电线、光缆、RF(射频)等等,或者上述的任意合适的组合。
上述计算机可读介质可以是上述电子设备中所包含的;也可以是单独存在,而未装配入该电子设备中。
上述计算机可读介质承载有一个或者多个程序,当上述一个或者多个程序被该电子设备执行时,使得该电子设备执行上述实施例所示的方法。
可以以一种或多种程序设计语言或其组合来编写用于执行本申请的操作的计算机程序代码,上述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++,还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或媒体库上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络——包括局域网(LocalArea Network,简称LAN)或广域网(Wide Area Network,简称WAN)—连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
本申请提供的一种计算机程序产品,包括计算机指令,该计算机指令被处理器执行如前任一项所述的订单的处理方法,其实现原理和技术效果类似,本实施例此处不再赘述。
附图中的流程图和框图,图示了按照本申请各种实施例的系统、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,该模块、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,两个接连地表示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操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。
描述于本申请实施例中所涉及到的单元可以通过软件的方式实现,也可以通过硬件的方式来实现。其中,单元的名称在某种情况下并不构成对该单元本身的限定,例如,第一获取单元还可以被描述为“获取至少两个网际协议地址的单元”。
本文中以上描述的功能可以至少部分地由一个或多个硬件逻辑部件来执行。例如,非限制性地,可以使用的示范类型的硬件逻辑部件包括:现场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、片上系统(SOC)、复杂可编程逻辑设备(CPLD)等等。
在本申请的上下文中,机器可读介质可以是有形的介质,其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备,或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
此外,本申请提供一种计算机可读存储介质,所述计算机可读存储介质上存储有计算机程序;所述计算机程序被执行时,实现如前所述的方法。
本领域技术人员在考虑说明书及实践这里公开的发明后,将容易想到本申请的其它实施方案。本申请的实施例旨在涵盖本申请的任何变型、用途或者适应性变化,这些变型、用途或者适应性变化遵循本申请的一般性原理并包括本申请未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的,本申请的真正范围和精神由下面的权利要求书指出。
应当理解的是,本申请并不局限于上面已经描述并在附图中示出的精确结构,并且可以在不脱离其范围进行各种修改和改变。本申请的范围仅由所附的权利要求书来限制。
Claims (12)
1.一种交通异常的识别方法,其特征在于,包括:
对获取的交通视频数据进行车辆识别处理,确定所述交通视频数据中的至少一个车辆,以及各车辆的行驶轨迹和车辆属性;
根据各车辆的行驶轨迹确定是否有目标车辆出现交通异常;
若是,则根据所述目标车辆的车辆属性,生成交通异常识别结果。
2.根据权利要求1所述的识别方法,其特征在于,所述交通视频数据中包括有连续的多个视频帧图像;
所述对获取的交通视频数据进行车辆识别处理,确定所述交通视频数据中的至少一个车辆,以及各车辆的行驶轨迹和车辆属性,包括:
利用预设的车辆检测模型对所述交通视频数据中的每一视频帧图像进行车辆检测处理,以确定出每一视频帧图像中的至少一个车辆以及每个车辆在视频帧图像中的图像位置;
根据每个车辆在各视频帧图像中的图像位置,确定每个车辆的行驶轨迹;
根据每个车辆在至少一个视频帧图像中的图像位置,确定出每个车辆的车辆图像,并对每个车辆的车辆图像进行属性识别,得到每个车辆的车辆属性。
3.根据权利要求2所述的识别方法,其特征在于,所述对每个车辆的车辆图像进行属性识别,得到每个车辆的车辆属性,包括:
针对各车辆中的任一个车辆的车辆图像,利用预设的车身朝向分类模型,对任一个车辆的车辆图像进行车辆朝向的识别;
当该任一车辆的车辆朝前时,则对该任一车辆的车辆图像进行属性识别处理,得到该任一车辆的车辆属性;其中,所述车辆属性包括车辆部件信息、车牌信息、车型信息。
4.根据权利要求1所述的识别方法,其特征在于,所述根据各车辆的行驶轨迹确定是否有目标车辆出现交通异常,包括:
根据所述各车辆的行驶轨迹,确定是否有目标车辆出现交通拥堵。
5.根据权利要求1所述的识别方法,其特征在于,所述根据各车辆的行驶轨迹确定是否有目标车辆出现交通异常,包括:
根据所述各车辆的行驶轨迹,确定是否有目标车辆出现交通违章或交通事故。
6.根据权利要求1所述的识别方法,其特征在于,还包括:
对获取的交通视频数据进行人体识别处理,确定所述交通视频数据中的至少一个行人,以及各行人的行驶轨迹和行人属性;
根据各行人的行驶轨迹确定是否有目标行人出现交通异常;
若是,则根据所述目标行人的行人属性,生成交通异常识别结果。
7.根据权利要求1所述的识别方法,其特征在于,还包括:
对获取的交通视频数据进行路面异物识别处理,确定所述交通视频数据所拍摄的路面上是否存有异物;
若有,则确定路面异物的位置,生成交通异常识别结果。
8.根据权利要求1所述的识别方法,其特征在于,还包括:
利用预设的天气识别模型,对所述交通视频数据进行天气识别处理;
对获取的天气识别处理结果进行灾害识别处理,确定所述交通视频数据所拍摄的场景下是否具有天气灾害现象;
若是,则根据所述天气灾害现象所发生的位置,生成交通异常识别结果。
9.一种交通异常的识别装置,其特征在于,包括:
第一处理模块,用于对获取的交通视频数据进行车辆识别处理,确定所述交通视频数据中的至少一个车辆,以及各车辆的行驶轨迹和车辆属性;
第二处理模块,用于根据各车辆的行驶轨迹确定是否有目标车辆出现交通异常;
结果生成模块,用于在第二处理模块确定有目标车辆出现交通异常时,根据所述目标车辆的车辆属性,生成交通异常识别结果。
10.一种电子设备,其特征在于,包括:
至少一个处理器;以及
存储器;
所述存储器存储计算机执行指令;
所述至少一个处理器执行所述存储器存储的计算机执行指令,使得所述至少一个处理器执行如权利要求1-8任一项所述方法。
11.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质中存储有计算机执行指令,当处理器执行所述计算机执行指令时,实现如权利要求1-8任一项所述方法。
12.一种计算机程序产品,包括计算机指令,其特征在于,该计算机指令被处理器执行时实现权利要求1-8任一项所述方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111605360.0A CN114333308A (zh) | 2021-12-24 | 2021-12-24 | 交通异常识别方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111605360.0A CN114333308A (zh) | 2021-12-24 | 2021-12-24 | 交通异常识别方法、装置、电子设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114333308A true CN114333308A (zh) | 2022-04-12 |
Family
ID=81013203
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111605360.0A Pending CN114333308A (zh) | 2021-12-24 | 2021-12-24 | 交通异常识别方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114333308A (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102521983A (zh) * | 2011-12-23 | 2012-06-27 | 北京易华录信息技术股份有限公司 | 一种基于高清视频技术的车辆违章检测系统及方法 |
CN102542806A (zh) * | 2010-12-28 | 2012-07-04 | 沈阳聚德视频技术有限公司 | 高速公路行驶车辆遮挡号牌实时监测系统及其控制方法 |
CN106845424A (zh) * | 2017-01-24 | 2017-06-13 | 南京大学 | 基于深度卷积网络的路面遗留物检测方法 |
CN109859487A (zh) * | 2019-01-21 | 2019-06-07 | 河北高成电子科技有限公司 | 一种基于ai高点全景智能交通违法监测方法与系统 |
CN110287936A (zh) * | 2019-07-02 | 2019-09-27 | 北京字节跳动网络技术有限公司 | 图像检测方法、装置、设备及存储介质 |
CN111582263A (zh) * | 2020-05-12 | 2020-08-25 | 上海眼控科技股份有限公司 | 车牌识别方法、装置、电子设备及存储介质 |
CN111753610A (zh) * | 2019-08-13 | 2020-10-09 | 上海高德威智能交通系统有限公司 | 天气识别方法及装置 |
US20210295472A1 (en) * | 2020-11-16 | 2021-09-23 | Beijing Baidu Netcom Science Technology Co., Ltd. | Method and apparatus for recognizing abnormal license plate, device and readable storage medium |
-
2021
- 2021-12-24 CN CN202111605360.0A patent/CN114333308A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102542806A (zh) * | 2010-12-28 | 2012-07-04 | 沈阳聚德视频技术有限公司 | 高速公路行驶车辆遮挡号牌实时监测系统及其控制方法 |
CN102521983A (zh) * | 2011-12-23 | 2012-06-27 | 北京易华录信息技术股份有限公司 | 一种基于高清视频技术的车辆违章检测系统及方法 |
CN106845424A (zh) * | 2017-01-24 | 2017-06-13 | 南京大学 | 基于深度卷积网络的路面遗留物检测方法 |
CN109859487A (zh) * | 2019-01-21 | 2019-06-07 | 河北高成电子科技有限公司 | 一种基于ai高点全景智能交通违法监测方法与系统 |
CN110287936A (zh) * | 2019-07-02 | 2019-09-27 | 北京字节跳动网络技术有限公司 | 图像检测方法、装置、设备及存储介质 |
CN111753610A (zh) * | 2019-08-13 | 2020-10-09 | 上海高德威智能交通系统有限公司 | 天气识别方法及装置 |
CN111582263A (zh) * | 2020-05-12 | 2020-08-25 | 上海眼控科技股份有限公司 | 车牌识别方法、装置、电子设备及存储介质 |
US20210295472A1 (en) * | 2020-11-16 | 2021-09-23 | Beijing Baidu Netcom Science Technology Co., Ltd. | Method and apparatus for recognizing abnormal license plate, device and readable storage medium |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111626208B (zh) | 用于检测小目标的方法和装置 | |
US11836985B2 (en) | Identifying suspicious entities using autonomous vehicles | |
US20180322230A1 (en) | Driverless vehicle simulation test method and apparatus, device and readable medium | |
CN109345829B (zh) | 无人车的监控方法、装置、设备及存储介质 | |
CN110738842A (zh) | 事故责任划分及行为分析方法、装置、设备及存储介质 | |
CN110188482B (zh) | 一种基于智能驾驶的测试场景创建方法及装置 | |
CN110032947B (zh) | 一种监控事件发生的方法及装置 | |
CN113850123A (zh) | 基于视频的公路监控方法及装置、存储介质和监控系统 | |
JP6700373B2 (ja) | ビデオ動画の人工知能のための学習対象イメージパッケージング装置及び方法 | |
CN108932849B (zh) | 一种记录多台机动车低速行驶违法行为的方法及装置 | |
CN113808418A (zh) | 路况信息显示系统、方法、车辆、计算机设备和存储介质 | |
Chen et al. | Unauthorized parking detection using deep networks at real time | |
CN115861884A (zh) | 复杂场景下视频多目标跟踪方法、系统、设备及介质 | |
Yebes et al. | Learning to automatically catch potholes in worldwide road scene images | |
CN111191607A (zh) | 确定车辆的转向信息的方法、设备和存储介质 | |
Kejriwal et al. | Vehicle detection and counting using deep learning basedYOLO and deep SORT algorithm for urban traffic management system | |
Tran et al. | UIT-ADrone: A Novel Drone Dataset for Traffic Anomaly Detection | |
CN114693722B (zh) | 一种车辆行驶行为检测方法、检测装置及检测设备 | |
CN114333308A (zh) | 交通异常识别方法、装置、电子设备及存储介质 | |
CN115394089A (zh) | 一种车辆信息融合展示的方法、无感通行系统及存储介质 | |
CN111627224A (zh) | 车辆速度异常检测方法、装置、设备及存储介质 | |
CN110198439A (zh) | 用于自动测试adas相机的图像识别性能的方法和装置 | |
CN113850112A (zh) | 基于孪生神经网络的路况识别方法和系统 | |
CN114627400A (zh) | 一种车道拥堵检测方法、装置、电子设备和存储介质 | |
CN115455275B (zh) | 融合巡检设备的视频处理系统 |
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 |