CN114494977A - 一种异常停车检测方法、电子设备及存储介质 - Google Patents

一种异常停车检测方法、电子设备及存储介质 Download PDF

Info

Publication number
CN114494977A
CN114494977A CN202210146050.5A CN202210146050A CN114494977A CN 114494977 A CN114494977 A CN 114494977A CN 202210146050 A CN202210146050 A CN 202210146050A CN 114494977 A CN114494977 A CN 114494977A
Authority
CN
China
Prior art keywords
vehicle
image
video image
track
position point
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
Application number
CN202210146050.5A
Other languages
English (en)
Inventor
刘洪蕾
冯远宏
郑杰群
汪昆维
许晶玉
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hisense TransTech Co Ltd
Original Assignee
Hisense TransTech Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Hisense TransTech Co Ltd filed Critical Hisense TransTech Co Ltd
Priority to CN202210146050.5A priority Critical patent/CN114494977A/zh
Publication of CN114494977A publication Critical patent/CN114494977A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion 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
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Image Analysis (AREA)

Abstract

本申请提供一种异常停车检测方法、电子设备及存储介质，用以提高异常停车检测的效率和准确率。该方法包括：对采集检测区域的视频图像进行车辆检测，获得视频图像中各个车辆的车辆信息；根据各个车辆的车辆标识，从位置集合中获取各个车辆的多个位置信息；针对各个车辆中的任一个车辆，对车辆的多个位置信息进行拟合，得到车辆在检测区域内的行动轨迹；将视频图像和轨迹灰度图输入到梯度卷积神经网络，以得到视频图像的异常停车结果；轨迹灰度图为包括各个车辆的行动轨迹的灰度图。由于本申请是通过将视频图像和轨迹灰度图输入到梯度卷积神经网络后，能够快速、准确地得到视频图像的异常停车结果，从而提高异常停车检测的实时性和准确率。

Description

一种异常停车检测方法、电子设备及存储介质
技术领域
本申请涉及视频分析与交通管理技术领域，特别涉及一种异常停车检测方法、电子设备及存储介质。
背景技术
随着经济的发展，机动车保有量逐渐增多，交通管理整体水平有所提升，但是仍然存在很多导致交通事故发生的隐患。导致交通事故的原因众多，车辆行进中的异常停车即为其中一个。
在现有技术中，智能交通场景下的异常停车事件往往是依靠相关的报警信息结合人工查阅视频的方法进行检测判定，这一类的检测方法因需要事后的报警信息，而且事后或者事中的人工查阅视频的效率较低，存在着消息反应慢，消息滞后等诸多问题，若处理不及时，极易造成连锁反应。同时，在现有的相关异常停车检测的算法技术中，往往因视频画面内的车辆位置的不确定性、离散性等特点，无法构造出高效精确的车辆行驶轨迹，导致异常停车检测的准确率较低。
发明内容
本申请提供一种异常停车检测方法、电子设备及存储介质，用以提高异常停车检测的效率和准确率。
第一方面，本申请实施例提供一种异常停车检测方法，该方法包括：
对采集检测区域的视频图像进行车辆检测，获得所述视频图像中各个车辆的车辆信息；所述车辆信息包括车辆标识和位置信息；
根据所述各个车辆的车辆标识，从位置集合中获取所述各个车辆的多个位置信息；所述位置集合包括采集到的视频图像中各个车辆在所述检测区域中的位置信息；
针对所述各个车辆中的任一个车辆，对所述车辆的多个位置信息进行拟合，得到所述车辆在所述检测区域内的行动轨迹；
将所述视频图像和轨迹灰度图输入到梯度卷积神经网络，以通过所述梯度卷积神经网络对所述视频图像和所述轨迹灰度图进行融合得到融合图像，并通过所述梯度卷积神经网络对所述融合图像进行异常停车检测得到所述视频图像的异常停车结果；其中所述轨迹灰度图为包括所述各个车辆的行动轨迹的灰度图。
由于本申请实施例是对采集检测区域的视频图像进行车辆检测，获得视频图像中各个车辆的车辆信息，并根据位置集合中各个车辆在检测区域中的位置信息，确定各个车辆在检测区域内的行动轨迹；然后，将视频图像和包含各个车辆的行动轨迹的轨迹灰度图输入到梯度卷积神经网络中，通过梯度卷积神经网络对视频图像和轨迹灰度图进行融合得到融合图像，并通过对融合图像进行异常停车检测能够直接得到视频图像的异常停车结果，并且根据融合图像能够准确地确定出视频图像中是否存在异常停车结果，实现快速、准确地得到异常停车结果，从而提高异常停车检测的效率和准确率。
一种可选的实施方式为，所述通过所述梯度卷积神经网络对所述视频图像和所述轨迹灰度图进行融合得到融合图像，包括：
将所述视频图像输入到所述梯度卷积神经网络中的卷积层，并通过所述卷积层，得到目标图像；
将所述目标图像和所述轨迹灰度图输入到所述梯度卷积神经网络中的全连接层，并通过所述全连接层，将所述目标图像与所述轨迹灰度图进行融合得到所述融合图像。
由于本申请实施例将视频图像输入到梯度卷积神经网络中的卷积层，并通过卷积层，得到目标图像后，将目标图像和轨迹灰度图输入到全连接层中，并通过全连接层将目标图像与轨迹灰度图进行融合得到融合图像，使得本申请实施例通过卷积层得到的感兴趣的图像，能够与对应的轨迹进行匹配定位，即得到相应的融合图像；根据融合图像能够准确地确定出视频图像中是否存在异常停车结果，从而提高异常停车检测的准确率和效率。
一种可选的实施方式为，所述对所述车辆的多个位置信息进行拟合，得到所述车辆在所述检测区域内的行动轨迹，包括：
根据所述多个位置信息，确定所述车辆的多个位置点；其中，所述位置点为所述位置信息表示的边框区域的中心点；
按照设定步长，从所述多个位置点中采集多个控制点；
对所述多个控制点进行拟合，得到待调整的行动轨迹；
根据所述视频图像中所述车辆的位置信息，确定所述车辆的中心点，将所述中心点插值到所述待调整的行动轨迹，得到所述车辆在所述检测区域内的行动轨迹。
由于本申请实施例在从多个位置点中采集多个控制点后，对多个控制点进行拟合，得到待调整的行动轨迹，并将车辆在视频图像中的中心点插值到待调整的行动轨迹中，得到车辆在检测区域内的行动轨迹，并且采用中心值插值的方法，既保留行动轨迹的局部平滑性，有提高了行动轨迹的精确程度。
一种可选的实施方式为，所述根据所述多个位置信息，确定所述车辆的多个位置点，包括：
根据所述多个位置信息，确定所述车辆在所述检测区域的初始位置点，以及确定所述视频图像中的所述车辆在所述检测区域的最终位置点；并将所述初始位置点到所述最终位置点的距离作为参考向量；
根据所述多个位置信息，确定所述车辆在所述检测区域中除所述初始位置点和所述最终位置点之外的多个候选位置点；
针对所述多个候选位置点中的任一候选位置点，将目标位置点到所述候选位置点的距离作为候选向量；若所述候选向量与所述参考向量的夹角小于设定阈值，则确定所述候选位置点为所述位置点；当所述候选位置点为第一候选位置点时，所述目标位置点为所述初始位置点；当所述候选位置点为非第一候选位置点时，所述目标位置点为所述候选位置点的前一个被确定为所述位置点的候选位置点。
由于本申请实施例根据初始位置点到最终位置点的距离得到参考向量，确定目标位置点到候选位置点的候选向量，并当候选向量与参量向量的夹角小于设定阈值，则确定该候选位置点为位置点，并且，通过上述方式选取位置点，能够剔除干扰位置点，从而提高了异常停车检测的准确率。
一种可选的实施方式为，所述方法还包括：
若所述异常停车结果表示所述视频图像中存在车辆异常停车，则提取所述融合图像的图像特征；
根据所述图像特征，确定异常停车位置。
由于本申请实施例在确定视频图像中存在车辆异常停车，则提取融合图像的图像特征，根据图像特征，准确地确定出视频图像中出现车辆异常停车的位置，为后续进一步查看或处理提高数据基础。
第二方面，本申请实施例提供一种异常停车检测装置，包括：
检测单元，用于对采集检测区域的视频图像进行车辆检测，获得所述视频图像中各个车辆的车辆信息；所述车辆信息包括车辆标识和位置信息；
获取单元，用于根据所述各个车辆的车辆标识，从位置集合中获取所述各个车辆的多个位置信息；所述位置集合包括采集到的视频图像中各个车辆在所述检测区域中的位置信息；
拟合单元，用于针对所述各个车辆中的任一个车辆，对所述车辆的多个位置信息进行拟合，得到所述车辆在所述检测区域内的行动轨迹；
确定单元，用于将所述视频图像和轨迹灰度图输入到梯度卷积神经网络，以通过所述梯度卷积神经网络对所述视频图像和所述轨迹灰度图进行融合得到融合图像，并通过所述梯度卷积神经网络对所述融合图像进行异常停车检测得到所述视频图像的异常停车结果；所述轨迹灰度图为包括所述各个车辆的行动轨迹的灰度图。
第三方面，本申请实施例提供一种电子设备，包括存储器和处理器，所述存储器上存储有可在所述处理器上运行的计算机程序，当所述计算机程序被所述处理器执行时，实现如第一方面所记载的异常停车检测方法。
第四方面，本申请实施例还提供一种计算机存储介质，所述计算机存储介质中存储有计算机程序指令，当所述指令在计算机上运行时，使得所述计算机执行如第一方面所记载的异常停车检测方法。
第二方面至第四方面中任意一种实现方式所带来的技术效果可参见第一方面中对应的实现方式所带来的技术效果，此处不再赘述。
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要介绍，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，对于本领域的普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本申请实施例提供的一种异常停车检测方法的应用场景示意图；
图2为本申请实施例提供的一种异常停车检测方法的流程示意图；
图3为本申请实施例提供的一种视频图像的示意图；
图4为本申请实施例提供的一种确定车辆标识的流程示意图；
图5为本申请实施例提供的一种目标尺度的确定方法的流程示意图；
图6为本申请实施例提供的一种轨迹提取示意图；
图7为本申请实施例提供的一种梯度卷积神经网络的结构示意图；
图8为本申请实施例提供的一种异常停车检测方法的完整流程示意图；
图9为本申请实施例提供的一种异常停车检测装置的结构示意图；
图10为本申请实施例提供的一种电子设备的结构框图。
具体实施方式
为了使本申请的目的、技术方案和优点更加清楚，下面将结合附图对本申请作进一步地详细描述，显然，所描述的实施例仅仅是本申请一部份实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本申请保护的范围。
下文中所用的词语“示例性”的意思为“用作例子、实施例或说明性”。作为“示例性”所说明的任何实施例不必解释为优于或好于其它实施例。
文中的术语“第一”、“第二”仅用于描述目的，而不能理解为明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该特征，在本申请实施例的描述中，除非另有说明，“多个”的含义是两个或两个以上。
下面对文中出现的一些术语进行解释：
(1)方向梯度直方图(Histogram of Oriented Gradient，HOG)特征：是一种在计算机视觉和图像处理中用来进行物体检测的特征描述子。它通过计算和统计图像局部区域的梯度方向直方图来构成特征。
(2)核相关滤波(Kernel Correlation Filter，KCF)算法：是一种鉴别式追踪方法，这类方法一般都是在追踪过程中训练一个目标检测器(例如，岭回归分类器)，使用目标检测器去检测下一帧预测位置是否是目标(车辆)，然后再使用新检测结果去更新训练集进而更新目标检测器。而在训练目标检测器时一般选取目标区域为正样本，目标的周围区域为负样本，当然越靠近目标的区域为正样本的可能性越大。
(3)加速稳健特征(Speed Up Robust Features，SURF)提取算法：是一个稳健的图像识别和描述算法，可被用于计算机视觉任务，如物件识别和3D重构。SURF算法使用海森矩阵的行列式值作特征点侦测并用积分图加速运算；SURF算法包含以下三个步骤：特征点侦测、特征邻近描述、描述子配对。
在现有技术中，智能交通场景下的异常停车事件往往是依靠相关的报警信息结合人工查阅视频的方法进行检测判定，这一类的检测方法因需要事后的报警信息，而且事后或者事中的人工查阅视频的效率较低，存在着消息反应慢，消息滞后等诸多问题，若处理不及时，极易造成连锁反应。同时，在现有的相关异常停车检测的算法技术中，往往因视频画面内的车辆位置的不确定性、离散性等特点，无法构造出高效精确的车辆行驶轨迹，导致异常停车检测的准确率较低。
基于上述问题，本申请实施例提供一种异常停车检测方法、电子设备和存储介质，提高异常停车检测的效率和准确率。其中，该异常停车检测方法包括：对采集检测区域的视频图像进行车辆检测，获得视频图像中各个车辆的车辆信息；并根据各个车辆的车辆标识，从位置集合中获取各个车辆的多个位置信息，并对多个位置信息进行拟合，得到各个车辆在检测区域内的行动轨迹；将视频图像和包含各个车辆的行动轨迹的轨迹灰度图输入到梯度卷积神经网络中，以通过梯度卷积神经网络对视频图像和轨迹灰度图进行融合得到融合图像，并通过梯度卷积神经网络对融合图像进行异常停车检测得到视频图像的异常停车结果，从而完成对视频图像的异常停车检测。
图1示出了本申请实施例提供的异常停车检测方法的一种应用场景，参见图1所示，该应用场景中包括图像采集设备10和电子设备20。图像采集设备10与电子设备20之间可以通过有线连接方式或无线连接方式进行连接并传输数据。例如，图像采集设备10和电子设备20之间可以通过数据线连接或者通过有线网络连接；图像采集设备10和电子设备20之间也可以通过射频模块、蓝牙模块或者无线网络连接。
其中，图像采集设备10可以为用于采集检测区域30的监控摄像头。电子设备20可以是终端设备，例如，计算器、掌上电脑(Personal Digital Assistant，PDA)、平板电脑等，也可以是服务器。图像采集设备10采集检测区域的视频图像，并将采集到的视频图像发送给电子设备20。电子设备20对接收到的视频图像进行异常停车检测，得到异常停车结果。当电子设备20确定异常停车结果表示视频图像中存在车辆异常停车时，确定视频图像中异常停车位置，并在显示界面中进行显示，以使用户能够根据显示内容，对异常停车现象进行处理。
如图2所示，本申请实施例提供的异常停车检测方法包括以下步骤：
步骤S201，对采集检测区域的视频图像进行车辆检测，获得视频图像中各个车辆的车辆信息。
需要说明的是，车辆信息包括车辆标识和位置信息。
在一些实施例中，本申请实施例在接收图像采集设备采集检测区域的视频图像后，对视频图像进行车辆检测，获得视频图像中各个车辆的车辆信息。
实施中，图像采集设备实时采集检测区域的视频图像，并实时将采集到的视频图像传输给电子设备，使电子设备能够实时对视频图像进行车辆检测，实现异常停车的实时检测。
需要说明的是，检测区域可以根据实际需求进行设定，在此并不作限。
例如，在A路口，配置监控摄像头作为图像采集设备，并配置该图像采集设备的检测区域，确保检测区域位于图像采集设备的采集视野中。
本申请实施例接通实时视频流，通过解码模块对码流进行解码，输出一帧图像，例如，10帧采样一帧数据。
在一些实施例中，本申请实施例可通过yolov3模型，对视频图像进行车辆检测，获得视频图像中各个车辆的车辆信息。
步骤S202，根据各个车辆的车辆标识，从位置集合中获取各个车辆的多个位置信息。
需要说明的是，位置集合包括采集到的视频图像中各个车辆在检测区域中的位置信息。
本申请实施例根据各个车辆的车辆标识，分别对各个车辆进行定位跟踪，并从位置集合中，获取各个车辆的多个位置信息。
实施中，本申请实施例依次对接收到的视频图像进行车辆检测，得到车辆信息后，更新位置集合中的位置信息，直至视频图像为最后一帧视频图像。
步骤S203，针对各个车辆中的任一个车辆，对车辆的多个位置信息进行拟合，得到车辆在检测区域内的行动轨迹。
在一些实施例中，本申请实施例针对各个车辆中的任一个车辆，根据该车辆的车辆标识，确定位置集合中该车辆的多个位置信息；根据多个位置信息，通过B样条曲线构造车辆在检测区域内的行动轨迹。
步骤S204，将视频图像和轨迹灰度图输入到梯度卷积神经网络，以通过梯度卷积神经网络对视频图像和轨迹灰度图进行融合得到融合图像，并通过梯度卷积神经网络对融合图像进行异常停车检测得到视频图像的异常停车结果。
需要说明的是，轨迹灰度图为包括各个车辆的行动轨迹的灰度图。
在一些实施例中，本申请实施例在构造出各个车辆的行动轨迹之后，将视频图像和轨迹灰度图输入到梯度卷积神经网络中，通过梯度卷积神经网络对视频图像和轨迹灰度图进行融合得到融合图像；然后，通过梯度卷积神经网络对融合图像进行异常停车检测，以得到视频图像的异常停车结果。
由于本申请实施例是对采集检测区域的视频图像进行车辆检测，获得视频图像中各个车辆的车辆信息，并根据位置集合中各个车辆在检测区域中的位置信息，确定各个车辆在检测区域内的行动轨迹；然后，将视频图像和包含各个车辆的行动轨迹的轨迹灰度图输入到梯度卷积神经网络中，通过梯度卷积神经网络对视频图像和轨迹灰度图进行融合得到融合图像，并通过对融合图像进行异常停车检测能够直接得到视频图像的异常停车结果，并且根据融合图像能够准确地确定出视频图像中是否存在异常停车结果，实现快速、准确地得到异常停车结果，从而提高异常停车检测的效率和准确率。
在一些实施例中，本申请实施例可通过如下方式对视频图像进行车辆检测，得到车辆信息。
本申请实施例按照设定的步长对接收到的视频流进行采样，得到视频图像，如图3所示；然后，本申请实施例将视频图像输入到改进后的yolov3模型中，对视频图像进行车辆检测，输出视频图像中各个车辆的车辆信息。
具体地，本申请实施例通过改进后的yolov3模型，识别视频图像中的各个车辆，并获取各个车辆的位置信息和置信度等信息。
在一些实施例中，若本申请实施例确定各个车辆的位置信息对应的置信度是否大于0.5，若是，则确定识别出的车辆的位置信息是合法的；若否，则确定识别出的车辆的位置信息是非法的，丢弃该车辆。
本申请实施例采用的改进后的yolov3模型，是将yolov3模型中的批量归一化(Batch Normalization，BN)层和卷积层进行了合并，并采用GIoU算法计算视频图像中的车辆与上一帧视频图像中的车辆之间的距离。
本申请实施例在使用改进后的yolov3模型时，是通过采用GIoU来计算车辆的位置信息；可通过如下公式计算GIoU：
Figure BDA0003508999270000101
Figure BDA0003508999270000102
其中，GIoU表示视频图像中的车辆与上一帧视频图像中的车辆之间的距离；IoU表示视频图像中的车辆与上一帧视频图像中车辆之间的交并比；A、B表示任一车辆的面积；C表示包含A、B的最小封闭形状；
本申请实施例通过改进后的yolov3模型，能够快速、准确地获得视频图像中各个车辆的车辆信息中的位置信息；然后，可通过KCF算法对车辆进行目标跟踪，确定视频图像中各个车辆的车辆标识。
如图4所示，本申请实施例提供一种确定车辆标识的流程示意图，包括以下步骤：
步骤S401，获取视频图像。
需要说明的是，该视频图像为改进后yolov3模型输出的视频图像。
步骤S402，提取视频图像中的各个车辆的HOG特征。
步骤S403，将HOG特征输入到岭回归分类器中；
步骤S404，通过岭回归分类器，基于上一帧图像中的车辆的HOG特征，确定视频图像中是否存在与上一帧视频图像中的车辆的HOG特征相同的HOG特征，若是，则执行步骤S405；若否，则执行步骤S406。
步骤S405，将上一帧视频图像中相同的HOG特征对应的车辆标识，作为HOG特征对应的车辆的车辆标识。
步骤S406，为HOG特征对应的车辆添加车辆标识。
步骤S407，确定是否继续获取下一帧视频图像；若是，则执行步骤S408；若否，则执行步骤S409。
步骤S408，将视频图像中的HOG特征、各个车辆的车辆信息作为历史数据，对岭回归分类器进行训练更新。
步骤S409，结束。
在一些实施例中，本申请实施例在获取视频图像后，提取视频图像中的各个车辆的HOG特征之前，还需要确定视频图像中的各个车辆区域的最佳尺度。
实施中，本申请实施例从视频图像中获取各个车辆的车辆区域后，针对各个车辆区域中的任一车辆区域，分别执行如下操作：
如图5所示，本申请实施例将车辆区域输入到尺度池中，根据尺度池中S1、···Si、···、St对应的尺度，进行尺度变化得到图像缩放后的车辆区域。
将图像缩放后的车辆区域输入到相应的滤波器中，得到对应的响应值
Figure BDA0003508999270000111
将响应值最大对应的尺度作为目标尺度，例如，
Figure BDA0003508999270000112
最大，即Sk为目标尺度，确定并输出车辆区域对应的目标尺度。
本申请实施例在确定出视频图像中各个车辆的车辆标识和位置信息后，将位置信息存储于位置集合。
本申请实施例根据各个车辆的车辆标识，从位置集合中获取各个车辆在检测区域内的多个位置信息。并且，针对各个车辆中的任一个车辆，对车辆的多个位置信息进行拟合，得到车辆在检测区域内的行动轨迹。
针对各个车辆中的任一个车辆，本申请实施例可通过下列方式得到车辆在检测区域内的行动轨迹。
本申请实施例根据多个位置信息，确定车辆的多个位置点。
需要说明的是，位置点为位置信息表示的边框区域的中心点。
实施中，本申请实施例根据多个位置信息，确定车辆在检测区域的初始位置点，以及确定视频图像中的车辆在检测区域的最终位置点；并将初始位置点到最终位置点的距离作为参考向量。
本申请实施例根据多个位置信息，确定车辆在检测区域中除初始位置点和最终位置点之外的多个候选位置点；并针对多个候选位置点中的任一候选位置点，将目标位置点到候选位置点的距离作为候选向量。
具体实施中，本申请实施例需要根据候选向量和参考向量的方向是否相反，确定位置点中是否存在干扰点。
在一些实施例中，若候选向量与参考向量的夹角小于设定阈值，则确定候选位置点为位置点；当候选位置点为第一候选位置点时，目标位置点为初始位置点；当候选位置点为非第一候选位置点时，目标位置点为候选位置点的前一个被确定为位置点的候选位置点。
本申请实施例获取到车辆的多个位置点后，按照设定步长，从多个位置点中采集多个控制点。
例如，在多个位置点中每5个位置点，抽取一个位置点作为控制点。
本申请实施例对多个控制点进行拟合，得到待调整的行动轨迹后，根据视频图像中车辆的位置信息，确定车辆的中心点，并将中心点插值到待调整的行动轨迹中，得到车辆在检测区域内的行动轨迹。
具体地，本申请实施例使用多个控制点构建B样条曲线，然后，将中心点插值到B样条曲线中，得到调整后的B样条曲线作为车辆的行动轨迹。
在一些实施例中，本申请实施例可通过下列公式确定B样条曲线：
Figure BDA0003508999270000131
其中，P(t)表示B样条曲线；Pi表示控制点；Fi,k(t)表示K阶B样条基函数。
例如，如图6所示，本申请实施例在确定车辆的行动轨迹时，会输出轨迹提取示意图，其中，包括行动轨迹t，其中，t中的p1～p7的轨迹片段。
在一些实施例中，本申请实施例将获取到的车辆的行动轨迹保存至轨迹集合中，用于后续异常停车检测。
需要说明的是，行动轨迹的保存时间是有限的，轨迹集合仅保存一段时间内的行动轨迹，例如，行动轨迹的保存时间可以为3分钟。
本申请实施例在得到视频图像中各个车辆的行动轨迹后，基于各个车辆的行动轨迹得到轨迹灰度图。
需要说明的是，轨迹灰度图包括但不限于各个车辆的行动轨迹。
在一些实施例中，本申请实施例将视频图像和轨迹灰度图输入到梯度卷积神经网络，以得到视频图像的异常停车结果。
本申请实施例将视频图像和轨迹灰度图输入到梯度卷积神经网络，以通过梯度卷积神经网络对视频图像和轨迹灰度图进行融合得到融合图像，并通过梯度卷积神经网络对融合图像进行异常停车检测得到视频图像的异常停车结果。
具体实施中，如图7所示，本申请实施例提供一种梯度卷积神经网络的结构示意图；其中，梯度卷积神经网络包括卷积层和全连接层；梯度卷积神经网络可以为AlexNet模型；本申请实施例可将视频图像和轨迹灰度图输入到梯度卷积神经网络，以得到视频图像的异常停车结果，包括以下步骤：
步骤一、将视频图像输入到梯度卷积神经网络中的卷积层，并通过卷积层，得到目标图像。
需要说明的是，目标图像为卷积层从视频图像中获取到的感兴趣的图像区域。
具体地，梯度卷积神经网络包括5个卷积层，其中，每个卷积层均包含了激励函数(Rectified Linear Unit，RELU)以及局部响应归一化(Local Response Normalization，LRN)处理，和降采样(pool)处理。
其中，如图7所示，卷积层C1的输入为224×224×3的视频图像，包含的卷积核的数量为96，卷积核的大小为11×11×311×11×311×11×3；步长stride＝4，pad＝0，表示不扩充边缘。另外，C1的输入还可以为224×224×3的视频图像和224×224×1的轨迹灰度图，形成的224×224×4的图像，其中，C1获取感兴趣的区域时，会将轨迹灰度图匹配到感兴趣的区域的位置上，进行定位，有助于后续的图像融合。
C2的输入为上一层C1卷积的feature map(感兴趣的区域)，包含的卷积核的个数为256个，两个GPU分别有128个卷积核。卷积核的大小为：5×5×485×5×485×5×48；pad＝2，stride＝1；然后做LRN，最后max_pooling，pool_size＝(3，3)，stride＝2。
C3的输入为C2的输出，卷积核个数为384，kernel_size＝(3×3×2563×3×2563×3×256)，padding＝1，C3没有做LRN和Pool。
C4的输入为C3的输出，包含的卷积核个数为384，kernel_size＝(3×33×33×3)，padding＝1，和C3一样，没有LRN和Pool。
C5的输入为C4的输出，卷积核个数为256，kernel_size＝(3×33×33×3)，padding＝1。然后直接进行max_pooling，pool_size＝(3，3)，stride＝2。
本申请实施例在得到目标图像后，将目标图像和轨迹灰度图输入到梯度卷积神经网络中的全连接层，并通过全连接层，将目标图像与轨迹灰度图进行融合得到融合图像，以及对融合图像进行异常停车检测得到异常停车结果。
需要说明的是，梯度卷积神经网络包括3层全连接层FN，其中，每一层的神经元的个数为4096，FN3最后输出的是2分类结果softmax。
本申请实施例将目标图像和轨迹灰度图输入到梯度卷积神经网络中的全连接层后，通过FN1，将目标图像和轨迹灰度图进行融合，得到融合图像；将融合图像输入到FN2，并通过FN2、FN3对融合图像进行分类，得到异常停车结果，即是否存在车辆异常停车。
具体实施中，本申请实施例中的目标图像和轨迹灰度图是基于HOG特征进行融合的。
在一些实施例中，本申请实施例通过全连接层1将目标图像的RGB通道变为2通道的目标图像，然后，再通过全连接层1将2通道的目标图像和轨迹灰度图进行融合，得到3通道的融合图像。
本申请实施例在得到异常停车结果后，确定异常停车结果是否表示视频图像中存在车辆异常停车。
在一些实施例中，若异常停车结果表示视频图像中存在车辆异常停车，则本申请实施例提取融合图像的图像特征，并根据图像特征，确定异常停车位置。
实施中，本申请实施例可以使用SURF特征提取算法，提取融合图像中的各个车辆的行动轨迹的位置点分布，以及位置点分布模式；然后，将提取的SURF特征与已有的特征库比对，确定异常停车发生的区域，达到行进车辆异常停车识别的准确性。
本申请实施例在确定出异常停车发生的区域后，将视频图像中存在异常停车事件进行上报。
例如，本申请实施例可将视频图像中存在异常停车的事件在显示界面中进行显示，显示的内容包括但不限于异常停车的区域。
在另一些实施例中，若异常停车结果表示视频图像中不存在车辆异常停车，则获取下一帧视频图像，进行异常停车检测。
如图8所示，本申请实施例提供一种异常停车检测方法的完整流程示意图，包括以下步骤：
步骤S801，在检测区域配置图像采集设备后，接收图像采集设备发送的视频流。
步骤S802，对视频流解码，按照设定步长获取采集检测区域的视频图像。
步骤S803，对采集到的视频图像进行车辆检测，获得视频图像中各个车辆的车辆信息。
需要说明的是，车辆信息包括车辆标识和位置信息。
具体实施中，本申请实施例可以将视频图像输入到改进后的yolov3模型中，进行目标检测，获取视频图像中各个车辆的位置信息。然后，对视频图像进行KCF目标跟踪，确定视频图像中各个车辆的车辆标识。
步骤S804，根据各个车辆的车辆标识，从位置集合中获取各个车辆的多个位置信息。
需要说明的是，位置集合包括采集到的视频图像中各个车辆在所述检测区域中的位置信息。
步骤S805，根据多个位置信息，分部确定各个车辆在检测区域的初始位置点，以及确定视频图像中的车辆在检测区域的最终位置点；并将初始位置点到最终位置点的距离作为参考向量。
步骤S806，根据多个位置信息，分部确定各个车辆在检测区域中除初始位置点和最终位置点之外的多个候选位置点；针对多个候选位置点中的任一候选位置点，将目标位置点到候选位置点的距离作为候选向量。
需要说明的是，当候选位置点为第一候选位置点时，目标位置点为初始位置点；当候选位置点为非第一候选位置点时，目标位置点为候选位置点的前一个被确定为位置点的候选位置点。
步骤S807，针对各个车辆中的任一个车辆，若候选向量与参考向量的夹角小于设定阈值，则确定候选位置点为位置点。
需要说明的是，位置点为位置信息表示的边框区域的中心点。
步骤S808，按照设定步长，从多个位置点中采集多个控制点；对多个控制点进行拟合，得到各个车辆的待调整的行动轨迹。
步骤S809，根据视频图像中各个车辆的位置信息，分别确定各个车辆的中心点，将各个车辆的中心点插值到所述待调整的行动轨迹，得到各个车辆在检测区域内的行动轨迹。
步骤S810，将视频图像输入到梯度卷积神经网络中的卷积层，并通过卷积层，得到目标图像。
步骤S811，将目标图像和轨迹灰度图输入到梯度卷积神经网络中的全连接层，并通过全连接层，将目标图像与轨迹灰度图进行融合得到融合图像，以及对融合图像进行异常停车检测得到异常停车结果。
步骤S812，若异常停车结果表示视频图像中存在车辆异常停车，则提取融合图像的图像特征；根据图像特征，确定异常停车位置。
基于同一发明构思，本申请实施例中还提供了一种异常停车检测装置，由于该装置解决问题的原理与本申请实施例异常停车检测方法相似，因此该装置的实施可以参见方法的实施，重复之处不再赘述。
如图9所示，本申请实施例提供一种异常停车检测装置，包括：
检测单元901，用于对采集检测区域的视频图像进行车辆检测，获得视频图像中各个车辆的车辆信息；车辆信息包括车辆标识和位置信息；
获取单元902，用于根据各个车辆的车辆标识，从位置集合中获取各个车辆的多个位置信息；位置集合包括采集到的视频图像中各个车辆在检测区域中的位置信息；
拟合单元903，用于针对各个车辆中的任一个车辆，对车辆的多个位置信息进行拟合，得到车辆在检测区域内的行动轨迹；
确定单元904，用于将视频图像和轨迹灰度图输入到梯度卷积神经网络，以通过梯度卷积神经网络对视频图像和轨迹灰度图进行融合得到融合图像，并通过梯度卷积神经网络对融合图像进行异常停车检测得到视频图像的异常停车结果；其中轨迹灰度图为包括各个车辆的行动轨迹的灰度图。
一种可选的实施方式为，确定单元904具体用于：
将视频图像输入到梯度卷积神经网络中的卷积层，并通过卷积层，得到目标图像；
将目标图像和轨迹灰度图输入到梯度卷积神经网络中的全连接层，并通过全连接层，将目标图像与轨迹灰度图进行融合得到融合图像。
一种可选的实施方式为，拟合单元903具体用于：
根据多个位置信息，确定车辆的多个位置点；其中，位置点为位置信息表示的边框区域的中心点；
按照设定步长，从多个位置点中采集多个控制点；
对多个控制点进行拟合，得到待调整的行动轨迹；
根据视频图像中车辆的位置信息，确定车辆的中心点，将中心点插值到待调整的行动轨迹，得到车辆在检测区域内的行动轨迹。
一种可选的实施方式为，获取单元902具体用于：
根据多个位置信息，确定车辆在检测区域的初始位置点，以及确定视频图像中的车辆在检测区域的最终位置点；并将初始位置点到最终位置点的距离作为参考向量；
根据多个位置信息，确定车辆在检测区域中除初始位置点和最终位置点之外的多个候选位置点；
针对多个候选位置点中的任一候选位置点，将目标位置点到候选位置点的距离作为候选向量；若候选向量与参考向量的夹角小于设定阈值，则确定候选位置点为位置点；当候选位置点为第一候选位置点时，目标位置点为初始位置点；当候选位置点为非第一候选位置点时，目标位置点为候选位置点的前一个被确定为位置点的候选位置点。
一种可选的实施方式为，确定单元904还用于：
若异常停车结果表示视频图像中存在车辆异常停车，则提取融合图像的图像特征；
根据图像特征，确定异常停车位置。
与上述异常停车检测方法的实施例相对应地，本申请实施例还提供了一种电子设备。该电子设备可以是服务器，也可以是终端设备，如图1中所示的电子设备20。
该电子设备至少包括用于存储数据的存储器和用于数据处理的处理器。其中，对于用于数据处理的处理器而言，在执行处理时，可以采用微处理器、CPU、GPU(GraphicsProcessing Unit，图形处理单元)、DSP或FPGA实现。对于存储器来说，存储器中存储有操作指令，该操作指令可以为计算机可执行代码，通过该操作指令来实现上述本申请实施例的异常停车检测方法的流程中的各个步骤。
图10为本申请实施例提供的一种电子设备的结构示意图；如图10所示，本申请实施例中该电子设备100包括：处理器101、显示器102、存储器103、输入设备106、总线105和通讯模块104；该处理器101、存储器103、输入设备106、显示器102和通讯模块104均通过总线105连接，该总线105用于该处理器101、存储器103、显示器102、通讯模块104和输入设备106之间传输数据。
其中，存储器103可用于存储软件程序以及模块，如本申请实施例中的异常停车检测方法对应的程序指令/模块，处理器101通过运行存储在存储器103中的软件程序以及模块，从而执行电子设备100的各种功能应用以及数据处理，如本申请实施例提供的异常停车检测方法。存储器103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、至少一个应用的应用程序等；存储数据区可存储根据电子设备100的使用所创建的数据(比如视频图像、位置信息、车辆标识等相关数据)等。此外，存储器103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。
处理器101是电子设备100的控制中心，利用总线105以及各种接口和线路连接整个电子设备100的各个部分，通过运行或执行存储在存储器103内的软件程序和/或模块，以及调用存储在存储器103内的数据，执行电子设备100的各种功能和处理数据。可选的，处理器101可包括一个或多个处理单元，如CPU、GPU、数字处理单元等。
处理器101可以将异常停车结果通过显示器102展示给用户。
处理器101还可以通过通讯模块104连接网络，获取视频图像等。
输入设备106主要用于获得用户的输入操作，当该电子设备不同时，该输入设备106也可能不同。例如，当该电子设备为计算机时，该输入设备106可以为鼠标、键盘等输入设备；当该电子设备为智能手机、平板电脑等便携设备时，该输入设备106可以为触控屏。
本申请实施例还提供了一种计算机存储介质，该计算机存储介质中存储有计算机可执行指令，该计算机可执行指令用于实现本申请任一实施例所记载的异常停车检测方法。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
显然，本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的精神和范围。这样，倘若本申请的这些修改和变型属于本申请权利要求及其等同技术的范围之内，则本申请也意图包含这些改动和变型在内。

Claims (10)

1.一种异常停车检测方法，其特征在于，包括：
对采集检测区域的视频图像进行车辆检测，获得所述视频图像中各个车辆的车辆信息；所述车辆信息包括车辆标识和位置信息；
根据所述各个车辆的车辆标识，从位置集合中获取所述各个车辆的多个位置信息；所述位置集合包括采集到的视频图像中各个车辆在所述检测区域中的位置信息；
针对所述各个车辆中的任一个车辆，对所述车辆的多个位置信息进行拟合，得到所述车辆在所述检测区域内的行动轨迹；
将所述视频图像和轨迹灰度图输入到梯度卷积神经网络，以通过所述梯度卷积神经网络对所述视频图像和所述轨迹灰度图进行融合得到融合图像，并通过所述梯度卷积神经网络对所述融合图像进行异常停车检测得到所述视频图像的异常停车结果；其中所述轨迹灰度图为包括所述各个车辆的行动轨迹的灰度图。
2.根据权利要求1所述的方法，其特征在于，所述通过所述梯度卷积神经网络对所述视频图像和所述轨迹灰度图进行融合得到融合图像，包括：
将所述视频图像输入到所述梯度卷积神经网络中的卷积层，并通过所述卷积层，得到目标图像；
将所述目标图像和所述轨迹灰度图输入到所述梯度卷积神经网络中的全连接层，并通过所述全连接层，将所述目标图像与所述轨迹灰度图进行融合得到所述融合图像。
3.根据权利要求1所述的方法，其特征在于，所述对所述车辆的多个位置信息进行拟合，得到所述车辆在所述检测区域内的行动轨迹，包括：
根据所述多个位置信息，确定所述车辆的多个位置点；其中，所述位置点为所述位置信息表示的边框区域的中心点；
按照设定步长，从所述多个位置点中采集多个控制点；
对所述多个控制点进行拟合，得到待调整的行动轨迹；
根据所述视频图像中所述车辆的位置信息，确定所述车辆的中心点，将所述中心点插值到所述待调整的行动轨迹，得到所述车辆在所述检测区域内的行动轨迹。
4.根据权利要求3所述的方法，其特征在于，所述根据所述多个位置信息，确定所述车辆的多个位置点，包括：
根据所述多个位置信息，确定所述车辆在所述检测区域的初始位置点，以及确定所述视频图像中的所述车辆在所述检测区域的最终位置点；并将所述初始位置点到所述最终位置点的距离作为参考向量；
根据所述多个位置信息，确定所述车辆在所述检测区域中除所述初始位置点和所述最终位置点之外的多个候选位置点；
针对所述多个候选位置点中的任一候选位置点，将目标位置点到所述候选位置点的距离作为候选向量；若所述候选向量与所述参考向量的夹角小于设定阈值，则确定所述候选位置点为所述位置点；当所述候选位置点为第一候选位置点时，所述目标位置点为所述初始位置点；当所述候选位置点为非第一候选位置点时，所述目标位置点为所述候选位置点的前一个被确定为所述位置点的候选位置点。
5.根据权利要求1～4任一项所述的方法，其特征在于，所述方法还包括：
若所述异常停车结果表示所述视频图像中存在车辆异常停车，则提取所述融合图像的图像特征；
根据所述图像特征，确定异常停车位置。
6.一种异常停车检测装置，其特征在于，所述装置包括：
检测单元，用于对采集检测区域的视频图像进行车辆检测，获得所述视频图像中各个车辆的车辆信息；所述车辆信息包括车辆标识和位置信息；
获取单元，用于根据所述各个车辆的车辆标识，从位置集合中获取所述各个车辆的多个位置信息；所述位置集合包括采集到的视频图像中各个车辆在所述检测区域中的位置信息；
拟合单元，用于针对所述各个车辆中的任一个车辆，对所述车辆的多个位置信息进行拟合，得到所述车辆在所述检测区域内的行动轨迹；
确定单元，用于将所述视频图像和轨迹灰度图输入到梯度卷积神经网络，以通过所述梯度卷积神经网络对所述视频图像和所述轨迹灰度图进行融合得到融合图像，并通过所述梯度卷积神经网络对所述融合图像进行异常停车检测得到所述视频图像的异常停车结果；其中所述轨迹灰度图为包括所述各个车辆的行动轨迹的灰度图。
7.根据权利要求6所述的装置，其特征在于，所述确定单元具体用于：
将所述视频图像输入到所述梯度卷积神经网络中的卷积层，并通过所述卷积层，得到目标图像；
将所述目标图像和所述轨迹灰度图输入到所述梯度卷积神经网络中的全连接层，并通过所述全连接层，将所述目标图像与所述轨迹灰度图进行融合得到所述融合图像。
8.根据权利要求6所述的装置，其特征在于，所述拟合单元具体用于：
根据所述多个位置信息，确定所述车辆的多个位置点；其中，所述位置点为所述位置信息表示的边框区域的中心点；
按照设定步长，从所述多个位置点中采集多个控制点；
对所述多个控制点进行拟合，得到待调整的行动轨迹；
根据所述视频图像中所述车辆的位置信息，确定所述车辆的中心点，将所述中心点插值到所述待调整的行动轨迹，得到所述车辆在所述检测区域内的行动轨迹。
9.一种电子设备，其特征在于，包括存储器和处理器，所述存储器上存储有可在所述处理器上运行的计算机程序，当所述计算机程序被所述处理器执行时，实现权利要求1～5中任一项所述的方法。
10.一种计算机可读存储介质，所述计算机可读存储介质内存储有计算机程序，其特征在于，所述计算机程序被处理器执行时，实现权利要求1～5中任一项所述的方法。
CN202210146050.5A 2022-02-17 2022-02-17 一种异常停车检测方法、电子设备及存储介质 Pending CN114494977A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210146050.5A CN114494977A (zh) 2022-02-17 2022-02-17 一种异常停车检测方法、电子设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210146050.5A CN114494977A (zh) 2022-02-17 2022-02-17 一种异常停车检测方法、电子设备及存储介质

Publications (1)

Publication Number Publication Date
CN114494977A true CN114494977A (zh) 2022-05-13

Family

ID=81482646

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210146050.5A Pending CN114494977A (zh) 2022-02-17 2022-02-17 一种异常停车检测方法、电子设备及存储介质

Country Status (1)

Country Link
CN (1) CN114494977A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116662788A (zh) * 2023-07-27 2023-08-29 太平金融科技服务(上海)有限公司深圳分公司 一种车辆轨迹处理方法、装置、设备和存储介质

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116662788A (zh) * 2023-07-27 2023-08-29 太平金融科技服务(上海)有限公司深圳分公司 一种车辆轨迹处理方法、装置、设备和存储介质
CN116662788B (zh) * 2023-07-27 2024-04-02 太平金融科技服务(上海)有限公司深圳分公司 一种车辆轨迹处理方法、装置、设备和存储介质

Similar Documents

Publication Publication Date Title
CN110400332B (zh) 一种目标检测跟踪方法、装置及计算机设备
JP7221089B2 (ja) 動的な交通参加者の除去による位置推定と地図生成の安定した同時実行
CN109035304B (zh) 目标跟踪方法、介质、计算设备和装置
CN110443210B (zh) 一种行人跟踪方法、装置以及终端
JP2020052694A (ja) 物体検出装置、物体検出方法及び物体検出用コンピュータプログラム
US7940957B2 (en) Object tracker for visually tracking object motion
CN111178245A (zh) 车道线检测方法、装置、计算机设备和存储介质
KR20120138627A (ko) 안면 추적 장치 및 방법
CN110991261A (zh) 交互行为识别方法、装置、计算机设备和存储介质
CN110660102B (zh) 基于人工智能的说话人识别方法及装置、系统
CN110827320A (zh) 基于时序预测的目标跟踪方法和装置
CN113780145A (zh) 精子形态检测方法、装置、计算机设备和存储介质
CN114494977A (zh) 一种异常停车检测方法、电子设备及存储介质
KR101690050B1 (ko) 지능형 영상보안 시스템 및 객체 추적 방법
CN110636248B (zh) 目标跟踪方法与装置
CN114359618A (zh) 神经网络模型的训练方法、电子设备及计算机程序产品
Santos et al. Car recognition based on back lights and rear view features
CN115482425A (zh) 关键点识别方法、模型训练方法、装置及存储介质
CN113112479A (zh) 基于关键区块提取的渐进式目标检测方法和装置
CN117292321A (zh) 基于视频监控的运动检测方法、装置及计算机设备
Zhang et al. Curve-based lane estimation model with lightweight attention mechanism
CN114913470B (zh) 一种事件检测方法及装置
Liu et al. Spatio-temporal prediction and reconstruction network for video anomaly detection
CN115331151A (zh) 一种视频测速方法、装置、电子设备和存储介质
CN114359915A (zh) 图像处理方法、装置和可读存储介质

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