CN114511825A - 一种区域占用检测方法、装置、设备及存储介质 - Google Patents
一种区域占用检测方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN114511825A CN114511825A CN202210080333.4A CN202210080333A CN114511825A CN 114511825 A CN114511825 A CN 114511825A CN 202210080333 A CN202210080333 A CN 202210080333A CN 114511825 A CN114511825 A CN 114511825A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- image
- scene
- information
- vehicles
- 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.)
- Withdrawn
Links
- 238000000034 method Methods 0.000 title claims abstract description 68
- 238000012549 training Methods 0.000 claims description 70
- 238000001514 detection method Methods 0.000 claims description 42
- 238000002372 labelling Methods 0.000 claims description 20
- 230000015654 memory Effects 0.000 claims description 20
- 238000000605 extraction Methods 0.000 claims description 18
- 238000006073 displacement reaction Methods 0.000 claims description 15
- 238000012216 screening Methods 0.000 claims description 15
- 230000004044 response Effects 0.000 claims description 13
- 238000004590 computer program Methods 0.000 claims description 6
- 238000007873 sieving Methods 0.000 claims description 4
- 238000010586 diagram Methods 0.000 description 8
- 230000006399 behavior Effects 0.000 description 5
- 238000004891 communication Methods 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 239000003550 marker Substances 0.000 description 3
- 238000005065 mining Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 2
- 238000012552 review Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 230000003321 amplification Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000002156 mixing Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000003199 nucleic acid amplification method Methods 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Traffic Control Systems (AREA)
- Image Analysis (AREA)
Abstract
本公开实施例公开了一种区域占用检测方法、装置、设备及存储介质,其中,该方法包括:获取真实场景对应的场景标注信息和多个场景图像;所述场景标注信息用于在所述场景图像中标注所述真实场景中第一类别车辆的专用区域;对所述多个场景图像进行识别,得到每一所述场景图像中的至少一个车辆的车辆信息;所述车辆信息包括每一所述车辆的类别信息和位置信息;基于每一所述场景图像对应的每一所述车辆的类别信息和位置信息,以及所述场景标注信息,确定所述专用区域是否被第二类别车辆占用;所述第二类别车辆不同于所述第一类别车辆。
Description
技术领域
本公开实施例涉及人工智能领域,尤其涉及一种区域占用检测方法、装置、设备及存储介质。
背景技术
现实场景中,道路中会设置不同专用区域,不同专用区域仅允许特定类型的车辆使用,例如,公交车道属于专用区域的一种,在普通道路上分隔出专用线道,仅提供给公共汽车或者无轨电车行驶。一般是指公交专用道,各地经常会限制其他车辆在工作日上下班高峰期行驶,保证公共汽车在拥堵路段的时间平稳且高效。
相关技术中,主要通过工作人员对交通监控视频进行巡逻,若发现普通车占用公交车道的情况,及时进行相关预警,并通知交警部门及时响应处理,引导敦促违规车辆及时停止占道行为。这种人工巡逻交管视频的方案虽然能够有效发现违规目标,但检测效率低,比较容易出现遗漏的情况,且实时性也不高。
发明内容
本公开实施例提供一种区域占用检测方法、装置、设备及存储介质。
第一方面,提供一种区域占用检测方法,包括:
获取真实场景对应的场景标注信息和多个场景图像;所述场景标注信息用于在所述场景图像中标注所述真实场景中第一类别车辆的专用区域;
对所述多个场景图像进行识别,得到每一所述场景图像中的至少一个车辆的车辆信息;所述车辆信息包括每一所述车辆的类别信息和位置信息;
基于每一所述场景图像对应的每一所述车辆的类别信息和位置信息,以及所述场景标注信息,确定所述专用区域是否被第二类别车辆占用;所述第二类别车辆不同于所述第一类别车辆。
在一些实施例中,所述基于每一所述场景图像对应的每一所述车辆的类别信息和位置信息,以及所述场景标注信息,确定所述专用区域是否被第二类别车辆占用,包括:
基于每一所述场景图像对应的每一所述车辆的类别信息,确定包含所述第二类别车辆的多个车辆图像;
响应于所述车辆图像中的第二类别车辆的区域占用比例不小于预设的比例阈值,确定所述车辆图像为目标图像;其中,所述区域占用比例基于所述第二类别车辆的位置信息和所述场景标注信息确定;
基于至少一个所述目标图像,确定所述专用区域是否被第二类别车辆占用。
在一些实施例中,所述基于至少一个所述目标图像,确定所述专用区域是否被第二类别车辆占用,包括:
响应于以下至少之一,确定所述专用区域被第二类别的车辆占用:
至少一个所述目标图像的实时帧数大于预设的帧数阈值、所述目标图像之间的最大时间间隔大于预设的第一时间阈值、所述专用区域被所述第二类别车辆占用的时间大于预设的第二时间阈值。
在一些实施例中,所述方法还包括:
在所述专用区域被所述第二类别的车辆占用的情况下,生成携带举证数据的告警信息;所述举证数据用于举证所述专用区域被所述第二类别车辆占用;
其中,所述举证数据包括以下至少之一:视频数据和至少一个举证图像。
在一些实施例中,所述方法还包括:
在所述举证数据包括视频数据的情况下,响应于检测到所述专用区域被所述第二类别的车辆占用,录制所述专用区域的占用视频作为所述视频数据,直至达到预设的停止条件。
在一些实施例中,所述方法还包括:
在所述举证数据包括至少一个举证图像的情况下,从至少一个所述目标图像中筛选举证图像;其中,筛选出的任意两个举证图像中,所述第二类别车辆的位移大于预设的位移阈值,并且至少一个举证图像携带所述第二类别车辆的车辆标识。
在一些实施例中,通过车辆识别模型对所述多个场景图像进行识别,得到每一所述场景图像中的至少一个车辆的车辆信息;所述车辆识别模型的训练方法,包括:
通过包含第一车辆图像的第一训练集,对初始模型中的特征提取网络进行自监督训练;
通过包含第二车辆图像以及真实标签的第二训练集,对所述初始模型中的至少一个功能网络模块进行训练,得到中间识别模型;
通过所述中间识别模型从所述第一训练集中,筛选包含所述第一类别车辆的第三车辆图像,作为第三训练集;
至少基于所述第三训练集对所述中间识别模型进行训练,得到所述车辆识别模型。
在一些实施例中,所述第一车辆图像中的车辆包括所述第一类别车辆和所述第二类别车辆,所述第二车辆图像中的车辆为所述第一类别车辆,所述通过所述中间识别模型从所述第一训练集中,筛选包含所述第一类别车辆的第三车辆图像,作为第三训练集,包括:
通过所述中间识别模型对所述第一训练集中的第一车辆图像进行识别,得到多个携带预测标签的预选图像;所述预测标签用于表征所述预选图像是否包括所述第一类别车辆;
获取对多个携带预测标签的预选图像进行校验得到的多个携带真实标签的第三车辆图像;所述真实标签用于表征所述第三车辆图像包括所述第一类别车辆;
基于所述多个携带真实标签的第三车辆图像构建所述第三训练集。
在一些实施例中,所述方法还包括:
基于结构化车辆数据,生成所述多个未携带类别标签的第一车辆图像,并构建所述第一训练集。
第二方面,提供一种区域占用检测装置,包括:
获取模块,用于获取真实场景对应的场景标注信息和多个场景图像;所述场景标注信息用于在所述场景图像中标注所述真实场景中第一类别车辆的专用区域;
识别模块,用于对所述多个场景图像进行识别,得到每一所述场景图像中的至少一个车辆的车辆信息;所述车辆信息包括每一所述车辆的类别信息和位置信息;
确定模块,用于基于每一所述场景图像对应的每一所述车辆的类别信息和位置信息,以及所述场景标注信息,确定所述专用区域是否被第二类别车辆占用;所述第二类别车辆不同于所述第一类别车辆。
第三方面,提供一种区域占用检测设备,包括:存储器和处理器,所述存储器存储有可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现上述方法中的步骤。
第四方面,提供一种计算机存储介质,所述计算机存储介质存储有一个或者多个程序,所述一个或者多个程序可被一个或者多个处理器执行,以实现上述方法中的步骤。
在本公开实施例中,通过对真实场景的场景标注信息和采集的多个场景图像,确定第二类别车辆占用专用区域的至少一个目标图像,基于该至少一个目标图像生成表征第二类别车辆非法占用专用区域告警信息。可以实现对真实场景中车辆对专用区域的非法占用行为的识别,提升了对专用区域的非法占用行为检测的实时性、也提升了识别效率。
附图说明
图1为本公开实施例提供的一种区域占用检测方法的流程示意图;
图2A为本公开实施例提供的一种区域占用检测方法的流程示意图;
图2B为本公开实施例提供的一种区域占用比例示意图;
图3为本公开实施例提供的一种区域占用检测方法的流程示意图;
图4为本公开实施例提供的一种告警信息示意图;
图5为本公开实施例提供的车辆识别模型的训练方法的一个可选的流程示意图;
图6为本公开实施例提供的一种区域占用检测装置的组成结构示意图;
图7为本公开实施例提供的一种区域占用检测设备的硬件实体示意图。
具体实施方式
下面将通过实施例并结合附图具体地对本公开的技术方案进行详细说明。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。
需要说明的是:在本公开实例中,“第一”、“第二”等是用于区别类似的对象,而不必用于描述目标的顺序或先后次序。另外,本公开实施例所记载的技术方案之间,在不冲突的情况下,可以任意组合。
参见图1,图1是本公开实施例提供的区域占用检测方法的一个可选的流程示意图,将结合图1示出的步骤进行说明。
S101、获取真实场景对应的场景标注信息和多个场景图像;所述场景标注信息用于在所述场景图像中标注所述真实场景中第一类别的车辆的专用区域。
在一些实施例中,该场景图像可以通过设置与该真实场景中的摄像头设备获取,其中,该摄像头设备包括至少一个摄像头组件,每一摄像头组件用于获取当前真实场景对应的场景子图像,通过拼接每一摄像头组件对应的场景子图像可以得到该场景图像。
在一些实施例中,摄像头设备可以基于预设的采集频率,采集当前真实场景的场景图像,以得到上述多个场景图像。需要说明的是,上述多个场景图像中的每一场景图像均携带获取该场景图像对应的时间戳,同时,多个场景图像可以按照该时间戳的先后顺序进行排列。在一些实施例中,该多个场景图像可以以视频流的形式传输至管理设备中,并通过该管理设备展示给管理人员。
在一些实施例中,该真实场景对应的场景标注信息用于在该场景图像中标注专用区域。其中,由于该场景图像是通过摄像头设备获取的,在该摄像头设备采集真实场景图像的过程中,该摄像头设备的位置和拍摄角度是相对固定的。因此,在获得该摄像头设备获取的任意一个场景图像后,可以获取人工对该任意一个场景图像中专用区域的标注信息,并将该标注信息该摄像头设备对应的场景标注信息。
其中,该专用区域为该真实场景中仅限于第一类别的车辆使用的区域。该专用区域对应的第一类别与该真实场景的场景类别对应。示例性的,在该真实场景为公交车站点场景的情况下,该专用区域可以为公交车站点场景中仅限公交车类别的车辆进入的公交车道;在该真实场景为高速路场景的情况下,该专用区域可以为高速路场景中仅限非货车类别的车辆进入的超车车道。
S102、对所述多个场景图像进行识别,得到每一所述场景图像中的至少一个车辆的车辆信息;所述车辆信息包括每一所述车辆的类别信息和位置信息。
在一些实施例中,在获取到每一场景图像之后,直接基于预设的车辆识别算法/模型对该每一场景图像进行识别,得到每一场景图像中存在的至少一个车辆的车辆信息。
其中,针对每一场景图像,在对该场景图像进行识别之后,可以获取到该场景图像中存在的每一车辆的车辆信息,该车辆信息可以包括该车辆的车辆类别信息和位置信息。其中,该车辆类别至少包括该第一类别和非所述第一类别的第二类别;该位置信息至少可以确定该车辆在该场景图像中的相对位置。
S103、基于每一所述场景图像对应的每一所述车辆的类别信息和位置信息,以及所述场景标注信息,确定所述专用区域是否被第二类别车辆占用;所述第二类别车辆不同于所述第一类别车辆。
在一些实施例中,基于每一场景图像对应的每一所述车辆的位置信息,可以确定识别到的每一车辆对应的车辆轨迹,该车辆轨迹可以由该车辆对应的至少一个位置信息确定,其中,该车辆轨迹对应的每一位置信息对应一个场景图像。
其中,可以基于每一车辆对应的类别信息,可以提取第二类别车辆对应的车辆轨迹。在该第二类别车辆(不同于所述第一类别车辆的车辆)的车辆轨迹中,可以基于该第二类别车辆在每一场景图像中的位置信息和上述场景标注信息,确定所述专用区域是否被第二类别车辆占用。
在本公开实施例中,通过对真实场景的场景标注信息和采集的多个场景图像,确定第二类别车辆占用专用区域的至少一个目标图像,基于该至少一个目标图像生成表征第二类别车辆非法占用专用区域告警信息。可以实现对真实场景中车辆对专用区域的非法占用行为的识别,提升了对专用区域的非法占用行为检测的实时性、也提升了识别效率。
参见图2A,图2A是本公开实施例提供的区域占用检测方法的一个可选的流程示意图,基于图1,图1中的S103可以包括S201至S203,将结合图2A示出的步骤进行说明。
S201、基于每一所述场景图像对应的每一所述车辆的类别信息,确定包含所述第二类别车辆的多个车辆图像。
在一些实施例中,所述车辆的类别信息用于表征所述场景图像中车辆的类别,其中,车辆可以分为第一类别车辆和第二类别车辆共两个类别。针对每一场景图像,可以基于该场景图像中存在的每一车辆的类别信息,确定包括第二类别车辆的场景图像为该车辆图像。
S202、响应于所述车辆图像中的第二类别车辆的区域占用比例不小于预设的比例阈值,确定所述车辆图像为目标图像;其中,所述区域占用比例基于所述第二类别车辆的位置信息和所述场景标注信息确定。
其中,该位置信息包括该第二类别车辆在该车辆图像中所在的行驶区域。其中,上述行驶区域可以由该第二类别车辆对应的检测框数据(例如坐标)确定,该检测框数据可以包括多个第一顶点坐标,基于该第一顶点坐标确定该行驶区域在所述车辆图像中的位置和范围。在其它实施方式中,上述行驶区域可以由该第二类别车辆的四个车轮关键点的坐标(可通过车轮关键点检测实现)确定,即基于四个车轮关键点围成的四边形确定所述行驶区域。
在一些实施例中,可以基于每一所述车辆图像对应的行驶区域和所述场景标注信息,确定每一所述车辆图像中所述第二类别车辆的区域占用比例。基于每一所述车辆图像对应的区域占用比例和预设的比例阈值,在所述多个车辆图像中确定至少一个所述目标图像。
其中,基于得到的行驶区域和场景标注信息确定的专用区域,确定该行驶区域中位于该专用区域的占用面积,将该占用面积和该行驶区域的比值确定为该第二类别车辆的区域占用比例。其中,该专用区域可以包括多个第二顶点坐标(或者多个车轮关键点坐标),基于该多个第二顶点坐标(或者多个车轮关键点坐标)可以确定该专用区域在该车辆图像中的位置和范围。
示例性的,请参阅图2B,其示出了一种车辆的区域占用比例示意图。其中,该图2B中存在专用区域B22和第二类别车辆的行驶区域B21,基于该专用区域B22对应的多个第二顶点坐标和该行驶区域B21对应的多个第一顶点坐标,可以确定重合的占用区域B23的占用面积,基于该B23对应的占用面积和该行驶区域B21对应的第二类别车辆的底盘面积,可以确定该第二类别车辆的区域占用比例。该区域占用比例用于表征该第二类别车辆在所述车辆图像中对所述专用区域的占用程度。
在一些实施例中,该比例阈值可以是管理人员基于该真实场景的场景类型预先设置好的。其中,该比例阈值可以设置为50%,也可以设置为超过50%的任意比例。
示例性的,基于图2B对应的举例,在该行驶区域B21对应的面积为4.5平方米(即该第二类别车辆的底盘面积为4.5平方米),该重合区域B23对应占用面积为3平方米且比例阈值为50%的情况下,判定该场景图像为该第二类别车辆对应的一个目标图像。
基于相同方法,可以在所有场景图像中确定该第二类别车辆对应的所有目标图像,进而得到上述至少一个目标图像。
S203、基于至少一个所述目标图像,确定所述专用区域是否被第二类别车辆占用。
在一些实施例中,在得到表征该第二类别车辆处于该专用区域的至少一个目标图像之后,可以统计每一目标图像中第二类别车辆的区域占用比例,基于得到的统计结果确定所述专用区域是否被第二类别车辆占用。
其中,上述统计结果可以是区域占用比例的平均值,也可以是中位数等,在该统计结果超过预设的占用阈值的情况下,判定该专用区域被第二类别车辆占用;在该统计结果未超过预设的占用阈值的情况下,判定该专用区域未被第二类别车辆占用。
在本公开实施例中,由于采用车辆行驶区域和场景标注信息确定区域占用比例,基于该区域中占用比例和预设的比例阈值,在车辆图像中确定目标图像,相比于传统方法中基于车辆底盘中点判断车辆是否位于专用区域的方法,可以提升准确度。
参见图3,图3是本公开实施例提供的区域占用检测方法的一个可选的流程示意图,基于图2,图2中的S203可以更新为S301,将结合图3示出的步骤进行说明。
S301、响应于以下至少之一,确定所述专用区域被第二类别的车辆占用:至少一个所述目标图像的实时帧数大于预设的帧数阈值、所述目标图像之间的最大时间间隔大于预设的第一时间阈值、所述专用区域被所述第二类别车辆占用的时间大于预设的第二时间阈值。
在一些实施例中,在得到表征该第二类别车辆处于该专用区域的至少一个目标图像之后,可以基于至少一个所述目标图像的实时帧数和预设的帧数阈值,确定所述专用区域是否被第二类别车辆占用。
其中,可以统计该至少一个目标图像中的图像数量作为上述实时帧数,并与预设的帧数阈值进行比对,在该实时帧数大于该帧数阈值的情况下,说明车辆可能持续的占用了专用区域,确定所述专用区域被第二类别车辆占用;在该实时帧数小于或等于该帧数阈值的情况下,确定所述专用区域未被第二类别车辆占用。
在一些实施例中,在得到表征该第二类别车辆处于该专用区域的至少一个目标图像之后,还可以基于目标图像之间的最大时间间隔和预设的第一时间阈值,确定所述专用区域是否被第二类别车辆占用。其中,该最大时间间隔为第一目标图像的时间戳和第二目标图像的时间戳之间的间隔时间;所述第一目标图像为至少一个所述目标图像中的起始帧图像,所述第二目标图像为至少一个所述目标图像中的结束帧图像。
其中,基于每一目标图像对应的时间戳,可以获取该至少一个目标图像中为起始帧图像的第一目标图像和为结束帧图像的第二目标图像,计算该第一目标图像的时间戳与该第二目标图像的时间戳之间的间隔时间,并与预设的第一时间阈值进行比对,在该时间间隔大于该第一时间阈值的情况下,说明所述专用区域被长时间占用,因此确定所述专用区域被第二类别车辆占用;在该时间间隔小于或等于该第一时间阈值的情况下,确定所述专用区域未被第二类别车辆占用。
在一些实施例中,在得到表征该第二类别车辆处于该专用区域的至少一个目标图像之后,还可以基于至少一个所述目标图像的实时帧数和图像采样频率生成专用区域被所述第二类别车辆占用的时间,基于所述专用区域被所述第二类别车辆占用的时间和预设的第二时间阈值,所述专用区域是否被第二类别车辆占用。
其中,该图像采样频率为该摄像头设备获取该场景图像的频率,在统计该至少一个目标图像中的图像数量作为上述实时帧数之后,基于该实时帧数与该图像采用频率的乘积,可以得到该第二类别车辆占用的时间,并与预设的第二时间阈值进行比对,在该专用区域被所述第二类别车辆占用的时间大于该第二时间阈值的情况下,确定所述专用区域被第二类别车辆占用;在该专用区域被所述第二类别车辆占用的时间小于或等于该第二时间阈值的情况下,确定所述专用区域未被第二类别车辆占用。
在一些实施例中,在确定所述专用区域未被第二类别车辆占用的情况下,继续获取多个新的场景图像,并判断该多个新的场景图像中是否存在该第二类别车辆,在该多个新的场景图像中存在该第二类别车辆,且包括新的目标图像情况下,基于上述至少一个目标图像和新的目标图像重新确定所述专用区域是否被第二类别车辆占用,直至该第二类别车辆从所述新的场景图像中消失。
在一些实施例中,所述方法还包括:
S302、在所述专用区域被所述第二类别的车辆占用的情况下,生成携带举证数据的告警信息;所述举证数据用于举证所述专用区域被所述第二类别车辆占用;其中,所述举证数据包括以下至少之一:视频数据和至少一个举证图像。
其中,可以从至少一个表征第二类别车辆占用专用区域的目标图像中选择至少一个举证图像,并将该至少一个举证图像和该车辆信息打包为告警信息。其中,该车辆信息还包括以下至少之一:车牌号码、车牌颜色、车牌类型、车辆类型、车辆颜色。
在一些实施例中,可以基于预设的告警信息生成模板、该举证图像和车辆信息生成证据链页面,生成携带该证据链页面的告警信息。其中,在生成该证据链页面后,可以保存该证据链页面至服务器,并生成携带该证据链页面的页面标识的告警信息,其他设备在接收到该告警信息后,可以基于该页面标识访问该服务器,并从服务器中获取原始的证据链页面。该页面标识可以为地址标识、页面名称等。
在一些实施例中,在所述举证数据包括视频数据的情况下,响应于检测到所述专用区域被所述第二类别的车辆占用,录制所述专用区域的占用视频作为所述视频数据,直至达到预设的停止条件。
在一些实施例中,停止条件可以包括以下至少之一:录制得到的占用视频的视频时长超过预设时长阈值、所述第二类别车辆对应的占用判定结果表征目标区域未被该第二类别车辆占用、所述第二类别车辆从场景图像中消失。
响应于针对上述任意一个停止条件的触发事件,停止录制该占用视频,并将保存已经录制的占用视频。
在一些实施例中,该告警信息不仅包括图像类别的举证图像,还包括视频类别的举证视频,基于该举证图像和所述举证视频生成的告警信息可以从多角度展示该第二类别车辆对该专用区域的非法占用行为。
在本公开实施例中,由于在生成告警信息的过程中,同时将静态图像和动态视频两个维度的信息作为该告警信息,可以提升该告警信息的全面性和客观性。
在一些实施例中,在所述举证数据包括至少一个举证图像的情况下,从至少一个所述目标图像中筛选举证图像;其中,筛选出的任意两个举证图像中,所述第二类别车辆的位移大于预设的位移阈值,并且至少一个举证图像携带所述第二类别车辆的车辆标识。
在一些实施例中,该举证图像可以包括按照时间戳先后排序的第一举证图像、第二举证图像和第三举证图像;可以通过以下方法实现上述从至少一个所述目标图像中筛选举证图像:基于每一所述目标图像对应的时间戳,将起始时间戳对应的目标图像作为第一举证图像,将结束时间戳对应的目标图像作为第三举证图像,基于中间时间戳对应的目标图像作为该第二举证图像。该起始时间戳为时间最早的时间戳,该结束时间戳为时间最晚的时间戳,该中间时间戳为该每一目标图像对应的时间戳中的中位时间戳。
其中,基于该第一举证图像、第二举证图像和第三举证图像可以看到该第二类别车辆在该真实场景的专用区域中存在明显的位移。其中,该第二类别车辆在所述第一举证图像和所述第二举证图像的之间的第一位移量化值超过预设的位移阈值,且所述第二类别车辆在所述第二举证图像和所述第三举证图像的之间的第二位移量化值超过所述位移阈值。
在一些实施例中,该第三举证图像携带该第二类别车辆的车辆标识。其中,该车辆标识可以包括以下至少之一:车架号、车牌号等。
其中,上述将结束时间戳对应的目标图像作为第三举证图像,包括:基于该结束时间戳对应的目标图像提取所述第二类别车辆的车辆标识,在所述结束时间戳对应的目标图像携带该第二类别车辆的车辆标识的情况下,将该结束时间戳对应的目标图像作为第三举证图像;在所述结束时间戳对应的目标图像不携带该第二类别车辆的车辆标识的情况下(即无法提取该车辆标识),将该结束时间戳的上一个时间戳对应的目标图像作为第三举证图像。
在一些实施例中,所述位置信息包括在所述目标图像中标注所述第二类别的车辆的位置的区域信息和坐标信息;所述场景标注信息还用于在所述场景图像中标注所述真实场景中针对所述专用区域的区域标识;所述从至少一个所述目标图像中筛选举证图像,包括:从至少一个所述目标图像中确定第二举证图像;所述第二举证图像包括所述区域标识和所述第二类别的车辆;基于所述第二举证图像中所述第二类别的车辆的坐标信息,在所述第二举证图像之前的目标图像中确定所述第一举证图像;基于所述第二举证图像中所述第二类别的车辆的区域信息和坐标信息,在所述第二举证图像之后的目标图像中确定所述第三举证图像。
其中,可以基于每一所述目标图像中所述第二类别车辆的位置信息,将行驶轨迹的中间位置对应的目标图像确定为所述第二举证图像;其中,该行驶轨迹基于每一所述第二类别车辆的位置信息确定。
在一些实施例中,该场景标识信息中携带该专用区域的区域标志物的标志物区域,可以从该至少一个目标图像中筛选得到至少一个待选第二举证图像,该待选第二举证图像中的标志物区域没有被遮挡。再从至少一个待选第二举证图像中确定该第二举证图像。
在一些实施例中,可以通过以下方式实现基于所述第二举证图像中所述第二类别的车辆的坐标信息,在所述第二举证图像之前的目标图像中确定所述第一举证图像:基于该第二举证图像中所述第二类别车辆的位置信息和所述第二举证图像之前的至少一个目标图像,得到至少一个位移距离;将位移距离大于该位移阈值的目标图像确定为待选第一举证图像;基于预设的选取条件从待选第一举证图像中确定所述第一举证图像。其中,该选取条件可以包括:将待选第一举证图像中车辆信息的置信度最大的待选第一举证图像作为该第一举证图像;和/或将第二类别车辆距离图像边缘最远的待选第一举证图像作为该第一举证图像。
在一些实施例中,可以通过以下方式实现基于所述第二举证图像中所述第二类别的车辆的区域信息和坐标信息,在所述第二举证图像之后的目标图像中确定所述第三举证图像,包括:基于所述第二举证图像中所述第二类别的车辆的坐标信息,在所述第二举证图像之后的目标图像中确定至少一个待选举证图像;基于每一所述待选举证图像对应的区域信息,在所述至少一个待选举证图像确定所述第三举证图像。
在一些实施例中,还可以基于所述第三举证图像和对应的区域信息,生成第四举证图像;基于所述第一举证图像、所述第二举证图像、所述第三举证图像和所述第四举证图像和所述车辆信息,生成所述告警信息。
其中,可以基于该行驶区域信息对该第三举证图像进行截取,得到第二类别车辆的检测图像,基于预设的图像放大算法,将该第二类别车辆的检测图像进行放大处理,得到该第四举证图像。
在一些实施例中,该告警信息可以以页面的形式展示给访问该告警信息的电子设备,请参见图4,图4是本公开实施例提供的一个可选的告警信息示意图,其中,告警信息展示页面B10可以包括车辆信息展示区域B11和举证展示区域B12。该举证展示区域B12可以展示上述第一举证图像B121、第二举证图像B122、第三举证图像B123和第四举证图像B124。
在进一步的实施例中,该告警信息展示页面B10该可以包括切换控件B13,在接收到针对该切换控件B13的切换操作之后,上述告警信息展示页面B10可以在举证展示区域B12中展示上述录制的占用视频。
在本公开实施例中,由于选择了可以明显看出第二类别车辆存在位移的第一举证图像、第二举证图像和第三举证图像,可以为该告警信息提供全面的举证基础,进而构成了该第二类别车辆非法占用该专用区域的证据链;同时,采用上述筛选第一至第三举证图像的方法,可以提升举证图像的筛选效率。
在一些实施例中,可以通过训练后的车辆识别模型对所述多个场景图像进行识别,得到每一所述场景图像中的至少一个车辆的车辆信息。请参见图5,图5是本公开实施例提供的车辆识别模型的训练方法的一个可选的流程示意图,将结合图5示出的步骤进行说明。
S501、通过包含第一车辆图像的第一训练集,对初始模型中的特征提取网络进行自监督训练。
在一些实施例中,该特征提取网络可以由任何高效能的神经网络结构组成,例如深度残差网络(Deep residual network,Resnet),密集连接网络(Denseconnectionnetwork,Densenet)等等。当然,特征提取网络也可以为视觉几何组网络(VisualGeometryGroup Network,VGG),alexnet,SEResnet,Resnext等等。
在一些实施例中,该初始模型包括该特征提取网络和至少一个功能网络模块;该功能模块可以包括以下至少之一:池化模块、特征处理模块、全连接模块等。该特征提取网络和该至少一个功能网络模块之间的连接关系可以基于识别场景进行调整,本公开实施例对此不作限定。
其中,该第一训练集包括的第一车辆图像不携带对应的标签信息,并且包含第一类别车辆的图像和第二类别车辆的图像;在基于多个第一车辆图像对该初始特征提取网络进行自监督训练的过程中,训练中的特征提取网络可以学习提取不同类型的车辆对应的车辆特征,并基于提取的车辆特征对未添加标签的第一车辆图像进行聚类。在训练完成后,得到的该特征提取网络可以有效的提取输入图像中车辆的车辆特征,该车辆特征用于对不同车辆类别的车辆进行区分。
S502、通过包含第二车辆图像以及真实标签的第二训练集,对所述初始模型中的至少一个功能网络模块进行训练,得到中间识别模型。
在一些实施例中,第二车辆图像为所述第一类别车辆的图像,在基于携带真实标签的第二车辆图像对初始模型进行训练的过程中,该特征提取网络中的网络参数固定不变,仅调整其他功能网络模块中的网络参数。
示例性的,在该车辆识别模型用于识别第一类别车辆的情况下,上述第二车辆图像携带的正确标签至少包括车辆的类别标签,和该车辆对应的检测框标签;其中,该类别标签用于确定该车辆是否为第一类别车辆,该检测框标签用于确定该车辆的位置信息。
在一些实施例中,该第二训练集包括不同数据源对应的第二车辆图像,该数据源可以包括:管理人员采集并进行标注的数据、车辆管理机构提供的数据和互联网中存在的数据。
在一些实施例中,训练得到的中间识别模型可以对输入的图像进行车辆识别,得到输入的图像中车辆的检测框信息和对应的类别信息。
S503、通过所述中间识别模型从所述第一训练集中,筛选包含所述第一类别车辆的第三车辆图像,作为第三训练集。
在一些实施例中,可以通过S5031至S5033实现上述通过所述中间识别模型从所述第一训练集中,筛选包含所述第一类别车辆的第三车辆图像,作为第三训练集:
S5031、通过所述中间识别模型对所述第一训练集中的第一车辆图像进行识别,得到多个携带预测标签的预选图像;所述预测标签用于表征所述预选图像是否包括所述第一类别车辆。
其中,在获取到该中间识别模型之后,可以对上述多个未添加标签的第一车辆图像进行样本挖掘,即对该多个第一车辆图像(或部分第一车辆图像)进行识别,得到每一第一车辆图像中车辆的检测框信息和对应的类别信息。将车辆的检测框信息和对应的类别信息作为预测标签添加至对应的第一车辆图像中,得到该预选图像。其中,预测标签用于表征所述预选图像是否包括所述第一类别车辆。
S5032、获取对多个携带预测标签的预选图像进行校验得到的多个携带真实标签的第三车辆图像;所述真实标签用于表征所述第三车辆图像包括所述第一类别车辆。
S5033、基于所述多个携带真实标签的第三车辆图像构建所述第三训练集。
其中,可以通过人工复查的方式,对每一携带预测标签的预选图像进行校验,在确定该预选图像携带的预测标签正确的情况下,将预测标签表征该预选图像包括第一类别车辆的预选图像作为携带真实标签的第三车辆图像;在确定该第三车辆图像携带的预测标签错误的情况下,删除该预选图像,或对该预测标签进行修正,得到携带真实标签的第三车辆图像。示例性的,若存在预选图像的预测标签表征该预选图像不包括第一类别车辆,但经过人工复查校验,发现该预选图像包括第一类别车辆,则对该预测标签进行修正,为其添加表征该预选图像包括第一类别车辆的真实标签,并将其作为第三车辆图像。
S504、至少基于所述第三训练集对所述中间识别模型进行训练,得到所述车辆识别模型。
在一些实施例中,基于挖掘得到的第三车辆图像对上述基于第二车辆图像训练得到的中间识别模型继续训练,将训练后的模型作为该车辆识别模型。在一些实施例中,该车辆识别模型中特征提取网络的网络参数与中间识别模型中特征提取网络的网参数相同。
其中,可以混合第三训练集和第二训练集得到第四训练集,基于该第四训练集对中间识别模型进行训练,即混合得到的多个携带真实标签的第三车辆图像和多个携带真实标签的第二车辆图像,并基于混合后的车辆图像对所述中间识别模型进行训练,得到所述车辆识别模型。
在一些实施例中,所述方法还包括:基于结构化车辆数据,生成所述多个未携带类别标签的第一车辆图像,并构建所述第一训练集。
在一些实施例中,该结构化车辆数据可以由设置于不同真实道路的智能摄像头设备获取,该智能摄像头可以采集当前交通场景图像,并识别该交通场景图像中的车辆,生成包括车辆检测框信息的结构化车辆数据。基于携带该车辆检测框信息的结构化数据,可以利用该检测框信息截取对应的交通场景图像中的车辆图像,得到未添加类别标签的第一车辆图像。
在本公开实施例中,由于结构化车辆数据,生成所述多个未添加标签的第一车辆图像,可以获取大量的样本数据,为后续特征提取网络提供样本基础;同时采用自监督方法训练得到该特征提取网络,得到的特征提取网络可以有效的提取车辆特征,为后续车辆分类提供数据基础。由于利用经过预训练的特征提取网络构建初始识别模型,可以使初始识别模型在训练前已经具备对车辆特征的提取能力,也间接的提升了车辆识别模型的获取效率;利用从不同数据源中获取的携带真实标签的第二车辆图像,对该初始模型进行训练,可以提升该中间识别模型的识别能力;利用得到的中间识别模型对多个第一车辆图像进行样本挖掘,并对挖掘的预选图像进行校验,得到多个携带真实标签的第三车辆图像,再利用该第三车辆图像继续对该中间识别模型进行训练,可以进一步提升该车辆识别模型的识别精度。
图6为本公开实施例提供的一种区域占用检测装置的组成结构示意图,如图6所示,区域占用检测装置600包括:
获取模块601,用于获取真实场景对应的场景标注信息和多个场景图像;所述场景标注信息用于在所述场景图像中标注所述真实场景中第一类别车辆的专用区域;
识别模块602,用于对所述多个场景图像进行识别,得到每一所述场景图像中的至少一个车辆的车辆信息;所述车辆信息包括每一所述车辆的类别信息和位置信息;
确定模块603,用于基于每一所述场景图像对应的每一所述车辆的类别信息和位置信息,以及所述场景标注信息,确定所述专用区域是否被第二类别车辆占用;所述第二类别车辆不同于所述第一类别车辆。
在一些实施例中,所述确定模块603,还用于:
基于每一所述场景图像对应的每一所述车辆的类别信息,确定包含所述第二类别车辆的多个车辆图像;
响应于所述车辆图像中的第二类别车辆的区域占用比例不小于预设的比例阈值,确定所述车辆图像为目标图像;其中,所述区域占用比例基于所述第二类别车辆的位置信息和所述场景标注信息确定;
基于至少一个所述目标图像,确定所述专用区域是否被第二类别车辆占用。
在一些实施例中,所述确定模块603,还用于:
响应于以下至少之一,确定所述专用区域被第二类别的车辆占用:
至少一个所述目标图像的实时帧数大于预设的帧数阈值、所述目标图像之间的最大时间间隔大于预设的第一时间阈值、所述专用区域被所述第二类别车辆占用的时间大于预设的第二时间阈值。
在一些实施例中,所述确定模块603,还用于:
在所述专用区域被所述第二类别的车辆占用的情况下,生成携带举证数据的告警信息;所述举证数据用于举证所述专用区域被所述第二类别车辆占用;
其中,所述举证数据包括以下至少之一:视频数据和至少一个举证图像。
在一些实施例中,所述确定模块603,还用于:
在所述举证数据包括视频数据的情况下,响应于检测到所述专用区域被所述第二类别的车辆占用,录制所述专用区域的占用视频作为所述视频数据,直至达到预设的停止条件。
在一些实施例中,所述确定模块603,还用于:
在所述举证数据包括至少一个举证图像的情况下,从至少一个所述目标图像中筛选举证图像;其中,筛选出的任意两个举证图像中,所述第二类别车辆的位移大于预设的位移阈值,并且至少一个举证图像携带所述第二类别车辆的车辆标识。
在一些实施例中,通过车辆识别模型对所述多个场景图像进行识别,得到每一所述场景图像中的至少一个车辆的车辆信息;所述区域占用检测装置600还包括训练模块,所述训练模块用于:
通过包含第一车辆图像的第一训练集,对初始模型中的特征提取网络进行自监督训练;
通过包含第二车辆图像以及真实标签的第二训练集,对所述初始模型中的至少一个功能网络模块进行训练,得到中间识别模型;
通过所述中间识别模型从所述第一训练集中,筛选包含所述第一类别车辆的第三车辆图像,作为第三训练集;
至少基于所述第三训练集对所述中间识别模型进行训练,得到所述车辆识别模型。
在一些实施例中,所述第一车辆图像中的车辆包括所述第一类别车辆和所述第二类别车辆,所述第二车辆图像中的车辆为所述第一类别车辆,所述训练模块还用于:
通过所述中间识别模型对所述第一训练集中的第一车辆图像进行识别,得到多个携带预测标签的预选图像;所述预测标签用于表征所述预选图像是否包括所述第一类别车辆;
获取对多个携带预测标签的预选图像进行校验得到的多个携带真实标签的第三车辆图像;所述真实标签用于表征所述第三车辆图像包括所述第一类别车辆;
基于所述多个携带真实标签的第三车辆图像构建所述第三训练集。
在一些实施例中,所述训练模块还用于:
基于结构化车辆数据,生成所述多个未携带类别标签的第一车辆图像,并构建所述第一训练集。
以上装置实施例的描述,与上述方法实施例的描述是类似的,具有同方法实施例相似的有益效果。对于本公开装置实施例中未披露的技术细节,请参照本公开方法实施例的描述而理解。
需要说明的是,本公开实施例中,如果以软件功能模块的形式实现上述的区域占用检测方法,并作为独立的产品销售或使用时,也可以存储在一个计算机可读取存储介质中。基于这样的理解,本公开实施例的技术方案本质上或者说对相关技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台设备执行本公开各个实施例方法的全部或部分。而前述的存储介质包括:U盘、移动硬盘、只读存储器(Read Only Memory,ROM)、磁碟或者光盘等各种可以存储程序代码的介质。这样,本公开实施例不限制于任何目标的硬件和软件结合。
图7为本公开实施例提供的一种区域占用检测设备的硬件实体示意图,如图7所示,该区域占用检测设备700的硬件实体包括:处理器701和存储器702,其中,存储器702存储有可在处理器701上运行的计算机程序,处理器701执行程序时实现上述任一实施例的方法中的步骤。在一些实施方式中,游戏桌上收赔游戏币的设备700可以是上述任一实施例中所说明的区域占用检测设备。
存储器702存储有可在处理器上运行的计算机程序,存储器702配置为存储由处理器701可执行的指令和应用,还可以缓存待处理器701以及区域占用检测设备700中各模块待处理或已经处理的数据(例如,图像数据、音频数据、语音通信数据和视频通信数据),可以通过闪存(FLASH)或随机访问存储器(Random Access Memory,RAM)实现。
处理器701执行程序时实现上述任一项的区域占用检测方法的步骤。处理器701通常控制区域占用检测设备700的总体操作。
本公开实施例提供一种计算机存储介质,计算机存储介质存储有一个或者多个程序,该一个或者多个程序可被一个或者多个处理器执行,以实现如上任一实施例的区域占用检测方法的步骤。
这里需要指出的是:以上存储介质和设备实施例的描述,与上述方法实施例的描述是类似的,具有同方法实施例相似的有益效果。对于本公开存储介质和设备实施例中未披露的技术细节,请参照本公开方法实施例的描述而理解。
上述处理器可以为目标用途集成电路(Application Specific IntegratedCircuit,ASIC)、数字信号处理器(Digital Signal Processor,DSP)、数字信号处理装置(Digital Signal Processing Device,DSPD)、可编程逻辑装置(Programmable LogicDevice,PLD)、现场可编程门阵列(Field Programmable Gate Array,FPGA)、中央处理器(Central Processing Unit,CPU)、控制器、微控制器、微处理器中的至少一种。可以理解地,实现上述处理器功能的电子器件还可以为其它,本公开实施例不作具体限定。
上述计算机存储介质/存储器可以是只读存储器(Read Only Memory,ROM)、可编程只读存储器(Programmable Read-Only Memory,PROM)、可擦除可编程只读存储器(Erasable Programmable Read-Only Memory,EPROM)、电可擦除可编程只读存储器(Electrically Erasable Programmable Read-Only Memory,EEPROM)、磁性随机存取存储器(Ferromagnetic Random Access Memory,FRAM)、快闪存储器(Flash Memory)、磁表面存储器、光盘、或只读光盘(Compact Disc Read-Only Memory,CD-ROM)等存储器;也可以是包括上述存储器之一或任意组合的各种终端,如移动电话、计算机、平板设备、个人数字助理等。
应理解,说明书通篇中提到的“一个实施例”或“一实施例”或“本公开实施例”或“前述实施例”或“一些实施例”意味着与实施例有关的目标特征、结构或特性包括在本公开的至少一个实施例中。因此,在整个说明书各处出现的“在一个实施例中”或“在一实施例中”或“本公开实施例”或“前述实施例”或“一些实施例”未必一定指相同的实施例。此外,这些目标的特征、结构或特性可以任意适合的方式结合在一个或多个实施例中。应理解,在本公开的各种实施例中,上述各过程的序号的大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本公开实施例的实施过程构成任何限定。上述本公开实施例序号仅仅为了描述,不代表实施例的优劣。
在未做特殊说明的情况下,区域占用检测设备执行本公开实施例中的任一步骤,可以是区域占用检测设备的处理器执行该步骤。除非特殊说明,本公开实施例并不限定区域占用检测设备执行下述步骤的先后顺序。另外,不同实施例中对数据进行处理所采用的方式可以是相同的方法或不同的方法。还需说明的是,本公开实施例中的任一步骤是区域占用检测设备可以独立执行的,即区域占用检测设备执行上述实施例中的任一步骤时,可以不依赖于其它步骤的执行。
在本公开所提供的几个实施例中,应该理解到,所揭露的设备和方法,可以通过其它的方式实现。以上所描述的设备实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,如:多个单元或组件可以结合,或可以集成到另一个系统,或一些特征可以忽略,或不执行。另外,所显示或讨论的各组成部分相互之间的耦合、或直接耦合、或通信连接可以是通过一些接口,设备或单元的间接耦合或通信连接,可以是电性的、机械的或其它形式的。
上述作为分离部件说明的单元可以是、或也可以不是物理上分开的,作为单元显示的部件可以是、或也可以不是物理单元;既可以位于一个地方,也可以分布到多个网络单元上;可以根据实际的需要选择其中的部分或全部单元来实现本实施例方案的目的。
另外,在本公开各实施例中的各功能单元可以全部集成在一个处理单元中,也可以是各单元分别单独作为一个单元,也可以两个或两个以上单元集成在一个单元中;上述集成的单元既可以采用硬件的形式实现,也可以采用硬件加软件功能单元的形式实现。
本公开所提供的几个方法实施例中所揭露的方法,在不冲突的情况下可以任意组合,得到新的方法实施例。
本公开所提供的几个产品实施例中所揭露的特征,在不冲突的情况下可以任意组合,得到新的产品实施例。
本公开所提供的几个方法或设备实施例中所揭露的特征,在不冲突的情况下可以任意组合,得到新的方法实施例或设备实施例。
本领域普通技术人员可以理解:实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成,前述的程序可以存储于计算机可读取存储介质中,该程序在执行时,执行包括上述方法实施例的步骤;而前述的存储介质包括:移动存储设备、只读存储器(Read Only Memory,ROM)、磁碟或者光盘等各种可以存储程序代码的介质。
或者,本公开上述集成的单元如果以软件功能模块的形式实现并作为独立的产品销售或使用时,也可以存储在一个计算机可读取存储介质中。基于这样的理解,本公开实施例的技术方案本质上或者说对相关技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机、区域占用检测设备、或者网络设备等)执行本公开各个实施例所述方法的全部或部分。而前述的存储介质包括:移动存储设备、ROM、磁碟或者光盘等各种可以存储程序代码的介质。
在本公开实施例中,不同实施例中相同步骤和相同内容的说明,可以互相参照。在本公开实施例中,术语“并”不对步骤的先后顺序造成影响。
以上所述,仅为本公开的实施方式,但本公开的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本公开揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本公开的保护范围之内。因此,本公开的保护范围应以所述权利要求的保护范围为准。
Claims (12)
1.一种区域占用检测方法,其特征在于,所述方法包括:
获取真实场景对应的场景标注信息和多个场景图像;所述场景标注信息用于在所述场景图像中标注所述真实场景中第一类别车辆的专用区域;
对所述多个场景图像进行识别,得到每一所述场景图像中的至少一个车辆的车辆信息;所述车辆信息包括每一所述车辆的类别信息和位置信息;
基于每一所述场景图像对应的每一所述车辆的类别信息和位置信息,以及所述场景标注信息,确定所述专用区域是否被第二类别车辆占用;所述第二类别车辆不同于所述第一类别车辆。
2.根据权利要求1所述的方法,其特征在于,所述基于每一所述场景图像对应的每一所述车辆的类别信息和位置信息,以及所述场景标注信息,确定所述专用区域是否被第二类别车辆占用,包括:
基于每一所述场景图像对应的每一所述车辆的类别信息,确定包含所述第二类别车辆的多个车辆图像;
响应于所述车辆图像中的第二类别车辆的区域占用比例不小于预设的比例阈值,确定所述车辆图像为目标图像;其中,所述区域占用比例基于所述第二类别车辆的位置信息和所述场景标注信息确定;
基于至少一个所述目标图像,确定所述专用区域是否被第二类别车辆占用。
3.根据权利要求2所述的方法,其特征在于,所述基于至少一个所述目标图像,确定所述专用区域是否被第二类别车辆占用,包括:
响应于以下至少之一,确定所述专用区域被第二类别的车辆占用:
至少一个所述目标图像的实时帧数大于预设的帧数阈值、所述目标图像之间的最大时间间隔大于预设的第一时间阈值、所述专用区域被所述第二类别车辆占用的时间大于预设的第二时间阈值。
4.根据权利要求2或3所述的方法,其特征在于,所述方法还包括:
在所述专用区域被所述第二类别的车辆占用的情况下,生成携带举证数据的告警信息;所述举证数据用于举证所述专用区域被所述第二类别车辆占用;
其中,所述举证数据包括以下至少之一:视频数据和至少一个举证图像。
5.根据权利要求4所述的方法,其特征在于,所述方法还包括:
在所述举证数据包括视频数据的情况下,响应于检测到所述专用区域被所述第二类别的车辆占用,录制所述专用区域的占用视频作为所述视频数据,直至达到预设的停止条件。
6.根据权利要求4所述的方法,其特征在于,所述方法还包括:
在所述举证数据包括至少一个举证图像的情况下,从至少一个所述目标图像中筛选举证图像;其中,筛选出的任意两个举证图像中,所述第二类别车辆的位移大于预设的位移阈值,并且至少一个举证图像携带所述第二类别车辆的车辆标识。
7.根据权利要求1至6任一项所述的方法,其特征在于,通过车辆识别模型对所述多个场景图像进行识别,得到每一所述场景图像中的至少一个车辆的车辆信息;所述车辆识别模型的训练方法,包括:
通过包含第一车辆图像的第一训练集,对初始模型中的特征提取网络进行自监督训练;
通过包含第二车辆图像以及真实标签的第二训练集,对所述初始模型中的至少一个功能网络模块进行训练,得到中间识别模型;
通过所述中间识别模型从所述第一训练集中,筛选包含所述第一类别车辆的第三车辆图像,作为第三训练集;
至少基于所述第三训练集对所述中间识别模型进行训练,得到所述车辆识别模型。
8.根据权利要求7所述的方法,其特征在于,所述第一车辆图像中的车辆包括所述第一类别车辆和所述第二类别车辆,所述第二车辆图像中的车辆为所述第一类别车辆,所述通过所述中间识别模型从所述第一训练集中,筛选包含所述第一类别车辆的第三车辆图像,作为第三训练集,包括:
通过所述中间识别模型对所述第一训练集中的第一车辆图像进行识别,得到多个携带预测标签的预选图像;所述预测标签用于表征所述预选图像是否包括所述第一类别车辆;
获取对多个携带预测标签的预选图像进行校验得到的多个携带真实标签的第三车辆图像;所述真实标签用于表征所述第三车辆图像包括所述第一类别车辆;
基于所述多个携带真实标签的第三车辆图像构建所述第三训练集。
9.根据权利要求7或8所述的方法,其特征在于,所述方法还包括:
基于结构化车辆数据,生成所述多个未携带类别标签的第一车辆图像,并构建所述第一训练集。
10.一种区域占用检测装置,其特征在于,包括:
获取模块,用于获取真实场景对应的场景标注信息和多个场景图像;所述场景标注信息用于在所述场景图像中标注所述真实场景中第一类别车辆的专用区域;
识别模块,用于对所述多个场景图像进行识别,得到每一所述场景图像中的至少一个车辆的车辆信息;所述车辆信息包括每一所述车辆的类别信息和位置信息;
确定模块,用于基于每一所述场景图像对应的每一所述车辆的类别信息和位置信息,以及所述场景标注信息,确定所述专用区域是否被第二类别车辆占用;所述第二类别车辆不同于所述第一类别车辆。
11.一种区域占用检测设备,其特征在于,包括:存储器和处理器,
所述存储器存储有可在所述处理器上运行的计算机程序,
所述处理器执行所述计算机程序时实现权利要求1至9任一项所述方法中的步骤。
12.一种计算机存储介质,其特征在于,所述计算机存储介质存储有一个或者多个程序,所述一个或者多个程序可被一个或者多个处理器执行,以实现权利要求1至9任一项所述方法中的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210080333.4A CN114511825A (zh) | 2022-01-24 | 2022-01-24 | 一种区域占用检测方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210080333.4A CN114511825A (zh) | 2022-01-24 | 2022-01-24 | 一种区域占用检测方法、装置、设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114511825A true CN114511825A (zh) | 2022-05-17 |
Family
ID=81548923
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210080333.4A Withdrawn CN114511825A (zh) | 2022-01-24 | 2022-01-24 | 一种区域占用检测方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114511825A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114999199A (zh) * | 2022-05-24 | 2022-09-02 | 阿波罗智联(北京)科技有限公司 | 一种信号灯数据的处理方法、系统、车载单元及路侧单元 |
-
2022
- 2022-01-24 CN CN202210080333.4A patent/CN114511825A/zh not_active Withdrawn
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114999199A (zh) * | 2022-05-24 | 2022-09-02 | 阿波罗智联(北京)科技有限公司 | 一种信号灯数据的处理方法、系统、车载单元及路侧单元 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110428091B (zh) | 基于数据分析的风险识别方法及相关设备 | |
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 | |
CN112200081A (zh) | 异常行为识别方法、装置、电子设备及存储介质 | |
CN111985356A (zh) | 交通违章的证据生成方法及装置、电子设备、存储介质 | |
CN106919610B (zh) | 车联网数据处理方法、系统及服务器 | |
CN113505638B (zh) | 车流量的监测方法、监测装置及计算机可读存储介质 | |
CN109670431A (zh) | 一种行为检测方法及装置 | |
CN111127507A (zh) | 一种抛洒物的确定方法和系统 | |
CN113468283A (zh) | 数据处理方法、装置、设备、存储介质 | |
CN108932850B (zh) | 一种记录机动车低速行驶违法行为的方法及装置 | |
CN111476685B (zh) | 行为分析方法、装置及设备 | |
CN112364176A (zh) | 一种人员行动轨迹的构建方法、设备及系统 | |
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 | |
CN114005093A (zh) | 基于视频分析的驾驶行为告警方法、装置、设备及介质 | |
CN112907867A (zh) | 一种基于图像识别的预警方法、装置及服务器 | |
Avramović et al. | Real-time large scale traffic sign detection | |
CN114511825A (zh) | 一种区域占用检测方法、装置、设备及存储介质 | |
CN114743157A (zh) | 一种基于视频的行人监控方法、装置、设备及介质 | |
CN112562315B (zh) | 一种获取车流信息的方法、终端及存储介质 | |
CN113901946A (zh) | 一种异常行为检测的方法、装置、电子设备及存储介质 | |
CN112528901A (zh) | 一种基于大数据的车辆聚集告警方法及系统 | |
CN112885106A (zh) | 基于车辆大数据的区域禁行检测系统、方法及存储介质 | |
CN111985304A (zh) | 巡防告警方法、系统、终端设备及存储介质 | |
CN114821978B (zh) | 一种误报警的消除方法、装置以及介质 | |
CN113538968B (zh) | 用于输出信息的方法和装置 |
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 | ||
WW01 | Invention patent application withdrawn after publication | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20220517 |