CN114581820A - 检测电警设备的识别效率的方法及电子设备 - Google Patents

检测电警设备的识别效率的方法及电子设备 Download PDF

Info

Publication number
CN114581820A
CN114581820A CN202210166306.9A CN202210166306A CN114581820A CN 114581820 A CN114581820 A CN 114581820A CN 202210166306 A CN202210166306 A CN 202210166306A CN 114581820 A CN114581820 A CN 114581820A
Authority
CN
China
Prior art keywords
vehicle
image
target
electric alarm
identification efficiency
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
CN202210166306.9A
Other languages
English (en)
Inventor
牟三钢
王雯雯
冯远宏
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 CN202210166306.9A priority Critical patent/CN114581820A/zh
Publication of CN114581820A publication Critical patent/CN114581820A/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
    • G06F18/21—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
    • 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)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • Computational Linguistics (AREA)
  • Health & Medical Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Image Analysis (AREA)

Abstract

本公开提供检测电警设备的识别效率的方法及电子设备。用于提高对电警设备的检测效率，包括：针对任一电警设备，周期获取该电警设备在本周期内拍摄的目标视频；针对目标视频中的任一图像，利用目标检测神经网络模型对该图像进行车辆检测，得到各车辆的位置；从所述图像中删除目标车辆，得到目标图像，其中所述目标车辆是通过该图像中各车辆的位置和下一帧图像中各车辆的位置确定出的，与该图像的下一帧图像中的各车辆存在重复的车辆；根据各目标图像中的各车辆的总数量，得到本周期内各车辆的实际数量；通过所述实际数量和检测数量，确定所述电警设备的识别效率是否降低，其中，所述检测数量为在本周期内所述电警设备识别出的车辆的数量。

Description

检测电警设备的识别效率的方法及电子设备
技术领域
本发明涉及智能交通技术领域，特别涉及一种检测电警设备的识别效率的方法及电子设备。
背景技术
由于一般的电警设备使用超过一定年限以上会出现捕获目标不准确问题，影响正常的目标识别捕获以及视频的监控功能。所以，需要对电警设备的识别效率进行检测，以此来确定出电警设备是否需要进行更换。
现有技术中，检测电警设备的识别效率是采用人工核查的方式来进行的，所以导致对电警设备检测效率较低。
发明内容
本公开示例性的实施方式中提供一种检测电警设备的识别效率方法及电子设备，用于提高对电警设备的检测效率。
本公开的第一方面提供一种电子设备，包括处理器和存储单元，其中：
所述存储单元，被配置为存储电警设备拍摄的视频；
所述处理器，被配置为：
针对任意一个电警设备，周期获取所述电警设备在本周期内拍摄的目标视频；
针对所述目标视频中的任意一帧图像，利用目标检测神经网络模型对所述图像中目标检测区域进行车辆检测，得到各车辆的位置；
从所述图像中删除目标车辆，得到目标图像，其中所述目标车辆是通过所述图像中各车辆的位置以及所述图像的下一帧图像中各车辆的位置确定出的，与所述下一帧图像中的各车辆存在重复的车辆；
根据各目标图像中的各车辆的总数量，得到本周期内各车辆的实际数量；
通过所述实际数量和检测数量，确定所述电警设备的识别效率是否降低，其中，所述检测数量为在本周期内所述电警设备识别出的车辆的数量。
本实施例中利用目标检测神经网络模型来检测电警设备拍摄的各图像中的各车辆的位置，然后从各图像中删除与各图像的下一帧图像中的各车辆存在重复的车辆，以此得到各车辆的实际数量，并利用实际数量与检测数量进行比较，确定出电警设备的识别效率是否降低。由此，本实施例中自动识别电警设备的识别效率是否降低，并不需要人工来进行核查，提高了对电警设备的检测效率。
在一个实施例中，所述目标检测神经网络模型是以内容安全策略黑暗网络CSPdarknet53作为主干网络，且所述CSPdarknet53中第四残差块和第五残差块中的至少一个残差块的卷积层采用的是深度可分离卷积。
本实施例通过将主干网络CSPdarknet53中的第四残差块和第五残差块中的至少一个残差块的卷积层替换为深度可分离卷积，由于深度可分离卷积相对于标准的卷积的计算量更少，由此，可以进一步提高对电警设备的检测效率。
在一个实施例中，所述深度可分离卷积中的激活函数为mish激活函数。
本实施例中通过将深度可分离卷积中的原本的激活函数替换为mish激活函数，是由于mish激活函数是一种平滑非单调的激活函数，该函数无上界、有下界，可以避免出现梯度饱和现象，能够提高目标检测神经网络模型的正则化效果。同时mish激活函数允许比较小的负梯度流入，保证了信息的流动，因此可以提高对电警设备检测的准确率。
在一个实施例中，所述处理器，还被配置为：
通过以下方式确定所述图像中的目标车辆：
针对所述图像中的任意一个车辆，执行以下步骤：
根据所述任意一个车辆的位置和所述图像的下一帧图像中各车辆的位置，得到所述任意一个车辆分别与所述下一帧图像中各车辆之间的各距离；
若所述各距离中存在满足预设距离范围内的距离，则确定所述任意一个车辆为所述图像中的目标车辆。
本实施例通过将图像中任意一个车辆的位置和所述图像的下一帧图像中各车辆的位置，得到所述任意一个车辆分别与所述下一帧图像中各车辆之间的各距离，然后通过各车辆之间的距离确定出图像中的目标车辆。由此，提高了识别出的目标车辆的准确率。
在一个实施例中，所述处理器执行所述通过所述实际数量和检测数量，确定所述电警设备的识别效率是否降低，具体被配置为：
根据所述实际数量和所述检测数量，确定所述电警设备的识别效率；
将所述识别效率与预设的标准识别效率进行比对；
若所述识别效率小于所述标准识别效率，则确定所述电警设备的识别效率发生降低；
若所述识别效率不小于所述标准识别效率，则确定所述电警设备的识别效率未发生降低。
本实施例中通过实际数量和检测数量确定出电警设备的识别效率，并通过该识别效率与标准识别效率进行比对来确定出该电警设备的识别效率是否降低。提高了识别结果的准确率。
本公开第二方面提供一种检测电警设备的识别效率的方法，所述方法包括：
针对任意一个电警设备，周期获取所述电警设备在本周期内拍摄的目标视频；
针对所述目标视频中的任意一帧图像，利用目标检测神经网络模型对所述图像中目标检测区域进行车辆检测，得到各车辆的位置；
从所述图像中删除目标车辆，得到目标图像，其中所述目标车辆是通过所述图像中各车辆的位置以及所述图像的下一帧图像中各车辆的位置确定出的，与所述下一帧图像中的各车辆存在重复的车辆；
根据各目标图像中的各车辆的总数量，得到本周期内各车辆的实际数量；
通过所述实际数量和检测数量，确定所述电警设备的识别效率是否降低，其中，所述检测数量为在本周期内所述电警设备识别出的车辆的数量。
在一个实施例中，所述目标检测神经网络模型是以内容安全策略黑暗网络CSPdarknet53作为主干网络，且所述CSPdarknet53中第四残差块和第五残差块中的至少一个残差块的卷积层采用的是深度可分离卷积。
在一个实施例中，所述深度可分离卷积中的激活函数为mish激活函数。
在一个实施例中，通过以下方式确定所述图像中的目标车辆：
针对所述图像中的任意一个车辆，执行以下步骤：
根据所述任意一个车辆的位置和所述图像的下一帧图像中各车辆的位置，得到所述任意一个车辆分别与所述下一帧图像中各车辆之间的各距离；
若所述各距离中存在满足预设距离范围内的距离，则确定所述任意一个车辆为所述图像中的目标车辆。
在一个实施例中，所述通过所述实际数量和检测数量，确定所述电警设备的识别效率是否降低，包括：
根据所述实际数量和所述检测数量，确定所述电警设备的识别效率；
将所述识别效率与预设的标准识别效率进行比对；
若所述识别效率小于所述标准识别效率，则确定所述电警设备的识别效率发生降低；
若所述识别效率不小于所述标准识别效率，则确定所述电警设备的识别效率未发生降低。
根据本公开实施例提供的第三方面，提供一种计算机存储介质，所述计算机存储介质存储有计算机程序，所述计算机程序用于执行如第二方面所述的方法。
附图说明
为了更清楚地说明本公开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公开的一些实施例，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为根据本公开一个实施例中的适用场景示意图；
图2为根据本公开一个实施例的检测电警设备的识别效率的方法的流程示意图之一；
图3为根据本公开一个实施例的CSPdarknet53的结构示意图；
图4为根据本公开一个实施例的深度可分离卷积的结构示意图；
图5为根据本公开一个实施例的目标检测神经网络模型YOLOv4的结构示意图；
图6为根据本公开一个实施例的各帧图像中车辆的位置示意图；
图7为根据本公开一个实施例的检测电警设备的识别效率的方法的流程示意图之二；
图8为根据本公开一个实施例的检测电警设备的识别效率的装置；
图9为根据本公开一个实施例的电子设备的结构示意图。
具体实施方式
为使本公开实施例的目的、技术方案和优点更加清楚，下面将结合本公开实施例中的附图，对本公开实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本公开一部分实施例，而不是全部的实施例。基于本公开中的实施例，本领域普通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，都属于本公开保护的范围。
本公开实施例中术语“和/或”，描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。字符“/”一般表示前后关联对象是一种“或”的关系。
本公开实施例描述的应用场景是为了更加清楚的说明本公开实施例的技术方案，并不构成对于本公开实施例提供的技术方案的限定，本领域普通技术人员可知，随着新应用场景的出现，本公开实施例提供的技术方案对于类似的技术问题同样适用。其中，在本公开的描述中，除非另有说明，“多个”的含义是两个或两个以上。
现有技术中，检测电警设备的识别效率是采用人工核查的方式来进行的，所以导致对电警设备检测效率较低。
因此，本公开提供一种检测电警设备的识别效率的方法，通过利用目标检测神经网络模型来检测电警设备拍摄的各图像中的各车辆的位置，然后从各图像中删除与各图像的下一帧图像中的各车辆存在重复的车辆，以此得到各车辆的实际数量，并利用实际数量与检测数量进行比较，确定出电警设备的识别效率是否降低。由此，本实施例中自动识别电警设备的识别效率是否降低，并不需要人工来进行核查，提高了对电警设备的检测效率。下面，结合附图对本公开的方案详细的进行介绍。
如图1所示，一种检测电警设备的识别效率的方法的应用场景，该应用场景中是以电子设备为服务器为例进行说明的。该应用场景中包括多个电警设备110、终端设备120和服务器130，图1中是以两个电警设备110和一个终端设备120为例，实际上不限制电警设备110和终端设备120的数量。终端设备120可为手机、平板电脑和个人计算机等。服务器130可以通过单个服务器实现，也可以通过多个服务器实现。服务器130可以通过实体服务器实现，也可以通过虚拟服务器实现。
在一种可能的应用场景中，服务器130针对任意一个电警设备110，周期获取所述电警设备110在本周期内拍摄的目标视频，然后服务器130针对所述目标视频中的任意一帧图像，利用目标检测神经网络模型对所述图像中目标检测区域进行车辆检测，得到各车辆的位置；并从所述图像中删除目标车辆，得到目标图像，其中所述目标车辆是通过所述图像中各车辆的位置以及所述下一帧图像中各车辆的位置确定出的，与所述图像的下一帧图像中的各车辆存在重复的车辆。服务器130根据各目标图像中的各车辆的总数量，得到本周期内各车辆的实际数量，然后通过所述实际数量和在本周期内所述电警设备识别出的车辆的数量，确定所述电警设备的识别效率是否降低，并将所述电警设备的识别效率是否降低的结果发送至终端设备120中进行显示。
如图2所示，为本公开的检测电警设备的识别效率的方法的流程示意图，可包括以下步骤：
步骤201：针对任意一个电警设备，周期获取所述电警设备在本周期内拍摄的目标视频；
步骤202：针对所述目标视频中的任意一帧图像，利用目标检测神经网络模型对所述图像中目标检测区域进行车辆检测，得到各车辆的位置；
其中，本实施例中的目标检测神经网络模型包括但不限于R-CNN(Region-Convolutional Neural Networks，区域卷积神经网络)、Fast R-CNN(Fast Region-Convolutional Neural Networks，快速区域卷积神经网络)、YOLOv4(You Only Look Once4th)、YOLOv3(You Only Look Once 3rd)以及YOLOv5(You Only Look Once 5th)。可根据实际情况进行选择设置，本实施例中不对目标检测神经网络模型进行限定。
在一个实施例中，所述目标检测神经网络模型是以内容安全策略黑暗网络CSPdarknet53作为主干网络，且所述CSPdarknet53中第四残差块和第五残差块中的至少一个残差块的卷积层采用的是深度可分离卷积。
例如，如图3所示，为CSPdarknet53的结构示意图，其包括卷积层和五个残差块(即第一残差块、第二残差块、第三残差块、第四残差块和第五残差块)。本实施例中将CSPdarknet53中的第四残差块和/或第五残差块中的卷积层采用的是深度可分离卷积。图3中为第四残差块和第五残差块中的卷积层均使用的是深度可分离卷积。
下面，介绍下深度可分离卷积和标准卷积的参数计算量：
其中，可通过公式(1)确定出标准卷积的参数计算量C1：
C1＝(DK1)2M1N1(DF1)2..........(1)；
其中，DK1为标准卷积的卷积核的大小，M1为标准卷积的通道数，N1为标准卷积的卷积核数量，DF1为标准卷积的输入特征的宽度。
可通过公式(2)确定出深度可分离卷积的参数计算量C2：
C2＝[(DK2)2+N2]M2(DF2)2..........(2)；
其中，DK2为深度可分离卷积的卷积核的大小，N2为深度可分离卷积的卷积核的数量，M2为深度可分离卷积的通道数，DF2为深度可分离卷积的输入特征的宽度。
对比上述两个公式可知，在深度可分离卷积和标准卷积的卷积核大小、通道数、卷积核数量以及输入特征的宽度均相同的情况下，深度可分离卷积的参数计算量相比于标准卷积的参数计算量会大幅度减少，仅为标准卷积的参数计算量的
Figure BDA0003516169970000081
为了提高对电警设备检测的准确率，在一个实施例中，所述深度可分离卷积中的激活函数为mish激活函数。
例如，如图4所示，为本实施例中的深度可分离卷积的结构示意图，其主要包含3×3的深度卷积和1×1的逐点卷积，先利用卷积核大小为3×3的深度卷积遍历通道，再利用卷积核大小为1×1的逐点卷积进行通道的缩放。其中，3×3的深度卷积和1×1的逐点卷积是两个相互独立的模块，这两个模块的输出部分都包括BN(Batch Normalization，归一化单元)和mish激活函数。
下面，以目标检测神经网络模型为YOLOv4为例，对本申请中的利用目标检测神经网络模型对图像进行车辆检测的流程进行详细的说明，如图5所示，为YOLOv4的结构示意图，包括：主干网络、SPP模块(SPATIAL Pyramid Pooling，空间金字塔池化)、PANet网络结构层以及检测层。
其中，主干网络为本实施例中的网络结构为第四残差块和第五残差块中的至少一个残差块的卷积层是深度可分离卷积的CSPdarknet53。该主干网络主要用于对本实施例中的路段视频中待检测视频图像进行特征提取的。该主干网络的输出分为三个分支，各分支输出的特征图的大小不相同。
SPP模块中使用了三个不同大小的池化层，对主干网络提取的特征图进行池化操作。即使用5*5、9*9和13*13大小的池化层对主干网络提取的特征图进行池化操作，然后利用全连接层对三个池化层输出的特征图进行拼接，拼接后再利用卷积层进行降维。以此使得到的特征更加丰富。
PANet网络结构层主要对各分支得到的特征图进行上采样或下采样处理，然后利用全连接层将对应的各特征图进行拼接后，再利用卷积层进行降维处理。得到三个特征图。
检测层是对PANet网络结构层中得到的三个特征图进行车辆检测，以此得到最终的识别结果。
步骤203：从所述图像中删除目标车辆，得到目标图像，其中所述目标车辆是通过所述图像中各车辆的位置以及所述图像的下一帧图像中各车辆的位置确定出的，与所述下一帧图像中的各车辆存在重复的车辆；
在一个实施例中，通过以下方式确定所述图像中的目标车辆：
针对所述图像中的任意一个车辆，执行以下步骤：
根据所述任意一个车辆的位置和所述图像的下一帧图像中各车辆的位置，得到所述任意一个车辆分别与所述下一帧图像中各车辆之间的各距离；若所述各距离中存在满足预设距离范围内的距离，则确定所述任意一个车辆为所述图像中的目标车辆。
例如，如图6所示，以本周期内的视频图像为3张图像为例进行说明。其中，若第n-1帧图像中的车辆A和第n帧图像中的车辆C两个车辆之间的距离在预设距离范围内，则将第n-1帧图像中的车辆A确定为第n-1帧图像中的目标车辆，若第n帧图像中的车辆B和第n+1帧图像中的车辆M之间距离在预设范围内，则将第n帧图像中的车辆B确定为第n帧图像中的目标车辆。
步骤204：根据各目标图像中的各车辆的总数量，得到本周期内各车辆的实际数量；
其中，将各目标图像中的各车辆的数量相加，得到本周期内各车辆的实际数量。
步骤205：通过所述实际数量和检测数量，确定所述电警设备的识别效率是否降低，其中，所述检测数量为在本周期内所述电警设备识别出的车辆的数量。
在一个实施例中，通过以下方式确定所述电警设备的识别效率是否降低：
根据所述实际数量和所述检测数量，确定所述电警设备的识别效率；将所述识别效率与预设的标准识别效率进行比对；若所述识别效率小于所述标准识别效率，则确定所述电警设备的识别效率发生降低；若所述识别效率不小于所述标准识别效率，则确定所述电警设备的识别效率未发生降低。其中，可通过公式(3)确定所述电警设备的识别效率：
Figure BDA0003516169970000101
其中，
Figure BDA0003516169970000102
为所述电警设备的识别效率，m为所述检测数量，N为所述实际数量。
为了进一步的了解本公开的技术方案，下面结合图7进行详细的说明，可包括以下步骤：
步骤701：针对任意一个电警设备，周期获取所述电警设备在本周期内拍摄的目标视频；
步骤702：针对所述目标视频中的任意一帧图像，利用目标检测神经网络模型对所述图像中目标检测区域进行车辆检测，得到各车辆的位置；
步骤703：根据所述任意一个车辆的位置和所述图像的下一帧图像中各车辆的位置，得到所述任意一个车辆分别与所述下一帧图像中各车辆之间的各距离；
步骤704：若所述各距离中存在满足预设距离范围内的距离，则确定所述任意一个车辆为所述图像中的目标车辆；
步骤705：从所述图像中删除目标车辆，得到目标图像，其中所述目标车辆是通过所述图像中各车辆的位置以及所述图像的下一帧图像中各车辆的位置确定出的，与所述下一帧图像中的各车辆存在重复的车辆；
步骤706：根据各目标图像中的各车辆的总数量，得到本周期内各车辆的实际数量；
步骤707：根据所述实际数量和所述检测数量，确定所述电警设备的识别效率，其中，所述检测数量为在本周期内所述电警设备识别出的车辆的数量；
步骤708：将所述识别效率与预设的标准识别效率进行比对，判断所述识别效率是否小于所述预设标准识别效率，若是，则执行步骤709，若否，则执行步骤710；
步骤709：确定所述电警设备的识别效率发生降低；
步骤710：确定所述电警设备的识别效率未发生降低。
基于相同的公开构思，本公开如上所述的检测电警设备的识别效率的方法还可以由一种检测电警设备的识别效率的装置实现。该检测电警设备的识别效率的装置的效果与前述方法的效果相似，在此不再赘述。
图8为根据本公开一个实施例的检测电警设备的识别效率的装置的结构示意图。
如图8所示，本公开的检测电警设备的识别效率的装置800可以包括获取模块810、车辆检测模块820、删除模块830、实际车辆数量确定模块840和识别效率确定模块850。
获取模块810，用于针对任意一个电警设备，周期获取所述电警设备在本周期内拍摄的目标视频；
车辆检测模块820，用于针对所述目标视频中的任意一帧图像，利用目标检测神经网络模型对所述图像中目标检测区域进行车辆检测，得到各车辆的位置；
删除模块830，用于从所述图像中删除目标车辆，得到目标图像，其中所述目标车辆是通过所述图像中各车辆的位置以及所述图像的下一帧图像中各车辆的位置确定出的，与所述下一帧图像中的各车辆存在重复的车辆；
实际车辆数量确定模块840，用于根据各目标图像中的各车辆的总数量，得到本周期内各车辆的实际数量；
识别效率确定模块850，用于通过所述实际数量和检测数量，确定所述电警设备的识别效率是否降低，其中，所述检测数量为在本周期内所述电警设备识别出的车辆的数量。
在一个实施例中，所述目标检测神经网络模型是以内容安全策略黑暗网络CSPdarknet53作为主干网络，且所述CSPdarknet53中第四残差块和第五残差块中的至少一个残差块的卷积层采用的是深度可分离卷积。
在一个实施例中，所述深度可分离卷积中的激活函数为mish激活函数。
在一个实施例中，所述装置还包括：
目标车辆确定模块860，用于通过以下方式确定所述图像中的目标车辆：
针对所述图像中的任意一个车辆，执行以下步骤：
根据所述任意一个车辆的位置和所述图像的下一帧图像中各车辆的位置，得到所述任意一个车辆分别与所述下一帧图像中各车辆之间的各距离；
若所述各距离中存在满足预设距离范围内的距离，则确定所述任意一个车辆为所述图像中的目标车辆。
在一个实施例中，所述识别效率确定模块850，具体用于：
根据所述实际数量和所述检测数量，确定所述电警设备的识别效率；
将所述识别效率与预设的标准识别效率进行比对；
若所述识别效率小于所述标准识别效率，则确定所述电警设备的识别效率发生降低；
若所述识别效率不小于所述标准识别效率，则确定所述电警设备的识别效率未发生降低。
在介绍了本公开示例性实施方式的一种检测电警设备的识别效率的方法及装置之后，接下来，介绍根据本公开的另一示例性实施方式的电子设备。
所属技术领域的技术人员能够理解，本公开的各个方面可以实现为系统、方法或程序产品。因此，本公开的各个方面可以具体实现为以下形式，即：完全的硬件实施方式、完全的软件实施方式(包括固件、微代码等)，或硬件和软件方面结合的实施方式，这里可以统称为“电路”、“模块”或“系统”。
在一些可能的实施方式中，根据本公开的电子设备可以至少包括至少一个处理器、以及至少一个计算机存储介质。其中，计算机存储介质存储有程序代码，当程序代码被处理器执行时，使得处理器执行本说明书上述描述的根据本公开各种示例性实施方式的检测电警设备的识别效率的方法中的步骤。例如，处理器可以执行如图2中所示的步骤201-205。
下面参照图9来描述根据本公开的这种实施方式的电子设备900。图9显示的电子设备900仅仅是一个示例，不应对本公开实施例的功能和使用范围带来任何限制。
如图9所示，电子设备900以通用电子设备的形式表现。电子设备900的组件可以包括但不限于：上述至少一个处理器901、上述至少一个计算机存储介质902、连接不同系统组件(包括计算机存储介质902和处理器901)的总线903。
总线903表示几类总线结构中的一种或多种，包括计算机存储介质总线或者计算机存储介质控制器、外围总线、处理器或者使用多种总线结构中的任意总线结构的局域总线。
计算机存储介质902可以包括易失性计算机存储介质形式的可读介质，例如随机存取计算机存储介质(RAM)921和/或高速缓存存储介质922，还可以进一步包括只读计算机存储介质(ROM)923。
计算机存储介质902还可以包括具有一组(至少一个)程序模块924的程序/实用工具925，这样的程序模块924包括但不限于：操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。
电子设备900也可以与一个或多个外部设备904(例如键盘、指向设备等)通信，还可与一个或者多个使得用户能与电子设备900交互的设备通信，和/或与使得该电子设备900能与一个或多个其它电子设备进行通信的任何设备(例如路由器、调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口905进行。并且，电子设备900还可以通过网络适配器906与一个或者多个网络(例如局域网(LAN)，广域网(WAN)和/或公共网络，例如因特网)通信。如图所示，网络适配器906通过总线903与用于电子设备900的其它模块通信。应当理解，尽管图中未示出，可以结合电子设备900使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理器、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。
在一些可能的实施方式中，本公开提供的一种检测电警设备的识别效率的方法的各个方面还可以实现为一种程序产品的形式，其包括程序代码，当程序产品在计算机设备上运行时，程序代码用于使计算机设备执行本说明书上述描述的根据本公开各种示例性实施方式的检测电警设备的识别效率的方法中的步骤。
程序产品可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。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。可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取计算机存储介质(RAM)、只读计算机存储介质(ROM)、可擦式可编程只读计算机存储介质(EPROM或闪存)、光纤、便携式紧凑盘只读计算机存储介质(CD-ROM)、光计算机存储介质件、磁计算机存储介质件、或者上述的任意合适的组合。
本公开的实施方式的检测电警设备的识别效率的程序产品可以采用便携式紧凑盘只读计算机存储介质(CD-ROM)并包括程序代码，并可以在电子设备上运行。然而，本公开的程序产品不限于此，在本文件中，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。
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，其中承载了可读程序代码。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。可读信号介质还可以是可读存储介质以外的任何可读介质，该可读介质可以发送、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。
可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于无线、有线、光缆、RF等等，或者上述的任意合适的组合。
可以以一种或多种程序设计语言的任意组合来编写用于执行本公开操作的程序代码，程序设计语言包括面向对象的程序设计语言—诸如Java、C++等，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电子设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户电子设备上部分在远程电子设备上执行、或者完全在远程电子设备或服务器上执行。在涉及远程电子设备的情形中，远程电子设备可以通过任意种类的网络包括局域网(LAN)或广域网(WAN)连接到用户电子设备，或者，可以连接到外部电子设备(例如利用因特网服务提供商来通过因特网连接)。
应当注意，尽管在上文详细描述中提及了装置的若干模块，但是这种划分仅仅是示例性的并非强制性的。实际上，根据本公开的实施方式，上文描述的两个或更多模块的特征和功能可以在一个模块中具体化。反之，上文描述的一个模块的特征和功能可以进一步划分为由多个模块来具体化。
此外，尽管在附图中以特定顺序描述了本公开方法的操作，但是，这并非要求或者暗示必须按照该特定顺序来执行这些操作，或是必须执行全部所示的操作才能实现期望的结果。附加地或备选地，可以省略某些步骤，将多个步骤合并为一个步骤执行，和/或将一个步骤分解为多个步骤执行。
本领域内的技术人员应明白，本公开的实施例可提供为方法、系统、或计算机程序产品。因此，本公开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，本公开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(包括但不限于磁盘计算机存储介质、CD-ROM、光学计算机存储介质等)上实施的计算机程序产品的形式。
本公开是参照根据本公开的方法、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计算机存储介质中，使得存储在该计算机可读计算机存储介质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公开进行各种改动和变型而不脱离本公开的精神和范围。这样，倘若本公开的这些修改和变型属于本公开权利要求及其等同技术的范围之内，则本公开也意图包含这些改动和变型在内。

Claims (10)

1.一种电子设备，其特征在于，包括处理器和存储单元，其中：
所述存储单元，被配置为存储电警设备拍摄的视频；
所述处理器，被配置为：
针对任意一个电警设备，周期获取所述电警设备在本周期内拍摄的目标视频；
针对所述目标视频中的任意一帧图像，利用目标检测神经网络模型对所述图像中目标检测区域进行车辆检测，得到各车辆的位置；
从所述图像中删除目标车辆，得到目标图像，其中所述目标车辆是通过所述图像中各车辆的位置以及所述图像的下一帧图像中各车辆的位置确定出的，与所述下一帧图像中的各车辆存在重复的车辆；
根据各目标图像中的各车辆的总数量，得到本周期内各车辆的实际数量；
通过所述实际数量和检测数量，确定所述电警设备的识别效率是否降低，其中，所述检测数量为在本周期内所述电警设备识别出的车辆的数量。
2.根据权利要求1所述的电子设备，其特征在于，所述目标检测神经网络模型是以内容安全策略黑暗网络CSPdarknet53作为主干网络，且所述CSPdarknet53中第四残差块和第五残差块中的至少一个残差块的卷积层采用的是深度可分离卷积。
3.根据权利要求1所述的电子设备，其特征在于，所述深度可分离卷积中的激活函数为mish激活函数。
4.根据权利要求1所述的电子设备，其特征在于，所述处理器，还被配置为：
通过以下方式确定所述图像中的目标车辆：
针对所述图像中的任意一个车辆，执行以下步骤：
根据所述任意一个车辆的位置和所述图像的下一帧图像中各车辆的位置，得到所述任意一个车辆分别与所述下一帧图像中各车辆之间的各距离；
若所述各距离中存在满足预设距离范围内的距离，则确定所述任意一个车辆为所述图像中的目标车辆。
5.根据权利要求1～4任一所述的电子设备，其特征在于，所述处理器执行所述通过所述实际数量和检测数量，确定所述电警设备的识别效率是否降低，具体被配置为：
根据所述实际数量和所述检测数量，确定所述电警设备的识别效率；
将所述识别效率与预设的标准识别效率进行比对；
若所述识别效率小于所述标准识别效率，则确定所述电警设备的识别效率发生降低；
若所述识别效率不小于所述标准识别效率，则确定所述电警设备的识别效率未发生降低。
6.一种检测电警设备的识别效率的方法，其特征在于，所述方法包括：
针对任意一个电警设备，周期获取所述电警设备在本周期内拍摄的目标视频；
针对所述目标视频中的任意一帧图像，利用目标检测神经网络模型对所述图像中目标检测区域进行车辆检测，得到各车辆的位置；
从所述图像中删除目标车辆，得到目标图像，其中所述目标车辆是通过所述图像中各车辆的位置以及所述图像的下一帧图像中各车辆的位置确定出的，与所述下一帧图像中的各车辆存在重复的车辆；
根据各目标图像中的各车辆的总数量，得到本周期内各车辆的实际数量；
通过所述实际数量和检测数量，确定所述电警设备的识别效率是否降低，其中，所述检测数量为在本周期内所述电警设备识别出的车辆的数量。
7.根据权利要求6所述的方法，其特征在于，所述目标检测神经网络模型是以内容安全策略黑暗网络CSPdarknet53作为主干网络，且所述CSPdarknet53中第四残差块和第五残差块中的至少一个残差块的卷积层采用的是深度可分离卷积。
8.根据权利要求7所述的方法，其特征在于，所述深度可分离卷积中的激活函数为mish激活函数。
9.根据权利要求6所述的方法，其特征在于，通过以下方式确定所述图像中的目标车辆：
针对所述图像中的任意一个车辆，执行以下步骤：
根据所述任意一个车辆的位置和所述图像的下一帧图像中各车辆的位置，得到所述任意一个车辆分别与所述下一帧图像中各车辆之间的各距离；
若所述各距离中存在满足预设距离范围内的距离，则确定所述任意一个车辆为所述图像中的目标车辆。
10.根据权利要求6～9任一所述的方法，其特征在于，所述通过所述实际数量和检测数量，确定所述电警设备的识别效率是否降低，包括：
根据所述实际数量和所述检测数量，确定所述电警设备的识别效率；
将所述识别效率与预设的标准识别效率进行比对；
若所述识别效率小于所述标准识别效率，则确定所述电警设备的识别效率发生降低；
若所述识别效率不小于所述标准识别效率，则确定所述电警设备的识别效率未发生降低。
CN202210166306.9A 2022-02-23 2022-02-23 检测电警设备的识别效率的方法及电子设备 Pending CN114581820A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210166306.9A CN114581820A (zh) 2022-02-23 2022-02-23 检测电警设备的识别效率的方法及电子设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210166306.9A CN114581820A (zh) 2022-02-23 2022-02-23 检测电警设备的识别效率的方法及电子设备

Publications (1)

Publication Number Publication Date
CN114581820A true CN114581820A (zh) 2022-06-03

Family

ID=81770571

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210166306.9A Pending CN114581820A (zh) 2022-02-23 2022-02-23 检测电警设备的识别效率的方法及电子设备

Country Status (1)

Country Link
CN (1) CN114581820A (zh)

Similar Documents

Publication Publication Date Title
CN113657299B (zh) 交通事故确定方法及电子设备
CN109711427A (zh) 目标检测方法及相关产品
CN113239746B (zh) 电动车检测方法、装置、终端设备及计算机可读存储介质
CN110633594A (zh) 一种目标检测方法和装置
CN114419679B (zh) 基于可穿戴设备数据的数据分析方法、装置及系统
CN110647818A (zh) 一种遮挡目标物体的识别方法及装置
CN116383814B (zh) 一种神经网络模型后门检测方法和系统
CN113393487A (zh) 运动目标检测方法、装置、电子设备及介质
CN113869137A (zh) 事件检测方法、装置、终端设备及存储介质
CN117151726A (zh) 故障的修复方法、修复装置、电子设备以及存储介质
CN110895811A (zh) 一种图像篡改检测方法和装置
CN113780163A (zh) 一种页面加载时间的检测方法、装置、电子设备及介质
CN113763425A (zh) 道路区域标定方法及电子设备
CN110796129A (zh) 一种文本行区域检测方法及装置
CN116385185A (zh) 一种车险评估辅助方法、装置、计算机设备及存储介质
CN114581820A (zh) 检测电警设备的识别效率的方法及电子设备
CN112949359A (zh) 基于卷积神经网络的异常行为识别方法和装置
CN110852253A (zh) 梯控场景检测方法、装置及电子设备
CN116229535A (zh) 人脸检测模型的训练方法、人脸检测方法及装置
CN112990046B (zh) 差异信息获取方法、相关装置及计算机程序产品
CN115409985A (zh) 目标对象检测方法、装置、电子设备及可读存储介质
CN110634155A (zh) 一种基于深度学习的目标检测方法和装置
CN113221907A (zh) 一种车辆部件分割方法、装置、设备及存储介质
CN118196720A (zh) 识别违停车辆的车主的方法及电子设备
CN114639036B (zh) 确定交通拥堵等级的方法及电子设备

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