CN114639037B - 确定高速服务区的车辆饱和的方法及电子设备 - Google Patents
确定高速服务区的车辆饱和的方法及电子设备 Download PDFInfo
- Publication number
- CN114639037B CN114639037B CN202210201504.4A CN202210201504A CN114639037B CN 114639037 B CN114639037 B CN 114639037B CN 202210201504 A CN202210201504 A CN 202210201504A CN 114639037 B CN114639037 B CN 114639037B
- Authority
- CN
- China
- Prior art keywords
- vehicle
- area
- target
- detection area
- vehicle detection
- 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
- 238000000034 method Methods 0.000 title claims abstract description 33
- 238000001514 detection method Methods 0.000 claims abstract description 202
- 238000003062 neural network model Methods 0.000 claims abstract description 17
- 229920006395 saturated elastomer Polymers 0.000 claims abstract description 15
- 238000012544 monitoring process Methods 0.000 claims abstract description 10
- 238000003860 storage Methods 0.000 claims description 34
- 230000006870 function Effects 0.000 claims description 23
- 230000004913 activation Effects 0.000 claims description 17
- 208000037170 Delayed Emergence from Anesthesia Diseases 0.000 claims description 8
- 238000010586 diagram Methods 0.000 description 16
- 238000004590 computer program Methods 0.000 description 8
- 101150060512 SPATA6 gene Proteins 0.000 description 5
- 230000000694 effects Effects 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 230000002776 aggregation Effects 0.000 description 2
- 238000004220 aggregation Methods 0.000 description 2
- 230000004927 fusion Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 239000013307 optical fiber Substances 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 102100021908 3-mercaptopyruvate sulfurtransferase Human genes 0.000 description 1
- 101000753843 Homo sapiens 3-mercaptopyruvate sulfurtransferase Proteins 0.000 description 1
- 206010039203 Road traffic accident Diseases 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000003121 nonmonotonic effect Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001629 suppression Effects 0.000 description 1
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)
- Computing Systems (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Image Analysis (AREA)
- Traffic Control Systems (AREA)
Abstract
本公开提供确定高速服务区的车辆饱和的方法及电子设备。用于提高检测高速服务区的车辆是否饱和的效率。包括：周期将获取的高速服务区的监控视频的目标帧图像输入到预先训练好的目标检测神经网络模型中进行车辆识别，得到各车辆的位置坐标；基于各车辆的位置坐标以及目标帧图像中标注的车辆检测区域的位置坐标，得到在车辆检测区域中的各目标车辆；根据各目标车辆分别在车辆检测区域中的占比面积，得到车辆检测区域的总车辆占比面积，其中，任一目标车辆的占比面积是基于目标车辆的位置坐标得到的；通过总车辆占比面积和车辆检测区域在目标帧图像中的占比面积，得到车辆饱和值；若车辆饱和值大于预设阈值，则确定高速服务区的车辆饱和。
Description
技术领域
本发明涉及智能交通技术领域，特别涉及一种确定高速服务区的车辆饱和的方法及电子设备。
背景技术
由交通运输部科学研究院交通信息中心提供的数据显示，高速公路货车流量持续稳步增长，全国多个省市高速公路货车流量约为15亿辆次，年日均货车流量为493万辆次。高速道路的货运流量的大幅度增长，也给高速交通和服务区运转带来了很大压力。特别是在夜间休息时段，高速服务区经常出现的货车占用饱和，导致服务区匝道进行排队，以至于溢出到高速主干道排队，给高速道路通行带来了极大的交通隐患，交通事故频频发生。所以，需要对高速服务区进行车辆饱和检测。
现有技术中，针对服务区的车辆运营监管多是通过部署视频摄像机对服务区进行人为的视频查看，但是这样会造成发现问题不及时，不能实时掌握服务区的运行状态，导致检测高速服务区车辆是否饱和的效率较低。
发明内容
本公开示例性的实施方式中提供一种确定高速服务区的车辆饱和的方法及电子设备，用于提高检测高速服务区车辆是否饱和的效率。
本公开的第一方面提供一种确定高速服务区的车辆饱和的方法，所述方法包括：
周期获取高速服务区的监控视频的目标帧图像，并将所述目标帧图像输入到预先训练好的目标检测神经网络模型中进行车辆识别，得到在所述目标帧图像中各车辆的位置坐标；
基于所述各车辆的位置坐标以及所述目标帧图像中标注的车辆检测区域的位置坐标，得到在所述车辆检测区域中的各目标车辆；
根据所述各目标车辆分别在所述车辆检测区域中的占比面积，得到所述车辆检测区域的总车辆占比面积，其中，任意一个目标车辆在所述车辆检测区域中的占比面积是基于所述目标车辆的位置坐标得到的；
通过所述总车辆占比面积和所述车辆检测区域在所述目标帧图像中的占比面积，得到车辆饱和值，其中，所述车辆检测区域的在所述目标帧图像中的占比面积是基于所述车辆检测区域的位置坐标确定出的；
若所述车辆饱和值大于预设阈值，则确定所述高速服务区的车辆饱和。
本实施例中通过对高速服务区的监控视屏的目标帧图像进行车辆识别，得到目标帧图像中标注的车辆检测区域中的总车辆占比面积，然后通过所述总车辆占比面积和所述车辆检测区域在所述目标帧图像中的占比面积，得到车辆饱和值，最后基于该车辆饱和值确定出高速服务区的车辆是否饱和。由此，本实施例中可以自动确定出高速服务区的车辆是否饱和，并不需要人工进行审核，提高了高速服务区的车辆饱和检测的效率。
在一个实施例中，所述目标检测神经网络模型为M2Det模型，且所述M2Det模型的主干网络为残差网络Resnet50，所述Resnet50中各残差块的激活函数为mish激活函数。
本实施例通过将目标检测神经网络模型M2Det模型中的主干网络替换为残差网络Resnet50，并将Resnet50中各残差块的激活函数替换为mish激活函数。由于Resnet50可以扩大网络维度，加深网络深度，能够提取出更多细节特征，进一步提供车辆饱和检测的准确率。并且采用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，提高神经网络的正则化效果，提高车辆识别的准确率。
在一个实施例中，所述根据所述各目标车辆分别在所述车辆检测区域中的占比面积，得到所述车辆检测区域的总车辆占比面积，包括：
针对任意两个目标车辆，基于所述两个目标车辆的位置坐标确定所述两个目标车辆是否存在重合；
若确定所述两个目标车辆存在重合，则通过所述两个目标车辆的位置坐标，得到所述两个目标车辆在所述车辆检测区域中重合区域的占比面积；
根据所述各目标车辆分别在所述车辆检测区域中的占比面积以及各目标车辆在所述车辆检测区域中的各重合区域的占比面积，得到所述车辆检测区域的总车辆占比面积。
本实施例中若基于两个目标车辆的位置坐标确定所述两个目标车辆存在重合，则通过所述两个目标车辆的位置坐标，得到所述两个目标车辆在所述车辆检测区域中重合区域的占比面积，然后根据所述各目标车辆分别在所述车辆检测区域中的占比面积以及各目标车辆在所述车辆检测区域中的各重合区域的占比面积，得到所述车辆检测区域的总车辆占比面积。由此，提高车辆检测区域的总车辆占比面积的准确率。
在一个实施例中，所述根据所述各目标车辆分别在所述车辆检测区域中的占比面积以及各目标车辆在所述车辆检测区域中的各重合区域的占比面积，得到所述车辆检测区域的总车辆占比面积，包括：
将所述各目标车辆在所述车辆检测区域中的占比面积相加，得到所述各目标车辆在所述车辆检测区域中的总占比面积；以及，
将所述各目标车辆在所述车辆检测区域中的各重合区域的占比面积相加，得到所述各目标车辆在所述车辆检测区域中的重合区域的总占比面积；
将所述各目标车辆在所述车辆检测区域中的总占比面积和所述各目标车辆在所述车辆检测区域中的重合区域的总占比面积相减，得到所述车辆检测区域的总车辆占比面积。
本实施例通过将所述各目标车辆在所述车辆检测区域中的总占比面积和所述各目标车辆在所述车辆检测区域中的重合区域的总占比面积相减，得到所述车辆检测区域的总车辆占比面积。由此，使得确定出的车辆检测区域的总车辆占比面积更加准确。
在一个实施例中，所述通过所述总车辆占比面积和所述车辆检测区域在所述目标帧图像中的占比面积，得到车辆饱和值，包括：
将所述总车辆占比面积和所述车辆检测区域在所述目标帧图像中的占比面积相除，得到所述车辆饱和值。
本实施例将所述总车辆占比面积和所述车辆检测区域在所述目标帧图像中的占比面积相除，得到所述车辆饱和值。由此，通过总车辆占比面积在车辆检测区域中的占有率，得到车辆饱和值，从而能够更准确的确定车辆饱和值。
本公开第二方面提供一种电子设备，包括存储单元和处理器，其中：
所述存储单元，被配置为存储高速服务区的监控视频；
所述处理器，被配置为：
周期获取所述高速服务区的监控视频的目标帧图像，并将所述目标帧图像输入到预先训练好的目标检测神经网络模型中进行车辆识别，得到在所述目标帧图像中各车辆的位置坐标；
基于所述各车辆的位置坐标以及所述目标帧图像中标注的车辆检测区域的位置坐标，得到在所述车辆检测区域中的各目标车辆；
根据所述各目标车辆分别在所述车辆检测区域中的占比面积，得到所述车辆检测区域的总车辆占比面积，其中，任意一个目标车辆在所述车辆检测区域中的占比面积是基于所述目标车辆的位置坐标得到的；
通过所述总车辆占比面积和所述车辆检测区域在所述目标帧图像中的占比面积，得到车辆饱和值，其中，所述车辆检测区域的在所述目标帧图像中的占比面积是基于所述车辆检测区域的位置坐标确定出的；
若所述车辆饱和值大于预设阈值，则确定所述高速服务区的车辆饱和。
在一个实施例中，所述目标检测神经网络模型为M2Det模型，且所述M2Det模型的主干网络为残差网络Resnet50，所述Resnet50中各残差块的激活函数为mish激活函数。
在一个实施例中，所述处理器执行所述根据所述各目标车辆分别在所述车辆检测区域中的占比面积，得到所述车辆检测区域的总车辆占比面积，具体被配置为：
针对任意两个目标车辆，基于所述两个目标车辆的位置坐标确定所述两个目标车辆是否存在重合；
若确定所述两个目标车辆存在重合，则通过所述两个目标车辆的位置坐标，得到所述两个目标车辆在所述车辆检测区域中重合区域的占比面积；
根据所述各目标车辆分别在所述车辆检测区域中的占比面积以及各目标车辆在所述车辆检测区域中的各重合区域的占比面积，得到所述车辆检测区域的总车辆占比面积。
在一个实施例中，所述处理器执行所述根据所述各目标车辆分别在所述车辆检测区域中的占比面积以及各目标车辆在所述车辆检测区域中的各重合区域的占比面积，得到所述车辆检测区域的总车辆占比面积，具体被配置为：
将所述各目标车辆在所述车辆检测区域中的占比面积相加，得到所述各目标车辆在所述车辆检测区域中的总占比面积；以及，
将所述各目标车辆在所述车辆检测区域中的各重合区域的占比面积相加，得到所述各目标车辆在所述车辆检测区域中的重合区域的总占比面积；
将所述各目标车辆在所述车辆检测区域中的总占比面积和所述各目标车辆在所述车辆检测区域中的重合区域的总占比面积相减，得到所述车辆检测区域的总车辆占比面积。
在一个实施例中，所述处理器执行所述通过所述总车辆占比面积和所述车辆检测区域在所述目标帧图像中的占比面积，得到车辆饱和值，具体被配置为：
将所述总车辆占比面积和所述车辆检测区域在所述目标帧图像中的占比面积相除，得到所述车辆饱和值。
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一方面所述的方法。
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确定高速服务器的车辆饱和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M2Det模型的整体结构示意图；
图4为根据本公开一个实施例的Resnet50的结构示意图；
图5为根据本公开一个实施例的多层次特征金字塔网络MLFP的结构示意图；
图6为根据本公开一个实施例的目标帧图像的示意图；
图7为根据本公开一个实施例的确定车辆检测区域的总车辆占比面积的流程示意图；
图8为根据本公开一个实施例的目标车辆的重合区域的示意图；
图9为根据本公开一个实施例的确定高速服务器的车辆饱和的方法的流程示意图之二；
图10为根据本公开一个实施例的确定高速服务器的车辆饱和的装置；
图11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。
由于现有技术中针对服务区的车辆运营监管多是通过部署视频摄像机对服务区进行人为的视频查看，但是这样会造成发现问题不及时，不能实时掌握服务区的运行状态，导致服务区车辆饱和的检测的效率较低。因此，本公开提供一种确定高速服务区的车辆饱和的方法，可以自动确定出高速服务区的车辆是否饱和，不需要人工进行审核，提高检测高速服务区的车辆是否饱和的效率。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，一种确定高速服务器的车辆饱和的方法的应用场景，该应用场景中是以电子设备为服务器为例进行说明。其中，该应用场景中包括摄像机110、服务器120和终端设备130，图1中是以一个摄像机110和一个终端设备130为例，实际上不限制摄像机110和终端设备130的数量。终端设备130可为手机、平板电脑和个人计算机等。服务器120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120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，摄像机110实时拍摄高速服务区的监控视频，服务器120从摄像机110中周期获取高速服务区的监控视频的目标帧图像，并将所述目标帧图像输入到预先训练好的目标检测神经网络模型中进行车辆识别，得到在所述目标帧图像中各车辆的位置坐标。然后服务器120基于所述各车辆的位置坐标以及所述目标帧图像中标注的车辆检测区域的位置坐标，得到在所述车辆检测区域中的各目标车辆，并根据所述各目标车辆分别在所述车辆检测区域中的占比面积，得到所述车辆检测区域的总车辆占比面积。然后服务器120通过所述总车辆占比面积和所述车辆检测区域在所述目标帧图像中的占比面积，得到车辆饱和值，其中，所述车辆检测区域的在所述目标帧图像中的占比面积是基于所述车辆检测区域的位置坐标确定出的。服务器120若确定出所述车辆饱和值大于预设阈值，则确定所述高速服务区的车辆饱和，并将所述高速服务区的车辆饱和的结果发送至终端设备130中进行显示。
如图2所示，为本公开的确定高速服务区的车辆饱和的方法的流程示意图，可包括以下步骤：
步骤201：周期获取高速服务区的监控视频的目标帧图像，并将所述目标帧图像输入到预先训练好的目标检测神经网络模型中进行车辆识别，得到在所述目标帧图像中各车辆的位置坐标；
为了提高车辆识别的准确率，在一个实施例中，所述目标检测神经网络模型为M2Det模型，且所述M2Det模型的主干网络为残差网络Resnet50，所述Resnet50中各残差块的激活函数为mish激活函数。
如图3所示，为M2Det模型的整体结构示意图，该M2Det模型的整体框架由主干网络、多层次特征金字塔网络和非极大抑制预测层三部分组成。使用主干网络和多层次特征金字塔网络输入的目标帧图像进行特征提取，然后利用非极大抑制预测层对提取的特征进行预测各车辆的位置，从而获得最终的预测结果，即各车辆的位置坐标。
如图4所示，为M2Det模型的主干网络Resnet50的结构示意图，其包括5个阶段，分别为stage0、stage1、stage2、stage3和stage4。其中，stage0包括卷积层、BN层、mish激活函数和最大池化层。stage1包括一个转换块Conv Block和两个特征块Identity Block。stage2包括一个Conv Block和三个Identity Block。stage3包括一个Conv Block和五个Identity Block。stage4包括一个Conv Block和两个Identity Block。其中，Conv Block的输入和输出的维度是不一样的，所以Conv Block不能连续串联，它的作用是改变网络的维度。Identity Block输入维度和输出维度相同，其可以加深网络。
需要说明的是：Conv Block和Identity Block均属于本实施例中的残差块。
通过主干网络Resnet50提取到的特征接下来进入多层次特征金字塔网络MLFPN网络。多层次特征金字塔网络有利于检测不同尺度的目标。MLFPN由三个模块组成，即特征融合模块(Feature Fusion Module，FFM)、简化的U型模块(Thinned U-shape Module，TUM)和按比例缩放的特征聚合模块(Scaled-wise Feature Aggregation Module，SFAM)。如图5所示，为MLFPN网络结构图，通过FFM1融合主干网络的特征，获得语义信息丰富的基本特征。每一个TUM生成一组多尺度特征，然后经交替连接的TUM和FFM2生成多级多尺度特征，其中TUM1主要获取浅层(shallow)特征，TUM2和TUM3获取中层(medium)特征，TUM4获取深层(deep)特征。最后，SFAM通过按比例缩放的特征连接操作和自适应注意力机制将特征聚合到多级特征金字塔中，最大程度的加强模型的特征提取能力。
现有技术中的MLFPN网络的默认配置中包含8个TUM，由于TUM参数量大，为保证训练效果的同时还能减少参数量，本实施例中只使用了4个TUM进行训练，TUM的数量可根据实际情况进行设置，本实施例在此不对TUM的数量进行限定。
步骤202：基于所述各车辆的位置坐标以及所述目标帧图像中标注的车辆检测区域的位置坐标，得到在所述车辆检测区域中的各目标车辆；
例如，如图6所示，图6中的虚线框为目标帧图像中标注的车辆检测区域，其中，虚线框的四个顶点的坐标为车辆检测区域的位置坐标。图6中的实线框为目标检测神经网络模型识别出的各车辆，其中，实线框的四个顶点的位置坐标为该车辆对应的位置坐标。通过将各车辆的位置坐标与车辆检测区域的位置坐标进行比对，得到车辆检测区域中的各目标车辆。如图6所示，可得出目标车辆包括车辆A、车辆B、车辆C和车辆D。
需要说明的是：图6中各车辆在目标帧图像中显示方式均为侧面图，但是车辆在目标帧图像中的显示方式需要根据摄像头的位置以及车辆的位置来确定。以实际拍摄到的目标帧图像中各车辆的显示方式为准，本实施例并不对各车辆的显示方式进行限定。
步骤203：根据所述各目标车辆分别在所述车辆检测区域中的占比面积，得到所述车辆检测区域的总车辆占比面积，其中，任意一个目标车辆在所述车辆检测区域中的占比面积是基于所述目标车辆的位置坐标得到的；
步骤204：通过所述总车辆占比面积和所述车辆检测区域在所述目标帧图像中的占比面积，得到车辆饱和值，其中，所述车辆检测区域的在所述目标帧图像中的占比面积是基于所述车辆检测区域的位置坐标确定出的；
在一个实施例中，通过以下方式确定所述车辆饱和值：
将所述总车辆占比面积和所述车辆检测区域在所述目标帧图像中的占比面积相除，得到所述车辆饱和值。其中，可通过公式(1)得到所述车辆饱和值：
其中，P为所述车辆饱和值，w为所述总车辆占比面积，s为所述车辆检测区域在所述目标帧图像中的占比面积。
步骤205：若所述车辆饱和值大于预设阈值，则确定所述高速服务区的车辆饱和。
为了提高确定出的车辆检测区域的总车辆占比面积的准确率，在一个实施例中，如图7所示，为确定车辆检测区域的总车辆占比面积的流程示意图，可包括以下步骤：
步骤701：针对任意两个目标车辆，基于所述两个目标车辆的位置坐标确定所述两个目标车辆是否存在重合；
在一个实施例中，若两个目标车辆之间的位置坐标满足以下关系，则确定所述两个目标车辆存在重合：
1、两个目标车辆中的一个目标车辆对应的各横坐标中存在大于所述两个目标车辆中另一个目标车辆对应的横坐标中最小的横坐标，且小于该另一个目标车辆对应的横坐标中最大的横坐标。
2、两个目标车辆中的一个目标车辆对应的各纵坐标中存在大于所述两个目标车辆中另一个目标车辆对应的纵坐标中最小的纵坐标，且小于该另一个目标车辆对应的纵坐标中最大的纵坐标。
步骤702：若确定所述两个目标车辆存在重合，则通过所述两个目标车辆的位置坐标，得到所述两个目标车辆在所述车辆检测区域中重合区域的占比面积；
在一个实施例中，通过以下方式确定两个目标车辆在车辆检测区域中重合区域的占比面积：
如图8所示，车辆1和车辆2在目标帧图像中重合，其中，车辆1对应的位置坐标分别为A(x1,y1)、B(x2,y2)、C(x3,y3)和D(x4,y4)。车辆2对应的位置坐标分别为E(m1,n1)、F(m2,n2)、G(m3,n3)和H(m4,n4)。则确定出重合车辆1和车辆2的重合区域EHDB的占比面积为：(x2-m1)×(y4-n1)。
步骤703：根据所述各目标车辆分别在所述车辆检测区域中的占比面积以及各目标车辆在所述车辆检测区域中的各重合区域的占比面积，得到所述车辆检测区域的总车辆占比面积。
在一个实施例中，通过以下方式得到所述车辆检测区域的总车辆占比面积：
将所述各目标车辆在所述车辆检测区域中的占比面积相加，得到所述各目标车辆在所述车辆检测区域中的总占比面积；以及，将所述各目标车辆在所述车辆检测区域中的各重合区域的占比面积相加，得到所述各目标车辆在所述车辆检测区域中的重合区域的总占比面积；将所述各目标车辆在所述车辆检测区域中的总占比面积和所述各目标车辆在所述车辆检测区域中的重合区域的总占比面积相减，得到所述车辆检测区域的总车辆占比面积。其中，可通过公式(2)得到所述总车辆占比面积：
w＝(V1+V1+…+Vn)-(S1+S2+…+Sn)…公式(2)；
其中，w为总车辆占比面积，V1～Vn为各目标车辆在所述车辆检测区域中对应的各占比面积，S1～Sn为各目标车辆在所述车辆检测区域中的各重合区域对应的占比面积。
为了进一步的了解本公开的技术方案，下面结合图9进行详细的说明，可包括以下步骤：
步骤901：周期获取高速服务区的监控视频的目标帧图像，并将所述目标帧图像输入到预先训练好的目标检测神经网络模型中进行车辆识别，得到在所述目标帧图像中各车辆的位置坐标；
步骤902：基于所述各车辆的位置坐标以及所述目标帧图像中标注的车辆检测区域的位置坐标，得到在所述车辆检测区域中的各目标车辆；
步骤903：针对任意两个目标车辆，基于所述两个目标车辆的位置坐标确定所述两个目标车辆是否存在重合，若是，则执行步骤904，若否，则结束；
步骤904：通过所述两个目标车辆的位置坐标，得到所述两个目标车辆在所述车辆检测区域中重合区域的占比面积；
步骤905：将所述各目标车辆在所述车辆检测区域中的占比面积相加，得到所述各目标车辆在所述车辆检测区域中的总占比面积；
步骤906：将所述各目标车辆在所述车辆检测区域中的各重合区域的占比面积相加，得到所述各目标车辆在所述车辆检测区域中的重合区域的总占比面积；
需要说明的是：步骤905和步骤906的执行顺序本实施例在此并不进行限定，可先执行步骤905，再执行步骤906。也可先执行步骤906，再执行步骤905。也可步骤905和步骤906同时执行。
步骤907：将所述各目标车辆在所述车辆检测区域中的总占比面积和所述各目标车辆在所述车辆检测区域中的重合区域的总占比面积相减，得到所述车辆检测区域的总车辆占比面积；
步骤908：通过所述总车辆占比面积和所述车辆检测区域在所述目标帧图像中的占比面积，得到车辆饱和值，其中，所述车辆检测区域的在所述目标帧图像中的占比面积是基于所述车辆检测区域的位置坐标确定出的；
步骤909：判断所述车辆饱和值是否大于预设阈值，若是，则执行步骤910，若否，则执行步骤911；
步骤910：确定所述高速服务区的车辆饱和；
步骤911：确定所述高速服务区的车辆不饱和。
基于相同的公开构思，本公开如上所述的确定高速服务区的车辆饱和的方法还可以由一种确定高速服务区的车辆饱和的装置实现。该确定高速服务区的车辆饱和的装置的效果与前述方法的效果相似，在此不再赘述。
图10为根据本公开一个实施例的确定高速服务区的车辆饱和的装置的结构示意图。
如图10所示，本公开的确定高速服务区的车辆饱和的装置1000可以包括获取模块1010、目标车辆确定模块1020、总车辆占比面积确定模块1030、车辆饱和值确定模块1040和车辆是否饱和确定模块1050。
获取模块1010，用于周期获取高速服务区的监控视频的目标帧图像，并将所述目标帧图像输入到预先训练好的目标检测神经网络模型中进行车辆识别，得到在所述目标帧图像中各车辆的位置坐标；
目标车辆确定模块1020，用于基于所述各车辆的位置坐标以及所述目标帧图像中标注的车辆检测区域的位置坐标，得到在所述车辆检测区域中的各目标车辆；
总车辆占比面积确定模块1030，用于根据所述各目标车辆分别在所述车辆检测区域中的占比面积，得到所述车辆检测区域的总车辆占比面积，其中，任意一个目标车辆在所述车辆检测区域中的占比面积是基于所述目标车辆的位置坐标得到的；
车辆饱和值确定模块1040，用于通过所述总车辆占比面积和所述车辆检测区域在所述目标帧图像中的占比面积，得到车辆饱和值，其中，所述车辆检测区域的在所述目标帧图像中的占比面积是基于所述车辆检测区域的位置坐标确定出的；
车辆是否饱和确定模块1050，用于若所述车辆饱和值大于预设阈值，则确定所述高速服务区的车辆饱和。
在一个实施例中，所述目标检测神经网络模型为M2Det模型，且所述M2Det模型的主干网络为残差网络Resnet50，所述Resnet50中各残差块的激活函数为mish激活函数。
在一个实施例中，所述总车辆占比面积确定模块1030，具体用于：
针对任意两个目标车辆，基于所述两个目标车辆的位置坐标确定所述两个目标车辆是否存在重合；
若确定所述两个目标车辆存在重合，则通过所述两个目标车辆的位置坐标，得到所述两个目标车辆在所述车辆检测区域中重合区域的占比面积；
根据所述各目标车辆分别在所述车辆检测区域中的占比面积以及各目标车辆在所述车辆检测区域中的各重合区域的占比面积，得到所述车辆检测区域的总车辆占比面积。
在一个实施例中，所述总车辆占比面积确定模块1030执行所述根据所述各目标车辆分别在所述车辆检测区域中的占比面积以及各目标车辆在所述车辆检测区域中的各重合区域的占比面积，得到所述车辆检测区域的总车辆占比面积，具体被配置为：
将所述各目标车辆在所述车辆检测区域中的占比面积相加，得到所述各目标车辆在所述车辆检测区域中的总占比面积；以及，
将所述各目标车辆在所述车辆检测区域中的各重合区域的占比面积相加，得到所述各目标车辆在所述车辆检测区域中的重合区域的总占比面积；
将所述各目标车辆在所述车辆检测区域中的总占比面积和所述各目标车辆在所述车辆检测区域中的重合区域的总占比面积相减，得到所述车辆检测区域的总车辆占比面积。
在一个实施例中，所述车辆饱和值确定模块1040，具体用于：
将所述总车辆占比面积和所述车辆检测区域在所述目标帧图像中的占比面积相除，得到所述车辆饱和值。
在介绍了本公开示例性实施方式的一种确定高速服务区的车辆饱和的方法及装置之后，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确定高速服务区的车辆饱和的方法中的步骤。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11来描述根据本公开的这种实施方式的电子设备1100。图11显示的电子设备1100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11所示，电子设备1100以通用电子设备的形式表现。电子设备1100的组件可以包括但不限于：上述至少一个处理器1101、上述至少一个计算机存储介质1102、连接不同系统组件(包括计算机存储介质1102和处理器1101)的总线1103。
总线1103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1102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)1121和/或高速缓存存储介质1122，还可以进一步包括只读计算机存储介质(ROM)1123。
计算机存储介质1102还可以包括具有一组(至少一个)程序模块1124的程序/实用工具1125，这样的程序模块1124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1100也可以与一个或多个外部设备1104(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1100交互的设备通信，和/或与使得该电子设备1100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1105进行。并且，电子设备1100还可以通过网络适配器1106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1106通过总线1103与用于电子设备1100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1100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，本公开提供的一种确定高速服务区的车辆饱和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确定高速服务区的车辆饱和的方法中的步骤。
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确定高速服务区的车辆饱和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 (6)
1.一种确定高速服务区的车辆饱和的方法，其特征在于，所述方法包括：
周期获取高速服务区的监控视频的目标帧图像，并将所述目标帧图像输入到预先训练好的目标检测神经网络模型中进行车辆识别，得到在所述目标帧图像中各车辆的位置坐标；
基于所述各车辆的位置坐标以及所述目标帧图像中标注的车辆检测区域的位置坐标，得到在所述车辆检测区域中的各目标车辆；
根据所述各目标车辆分别在所述车辆检测区域中的占比面积，得到所述车辆检测区域的总车辆占比面积，具体包括：针对任意两个目标车辆，基于所述两个目标车辆的位置坐标确定所述两个目标车辆是否存在重合；若确定所述两个目标车辆存在重合，则通过所述两个目标车辆的位置坐标，得到所述两个目标车辆在所述车辆检测区域中重合区域的占比面积；将所述各目标车辆在所述车辆检测区域中的占比面积相加，得到所述各目标车辆在所述车辆检测区域中的总占比面积；以及，将所述各目标车辆在所述车辆检测区域中的各重合区域的占比面积相加，得到所述各目标车辆在所述车辆检测区域中的重合区域的总占比面积；将所述各目标车辆在所述车辆检测区域中的总占比面积和所述各目标车辆在所述车辆检测区域中的重合区域的总占比面积相减，得到所述车辆检测区域的总车辆占比面积；其中，任意一个目标车辆在所述车辆检测区域中的占比面积是基于所述目标车辆的位置坐标得到的；
通过所述总车辆占比面积和所述车辆检测区域在所述目标帧图像中的占比面积，得到车辆饱和值，其中，所述车辆检测区域的在所述目标帧图像中的占比面积是基于所述车辆检测区域的位置坐标确定出的；
若所述车辆饱和值大于预设阈值，则确定所述高速服务区的车辆饱和。
2.根据权利要求1所述的方法，其特征在于，所述目标检测神经网络模型为M2Det模型，且所述M2Det模型的主干网络为残差网络Resnet50，所述Resnet50中各残差块的激活函数为mish激活函数。
3.根据权利要求1或2所述的方法，其特征在于，所述通过所述总车辆占比面积和所述车辆检测区域在所述目标帧图像中的占比面积，得到车辆饱和值，包括：
将所述总车辆占比面积和所述车辆检测区域在所述目标帧图像中的占比面积相除，得到所述车辆饱和值。
4.一种电子设备，其特征在于，包括存储单元和处理器，其中：
所述存储单元，被配置为存储高速服务区的监控视频；
所述处理器，被配置为：
周期获取所述高速服务区的监控视频的目标帧图像，并将所述目标帧图像输入到预先训练好的目标检测神经网络模型中进行车辆识别，得到在所述目标帧图像中各车辆的位置坐标；
基于所述各车辆的位置坐标以及所述目标帧图像中标注的车辆检测区域的位置坐标，得到在所述车辆检测区域中的各目标车辆；
根据所述各目标车辆分别在所述车辆检测区域中的占比面积，得到所述车辆检测区域的总车辆占比面积，具体被配置为：针对任意两个目标车辆，基于所述两个目标车辆的位置坐标确定所述两个目标车辆是否存在重合；若确定所述两个目标车辆存在重合，则通过所述两个目标车辆的位置坐标，得到所述两个目标车辆在所述车辆检测区域中重合区域的占比面积；将所述各目标车辆在所述车辆检测区域中的占比面积相加，得到所述各目标车辆在所述车辆检测区域中的总占比面积；以及，将所述各目标车辆在所述车辆检测区域中的各重合区域的占比面积相加，得到所述各目标车辆在所述车辆检测区域中的重合区域的总占比面积；将所述各目标车辆在所述车辆检测区域中的总占比面积和所述各目标车辆在所述车辆检测区域中的重合区域的总占比面积相减，得到所述车辆检测区域的总车辆占比面积；其中，任意一个目标车辆在所述车辆检测区域中的占比面积是基于所述目标车辆的位置坐标得到的；
通过所述总车辆占比面积和所述车辆检测区域在所述目标帧图像中的占比面积，得到车辆饱和值，其中，所述车辆检测区域的在所述目标帧图像中的占比面积是基于所述车辆检测区域的位置坐标确定出的；
若所述车辆饱和值大于预设阈值，则确定所述高速服务区的车辆饱和。
5.根据权利要求4所述的电子设备，其特征在于，所述目标检测神经网络模型为M2Det模型，且所述M2Det模型的主干网络为残差网络Resnet50，所述Resnet50中各残差块的激活函数为mish激活函数。
6.根据权利要求4或5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总车辆占比面积和所述车辆检测区域在所述目标帧图像中的占比面积，得到车辆饱和值，具体被配置为：
将所述总车辆占比面积和所述车辆检测区域在所述目标帧图像中的占比面积相除，得到所述车辆饱和值。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210201504.4A CN114639037B (zh) | 2022-03-03 | 2022-03-03 | 确定高速服务区的车辆饱和的方法及电子设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210201504.4A CN114639037B (zh) | 2022-03-03 | 2022-03-03 | 确定高速服务区的车辆饱和的方法及电子设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114639037A CN114639037A (zh) | 2022-06-17 |
| CN114639037B true CN114639037B (zh) | 2024-04-09 |
Family
ID=81948507
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210201504.4A Active CN114639037B (zh) | 2022-03-03 | 2022-03-03 | 确定高速服务区的车辆饱和的方法及电子设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114639037B (zh) |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109800696A (zh) * | 2019-01-09 | 2019-05-24 | 深圳中兴网信科技有限公司 | 目标车辆的监控方法、系统和计算机可读存储介质 |
| WO2020168660A1 (zh) * | 2019-02-19 | 2020-08-27 | 平安科技（深圳）有限公司 | 调整车辆行驶方向方法、装置、计算机设备及存储介质 |
| CN113657299A (zh) * | 2021-08-20 | 2021-11-16 | 青岛海信网络科技股份有限公司 | 交通事故确定方法及电子设备 |
| CN113763425A (zh) * | 2021-08-30 | 2021-12-07 | 青岛海信网络科技股份有限公司 | 道路区域标定方法及电子设备 |
| CN114092885A (zh) * | 2021-11-29 | 2022-02-25 | 东方世纪科技股份有限公司 | 基于视频分析的高速服务区车辆防护方法及系统 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109359676A (zh) * | 2018-10-08 | 2019-02-19 | 百度在线网络技术（北京）有限公司 | 用于生成车辆损伤信息的方法和装置 |
-
2022
- 2022-03-03 CN CN202210201504.4A patent/CN114639037B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109800696A (zh) * | 2019-01-09 | 2019-05-24 | 深圳中兴网信科技有限公司 | 目标车辆的监控方法、系统和计算机可读存储介质 |
| WO2020168660A1 (zh) * | 2019-02-19 | 2020-08-27 | 平安科技（深圳）有限公司 | 调整车辆行驶方向方法、装置、计算机设备及存储介质 |
| CN113657299A (zh) * | 2021-08-20 | 2021-11-16 | 青岛海信网络科技股份有限公司 | 交通事故确定方法及电子设备 |
| CN113763425A (zh) * | 2021-08-30 | 2021-12-07 | 青岛海信网络科技股份有限公司 | 道路区域标定方法及电子设备 |
| CN114092885A (zh) * | 2021-11-29 | 2022-02-25 | 东方世纪科技股份有限公司 | 基于视频分析的高速服务区车辆防护方法及系统 |
Non-Patent Citations (2)
| Title |
|---|
| 一种卷积神经网络的车辆和行人检测算法;李大华;汪宏威;高强;于晓;沈洪宇;;激光杂志;20200425(第04期);全文 * |
| 基于深度学习的高速服务区车位检测算法;邵奇可;卢熠;陈一苇;;计算机系统应用;20190615(第06期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114639037A (zh) | 2022-06-17 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109815868B (zh) | 一种图像目标检测方法、装置及存储介质 | |
| CN113688652B (zh) | 一种异常驾驶行为的处理方法和装置 | |
| CN111241343A (zh) | 一种道路信息监控与分析检测方法、智慧交通控制系统 | |
| Nguyen et al. | Yolo based real-time human detection for smart video surveillance at the edge | |
| CN112949578B (zh) | 车灯状态识别方法、装置、设备及存储介质 | |
| CN110889421A (zh) | 目标物检测方法及装置 | |
| US20230009547A1 (en) | Method and apparatus for detecting object based on video, electronic device and storage medium | |
| Zhao et al. | A Lightweight Object Detection Network for Real‐Time Detection of Driver Handheld Call on Embedded Devices | |
| CN115601321A (zh) | 基于双向特征融合金字塔ssd的铁矿石异物识别方法 | |
| Ge et al. | Light-weighted vehicle detection network based on improved YOLOv3-tiny | |
| Masmoudi et al. | Trajectory analysis for parking lot vacancy detection system | |
| CN115690615A (zh) | 一种面向视频流的深度学习目标识别方法及系统 | |
| CN113963333B (zh) | 一种基于改进yolof模型的交通标志牌检测方法 | |
| CN112907138B (zh) | 一种从局部到整体感知的电网场景预警分类方法及系统 | |
| Nagaraj et al. | Edge-based street object detection | |
| CN114693963A (zh) | 基于电力数据特征提取的识别模型训练、识别方法及装置 | |
| CN114639037B (zh) | 确定高速服务区的车辆饱和的方法及电子设备 | |
| CN115131826B (zh) | 物品检测识别方法、网络模型的训练方法和装置 | |
| US20230027813A1 (en) | Object detecting method, electronic device and storage medium | |
| CN114638787B (zh) | 检测非机动车是否挂牌的方法及电子设备 | |
| CN113762248B (zh) | 一种目标落地检测方法、装置、电子设备和存储介质 | |
| CN115565152B (zh) | 融合车载激光点云与全景影像的交通标志牌提取方法 | |
| CN113705690B (zh) | 正脸定位方法、装置、电子设备及计算机可读存储介质 | |
| Zhao et al. | YOLO-PAI: Real-time handheld call behavior detection algorithm and embedded application | |
| CN110705510B (zh) | 一种动作确定方法、装置、服务器和存储介质 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |