CN114998796A - 一种路面病害程度识别方法、装置、计算机设备及介质 - Google Patents
一种路面病害程度识别方法、装置、计算机设备及介质 Download PDFInfo
- Publication number
- CN114998796A CN114998796A CN202210631233.6A CN202210631233A CN114998796A CN 114998796 A CN114998796 A CN 114998796A CN 202210631233 A CN202210631233 A CN 202210631233A CN 114998796 A CN114998796 A CN 114998796A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- road surface
- road section
- current road
- determining
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 201000010099 disease Diseases 0.000 title claims abstract description 110
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 title claims abstract description 110
- 238000000034 method Methods 0.000 title claims abstract description 47
- 230000008859 change Effects 0.000 claims abstract description 20
- 230000007547 defect Effects 0.000 claims description 24
- 238000001514 detection method Methods 0.000 claims description 17
- 230000008569 process Effects 0.000 claims description 15
- 238000004590 computer program Methods 0.000 claims description 3
- 238000005516 engineering process Methods 0.000 abstract description 2
- 238000004458 analytical method Methods 0.000 description 6
- 230000008439 repair process Effects 0.000 description 5
- 238000012545 processing Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000005856 abnormality Effects 0.000 description 2
- 238000005034 decoration Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 238000005299 abrasion Methods 0.000 description 1
- 239000010426 asphalt Substances 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000000903 blocking effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 239000004568 cement Substances 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/40—Scenes; Scene-specific elements in video content
- G06V20/46—Extracting features or characteristics from the video content, e.g. video fingerprints, representative shots or key frames
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/56—Extraction of image or video features relating to colour
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Multimedia (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Databases & Information Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Medical Informatics (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Traffic Control Systems (AREA)
Abstract
本申请涉及计算机技术的领域，尤其是涉及一种路面病害程度识别方法、装置、计算机设备及介质，该方法包括获取当前路段安装的各个摄像头采集的视频数据；基于所述视频数据，确定当前路段各个车辆的行驶平稳度；当检测到任一车辆的行驶平稳度发生变化时，判断当前路段是否存在路面病害；若当前路段存在路面病害，则检测所述路面病害的深度信息。本申请能够便于识别路面病害的损坏程度。
Description
技术领域
本申请涉及计算机技术的领域，尤其是涉及一种路面病害程度识别方法、装置、计算机设备及介质。
背景技术
无论是水泥路面还是沥青路面，在路面通车一段时间后，路面会陆续出现损坏、裂缝、松散以及沉陷等路面病害。当大量的车辆通过有路缝的路面区域时，车辆对地面形成压力，易产生新的裂缝，这不仅会降低路面承载力，也可能会对通行的车辆造成一定的磨损。
在相关技术中，工作人员定期检测各个路段的路面情况，并依次排查各个路段是否存在路面病害。然而当路面的损坏程度不同时，对应的紧急程度以及修复类型也各不相同，因此如何识别路面的损坏程度成为一个关键问题。
发明内容
为了便于识别路面病害的损坏程度，本申请提供一种路面病害程度识别方法、装置、计算机设备及存储介质。
第一方面，本申请提供的一种路面病害程度识别方法，采用如下的技术方案：
一种路面病害程度识别方法，包括：
获取当前路段安装的各个摄像头采集的视频数据；
基于所述视频数据，确定当前路段各个车辆的行驶平稳度；
当检测到任一车辆的行驶平稳度发生变化时，判断当前路段是否存在路面病害；
若当前路段存在路面病害，则检测所述路面病害的深度信息。
通过采用上述技术方案，能够获取到各个摄像头采集的视频数据，并对视频数据进行分析，从视频数据的分析结果中得到各个车辆的行驶平稳度，并能够在车辆行驶平稳度发生变化时，说明当前路段可能存在路面病害，并判断当前路段是否存在路面病害，且在存在路面病害时，检测路面病害的深度信息，以便于工作人员根据路面病害的深度信息确定出对应的紧急程度以及修复类型，从而便于识别出路面的损坏程度。
在另一种可能实现的方式中，所述基于所述视频数据，确定当前路段中各个车辆的行驶平稳度，包括：
基于所述视频数据，确定当前路段的坡度以及平整度；
基于所述视频数据，确定当前路段中各个车辆的行驶速度以及行驶偏移量；
基于所述坡度、所述平整度、所述各个车辆的行驶速度以及所述行驶偏移量，确定各个车辆的行驶平稳度。
通过采用上述技术方案，能够对视频数据进行分析，得到当前路段的坡度信息以及平整度信息，以减小车辆行驶在坡度较大，和/或，平整度较低的路段时，车辆行驶平稳度较低，而误报为路面病害的可能性。根据车辆在一段路段行驶的视频数据，得到车辆的行驶速度以及行驶的偏移量，以根据路面的坡度、平整度、车辆的行驶速度和偏移量共同确定车辆行驶的平稳度，以较为准确地得到车辆行驶平稳度信息。
在另一种可能实现的方式中，所述基于所述视频数据，确定当前路段中各个车辆的行驶速度，包括：
对所述视频数据进行目标检测，确定所述视频数据中包含的车型；
对不同车型的车辆进行目标跟踪，并确定不同车型的车辆的行驶速度。
通过采用上述技术方案，在车辆行驶过程中，路段中包含若干不同种类的车型，然而不同车型行驶的速度等都不相同，因此对不同车型进行区分，对视频数据中所有车辆进行目标检测，并对不同车型分别进行跟踪，以得到不同车型的行驶速度，以减小不同车型行驶速度以及平稳度均不相同的可能性。
在另一种可能实现的方式中，所述基于所述视频数据，确定当前路段中各个车辆的行驶偏移量包括：
基于所述视频数据，确定当前路段中的车道信息以及各个车辆行驶过程中的连续帧图像；
基于所述连续帧图像，确定各个车辆的行驶路线；
基于所述当前路段的车道信息以及所述各个车辆的行驶路线，确定各个车辆的行驶偏移量。
通过采用上述技术方案，能够在车辆行驶过程中，根据车辆行驶的视频，以确定出车辆行驶所在车道信息，并从视频数据中确定出车辆行驶过程中的连续帧图像，通过对连续帧图像进行分析，从而得到车辆的行驶路线，并将车辆的行驶路线和路段的车道信息进行对比，进而得到车辆的行驶偏移量。
在另一种可能实现的方式中，所述当检测到任一车辆的行驶平稳度发生变化时，判断当前路段是否存在路面病害，包括：
当检测到任一车辆的行驶平稳度发生变化时，识别当前路段图像中包含的特征信息；
将当前路段图像的特征信息输入到预先训练好的网络模型中；
若当前路段存在路面病害，则对当前路段图像中的路面病害进行标记。
通过采用上述技术方案，能够在车辆行驶平稳度发生变化时，从当前路段图像中提取特征信息，并将特征信息输入到预先训练好的网络模型中，以便于区分路面的路面病害以及其它特征信息，计算机设备在路段存在路面病害时，将存在的路面病害进行标记，以便于工作人员清楚地了解到路面存在的病害信息。
在另一种可能实现的方式中，所述当检测到任一车辆的行驶平稳度发生变化时，识别当前路段图像中包含的特征信息，包括：
当检测到任一车辆的行驶平稳度发生变化时，从视频数据中提取车辆行驶声音；
基于所述车辆行驶声音以及所述当前路段图像，将当前路段中包含的路面障碍和路面病害进行区分；
将当前路段中包含路面病害的特征作为特征信息。
通过采用上述技术方案，能够在车辆行驶平稳度发生变化时，将车辆行驶的声音提取出来，并对车辆行驶的声音进行分析，根据车辆在路面病害和路面障碍行驶过程中的声音不同，以判断当前路段的特征为路面病害还是路面障碍，并将包含路面病害的特征作为特征信息。
在另一种可能实现的方式中，所述若当前路段存在路面病害，则检测所述路面病害的深度信息，包括：
若当前路段存在路面病害，则确定所述路面病害所在图像的颜色以及当前路段路面颜色；
基于所述路面病害所在图像的颜色以及所述当前路段路面颜色，确定路面病害的深度信息。
通过采用上述技术方案，能够通过对比路面病害和路段颜色，并将对比结果进行分析，以得到路面病害的深度信息，从而便于通过路面病害的深度信息以判断出路面的损坏程度。
第二方面，本申请提供了一种路面病害程度识别的装置，采用如下的技术方案：
一种路面病害程度识别装置，包括：
获取模块，用于获取当前路段安装的各个摄像头采集的视频数据；
确定模块，用于基于所述视频数据，确定当前路段各个车辆的行驶平稳度；
判断模块，用于当检测到任一车辆的行驶平稳度发生变化时，判断当前路段是否存在路面病害；
检测模块，用于当当前路段存在路面病害时，检测所述路面病害的深度信息。
通过采用上述技术方案，获取模块能够获取到各个摄像头采集的视频数据，并对视频数据进行分析，确定模块从视频数据的分析结果中得到各个车辆的行驶平稳度，并能够在车辆行驶平稳度发生变化时，说明当前路段可能存在路面病害，判断模块判断当前路段是否存在路面病害，且在存在路面病害时，检测模块检测路面病害的深度信息，以便于工作人员根据路面病害的深度信息确定出对应的紧急程度以及修复类型，从而便于识别出路面的损坏程度。
在另一种可能的实现方式中，确定模块在基于所述视频数据，确定当前路段中各个车辆的行驶平稳度时，具体用于：
基于所述视频数据，确定当前路段的坡度以及平整度；
基于所述视频数据，确定当前路段中各个车辆的行驶速度以及行驶偏移量；
基于所述坡度、所述平整度、所述各个车辆的行驶速度以及所述行驶偏移量，确定各个车辆的行驶平稳度。
在另一种可能的实现方式中，确定模块在基于所述视频数据，确定当前路段中各个车辆的行驶速度时，具体用于：
对所述视频数据进行目标检测，确定所述视频数据中包含的车型；
对不同车型的车辆进行目标跟踪，并确定所述不同车型的车辆的行驶速度。
在另一种可能的实现方式中，确定模块在基于所述视频数据，确定当前路段中各个车辆的行驶偏移量时，具体用于：
基于所述视频数据，确定当前路段中的车道信息以及各个车辆行驶过程中的连续帧图像；
基于所述连续帧图像，确定各个车辆的行驶路线；
基于所述当前路段的车道信息以及所述各个车辆的行驶路线，确定各个车辆的行驶偏移量。
在另一种可能的实现方式中，判断模块在当检测到任一车辆的行驶平稳度发生变化时，判断当前路段是否存在路面病害时，具体用于：
当检测到任一车辆的行驶平稳度发生变化时，识别当前路段图像中包含的特征信息；
将当前路段图像的特征信息输入到预先训练好的网络模型中；
若当前路段存在路面病害，则对当前路段图像中的路面病害进行标记。
在另一种可能的实现方式中，判断模块在当检测到任一车辆的行驶平稳度发生变化时，识别当前路段图像中包含的特征信息时，具体用于：
当检测到任一车辆的行驶平稳度发生变化时，从视频数据中提取车辆行驶声音；
基于所述车辆行驶声音以及所述当前路段图像，将当前路段中包含的路面障碍和路面病害进行区分；
将当前路段中不包含路面障碍的特征作为特征信息。
在另一种可能的实现方式中，检测模块在当当前路段存在路面病害时，检测所述路面病害的深度信息时，具体用于：
若当前路段存在路面病害，则确定所述路面病害所在图像的颜色以及当前路段路面颜色；
基于所述路面病害所在图像的颜色以及所述当前路段路面颜色，确定路面病害的深度信息。
第三方面，本申请提供一种计算机设备，采用如下的技术方案：
一种计算机设备，该计算机设备包括：
至少一个处理器；
存储器；
至少一个应用程序，其中所述至少一个应用程序被存储在所述存储器中并被配置为由所述至少一个处理器执行，所述至少一个应用程序配置用于：执行根据第一方面任一种可能的实现方式所示的一种路面病害程度识别方法。
第四方面，本申请提供一种计算机可读存储介质，采用如下的技术方案：
一种计算机可读存储介质，包括：存储有能够被处理器加载并执行实现第一方面任一种可能的实现方式所示的一种路面病害程度识别方法的计算机程序。
综上所述，本申请包括以下至少一种有益技术效果：
1.能够获取到各个摄像头采集的视频数据，并对视频数据进行分析，从视频数据的分析结果中得到各个车辆的行驶平稳度，并能够在车辆行驶平稳度发生变化时，说明当前路段可能存在路面病害，并判断当前路段是否存在路面病害，且在存在路面病害时，检测路面病害的深度信息，以便于工作人员根据路面病害的深度信息确定出对应的紧急程度以及修复类型，从而便于识别出路面的损坏程度；
2.在车辆行驶过程中，路段中包含若干不同种类的车型，然而不同车型行驶的速度等都不相同，因此对不同车型进行区分，对视频数据中所有车辆进行目标检测，并对不同车型分别进行跟踪，以得到不同车型的行驶速度，以减小不同车型行驶速度以及平稳度均不相同的可能性。
附图说明
图1是本申请实施例的一种路面病害程度识别方法流程示意图。
图2是本申请实施例的一种路面病害程度识别装置结构示意图。
图3是本申请实施例的一种电子设备的结构示意图。
具体实施方式
下面结合说明书附图1-附图3对本申请实施例作进一步详细描述。
本具体实施例仅仅是对本申请的解释，其并不是对本申请的限制，本领域技术人员在阅读完本说明书后可以根据需要对本实施例做出没有创造性贡献的修改，但只要在本申请的权利要求范围内都受到专利法的保护。
为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对本申请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申请一部分实施例，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，都属于本申请保护的范围。
另外，本文中术语“和/或”，仅仅是一种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。另外，本文中字符“/”，如无特殊说明，一般表示前后关联对象是一种“或”的关系。
本申请实施例提供了一种路面病害程度识别方法，能够在车辆行驶平稳度发生变化时，判断当前路段是否存在有路面病害，并在存在路面病害时，检测路面病害的深度信息，以便于将不同深度的路面病害分配不同的紧急程度以及修复类型。
在本申请实施例中主要以识别马路上的路面病害的场景为例进行描述，但是并不作为对本申请实施例的限定。
为了更好的实施该路面病害程度识别方法，下述通过具体实施例并结合附图进行阐述。
本申请实施例提供了一种路面病害程度识别方法，由计算机设备执行，该计算机设备可以为服务器也可以为终端设备，其中，该服务器可以是独立的物理服务器，也可以是多个物理服务器构成的服务器集群或者分布式系统。终端设备可以是笔记本电脑以及台式计算机等，但并不局限于此，本申请实施例在此不做限制。
进一步地，本申请实施例提供了一种路面病害程度识别方法，如图1所述，给出了一种示例以执行一种路面病害程度识别方法，具体如下所示：
步骤S101，获取当前路段安装的各个摄像头采集的视频数据。
对于本申请实施例，可以预先在高速公路以及高架桥等公路上，每隔预设距离安装摄像头。计算机设备和摄像头进行通信连接，计算机设备获取到摄像头拍摄的视频数据。具体地，计算机设备可以始终获取摄像头拍摄的视频数据，也可以识别当前路段车流量，若当前路段没有车辆通过，即车流量为0时，不获取摄像头采集的视频数据，或控制摄像头进行休眠。
步骤S102，基于视频数据，确定当前路段各个车辆的行驶平稳度。
对于本申请实施例，车辆的行驶平稳度包括车辆行驶过程中相对路面水平面的偏移程度，即车辆行驶的颠簸程度。若当前路段的路面病害较多时，车辆行驶平稳度较低；反之，若当前路段的路面病害较少时，车辆行驶平稳度较高。
确定当前路段各个车辆的行驶平稳度：计算机设备可以通过检测车辆行驶的高度和车辆所处的路段水平面高度之间的距离，若车辆的高度低于路段水平面的高度，则车辆可能处于低洼；若车辆的高度高于路段水平面的高度，则车辆可能处于高凸。具体地，车辆行驶过程中的高度离路段水平面的高度距离越大，则车辆的行驶平稳度越低。
步骤S103，当检测到任一车辆的行驶平稳度发生变化时，判断当前路段是否存在路面病害。
对于本申请实施例，计算机设备可以将车辆的行驶平稳度进行量化，例如，通过行驶平稳度指数来表征车辆行驶的平稳度，可以设定平稳度最高时，行驶平稳度指数为10。通过行驶平稳度指数，绘制行驶平稳度变化曲线。当行驶平稳度变化幅度大于1个单位值时，则车辆所在的路段可能存在路面病害，则判断当前路段是否存在路面病害。
判断当前路段是否存在路面病害：计算机设备可以通过对车辆行驶的图像进行分割处理，将可能存在路面病害的路段进行图像处理，以减少计算机设备的处理量。
步骤S104，若当前路段存在路面病害，则检测路面病害的深度信息。
对于本申请实施例，检测路面病害的深度信息：计算机设备可以通过检测路面的颜色，即当路面病害的颜色接近路面时，则路面病害的深度可能较小；当路面病害的颜色较深，则路面病害的深度可能较大。具体地，检测路面病害的深度信息：还可以向计算机设备输入预先设定好的计算算法，检测影响路面病害的深度信息的因素，并向各个不同的影响因素分配不同的系数，以得到路面病害的深度信息。
具体地，在本申请实施例中，步骤S102中基于视频数据，确定当前路段中各个车辆的行驶平稳度，具体可以包括步骤S1021（图中未示出）、步骤S1022（图中未示出）以及步骤S1023（图中未示出），其中，
步骤S1021，基于视频数据，确定当前路段的坡度以及平整度。
对于本申请实施例，计算机设备可以从视频数据中抽取若干帧图像，并确定帧图像中路段的坡度和平整度。确定当前路段的坡度：计算机设备可以识别帧图像中路段的最高点和最低点，并确定最高点和最低点的坐标信息，以此计算出路段的坡度。确定当前路段的平整度：计算机设备可以从视频数据中提取若干帧图像，还可以提取出车流量较小时的帧图像，以便于得到较为完整的体现路段平整度的图像。
步骤S1022，基于视频数据，确定当前路段中各个车辆的行驶速度以及行驶偏移量。
对于本申请实施例，确定当前路段中各个车辆的行驶速度：计算机设备可以通过获取路段上相邻两个摄像头采集的视频数据，并通过车辆在相邻两个摄像头之间行驶的路程和时间，计算出车辆行驶的平均速度，还可以在摄像头处安装能够发送电磁波的计算机设备，利用设备向车辆发射电磁波，并接收车辆返回的回波，由此确定出车辆和电磁波发射点之间的距离、变化率等信息，以确定车辆的行驶速度。
确定各个车辆的行驶偏移量：计算机设备可以在车辆行驶在直线路段时，检测车辆的行驶路线，并将车辆的行驶路线和车辆所在路段的直线路线进行对比，得到车辆行驶相对于直线路线的行驶偏移量。
步骤S1023，基于坡度、平整度、各个车辆的行驶速度以及行驶偏移量，确定各个车辆的行驶平稳度。
对于本申请实施例，当车辆行驶在坡度较小、平整度较高的路段时，且车辆行驶速度偏小，但是车辆行驶偏移量较多时，车辆行驶的路段可能存在的路面病害较多，车辆行驶的平稳度可能较低。
具体地，由于不同车型的车辆在行驶过程中的行驶速度不同，行驶的最高限速也不相同，因此需要对车辆进车型区分，在本申请实施例中，步骤S1022中基于视频数据，确定当前路段中各个车辆的行驶速度，具体可以包括步骤S10221（图中未示出）以及步骤S10222（图中未示出），其中，
步骤S10221，对视频数据进行目标检测，确定视频数据中包含的车型。
对于本申请实施例，计算机设备可以预先从视频数据中提取若干帧图像，并从若干帧图像中将包含有车辆的图像作为关键帧图像，并对关键帧图像进行目标检测。确定视频数据中包含的车型：计算机设备可以通过确定车辆的形状、大小等信息，以确定出视频数据中包含的车型为轿车、客车、公交车还是货车等类型。
步骤S10222，对不同车型的车辆进行目标跟踪，并确定不同车型的车辆的行驶速度。
对于本申请实施例，计算机设备可以在确定车型信息后，对不同的车型信息进行分别跟踪，例如，图像中包含有轿车A、轿车B、货车C、公交车D以及公交车E，则对轿车A以及轿车B进行目标跟踪，以确定轿车A和轿车B的行驶速度，对公交车D以及公交车E进行目标跟踪，以确定公交车D以及公交车E的行驶速度。
具体地，在本申请实施例中，步骤S1022中基于视频数据，确定当前路段中各个车辆的行驶偏移量，具体可以包括步骤S1022a（图中未示出）、步骤S1022b（图中未示出）以及步骤S1022c（图中未示出），其中，
步骤S1022a，基于视频数据，确定当前路段中的车道信息以及各个车辆行驶过程中的连续帧图像。
对于本申请实施例，基于视频数据，通过识别当前路段中包含的车道信息，例如，当前路段中有不可变道的白色实线、允许变道的白色虚线、左转道以及右转道等等。确定各个车辆行驶过程中的连续帧图像：计算机设备在检测到车辆出现时，对行驶的车辆进行连续跟踪，并将车辆行驶过程中的连续图像作为连续帧图像。具体地，可以将间隔一秒钟的车辆行驶的图像作为连续帧图像。
步骤S1022b，基于连续帧图像，确定各个车辆的行驶路线。
对于本申请实施例，计算机设备可以根据连续帧图像，拟合出各个车辆的行驶路线。具体地，计算机设备可以识别车辆的中心线，或者识别车辆的中心点，并通过车辆行驶过程中车辆中心线或中心点的行驶变化，拟合出车辆行驶的路线。
步骤S1022c，基于当前路段的车道信息以及各个车辆的行驶路线，确定各个车辆的行驶偏移量。
对于本申请实施例，计算机设备基于当前路段的车道信息，确定出在车道范围内车辆行驶的最佳位置，其中，最佳位置可能是车道的中心位置，也可以确定大多数车辆行驶的位置，并将车道信息、车道范围内行驶的最佳位置以及车辆行驶的路线进行对比，从而得到车辆相对车道信息的行驶偏移量。
具体地，在本申请实施例中，步骤S103中当检测到任一车辆的行驶平稳度发生变化时，判断当前路段是否存在路面病害，具体可以包括步骤S1031（图中未示出）、步骤S1032（图中未示出）以及步骤S1033（图中未示出），其中，
步骤S1031，当检测到任一车辆的行驶平稳度发生变化时，识别当前路段图像中包含的特征信息。
对于本申请实施例，识别当前路段图像中包含的特征信息：计算机设备可以对路段图像进行特征提取，可以基于HOG（Histogram of Oriented Gradient，方向梯度直方图）进行图像特征提取，统计图像局部区域的梯度方向直方图，以得到路段图像中的特征信息。
步骤S1032，将当前路段图像的特征信息输入到预先训练好的网络模型中。
对于本申请实施例，计算机设备可以预先训练神经网络模型，以多种路面病害以及路面病害对应的种类以及名称等信息为训练样本集，当计算机设备将当前路段图像的特征信息输入到预选训练好的网络模型后，网络模型能够识别出当前路段是否存在路面病害，且存在的路面病害的种类以及名称。
步骤S1033，若当前路段存在路面病害，则对当前路段图像中的路面病害进行标记。
对于本申请实施例，若确定当前路段存在路面病害，计算机设备将当前路段存在的路面病害进行预选框标记，还可以通过标签标记路段存在的路面病害。具体地，计算机设备可以通过带有颜色的预选框，将包含有路面病害的特征进行标记，还可以通过将包含有路面病害的特征通过“路面病害-低洼”形式进行标记。
具体地，在本申请实施例中，步骤S1031中当检测到任一车辆的行驶平稳度发生变化时，识别当前路段图像中包含的特征信息，具体可以包括步骤S10311（图中未示出）、步骤S10312（图中未示出）以及步骤S10313（图中未示出），其中，
步骤S10311，当检测到任一车辆的行驶平稳度发生变化时，从视频数据中提取车辆行驶声音。
对于本申请实施例，计算机设备能够在检测到任一车辆的行驶平稳度发生变化时，获取车辆行驶平稳度发生变化的时间，并将车辆行驶平稳度发生变化前后时间的视频数据进行截取，并提取出车辆行驶的声音。还可以预先在路面安装声音传感器，计算机设备获取声音传感器采集的声音数据，以获取到车辆经过路面病害时的振动信息。车辆在经过路面病害时，车辆行驶的声音发生变化，由此便于判断出当前路段中是否存在路面病害。
步骤S10312，基于车辆行驶声音以及当前路段图像，将当前路段中包含的路面障碍和路面病害进行区分。
对于本申请实施例，路面障碍包括路面上的井盖、方锥等固定路面障碍以及活动路面障碍，阻碍道路交通的障碍物，为了减少将路面障碍对识别路面病害的影响，将路面障碍和路面病害进行区分。
车辆行驶过程中，车辆在经过有路面障碍物的路段时，一般选择绕过路面障碍，车辆行驶声音可能不会存在异常，因此在车辆行驶声音出现异常时，即车辆可能经过路面障碍。
步骤S10313，将当前路段中包含路面病害的特征作为特征信息。
对于本申请实施例，计算机设备将包含路面病害的特征作为特征信息，将不包含路面病害的特征作为非特征信息，例如，非特征信息包括路面障碍以及井盖等非路面病害，非特征信息是指非路面病害但会影响车辆行驶平稳度的特征信息，以减少路面障碍对检测路面病害的影响。
具体地，在本申请实施例中，步骤S104中若当前路段存在路面病害，则检测路面病害的深度信息，具体可以包括步骤S1041（图中未示出）以及步骤S1042（图中未示出），其中，
步骤S1041，若当前路段存在路面病害，则确定路面病害所在图像的颜色以及当前路段路面颜色。
对于本申请实施例，若当前路段存在路面病害，一般情况下，路面病害和路面颜色不相同，例如，当路段存在低洼时，低洼处的颜色较为深；当路段存在高凸时，高凸处的颜色较为浅。
步骤S1042，基于路面病害所在图像的颜色以及当前路段路面颜色，确定路面病害的深度信息。
对于本申请实施例，计算机设备将路面病害所在图像的颜色和当前路段路面颜色进行对比，根据路面病害处的颜色信息，确定路面病害的深度信息。计算机设备可以预设某种函数，将不同颜色的路面病害，分配不同的深度系数，以确定出路面病害的深度信息。
上述实施例通过方法流程的方式介绍了一种路面病害程度识别方法，下述实施例从虚拟的角度介绍了一种路面病害程度识别装置，具体详见下述实施例：
本申请实施例提供一种路面病害程度识别装置，如图2所示，该路面病害程度识别装置20具体可以包括：
获取模块201，用于获取当前路段安装的各个摄像头采集的视频数据；
确定模块202，用于基于所述视频数据，确定当前路段各个车辆的行驶平稳度；
判断模块203，用于当检测到任一车辆的行驶平稳度发生变化时，判断当前路段是否存在路面病害；
检测模块204，用于当当前路段存在路面病害时，检测所述路面病害的深度信息。
本申请实施例的另一种可能的实现方式，确定模块202在基于所述视频数据，确定当前路段中各个车辆的行驶平稳度时，具体用于：
基于所述视频数据，确定当前路段的坡度以及平整度；
基于所述视频数据，确定当前路段中各个车辆的行驶速度以及行驶偏移量；
基于所述坡度、所述平整度、所述各个车辆的行驶速度以及所述行驶偏移量，确定各个车辆的行驶平稳度。
本申请实施例的另一种可能的实现方式，确定模块202在基于所述视频数据，确定当前路段中各个车辆的行驶速度时，具体用于：
对所述视频数据进行目标检测，确定所述视频数据中包含的车型；
对不同车型的车辆进行目标跟踪，并确定所述不同车型的车辆的行驶速度。
本申请实施例的另一种可能的实现方式，确定模块202在基于所述视频数据，确定当前路段中各个车辆的行驶偏移量时，具体用于：
基于所述视频数据，确定当前路段中的车道信息以及各个车辆行驶过程中的连续帧图像；
基于所述连续帧图像，确定各个车辆的行驶路线；
基于所述当前路段的车道信息以及所述各个车辆的行驶路线，确定各个车辆的行驶偏移量。
本申请实施例的另一种可能的实现方式，判断模块203在当检测到任一车辆的行驶平稳度发生变化时，判断当前路段是否存在路面病害时，具体用于：
当检测到任一车辆的行驶平稳度发生变化时，识别当前路段图像中包含的特征信息；
将当前路段图像的特征信息输入到预先训练好的网络模型中；
若当前路段存在路面病害，则对当前路段图像中的路面病害进行标记。
本申请实施例的另一种可能的实现方式，判断模块203在当检测到任一车辆的行驶平稳度发生变化时，识别当前路段图像中包含的特征信息时，具体用于：
当检测到任一车辆的行驶平稳度发生变化时，从视频数据中提取车辆行驶声音；
基于所述车辆行驶声音以及所述当前路段图像，将当前路段中包含的路面障碍和路面病害进行区分；
将当前路段中不包含路面障碍的特征作为特征信息。
本申请实施例的另一种可能的实现方式，检测模块204在当当前路段存在路面病害时，检测所述路面病害的深度信息时，具体用于：
若当前路段存在路面病害，则确定所述路面病害所在图像的颜色以及当前路段路面颜色；
基于所述路面病害所在图像的颜色以及所述当前路段路面颜色，确定路面病害的深度信息。
本申请实施例提供了一种路面病害程度识别装置，通过采用上述技术方案，获取模块能够获取到各个摄像头采集的视频数据，并对视频数据进行分析，确定模块从视频数据的分析结果中得到各个车辆的行驶平稳度，并能够在车辆行驶平稳度发生变化时，说明当前路段可能存在路面病害，判断模块判断当前路段是否存在路面病害，且在存在路面病害时，检测模块检测路面病害的深度信息，以便于工作人员根据路面病害的深度信息确定出对应的紧急程度以及修复类型，从而便于识别出路面的损坏程度。
所属领域的技术人员可以清楚地了解到，为描述地方便和简洁，上述描述的装置的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
本申请实施例中还提供了一种计算机设备，如图3所示，图3所示的计算机设备30包括：处理器301和存储器303。其中，处理器301和存储器303相连，如通过总线302相连。可选地，电子设备30还可以包括收发器304。需要说明的是，实际应用中收发器304不限于一个，该计算机设备30的结构并不构成对本申请实施例的限定。
处理器301可以是CPU（Central Processing Unit，中央处理器），通用处理器，DSP（Digital Signal Processor，数据信号处理器），ASIC（Application SpecificIntegrated Circuit，专用集成电路），FPGA（Field Programmable Gate Array，现场可编程门阵列）或者其他可编程逻辑器件、晶体管逻辑器件、硬件部件或者其任意组合。其可以实现或执行结合本申请公开内容所描述的各种示例性的逻辑方框，模块和电路。处理器301也可以是实现计算功能的组合，例如包含一个或多个微处理器组合，DSP和微处理器的组合等。
总线302可包括一通路，在上述组件之间传送信息。总线302可以是PCI（Peripheral Component Interconnect，外设部件互连标准）总线或EISA（ExtendedIndustry Standard Architecture，扩展工业标准结构）总线等。总线302可以分为地址总线、数据总线、控制总线等。为便于表示，图3中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。
存储器303可以是ROM（Read Only Memory，只读存储器）或可存储静态信息和指令的其他类型的静态存储设备，RAM（Random Access Memory，随机存取存储器）或者可存储信息和指令的其他类型的动态存储设备，也可以是EEPROM（Electrically ErasableProgrammable Read Only Memory，电可擦可编程只读存储器）、CD-ROM（Compact DiscRead Only Memory，只读光盘）或其他光盘存储、光碟存储（包括压缩光碟、激光碟、光碟、数字通用光碟、蓝光光碟等）、磁盘存储介质或者其他磁存储设备、或者能够用于携带或存储具有指令或数据结构形式的期望的程序代码并能够由计算机存取的任何其他介质，但不限于此。
存储器303用于存储执行本申请方案的应用程序代码，并由处理器301来控制执行。处理器301用于执行存储器303中存储的应用程序代码，以实现前述方法实施例所示的内容。
其中，计算机设备包括但不限于：笔记本电脑以及台式计算机电脑等等移动终端，还可以为服务器等。图3示出的计算机设备仅仅是一个示例，不应对本申请实施例的功能和使用范围带来任何限制。
本申请实施例提供了一种计算机可读存储介质，该计算机可读存储介质上存储有计算机程序，当其在计算机上运行时，使得计算机可以执行前述方法实施例中相应内容。与相关技术相比，本申请实施例能够获取到各个摄像头采集的视频数据，并对视频数据进行分析，从视频数据的分析结果中得到各个车辆的行驶平稳度，并能够在车辆行驶平稳度发生变化时，说明当前路段可能存在路面病害，并判断当前路段是否存在路面病害，且在存在路面病害时，检测路面病害的深度信息，以便于工作人员根据路面病害的深度信息确定出对应的紧急程度以及修复类型，从而便于识别出路面的损坏程度。
应该理解的是，虽然附图的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，其可以以其他的顺序执行。而且，附图的流程图中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，其执行顺序也不必然是依次进行，而是可以与其他步骤或者其他步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
以上仅是本申请的部分实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本申请原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本申请的保护范围。
Claims (10)
1.一种路面病害程度识别方法，其特征在于，包括：
获取当前路段安装的各个摄像头采集的视频数据；
基于所述视频数据，确定当前路段各个车辆的行驶平稳度；
当检测到任一车辆的行驶平稳度发生变化时，判断当前路段是否存在路面病害；
若当前路段存在路面病害，则检测所述路面病害的深度信息。
2.根据权利要求1所述的路面病害程度识别方法，其特征在于，所述基于所述视频数据，确定当前路段中各个车辆的行驶平稳度，包括：
基于所述视频数据，确定当前路段的坡度以及平整度；
基于所述视频数据，确定当前路段中各个车辆的行驶速度以及行驶偏移量；
基于所述坡度、所述平整度、所述各个车辆的行驶速度以及所述行驶偏移量，确定各个车辆的行驶平稳度。
3.根据权利要求2所述的路面病害程度识别方法，其特征在于，所述基于所述视频数据，确定当前路段中各个车辆的行驶速度，包括：
对所述视频数据进行目标检测，确定所述视频数据中包含的车型；
对不同车型的车辆进行目标跟踪，并确定所述不同车型的车辆的行驶速度。
4.根据权利要求2所述的路面病害程度识别方法，其特征在于，所述基于所述视频数据，确定当前路段中各个车辆的行驶偏移量，包括：
基于所述视频数据，确定当前路段中的车道信息以及各个车辆行驶过程中的连续帧图像；
基于所述连续帧图像，确定各个车辆的行驶路线；
基于所述当前路段的车道信息以及所述各个车辆的行驶路线，确定各个车辆的行驶偏移量。
5.根据权利要求1所述的路面病害程度识别方法，其特征在于，所述当检测到任一车辆的行驶平稳度发生变化时，判断当前路段是否存在路面病害，包括：
当检测到任一车辆的行驶平稳度发生变化时，识别当前路段图像中包含的特征信息；
将当前路段图像的特征信息输入到预先训练好的网络模型中；
若当前路段存在路面病害，则对当前路段图像中的路面病害进行标记。
6.根据权利要求5所述的路面病害程度识别方法，其特征在于，所述当检测到任一车辆的行驶平稳度发生变化时，识别当前路段图像中包含的特征信息，包括：
当检测到任一车辆的行驶平稳度发生变化时，从视频数据中提取车辆行驶声音；
基于所述车辆行驶声音以及所述当前路段图像，将当前路段中包含的路面障碍和路面病害进行区分；
将当前路段中包含路面病害的特征作为特征信息。
7.根据权利要求1所述的路面病害程度识别方法，其特征在于，所述若当前路段存在路面病害，则检测所述路面病害的深度信息，包括：
若当前路段存在路面病害，则确定所述路面病害所在图像的颜色以及当前路段路面颜色；
基于所述路面病害所在图像的颜色以及所述当前路段路面颜色，确定路面病害的深度信息。
8.一种路面病害程度识别装置，其特征在于，包括：
获取模块，用于获取当前路段安装的各个摄像头采集的视频数据；
确定模块，用于基于所述视频数据，确定当前路段各个车辆的行驶平稳度；
判断模块，用于当检测到任一车辆的行驶平稳度发生变化时，判断当前路段是否存在路面病害；
检测模块，用于当当前路段存在路面病害时，检测所述路面病害的深度信息。
9.一种计算机设备，其特征在于，包括：
至少一个处理器；
存储器；
至少一个应用程序，其中所述至少一个应用程序被存储在所述存储器中并被配置为由所述至少一个处理器执行，所述至少一个应用程序配置用于：执行根据权利要求1～7任一项所述的一种路面病害程度识别方法。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现权利要求1～7任一项所述的一种路面病害程度识别方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210631233.6A CN114998796A (zh) | 2022-06-06 | 2022-06-06 | 一种路面病害程度识别方法、装置、计算机设备及介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210631233.6A CN114998796A (zh) | 2022-06-06 | 2022-06-06 | 一种路面病害程度识别方法、装置、计算机设备及介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114998796A true CN114998796A (zh) | 2022-09-02 |
Family
ID=83033413
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210631233.6A Pending CN114998796A (zh) | 2022-06-06 | 2022-06-06 | 一种路面病害程度识别方法、装置、计算机设备及介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114998796A (zh) |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20130169794A1 (en) * | 2011-12-28 | 2013-07-04 | Fujitsu Limited | Road surface inspection device, road surface inspection method and recording medium |
| CA3066752A1 (en) * | 2019-01-25 | 2020-07-25 | Fugro Roadware Inc. | High speed stereoscopic pavement surface scanning system and method |
| CN112184625A (zh) * | 2020-09-01 | 2021-01-05 | 燊赛(上海)智能科技有限公司 | 一种基于视频深度学习的路面缺陷识别方法和系统 |
| CN113139410A (zh) * | 2020-01-19 | 2021-07-20 | 杭州海康威视系统技术有限公司 | 路面检测方法、装置、设备及存储介质 |
| CN114283383A (zh) * | 2021-12-28 | 2022-04-05 | 河北工程技术学院 | 一种智慧城市公路养护方法、计算机设备及介质 |
| US20230256971A1 (en) * | 2020-07-28 | 2023-08-17 | Ception Technologies Ltd. | Roadway condition monitoring by detection of anomalies |
-
2022
- 2022-06-06 CN CN202210631233.6A patent/CN114998796A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20130169794A1 (en) * | 2011-12-28 | 2013-07-04 | Fujitsu Limited | Road surface inspection device, road surface inspection method and recording medium |
| CA3066752A1 (en) * | 2019-01-25 | 2020-07-25 | Fugro Roadware Inc. | High speed stereoscopic pavement surface scanning system and method |
| CN113139410A (zh) * | 2020-01-19 | 2021-07-20 | 杭州海康威视系统技术有限公司 | 路面检测方法、装置、设备及存储介质 |
| US20230256971A1 (en) * | 2020-07-28 | 2023-08-17 | Ception Technologies Ltd. | Roadway condition monitoring by detection of anomalies |
| CN112184625A (zh) * | 2020-09-01 | 2021-01-05 | 燊赛(上海)智能科技有限公司 | 一种基于视频深度学习的路面缺陷识别方法和系统 |
| CN114283383A (zh) * | 2021-12-28 | 2022-04-05 | 河北工程技术学院 | 一种智慧城市公路养护方法、计算机设备及介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN106203398B (zh) | 一种检测车道边界的方法、装置和设备 | |
| CN109284674B (zh) | 一种确定车道线的方法及装置 | |
| CN103699905B (zh) | 一种车牌定位方法及装置 | |
| Huang et al. | On-board vision system for lane recognition and front-vehicle detection to enhance driver's awareness | |
| JP2917661B2 (ja) | 交通流計測処理方法及び装置 | |
| CN108182383B (zh) | 一种车窗检测的方法及设备 | |
| CN109711264A (zh) | 一种公交车道占道检测方法及装置 | |
| CN107194393B (zh) | 一种检测临时车牌的方法及装置 | |
| CN109635733B (zh) | 基于视觉显著性和队列修正的停车场和车辆目标检测方法 | |
| Bedruz et al. | Real-time vehicle detection and tracking using a mean-shift based blob analysis and tracking approach | |
| CN106951898B (zh) | 一种车辆候选区域推荐方法及系统、电子设备 | |
| CN107909012B (zh) | 一种基于视差图的实时车辆跟踪检测方法与装置 | |
| CN110619279A (zh) | 一种基于跟踪的路面交通标志实例分割方法 | |
| CN112307989A (zh) | 路面物体识别方法、装置、计算机设备和存储介质 | |
| Abou Chacra et al. | Fully automated road defect detection using street view images | |
| CN109427191A (zh) | 一种行驶检测方法及装置 | |
| Azad et al. | New method for optimization of license plate recognition system with use of edge detection and connected component | |
| CN104915642A (zh) | 前方车辆测距方法及装置 | |
| CN110348307B (zh) | 一种起重机金属结构攀爬机器人的路径边缘识别方法及系统 | |
| Bulugu | Algorithm for license plate localization and recognition for tanzania car plate numbers | |
| Chen | Road vehicle recognition algorithm in safety assistant driving based on artificial intelligence | |
| CN114663859A (zh) | 灵敏准确的复杂路况车道偏移实时预警系统 | |
| KR101347886B1 (ko) | 도로 영역 및 기하학적 정보를 이용한 차로 인식 방법 및 장치 | |
| CN113903180A (zh) | 一种高速公路检测车辆超速的方法及系统 | |
| CN111860113A (zh) | 车道线检测方法及系统 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination |