CN115273479A - 基于图像处理的运维管理方法、装置、设备及存储介质 - Google Patents

基于图像处理的运维管理方法、装置、设备及存储介质 Download PDF

Info

Publication number
CN115273479A
CN115273479A CN202211138799.1A CN202211138799A CN115273479A CN 115273479 A CN115273479 A CN 115273479A CN 202211138799 A CN202211138799 A CN 202211138799A CN 115273479 A CN115273479 A CN 115273479A
Authority
CN
China
Prior art keywords
motor vehicle
violation
video
motor vehicles
data
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.)
Granted
Application number
CN202211138799.1A
Other languages
English (en)
Other versions
CN115273479B (zh
Inventor
薛翔华
李继海
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.)
Zhuhai Da Hengqin Development Co.,Ltd.
Original Assignee
Shenzhen Bokesi Intelligent 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 Shenzhen Bokesi Intelligent Co ltd filed Critical Shenzhen Bokesi Intelligent Co ltd
Priority to CN202211138799.1A priority Critical patent/CN115273479B/zh
Publication of CN115273479A publication Critical patent/CN115273479A/zh
Application granted granted Critical
Publication of CN115273479B publication Critical patent/CN115273479B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
    • G08G1/0125—Traffic data processing
    • G08G1/0133—Traffic data processing for classifying traffic situation
    • 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
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • 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
    • 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
    • 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
    • G06V20/49—Segmenting video sequences, i.e. computational techniques such as parsing or cutting the sequence, low-level clustering or determining units such as shots or scenes
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/50—Context or environment of the image
    • G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
    • G06V20/54—Surveillance or monitoring of activities, e.g. for recognising suspicious objects of traffic, e.g. cars on the road, trains or boats
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
    • G06V40/103—Static body considered as a whole, e.g. static pedestrian or occupant recognition
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
    • G08G1/0125—Traffic data processing
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/017—Detecting movement of traffic to be counted or controlled identifying vehicles
    • G08G1/0175—Detecting movement of traffic to be counted or controlled identifying vehicles by photographing vehicles, e.g. when violating traffic rules
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/052—Detecting movement of traffic to be counted or controlled with provision for determining speed or overspeed
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V2201/00—Indexing scheme relating to image or video recognition or understanding
    • G06V2201/07—Target detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V2201/00—Indexing scheme relating to image or video recognition or understanding
    • G06V2201/08—Detecting or categorising vehicles

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Multimedia (AREA)
  • Computing Systems (AREA)
  • Evolutionary Computation (AREA)
  • Databases & Information Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Analytical Chemistry (AREA)
  • Chemical & Material Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Human Computer Interaction (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明涉及运维管理领域，公开了一种基于图像处理的运维管理方法、装置、设备及存储介质，用于提高路口交通运维管理的效率。所述方法包括：根据第一图像集对目标监测路口进行机动车辆流量分析，得到目标监测路口的机动车流量数据；根据第二信号数据分别对第一图像集中的多个机动车辆进行行驶路径检测，得到每个机动车辆的行驶路径，并根据每个机动车辆的行驶路径对多个机动车辆进行机动车辆违章分析，得到第一违章分析结果；根据第二信号数据分别对第二图像集中的多个行人和非机动车辆进行行人和非机动车辆违章分析，得到第二违章分析结果；根据机动车流量数据、第一违章分析结果和第二违章分析结果生成目标监测路口对应的运维管理策略。

Description

基于图像处理的运维管理方法、装置、设备及存储介质
技术领域
本发明涉及运维管理领域，尤其涉及一种基于图像处理的运维管理方法、装置、设备及存储介质。
背景技术
城市道路错综复杂，产生了许许多多的交通路口，这些交通路口既要保障机动车行驶时的畅通，又要保证行人和非机动车辆的安全，通过对路口行驶机动车、非机动车、行人的违章行为进行自动检测，完成对违章过程的自动记录并予以处罚，这些工作通常由路口设置的智能通信防护箱完成。为了直观地了解当前路口的交通情况，通常在路口安装智能通信防护箱。
但是由于智能通信防护箱在面对车流量大和行人过多的情况时导致故障点多，使得路口交通的运维管理效率较低。
发明内容
本发明提供了一种基于图像处理的运维管理方法、装置、设备及存储介质，用于提高路口交通运维管理的效率。
本发明第一方面提供了一种基于图像处理的运维管理方法，所述基于图像处理的运维管理方法包括：基于智能通信防护箱中预设的图像采集终端采集目标监测路口的第一视频数据并获取所述目标监测路口的第一信号数据，以及对所述第一视频数据和所述第一信号数据进行预处理，得到第二视频数据和第二信号数据；对所述第二视频数据进行视频图像分割，得到多个视频监控图像，并分别提取所述多个视频监控图像中的多个机动车辆以及多个行人和非机动车辆；根据所述多个机动车辆以及所述多个行人和非机动车辆对所述多个视频监控图像进行图像数据集分类，得到第一图像集和第二图像集；根据所述第一图像集对所述目标监测路口进行机动车辆流量分析，得到所述目标监测路口的机动车流量数据；根据所述第二信号数据分别对所述第一图像集中的多个机动车辆进行行驶路径检测，得到每个机动车辆的行驶路径，并根据每个机动车辆的行驶路径对所述多个机动车辆进行机动车辆违章分析，得到第一违章分析结果；根据所述第二信号数据分别对所述第二图像集中的多个行人和非机动车辆进行行人和非机动车辆违章分析，得到第二违章分析结果；根据所述机动车流量数据、所述第一违章分析结果和所述第二违章分析结果生成所述目标监测路口对应的运维管理策略。
可选的，在本发明第一方面的第一种实现方式中，所述基于智能通信防护箱中预设的图像采集终端采集目标监测路口的第一视频数据并获取所述目标监测路口的第一信号数据，以及对所述第一视频数据和所述第一信号数据进行预处理，得到第二视频数据和第二信号数据，包括：基于智能通信防护箱中预设的图像实时拍摄终端采集目标监测路口的第一视频数据，并从预置的交通信号数据库中匹配与所述第一视频数据同一时段的交通信号数据，得到第一信号数据；获取所述第一视频数据对应的视频延迟时间，并根据所述视频延迟时间对所述第一信号数据进行时间轴提前处理，得到标准信号数据；对所述第一视频数据和所述标准信号数据进行预处理，得到第二视频数据和第二信号数据。
可选的，在本发明第一方面的第二种实现方式中，所述对所述第二视频数据进行视频图像分割，得到多个视频监控图像，并分别提取所述多个视频监控图像中的多个机动车辆以及多个行人和非机动车辆，包括：调用预置的视频分帧工具对所述第二视频数据依次进行图像分割，得到多个视频监控图像；将所述多个视频监控图像输入预置的机动车识别模型进行机动车识别，得到多个机动车辆；将所述多个视频监控图像输入预置的行人和非机动车识别模型进行行人和非机动车识别，得到多个行人和非机动车辆。
可选的，在本发明第一方面的第三种实现方式中，所述根据所述第一图像集对所述目标监测路口进行机动车辆流量分析，得到所述目标监测路口的机动车流量数据，包括：计算所述第一图像集中的每个机动车辆通过所述目标监测路口的通过时间；获取所述目标监测路口的路口长度，并根据所述路口长度和所述通过时间计算每个机动车辆的通过速度；根据所述通过速度计算单位时间内所述目标监测路口的机动车流量，得到机动车流量数据。
可选的，在本发明第一方面的第四种实现方式中，所述根据所述第二信号数据分别对所述第一图像集中的多个机动车辆进行行驶路径检测，得到每个机动车辆的行驶路径，并根据每个机动车辆的行驶路径对所述多个机动车辆进行机动车辆违章分析，得到第一违章分析结果，包括：调用预置的路径检测模型对所述第一图像集中的多个机动车辆进行机动车辆行驶路径检测，生成每个机动车辆的行驶路径；基于每个机动车辆的行驶路径确定所述多个机动车辆中的违章车辆；对所述违章车辆进行机动车辆违章分析，得到第一违章分析结果。
可选的，在本发明第一方面的第五种实现方式中，所述根据所述第二信号数据分别对所述第二图像集中的多个行人和非机动车辆进行行人和非机动车辆违章分析，得到第二违章分析结果，包括：根据所述第二信号数据对所述第二图像集中的多个行人进行闯红灯违章识别，得到行人违章结果；对所述非机动车辆进行违章载人识别，得到非机动车辆违章结果；根据所述行人违章结果和所述非机动车辆违章结果生成第二违章分析结果。
可选的，在本发明第一方面的第六种实现方式中，所述根据所述机动车流量数据、所述第一违章分析结果和所述第二违章分析结果生成所述目标监测路口对应的运维管理策略，包括：根据所述机动车流量数据生成所述目标监测路口的交通繁忙等级；根据所述第一违章分析结果和所述第二违章分析结果生成违章处罚方案；将所述交通繁忙等级和所述违章处罚方案作为运维管理策略并输出。
本发明第二方面提供了一种基于图像处理的运维管理装置，所述基于图像处理的运维管理装置包括：采集模块，用于基于智能通信防护箱中预设的图像采集终端采集目标监测路口的第一视频数据并获取所述目标监测路口的第一信号数据，以及对所述第一视频数据和所述第一信号数据进行预处理，得到第二视频数据和第二信号数据；提取模块，用于对所述第二视频数据进行视频图像分割，得到多个视频监控图像，并分别提取所述多个视频监控图像中的多个机动车辆以及多个行人和非机动车辆；分类模块，用于根据所述多个机动车辆以及所述多个行人和非机动车辆对所述多个视频监控图像进行图像数据集分类，得到第一图像集和第二图像集；分析模块，用于根据所述第一图像集对所述目标监测路口进行机动车辆流量分析，得到所述目标监测路口的机动车流量数据；检测模块，用于根据所述第二信号数据分别对所述第一图像集中的多个机动车辆进行行驶路径检测，得到每个机动车辆的行驶路径，并根据每个机动车辆的行驶路径对所述多个机动车辆进行机动车辆违章分析，得到第一违章分析结果；处理模块，用于根据所述第二信号数据分别对所述第二图像集中的多个行人和非机动车辆进行行人和非机动车辆违章分析，得到第二违章分析结果；生成模块，用于根据所述机动车流量数据、所述第一违章分析结果和所述第二违章分析结果生成所述目标监测路口对应的运维管理策略。
可选的，在本发明第二方面的第一种实现方式中，所述采集模块具体用于：基于智能通信防护箱中预设的图像实时拍摄终端采集目标监测路口的第一视频数据，并从预置的交通信号数据库中匹配与所述第一视频数据同一时段的交通信号数据，得到第一信号数据；获取所述第一视频数据对应的视频延迟时间，并根据所述视频延迟时间对所述第一信号数据进行时间轴提前处理，得到标准信号数据；对所述第一视频数据和所述标准信号数据进行预处理，得到第二视频数据和第二信号数据。
可选的，在本发明第二方面的第二种实现方式中，所述提取模块具体用于：调用预置的视频分帧工具对所述第二视频数据依次进行图像分割，得到多个视频监控图像；将所述多个视频监控图像输入预置的机动车识别模型进行机动车识别，得到多个机动车辆；将所述多个视频监控图像输入预置的行人和非机动车识别模型进行行人和非机动车识别，得到多个行人和非机动车辆。
可选的，在本发明第二方面的第三种实现方式中，所述分析模块具体用于：计算所述第一图像集中的每个机动车辆通过所述目标监测路口的通过时间；获取所述目标监测路口的路口长度，并根据所述路口长度和所述通过时间计算每个机动车辆的通过速度；根据所述通过速度计算单位时间内所述目标监测路口的机动车流量，得到机动车流量数据。
可选的，在本发明第二方面的第四种实现方式中，所述检测模块具体用于：调用预置的路径检测模型对所述第一图像集中的多个机动车辆进行机动车辆行驶路径检测，生成每个机动车辆的行驶路径；基于每个机动车辆的行驶路径确定所述多个机动车辆中的违章车辆；对所述违章车辆进行机动车辆违章分析，得到第一违章分析结果。
可选的，在本发明第二方面的第五种实现方式中，所述处理模块具体用于：根据所述第二信号数据对所述第二图像集中的多个行人进行闯红灯违章识别，得到行人违章结果；对所述非机动车辆进行违章载人识别，得到非机动车辆违章结果；根据所述行人违章结果和所述非机动车辆违章结果生成第二违章分析结果。
可选的，在本发明第二方面的第六种实现方式中，所述生成模块具体用于：根据所述机动车流量数据生成所述目标监测路口的交通繁忙等级；根据所述第一违章分析结果和所述第二违章分析结果生成违章处罚方案；将所述交通繁忙等级和所述违章处罚方案作为运维管理策略并输出。
本发明第三方面提供了一种基于图像处理的运维管理设备，包括：存储器和至少一个处理器，所述存储器中存储有指令；所述至少一个处理器调用所述存储器中的所述指令，以使得所述基于图像处理的运维管理设备执行上述的基于图像处理的运维管理方法。
本发明的第四方面提供了一种计算机可读存储介质，所述计算机可读存储介质中存储有指令，当其在计算机上运行时，使得计算机执行上述的基于图像处理的运维管理方法。
本发明提供的技术方案中，基于智能通信防护箱中预设的图像采集终端采集目标监测路口的第一视频数据并获取所述目标监测路口的第一信号数据，以及对所述第一视频数据和所述第一信号数据进行预处理，得到第二视频数据和第二信号数据；对所述第二视频数据进行视频图像分割，得到多个视频监控图像，并分别提取所述多个视频监控图像中的多个机动车辆以及多个行人和非机动车辆；根据所述多个机动车辆以及所述多个行人和非机动车辆对所述多个视频监控图像进行图像数据集分类，得到第一图像集和第二图像集；根据所述第一图像集对所述目标监测路口进行机动车辆流量分析，得到所述目标监测路口的机动车流量数据；根据所述第二信号数据分别对所述第一图像集中的多个机动车辆进行行驶路径检测，得到每个机动车辆的行驶路径，并根据每个机动车辆的行驶路径对所述多个机动车辆进行机动车辆违章分析，得到第一违章分析结果；根据所述第二信号数据分别对所述第二图像集中的多个行人和非机动车辆进行行人和非机动车辆违章分析，得到第二违章分析结果；根据所述机动车流量数据、所述第一违章分析结果和所述第二违章分析结果生成所述目标监测路口对应的运维管理策略。本发明通过在目标监测路口设置的智能通信防护箱采集路口的视频监控数据，对视频监控数据中的机动车、行人和非机动车进行分别监测，最后输出运维管理策略，提高了路口交通运维管理的效率。
附图说明
图1为本发明实施例中基于图像处理的运维管理方法的一个实施例示意图；
图2为本发明实施例中基于图像处理的运维管理方法的另一个实施例示意图；
图3为本发明实施例中基于图像处理的运维管理装置的一个实施例示意图；
图4为本发明实施例中基于图像处理的运维管理设备的一个实施例示意图。
具体实施方式
本发明实施例提供了一种基于图像处理的运维管理方法、装置、设备及存储介质，用于提高路口交通运维管理的效率。本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等（如果存在）是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的实施例能够以除了在这里图示或描述的内容以外的顺序实施。此外，术语“包括”或“具有”及其任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
为便于理解，下面对本发明实施例的具体流程进行描述，请参阅图1，本发明实施例中基于图像处理的运维管理方法的一个实施例包括：
101、基于智能通信防护箱中预设的图像采集终端采集目标监测路口的第一视频数据并获取目标监测路口的第一信号数据，以及对第一视频数据和第一信号数据进行预处理，得到第二视频数据和第二信号数据；
可以理解的是，本发明的执行主体可以为基于图像处理的运维管理装置，还可以是终端或者服务器，具体此处不做限定。本发明实施例以服务器为执行主体为例进行说明。
需要说明的是，智能通信防护箱中的预设图像采集终端可以为高清摄像机，该图像采集终端采用后端轮巡的方式对摄像机视频画面质量和抓拍图片质量进行二次分析，可以检测24种视频质量故障，其中，诊断内容包括信号缺失异常、模糊异常、亮度异常、彩色条纹干扰、普通噪声/雪花干扰、偏色异常、画面冻结异常、场景变换异常、异物遮挡异常、PTZ镜头缩放异常、DVR冻结异常、树叶遮挡、黑白异常、人为遮挡、过暗异常、对比度异常、粗黑白条纹异常、抖动异常、PTZ运动速度异常、网络丢包异常、PTZ运动角度异常、视频标注异常、细黑白条纹异常和场景剧变异常。进一步地，由于采集到的第一视频数据和目标监测路口的第一信号数据之间会产生几秒钟的延迟时间，所以需要对第一视频数据和第一信号数据进行预处理，预处理的目的是为了消除由于视频延迟带来的违章误判，提高了交通运维管理的准确率。
102、对第二视频数据进行视频图像分割，得到多个视频监控图像，并分别提取多个视频监控图像中的多个机动车辆以及多个行人和非机动车辆；
具体的，通过FFmpeg框架对第二视频数据进行视频图像分割，该FFmpeg框架包括编码器和解码器，通过编码器和解码器对第二视频数据进行视频编码和解码，从而实现对第二视频数据的分帧，得到的初始视频图像噪点较多，因此需要对初始视频图像进行去除噪点，即降噪，再进行对比度增强、亮度和饱和度调整得到的多个视频监控图像更加清晰，使的后续进行检测时的识别度更高。然后通过预先训练好的目标检测模型分别对视频监控图像中的机动车辆、行人和非机动车辆进行识别，得到多个视频监控图像中的多个机动车辆以及多个行人和非机动车辆。
103、根据多个机动车辆以及多个行人和非机动车辆对多个视频监控图像进行图像数据集分类，得到第一图像集和第二图像集；
具体的，根据多个机动车辆以及多个行人和非机动车辆对多个视频监控图像进行图像数据集分类，也就是将带有机动车辆的视频监控图像生成第一图像集，将带有行人和非机动车辆的视频监控图像生成第二图像集。此外，对于视频监控图像中机动车辆、行人和非机动车辆都存在的图像，将这种图像存放在第一图像集和第二图像集中。
104、根据第一图像集对目标监测路口进行机动车辆流量分析，得到目标监测路口的机动车流量数据；
具体的，根据第一图像集对目标监测路口进行机动车辆流量分析，其中，机动车辆流浪分析首先计算机动车辆通过目标监测路口的通过时间，再获取路口长度，并根据路口长度和通过时间计算每个机动车辆的通过速度；根据通过速度计算单位时间内目标监测路口的机动车流量，得到机动车流量数据。每一个路口都预先设置有路口车辆流量的阈值，超过该阈值时路口就会发生拥堵，所以本实施例中需要对机动车流量数据进行监控。
105、根据第二信号数据分别对第一图像集中的多个机动车辆进行行驶路径检测，得到每个机动车辆的行驶路径，并根据每个机动车辆的行驶路径对多个机动车辆进行机动车辆违章分析，得到第一违章分析结果；
具体的，调用预置的路径检测模型对第一图像集中的多个机动车辆进行机动车辆行驶路径检测，生成每个机动车辆的行驶路径，其中，该路径检测模型根据机动车辆在所述图像中的位置跟踪机动车辆的路径，得到每个机动车辆的行驶路径，然后根据每个机动车辆的行驶路径和道路上预先规划的路线指示对多个机动车辆进行机动车辆违章分析，得到第一违章分析结果。
106、根据第二信号数据分别对第二图像集中的多个行人和非机动车辆进行行人和非机动车辆违章分析，得到第二违章分析结果；
具体的，根据第二信号数据对第二图像集中的多个行人进行闯红灯违章识别，得到行人违章结果；对非机动车辆进行违章载人识别，得到非机动车辆违章结果，其中，对行人识别时采用行人动态识别模型，该行人动态识别模型是基于目标检测模型训练的一种可以跟踪行人移动的神经网络模型；对非机动车辆识别采用的是MASK R-CNN模型，MASK R-CNN模型可以有效检测非机动车辆在行驶过程中是否有载人的情况，最后根据行人违章结果和非机动车辆违章结果生成第二违章分析结果。
107、根据机动车流量数据、第一违章分析结果和第二违章分析结果生成目标监测路口对应的运维管理策略。
具体的，根据机动车流量数据生成目标监测路口的交通繁忙等级；根据第一违章分析结果和第二违章分析结果生成违章处罚方案；将交通繁忙等级和违章处罚方案作为运维管理策略并输出。将运维管理策略发送至管理终端，管理人员可以根据该运维管理策略进行道路管控，如果该运维管理策略与实际情况偏差较大，可以对运维设备的参数进行调整，根据每个路口的实际情况不同设置不同的告警值，然后生成对应的调整运维管理策略。
本发明实施例中，基于智能通信防护箱中预设的图像采集终端采集目标监测路口的第一视频数据并获取目标监测路口的第一信号数据，以及对第一视频数据和第一信号数据进行预处理，得到第二视频数据和第二信号数据；对第二视频数据进行视频图像分割，得到多个视频监控图像，并分别提取多个视频监控图像中的多个机动车辆以及多个行人和非机动车辆；根据多个机动车辆以及多个行人和非机动车辆对多个视频监控图像进行图像数据集分类，得到第一图像集和第二图像集；根据第一图像集对目标监测路口进行机动车辆流量分析，得到目标监测路口的机动车流量数据；根据第二信号数据分别对第一图像集中的多个机动车辆进行行驶路径检测，得到每个机动车辆的行驶路径，并根据每个机动车辆的行驶路径对多个机动车辆进行机动车辆违章分析，得到第一违章分析结果；根据第二信号数据分别对第二图像集中的多个行人和非机动车辆进行行人和非机动车辆违章分析，得到第二违章分析结果；根据机动车流量数据、第一违章分析结果和第二违章分析结果生成目标监测路口对应的运维管理策略。本发明通过在目标监测路口设置的智能通信防护箱采集路口的视频监控数据，对视频监控数据中的机动车、行人和非机动车进行分别监测，最后输出运维管理策略，提高了路口交通运维管理的效率。
请参阅图2，本发明实施例中基于图像处理的运维管理方法的另一个实施例包括：
201、基于智能通信防护箱中预设的图像采集终端采集目标监测路口的第一视频数据并获取目标监测路口的第一信号数据，以及对第一视频数据和第一信号数据进行预处理，得到第二视频数据和第二信号数据；
具体的，基于智能通信防护箱中预设的图像实时拍摄终端采集目标监测路口的第一视频数据，并从预置的交通信号数据库中匹配与第一视频数据同一时段的交通信号数据，得到第一信号数据；获取第一视频数据对应的视频延迟时间，并根据视频延迟时间对第一信号数据进行时间轴提前处理，得到标准信号数据；对第一视频数据和标准信号数据进行预处理，得到第二视频数据和第二信号数据。
202、调用预置的视频分帧工具对第二视频数据依次进行图像分割，得到多个视频监控图像；
具体的，该视频分帧工具可以为FFmpeg框架，该视频分帧工具包括编码器和解码器，通过编码器和解码器对第二视频数据进行视频编码和解码，从而实现对第二视频数据分帧，得到多个视频监控图像，使的后续进行检测时的识别度更高。
203、将多个视频监控图像输入预置的机动车识别模型进行机动车识别，得到多个机动车辆；
具体的，该机动车识别模型可以为目标检测模型，机动车识别模型包括Darknet-53网络、Batch NonIlalization层、LeakyReLU层和卷积层；通过Darknet-53网络卷积得到的最后的特征图大小为26*26，这里将最后一个卷积层得到的特征图与最后一个池化层得到的特征图进行全局特征融合，将特征图大小从26*26叠加为13*13，并增加其通道数目；在Darknet-53网络后面都跟随一个Batch NonIlalization层，增加网络的泛化能力，增加训练数据对训练网络的适应程度，然后再输入下一个卷积层或者池化层，如此既可提升模型的收敛性，减少对正则化的依赖，又可防止过拟合，提升模型的检测效率。
204、将多个视频监控图像输入预置的行人和非机动车识别模型进行行人和非机动车识别，得到多个行人和非机动车辆；
具体的，行人和非机动车识别模型采用行人动态识别模型和MASK R-CNN模型组合识别，行人动态识别模型是基于步骤203中的目标检测模型采用行人数据集训练得到的具备对行人进行特异性识别的检测模型。MASK R-CNN模型包括目标特征提取网络、RPN网络、ROI Align层和FCN网络，通过目标特征提取网络提取视频监控图像的目标特征图；将目标特征图输入RPN网络中，以供通过RPN网络根据预置锚框信息，生成目标特征图对应的预选框；将预选框和目标特征图输入ROI Align层，以供通过ROI Align层对将预选框和目标特征图融合，并对预选框进行分割和端点的池化，得到标注特征图；将标注特征图输入FCN网络，以供通过FCN网络对标注特征图的各个像素点进行预测，得到非机动车辆。
205、根据多个机动车辆以及多个行人和非机动车辆对多个视频监控图像进行图像数据集分类，得到第一图像集和第二图像集；
具体的，根据多个机动车辆以及多个行人和非机动车辆对多个视频监控图像进行图像数据集分类，也就是将带有机动车辆的视频监控图像生成第一图像集，将带有行人和非机动车辆的视频监控图像生成第二图像集。此外，对于视频监控图像中机动车辆、行人和非机动车辆都存在的图像，将这种图像存放在第一图像集和第二图像集中。
206、根据第一图像集对目标监测路口进行机动车辆流量分析，得到目标监测路口的机动车流量数据；
具体的，计算第一图像集中的每个机动车辆通过目标监测路口的通过时间；获取目标监测路口的路口长度，并根据路口长度和通过时间计算每个机动车辆的通过速度；根据通过速度计算单位时间内目标监测路口的机动车流量，得到机动车流量数据。根据第一图像集对目标监测路口进行机动车辆流量分析，其中，机动车辆流浪分析首先计算机动车辆通过目标监测路口的通过时间，再获取路口长度，并根据路口长度和通过时间计算每个机动车辆的通过速度；根据通过速度计算单位时间内目标监测路口的机动车流量，得到机动车流量数据。每一个路口都预先设置有路口车辆流量的阈值，超过该阈值时路口就会发生拥堵，所以本实施例中需要对机动车流量数据进行监控。
207、根据第二信号数据分别对第一图像集中的多个机动车辆进行行驶路径检测，得到每个机动车辆的行驶路径，并根据每个机动车辆的行驶路径对多个机动车辆进行机动车辆违章分析，得到第一违章分析结果；
具体的，调用预置的路径检测模型对第一图像集中的多个机动车辆进行机动车辆行驶路径检测，生成每个机动车辆的行驶路径；基于每个机动车辆的行驶路径确定多个机动车辆中的违章车辆；对违章车辆进行机动车辆违章分析，得到第一违章分析结果。其中，机动车辆行驶路径检测的过程包括：从第一图像集中识别出同一机动车辆的相关图像，然后根据这些相关图像识别该机动车辆的已有路径，根据该机动车辆的已有路径估计该机动车辆在当前帧图像中的参考位置框；对于该机动车辆在第一图像集中的当前帧图像中的参考位置框，分别计算该参考位置框与在当前帧图像中检测出的每个目标框的交并比；根据该参考位置框与在当前帧图像中检测出的每个目标框的交并比，在当前帧图像中检测出的所有目标框中寻找该参考位置框的匹配目标框；若未寻找到该参考位置框的匹配目标框，则认为该机动车辆在当前帧图像中没有出现，且若该机动车辆连续在预设目标值的图像中没有出现，则认为该机动车辆的路径完结；若寻找到该参考位置框的匹配目标框，则根据该匹配目标框的位置更新路径集合中的该机动车辆的路径，若寻找到该参考位置框的匹配目标框，对于在当前帧图像中检测出的任一目标框，若该目标框未与任一机动车辆在当前帧图像中的参考位置框匹配上，则将该目标框作为新的机动车辆，并将该目标框的位置作为该机动车辆的路径的第一个路径点的位置，生成每个机动车辆的行驶路径，然后根据每个机动车辆的行驶路径判断车辆是否压线、闯红灯等违章行为，得到第一违章分析结果。
208、根据第二信号数据分别对第二图像集中的多个行人和非机动车辆进行行人和非机动车辆违章分析，得到第二违章分析结果；
具体的，根据第二信号数据对第二图像集中的多个行人进行闯红灯违章识别，得到行人违章结果，行人的违章主要是闯红灯行为，因此需要将图像中的多个行人和第二信号数据相结合进行对比分析，得到行人违章结果；对非机动车辆进行违章载人识别，得到非机动车辆违章结果，如果第二图像集中的非机动车辆存在载人的情况，确定该非机动车违章，得到非机动车违章结果；根据行人违章结果和非机动车辆违章结果生成第二违章分析结果。
209、根据机动车流量数据、第一违章分析结果和第二违章分析结果生成目标监测路口对应的运维管理策略。
具体的，根据机动车流量数据生成目标监测路口的交通繁忙等级，根据该交通繁忙等级采用与等级相匹配的交通疏导策略；根据第一违章分析结果和第二违章分析结果生成违章处罚方案；将交通繁忙等级和违章处罚方案作为运维管理策略并输出。
本发明实施例中，基于智能通信防护箱中预设的图像采集终端采集目标监测路口的第一视频数据并获取目标监测路口的第一信号数据，以及对第一视频数据和第一信号数据进行预处理，得到第二视频数据和第二信号数据；对第二视频数据进行视频图像分割，得到多个视频监控图像，并分别提取多个视频监控图像中的多个机动车辆以及多个行人和非机动车辆；根据多个机动车辆以及多个行人和非机动车辆对多个视频监控图像进行图像数据集分类，得到第一图像集和第二图像集；根据第一图像集对目标监测路口进行机动车辆流量分析，得到目标监测路口的机动车流量数据；根据第二信号数据分别对第一图像集中的多个机动车辆进行行驶路径检测，得到每个机动车辆的行驶路径，并根据每个机动车辆的行驶路径对多个机动车辆进行机动车辆违章分析，得到第一违章分析结果；根据第二信号数据分别对第二图像集中的多个行人和非机动车辆进行行人和非机动车辆违章分析，得到第二违章分析结果；根据机动车流量数据、第一违章分析结果和第二违章分析结果生成目标监测路口对应的运维管理策略。本发明通过在目标监测路口设置的智能通信防护箱采集路口的视频监控数据，对视频监控数据中的机动车、行人和非机动车进行分别监测，最后输出运维管理策略，提高了路口交通运维管理的效率。
上面对本发明实施例中基于图像处理的运维管理方法进行了描述，下面对本发明实施例中基于图像处理的运维管理装置进行描述，请参阅图3，本发明实施例中基于图像处理的运维管理装置一个实施例包括：
采集模块301，用于基于智能通信防护箱中预设的图像采集终端采集目标监测路口的第一视频数据并获取所述目标监测路口的第一信号数据，以及对所述第一视频数据和所述第一信号数据进行预处理，得到第二视频数据和第二信号数据；
提取模块302，用于对所述第二视频数据进行视频图像分割，得到多个视频监控图像，并分别提取所述多个视频监控图像中的多个机动车辆以及多个行人和非机动车辆；
分类模块303，用于根据所述多个机动车辆以及所述多个行人和非机动车辆对所述多个视频监控图像进行图像数据集分类，得到第一图像集和第二图像集；
分析模块304，用于根据所述第一图像集对所述目标监测路口进行机动车辆流量分析，得到所述目标监测路口的机动车流量数据；
检测模块305，用于根据所述第二信号数据分别对所述第一图像集中的多个机动车辆进行行驶路径检测，得到每个机动车辆的行驶路径，并根据每个机动车辆的行驶路径对所述多个机动车辆进行机动车辆违章分析，得到第一违章分析结果；
处理模块306，用于根据所述第二信号数据分别对所述第二图像集中的多个行人和非机动车辆进行行人和非机动车辆违章分析，得到第二违章分析结果；
生成模块307，用于根据所述机动车流量数据、所述第一违章分析结果和所述第二违章分析结果生成所述目标监测路口对应的运维管理策略。
可选的，所述采集模块301具体用于：基于智能通信防护箱中预设的图像实时拍摄终端采集目标监测路口的第一视频数据，并从预置的交通信号数据库中匹配与所述第一视频数据同一时段的交通信号数据，得到第一信号数据；获取所述第一视频数据对应的视频延迟时间，并根据所述视频延迟时间对所述第一信号数据进行时间轴提前处理，得到标准信号数据；对所述第一视频数据和所述标准信号数据进行预处理，得到第二视频数据和第二信号数据。
可选的，所述提取模块302具体用于：调用预置的视频分帧工具对所述第二视频数据依次进行图像分割，得到多个视频监控图像；将所述多个视频监控图像输入预置的机动车识别模型进行机动车识别，得到多个机动车辆；将所述多个视频监控图像输入预置的行人和非机动车识别模型进行行人和非机动车识别，得到多个行人和非机动车辆。
可选的，所述分析模块304具体用于：计算所述第一图像集中的每个机动车辆通过所述目标监测路口的通过时间；获取所述目标监测路口的路口长度，并根据所述路口长度和所述通过时间计算每个机动车辆的通过速度；根据所述通过速度计算单位时间内所述目标监测路口的机动车流量，得到机动车流量数据。
可选的，所述检测模块304具体用于：调用预置的路径检测模型对所述第一图像集中的多个机动车辆进行机动车辆行驶路径检测，生成每个机动车辆的行驶路径；基于每个机动车辆的行驶路径确定所述多个机动车辆中的违章车辆；对所述违章车辆进行机动车辆违章分析，得到第一违章分析结果。
可选的，所述处理模块306具体用于：根据所述第二信号数据对所述第二图像集中的多个行人进行闯红灯违章识别，得到行人违章结果；对所述非机动车辆进行违章载人识别，得到非机动车辆违章结果；根据所述行人违章结果和所述非机动车辆违章结果生成第二违章分析结果。
可选的，所述生成模块307具体用于：根据所述机动车流量数据生成所述目标监测路口的交通繁忙等级；根据所述第一违章分析结果和所述第二违章分析结果生成违章处罚方案；将所述交通繁忙等级和所述违章处罚方案作为运维管理策略并输出。
本发明实施例中，基于智能通信防护箱中预设的图像采集终端采集目标监测路口的第一视频数据并获取所述目标监测路口的第一信号数据，以及对所述第一视频数据和所述第一信号数据进行预处理，得到第二视频数据和第二信号数据；对所述第二视频数据进行视频图像分割，得到多个视频监控图像，并分别提取所述多个视频监控图像中的多个机动车辆以及多个行人和非机动车辆；根据所述多个机动车辆以及所述多个行人和非机动车辆对所述多个视频监控图像进行图像数据集分类，得到第一图像集和第二图像集；根据所述第一图像集对所述目标监测路口进行机动车辆流量分析，得到所述目标监测路口的机动车流量数据；根据所述第二信号数据分别对所述第一图像集中的多个机动车辆进行行驶路径检测，得到每个机动车辆的行驶路径，并根据每个机动车辆的行驶路径对所述多个机动车辆进行机动车辆违章分析，得到第一违章分析结果；根据所述第二信号数据分别对所述第二图像集中的多个行人和非机动车辆进行行人和非机动车辆违章分析，得到第二违章分析结果；根据所述机动车流量数据、所述第一违章分析结果和所述第二违章分析结果生成所述目标监测路口对应的运维管理策略。本发明通过在目标监测路口设置的智能通信防护箱采集路口的视频监控数据，对视频监控数据中的机动车、行人和非机动车进行分别监测，最后输出运维管理策略，提高了路口交通运维管理的效率。
上面图3从模块化功能实体的角度对本发明实施例中的基于图像处理的运维管理装置进行详细描述，下面从硬件处理的角度对本发明实施例中基于图像处理的运维管理设备进行详细描述。
图4是本发明实施例提供的一种基于图像处理的运维管理设备的结构示意图，该基于图像处理的运维管理设备400可因配置或性能不同而产生比较大的差异，可以包括一个或一个以上处理器（central processing units，CPU）410（例如，一个或一个以上处理器）和存储器420，一个或一个以上存储应用程序433或数据432的存储介质430（例如一个或一个以上海量存储设备）。其中，存储器420和存储介质430可以是短暂存储或持久存储。存储在存储介质430的程序可以包括一个或一个以上模块（图示没标出），每个模块可以包括对基于图像处理的运维管理设备400中的一系列指令操作。更进一步地，处理器410可以设置为与存储介质430通信，在基于图像处理的运维管理设备400上执行存储介质430中的一系列指令操作。
基于图像处理的运维管理设备400还可以包括一个或一个以上电源440，一个或一个以上有线或无线网络接口450，一个或一个以上输入输出接口460，和/或，一个或一个以上操作系统431，例如Windows Serve，Mac OS X，Unix，Linux，FreeBSD等等。本领域技术人员可以理解，图4示出的基于图像处理的运维管理设备结构并不构成对基于图像处理的运维管理设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。
本发明还提供一种基于图像处理的运维管理设备，所述基于图像处理的运维管理设备包括存储器和处理器，存储器中存储有计算机可读指令，计算机可读指令被处理器执行时，使得处理器执行上述各实施例中的所述基于图像处理的运维管理方法的步骤。
本发明还提供一种计算机可读存储介质，该计算机可读存储介质可以为非易失性计算机可读存储介质，该计算机可读存储介质也可以为易失性计算机可读存储介质，所述计算机可读存储介质中存储有指令，当所述指令在计算机上运行时，使得计算机执行所述基于图像处理的运维管理方法的步骤。
进一步地，计算机可读存储介质可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序等；存储数据区可存储根据区块链节点的使用所创建的数据等。
本发明所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(Blockchain)，本质上是一个去中心化的数据库，是一串使用密码学方法相关联产生的数据块，每一个数据块中包含了一批次网络交易的信息，用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统，装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，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，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或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，服务器，或者网络设备等）执行本发明各个实施例所述方法的全部或部分步骤。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）、随机存取存储器（random access memory，RAM）、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述，以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (10)

1.一种基于图像处理的运维管理方法，其特征在于，所述基于图像处理的运维管理方法包括：
基于智能通信防护箱中预设的图像采集终端采集目标监测路口的第一视频数据并获取所述目标监测路口的第一信号数据，以及对所述第一视频数据和所述第一信号数据进行预处理，得到第二视频数据和第二信号数据；
对所述第二视频数据进行视频图像分割，得到多个视频监控图像，并分别提取所述多个视频监控图像中的多个机动车辆以及多个行人和非机动车辆；
根据所述多个机动车辆以及所述多个行人和非机动车辆对所述多个视频监控图像进行图像数据集分类，得到第一图像集和第二图像集；
根据所述第一图像集对所述目标监测路口进行机动车辆流量分析，得到所述目标监测路口的机动车流量数据；
根据所述第二信号数据分别对所述第一图像集中的多个机动车辆进行行驶路径检测，得到每个机动车辆的行驶路径，并根据每个机动车辆的行驶路径对所述多个机动车辆进行机动车辆违章分析，得到第一违章分析结果；
根据所述第二信号数据分别对所述第二图像集中的多个行人和非机动车辆进行行人和非机动车辆违章分析，得到第二违章分析结果；
根据所述机动车流量数据、所述第一违章分析结果和所述第二违章分析结果生成所述目标监测路口对应的运维管理策略。
2.根据权利要求1所述的基于图像处理的运维管理方法，其特征在于，所述基于智能通信防护箱中预设的图像采集终端采集目标监测路口的第一视频数据并获取所述目标监测路口的第一信号数据，以及对所述第一视频数据和所述第一信号数据进行预处理，得到第二视频数据和第二信号数据，包括：
基于智能通信防护箱中预设的图像实时拍摄终端采集目标监测路口的第一视频数据，并从预置的交通信号数据库中匹配与所述第一视频数据同一时段的交通信号数据，得到第一信号数据；
获取所述第一视频数据对应的视频延迟时间，并根据所述视频延迟时间对所述第一信号数据进行时间轴提前处理，得到标准信号数据；
对所述第一视频数据和所述标准信号数据进行预处理，得到第二视频数据和第二信号数据。
3.根据权利要求1所述的基于图像处理的运维管理方法，其特征在于，所述对所述第二视频数据进行视频图像分割，得到多个视频监控图像，并分别提取所述多个视频监控图像中的多个机动车辆以及多个行人和非机动车辆，包括：
调用预置的视频分帧工具对所述第二视频数据依次进行图像分割，得到多个视频监控图像；
将所述多个视频监控图像输入预置的机动车识别模型进行机动车识别，得到多个机动车辆；
将所述多个视频监控图像输入预置的行人和非机动车识别模型进行行人和非机动车识别，得到多个行人和非机动车辆。
4.根据权利要求1所述的基于图像处理的运维管理方法，其特征在于，所述根据所述第一图像集对所述目标监测路口进行机动车辆流量分析，得到所述目标监测路口的机动车流量数据，包括：
计算所述第一图像集中的每个机动车辆通过所述目标监测路口的通过时间；
获取所述目标监测路口的路口长度，并根据所述路口长度和所述通过时间计算每个机动车辆的通过速度；
根据所述通过速度计算单位时间内所述目标监测路口的机动车流量，得到机动车流量数据。
5.根据权利要求1所述的基于图像处理的运维管理方法，其特征在于，所述根据所述第二信号数据分别对所述第一图像集中的多个机动车辆进行行驶路径检测，得到每个机动车辆的行驶路径，并根据每个机动车辆的行驶路径对所述多个机动车辆进行机动车辆违章分析，得到第一违章分析结果，包括：
调用预置的路径检测模型对所述第一图像集中的多个机动车辆进行机动车辆行驶路径检测，生成每个机动车辆的行驶路径；
基于每个机动车辆的行驶路径确定所述多个机动车辆中的违章车辆；
对所述违章车辆进行机动车辆违章分析，得到第一违章分析结果。
6.根据权利要求1所述的基于图像处理的运维管理方法，其特征在于，所述根据所述第二信号数据分别对所述第二图像集中的多个行人和非机动车辆进行行人和非机动车辆违章分析，得到第二违章分析结果，包括：
根据所述第二信号数据对所述第二图像集中的多个行人进行闯红灯违章识别，得到行人违章结果；
对所述非机动车辆进行违章载人识别，得到非机动车辆违章结果；
根据所述行人违章结果和所述非机动车辆违章结果生成第二违章分析结果。
7.根据权利要求1-6中任一项所述的基于图像处理的运维管理方法，其特征在于，所述根据所述机动车流量数据、所述第一违章分析结果和所述第二违章分析结果生成所述目标监测路口对应的运维管理策略，包括：
根据所述机动车流量数据生成所述目标监测路口的交通繁忙等级；
根据所述第一违章分析结果和所述第二违章分析结果生成违章处罚方案；
将所述交通繁忙等级和所述违章处罚方案作为运维管理策略并输出。
8.一种基于图像处理的运维管理装置，其特征在于，所述基于图像处理的运维管理装置包括：
采集模块，用于基于智能通信防护箱中预设的图像采集终端采集目标监测路口的第一视频数据并获取所述目标监测路口的第一信号数据，以及对所述第一视频数据和所述第一信号数据进行预处理，得到第二视频数据和第二信号数据；
提取模块，用于对所述第二视频数据进行视频图像分割，得到多个视频监控图像，并分别提取所述多个视频监控图像中的多个机动车辆以及多个行人和非机动车辆；
分类模块，用于根据所述多个机动车辆以及所述多个行人和非机动车辆对所述多个视频监控图像进行图像数据集分类，得到第一图像集和第二图像集；
分析模块，用于根据所述第一图像集对所述目标监测路口进行机动车辆流量分析，得到所述目标监测路口的机动车流量数据；
检测模块，用于根据所述第二信号数据分别对所述第一图像集中的多个机动车辆进行行驶路径检测，得到每个机动车辆的行驶路径，并根据每个机动车辆的行驶路径对所述多个机动车辆进行机动车辆违章分析，得到第一违章分析结果；
处理模块，用于根据所述第二信号数据分别对所述第二图像集中的多个行人和非机动车辆进行行人和非机动车辆违章分析，得到第二违章分析结果；
生成模块，用于根据所述机动车流量数据、所述第一违章分析结果和所述第二违章分析结果生成所述目标监测路口对应的运维管理策略。
9.一种基于图像处理的运维管理设备，其特征在于，所述基于图像处理的运维管理设备包括：存储器和至少一个处理器，所述存储器中存储有指令；
所述至少一个处理器调用所述存储器中的所述指令，以使得所述基于图像处理的运维管理设备执行如权利要求1-7中任一项所述的基于图像处理的运维管理方法。
10.一种计算机可读存储介质，所述计算机可读存储介质上存储有指令，其特征在于，所述指令被处理器执行时实现如权利要求1-7中任一项所述的基于图像处理的运维管理方法。
CN202211138799.1A 2022-09-19 2022-09-19 基于图像处理的运维管理方法、装置、设备及存储介质 Active CN115273479B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211138799.1A CN115273479B (zh) 2022-09-19 2022-09-19 基于图像处理的运维管理方法、装置、设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211138799.1A CN115273479B (zh) 2022-09-19 2022-09-19 基于图像处理的运维管理方法、装置、设备及存储介质

Publications (2)

Publication Number Publication Date
CN115273479A true CN115273479A (zh) 2022-11-01
CN115273479B CN115273479B (zh) 2023-03-31

Family

ID=83756809

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211138799.1A Active CN115273479B (zh) 2022-09-19 2022-09-19 基于图像处理的运维管理方法、装置、设备及存储介质

Country Status (1)

Country Link
CN (1) CN115273479B (zh)

Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101706998A (zh) * 2009-11-12 2010-05-12 宁波工程学院 智能交通信号控制终端
CN201655024U (zh) * 2010-04-12 2010-11-24 西安翔迅科技有限责任公司 交叉路口交通信息综合检测报警系统
CN106373430A (zh) * 2016-08-26 2017-02-01 华南理工大学 一种基于计算机视觉的交叉路口通行预警方法
CN106910353A (zh) * 2015-12-23 2017-06-30 上海宝康电子控制工程有限公司 智能潮汐车道控制系统及方法
CN111640293A (zh) * 2020-04-24 2020-09-08 合肥湛达智能科技有限公司 一种基于嵌入式终端的深度学习非机动车道行驶检测方法
CN111709975A (zh) * 2020-06-22 2020-09-25 上海高德威智能交通系统有限公司 多目标跟踪方法、装置、电子设备及存储介质
CN111768640A (zh) * 2020-06-22 2020-10-13 合肥哨商信息技术有限公司 一种交通路口自适应性监控系统
CN112382114A (zh) * 2020-09-08 2021-02-19 深圳市奥拓电子股份有限公司 一种基于智慧灯杆的非机动车管理系统及方法
CN112528924A (zh) * 2020-12-21 2021-03-19 上海眼控科技股份有限公司 一种车辆掉头检测方法、装置、设备及存储介质
CN112614102A (zh) * 2020-12-18 2021-04-06 浙江大华技术股份有限公司 一种车辆检测方法、终端及其计算机可读存储介质
CN113674527A (zh) * 2021-08-23 2021-11-19 田继伟 一种基于智慧交通物联网的交通监测系统及方法
CN114663471A (zh) * 2022-02-17 2022-06-24 深圳大学 一种目标跟踪方法、装置及计算机可读存储介质
CN114743382A (zh) * 2022-06-13 2022-07-12 浙江大云物联科技有限公司 基于智慧灯杆系统的车辆违章行为识别方法和装置

Patent Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101706998A (zh) * 2009-11-12 2010-05-12 宁波工程学院 智能交通信号控制终端
CN201655024U (zh) * 2010-04-12 2010-11-24 西安翔迅科技有限责任公司 交叉路口交通信息综合检测报警系统
CN106910353A (zh) * 2015-12-23 2017-06-30 上海宝康电子控制工程有限公司 智能潮汐车道控制系统及方法
CN106373430A (zh) * 2016-08-26 2017-02-01 华南理工大学 一种基于计算机视觉的交叉路口通行预警方法
CN111640293A (zh) * 2020-04-24 2020-09-08 合肥湛达智能科技有限公司 一种基于嵌入式终端的深度学习非机动车道行驶检测方法
CN111768640A (zh) * 2020-06-22 2020-10-13 合肥哨商信息技术有限公司 一种交通路口自适应性监控系统
CN111709975A (zh) * 2020-06-22 2020-09-25 上海高德威智能交通系统有限公司 多目标跟踪方法、装置、电子设备及存储介质
CN112382114A (zh) * 2020-09-08 2021-02-19 深圳市奥拓电子股份有限公司 一种基于智慧灯杆的非机动车管理系统及方法
CN112614102A (zh) * 2020-12-18 2021-04-06 浙江大华技术股份有限公司 一种车辆检测方法、终端及其计算机可读存储介质
CN112528924A (zh) * 2020-12-21 2021-03-19 上海眼控科技股份有限公司 一种车辆掉头检测方法、装置、设备及存储介质
CN113674527A (zh) * 2021-08-23 2021-11-19 田继伟 一种基于智慧交通物联网的交通监测系统及方法
CN114663471A (zh) * 2022-02-17 2022-06-24 深圳大学 一种目标跟踪方法、装置及计算机可读存储介质
CN114743382A (zh) * 2022-06-13 2022-07-12 浙江大云物联科技有限公司 基于智慧灯杆系统的车辆违章行为识别方法和装置

Also Published As

Publication number Publication date
CN115273479B (zh) 2023-03-31

Similar Documents

Publication Publication Date Title
KR102197946B1 (ko) 딥러닝 인공지능 기술을 이용한 객체인식 및 카운팅 방법
CN105744232B (zh) 一种基于行为分析技术的输电线路视频防外破的方法
KR101935399B1 (ko) 심층 신경망 알고리즘 기반 광역 다중 객체 감시 시스템
KR102122859B1 (ko) 교통 영상감시시스템의 멀티 표적 추적 방법
CN107301776A (zh) 基于视频检测技术的车道路况处理及发布方法
CN110188606B (zh) 基于高光谱成像的车道识别方法、装置及电子设备
CN104966304A (zh) 基于卡尔曼滤波与非参数背景模型的多目标检测跟踪方法
CN111126171A (zh) 一种车辆逆行检测方法及系统
CN110580808B (zh) 一种信息处理方法、装置、电子设备及智能交通系统
KR101678004B1 (ko) 노드-링크 기반 카메라 네트워크 통합 감시 시스템 및 감시 방법
KR101515166B1 (ko) 객체인식 기반의 주차장 이벤트 검지 시스템
KR102122850B1 (ko) 딥 러닝 기반의 교통분석 및 차량번호 인식 솔루션
CN112084892B (zh) 一种道路异常事件检测管理装置及其方法
CN113515968A (zh) 街道的异常事件检测方法、装置、设备及介质
CN112836683A (zh) 用于便携式摄像设备的车牌识别方法、装置、设备和介质
KR102499340B1 (ko) 이기종 객체 필터 기반 하이브리드 영상 분석 장치 및 방법
CN113936257A (zh) 车辆违章行为的检测方法及检测装置、车载电子设备
CN113076852A (zh) 一种基于5g通信的占用公交车道车载抓拍处理系统
CN116311166A (zh) 交通障碍物识别方法、装置及电子设备
CN115273479B (zh) 基于图像处理的运维管理方法、装置、设备及存储介质
CN116152753A (zh) 车辆信息识别方法和系统、存储介质和电子装置
KR20230082207A (ko) Npu 기반 교통정보 분석 시스템 및 방법
KR20190074902A (ko) 압축영상에 대한 신택스 기반의 도로 역주행 감지 방법
Yadav et al. Post-Crash Detection and Traffic Analysis
CN113850111A (zh) 基于语义分割和神经网络技术的路况识别方法和系统

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
GR01 Patent grant
GR01 Patent grant
TR01 Transfer of patent right

Effective date of registration: 20240119

Address after: 519000, 501, No. 2535 Huandao North Road, Hengqin New District, Zhuhai City, Guangdong Province

Patentee after: Zhuhai Da Hengqin Development Co.,Ltd.

Address before: 518000 rooms a2302 and a2303, building 11, Shenzhen Bay science and technology ecological park, No. 16, Keji South Road, community, high tech Zone, Yuehai street, Nanshan District, Shenzhen, Guangdong

Patentee before: SHENZHEN BOKESI INTELLIGENT Co.,Ltd.

TR01 Transfer of patent right