CN115294795A - 人行横道督导方法、电子设备、存储介质 - Google Patents

Abstract

本发明提出一种人行横道监管方法、电子设备、存储介质，人行横道监管方法包括：采集第一图像信息；根据第一图像信息判定人行横道的行人状态；当行人正在等待，采集第二图像信息；根据第二图像信息判定道路上是否有车辆正在行驶；当道路上有车辆行驶，采集第三图像信息；根据第三图像信息判定道路上车辆的行驶状态；当车辆未停车让行，控制执行干预动作。本发明通过图像采集并识别行人和车辆状态，判定人行横道通行的安全状况，从而进一步通过干预动作影响行人，以起到监督、引导行人安全通行，保护行人生命安全的作用，并且能够高效地监督、引导市民在人行横道正确通行，进一步提升了交通出行的安全性。

Description

人行横道督导方法、电子设备、存储介质

技术领域

本发明涉及交通管理领域，特别涉及一种人行横道监管方法、电子设备、存储介质。

背景技术

随着科技的进步，人工智能被应用到生活的各个领域给人们的生活带来了更多的便利。智慧交通在物联网、云计算、人工智能、自动控制、移动互联网等现代电子信息技术的加持下孕育而生。将人工智能运用到人行道监管系统中，为降低人行横道发生安全事故的概率提供一种新思路。事故预测是智能交通系统中的重要一环，它能有效降低事故发生的概率，提高乘客以及行人的安全系数。然而相关技术中的事故预测系统主要基于传感器网络的模糊预测，信息简单的模糊预测将导致系统的精度降低和较低可靠性。仅用模糊预测进行交通安全事故的预测，在事关人们生命安全的交通管理领域中显然是不足以满足需求的。

发明内容

本发明旨在至少解决现有技术中存在的技术问题之一。为此，本发明提出一种人行横道监管方法、电子设备、存储介质，能够监督、引导市民在人行横道安全通行。

根据本发明的第一方面实施例的人行横道监管方法，包括：

采集第一图像信息，并根据所述第一图像信息判定人行横道的行人状态；

当所述行人状态为正在等待，采集第二图像信息；

根据所述第二图像信息判定道路上是否有车辆正在行驶；

当所述道路上有车辆行驶，采集第三图像信息；

根据所述第三图像信息判定道路上车辆的行驶状态；

当所述车辆行驶状态为未停车让行，执行干预动作。

根据本发明实施例的人行横道监管方法，至少具有如下有益效果：

采集第一图像信息，并根据第一图像信息判定人行横道的行人状态，如果判定的结果是行人正处于人行横道并且正在进行等待，那么进一步采集第二图像信息，识别道路上是否有车辆正在行驶，若道路上有车辆则进行第三图像信息的采集，然后根据第三图像信息判定道路上车辆的行驶状态，如果道路上的车辆并未有减速迹象停车让行，那么执行干预动作，以确保行人安全。本发明通过图像采集并识别行人和车辆状态，判定人行横道通行的安全状况，从而进一步通过干预动作影响行人，以起到监督、引导行人安全通行，保护行人生命安全的作用。

可选的，根据本发明的一些实施例，所述根据所述第一图像信息判定人行横道的行人状态，包括：

将所述第一图像信息载入预设的目标检测模型；

通过所述目标检测模型对所述第一图像信息进行识别，得到所述行人状态。

可选的，根据本发明的一些实施例，所述根据所述第二图像信息判定道路上是否有车辆正在行驶，包括：

将所述第二图像信息载入预设的目标检测模型；

通过所述目标检测模型对所述第二图像信息进行识别，判定所述道路上是否有车辆正在行驶。

可选的，根据本发明的一些实施例，所述方法还包括训练所述目标检测模型，具体包括：

采集基于人行横道场景的数据集；

将所述数据集输入预设的原始深度学习模型进行训练，得到所述目标检测模型。

可选的，根据本发明的一些实施例，所述当所述车辆行驶状态为未停车让行，执行干预动作，包括：

当所述车辆行驶状态为未停车让行，控制执行物理干预动作、执行光信号干预动作和执行声音干预动作中的任一个步骤或两个以上步骤的组合。

可选的，根据本发明的一些实施例，所述方法还包括：

当所述行人状态为所述人行横道无人等待，控制执行安全提示动作。

可选的，根据本发明的一些实施例，所述采集第三图像信息包括：

当所述道路上有车辆行驶，采集第一车辆图像；

在所述采集第一车辆图像经过预设时间间隔后，采集第二车辆图像。

可选的，根据本发明的一些实施例，所述根据所述第三图像信息判定道路上车辆的行驶状态，包括：

从所述第一车辆图像中识别所述车辆的第一位置数据；

从所述第二车辆图像中识别所述车辆的第二位置数据；

比对所述第一位置数据与所述第二位置数据，获取所述车辆的位置变化量；

当所述位置变化量大于预设阈值，判定车辆未停车让行。

第二方面，本发明实施例提供了一种电子设备，包括：存储器、处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现如本发明第一方面实施例中任意一项所述的人行横道监管方法。

第三方面，本发明实施例提供了一种计算机可读存储介质，所述存储介质存储有程序，所述程序被处理器执行实现如本发明第一方面实施例中任意一项所述的人行横道监管方法。

本发明的附加方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。

附图说明

本发明的上述和/或附加的方面和优点从结合下面附图对实施例的描述中将变得明显和容易理解，其中：

图1是本发明一个实施例提供的人行横道监管方法的流程示意图；

图2是本发明另一个实施例提供的人行横道监管方法的流程示意图；

图3是本发明另一个实施例提供的人行横道监管方法的流程示意图；

图4是本发明另一个实施例提供的人行横道监管方法的流程示意图；

图5是本发明另一个实施例提供的人行横道监管方法的流程示意图；

图6是本发明另一个实施例提供的人行横道监管方法的流程示意图；

图7是本发明一个实施例的车辆行驶状态判定方法示意图；

图8是本发明一个实施例提供的电子设备的示意图。

具体实施方式

下面详细描述本发明的实施例，实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，仅用于解释本发明，而不能理解为对本发明的限制。

在本发明的描述中，若干的含义是一个或者多个，多个的含义是两个以上，大于、小于、超过等理解为不包括本数，以上、以下、以内等理解为包括本数。如果有描述到第一、第二只是用于区分技术特征为目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量或者隐含指明所指示的技术特征的先后关系。

在本发明的描述中，需要理解的是，涉及到方位描述，例如上、下、左、右、前、后等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。

在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示意性实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。

本发明的描述中，需要说明的是，除非另有明确的限定，设置、安装、连接等词语应做广义理解，所属技术领域技术人员可以结合技术方案的具体内容合理确定上述词语在本发明中的具体含义。

随着科技的进步，人工智能被应用到生活的各个领域给人们的生活带来了更多的便利。智慧交通在物联网、云计算、人工智能、自动控制、移动互联网等现代电子信息技术的加持下孕育而生。智慧交通是面向交通运输的服务系统，将人工智能运用到人行道监管系统中，为降低人行横道发生安全事故的概率提供一种新思路。事故预测是智能交通系统中的重要一环，它能有效降低事故发生的概率，提高乘客以及行人的安全系数。然而相关技术中的事故预测系统主要基于传感器网络的模糊预测，信息简单的模糊预测将导致系统的精度降低和较低可靠性。仅用模糊预测进行交通安全事故的预测，在事关人们生命安全的交通管理领域中显然是不足以满足需求的。

本发明旨在至少解决现有技术中存在的技术问题之一。为此，本发明提出一种人行横道监管方法、电子设备、存储介质，能够高效地监督、引导市民在人行横道正确通行，进一步提升了交通出行的安全性。

下面根据附图作进一步说明。

参照图1，根据本发明第一方面实施例的人行横道监管方法，包括：

步骤S101，采集第一图像信息。

步骤S102，根据第一图像信息判定人行横道的行人状态。

根据本发明提供的一些实施例，第一图像信息用于反映人行横道的行人状态，应理解，行人状态包括但不限于：人行横道没有行人、人行横道行人正在等待、人行横道行人已经通过、人行横道有行人正在靠近。需要说明的是，步骤S102根据第一图像信息判定人行横道的行人状态有多种方式，包括但不限于：先使用红外摄像机记录人行横道一段时间内的录像信息，并根据人体温度的正常范围标记出人体红外区域，再跟踪人体红外区域进行逐帧处理最终判定行人状态；使用摄像机记录人行横道一段时间内的录像信息，通过目标检测模型对高清摄像机记录的录像信息进行处理，最终判定行人状态。需要强调的是，上述实施例的列举用于解释本发明，实际对于人行横道行人状态的判定条件并不限于上述举例。

步骤S103，当行人正在等待，采集第二图像信息。

步骤S104，根据第二图像信息判定道路上是否有车辆正在行驶。

根据本发明提供的一些实施例，第二图像信息用于反映道路上是否有车辆正在行驶，应理解，根据第二图像信息判定道路上是否有车辆正在行驶的结果包括但不限于：道路上没有车辆、道路上有车辆但并未行驶、道路上有车辆正在行驶。需要说明的是，步骤S104根据第二图像信息判定道路上是否有车辆正在行驶有多种方式，包括但不限于：使用摄像机记录道路上一段时间内的录像信息，根据对这段录像信息中画面像素的变化过程，得出时间内处于运动过程的运动物体图像，再比对这部分运动物体图像特征与数据库中记载的车辆轮廓特征，最终得出判定结果；使用摄像机记录道路上一段时间内的录像信息，通过目标检测模型对录像信息中物体的轮廓进行识别，得到被识别为车辆轮廓的图形，再跟踪被识别为车辆轮廓的图形从而判定出车辆道路上是否正在行驶中。需要强调的是，上述实施例的列举用于解释本发明，实际对于道路上是否有车辆的判定条件并不限于上述举例。

步骤S105，当道路上有车辆行驶，采集第三图像信息。

步骤S106，根据第三图像信息判定道路上车辆的行驶状态。

步骤S107，当车辆未停车让行，控制执行干预动作。

根据本发明提供的一些实施例，第三图像信息用于反映道路上车辆的行驶状态，应理解，道路上车辆的行驶状态包括但不限于：车辆正在减速让行、车辆正在加速通过、车辆速度并未明显变化，根据车辆在道路上行驶速度的变化情况，即可判定车辆的行驶状态。在一些实施例中，车辆速度急剧减小即可判定车辆观察到了路边行人并减速让行，车辆速度增加或者不变即可判定车辆并未作出减速让行的动作。需要强调的是，上述实施例的列举用于解释本发明，实际对于道路上车辆行驶状态的判定条件并不限于上述举例。

应理解，采集第一图像信息、采集第二图像信息、采集第三图像信息包括但不限于通过各类摄像机进行采集，较为优选的一个实施例中，选用低照度摄像机采集第一图像信息、第二图像信息、第三图像信息，低照度摄像机是指在较低光照度的条件下仍然可以摄取清晰图像的摄像机，相较于一般的摄像机，使用低照度摄像机在白天、黑夜均能够拍摄到的较为清晰的画面，有利于对当前场景的判断，

采集第一图像信息，并根据第一图像信息判定人行横道的行人状态，如果判定的结果是行人正处于人行横道并且正在进行等待，那么进一步采集第二图像信息，识别道路上是否有车辆正在行驶，若道路上有车辆则进行第三图像信息的采集，然后根据第三图像信息判定道路上车辆的行驶状态，如果道路上的车辆并未有减速迹象停车让行，那么执行干预动作，以确保行人安全。本发明通过图像采集并识别行人和车辆状态，判定人行横道通行的安全状况，从而进一步通过干预动作影响行人，以起到监督、引导行人安全通行，保护行人生命安全的作用。

参照图2，根据本发明的一些实施例，人行横道监管方法还包括：

步骤S201，采集第一图像信息，并将第一图像信息载入预设的目标检测模型。

步骤S202，通过目标检测模型对第一图像信息进行识别，得到行人状态。

根据本发明提供的一些实施例，在需要判断人行横道的情景时，需要采集第一图像信息，应理解，第一图像信息不局限于一张图像，还可以是数张图像、视频片段或者其他图像信息。一些实施例中，将采集好的数张图片载入目标检测模型并进行逐帧检测，通过训练好的目标检测模型，对第一图像信息中的行人状态作出判断，应理解，可判断出来的行人状态包括但不限于：人行横道没有行人、人行横道行人正在等待、人行横道行人已经通过、人行横道有行人正在靠近。

步骤S203，当有行人正在等待，采集第二图像信息。

步骤S204，将第二图像信息载入预设的目标检测模型。

步骤S205，通过目标检测模型对第二图像信息进行识别，判定道路上是否有车辆正在行驶。

在本发明提供的一些实施例中，当目标检测模型判定有行人正在等待，那么就需要判断道路上的车辆状况，因此进一步采集第二图像信息，应理解，第二图像信息不局限于一张图像，还可以是数张图像、视频片段或者其他图像信息。在采集第二图像信息后，将第二图像信息载入目标检测模型，以使得目标检测模型对道路上是否存在正在行驶的车辆进行判断。

步骤S206，当道路上存在车辆正在行驶，采集第三图像信息。

步骤S207，根据第三图像信息，判断道路上车辆的行驶状态。

步骤S208，当车辆未停车让行，执行干预动作。

通过目标检测模型识别出道路上确有车辆正在行驶后，则需要通过第三图像信息判定道路上车辆的行驶状态，最终目标检测模型判定道路上的车辆处于未停车让行的状态之后，即刻执行干预动作，以确保对行人的监督、引导作用。应理解，干预动作不局限于对人行横道的行人作出，干预动作的实施对象包括但不限于：人行横道的行人，人行横道周围的行人、正处于人行横道上的行人、道路上车辆以及其他机动车、非机动车。

根据本发明的一些实施例，当判定车辆处于未停车让行状态时，控制执行干预动作，包括：执行物理干预动作、执行光信号干预动作和执行声音干预动作中的任一个步骤或两个以上步骤的组合。需要说明的是，控制执行物理干预动作包括控制栏杆或其他装置对人行横道进行阻挡；执行光信号干预动作包括控制交通灯示意行人停止通行；执行声音干预动作包括通过语音告知行人禁止通行。以下列举一个当判定车辆处于未停车让行状态时，控制执行干预动作的具体实施例：当判定车辆处于未停车让行状态时，控制栏杆放下，阻挡人行横道的行人进入人行横道，并通过语音警示、蜂鸣器提醒等方式的声音干预动作监督、引导行人安全等待或者提醒、示意驾驶员减速让行，同时以灯光信号指示行人停下等待或者指示驾驶员减速让行。应理解，上述实施例的列举用于解释本发明，实际对于执行干预动作的具体操作并不限于上述举例。

在本发明提供的一些实施例中，目标检测模型经由基于人行横道场景的数据集训练得到，基于人行横道场景的数据集之中包括20个小类的训练类型，其中分为：人、自行车、公共汽车、小轿车、摩托车这5大类。将基于人行横道场景的数据集载入原始深度学习模型中，并设定预期结果；然后将基于人行横道场景的数据集载入所述深度学习模型进行迭代训练并持续优化深度学习模型；当所述训练的结果收敛于预期结果，所述深度学习模型即成为本发明实施例所需要的目标检测模型。

需要说明的是，目标检测模型用于判定行人状态、道路上是否有车辆正在行驶。根据本发明提供的一些实施例，上述原始深度学习模型选用一种卷积神经网络模型。卷积神经网络是一类包含卷积计算且具有深度结构的前馈神经网络，是深度学习的代表算法之一，卷积神经网络具有表征学习能力，能够按其阶层结构对输入信息进行平移不变分类，因此也被称为“平移不变人工神经网络”。近些年，使人工智能系统的机器人、无人驾驶、智能手机以及各类可穿戴设备的发展日新月异，急需一种能在算法层面有效的压缩存储和计算量的方法，使人工智能算法能在有限的计算平台上有效运转，而移动网络模型(MobileNetwork， MobileNet)对传统卷积模块进行了改进，该结构更高效，为在移动设备上部署带来了可能。 MobileNet V1是2017年Google发布的网络架构，正如其名，它是一种模型体积较小、可训练参数及计算量较少并适用于移动设备的卷积神经网络。旨在充分利用有限的计算资源，最大化模型的准确性，以满足有限资源下的各种应用案例，是部署至边缘侧常用的模型之一。 MobileNet V1的主要创新点是用深度可分离卷积代替普通的卷积，并使用宽度乘数减少参数量，它可在牺牲极少精度的同时去换取更好的数据吞吐量。MobileNet V2则在前者的基础上做了进一步改进，MobileNet V2神经网络采用深度可分离卷积和残差模块，可以令模型的参量骤减的同时，模型检测的准确率有质的飞跃。基于上述原因，本发明中较为优选方案为，选用卷积神经网络模型MobileNet V2作为本发明中的原始深度学习模型。

在本发明提供的一些实施例中，较为优选的，训练目标检测模型采用PASCAL VOC2012 数据集进行图像识别的训练。应理解，上述数据集不局限于PASCAL VOC 2012数据集，既可以通过自行拍摄对数据集进行标定，也可以使用类似PASCAL VOC、COCO数据集、ImageNet 数据集等公共数据集进行训练，应理解，上述数据集用于训练目标检测模型对于图像特征的辨识功能，让目标检测模型有一个更好的参数基础以识别目标，从而训练出一个具备高识别能力的目标检测模型。

参照图3，根据本发明的一些实施例，人行横道监管方法还包括：

步骤S301，根据第一图像信息判定人行横道的行人状态。

步骤S302，当人行横道无人等待，控制执行安全提示动作。

执行安全提示动作包括：对行人或者驾驶员执行物理提示动作、执行光信号提示动作或者执行声音提示动作中的任一个步骤或两个以上步骤的组合。

需要说明的是，控制执行物理干预动作包括控制栏杆或其他装置对人行横道进行阻挡；执行光信号干预动作包括控制交通灯示意行人注意安全；执行声音干预动作包括通过语音告知行人注意路况。以下列举一个当判定人行横道无人等待时，控制执行安全提示动作的具体实施例：当判定人行横道无人等待时，通过语音警示、蜂鸣器提醒等方式的声音提示动作监督、引导周边行人注意安全或者提醒、示意驾驶员此处为人行横道请缓慢通行，同时以灯光信号指示即将到达人行横道的行人停下等待或者指示驾驶员缓慢通行。应理解，上述实施例的列举用于解释本发明，实际对于执行安全提示动作的具体操作并不限于上述举例。

需要强调的是，人行横道无人等待，包括但不限于：人行横道没有行人、人行横道行人已通过、人行横道有行人正在靠近，在本发明提供的一些实施例中，基于对交通安全督促、引导的需要可以分别就上述情况执行不同的安全提示动作，例如：人行横道没有行人，则进入待机状态；人行横道行人已通过人行横道的两端进入人行横道，则使用语音提示行人在通行时注意安全；人行横道有行人正在靠近时，使用信号灯示意行人注意路况以及通过灯光督促、引导行人通过。应理解，控制执行安全提示动作的情形包括但不限于上述实施例。

参照图4，根据本发明的一些实施例，人行横道监管方法还包括：

步骤S401，根据第二图像信息判定道路上是否有车辆正在行驶。

步骤S402，当道路上没有车辆正在行驶，控制执行放行动作。

执行放行动作包括：对行人或者驾驶员执行物理放行动作、执行光信号提示通过动作或者执行声音提示通过动作中的任一个步骤或两个以上步骤的组合。

需要说明的是，控制执行物理放行动作包括控制栏杆或其他装置对人行横道撤开阻挡，以便行人通过；执行光信号提示通过动作包括控制交通灯示意行人注意路况并迅速通过；执行声音提示通过动作包括通过语音告知行人可以安全通过。需要强调的是，道路上没有车辆正在行驶，包括但不限于：道路上没有车辆、道路上有车辆但并未处于行驶状态，在本发明提供的一些实施例中，基于对交通安全督促、引导的需要可以分别就上述情况执行不同的放行动作，例如：当道路上没有车辆，语音示意行人迅速通过；当道路上有车辆但并未处于行驶状态，则使用语音提示行人注意周边车辆启动的同时迅速通过；当道路上没有车辆、道路上有车辆但并未处于行驶状态时，均可以用信号灯指示行人与驾驶员等待、通行或者减速慢行。应理解，上述实施例的列举用于解释本发明，实际对于执行放行动作的具体操作并不限于上述举例。

参照图5，根据本发明提供的一些实施例，人行横道监管方法包括以下步骤：

步骤S501，采集第一图像信息，并载入目标检测模型。

步骤S502，根据目标检测模型判断是否有行人正在等待。

步骤S5021，当没有行人正在等待，控制执行安全提示动作，控制执行安全提示动作后回到步骤S502进入新一轮循环。

步骤S503，当有行人正在等待，采集第二图像信息，并载入目标检测模型。

步骤S504，根据目标检测模型判断道路上是否有车辆正在行驶。

步骤S505，当道路上有车辆正在行驶，采集第三图像信息。

步骤S506，判断车辆是否停车让行。

步骤S5061，当道路上没有车辆正在行驶或者车辆停车让行，控制执行放行动作，控制执行放行动作后回到步骤S502进入新一轮循环。

步骤S507，当车辆不停车，则执行干预动作，控制执行干预动作后回到步骤S502进入新一轮循环。

需要说明的是，上述实施例中先加载目标检测模型，然后将第一图像信息载入深度模型以判断是否有行人正在等待，当没有行人正在等待，则执行安全提示动作即可。当有行人正在等待，则采集第二图像信息并载入目标检测模型，以判断道路上是否有车辆正在行驶。当没有车辆正在行驶，则通过放行动作指引路人安全通过，当有车辆正在行驶，则进一步采集第三图像信息以判断车辆是否停车让行。当车辆停车让行时，则通过放行动作指引路人安全通过。当车辆并未停车让行时，控制执行干预动作以监督、引导行人或者驾驶员的行为，以保障交通安全。应理解，上述实施例中执行安全提示动作、执行放行动作、执行干预动作之后，重新回到步骤S502继续判断是否有行人正在等待，通过一轮接一轮的循环以实现本发明实施例在实际生活场景中的连续使用，持续对行人或者司机进行监督、引导，以保障道路交通安全。

参照图6，关于采集第三图像信息，并根据第三图像信息，判断道路上车辆的行驶状态，本发明的一些实施例提供了一种对车辆行驶状态的判别方法，包括但不限于以下步骤：

步骤S601，当道路上有车辆行驶，拍摄第一车辆图像。

步骤S602，间隔预设时间间隔，拍摄第二车辆图像。

需要说明的是，在本发明的一些实施例中，步骤S601至步骤S602所拍摄的第一车辆图像、第二车辆图像即为第三图像信息，拍摄第一车辆图像后间隔预设时间间隔拍摄第二车辆图像即可得到预设时间间隔内车辆的运动过程，应理解，步骤S601至步骤S602包括利用摄像机对道路上的车辆进行拍摄，然后摘取录像中相距预设时间间隔的数帧画面，以便后续对该画面进行逐帧分析处理进而判断出车辆的行驶状态。

步骤S603，从第一车辆图像中识别车辆的第一位置数据。

步骤S604，从第二车辆图像中识别车辆的第二位置数据。

步骤S605，比对第一位置数据与第二位置数据，获取车辆的位置变化量。

步骤S606，当位置变化量大于预设阈值，判定车辆未停车让行。

在本发明的一些实施例中，第一位置数据、第二位置数据的识别方法包括但不限于：根据拍摄画面建立坐标系。首先，从第一车辆图像中识别出属于车辆的第一像素区域，再从第一像素区域的边缘位置选择取样点并记录取样点的第一坐标。其次，从第二车辆图像中识别出属于该车辆的第二像素区域，再找到第二像素区域中的取样点并记录取样点的第二坐标。上述实施例中，第一坐标即为第一位置数据、第二坐标即为第二位置数据，根据第一坐标和第二坐标即可得出取样点的位置变化量。车辆停车让行的速度阈值能够通过实验进行标定，将车辆停车让行的速度阈值结合预设时间间隔，即可得出位置变化量的预设阈值。将位置变化量的预设阈值与实际得到的位置变化量进行比对，当位置变化量大于预设阈值时，即可判定车辆并未停车让行。

关于步骤S601至步骤S606，以下列举本发明其中一个较为具体的实施例：

参照图7，本实施例中判定图像上车辆是否继续移动，需要满足如下两个条件：其一，目标在前后帧的尺寸未发生明显变化；其二，目标中心坐标无明显变化。

从第一车辆图像701中识别出属于车辆的第一像素区域702，并以第一像素区域702上、下、左、右最为边缘的点为基准，建立第一目标区域框705，选取目标区域框705的四个顶点为取样点A、取样点B、取样点C、取样点D，其中取样点A、取样点C为第一目标区域框705 的对角点。建立坐标系，令取样点A的坐标为(x_A，y_A)、取样点C的坐标为(x_C，y_C)，则第一目标区域框705的高度H＝y_C-y_A，第一目标区域框705的宽度W＝x_C-x_A。

从第二车辆图像703中识别出属于车辆的第二像素区域704，并以第二像素区域704上、下、左、右最为边缘的点为基准，建立第二目标区域框706，选取第二目标区域框706的四个顶点为取样点A′、取样点B′、取样点C′、取样点D′，其中取样点A′、取样点C′为第二目标区域框706的对角点。建立与第二车辆图像中同样的坐标系，令取样点A′的坐标为(x_A′，y_A′)、取样点C′的坐标为(x_C′，y_C′)，则第二目标区域框706的高度H′＝y_C′-y_A′，第二目标区域框 706的宽度W′＝x_C′-x_A′。

将H与H′、W与W′进行比对，当H与H′之差小于预设高度区间、W与W′之差小于预设宽度区间，即可认定为目标在前后帧的尺寸未发生明显变化，即满足上述条件之其一。

根据取样点A的坐标为(x_A，y_A)、取样点C的坐标为(x_C，y_C)，即可得出第一目标区域框705 的中心坐标M的横坐标M_x、纵坐标M_y分别为：

同理，根据取样点A′的坐标为(x_A′，y_A′)、取样点C′的坐标为(x_C′，y_C′)，即可得出第二目标区域框706的中心坐标M′的横坐标M′_x、纵坐标M′_y分别为：

因此，将M_x与M′_x，M_y与M′_y进行比对，即可计算出目标在图像前后两帧产生的偏移量L：

当在第一车辆图像至第二车辆图像中车辆产生的偏移量L小于预设偏移量阈值时，即可判定目标中心坐标无变化，即满足上述条件之其二。应理解，当车辆由远到近移动时，在图像上车辆不断增大且目标物体在图像上的中心位置产生偏移。因此，将目标在前后帧的尺寸未发生明显变化、目标中心坐标无明显变化作为判断图像上车辆是否停车让行的条件，是本发明实施例一个较为优选的方案。

参照图8，图8示出了本发明实施例提供的电子设备800。电子设备800包括：处理器801、存储器802及存储在存储器802上并可在处理器801上运行的计算机程序，计算机程序运行时用于执行上述的人行横道监管方法。

处理器801和存储器802可以通过总线或者其他方式连接。

存储器802作为一种非暂态计算机可读存储介质，可用于存储非暂态软件程序以及非暂态性计算机可执行程序，如本发明实施例描述的人行横道监管方法。处理器801通过运行存储在存储器802中的非暂态软件程序以及指令，从而实现上述的人行横道监管方法。

存储器802可以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、至少一个功能所需要的应用程序；存储数据区可存储执行上述的人行横道监管方法。此外，存储器802可以包括高速随机存取存储器802，还可以包括非暂态存储器802，例如至少一个储存设备存储器件、闪存器件或其他非暂态固态存储器件。在一些实施方式中，存储器802可选包括相对于处理器801远程设置的存储器802，这些远程存储器802可以通过网络连接至该电子设备800。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。

实现上述的人行横道监管方法所需的非暂态软件程序以及指令存储在存储器802中，当被一个或者多个处理器801执行时，控制执行上述的人行横道监管方法，例如，控制执行图 1中的方法步骤S101至步骤S107、图2中的方法步骤S201至步骤S208、图3中的方法步骤 S301至步骤S302、图4中的方法步骤S401至步骤S402、图5中的方法步骤S501至步骤S508、图6中的方法步骤S601至步骤S606。

本发明实施例还提供了计算机可读存储介质，存储有计算机可执行指令，计算机可执行指令用于执行上述的人行横道监管方法。

在一实施例中，该计算机可读存储介质存储有计算机可执行指令，该计算机可执行指令被一个或多个控制处理器执行，例如，控制执行图1中的方法步骤S101至步骤S107、图2 中的方法步骤S201至步骤S208、图3中的方法步骤S301至步骤S302、图4中的方法步骤S401至步骤S402、图5中的方法步骤S501至步骤S508、图6中的方法步骤S601至步骤S606。

以上所描述的装置实施例仅仅是示意性的，其中作为分离部件说明的单元可以是或者也可以不是物理上分开的，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。

本领域普通技术人员可以理解，上文中所公开方法中的全部或某些步骤、系统可以被实施为软件、固件、硬件及其适当的组合。某些物理组件或所有物理组件可以被实施为由处理器，如中央处理器、数字信号处理器或微处理器执行的软件，或者被实施为硬件，或者被实施为集成电路，如专用集成电路。这样的软件可以分布在计算机可读介质上，计算机可读介质可以包括计算机存储介质(或非暂时性介质)和通信介质(或暂时性介质)。如本领域普通技术人员公知的，术语计算机存储介质包括在用于存储信息(诸如计算机可读指令、数据结构、程序模块或其他数据)的任何方法或技术中实施的易失性和非易失性、可移除和不可移除介质。计算机存储介质包括但不限于RAM、ROM、EEPROM、闪存或其他存储器技术、CD-ROM、数字多功能盘(DVD)或其他光盘存储、磁盒、磁带、储存设备存储或其他磁存储装置、或者可以用于存储期望的信息并且可以被计算机访问的任何其他的介质。此外，本领域普通技术人员公知的是，通信介质通常包括计算机可读指令、数据结构、程序模块或者诸如载波或其他传输机制之类的调制数据信号中的其他数据，并且可包括任何信息递送介质。

还应了解，本发明实施例提供的各种实施方式可以任意进行组合，以实现不同的技术效果。

以上是对本发明的较佳实施进行了具体说明，但本发明并不局限于上述实施方式，熟悉本领域的技术人员在不违背本发明精神的共享条件下还可作出种种等同的变形或替换，这些等同的变形或替换均包括在本发明权利要求所限定的范围。

Claims (10)

1.一种人行横道监管方法，其特征在于，包括：

采集第一图像信息，并根据所述第一图像信息判定人行横道的行人状态；

当所述行人状态为正在等待，采集第二图像信息；

根据所述第二图像信息判定道路上是否有车辆正在行驶；

当所述道路上有车辆行驶，采集第三图像信息；

根据所述第三图像信息判定道路上车辆的行驶状态；

当所述车辆行驶状态为未停车让行，执行干预动作。

2.根据权利要求1所述的人行横道监管方法，其特征在于，所述根据所述第一图像信息判定人行横道的行人状态，包括：

将所述第一图像信息载入预设的目标检测模型；

通过所述目标检测模型对所述第一图像信息进行识别，得到所述行人状态。

3.根据权利要求1所述的人行横道监管方法，其特征在于，所述根据所述第二图像信息判定道路上是否有车辆正在行驶，包括：

将所述第二图像信息载入预设的目标检测模型；

通过所述目标检测模型对所述第二图像信息进行识别，判定所述道路上是否有车辆正在行驶。

4.根据权利要求1所述的人行横道监管方法，其特征在于，所述当所述车辆行驶状态为未停车让行，执行干预动作，包括：

当所述车辆行驶状态为未停车让行，控制执行物理干预动作、执行光信号干预动作和执行声音干预动作中的任一个步骤或两个以上步骤的组合。

5.根据权利要求1任一项所述的人行横道监管方法，其特征在于，所述方法还包括：

当所述行人状态为所述人行横道无人等待，控制执行安全提示动作。

6.根据权利要求1至5中任一项所述的人行横道监管方法，其特征在于，所述采集第三图像信息包括：

当所述道路上有车辆行驶，采集第一车辆图像；

在所述采集第一车辆图像经过预设时间间隔后，采集第二车辆图像。

7.根据权利要求6所述的人行横道监管方法，其特征在于，所述根据所述第三图像信息判定道路上车辆的行驶状态，包括：

从所述第一车辆图像中识别所述车辆的第一位置数据；

从所述第二车辆图像中识别所述车辆的第二位置数据；

比对所述第一位置数据与所述第二位置数据，获取所述车辆的位置变化量；

当所述位置变化量大于预设阈值，判定车辆未停车让行。

8.根据权利要求2或3所述的人行横道监管方法，其特征在于，所述方法还包括训练所述目标检测模型，具体包括：

采集基于人行横道场景的数据集；

将所述数据集输入预设的原始深度学习模型进行训练，得到所述目标检测模型。

9.一种电子设备，其特征在于，包括：存储器、处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现如权利要求1至8中任意一项所述的人行横道监管方法。

10.一种计算机可读存储介质，其特征在于，所述存储介质存储有程序，所述程序被处理器执行实现如权利要求1至8中任意一项所述的人行横道监管方法。

Images