CN115375666A - 一种交通事故检测方法、装置、电子设备以及存储介质 - Google Patents

一种交通事故检测方法、装置、电子设备以及存储介质 Download PDF

Info

Publication number
CN115375666A
CN115375666A CN202211066192.7A CN202211066192A CN115375666A CN 115375666 A CN115375666 A CN 115375666A CN 202211066192 A CN202211066192 A CN 202211066192A CN 115375666 A CN115375666 A CN 115375666A
Authority
CN
China
Prior art keywords
vehicle
radar image
image
radar
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
Application number
CN202211066192.7A
Other languages
English (en)
Inventor
张军
顾超
许孝勇
陶征
朱大安
仇世豪
王长冬
张辉
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.)
Nanjing Hurys Intelligent Technology Co Ltd
Original Assignee
Nanjing Hurys Intelligent Technology 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 Nanjing Hurys Intelligent Technology Co Ltd filed Critical Nanjing Hurys Intelligent Technology Co Ltd
Priority to CN202211066192.7A priority Critical patent/CN115375666A/zh
Publication of CN115375666A publication Critical patent/CN115375666A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/20—Image enhancement or restoration using local operators
    • G06T5/30—Erosion or dilatation, e.g. thinning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/13—Edge detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/194—Segmentation; Edge detection involving foreground-background segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/70—Determining position or orientation of objects or cameras
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10032—Satellite or aerial image; Remote sensing
    • G06T2207/10044—Radar image
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30248—Vehicle exterior or interior

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Quality & Reliability (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明实施例公开了一种交通事故检测方法、装置、电子设备以及存储介质。其中，该方法包括：确定雷达检测区域的当前雷达图像；依据所述当前雷达图像确定进入雷达检测区域的待检测车辆的车辆轮廓信息；根据所述车辆轮廓信息确定所述待检测车辆的事故类型。本技术方案，能够借助雷达图像对车辆交通事故进行及时有效的检测，从而降低车辆交通事故的不良影响，有助于提高车辆行驶的安全性。

Description

一种交通事故检测方法、装置、电子设备以及存储介质
技术领域
本发明涉及车辆检测技术领域，尤其涉及一种交通事故检测方法、装置、电子设备以及存储介质。
背景技术
随着交通行业不断向智能化、数字化、信息化发展，汽车在人们生活中逐渐得到普及，使得人们对车辆行驶安全越来越关注。在车辆行驶过程中，可能出现车辆超速、违法变道或者车辆碰撞等交通事故。如果不能对这些交通事故进行及时有效的检测，则无法对交通事故进行及时有效的处理，可能影响其他车辆的正常行驶，甚至造成更严重的后果，比如发生车辆碰撞时出现交通堵塞受伤人员可能会因没有得到及时有效救治而导致生命危险。因此，如何对车辆交通事故进行及时有效的检测，是车辆行驶过程中值得关注的问题之一。
发明内容
本发明提供了一种交通事故检测方法、装置、电子设备以及存储介质，能够借助雷达图像对车辆交通事故进行及时有效的检测，从而降低车辆交通事故的不良影响，有助于提高车辆行驶的安全性。
根据本发明的一方面，提供了一种交通事故检测方法，所述方法包括：
确定雷达检测区域的当前雷达图像；
依据所述当前雷达图像确定进入雷达检测区域的待检测车辆的车辆轮廓信息；
根据所述车辆轮廓信息确定所述待检测车辆的事故类型。
可选的，确定雷达检测区域的当前雷达图像，包括：
通过微波雷达在当前对进入雷达检测区域的待检测车辆进行扫描，得到当前时刻的当前雷达图像；
其中，所述当前雷达图像中各个像素点取值用于描述雷达在检测位置点扫描时的雷达反射波的信号强度，所述当前雷达图像属于灰度图。
可选的，依据所述当前雷达图像确定进入雷达检测区域的待检测车辆的车辆轮廓信息，包括：
对当前雷达图像中背景与前景进行分离得到背景去除后的目标雷达图像；
依据所述目标雷达图像，确定进入雷达检测区域的待检测车辆的车辆轮廓信息；
其中，所述目标雷达图像的前景对应包括至少一个待检测车辆区域。
可选的，对当前雷达图像中背景与前景进行分离得到背景去除后的目标雷达图像，包括：
确定在当前雷达图像之前采集的预设个数的上一雷达图像；所述上一雷达图像包括在采集当前雷达图像之前的邻近时间内所采集的雷达图像或者对雷达检测区域进行封闭所采集的雷达图像；
对预设个数的上一雷达图像进行图像累加平均，得到上一雷达图像对应的累加平均图像；
依据累加平均图像对当前雷达图像中背景与前景进行分离得到背景去除后的目标雷达图像。
可选的，依据累加平均图像对当前雷达图像中背景与前景进行分离得到背景去除后的目标雷达图像，包括：
将当前雷达图像与上一雷达图像的累加平均图像进行图像差值处理，得到图像差值处理后图像；
通过对图像差值处理后图像进行二值化处理，对当前雷达图像中背景与前景进行分离得到背景去除后的目标雷达图像。
可选的，依据所述目标雷达图像，确定进入雷达检测区域的待检测车辆的车辆轮廓信息，包括：
对所述目标雷达图像进行边缘检测得到所述目标雷达图像的边缘检测图；
依据所述目标雷达图像的边缘检测图，确定所述目标雷达图像的前景所对应待检测车辆的车辆轮廓信息。
可选的，对所述目标雷达图像进行边缘检测得到所述目标雷达图像的边缘检测图，包括：
对所述目标雷达图像进行形态学处理得到处理后雷达图像；目标雷达图像的前景中待检测车辆区域介于发生前景与背景分离而被分割到不同子区域；
对处理后雷达图像进行高斯平滑处理，并对高斯平滑后的处理后雷达图像进行边缘检测得到所述目标雷达图像的边缘检测图。
可选的，对所述目标雷达图像进行形态学处理得到处理后雷达图像，包括：
对目标雷达图像进行形态学膨胀运算得到膨胀后雷达图像；形态学膨胀运算用于消除前景对应的不同子区域之间的内部空洞和/或近邻区域空隙；
对膨胀后雷达图像进行形态学腐蚀运算得到腐蚀后雷达图像，并作为所述处理后雷达图像。
可选的，依据所述目标雷达图像的边缘检测图，确定所述目标雷达图像的前景所对应待检测车辆的车辆轮廓信息，包括：
依据所述目标雷达图像的边缘检测图，提取所述目标雷达图像的前景中待检测车辆区域的外边界像素点位置；所述外边界像素点位置通过外边界对应的像素行列标识描述；
依据所述目标雷达图像的前景中待检测车辆区域的外边界像素点位置，确定待检测车辆的车辆轮廓信息。
可选的，根据所述车辆轮廓信息确定所述待检测车辆的事故类型，包括：
根据所述车辆轮廓信息和预先建立的车辆事故库，确定所述待检测车辆的事故类型；其中，所述车辆事故库是根据历史车辆事故数据建立的；所述历史车辆事故数据包括历史车辆轮廓信息和历史车辆事故类型。
可选的，根据所述车辆轮廓信息和预先建立的车辆事故库，确定所述待检测车辆的事故类型，包括：
确定所述车辆轮廓信息与预先建立的车辆事故库中各历史车辆轮廓信息之间的相似度；
根据相似度结果确定所述待检测车辆的事故类型。
可选的，在根据所述车辆轮廓信息确定所述待检测车辆的事故类型之后，还包括：
确定由摄像设备记录的与所述当前雷达图像对应的所述雷达检测区域的图像信息，以对所述事故类型进行核验。
根据本发明的另一方面，提供了一种交通事故检测装置，包括：
当前雷达图像确定模块，用于确定雷达检测区域的当前雷达图像；
车辆轮廓信息确定模块，用于依据所述当前雷达图像确定进入雷达检测区域的待检测车辆的车辆轮廓信息；
事故类型确定模块，用于根据所述车辆轮廓信息确定所述待检测车辆的事故类型。
根据本发明的另一方面，提供了一种交通事故检测电子设备，所述电子设备包括：
至少一个处理器；以及
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器能够执行本发明任一实施例所述的交通事故检测方法。
根据本发明的另一方面，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存储有计算机指令，所述计算机指令用于使处理器执行时实现本发明任一实施例所述的交通事故检测方法。
本发明实施例的技术方案，确定雷达检测区域的当前雷达图像；依据当前雷达图像确定进入雷达检测区域的待检测车辆的车辆轮廓信息；根据车辆轮廓信息确定待检测车辆的事故类型。本技术方案，能够借助雷达图像对车辆交通事故进行及时有效的检测，从而降低车辆交通事故的不良影响，有助于提高车辆行驶的安全性。
应当理解，本部分所描述的内容并非旨在标识本发明的实施例的关键或重要特征，也不用于限制本发明的范围。本发明的其它特征将通过以下的说明书而变得容易理解。
附图说明
为了更清楚地说明本发明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单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是根据本发明实施例一提供的一种交通事故检测方法的流程图；
图2是根据本发明实施例二提供的一种交通事故检测方法的流程图；
图3是根据本发明实施例三提供的一种交通事故检测方法的流程图；
图4是根据本发明实施例四提供的一种交通事故检测装置的结构示意图；
图5是实现本发明实施例的一种交通事故检测方法的电子设备的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分的实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明保护的范围。
需要说明的是，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”“目标”等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，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，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。
实施例一
图1为本发明实施例一提供的一种交通事故检测方法的流程图，本实施例可适用于对车辆交通事故进行快速检测的情况，该方法可以由交通事故检测装置来执行，该交通事故检测装置可以采用硬件和/或软件的形式实现，该交通事故检测装置可配置于具有数据处理能力的电子设备中。如图1所示，该方法包括：
S110，确定雷达检测区域的当前雷达图像。
其中，当前雷达图像可以是指车辆进入雷达检测区域后，雷达发射机向雷达检测区域发射无线电波，接收机接收散射回波所形成的雷达图像。当前雷达图像中各个像素点与雷达检测区域中各个检测位置点存在对应关系，即把当前雷达图像分割成若干个小方格,每个小方格可被称为一个像素点，通过对每个像素点的信息进行分析处理，就可以获取各个像素点对应的雷达检测区域中对应的各个检测位置点的信息特征。示例性的，通过表示各个像素点的位置、颜色和亮度等信息，可以表示出当前雷达图像，以实现获取各个检测位置点的信息，例如各个检测位置点的信号强度等。雷达检测区域可以配置于城市道路、隧道公路、高速公路、铁路、水运等交通应用场景下。
在本实施例中，可选的，确定雷达检测区域的当前雷达图像，包括：通过微波雷达在当前对进入雷达检测区域的待检测车辆进行扫描，得到当前时刻的当前雷达图像；其中，当前雷达图像中各个像素点取值用于描述雷达在检测位置点扫描时的雷达反射波的信号强度，当前雷达图像属于灰度图像。
其中，微波雷达可以是指工作在微波波段(频率范围为300MHz-3THz)实现物体信息探测的雷达系统。例如，微波雷达可以是毫米波雷达或厘米波雷达等。待检测车辆可以是指等待被检测的车辆。需要说明的是，待检测车辆可以是一辆或者多辆，相应的，当前雷达图像包含至少一辆车。
本实施例中，可以通过微波雷达在当前对进入雷达检测区域的待检测车辆进行扫描，得到当前时刻的当前雷达图像。其中，当前雷达图像中各个像素点取值可以用于描述雷达在检测位置点扫描时的雷达反射波的信号强度，且当前雷达图像属于灰度图像。具体的，在当前时刻，通过微波雷达对雷达检测区域进行扫描，获取雷达在检测位置点扫描时的雷达反射波的信号强度，并通过像素点取值在雷达图像中表示出来，进而获得雷达检测区域的当前雷达图像。
本方案采用这样的设置，借助微波雷达可以快速、准确地获得当前雷达图像，以便于后续根据当前雷达图像对进入雷达检测区域的待检测车辆进行信息检测。
S120，依据当前雷达图像确定进入雷达检测区域的待检测车辆的车辆轮廓信息。
其中，车辆轮廓信息可以用于描述待检测车辆的外形轮廓。需要说明的是，不同类型的车辆通常具有不同的轮廓，例如大客车的轮廓接近于长方体，小轿车的轮廓接近于梯形体。此外，相同类型的车辆在正常行驶和非正常行驶时通常具有不同的轮廓。例如，大客车在正常行驶时轮廓接近于标准的长方体，而在非正常行驶(如出现交通事故)时轮廓接近于非标准的四面体。当两辆车发生碰撞时，外形轮廓可以是两个交叉的轮廓。
本实施例中，在确定当前雷达图像之后，可以依据当前雷达图像确定进入雷达检测区域的待检测车辆的车辆轮廓信息。可选的，依据当前雷达图像确定进入雷达检测区域的待检测车辆的车辆轮廓信息，包括：对当前雷达图像中背景与前景进行分离得到背景去除后的目标雷达图像；依据目标雷达图像，确定进入雷达检测区域的待检测车辆的车辆轮廓信息；其中，目标雷达图像的前景对应包括至少一个待检测车辆区域。
其中，背景可以是指雷达图像对应的雷达检测区域中固有物体的图像，例如雷达检测区域的道路或建筑物等。前景可以是指雷达图像对应的雷达检测区域中的待检测车辆。目标雷达图像可以是指对当前雷达图像进行背景去除后的雷达图像。具体的，目标雷达图像的前景对应包括至少一个待检测车辆区域。其中，待检测车辆区域可以是指雷达检测区域中包含待检测车辆的区域。需要说明的是，本实施例对待检测车辆区域的形状和大小不做任何限定，可以根据实际应用需求进行设定。例如，待检测车辆区域可以是正方形、长方形或者圆形。
本实施例中，通过微波雷达获取当前雷达图像之后，可以对当前雷达图像中的各个像素点取值进行分析处理，以使当前雷达图像的背景与前景进行分离，获得背景去除后的目标雷达图像，以将待检测车辆区域从当前雷达图像中分离出来。
本方案采用这样的设置，通过将当前雷达图像中背景与前景进行分离得到背景去除后的目标雷达图像，从而将待检测车辆区域从当前雷达图像中分离出来，以便后续准确地确定出待检测车辆的轮廓信息。
在本实施例中，可选的，对当前雷达图像中背景与前景进行分离得到背景去除后的目标雷达图像，包括：确定在当前雷达图像之前采集的预设个数的上一雷达图像；上一雷达图像包括在采集当前雷达图像之前的邻近时间内所采集的雷达图像或者对雷达检测区域进行封闭所采集的雷达图像；对预设个数的上一雷达图像进行图像累加平均，得到上一雷达图像对应的累加平均图像；依据累加平均图像对当前雷达图像中背景与前景进行分离得到背景去除后的目标雷达图像。
其中，预设个数可以是指根据实际需求确定的在采集当前雷达图像前需要通过扫描雷达检测区域获取的雷达图像的数量。上一雷达图像可以是指在采集当前雷达图像前的临近时间内通过雷达扫描雷达检测区域获得的所有雷达图像的集合，或者是对雷达检测区域进行封闭使得雷达检测区域内无车辆等干扰因素下通过雷达扫描雷达检测区域所采集的图像。
可选的，在雷达检测区域场景无车辆和行人等情况下，连续累计采集雷达检测区域的N帧雷达图像，即累计的N帧上一雷达图像后，求取累加图像的平均图像。其中，累加平均图像在确定后短时间不会再变化，除非雷达检测区域的场景改变，才需要重新再积累一次得到新的累加平均图像，比如隧道里面安装新设备(如栅栏等)。
本实施例中，可以利用微波雷达扫描雷达检测区域以获取预设个数的上一雷达图像，且每一个图像记为F，再对预设个数的上一雷达图像进行图像累加平均，得到上一雷达图像的累加平均图像F，接下来，获取当前时刻通过雷达扫描雷达检测区域获取的当前雷达图像，并依据上一雷达图像的累加平均图像对当前雷达图像中背景与前景进行分离得到背景去除后的目标雷达图像。
本方案通过这样的设置，借助上一雷达图像的累加平均图像可以对当前雷达图像中的背景与前景进行更好地分离，以获得准确的背景去除后的目标雷达图像，有利于后续更加准确地确定待检测车辆的轮廓信息。
在本实施例中，可选的,利用自学习去除背景方法，将当前雷达图像中背景与前景进行分离得到背景去除后的目标雷达图像，具体过程如下：
针对当前雷达图像中待识别像素点，确定待识别像素点映射在雷达检测区域对应的目标检测位置点以及雷达在目标检测位置点扫描时对应的预设信号强度概率分布模型，再检测待识别像素点取值与目标检测位置点对应的预设信号强度概率分布模型的匹配结果，即检测待识别像素点取值与目标检测位置点对应预设信号强度概率分布模型中至少一个正态分布模型是否满足预设匹配条件，若存在至少一个满足预设匹配条件的正态分布模型，则确定待识别像素点在当前雷达图像中属于背景像素；若不存在满足预设匹配条件的正态分布模型，则确定待识别像素点在当前雷达图像中属于前景像素，进而可以准确获得当前雷达图像中背景去除后的目标雷达图像。
其中，待识别像素点可以是指当前雷达图像中需要进行检测的像素点。目标检测位置点可以是指当前雷达图像中待识别像素点对应的雷达检测区域中的检测位置，当前雷达图像中各个像素点与雷达检测区域中的各个目标检测位置点存在一一对应关系。预设信号强度概率分布模型可以用于描述在雷达检测区域未包括前景情况下对目标检测位置点扫描时雷达反射波的信号强度概率分布，且预设信号强度概率分布模型中有多个正态分布模型。预设匹配条件包括待识别像素点取值与正态分布模型的均值满足预设拉依达准则。
本方案通过这样的设置，利用自学习去除背景方法也可以将当前雷达图像中背景与前景进行分离得到准确的背景去除后的目标雷达图像，有利于后续更加准确地确定待检测车辆的轮廓信息。
在本实施例中，可选的，依据累加平均图像对当前雷达图像中背景与前景进行分离得到背景去除后的目标雷达图像，包括：将当前雷达图像与上一雷达图像的累加平均图像进行图像差值处理，得到图像差值处理后图像；通过对图像差值处理后图像进行二值化处理，对当前雷达图像中背景与前景进行分离得到背景去除后的目标雷达图像。
其中，图像差值处理可以是指将两个类似的图像进行求差处理。二值化处理的结果为图像上各像素点只有两种可能的取值或灰度等级状态，即图像中的任何像素点的灰度值均为0或者255，分别代表黑色和白色。
本实施例中，在获得当前雷达图像F和上一雷达图像的累加平均图像
Figure BDA0003827619180000111
之后，可以将当前雷达图像与上一雷达图像的累加平均图像进行图像差值处理，获得图像差值处理后图像FΔ，可表示为：
Figure BDA0003827619180000112
其中，F为当前雷达图像的灰度图。进而可以通过如下公式对图像差值处理后图像FΔ进行二值化处理：
Figure BDA0003827619180000113
其中，fij'为雷达图像经过二值化处理后的对应像素点的灰度值，
Figure BDA0003827619180000114
为雷达图像中对应像素点的灰度值，T为预设灰度值。预设灰度值可以是指雷达图像中对应像素点的灰度值转化为0或255的临界值。需要说明的是，当雷达图像中对应像素点的灰度值大于或等于预设灰度值，对应像素点的灰度值转化为255，反之转化为0。
本实施例中，通过图像二值化处理，可以将FΔ中每个像素点的像素值转化为0或者255。其中，像素值为0的像素点为背景，像素值为255的像素点为前景。由此可以将当前雷达图像中的背景与前景进行分离，从而获得背景去除后的目标雷达图像。
本方案通过这样的设置，通过图像差值处理和二值化处理对当前雷达图像中背景与前景进行快速、准确地分离，以得到背景去除后的目标雷达图像，使得背景去除后的目标雷达图像更加准确，可实现更加准确地获取当前雷达图像中待检测车辆的轮廓信息。
S130，根据车辆轮廓信息确定待检测车辆的事故类型。
其中，事故类型可以用于描述车辆发生的交通事故类型。示例性的，事故类型可以包括超速、违法变道和车辆碰撞等。其中，超速和违法变道可以只涉及一辆车，而车辆碰撞需要涉及至少两辆车，例如出现连环撞车事件时可能涉及多辆车。
本实施例中，在确定车辆轮廓信息后，可以进一步根据车辆轮廓信息确定待检测车辆的事故类型。可选的，可以通过预先训练得到的事故类型识别模型确定待检测车辆的事故类型。其中，事故类型识别模型可以是指根据历史车辆事故数据通过有监督模型训练得到的机器学习模型。其中，历史车辆事故数据可以包括历史车辆轮廓信息和历史车辆事故类型。具体的，将车辆轮廓信息输入到事故类型识别模型中，根据事故类型识别模型的输出结果可以确定待检测车辆的事故类型。
在本实施例中，可选的，根据车辆轮廓信息确定待检测车辆的事故类型，包括：根据车辆轮廓信息和预先建立的车辆事故库，确定待检测车辆的事故类型；其中，车辆事故库是根据历史车辆事故数据建立的；历史车辆事故数据包括历史车辆轮廓信息和历史车辆事故类型。
其中，车辆事故库可以是指用于描述各种车辆事故的知识库。具体的，可以根据历史车辆事故数据建立车辆事故库。其中，历史车辆事故数据中包括历史车辆轮廓信息和历史车辆事故类型。在车辆事故库中，每个历史车辆轮廓信息唯一对应一个历史车辆事故类型，反之，一个历史车辆事故类型可以对应多个历史车辆轮廓信息。
本实施例中，可以先从预先建立的车辆事故库中查找与车辆轮廓信息相匹配的历史车辆轮廓信息，然后可以将与历史车辆轮廓信息对应的历史车辆事故类型确定为待检测车辆的事故类型。需要说明的是，本实施例中不限定信息匹配方式，可以根据实际应用需求进行设定，例如可以基于相似度、欧式距离、马氏距离或倾向得分等匹配方法进行信息匹配。
本方案通过这样的设置，可以通过预先建立的事故类型识别模型或者车辆事故库快速确定出待检测车辆的事故类型，以便后续对车辆事故进行及时处理，从而降低车辆事故的不良影响。
本发明实施例的技术方案，确定雷达检测区域的当前雷达图像；依据当前雷达图像确定进入雷达检测区域的待检测车辆的车辆轮廓信息；根据车辆轮廓信息确定待检测车辆的事故类型。本技术方案，能够借助雷达图像对车辆交通事故进行及时有效的检测，从而降低车辆交通事故的不良影响，有助于提高车辆行驶的安全性。
在本实施例中，可选的，在根据车辆轮廓信息确定待检测车辆的事故类型之后，还包括：确定由摄像设备记录的与当前雷达图像对应的雷达检测区域的图像信息，以对事故类型进行核验。
其中，摄像设备可以是摄像头或者摄像机等抓拍设备。图像信息可以是指摄像设备拍摄的图像相关信息。本实施例中，为了避免车辆事故误判，进一步提高车辆事故类型检测的准确度，还可以借助摄像设备对事故类型进行人工核验。具体的，在根据车辆轮廓信息确定待检测车辆的事故类型之后，确定由摄像设备记录的与当前雷达图像对应的雷达检测区域的图像信息，进而可以根据图像信息对事故类型进行核验，以校验是否发生车辆事故以及检测到的事故类型是否准确。
本方案通过这样的设置，借助摄像设备对车辆事故类型进行人工核验，可有效避免车辆交通事故误判，进一步提高车辆事故类型检测的准确度。
实施例二
图2为本发明实施例二提供的一种交通事故检测方法的流程图，本实施例以上述实施例为基础进行优化。如图2所示，本实施例的方法具体包括如下步骤：
S210，确定雷达检测区域的当前雷达图像，并将当前雷达图像中背景与前景进行分离获得背景去除后的目标雷达图像。
S220，对目标雷达图像进行边缘检测得到目标雷达图像的边缘检测图。
其中，边缘检测图可以是指对目标雷达图像进行边缘检测后的图像。本实施例中，在确定目标雷达图像后，可以对目标雷达图像进行边缘检测，将目标雷达图像中真实和潜在的边缘进行区分，进而获得准确的目标雷达图像的边缘检测图。
在本实施例中，可选的，对目标雷达图像进行边缘检测得到目标雷达图像的边缘检测图，包括：对目标雷达图像进行形态学处理得到处理后雷达图像；目标雷达图像的前景中待检测车辆区域介于发生前景与背景分离而被分割到不同子区域；对处理后雷达图像进行高斯平滑处理，并对高斯平滑后的处理后雷达图像进行边缘检测得到目标雷达图像的边缘检测图。
本实施例中，在确定目标雷达图像的过程中，可能会出现待检测车辆区域被分成不同子区域，所以需要先对目标雷达图像进行形态学处理得到处理后雷达图像，再对处理后雷达图像进行高斯平滑处理，以消除因为雷达探测引起的噪声，最后对高斯平滑后的处理后雷达图像进行边缘检测，以准确区分目标雷达图像中的待检测车辆的边缘，进而准确得到目标雷达图像的边缘检测图。
本方案通过这样的设置，通过对目标雷达图像依次进行形态学处理和高斯平滑处理，消除了因为雷达检测引起的部分小的噪声点，提高了图像的准确性，通过图像边缘检测得到目标雷达图像的边缘检测图，以便后续准确地确定待检测车辆的车辆轮廓信息。
在本实施例中，可选的，对目标雷达图像进行形态学处理得到处理后雷达图像，包括：对目标雷达图像进行形态学膨胀运算得到膨胀后雷达图像；形态学膨胀运算用于消除前景对应的不同子区域之间的内部空洞和/或近邻区域空隙；对膨胀后雷达图像进行形态学腐蚀运算得到腐蚀后雷达图像，并作为处理后雷达图像。
其中，膨胀后雷达图像可以是指对目标雷达图像进行形态学膨胀运算后的图像，可以用于消除前景对应的不同子区域之间的内部空洞和/或近邻区域空隙。腐蚀后雷达图像可以是指对膨胀后雷达图像进行形态学腐蚀运算后的图像。
本实施例中，由于在确定目标雷达图像的过程中，可能会出现待检测车辆区域被分成不同子区域，所以为了消除待检测车辆区域对应的不同子区域之间的内部空洞和/或近邻区域空隙，需对目标雷达图像进行形态学膨胀运算获得膨胀后雷达图像。由于膨胀之后区域会变大，通过对膨胀后雷达图像进行形态学腐蚀运算得到腐蚀后雷达图像，可以让区域面积恢复到膨胀之前，以此作为处理后雷达图像，从而能够更加准确地表征待检测车辆区域。
本方案通过这样的设置，通过对目标雷达图像进行形态学膨胀运算，消除了前景对应的不同子区域之间的内部空洞和/或近邻区域空隙，再对膨胀后雷达图像进行形态学腐蚀运算，使得图像区域面积恢复到膨胀之前，更能准确表征待检测车辆区域，有利于后续对待检测车辆区域的分析。
S230，依据目标雷达图像的边缘检测图，确定目标雷达图像的前景所对应待检测车辆的车辆轮廓信息。
本实施例中，在确定目标雷达图像的边缘检测图后，可以进一步依据边缘检测图确定目标雷达图像的前景所对应待检测车辆的车辆轮廓信息，实现对待检测车辆的车辆轮廓信息的准确获取。
在本实施例中，可选的，依据目标雷达图像的边缘检测图，确定目标雷达图像的前景所对应待检测车辆的车辆轮廓信息，包括：依据目标雷达图像的边缘检测图，提取目标雷达图像的前景中待检测车辆区域的外边界像素点位置；外边界像素点位置通过外边界对应的像素行列标识描述；依据目标雷达图像的前景中待检测车辆区域的外边界像素点位置，确定待检测车辆的车辆轮廓信息。
本实施例中，首先依据目标雷达图像的边缘检测图提取目标雷达图像的前景中待检测车辆区域的外边界像素点位置。其中，外边界像素点位置可以通过外边界对应的像素行列标识描述。具体的，外边界像素点位置可以表示为：
Figure BDA0003827619180000161
其中，Di表示第i个目标区域的外边界坐标集合，
Figure BDA0003827619180000162
表示第i个目标区域外边界的第m个像素点的行、列几何像素坐标。
为了使雷达图像中的像素点位置与实际场景中的位置相对应，可以进一步将雷达图像中的待检测车辆区域的外边界像素点位置转化到笛卡尔坐标系中，具体转换可以表示如下：
Figure BDA0003827619180000163
其中，
Figure BDA0003827619180000164
表示雷达图像中位置为
Figure BDA0003827619180000165
的像素点对应的笛卡尔坐标，Δ表示雷达图像中一个像素点表示实际场景中正方形区域的边长。经过坐标转化后，最终可以将目标雷达图像的前景中待检测车辆区域的外边界像素点位置表示为：
Figure BDA0003827619180000166
进而可以将笛卡尔坐标中待检测车辆区域的外边界像素点位置进行顺次光滑连接，以确定待检测车辆的车辆轮廓信息。
本方案通过这样的设置，可以依据目标雷达图像的前景中待检测车辆区域的外边界像素点位置，快速确定出待检测车辆的车辆轮廓信息。
S240，根据车辆轮廓信息确定待检测车辆的事故类型。
本发明实施例的技术方案，对目标雷达图像进行边缘检测得到目标雷达图像的边缘检测图；依据目标雷达图像的边缘检测图，确定目标雷达图像的前景所对应待检测车辆的车辆轮廓信息。本技术方案，能够借助雷达图像快速确定出待检测车辆的车辆轮廓信息，实现对车辆交通事故的及时有效检测，从而降低车辆交通事故的不良影响，有助于提高车辆行驶的安全性。
实施例三
图3为本发明实施例三提供的一种交通事故检测方法的流程图，本实施例以上述实施例一为基础进行优化。如图3所示，本实施例的方法具体包括如下步骤：
S310，确定雷达检测区域的当前雷达图像。
S320，依据当前雷达图像确定进入雷达检测区域的待检测车辆的车辆轮廓信息。
S330，确定车辆轮廓信息与预先建立的车辆事故库中各历史车辆轮廓信息之间的相似度。
本实施例中，首先需要确定车辆轮廓信息与预先建立的车辆事故库中各历史车辆轮廓信息之间的相似度。本实施例中，对相似度计算方法不做任何限定，可以根据实际应用需求进行设定。示例性的，可以基于欧氏距离、余弦相似度或者皮尔逊相关系数等相似度度量方法计算相似度。
S340，根据相似度结果确定待检测车辆的事故类型。
本实施例中，在确定车辆轮廓信息与预先建立的车辆事故库中各历史车辆轮廓信息之间的相似度之后，可以对各相似度进行排序，依据相似度大小结果确定待检测车辆的事故类型。示例性的，可以直接将相似度最高的历史车辆轮廓信息对应的历史车辆事故类型确定为待检测车辆的事故类型。进一步的，为了确保事故类型检测的容错性，可以将相似度较高的几个历史车辆轮廓信息对应的历史车辆事故类型确定为候选事故类型，再结合人工校验结果从候选事故类型中确定出待检测车辆的事故类型，从而保证车辆事故类型检测的准确性。
本发明实施例的技术方案，确定车辆轮廓信息与预先建立的车辆事故库中各历史车辆轮廓信息之间的相似度；根据相似度结果确定待检测车辆的事故类型。本技术方案，能够借助雷达图像以及预先建立的车辆事故库对车辆交通事故进行及时有效的检测，从而降低车辆交通事故的不良影响，有助于提高车辆行驶的安全性。
实施例四
图4为本发明实施例四提供的一种交通事故检测装置的结构示意图，该装置可执行本发明任意实施例所提供的交通事故检测方法，具备执行方法相应的功能模块和有益效果。如图4所示，该装置包括：
当前雷达图像确定模块410，用于确定雷达检测区域的当前雷达图像；
车辆轮廓信息确定模块420，用于依据所述当前雷达图像确定进入雷达检测区域的待检测车辆的车辆轮廓信息；
事故类型确定模块430，用于根据所述车辆轮廓信息确定所述待检测车辆的事故类型。
可选的，所述当前雷达图像确定模块410，具体用于：
通过微波雷达在当前对进入雷达检测区域的待检测车辆进行扫描，得到当前时刻的当前雷达图像；
其中，所述当前雷达图像中各个像素点取值用于描述雷达在检测位置点扫描时的雷达反射波的信号强度，所述当前雷达图像属于灰度图像。
可选的，所述车辆轮廓信息确定模块420，包括：
目标雷达图像确定子模块，用于对当前雷达图像中背景与前景进行分离得到背景去除后的目标雷达图像；
车辆轮廓信息确定子模块，用于依据所述目标雷达图像，确定进入雷达检测区域的待检测车辆的车辆轮廓信息；
其中，所述目标雷达图像的前景对应包括至少一个待检测车辆区域。
可选的，所述目标雷达图像确定子模块，包括：
上一雷达图像确定单元，用于确定在当前雷达图像之前采集的预设个数的上一雷达图像；所述上一雷达图像包括在采集当前雷达图像之前的邻近时间内所采集的雷达图像或者对雷达检测区域进行封闭所采集的雷达图像；
累加平均图像确定单元，用于对预设个数的上一雷达图像进行图像累加平均，得到上一雷达图像对应的累加平均图像；
目标雷达图像确定单元，用于依据累加平均图像对当前雷达图像中背景与前景进行分离得到背景去除后的目标雷达图像。
可选的，所述目标雷达图像确定单元，用于：
将当前雷达图像与上一雷达图像的累加平均图像进行图像差值处理，得到图像差值处理后图像；
通过对图像差值处理后图像进行二值化处理，对当前雷达图像中背景与前景进行分离得到背景去除后的目标雷达图像。
可选的，所述车辆轮廓信息确定子模块，包括：
边缘检测图确定单元，用于对所述目标雷达图像进行边缘检测得到所述目标雷达图像的边缘检测图；
车辆轮廓信息确定单元，用于依据所述目标雷达图像的边缘检测图，确定所述目标雷达图像的前景所对应待检测车辆的车辆轮廓信息。
可选的，所述边缘检测图确定单元，包括：
处理后雷达图像确定子单元，用于对所述目标雷达图像进行形态学处理得到处理后雷达图像；目标雷达图像的前景中待检测车辆区域介于发生前景与背景分离而被分割到不同子区域；
边缘检测图确定子单元，用于对处理后雷达图像进行高斯平滑处理，并对高斯平滑后的处理后雷达图像进行边缘检测得到所述目标雷达图像的边缘检测图。
可选的，所述处理后雷达图像确定子单元，用于：
对目标雷达图像进行形态学膨胀运算得到膨胀后雷达图像；形态学膨胀运算用于消除前景对应的不同子区域之间的内部空洞和/或近邻区域空隙；
对膨胀后雷达图像进行形态学腐蚀运算得到腐蚀后雷达图像，并作为所述处理后雷达图像。
可选的，所述车辆轮廓信息确定单元，用于：
依据所述目标雷达图像的边缘检测图，提取所述目标雷达图像的前景中待检测车辆区域的外边界像素点位置；所述外边界像素点位置通过外边界对应的像素行列标识描述；
依据所述目标雷达图像的前景中待检测车辆区域的外边界像素点位置，确定待检测车辆的车辆轮廓信息。
可选的，所述事故类型确定模块430，包括：
事故类型确定单元，用于根据所述车辆轮廓信息和预先建立的车辆事故库，确定所述待检测车辆的事故类型；其中，所述车辆事故库是根据历史车辆事故数据建立的；所述历史车辆事故数据包括历史车辆轮廓信息和历史车辆事故类型。
可选的，所述事故类型确定单元，用于：
确定所述车辆轮廓信息与预先建立的车辆事故库中各历史车辆轮廓信息之间的相似度；
根据相似度结果确定所述待检测车辆的事故类型。
可选的，所述装置还包括：
事故类型核验模块，用于在根据所述车辆轮廓信息确定所述待检测车辆的事故类型之后，确定由摄像设备记录的与所述当前雷达图像对应的所述雷达检测区域的图像信息，以对所述事故类型进行核验。
本发明实施例所提供的一种交通事故检测装置可执行本发明任意实施例所提供的一种交通事故检测方法，具备执行方法相应的功能模块和有益效果。
实施例五
图5示出了可以用来实施本发明的实施例的电子设备10的结构示意图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备(如头盔、眼镜、手表等)和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本发明的实现。
如图5所示，电子设备10包括至少一个处理器11，以及与至少一个处理器11通信连接的存储器，如只读存储器(ROM)12、随机访问存储器(RAM)13等，其中，存储器存储有可被至少一个处理器执行的计算机程序，处理器11可以根据存储在只读存储器(ROM)12中的计算机程序或者从存储单元18加载到随机访问存储器(RAM)13中的计算机程序，来执行各种适当的动作和处理。在RAM 13中，还可存储电子设备10操作所需的各种程序和数据。处理器11、ROM 12以及RAM 13通过总线14彼此相连。输入/输出(I/O)接口15也连接至总线14。
电子设备10中的多个部件连接至I/O接口15，包括：输入单元16，例如键盘、鼠标等；输出单元17，例如各种类型的显示器、扬声器等；存储单元18，例如磁盘、光盘等；以及通信单元19，例如网卡、调制解调器、无线通信收发机等。通信单元19允许电子设备10通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
处理器11可以是各种具有处理和计算能力的通用和/或专用处理组件。处理器11的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的处理器、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。处理器11执行上文所描述的各个方法和处理，例如交通事故检测方法。
在一些实施例中，交通事故检测方法可被实现为计算机程序，其被有形地包含于计算机可读存储介质，例如存储单元18。在一些实施例中，计算机程序的部分或者全部可以经由ROM 12和/或通信单元19而被载入和/或安装到电子设备10上。当计算机程序加载到RAM 13并由处理器11执行时，可以执行上文描述的交通事故检测方法的一个或多个步骤。备选地，在其他实施例中，处理器11可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行交通事故检测方法。
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
用于实施本发明的方法的计算机程序可以采用一个或多个编程语言的任何组合来编写。这些计算机程序可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器，使得计算机程序当由处理器执行时使流程图和/或框图中所规定的功能/操作被实施。计算机程序可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本发明的上下文中，计算机可读存储介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的计算机程序。计算机可读存储介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。备选地，计算机可读存储介质可以是机器可读信号介质。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互，可以在电子设备上实施此处描述的系统和技术，该电子设备具有：用于向用户显示信息的显示装置(例如，CRT(阴极射线管)或者LCD(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给电子设备。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(LAN)、广域网(WAN)、区块链网络和互联网。
计算系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器，又称为云计算服务器或云主机，是云计算服务体系中的一项主机产品，以解决了传统物理主机与VPS服务中，存在的管理难度大，业务扩展性弱的缺陷。
应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发明中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本发明的技术方案所期望的结果，本文在此不进行限制。
上述具体实施方式，并不构成对本发明保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本发明的精神和原则之内所作的修改、等同替换和改进等，均应包含在本发明保护范围之内。

Claims (15)

1.一种交通事故检测方法，其特征在于，所述方法包括：
确定雷达检测区域的当前雷达图像；
依据所述当前雷达图像确定进入雷达检测区域的待检测车辆的车辆轮廓信息；
根据所述车辆轮廓信息确定所述待检测车辆的事故类型。
2.根据权利要求1所述的方法，其特征在于，确定雷达检测区域的当前雷达图像，包括：
通过微波雷达在当前对进入雷达检测区域的待检测车辆进行扫描，得到当前时刻的当前雷达图像；
其中，所述当前雷达图像中各个像素点取值用于描述雷达在检测位置点扫描时的雷达反射波的信号强度，所述当前雷达图像属于灰度图像。
3.根据权利要求2所述的方法，其特征在于，依据所述当前雷达图像确定进入雷达检测区域的待检测车辆的车辆轮廓信息，包括：
对当前雷达图像中背景与前景进行分离得到背景去除后的目标雷达图像；
依据所述目标雷达图像，确定进入雷达检测区域的待检测车辆的车辆轮廓信息；
其中，所述目标雷达图像的前景对应包括至少一个待检测车辆区域。
4.根据权利要求3所述的方法，其特征在于，对当前雷达图像中背景与前景进行分离得到背景去除后的目标雷达图像，包括：
确定在当前雷达图像之前采集的预设个数的上一雷达图像；所述上一雷达图像包括在采集当前雷达图像之前的邻近时间内所采集的雷达图像或者对雷达检测区域进行封闭所采集的雷达图像；
对预设个数的上一雷达图像进行图像累加平均，得到上一雷达图像对应的累加平均图像；
依据累加平均图像对当前雷达图像中背景与前景进行分离得到背景去除后的目标雷达图像。
5.根据权利要求4所述的方法，其特征在于，依据累加平均图像对当前雷达图像中背景与前景进行分离得到背景去除后的目标雷达图像，包括：
将当前雷达图像与上一雷达图像的累加平均图像进行图像差值处理，得到图像差值处理后图像；
通过对图像差值处理后图像进行二值化处理，对当前雷达图像中背景与前景进行分离得到背景去除后的目标雷达图像。
6.根据权利要求3所述的方法，其特征在于，依据所述目标雷达图像，确定进入雷达检测区域的待检测车辆的车辆轮廓信息，包括：
对所述目标雷达图像进行边缘检测得到所述目标雷达图像的边缘检测图；
依据所述目标雷达图像的边缘检测图，确定所述目标雷达图像的前景所对应待检测车辆的车辆轮廓信息。
7.根据权利要求6所述的方法，其特征在于，对所述目标雷达图像进行边缘检测得到所述目标雷达图像的边缘检测图，包括：
对所述目标雷达图像进行形态学处理得到处理后雷达图像；目标雷达图像的前景中待检测车辆区域介于发生前景与背景分离而被分割到不同子区域；
对处理后雷达图像进行高斯平滑处理，并对高斯平滑后的处理后雷达图像进行边缘检测得到所述目标雷达图像的边缘检测图。
8.根据权利要求7所述的方法，其特征在于，对所述目标雷达图像进行形态学处理得到处理后雷达图像，包括：
对目标雷达图像进行形态学膨胀运算得到膨胀后雷达图像；形态学膨胀运算用于消除前景对应的不同子区域之间的内部空洞和/或近邻区域空隙；
对膨胀后雷达图像进行形态学腐蚀运算得到腐蚀后雷达图像，并作为所述处理后雷达图像。
9.根据权利要求6所述的方法，其特征在于，依据所述目标雷达图像的边缘检测图，确定所述目标雷达图像的前景所对应待检测车辆的车辆轮廓信息，包括：
依据所述目标雷达图像的边缘检测图，提取所述目标雷达图像的前景中待检测车辆区域的外边界像素点位置；所述外边界像素点位置通过外边界对应的像素行列标识描述；
依据所述目标雷达图像的前景中待检测车辆区域的外边界像素点位置，确定待检测车辆的车辆轮廓信息。
10.根据权利要求1所述的方法，其特征在于，根据所述车辆轮廓信息确定所述待检测车辆的事故类型，包括：
根据所述车辆轮廓信息和预先建立的车辆事故库，确定所述待检测车辆的事故类型；其中，所述车辆事故库是根据历史车辆事故数据建立的；所述历史车辆事故数据包括历史车辆轮廓信息和历史车辆事故类型。
11.根据权利要求10所述的方法，其特征在于，根据所述车辆轮廓信息和预先建立的车辆事故库，确定所述待检测车辆的事故类型，包括：
确定所述车辆轮廓信息与预先建立的车辆事故库中各历史车辆轮廓信息之间的相似度；
根据相似度结果确定所述待检测车辆的事故类型。
12.根据权利要求1所述的方法，其特征在于，在根据所述车辆轮廓信息确定所述待检测车辆的事故类型之后，还包括：
确定由摄像设备记录的与所述当前雷达图像对应的所述雷达检测区域的图像信息，以对所述事故类型进行核验。
13.一种交通事故检测装置，其特征在于，所述装置包括：
当前雷达图像确定模块，用于确定雷达检测区域的当前雷达图像；
车辆轮廓信息确定模块，用于依据所述当前雷达图像确定进入雷达检测区域的待检测车辆的车辆轮廓信息；
事故类型确定模块，用于根据所述车辆轮廓信息确定所述待检测车辆的事故类型。
14.一种交通事故检测电子设备，其特征在于，所述电子设备包括：
至少一个处理器；以及
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1-12中任一项所述的交通事故检测方法。
15.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机指令，所述计算机指令用于使处理器执行时实现权利要求1-12中任一项所述的交通事故检测方法。
CN202211066192.7A 2022-08-31 2022-08-31 一种交通事故检测方法、装置、电子设备以及存储介质 Pending CN115375666A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211066192.7A CN115375666A (zh) 2022-08-31 2022-08-31 一种交通事故检测方法、装置、电子设备以及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211066192.7A CN115375666A (zh) 2022-08-31 2022-08-31 一种交通事故检测方法、装置、电子设备以及存储介质

Publications (1)

Publication Number Publication Date
CN115375666A true CN115375666A (zh) 2022-11-22

Family

ID=84069002

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211066192.7A Pending CN115375666A (zh) 2022-08-31 2022-08-31 一种交通事故检测方法、装置、电子设备以及存储介质

Country Status (1)

Country Link
CN (1) CN115375666A (zh)

Similar Documents

Publication Publication Date Title
US20210350149A1 (en) Lane detection method and apparatus,lane detection device,and movable platform
US10043090B2 (en) Information processing device, information processing method, computer-readable recording medium, and inspection system
CN105303153A (zh) 一种车辆车牌识别方法及装置
CN111435436A (zh) 一种基于目标位置的周界防入侵方法和装置
CN115471476A (zh) 一种部件缺陷检测方法、装置、设备及介质
CN115359471A (zh) 图像处理及联合检测模型训练方法、装置、设备和存储介质
CN114882470A (zh) 车载防碰撞预警方法、装置、计算机设备及存储介质
CN115526837A (zh) 一种异常行车检测方法、装置、电子设备以及介质
CN116542998B (zh) 用于光刻薄膜电感的轮廓检测方法、装置、设备及介质
CN115376106A (zh) 基于雷达图的车型识别方法、装置、设备及介质
CN115267782A (zh) 基于微波雷达的危险区域预警方法、装置、设备及介质
CN115375666A (zh) 一种交通事故检测方法、装置、电子设备以及存储介质
CN114581890B (zh) 确定车道线的方法、装置、电子设备和存储介质
CN115436900A (zh) 基于雷达图的目标检测方法、装置、设备和介质
CN116091450A (zh) 一种障碍物检测方法、装置、设备、介质和产品
CN115908816A (zh) 基于人工智能的积水识别方法、装置、设备及存储介质
CN116030663A (zh) 一种车辆预警方法、装置、电子设备及存储介质
CN115330841A (zh) 基于雷达图的抛洒物检测方法、装置、设备和介质
CN115410370A (zh) 一种异常停车检测方法、装置、电子设备及存储介质
CN115440057B (zh) 基于雷达图的弯道车辆检测方法、装置、设备及介质
CN114255344A (zh) 安检图像切分方法、装置、电子设备及计算机可读介质
CN112906495A (zh) 一种目标检测方法、装置、电子设备及存储介质
CN115424442A (zh) 基于雷达图的车辆行驶事件检测方法、装置、设备和介质
CN111738185A (zh) 一种目标识别方法、装置及设备
CN115424455A (zh) 一种车辆预警方法、装置、电子设备以及存储介质

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