CN115410370A - 一种异常停车检测方法、装置、电子设备及存储介质 - Google Patents
一种异常停车检测方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN115410370A CN115410370A CN202211059005.2A CN202211059005A CN115410370A CN 115410370 A CN115410370 A CN 115410370A CN 202211059005 A CN202211059005 A CN 202211059005A CN 115410370 A CN115410370 A CN 115410370A
- Authority
- CN
- China
- Prior art keywords
- radar image
- radar
- vehicle
- detected
- image
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 144
- 230000002159 abnormal effect Effects 0.000 title claims abstract description 41
- 238000000034 method Methods 0.000 claims abstract description 38
- 238000003708 edge detection Methods 0.000 claims description 40
- 238000012545 processing Methods 0.000 claims description 33
- 230000000877 morphologic effect Effects 0.000 claims description 20
- 238000004590 computer program Methods 0.000 claims description 17
- 230000010339 dilation Effects 0.000 claims description 7
- 238000009499 grossing Methods 0.000 claims description 7
- 238000005260 corrosion Methods 0.000 claims description 5
- 230000007797 corrosion Effects 0.000 claims description 5
- 238000009825 accumulation Methods 0.000 claims description 4
- 238000012935 Averaging Methods 0.000 claims description 3
- 239000000126 substance Substances 0.000 claims description 2
- 230000008569 process Effects 0.000 description 9
- 230000006399 behavior Effects 0.000 description 8
- 238000004891 communication Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 5
- 238000012795 verification Methods 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000003628 erosive effect Effects 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
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
- G08G1/0129—Traffic data processing for creating historical data or processing based on historical data
-
- 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
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明实施例公开了一种异常停车检测方法、装置、电子设备及存储介质。该方法包括：确定进入第一雷达检测区域的待检测车辆的第一雷达图像；各个雷达检测区域间隔部署于目标路段；确定待检测车辆在目标路段的历史行驶轨迹；历史行驶轨迹通过待检测车辆对应第二雷达图像所确定的行驶位置生成，第二雷达图像包括待检测车辆进入第一雷达检测区域之前在第二雷达检测区域的雷达图像；根据第一雷达图像对历史行驶轨迹进行延伸，确定待检测车辆在截止到第一雷达检测区域时的更新行驶轨迹；根据待检测车辆的更新行驶轨迹，确定是否发生目标路段停车事件。本方案能够借助雷达图像对目标路段异常停车行为进行快速有效检测，有助于提高行车安全。
Description
技术领域
本发明涉及车辆检测技术领域，尤其涉及一种异常停车检测方法、装置、电子设备及存储介质。
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，通常存在不允许停车的路段，如高速公路、快速路或者施工区域等，如果在这些不允许停车的路段上随意停车，不仅影响正常交通，还可能由于后方车辆来不及避让导致车辆追尾事故，甚至引发更严重的后果，严重影响了车辆安全行驶。如果能够及时地检测出车辆存在异常停车行为，就可以对违章停车车辆进行及时处理，以免带来不良后果。因此，如何对路段异常停车行为实现快速精准的检测，是车辆行驶过程中值得关注的问题之一。
发明内容
本发明提供了一种异常停车检测方法、装置、电子设备及存储介质，能够借助雷达图像对目标路段异常停车行为进行快速有效检测，避免影响其他车辆正常行驶，有助于提高车辆行驶的安全性。
根据本发明的一方面，提供了一种异常停车检测方法，所述方法包括：
确定进入第一雷达检测区域的待检测车辆的第一雷达图像；各个雷达检测区域间隔部署于目标路段；所述待检测车辆在所述目标路段行驶时不允许停车；
确定所述待检测车辆在所述目标路段的历史行驶轨迹；所述历史行驶轨迹通过待检测车辆对应第二雷达图像所确定的行驶位置生成，所述第二雷达图像包括待检测车辆进入第一雷达检测区域之前在第二雷达检测区域的雷达图像；
根据所述第一雷达图像对所述历史行驶轨迹进行延伸，确定待检测车辆在截止到第一雷达检测区域时的更新行驶轨迹；
根据所述待检测车辆的更新行驶轨迹，确定是否发生目标路段停车事件。
根据本发明的另一方面，提供了一种异常停车检测装置，包括：
第一雷达图像确定模块，用于确定进入第一雷达检测区域的待检测车辆的第一雷达图像；各个雷达检测区域间隔部署于目标路段；所述待检测车辆在所述目标路段行驶时不允许停车；
历史行驶轨迹确定模块，用于确定所述待检测车辆在所述目标路段的历史行驶轨迹；所述历史行驶轨迹通过待检测车辆对应第二雷达图像所确定的行驶位置生成，所述第二雷达图像包括待检测车辆进入第一雷达检测区域之前在第二雷达检测区域的雷达图像；
更新行驶轨迹确定模块，用于根据所述第一雷达图像对所述历史行驶轨迹进行延伸，确定待检测车辆在截止到第一雷达检测区域时的更新行驶轨迹；
目标路段停车事件确定模块，用于根据所述待检测车辆的更新行驶轨迹，确定是否发生目标路段停车事件。
根据本发明的另一方面，提供了一种异常停车检测电子设备，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异常停车检测方法。
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异常停车检测方法。
本发明实施例的技术方案，确定进入第一雷达检测区域的待检测车辆的第一雷达图像；各个雷达检测区域间隔部署于目标路段；待检测车辆在目标路段行驶时不允许停车；确定待检测车辆在目标路段的历史行驶轨迹；历史行驶轨迹通过待检测车辆对应第二雷达图像所确定的行驶位置生成，第二雷达图像包括待检测车辆进入第一雷达检测区域之前在第二雷达检测区域的雷达图像；根据第一雷达图像对历史行驶轨迹进行延伸，确定待检测车辆在截止到第一雷达检测区域时的更新行驶轨迹；根据待检测车辆的更新行驶轨迹，确定是否发生目标路段停车事件。本技术方案，能够借助雷达图像对目标路段异常停车行为进行快速有效检测，避免影响其他车辆正常行驶，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异常停车检测方法的流程图；
图2是根据本发明实施例二提供的一种异常停车检测方法的流程图；
图3是根据本发明实施例三提供的一种异常停车检测装置的结构示意图；
图4是实现本发明实施例的一种异常停车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异常停车检测方法的流程图，本实施例可适用于对目标路段异常停车行为进行快速检测的情况，该方法可以由异常停车检测装置来执行，该异常停车检测装置可以采用硬件和/或软件的形式实现，该异常停车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，确定进入第一雷达检测区域的待检测车辆的第一雷达图像；各个雷达检测区域间隔部署于目标路段；待检测车辆在目标路段行驶时不允许停车。
其中，第一雷达检测区域可以是指目标路段上未参与待检测车辆行驶轨迹绘制的雷达检测区域。待检测车辆可以是指等待被检测的车辆。第一雷达图像可以是指待检测车辆在第一雷达检测区域对应的雷达图像。具体的，当待检测车辆进入第一雷达检测区域后，雷达发射机向第一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图像即为第一雷达图像。目标路段可以是指不允许车辆停车的路段，例如目标路段可以是高速公路、快速路、施工区域等。
需要说明的是，第一雷达检测区域可以是一个或多个雷达区域，同样的，第一雷达图像也可以是一个或多个雷达图像，本实施例对此不做限定，可以根据实际应用场景确定。其中，一个雷达区域可以包括一个或多个雷达图像。此外，各个雷达检测区域间隔部署于目标路段，具体部署方式可以采用等间隔或者不等间隔的形式，本实施例对此不做限定。
在本实施例中，可选的，确定进入第一雷达检测区域的待检测车辆的第一雷达图像，包括：通过微波雷达对进入第一雷达检测区域的待检测车辆进行扫描，得到待检测车辆的第一雷达图像；其中，第一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，第一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。本实施例中，可以通过微波雷达对进入第一雷达检测区域的待检测车辆进行扫描，得到待检测车辆的第一雷达图像。其中，第一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，且第一雷达图像属于灰度图像。具体的，通过微波雷达对第一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，进而获得第一雷达检测区域的第一雷达图像。
本方案通过这样的设置，借助微波雷达可以快速、准确地获得第一雷达图像，以便后续根据第一雷达图像实现对待检测车辆的行驶轨迹更新。
S120，确定待检测车辆在目标路段的历史行驶轨迹；历史行驶轨迹通过待检测车辆对应第二雷达图像所确定的行驶位置生成，第二雷达图像包括待检测车辆进入第一雷达检测区域之前在第二雷达检测区域的雷达图像。
其中，历史行驶轨迹可以是指待检测车辆在进入第一雷达检测区域之前在第二雷达检测区域形成的车辆行驶轨迹。第二雷达检测区域可以是指目标路段上参与过待检测车辆行驶轨迹绘制的雷达检测区域。具体的，历史行驶轨迹可以通过待检测车辆对应第二雷达图像所确定的行驶位置生成。第二雷达图像可以是指待检测车辆在第二雷达检测区域对应的雷达图像。具体的，第二雷达图像可以包括待检测车辆进入第一雷达检测区域之前在第二雷达检测区域的雷达图像。需要说明的是，第二雷达检测区域可以是一个或多个雷达区域，同样的，第二雷达图像也可以是一个或多个雷达图像，本实施例对此不做限定，可以根据实际应用场景确定。
S130，根据第一雷达图像对历史行驶轨迹进行延伸，确定待检测车辆在截止到第一雷达检测区域时的更新行驶轨迹。
其中，更新行驶轨迹可以是指对待检测车辆的历史行驶轨迹更新后的新的车辆行驶轨迹。本实施例中，在确定了第一雷达图像和待检测车辆的历史行驶轨迹之后，可以根据第一雷达图像对历史行驶轨迹进行延伸，以确定待检测车辆在截止到第一雷达检测区域时的更新行驶轨迹。具体的，首先根据第一雷达图像确定待检测车辆的第一雷达检测区域的各个行驶位置，然后将各个行驶位置添加到历史行驶轨迹中，构成新的行驶轨迹，以实现对历史行驶轨迹的延伸，由此可以确定出待检测车辆在截止到第一雷达检测区域时的更新行驶轨迹。也就是说，更新行驶轨迹中包含了历史行驶轨迹和由第一雷达检测区域的各个行驶位置构成的延伸行驶轨迹。
S140，根据待检测车辆的更新行驶轨迹，确定是否发生目标路段停车事件。
其中，目标路段停车事件可以是指目标路段上的车辆停车行为。本实施例中，在确定待检测车辆的更新行驶轨迹后，可以进一步根据更新行驶轨迹判断是否发生目标路段停车事件。
在本实施例中，可选的，根据待检测车辆的更新行驶轨迹，确定是否发生目标路段停车事件，包括：确定更新行驶轨迹中各个相邻行驶位置之间的相邻位置间距和相邻行驶时间差；根据相邻位置间距和相邻行驶时间差，确定是否发生目标路段停车事件。
其中，相邻位置间距可以是指更新行驶轨迹中各相邻行驶位置之间的距离。相邻行驶时间差可以是指更新行驶轨迹中各相邻行驶位置之间对应的时间差。本实施例中，可以首先根据第一雷达图像确定待检测车辆的第一雷达检测区域的各个行驶位置，再根据各个行驶位置确定相邻位置间距。此外，在确定各个雷达图像的同时，可以确定出各个雷达图像的采集时间，因此可以根据相邻雷达图像的采集时间差确定相邻行驶时间差。
示例性的，可以根据待检测车辆在单位距离内的行驶时间，确定是否发生目标路段停车事件。本实施例对单位距离的长度不做限定，可以根据实际应用场景灵活设置，例如可以将单位距离设置为2km。具体的，可以根据相邻位置间距和单位距离的倍数关系，通过对相邻行驶时间差进行等比例缩放确定待检测车辆在单位距离内的行驶时间。特别的，可以直接由相邻行驶时间差与相邻位置间距的比值，确定待检测车辆在单位距离内的行驶时间，该情况对应单位距离为1km的情况。若存在各个单位距离内的行驶时间的差值大于预设时间差，则表明存在待检测车辆在经过相邻行驶位置需要较长时间的情况，此时可确定存在发生目标路段停车事件。其中，预设时间差可以是指预先设定的待检测车辆在单位距离内的行驶时间的差值，可以用于表征各个单位距离内的行驶时间的差异程度。本实施例对预设时间差的大小不做任何限定，可以根据实际应用场景灵活设置。
示例性的，还可以根据待检测车辆在相邻行驶位置之间的平均速度，确定是否发生目标路段停车事件。具体的，可以根据相邻位置间距与相邻行驶时间差的比值，确定待检测车辆在相邻行驶位置之间的平均速度。若存在各个相邻行驶位置之间的平均速度的差值大于预设速度差，则表明存在待检测车辆在相邻行驶位置之间的平均速度较小的情况，此时可以确定存在发生目标路段停车事件。其中，预设速度差可以是指预先设定的待检测车辆在相邻行驶位置之间的平均速度的差值，可用于表征各个相邻行驶位置之间的平均速度的差异程度。本实施例对预设速度差的大小不做任何限定，可以根据实际应用场景灵活设置。
本方案通过这样的设置，可以根据更新行驶轨迹中各个相邻行驶位置之间的相邻位置间距和相邻行驶时间差，快速、灵活地确定是否发生目标路段停车事件，提高了目标路段停车事件检测的灵活性与适应性。
在本实施例中，可选的，在根据相邻位置间距和相邻行驶时间差，确定是否发生目标路段停车事件之后，还包括：若确定发生目标路段停车事件，判断发生目标路段停车事件的相邻行驶位置区间在预设距离范围内是否存在停车区域，以根据判断结果对目标路段停车事件进行核验。
其中，相邻行驶位置区间可以是指更新行驶轨迹中相邻行驶位置之间的车辆行驶区域。预设距离范围可以是指预先设定的以相邻行驶位置区间为中心的距离范围。需要说明的是，本实施例中对预设距离范围的形状和大小不做任何限定，可以根据实际应用场景设定。例如，预设距离范围的形状可以是正方形、长方形或圆形。示例性的，可将预设距离范围设置为以相邻行驶位置区间为中心，半径为1km的圆形区域范围。停车区域可以是指允许车辆停车的区域。例如，停车区域可以包括服务区和停车区。
本实施例中，为了保证目标路段停车事件检测的容错性，进一步提高检测准确性，可以增加人工校验环节对检测结果进行校验，从而避免检测出现错误。具体的，在根据相邻位置间距和相邻行驶时间差确定发生目标路段停车事件之后，还需要进一步判断发生目标路段停车事件的相邻行驶位置区间在预设距离范围内是否存在停车区域，从而根据判断结果对目标路段停车事件进行核验。若存在停车区域，可以根据停车区域的雷达图像或录像视频，通过人工核验再次确定是否发生目标路段停车事件；若不存在停车区域，无需进行人工核验，可直接判定发生目标路段停车事件。
本方案通过这样的设置，通过增加人工校验环节对检测结果进行校验，保证了目标路段停车事件检测的容错性，进一步提高了检测准确性。
本发明实施例的技术方案，确定进入第一雷达检测区域的待检测车辆的第一雷达图像；各个雷达检测区域间隔部署于目标路段；待检测车辆在目标路段行驶时不允许停车；确定待检测车辆在目标路段的历史行驶轨迹；历史行驶轨迹通过待检测车辆对应第二雷达图像所确定的行驶位置生成，第二雷达图像包括待检测车辆进入第一雷达检测区域之前在第二雷达检测区域的雷达图像；根据第一雷达图像对历史行驶轨迹进行延伸，确定待检测车辆在截止到第一雷达检测区域时的更新行驶轨迹；根据待检测车辆的更新行驶轨迹，确定是否发生目标路段停车事件。本技术方案，能够借助雷达图像对目标路段异常停车行为进行快速有效检测，避免影响其他车辆正常行驶，有助于提高车辆行驶的安全性。
实施例二
图2为本发明实施例二提供的一种异常停车检测方法的流程图，本实施例以上述实施例为基础进行优化。具体优化为：根据第一雷达图像对历史行驶轨迹进行延伸，包括：对第一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，目标雷达图像的前景对应至少一个待检测车辆区域；根据目标雷达图像确定前景中待检测车辆的第一位置信息；根据第一位置信息对历史行驶轨迹进行延伸。
如图2所示，本实施例的方法具体包括如下步骤：
S210，确定进入第一雷达检测区域的待检测车辆的第一雷达图像；各个雷达检测区域间隔部署于目标路段。
S220，确定待检测车辆在目标路段的历史行驶轨迹；历史行驶轨迹通过待检测车辆对应第二雷达图像所确定的行驶位置生成，第二雷达图像包括待检测车辆进入第一雷达检测区域之前在第二雷达检测区域的雷达图像。
S230，对第一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，目标雷达图像的前景对应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第一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，在获取第一雷达图像之后，可以对第一雷达图像中的各个像素点取值进行分析处理，以使第一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，从而将待检测车辆区域从第一雷达图像中分离出来。
S240，根据目标雷达图像确定前景中待检测车辆的第一位置信息。
其中，第一位置信息可以是指待检测车辆在目标雷达图像的前景中的位置信息。示例性的，可以通过对目标雷达图像进行边缘检测，进而依据边缘检测结果确定前景中待检测车辆的第一位置信息。
S250，根据第一位置信息对历史行驶轨迹进行延伸，确定待检测车辆在截止到第一雷达检测区域时的更新行驶轨迹。
本实施例中，在确定待检测车辆的第一位置信息后，可以将第一位置信息添加至历史行驶轨迹中，并以此绘制新的行驶轨迹，从而确定出待检测车辆在截止到第一雷达检测区域时的更新行驶轨迹，以实现对历史行驶轨迹的延伸和更新。
S260，根据待检测车辆的更新行驶轨迹，确定是否发生目标路段停车事件。
本发明实施例的技术方案，对第一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，目标雷达图像的前景对应至少一个待检测车辆区域；根据目标雷达图像确定前景中待检测车辆的第一位置信息；根据第一位置信息对历史行驶轨迹进行延伸。本技术方案，能够借助背景去除后的雷达图像对目标路段异常停车行为进行快速有效检测，避免影响其他车辆正常行驶，进一步提高了检测的准确性，有助于提高车辆行驶的安全性。
在本实施例中，可选的，对第一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：确定采集第一雷达图像之前在第一雷达检测区域采集的预设数量的上一雷达图像；上一雷达图像包括在采集第一雷达图像之前邻近时间内采集的雷达图像或者对第一雷达检测区域进行封闭所采集的雷达图像；对预设数量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第一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，预设数量可以是指根据实际需求确定的在采集第一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第一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，或者是对第一雷达检测区域进行封闭使得第一雷达检测区域内在无车辆等干扰因素下通过雷达扫描第一雷达检测区域所采集的图像。
本实施例中，可以利用微波雷达扫描第一雷达检测区域以获取预设数量的上一雷达图像，且每一个图像记为F，再对预设数量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
进而依据上一雷达图像的累加平均图像对第一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，可以借助上一雷达图像的累加平均图像对第一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。
在本实施例中，可选的，依据累加平均图像对第一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：将第一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，对第一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，在获得第一雷达图像F和上一雷达图像的累加平均图像
之后，可以将第一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：
其中，F为第一雷达图像的灰度图。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：
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，
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。
本方案通过这样的设置，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。由此可以将第一雷达图像中的背景与前景进行精准分离，从而获得背景去除后的目标雷达图像。
在本实施例中，可选的，根据目标雷达图像确定前景中待检测车辆的第一位置信息，包括：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的待检测车辆的第一位置信息。
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，由此得到目标雷达图像的边缘检测图。进而可以依据边缘检测图确定目标雷达图像的前景所对应的待检测车辆的第一位置信息，从而准确确定第一位置信息。
本方案通过这样的设置，可以通过对目标雷达图像的边缘检测，快速准确地确定出待检测车辆的第一位置信息。
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待检测车辆的边缘，从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第一位置信息。
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。
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的待检测车辆的第一位置信息，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拐点位置；外边界拐点位置通过外边界拐点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拐点位置，确定待检测车辆区域的几何中心位置；依据待检测车辆区域的几何中心位置，确定待检测车辆的第一位置信息。
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拐点位置。其中，外边界拐点位置可以通过外边界拐点对应的像素行列标识描述。具体的，外边界拐点位置可以表示为：
其中，Di表示第i个目标区域的外边界拐点坐标集合，
表示第i个目标区域外边界的第m个拐点的行、列几何像素坐标。
进而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拐点位置，确定待检测车辆区域的几何中心位置。例如，将第i个待检测车辆区域外边界的m个拐点的行几何像素坐标中的最大值和最小值求和，再将求和结果的二分之一作为待检测车辆区域的几何中心位置的几何中心点行像素坐标ri；同理，将第i个待检测车辆区域外边界的m个拐点的列几何像素坐标中的最大值和最小值求和，再将求和结果的二分之一作为待检测车辆区域的几何中心位置的几何中心点列像素坐标ci，即待检测车辆区域的几何中心位置可表示为：
为了使雷达图像中的外边界拐点位置与实际场景中的位置对应，可以进一步将雷达图像中的待检测车辆区域的外边界拐点位置转化到笛卡尔坐标系中。因为一个像素表示边长为Δ米的正方形区域，且笛卡尔坐标系原点位于图像中心，可计算出(ri,ci)对应的笛卡尔坐标系为：
则将待检测车辆区域的几何中心位置转化为对应的笛卡尔坐标系坐标的集合可以表示为：
X＝{(x1,y1),(x2,y2),…,(xn,yn)
再将笛卡尔坐标系坐标的集合进行聚类处理，确定聚类后的待检测车辆区域的几何中心位置对应的笛卡尔坐标系坐标的集合X′，避免出现由于坐标位置不准确而导致待检测车辆的第一位置信息不准确的情况。
本方案通过这样的设置，依据由待检测车辆区域的外边界拐点位置确定的对应几何中心位置确定待检测车辆的第一位置信息，避免了由于第一位置信息存在误差，导致对是否发生目标路段停车事件的误判。
实施例三
图3为本发明实施例三提供的一种异常停车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异常停车检测方法，具备执行方法相应的功能模块和有益效果。如图3所示，该装置包括：
第一雷达图像确定模块310，用于确定进入第一雷达检测区域的待检测车辆的第一雷达图像；各个雷达检测区域间隔部署于目标路段；所述待检测车辆在所述目标路段行驶时不允许停车；
历史行驶轨迹确定模块320，用于确定所述待检测车辆在所述目标路段的历史行驶轨迹；所述历史行驶轨迹通过待检测车辆对应第二雷达图像所确定的行驶位置生成，所述第二雷达图像包括待检测车辆进入第一雷达检测区域之前在第二雷达检测区域的雷达图像；
更新行驶轨迹确定模块330，用于根据所述第一雷达图像对所述历史行驶轨迹进行延伸，确定待检测车辆在截止到第一雷达检测区域时的更新行驶轨迹；
目标路段停车事件确定模块340，用于根据所述待检测车辆的更新行驶轨迹，确定是否发生目标路段停车事件。
可选的，所述第一雷达图像确定模块310，具体用于：
通过微波雷达对进入第一雷达检测区域的待检测车辆进行扫描，得到待检测车辆的第一雷达图像；
其中，所述第一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，所述第一雷达图像属于灰度图像。
可选的，所述更新行驶轨迹确定模块330，包括：
目标雷达图像确定子模块，用于对所述第一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，所述目标雷达图像的前景对应至少一个待检测车辆区域；
第一位置信息确定子模块，用于根据所述目标雷达图像确定前景中待检测车辆的第一位置信息；
历史行驶轨迹延伸子模块，用于根据所述第一位置信息对历史行驶轨迹进行延伸。
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，用于确定采集第一雷达图像之前在第一雷达检测区域采集的预设数量的上一雷达图像；所述上一雷达图像包括在采集第一雷达图像之前邻近时间内采集的雷达图像或者对第一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，用于对预设数量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第一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：
将第一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，对第一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，所述第一位置信息确定子模块，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；
第一位置信息确定单元，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的待检测车辆的第一位置信息。
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，具体用于：
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，所述第一位置信息确定单元，具体用于：
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拐点位置；所述外边界拐点位置通过外边界拐点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拐点位置，确定待检测车辆区域的几何中心位置；
依据待检测车辆区域的几何中心位置，确定待检测车辆的第一位置信息。
可选的，所述目标路段停车事件确定模块340，用于：
确定所述更新行驶轨迹中各个相邻行驶位置之间的相邻位置间距和相邻行驶时间差；
根据所述相邻位置间距和所述相邻行驶时间差，确定是否发生目标路段停车事件。
可选的，所述目标路段停车事件确定模块340，还用于：
在根据所述相邻位置间距和所述相邻行驶时间差，确定是否发生目标路段停车事件之后，若确定发生目标路段停车事件，判断发生目标路段停车事件的相邻行驶位置区间在预设距离范围内是否存在停车区域，以根据判断结果对目标路段停车事件进行核验。
本发明实施例所提供的一种异常停车检测装置可执行本发明任意实施例所提供的一种异常停车检测方法，具备执行方法相应的功能模块和有益效果。
实施例四
图4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4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，例如异常停车检测方法。
在一些实施例中，异常停车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异常停车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)而被配置为执行异常停车检测方法。
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 (14)
1.一种异常停车检测方法，其特征在于，所述方法包括：
确定进入第一雷达检测区域的待检测车辆的第一雷达图像；各个雷达检测区域间隔部署于目标路段；所述待检测车辆在所述目标路段行驶时不允许停车；
确定所述待检测车辆在所述目标路段的历史行驶轨迹；所述历史行驶轨迹通过待检测车辆对应第二雷达图像所确定的行驶位置生成，所述第二雷达图像包括待检测车辆进入第一雷达检测区域之前在第二雷达检测区域的雷达图像；
根据所述第一雷达图像对所述历史行驶轨迹进行延伸，确定待检测车辆在截止到第一雷达检测区域时的更新行驶轨迹；
根据所述待检测车辆的更新行驶轨迹，确定是否发生目标路段停车事件。
2.根据权利要求1所述的方法，其特征在于，确定进入第一雷达检测区域的待检测车辆的第一雷达图像，包括：
通过微波雷达对进入第一雷达检测区域的待检测车辆进行扫描，得到待检测车辆的第一雷达图像；
其中，所述第一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，所述第一雷达图像属于灰度图像。
3.根据权利要求1所述的方法，其特征在于，根据所述第一雷达图像对所述历史行驶轨迹进行延伸，包括：
对所述第一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，所述目标雷达图像的前景对应至少一个待检测车辆区域；
根据所述目标雷达图像确定前景中待检测车辆的第一位置信息；
根据所述第一位置信息对历史行驶轨迹进行延伸。
4.根据权利要求3所述的方法，其特征在于，对所述第一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：
确定采集第一雷达图像之前在第一雷达检测区域采集的预设数量的上一雷达图像；所述上一雷达图像包括在采集第一雷达图像之前邻近时间内采集的雷达图像或者对第一雷达检测区域进行封闭所采集的雷达图像；
对预设数量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第一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第一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：
将第一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，对第一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，根据所述目标雷达图像确定前景中待检测车辆的第一位置信息，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的待检测车辆的第一位置信息。
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的待检测车辆的第一位置信息，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拐点位置；所述外边界拐点位置通过外边界拐点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拐点位置，确定待检测车辆区域的几何中心位置；
依据待检测车辆区域的几何中心位置，确定待检测车辆的第一位置信息。
10.根据权利要求1所述的方法，其特征在于，根据所述待检测车辆的更新行驶轨迹，确定是否发生目标路段停车事件，包括：
确定所述更新行驶轨迹中各个相邻行驶位置之间的相邻位置间距和相邻行驶时间差；
根据所述相邻位置间距和所述相邻行驶时间差，确定是否发生目标路段停车事件。
11.根据权利要求10所述的方法，其特征在于，在根据所述相邻位置间距和所述相邻行驶时间差，确定是否发生目标路段停车事件之后，还包括：
若确定发生目标路段停车事件，判断发生目标路段停车事件的相邻行驶位置区间在预设距离范围内是否存在停车区域，以根据判断结果对目标路段停车事件进行核验。
12.一种异常停车检测装置，其特征在于，所述装置包括：
第一雷达图像确定模块，用于确定进入第一雷达检测区域的待检测车辆的第一雷达图像；各个雷达检测区域间隔部署于目标路段；所述待检测车辆在所述目标路段行驶时不允许停车；
历史行驶轨迹确定模块，用于确定所述待检测车辆在所述目标路段的历史行驶轨迹；所述历史行驶轨迹通过待检测车辆对应第二雷达图像所确定的行驶位置生成，所述第二雷达图像包括待检测车辆进入第一雷达检测区域之前在第二雷达检测区域的雷达图像；
更新行驶轨迹确定模块，用于根据所述第一雷达图像对所述历史行驶轨迹进行延伸，确定待检测车辆在截止到第一雷达检测区域时的更新行驶轨迹；
目标路段停车事件确定模块，用于根据所述待检测车辆的更新行驶轨迹，确定是否发生目标路段停车事件。
13.一种异常停车检测电子设备，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1-11中任一项所述的异常停车检测方法。
14.一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1-11中任一项所述的异常停车检测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211059005.2A CN115410370A (zh) | 2022-08-31 | 2022-08-31 | 一种异常停车检测方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211059005.2A CN115410370A (zh) | 2022-08-31 | 2022-08-31 | 一种异常停车检测方法、装置、电子设备及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115410370A true CN115410370A (zh) | 2022-11-29 |
Family
ID=84164042
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211059005.2A Pending CN115410370A (zh) | 2022-08-31 | 2022-08-31 | 一种异常停车检测方法、装置、电子设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115410370A (zh) |
Citations (21)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2005332120A (ja) * | 2004-05-19 | 2005-12-02 | Daihatsu Motor Co Ltd | 障害物認識方法及び障害物認識装置 |
| KR100706599B1 (ko) * | 2005-12-19 | 2007-04-12 | 주식회사 엠아이비전 | 주정차 차량 감지 시스템 및 그 방법 |
| CN101694681A (zh) * | 2008-11-28 | 2010-04-14 | 北京航空航天大学 | 一种鸟击风险评估系统及其评估方法 |
| CN102110366A (zh) * | 2011-03-28 | 2011-06-29 | 长安大学 | 一种基于块累积的高速公路车辆停车事件检测方法 |
| WO2014027511A1 (ja) * | 2012-08-16 | 2014-02-20 | ソニー株式会社 | 画像処理装置、および画像処理方法、並びにプログラム |
| CN103971127A (zh) * | 2014-05-16 | 2014-08-06 | 华中科技大学 | 一种前视雷达成像海面目标关键点检测识别方法 |
| CN105184814A (zh) * | 2015-07-27 | 2015-12-23 | 成都天奥信息科技有限公司 | 基于多帧雷达图像的动目标检测跟踪方法 |
| CN105702043A (zh) * | 2016-04-22 | 2016-06-22 | 北京国交信通科技发展有限公司 | 对重点营运车辆在高速公路上违章停车的预警方法 |
| CN106127143A (zh) * | 2016-06-23 | 2016-11-16 | 昆明理工大学 | 一种高速公路违章停车检测方法 |
| CN106571039A (zh) * | 2016-08-22 | 2017-04-19 | 中海网络科技股份有限公司 | 一种高速公路违章行为自动抓拍系统 |
| CN107330373A (zh) * | 2017-06-02 | 2017-11-07 | 重庆大学 | 一种基于视频的违章停车监控系统 |
| CN109493366A (zh) * | 2018-10-19 | 2019-03-19 | 上海鹰觉科技有限公司 | 基于探鸟雷达图像的背景建模方法、系统及介质 |
| CN109686088A (zh) * | 2018-12-29 | 2019-04-26 | 重庆同济同枥信息技术有限公司 | 一种交通视频告警方法、设备及系统 |
| CN110542898A (zh) * | 2019-06-18 | 2019-12-06 | 同济大学 | 一种基于雷达组群的车辆行为连续跟踪探测系统及方法 |
| CN111444854A (zh) * | 2020-03-27 | 2020-07-24 | 科大讯飞(苏州)科技有限公司 | 异常事件检测方法、相关设备及可读存储介质 |
| CN112099040A (zh) * | 2020-09-15 | 2020-12-18 | 浙江省机电设计研究院有限公司 | 基于激光雷达网络的全程连续轨迹车辆追踪系统及方法 |
| CN112285668A (zh) * | 2020-12-29 | 2021-01-29 | 南京华格信息技术有限公司 | 一种基于探鸟雷达的机场鸟类检测方法 |
| CN113139482A (zh) * | 2021-04-28 | 2021-07-20 | 北京百度网讯科技有限公司 | 交通异常检测的方法和装置 |
| CN114005074A (zh) * | 2021-12-30 | 2022-02-01 | 以萨技术股份有限公司 | 交通事故的确定方法、装置及电子设备 |
| DE102021105659A1 (de) * | 2020-12-09 | 2022-06-09 | Symeo Gmbh | Verfahren, Vorrichtung und Radarsystem zum Verfolgen von Objekten |
| CN114779205A (zh) * | 2022-06-23 | 2022-07-22 | 北京海兰信数据科技股份有限公司 | 一种基于雷达目标多状态参数航迹匹配处理方法及系统 |
-
2022
- 2022-08-31 CN CN202211059005.2A patent/CN115410370A/zh active Pending
Patent Citations (21)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2005332120A (ja) * | 2004-05-19 | 2005-12-02 | Daihatsu Motor Co Ltd | 障害物認識方法及び障害物認識装置 |
| KR100706599B1 (ko) * | 2005-12-19 | 2007-04-12 | 주식회사 엠아이비전 | 주정차 차량 감지 시스템 및 그 방법 |
| CN101694681A (zh) * | 2008-11-28 | 2010-04-14 | 北京航空航天大学 | 一种鸟击风险评估系统及其评估方法 |
| CN102110366A (zh) * | 2011-03-28 | 2011-06-29 | 长安大学 | 一种基于块累积的高速公路车辆停车事件检测方法 |
| WO2014027511A1 (ja) * | 2012-08-16 | 2014-02-20 | ソニー株式会社 | 画像処理装置、および画像処理方法、並びにプログラム |
| CN103971127A (zh) * | 2014-05-16 | 2014-08-06 | 华中科技大学 | 一种前视雷达成像海面目标关键点检测识别方法 |
| CN105184814A (zh) * | 2015-07-27 | 2015-12-23 | 成都天奥信息科技有限公司 | 基于多帧雷达图像的动目标检测跟踪方法 |
| CN105702043A (zh) * | 2016-04-22 | 2016-06-22 | 北京国交信通科技发展有限公司 | 对重点营运车辆在高速公路上违章停车的预警方法 |
| CN106127143A (zh) * | 2016-06-23 | 2016-11-16 | 昆明理工大学 | 一种高速公路违章停车检测方法 |
| CN106571039A (zh) * | 2016-08-22 | 2017-04-19 | 中海网络科技股份有限公司 | 一种高速公路违章行为自动抓拍系统 |
| CN107330373A (zh) * | 2017-06-02 | 2017-11-07 | 重庆大学 | 一种基于视频的违章停车监控系统 |
| CN109493366A (zh) * | 2018-10-19 | 2019-03-19 | 上海鹰觉科技有限公司 | 基于探鸟雷达图像的背景建模方法、系统及介质 |
| CN109686088A (zh) * | 2018-12-29 | 2019-04-26 | 重庆同济同枥信息技术有限公司 | 一种交通视频告警方法、设备及系统 |
| CN110542898A (zh) * | 2019-06-18 | 2019-12-06 | 同济大学 | 一种基于雷达组群的车辆行为连续跟踪探测系统及方法 |
| CN111444854A (zh) * | 2020-03-27 | 2020-07-24 | 科大讯飞(苏州)科技有限公司 | 异常事件检测方法、相关设备及可读存储介质 |
| CN112099040A (zh) * | 2020-09-15 | 2020-12-18 | 浙江省机电设计研究院有限公司 | 基于激光雷达网络的全程连续轨迹车辆追踪系统及方法 |
| DE102021105659A1 (de) * | 2020-12-09 | 2022-06-09 | Symeo Gmbh | Verfahren, Vorrichtung und Radarsystem zum Verfolgen von Objekten |
| CN112285668A (zh) * | 2020-12-29 | 2021-01-29 | 南京华格信息技术有限公司 | 一种基于探鸟雷达的机场鸟类检测方法 |
| CN113139482A (zh) * | 2021-04-28 | 2021-07-20 | 北京百度网讯科技有限公司 | 交通异常检测的方法和装置 |
| CN114005074A (zh) * | 2021-12-30 | 2022-02-01 | 以萨技术股份有限公司 | 交通事故的确定方法、装置及电子设备 |
| CN114779205A (zh) * | 2022-06-23 | 2022-07-22 | 北京海兰信数据科技股份有限公司 | 一种基于雷达目标多状态参数航迹匹配处理方法及系统 |
Non-Patent Citations (1)
| Title |
|---|
| 佟文君等: "基于边缘检测与传统差分法的目标检测方法", 《天津职业技术师范大学学报》, vol. 21, no. 2 * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108859952B (zh) | 车辆变道预警方法、装置和雷达 | |
| CN112818792A (zh) | 车道线检测方法、装置、电子设备及计算机存储介质 | |
| CN113269042A (zh) | 基于行驶车辆违章识别的智能交通管理方法及系统 | |
| 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 | |
| CN113297939B (zh) | 障碍物检测方法、系统、终端设备及存储介质 | |
| CN115526837A (zh) | 一种异常行车检测方法、装置、电子设备以及介质 | |
| CN116990768A (zh) | 预测航迹处理方法、装置、电子设备及可读介质 | |
| CN115436900A (zh) | 基于雷达图的目标检测方法、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 | |
| CN114973685B (zh) | 一种检测停车的方法、装置、电子设备及存储介质 | |
| CN115376106A (zh) | 基于雷达图的车型识别方法、装置、设备及介质 | |
| CN115330841A (zh) | 基于雷达图的抛洒物检测方法、装置、设备和介质 | |
| CN116563802A (zh) | 一种隧道场景判断方法、装置、设备及存储介质 | |
| CN116091450A (zh) | 一种障碍物检测方法、装置、设备、介质和产品 | |
| CN115359026A (zh) | 基于微波雷达的特种车辆行进方法、装置、电子设备及介质 | |
| CN115932831A (zh) | 基于雷达的目标分段跟踪方法、装置、设备及存储介质 | |
| CN111354191B (zh) | 车道行车状况确定方法、装置、设备及存储介质 | |
| CN115375666A (zh) | 一种交通事故检测方法、装置、电子设备以及存储介质 | |
| CN114019503A (zh) | 基于fod检测系统的机场跑道异物检测方法、设备、存储介质 | |
| CN115424455A (zh) | 一种车辆预警方法、装置、电子设备以及存储介质 | |
| CN115424441B (zh) | 基于微波雷达的道路弯道优化方法、装置、设备及介质 | |
| CN113625266A (zh) | 应用雷达检测低速目标的方法、装置、存储介质和设备 | |
| CN113514825A (zh) | 道路边缘的获取方法、装置和终端设备 | |
| CN115267782A (zh) | 基于微波雷达的危险区域预警方法、装置、设备及介质 | |
| 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 |
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 |