CN115526837A - 一种异常行车检测方法、装置、电子设备以及介质 - Google Patents
一种异常行车检测方法、装置、电子设备以及介质 Download PDFInfo
- Publication number
- CN115526837A CN115526837A CN202211059053.1A CN202211059053A CN115526837A CN 115526837 A CN115526837 A CN 115526837A CN 202211059053 A CN202211059053 A CN 202211059053A CN 115526837 A CN115526837 A CN 115526837A
- Authority
- CN
- China
- Prior art keywords
- image
- microwave radar
- target
- matched
- road area
- 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
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
- 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
- G06T7/20—Analysis of motion
- G06T7/246—Analysis of motion using feature-based methods, e.g. the tracking of corners or segments
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20212—Image combination
- G06T2207/20216—Image averaging
-
- 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
- G06T2207/30252—Vehicle exterior; Vicinity of vehicle
-
- 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
- G06T2207/30252—Vehicle exterior; Vicinity of vehicle
- G06T2207/30256—Lane; Road marking
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Quality & Reliability (AREA)
- Multimedia (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明实施例公开了一种异常行车检测方法、装置、电子设备以及介质。其中,该方法包括:获取与道路区域匹配的连续至少两张微波雷达图像;所述微波雷达图像中各像素点的灰度值,用于表示微波雷达对道路区域中的各检测区域进行扫描时雷达反射波的信号强度;对各微波雷达图像进行背景分离,得到与各微波雷达图像匹配的前景图像;根据各前景图像,确定至少一个目标车辆轨迹;根据所述目标车辆轨迹以及所述道路区域,判断是否存在异常行车行为。本技术方案解决了由工作人员通过查询监控视频进行人工识别产生的成本较高、检测效率低以及可能存在漏检的问题,实现了快速准确地识别道路中的异常行车行为,保障了交通安全。
Description
技术领域
本发明涉及图像检测技术领域,尤其涉及一种异常行车检测方法、装置、电子设备以及介质。
背景技术
随着我国高速公路基础设施的完善,通行车辆不断增加,交通安全成为重要的社会问题。在高速公路匝道出口处,驾驶员停车、倒车或逆行等交通违法行为时有发生,是道路交通的重大安全隐患。
现有技术中,检测高速公路匝道出口处的停车、倒车或逆行等异常行车行为,通常依靠在匝道出口附近设置监控装置,由工作人员通过查询监控视频进行人工识别,这种方式人工成本较高,检测效率低,并且可能存在漏检行为。如何在数字交通领域解决道路交通安全问题,成为日益重要的话题。
发明内容
本发明提供了一种异常行车检测方法、装置、电子设备以及介质,以实现快速准确地识别道路中的异常行车行为,从而保障交通安全。
根据本发明的一方面,提供了一种异常行车检测方法,所述方法包括:
获取与道路区域匹配的连续至少两张微波雷达图像;
所述微波雷达图像中各像素点的灰度值,用于表示微波雷达对道路区域中的各检测区域进行扫描时雷达反射波的信号强度;
对各微波雷达图像进行背景分离,得到与各微波雷达图像匹配的前景图像;
根据各前景图像,确定至少一个目标车辆轨迹;
根据所述目标车辆轨迹以及所述道路区域,判断是否存在异常行车行为。
根据本发明的另一方面,提供了一种异常行车检测装置,包括:
图像获取模块,用于获取与道路区域匹配的连续至少两张微波雷达图像;
所述微波雷达图像中各像素点的灰度值,用于表示微波雷达对道路区域中的各检测区域进行扫描时雷达反射波的信号强度;
背景分离模块,用于对各微波雷达图像进行背景分离,得到与各微波雷达图像匹配的前景图像;
车辆轨迹确定模块,用于根据各前景图像,确定至少一个目标车辆轨迹;
行车行为判断模块,用于根据所述目标车辆轨迹以及所述道路区域,判断是否存在异常行车行为。
根据本发明的另一方面,提供了一种电子设备,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行车检测方法。
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行车检测方法。
本申请实施例的技术方案,通过与道路区域匹配的连续至少两张微波雷达图像,对各微波雷达图像进行背景分离,得到与各微波雷达图像匹配的前景图像,根据各前景图像,确定至少一个目标车辆轨迹,根据所述目标车辆轨迹以及所述道路区域,判断是否存在异常行车行为,解决了由工作人员通过查询监控视频进行人工识别产生的成本较高、检测效率低以及可能存在漏检的问题,实现了快速准确地识别道路的异常行车行为,保障了交通安全。
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行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行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行车检测方法的流程图;
图4是根据本发明实施例四提供的一种异常行车检测装置的结构示意图;
图5是实现本发明实施例的一种异常行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了一种异常行车检测方法的流程图,本实施例可适用于识别道路中的异常行车行为的情况,该方法可以由异常行车检测装置来执行,该异常行车检测装置可以采用硬件和/或软件的形式实现,该异常行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,获取与道路区域匹配的连续至少两张微波雷达图像。
其中,道路区域可以是车流量比较密集或者容易发生倒车、逆行、违法变道等异常行车行为的区域,示例性的,道路区域可以是高速匝道、合流路口、分流路口、高速收费站口、应急车道等区域,微波雷达图像是指雷达发射机向道路区域发射无线电波,接收机接收散射回波所形成的图像。所述微波雷达图像中各像素点的灰度值,用于表示微波雷达对道路区域中的各检测区域进行扫描时雷达反射波的信号强度。微波雷达图像与道路区域相对应,各像素点表示道路区域中对应的各子区域,各像素点的位置、灰度值等信息,可以反映各子区域信息。例如,道路区域的车辆会造成该位置的雷达反射波信号强度较高,雷达反射波的信号强度以像素点的灰度值的形式体现,所以微波雷达图像可以反映道路区域的车辆信息。
本申请实施例中,通过微波雷达图像判断异常行车行为,所以需要至少两张微波雷达图像以确定车辆的行驶轨迹等。具体的,通过微波雷达获取道路区域至少两张微波雷达图像并存储,以供后续步骤使用。
S120,对各微波雷达图像进行背景分离,得到与各微波雷达图像匹配的前景图像。
本申请实施例中,背景可以是微波雷达图像中对应的道路区域中固有物体的图像,例如道路区域的道路、指示牌等可以是背景。前景图像是将微波雷达图像中的背景进行分离后得到的图像。
本申请实施例中,可选的,对各微波雷达图像进行背景分离,得到与各微波雷达图像匹配的前景图像,包括步骤A1-A2:
步骤A1,将各微波雷达图像与预先设置的平均背景图像进行图像差值处理,得到与各微波雷达图像匹配的差值图像。
其中,所述平均背景图像为根据至少两张背景图像进行累加平均得到,所述背景图像用于表示微波雷达对道路区域中的各背景区域进行扫描时雷达反射波的信号强度。图像差值处理可以是将两个类似的图像的各像素点数值进行求差处理。示例性的,背景图像可以在道路区域无车辆通行时获取。
本方案中,平均背景图像的设置过程可以是:确定至少两张背景图像;将各背景图像中目标像素点的灰度值的平均值,作为平均背景图像中目标像素点的灰度值。
具体的,利用微波雷达扫描道路区域获取至少两张背景图像,每一张背景图像可记为F',其有P行Q列,即有P*Q个像素点所构成的灰度图像,矩阵表示如下:
进一步的,平均背景图像各像素点的灰度值由各背景图像对应像素点的灰度值求平均值得到,以f11像素点为例,平均背景图像中f11像素点的灰度值,由各背景图像中f11像素点的灰度值求平均获得,在此过程中,f11即为目标像素点。遍历所有的目标像素点,可以得到平均背景图像用公式表达为:
其中,Fi’为各背景图像中的每个图像的灰度图,N为背景图像的数量。
本申请实施例中,将微波雷达图像与平均背景图像进行图像差值处理,得到差值图像FΔ,可表示为:
其中,F为微波雷达图像的灰度图。
步骤A2,对各差值图像进行二值化处理,将二值化处理后的图像作为前景图像。
其中,二值化处理可以是图像上的每一个像素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。
具体的,可通过如下公式进行二值化处理:
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,为差值图像中对应像素点的灰度值,T为预设灰度值,预设灰度值可以是微波雷达图像中对应像素点的灰度值转化为0或255的临界值,当微波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。预设灰度值可以根据实际情况确定,本申请实施例对此不做限定。
S130,根据各前景图像,确定至少一个目标车辆轨迹。
其中,目标车辆被用于检测有无异常行车行为。目标车辆轨迹可以是目标车辆的行驶轨迹。具体的,目标车辆轨迹可以根据各前景图像中,目标车辆的位置所确定。示例性的,以各前景图像中,确定一个目标车辆的轨迹为例,根据各前景图像,可确定目标车辆在各微波雷达图像获取时间点的位置,根据目标车辆的各位置,可确定目标车辆的轨迹,显而易见的是,前景图像可能包括多个车辆,进而可确定出多个目标车辆轨迹。
本申请实施例中,可选的,根据各前景图像,确定至少一个目标车辆轨迹,包括:根据各前景图像,确定至少两个目标车辆区域;根据各目标车辆区域,确定目标车辆轨迹。
本方案中,前景图像可能包括目标车辆以及其它物体,需要先确定出各前景图像中目标车辆所在区域,再根据各目标车辆区域,确定目标车辆轨迹,以避免各前景图像中其它物体的干扰。
具体的,目标车辆的尺寸、轮廓等信息与各前景图像中其它物体的不相同,根据这些信息,从各前景图像中筛选出目标车辆区域,得到目标车辆途径道路区域时至少两个位置点,根据车辆轨迹算法确定出车辆轨迹。其中,车辆轨迹算法可根据至少两个车辆区域估算车辆轨迹,本实施例对采用的车辆轨迹算法的具体类型不进行限制。
S140,根据所述目标车辆轨迹以及所述道路区域,判断是否存在异常行车行为。
具体的,得到目标车辆轨迹后,根据目标车辆轨迹与道路的道路特征,适应性地判断目标车辆是否存在异常行车行为。例如,道路区域为高速出口区域时,若目标车辆轨迹为弧形,则符合高速出口区域的道路曲线,则目标车辆无异常行车行为;若目标车辆轨迹含有明显转向轨迹,则目标车辆可能在高速出口位置突然变道,可判断为存在异常行车行为;若目标车辆轨迹停于某位置,则判断目标车辆存在异常行车行为。显而易见的是,还有倒车、逆行等异常行车行为,其判断方式不再一一举例。
本申请实施例的技术方案,通过与道路区域匹配的连续至少两张微波雷达图像,对各微波雷达图像进行背景分离,得到与各微波雷达图像匹配的前景图像,根据各前景图像,确定至少一个目标车辆轨迹,根据所述目标车辆轨迹以及所述道路区域,判断是否存在异常行车行为,解决了由工作人员通过查询监控视频进行人工识别产生的成本较高、检测效率低以及可能存在漏检的问题,实现了快速准确地识别道路中的异常行车行为,保障了交通安全。
实施例二
图2为本发明实施例二提供的一种异常行车检测方法的流程图,本实施例以上述实施例为基础对判断是否存在异常行车行为进行优化。
如图2所示,本实施例的方法具体优化为:
S210,获取与道路区域匹配的连续至少两张微波雷达图像。
S220,对各微波雷达图像进行背景分离,得到与各微波雷达图像匹配的前景图像。
S230,根据各前景图像,确定至少一个目标车辆轨迹。
S240,确定与所述道路区域匹配的标准车辆轨迹。
其中,标准车辆轨迹是指车辆正常通过道路区域的行驶轨迹。本申请实施例中,可选的,所述标准车辆轨迹的设置过程包括步骤B1-B3:
步骤B1,获取测试车辆在道路区域行驶时得到的连续至少两张标准图像。
其中,所述标准图像中各像素点的灰度值,用于表示测试车辆在道路区域行驶时,微波雷达对道路区域中的各检测区域进行扫描时雷达反射波的信号强度。
本方案中,预先让测试车辆在道路区域行驶,获取行驶轨迹,以确定标准车辆轨迹。具体的,测试车辆在道路区域行驶,获取其连续至少两张微波雷达图像,若测试车辆行程过程中出现压线等异常,则重新获取连续至少两张微波雷达图像,将行驶轨迹最合理的一次行驶中获取的连续至少两张微波雷达图像作为标准图像。
步骤B2,对各标准图像进行背景分离,得到与各标准图像匹配的标准前景图像。
其中,标准前景图像包括道路区域中的测试车辆的图像。背景分离的具体方法本申请实施例已赘述,此处不再描述。
步骤B3,根据各标准前景图像,确定标准车辆轨迹。
其中,目标车辆轨迹的具体确定方法本申请实施例已赘述,标准车辆轨迹的确定方法一致,此处不再描述。
S250,若确定所述目标车辆轨迹与所述标准车辆轨迹之间的相似度低于预设相似度阈值,则确定存在异常行车行为。
其中,相似度是指目标车辆轨迹与标准车辆轨迹的相似程度,目标车辆轨迹与标准车辆轨迹的重合程度越高,相似度越高,目标车辆轨迹与标准车辆轨迹的重合度越低,相似度越低。预设相似度阈值可以根据实际情况确定,本申请实施例对此不做限定。具体的,若目标车辆轨迹与标准车辆轨迹之间的相似度低于预设相似度阈值,说明目标车辆的行驶轨迹偏离标准车辆轨迹,可能发生了停车、逆行、倒车等异常行车行为。
本申请实施例的技术方案,通过与道路区域匹配的连续至少两张微波雷达图像,对各微波雷达图像进行背景分离,得到与各微波雷达图像匹配的前景图像,根据各前景图像,确定至少一个目标车辆轨迹,若确定所述目标车辆轨迹与所述标准车辆轨迹之间的相似度低于预设相似度阈值,则确定存在异常行车行为,解决了由工作人员通过查询监控视频进行人工识别产生的成本较高、检测效率低以及可能存在漏检的问题,实现了快速准确地识别道路中的异常行车行为,保障了交通安全。
本申请实施例中,可选的,获取与道路区域匹配的连续至少两张微波雷达图像,包括:对道路区域中的至少一个车道,分别获取连续至少两张微波雷达图像。进一步的,根据各前景图像,确定至少一个目标车辆轨迹,包括:根据与各车道对应的前景图像,分别确定与各车道匹配的至少一个目标车辆轨迹。进而,根据所述目标车辆轨迹以及所述道路区域,判断是否存在异常行车行为,包括:根据目标车道,以及与目标车道匹配的至少一个目标车辆轨迹,判断是否存在异常行车行为。
具体的,由于不同车道的车辆的异常行车行为存在差异,本方案针对不同的车道,适应性地判断目标车辆的异常行车行为。示例性的,以道路区域为高速出口为例,可能存在一个下高速车道和两个直行车道,若目标车辆在直行车道行驶,目标车辆轨迹在高速出口处发生偏离,则目标车辆可能实线变道,属于异常行车行为。
本方案中,根据不同的车道,确定与各车道匹配的至少一个目标车辆轨迹,进而根据目标车道匹配的至少一个目标车辆轨迹,判断是否存在异常行车行为,提高了异常行车行为判断的准确性。
实施例三
图3为本发明实施例三提供的一种异常行车检测方法的流程图,本实施例以上述实施例为基础对背景分离进行具体化。
如图3所示,本实施例的方法包括:
S310,获取与道路区域匹配的连续至少两张微波雷达图像。
S320,确定与目标微波雷达图像中的目标像素点相匹配的至少一个正态分布模型。
其中,目标微波雷达图像的数量为至少两张,对某张微波雷达图像进行背景分离时,该图像即为目标微波雷达图像。同样,对目标微波雷达图像的某像素点进行分析时,该像素点为目标像素点。所述正态分布模型用于表示微波雷达对与目标像素点相匹配的道路区域中的目标背景区域进行扫描时,雷达反射波的信号强度的分布情况。
本方案中,在其他参数不变的情况下,微波雷达对某一固定区域进行多次探测时,得到的多个雷达反射波的信号强度呈正态分布,所以道路区域的各检测区域均与至少一个正态分布模型相匹配。
S330,根据目标像素点的灰度值以及各正态分布模型,判断目标像素点是否符合正态分布。
具体的,获取微波雷达图像后,判断目标微波雷达图像中的目标像素点灰度值是否与匹配的正态分布模型相适配,若目标像素点的灰度值与匹配的任一正态分布模型相适配,则目标像素点符合正态分布,否则不符合。
本申请实施例中,可选的,根据目标像素点的灰度值以及各正态分布模型,判断目标像素点是否符合正态分布,包括:若确定存在至少一个正态分布模型的均值,与目标像素点的灰度值满足拉依达准则,则确定目标像素点符合正态分布。
拉依达准则可以用如下公式表示:
具体的,若目标像素点的灰度值满足上述拉依达准则,则该目标像素点符合正态分布。进一步的,可以遍历目标微波雷达图像中所有像素点,确定各像素点是否符合正态分布。
S340,根据目标微波雷达图像中不符合正态分布的各像素点,得到与目标微波雷达图像匹配的前景图像。
本申请实施例中,若某像素点不符合正态分布,则该像素点对应的检测区域可能存在车辆,导致接收到的雷达反射波信号强度发生变化,所以将目标微波雷达图像中不符合正态分布的各像素点与其它像素点分离,得到分离后的前景图像。
S350,根据各前景图像,确定至少一个目标车辆轨迹。
S360,根据所述目标车辆轨迹以及所述道路区域,判断是否存在异常行车行为。
本申请实施例的技术方案,通过与道路区域匹配的连续至少两张微波雷达图像,确定与目标微波雷达图像中的目标像素点相匹配的至少一个正态分布模型;根据目标像素点的灰度值以及各正态分布模型,判断目标像素点是否符合正态分布;根据目标微波雷达图像中不符合正态分布的各像素点,得到与目标微波雷达图像匹配的前景图像;根据各前景图像,确定至少一个目标车辆轨迹,若确定所述目标车辆轨迹与所述标准车辆轨迹之间的相似度低于预设相似度阈值,则确定存在异常行车行为,解决了由工作人员通过查询监控视频进行人工识别产生的成本较高、检测效率低以及可能存在漏检的问题,实现了快速准确地识别道路中的异常行车行为,保障了交通安全。
本申请实施例中,可选的,与目标微波雷达图像中的目标像素点相匹配的至少一个正态分布模型的设置过程包括如下步骤C1-C3:
步骤C1,根据第一预设数量个背景图像中目标像素点的灰度值,确定灰度值均值和灰度值方差。
其中,第一预设数量可以根据实际情况确定,本申请实施例对此不做限定。本申请实施例中,正态分布模型应尽可能反映对应的检测区域无异物状态下的像素点灰度值分布,可以在道路区域无车辆后获取第一预设数量个背景图像,对各背景图像的目标像素点,求取灰度值均值和灰度值方差。
步骤C2,根据灰度值均值和灰度值方差,确定初始正态分布模型;所述初始正态分布模型的权重为初始权重。
其中,初始权重可以根据实际情况确定,本申请实施例对此不做限定。本申请实施例中,目标像素点可能对应多个正态分布模型,每个正态分布模型的权重可能不同,例如,某目标像素点对应A正态分布模型和B正态分布模型,该目标像素点符合A正态分布模型的可能性更大,则A正态分布模型的权重应该更大。本步骤中,根据步骤C1得到的灰度值均值和灰度值方差,先确定初始正态分布模型以及初始权重,以在后续步骤中适应性地调整初始正态分布模型以及初始权重。
步骤C3,根据第二预设数量个背景图像中目标像素点的灰度值,对初始正态分布模型进行调整,或者新增正态分布模型。
其中,第二预设数量可以根据实际情况确定,本申请实施例对此不做限定。示例性的,依次判断第二预设数量个背景图像中目标像素点的灰度值是否符合初始正态分布模型,若符合初始正态分布模型,可以提高该初始正态分布模型的权重,并根据目标像素点的灰度值适应性地调整该初始正态分布模型。若不符合初始正态分布模型,可以降低该初始正态分布模型的权重,同时新增正态分布模型。
显而易见的是,新增正态分布模型后,在继续判断某背景图像中目标像素点的灰度值是否符合正态分布模型时,可能存在多个对应的正态分布模型,可以根据各正态分布模型的权重,从大到小依次判断属于哪个正态分布模型,并对正态分布模型的权重进行调整,或者新增正态分布模型。
本方案中,根据第一预设数量个背景图像中目标像素点的灰度值,确定灰度值均值和灰度值方差;进而确定出初始正态分布模型的权重以及初始权重,根据第二预设数量个背景图像中目标像素点的灰度值,对初始正态分布模型进行调整,或者新增正态分布模型,确保了正态分布模型的准确性,提高了目标像素点对应正态分布模型的完备性。
本申请实施例中,可选的,根据第二预设数量个背景图像中目标像素点的灰度值,对初始正态分布模型进行调整,或者新增正态分布模型,包括如下步骤D1-D3:
步骤D1,若确定初始正态分布模型的均值,与目标背景图像中目标像素点的灰度值满足拉依达准则,则根据预设学习率,对所述初始正态分布模型的均值和方差进行调整,并提高所述初始正态分布模型的权重。
其中,第二预设数量个背景图像中,判断各背景图像的目标像素点灰度值和正态分布模型的关系,当前需要判断的背景图像为目标背景图像。预设学习率可以用来表示对目标检测区域对应正态分布模型的均值、方差以及权重进行调整的调整幅度。预设学习率的具体数值可以根据实际情况确定,本申请实施例对此不做限定。
具体的,将目标背景图像中目标像素点灰度值与初始正态分布模型的均值和方差带入到拉依达准则的具体公式中,若满足拉依达准则,则按照预设学习率对目标像素点对应初始正态分布模型的均值方差以及权重进行调整,得到调整后的均值方差以及权重调整公式可为:
公式中α为预设学习率,xij,t为目标背景图像中的目标像素点灰度值。拉依达准则的具体公式已给出,本方案不再赘述。
步骤D2,若确定初始正态分布模型的均值,与目标背景图像中目标像素点的灰度值不满足拉依达准则,则降低所述初始正态分布模型的权重。
具体的,将目标背景图像中目标像素点灰度值与初始正态分布模型的均值和方差带入到拉依达准则的具体公式中,若不满足拉依达准则,说明目标像素点灰度值与该初始正态分布模型不适配,可以降低初始正态分布模型的权重,降低权重的公式为:
进一步的,若某初始正态分布模型的权重降低到权重阈值以下,说明该初始正态分布模型可能存在问题,可以删除该初始正态分布模型。其中,权重阈值可以根据实际情况确定,本申请实施例对此不做限定。
步骤D3,若确定目标背景图像中目标像素点的灰度值,与目标检测区域相匹配的各正态分布模型均不满足拉依达准则,则根据目标背景图像中目标像素点的灰度值,以及目标背景图像中目标像素点的灰度值方差,生成新增正态分布模型;所述新增正态分布模型的权重为预设学习率。
具体的,若目标背景图像中目标像素点的灰度值,与目标检测区域相匹配的各正态分布模型均不满足拉依达准则,则该目标像素点的灰度值可能属于一个新的正态分布模型,可以根据目标背景图像中目标像素点的灰度值,以及目标背景图像中目标像素点的灰度值方差建立新增正态分布模型,后续,可对其余背景图像重复执行步骤D1-D3,完善新增正态分布模型以及对应的权重。
本方案中,根据第二预设数量个背景图像中目标像素点的灰度值,对初始正态分布模型进行调整,或者新增正态分布模型,得到多个正态分布模型以及各正态分布模型对应的权重,对权重进行归一化处理,以方便使用各正态分布模型。具体的,归一化处理的公式如下所示:
其中,K为权重的数量。
实施例四
图4为本发明实施例四提供的一种异常行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行车检测方法,具备执行方法相应的功能模块和有益效果。如图4所示,该装置包括:
图像获取模块410,用于获取与道路区域匹配的连续至少两张微波雷达图像;
所述微波雷达图像中各像素点的灰度值,用于表示微波雷达对道路区域中的各检测区域进行扫描时雷达反射波的信号强度;
背景分离模块420,用于对各微波雷达图像进行背景分离,得到与各微波雷达图像匹配的前景图像;
车辆轨迹确定模块430,用于根据各前景图像,确定至少一个目标车辆轨迹;
行车行为判断模块440,用于根据所述目标车辆轨迹以及所述道路区域,判断是否存在异常行车行为。
可选的,背景分离模块420包括:
差值处理单元,用于将各微波雷达图像与预先设置的平均背景图像进行图像差值处理,得到与各微波雷达图像匹配的差值图像;
所述平均背景图像为根据至少两张背景图像进行累加平均得到,所述背景图像用于表示微波雷达对道路区域中的各背景区域进行扫描时雷达反射波的信号强度;
二值化处理单元,用于对各差值图像进行二值化处理,将二值化处理后的图像作为前景图像。
可选的,背景分离模块420包括:
正态分布模型确定单元,用于确定与目标微波雷达图像中的目标像素点相匹配的至少一个正态分布模型;
所述正态分布模型用于表示微波雷达对与目标像素点相匹配的道路区域中的目标背景区域进行扫描时,雷达反射波的信号强度的分布情况;
像素点判断单元,用于根据目标像素点的灰度值以及各正态分布模型,判断目标像素点是否符合正态分布;
前景图像确定单元,用于根据目标微波雷达图像中不符合正态分布的各像素点,得到与目标微波雷达图像匹配的前景图像。
可选的,车辆轨迹确定模块430包括:
目标车辆区域确定单元,用于根据各前景图像,确定至少两个目标车辆区域;
目标车辆轨迹确定单元,用于根据各目标车辆区域,确定目标车辆轨迹。
可选的,行车行为判断模块440包括:
标准车辆轨迹确定单元,用于确定与所述道路区域匹配的标准车辆轨迹;
异常行车行为判断单元,用于若确定所述目标车辆轨迹与所述标准车辆轨迹之间的相似度低于预设相似度阈值,则确定存在异常行车行为。
可选的,所述标准车辆轨迹的设置过程为:
获取测试车辆在道路区域行驶时得到的连续至少两张标准图像;
所述标准图像中各像素点的灰度值,用于表示测试车辆在道路区域行驶时,微波雷达对道路区域中的各检测区域进行扫描时雷达反射波的信号强度;
对各标准图像进行背景分离,得到与各标准图像匹配的标准前景图像;
根据各标准前景图像,确定标准车辆轨迹。
可选的,图像获取模块410包括:
微波雷达图像获取单元,用于对道路区域中的至少一个车道,分别获取连续至少两张微波雷达图像;
可选的,车辆轨迹确定模块430包括:
目标车辆轨迹确定单元,用于根据与各车道对应的前景图像,分别确定与各车道匹配的至少一个目标车辆轨迹;
可选的,行车行为判断模块440包括:
异常行车行为判断单元,用于根据目标车道,以及与目标车道匹配的至少一个目标车辆轨迹,判断是否存在异常行车行为。
本发明实施例所提供的一种异常行车检测装置可执行本发明任意实施例所提供的一种异常行车检测方法,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,例如异常行车检测方法。
在一些实施例中,异常行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行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行车检测方法。
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 (10)
1.一种异常行车检测方法,其特征在于,包括:
获取与道路区域匹配的连续至少两张微波雷达图像;
所述微波雷达图像中各像素点的灰度值,用于表示微波雷达对道路区域中的各检测区域进行扫描时雷达反射波的信号强度;
对各微波雷达图像进行背景分离,得到与各微波雷达图像匹配的前景图像;
根据各前景图像,确定至少一个目标车辆轨迹;
根据所述目标车辆轨迹以及所述道路区域,判断是否存在异常行车行为。
2.根据权利要求1所述的方法,其特征在于,对各微波雷达图像进行背景分离,得到与各微波雷达图像匹配的前景图像,包括:
将各微波雷达图像与预先设置的平均背景图像进行图像差值处理,得到与各微波雷达图像匹配的差值图像;
所述平均背景图像为根据至少两张背景图像进行累加平均得到,所述背景图像用于表示微波雷达对道路区域中的各背景区域进行扫描时雷达反射波的信号强度;
对各差值图像进行二值化处理,将二值化处理后的图像作为前景图像。
3.根据权利要求1所述的方法,其特征在于,对各微波雷达图像进行背景分离,得到与各微波雷达图像匹配的前景图像,包括:
确定与目标微波雷达图像中的目标像素点相匹配的至少一个正态分布模型;
所述正态分布模型用于表示微波雷达对与目标像素点相匹配的道路区域中的目标背景区域进行扫描时,雷达反射波的信号强度的分布情况;
根据目标像素点的灰度值以及各正态分布模型,判断目标像素点是否符合正态分布;
根据目标微波雷达图像中不符合正态分布的各像素点,得到与目标微波雷达图像匹配的前景图像。
4.根据权利要求1所述的方法,其特征在于,根据各前景图像,确定至少一个目标车辆轨迹,包括:
根据各前景图像,确定至少两个目标车辆区域;
根据各目标车辆区域,确定目标车辆轨迹。
5.根据权利要求1所述的方法,其特征在于,根据所述目标车辆轨迹以及所述道路区域,判断是否存在异常行车行为,包括:
确定与所述道路区域匹配的标准车辆轨迹;
若确定所述目标车辆轨迹与所述标准车辆轨迹之间的相似度低于预设相似度阈值,则确定存在异常行车行为。
6.根据权利要求5所述的方法,其特征在于,所述标准车辆轨迹的设置过程为:
获取测试车辆在道路区域行驶时得到的连续至少两张标准图像;
所述标准图像中各像素点的灰度值,用于表示测试车辆在道路区域行驶时,微波雷达对道路区域中的各检测区域进行扫描时雷达反射波的信号强度;
对各标准图像进行背景分离,得到与各标准图像匹配的标准前景图像;
根据各标准前景图像,确定标准车辆轨迹。
7.根据权利要求1所述的方法,其特征在于,获取与道路区域匹配的连续至少两张微波雷达图像,包括:
对道路区域中的至少一个车道,分别获取连续至少两张微波雷达图像;
根据各前景图像,确定至少一个目标车辆轨迹,包括:
根据与各车道对应的前景图像,分别确定与各车道匹配的至少一个目标车辆轨迹;
根据所述目标车辆轨迹以及所述道路区域,判断是否存在异常行车行为,包括:
根据目标车道,以及与目标车道匹配的至少一个目标车辆轨迹,判断是否存在异常行车行为。
8.一种异常行车检测装置,其特征在于,包括:
图像获取模块,用于获取与道路区域匹配的连续至少两张微波雷达图像;
所述微波雷达图像中各像素点的灰度值,用于表示微波雷达对道路区域中的各检测区域进行扫描时雷达反射波的信号强度;
背景分离模块,用于对各微波雷达图像进行背景分离,得到与各微波雷达图像匹配的前景图像;
车辆轨迹确定模块,用于根据各前景图像,确定至少一个目标车辆轨迹;
行车行为判断模块,用于根据所述目标车辆轨迹以及所述道路区域,判断是否存在异常行车行为。
9.一种电子设备,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1-7中任一项所述的异常行车检测方法。
10.一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1-7中任一项所述的异常行车检测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211059053.1A CN115526837A (zh) | 2022-08-31 | 2022-08-31 | 一种异常行车检测方法、装置、电子设备以及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211059053.1A CN115526837A (zh) | 2022-08-31 | 2022-08-31 | 一种异常行车检测方法、装置、电子设备以及介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115526837A true CN115526837A (zh) | 2022-12-27 |
Family
ID=84696822
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211059053.1A Pending CN115526837A (zh) | 2022-08-31 | 2022-08-31 | 一种异常行车检测方法、装置、电子设备以及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115526837A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116758081A (zh) * | 2023-08-18 | 2023-09-15 | 安徽乾劲企业管理有限公司 | 一种无人机道路桥梁巡检图像处理方法 |
-
2022
- 2022-08-31 CN CN202211059053.1A patent/CN115526837A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116758081A (zh) * | 2023-08-18 | 2023-09-15 | 安徽乾劲企业管理有限公司 | 一种无人机道路桥梁巡检图像处理方法 |
CN116758081B (zh) * | 2023-08-18 | 2023-11-17 | 安徽乾劲企业管理有限公司 | 一种无人机道路桥梁巡检图像处理方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112818792A (zh) | 车道线检测方法、装置、电子设备及计算机存储介质 | |
CN112863187B (zh) | 感知模型的检测方法、电子设备、路侧设备和云控平台 | |
CN113538963A (zh) | 用于输出信息的方法、装置、设备以及存储介质 | |
CN113989777A (zh) | 高精地图限速标牌与车道位置的识别方法、装置和设备 | |
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 | |
CN115526837A (zh) | 一种异常行车检测方法、装置、电子设备以及介质 | |
CN114332487A (zh) | 基于图像的积水预警方法、装置、设备、存储介质及产品 | |
CN115376106A (zh) | 基于雷达图的车型识别方法、装置、设备及介质 | |
CN115761698A (zh) | 一种目标检测方法、装置、设备及存储介质 | |
CN115908816A (zh) | 基于人工智能的积水识别方法、装置、设备及存储介质 | |
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 | |
CN115330841A (zh) | 基于雷达图的抛洒物检测方法、装置、设备和介质 | |
CN113011316B (zh) | 一种镜头状态的检测方法、装置、电子设备和介质 | |
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 | |
CN114529768B (zh) | 确定对象类别的方法、装置、电子设备和存储介质 | |
CN115375666A (zh) | 一种交通事故检测方法、装置、电子设备以及存储介质 | |
CN115410370A (zh) | 一种异常停车检测方法、装置、电子设备及存储介质 | |
CN114581890B (zh) | 确定车道线的方法、装置、电子设备和存储介质 | |
CN114067565B (zh) | 确定拥堵识别精度的方法及装置 | |
CN117808848B (zh) | 一种识别跟踪方法、装置、电子设备及存储介质 | |
CN112784789B (zh) | 识别道路的交通流量的方法、装置、电子设备和介质 | |
CN115359087A (zh) | 基于目标检测的雷达图背景去除方法、装置、设备及介质 | |
CN114565889B (zh) | 车辆压线状态的确定方法、装置、电子设备和介质 | |
CN115267782A (zh) | 基于微波雷达的危险区域预警方法、装置、设备及介质 |
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 |