CN115601711B - 一种基于yolov5+deepsort的渣土车抛洒滴漏检测报警方法及系统 - Google Patents
一种基于yolov5+deepsort的渣土车抛洒滴漏检测报警方法及系统 Download PDFInfo
- Publication number
- CN115601711B CN115601711B CN202211595203.0A CN202211595203A CN115601711B CN 115601711 B CN115601711 B CN 115601711B CN 202211595203 A CN202211595203 A CN 202211595203A CN 115601711 B CN115601711 B CN 115601711B
- Authority
- CN
- China
- Prior art keywords
- foreign matter
- previous frame
- monitoring
- current
- monitoring 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.)
- Active
Links
Images
Classifications
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
- 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
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B21/00—Alarms responsive to a single specified undesired or abnormal condition and not otherwise provided for
- G08B21/18—Status alarms
-
- 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
Abstract
本发明公开了一种基于yolov5+deepsort的渣土车抛洒滴漏检测报警方法及系统。将当前监测图像进行分区,得到当前车外监测区域。检测所述当前监测图像中当前车外监测区域是否有异物。若检测到有异物,基于上一帧监测图像对异物进行向前追踪,确定异物是否为渣土车掉落的物品。若是渣土车掉落的物品,向报警系统上报掉落信息。对图像进行分区判断。如果上一帧有渣土车掉落的物品,在当前帧只会存在于当前车外监测区域。通过反向跟踪的同一异物在上一帧监测图像的位置,能够在更加快速的利用异物位置关系确定异物是否为掉落物品。由于空气阻力,掉落速度不同。结合位置信息和速度信息更加准确的判断异物是否为渣土车掉落的物品。
Description
技术领域
本发明涉及计算机技术领域,具体而言,涉及一种基于yolov5+deepsort的渣土车抛洒滴漏检测报警方法及系统。
背景技术
目前市面上检测渣土车运行过程中是否发生抛洒滴漏的方法时通过检测渣土车是否密闭、超重的解决方案。只是大概判断渣土车是否密闭,并不能保证货箱完全密闭;并且渣土车在运行过程中,由于抖动等因素,渣土仍然可能会掉落。渣土车货箱分析仪只是对准货箱检测,对于地面是否存在渣土掉落这一情况,无法实时且准确的检测路面是否存在抛洒滴漏的情况并进行上报。还有车头车尾双摄像头对比检测的检测方法,该方法无法采用跟踪算法,车头车尾检测结果对比时,无法对车头车尾各自检测结果进行一一对应,也就是无法知道车尾检测结果中哪些是车头检测到的,只能通过车尾检测目标数目大于车头检测数目来判断本渣土车存在抛洒滴漏。如果车头漏检一个目标,车尾将这个漏检的目标检测到了,这样车尾检测数目大于车头检测数目,就会产生误报。仅仅从检测目标数出发,这种方案太局限,并且车头车尾各安装一个摄像头,成本也较高。需要直接检测路面是否存在渣土掉落,保证当渣土车出现抛洒滴漏的情况,能够更加及时上报的方法。
发明内容
本发明的目的在于提供了一种基于yolov5+deepsort的渣土车抛洒滴漏检测报警方法及系统,用以解决现有技术中存在的上述问题。
第一方面,本发明实施例提供了一种基于yolov5+deepsort的渣土车抛洒滴漏检测报警方法,包括:
获得两帧监测图像;所述两帧监测图像包括当前监测图像和上一帧监测图像;所述监测图像为渣土车车尾的监控设备俯视拍摄路面的图像;所述上一帧监测图像的拍摄时间在所述当前监测图像之前;
将当前监测图像进行分区,得到当前车外监测区域;所述当前车外监测区域表示在当前时刻,未被渣土车覆盖的地面区域对应的当前监测图像区域;
检测所述当前监测图像中当前车外监测区域是否有异物;异物为区别于背景路面的物体;
若检测到有异物,基于上一帧监测图像对异物进行向前追踪,确定异物是否为渣土车掉落的物品;
若是渣土车掉落的物品,向报警系统上报掉落信息。
可选的,所述基于上一帧监测图像对异物进行向前追踪,确定异物是否为渣土车掉落的物品,包括:
对上一帧监测图像进行分区,得到上一帧车外监测区域和上一帧车底监测区域;上一帧车底监测区域表示在拍摄上一帧监测图像的时刻,被渣土车覆盖的地面区域对应的上一帧监测图像区域;上一帧车外监测区域表示在拍摄上一帧监测图像的时刻,未被渣土车覆盖的地面区域对应的当前监测图像区域;
在上一帧监测图像中检测是否存在异物;
若根据位置情况判断异物为渣土车掉落物品,且,根据速度情况判断异物为渣土车掉落物品,确定异物为渣土车掉落的物品;
若根据位置情况判断异物不为渣土车掉落物品,或,根据速度情况判断异物不为渣土车掉落物品,确定异物不为渣土车掉落的物品。
可选的,所述基于上一帧监测图像对异物进行向前追踪,确定异物是否为渣土车掉落的物品,包括:
获得异物在当前监测图像的当前异物位置;
对所述上一帧监测图像进行目标检测;
若检测出上一帧监测图像中存在异物,获得异物的上一帧异物位置;所述上一帧异物位置表示异物在上一帧监测图像的位置;
基于当前异物位置和上一帧异物位置,通过反向目标跟踪模型,确定上一帧异物和当前异物是否是同一物体;
若上一帧异物和当前异物为同一物体,对当前异物位置和上一帧异物位置进行标记;
基于同一异物的上一帧异物位置和当前异物位置,确定异物是否为渣土车掉落的物品。
可选的,所述基于同一异物的上一帧异物位置和当前异物位置,确定异物是否为渣土车掉落的物品,包括:
对上一帧监测图像进行分区,得到上一帧车外监测区域和上一帧车底监测区域;上一帧车底监测区域表示在拍摄上一帧监测图像的时刻,被渣土车覆盖的地面区域对应的上一帧监测图像区域;上一帧车外监测区域表示在拍摄上一帧监测图像的时刻,未被渣土车覆盖的地面区域对应的当前监测图像区域;
基于所述上一帧异物位置和当前待测目标位置,得到位置情况;所述位置情况为根据异物在上一帧车外监测区域或上一帧车底监测区域,确定异物是否为渣土车掉落的物品;
基于所述上一帧异物位置和当前待测目标位置,得到速度情况;所述速度情况为根据异物的像素速度,确定异物是否为渣土车掉落物品;
若位置情况判断异物为渣土车掉落物品,且,速度情况判断异物为渣土车掉落物品,确定异物为渣土车掉落的物品;
若位置情况判断异物不为渣土车掉落物品,或,速度情况判断异物不为判断渣土车掉落物品,确定异物不为渣土车掉落的物品。
可选的,所述基于所述上一帧异物位置和当前待测目标位置,得到位置情况,包括:
若异物所处位置在上一帧车底监测区域中,基于上一帧异物位置和当前待测目标位置,确定异物是否为渣土车掉落的物品;
若异物所处位置在上一帧车外监测区域中,基于上一帧异物位置和当前待测目标位置,确定异物是否为渣土车掉落的物品。
可选的,所述若异物所处位置在上一帧车底监测区域中,基于上一帧异物位置和当前待测目标位置,确定异物是否为渣土车掉落的物品,包括:
获得上一帧区域值;所述上一帧区域值为1表示待测目标处于上一帧车底监测区域;所述上一帧区域值为2表示待测目标处于所述上一帧车外监测区域;所述上一帧区域值的初始值为0;
若所述上一帧异物位置为首次被检测,将上一帧区域值设为1,确定异物不是渣土车掉落的物品;
若所述上一帧异物位置已被检测过,且,上一帧区域值为1,确定异物不是渣土车掉落的物品。
可选的,所述若异物所处位置在上一帧车外监测区域中,基于上一帧异物位置和当前待测目标位置,确定异物是否为渣土车掉落的物品,包括:
若所述上一帧异物位置为首次被检测,将上一帧区域值设为2,确定异物是渣土车掉落的物品;
若所述上一帧异物位置已被检测过,且,上一帧区域值为1,确定异物不是渣土车掉落的物品;
若所述上一帧异物位置已被检测过,且,上一帧区域值为2,确定异物是渣土车掉落的物品。
可选的,所述基于所述上一帧异物位置和当前待测目标位置,得到速度情况,包括:
获得异物相对距离;异物相对距离为同一异物的当前异物位置减去上一帧异物位置之差;
获得检测时间值;所述检测时间值为上一帧监测图像和当前检测图像拍摄相差的时间;
将异物相对距离,除以检测时间值,得到异物像素速度;
若异物像素速度小于像素速度阈值,确定异物是渣土车掉落的物品;
若异物像素速度大于或等于像素速度阈值,确定异物不是渣土车掉落的物品
第二方面,本发明实施例提供了一种基于yolov5+deepsort的渣土车抛洒滴漏检测报警系统,包括:
获取模块:获得两帧监测图像;所述两帧监测图像包括当前监测图像和上一帧监测图像;所述监测图像为渣土车车尾的监控设备俯视拍摄路面的图像;所述上一帧监测图像的拍摄时间在所述当前监测图像之前;
分区模块:将当前监测图像进行分区,得到当前车外监测区域;所述当前车外监测区域表示在当前时刻,未被渣土车覆盖的地面区域对应的当前监测图像区域;
目标检测模块:检测所述当前监测图像中当前车外监测区域是否有异物;异物为区别于背景路面的物体;
跟踪判断模块:若检测到有异物,基于上一帧监测图像对异物进行向前追踪,确定异物是否为渣土车掉落的物品;
警报模块:若是渣土车掉落的物品,向报警系统上报掉落信息。
可选的,所述基于上一帧监测图像对异物进行向前追踪,确定异物是否为渣土车掉落的物品,包括:
对上一帧监测图像进行分区,得到上一帧车外监测区域和上一帧车底监测区域;上一帧车底监测区域表示在拍摄上一帧监测图像的时刻,被渣土车覆盖的地面区域对应的上一帧监测图像区域;上一帧车外监测区域表示在拍摄上一帧监测图像的时刻,未被渣土车覆盖的地面区域对应的当前监测图像区域;
在上一帧监测图像中检测是否存在异物;
若在上一帧监测图像中检测出异物,且异物所处位置在上一帧车底监测区域中,确定异物不是渣土车掉落的物品;
若在上一帧监测图像中检测出异物,且异物所处位置在上一帧车外监测区域中,确定异物是渣土车掉落的物品。
相较于现有技术,本发明实施例达到了以下有益效果:
本发明实施例还提供了一种基于yolov5+deepsort的渣土车抛洒滴漏检测报警方法和系统,所述方法包括:获得两帧监测图像。所述两帧监测图像包括当前监测图像和上一帧监测图像。所述监测图像为渣土车车尾的监控设备俯视拍摄路面的图像。所述上一帧监测图像的拍摄时间在所述当前监测图像之前。将当前监测图像进行分区,得到当前车外监测区域。所述当前车外监测区域表示在当前时刻,未被渣土车覆盖的地面区域对应的当前监测图像区域。检测所述当前监测图像中当前车外监测区域是否有异物。异物为区别于背景路面的物体。若检测到有异物,基于上一帧监测图像对异物进行向前追踪,确定异物是否为渣土车掉落的物品。若是渣土车掉落的物品,向报警系统上报掉落信息。
由于渣土车内物品从车尾掉落到地面,只会出现在车尾边缘线的后面,不会出现在车尾边缘线前面,所以对图像进行分区判断。如果上一帧有渣土车掉落的物品,在当前帧只会存在于当前车外监测区域,所以仅仅使用当前车外监测区域中存在的异物,反向监测其在上一帧监测图像的位置,就能判断当前帧的异物是否为渣土车掉落的物品。通过反向跟踪的同一异物在上一帧监测图像的位置,判断异物所在的区域,能够在更加快速的利用异物位置关系确定异物是否为渣土车掉落的物品。由于存在空气阻力,渣土车掉落渣土的像素速度小于路面已存在的渣土的像素速度。结合位置信息和速度信息更加准确的判断异物是否为渣土车掉落的物品。
附图说明
图1是本发明实施例提供的一种基于yolov5+deepsort的渣土车抛洒滴漏检测报警方法流程图。
图2是本发明实施例提供的一种基于yolov5+deepsort的渣土车抛洒滴漏检测报警系统中分区区域。
图3是本发明实施例提供的一种电子设备的方框结构示意图。
图中标记:总线500;接收器501;处理器502;发送器503;存储器504;总线接口505。
具体实施方式
下面结合附图,对本发明作详细的说明。
实施例1
如图1所示,本发明实施例提供了一种基于yolov5+deepsort的渣土车抛洒滴漏检测报警方法,所述方法包括:
S101:获得两帧监测图像。所述两帧监测图像包括当前监测图像和上一帧监测图像。所述监测图像为渣土车车尾的监控设备俯视拍摄路面的图像。所述上一帧监测图像的拍摄时间在所述当前监测图像之前。
其中,所述监测图像能够拍摄到背景路面上存在的未为本车掉落的物体,也能拍摄到渣土车掉落的物品。
S102:将当前监测图像进行分区,得到当前车外监测区域。所述当前车外监测区域表示在当前时刻,未被渣土车覆盖的地面区域对应的当前监测图像区域。
其中,将当前监测图像分为监控设备所拍摄的以车尾为界限被车覆盖的车底区域,和以车尾为界未被车覆盖的区域,即当前车外监测区域。
S103:检测所述当前监测图像中当前车外监测区域是否有异物。异物为区别于背景路面的物体。
其中,使用目标检测方法检测当前车外监测区域是否有异物。本实施例中使用的目标检测模型为YOLOV5目标检测模型,能够检测是否存在异物,如果存在能够得到异物位置。本实施例中异物为渣土块。
S104:若检测到有异物,基于上一帧监测图像对异物进行向前追踪,确定异物是否为渣土车掉落的物品。
其中,使用目标跟踪模型进行向前跟踪。本实施例中使用的目标跟踪模型为DeepSort目标跟踪算法。
S105:若是渣土车掉落的物品,向报警系统上报掉落信息。
其中,若已经上报过就不再上报。
可选的,所述基于上一帧监测图像对异物进行向前追踪,确定异物是否为渣土车掉落的物品,包括:
对上一帧监测图像进行分区,得到上一帧车外监测区域和上一帧车底监测区域。上一帧车底监测区域表示在拍摄上一帧监测图像的时刻,被渣土车覆盖的地面区域对应的上一帧监测图像区域。上一帧车外监测区域表示在拍摄上一帧监测图像的时刻,未被渣土车覆盖的地面区域对应的当前监测图像区域。
其中,分区区域如图2所示。
在上一帧监测图像中检测是否存在异物。
其中,采用YOLOV5目标检测模型对上一帧图像进行目标检测。
若在上一帧监测图像中检测出异物,且异物所处位置在上一帧车底监测区域中,确定异物不是渣土车掉落的物品。
若在上一帧监测图像中检测出异物,且异物所处位置在上一帧车外监测区域中,确定异物是渣土车掉落的物品。
通过上述方法,将上一帧监测图像进行分区,由于渣土车内物品从车尾掉落到地面,只会出现在车尾边缘线的后面,即上一帧车外监测区域,不会出现在车尾边缘线前面,即上一帧车底监测区域。如果上一帧有渣土车掉落的物品,在当前帧只会存在于当前车外监测区域,所以仅仅使用当前车外监测区域中存在的异物,反向监测其在上一帧监测图像的位置,就能判断当前帧的异物是否为渣土车掉落的物品。上一帧车底监测区域如果到监测到异物,就说明异物并非从车尾掉落到地面的渣土车内物品。上一帧车外监测区域如果到监测到异物,就说明异物是车尾掉落到地面的渣土车内物品。仅仅监测当前车外监测区域中存在的异物能够减轻计算量,反向监测其在上一帧监测图像的位置,判断异物所在的区域,能够在更加快速的利用异物位置关系确定异物是否为渣土车掉落的物品。
可选的,所述基于上一帧监测图像对异物进行向前追踪,确定异物是否为渣土车掉落的物品,包括:
获得异物在当前监测图像的当前异物位置。
其中,所述当前异物位置为YOLOV5目标检测模型检测得的位置。
对所述上一帧监测图像进行目标检测。
其中,采用YOLOV5目标检测模型对上一帧图像进行目标检测。
若检测出上一帧监测图像中存在异物,获得异物的上一帧异物位置。所述上一帧异物位置表示异物在上一帧监测图像的位置。
其中,所述和当前帧的异物为同一物品的异物可能存在于上一帧监测图像的整个图像的任何位置,整个图像包括上一帧车外监测区域和上一帧车底监测区域。
基于当前异物位置和上一帧异物位置,通过反向目标跟踪模型,确定上一帧异物和当前异物是否是同一物体。
其中,通过反向目标跟踪模型,确定异物是否在上一帧图像中,若异物在上一帧图像中,确定上一帧异物和当前异物是否是同一物体。
其中,将所述当前待测目标位置,输入反向目标跟踪模型进行反向位置预测。在训练过程中,对当前帧中异物位置进行预测,得到上一帧中同一异物预测的所在位置。然后将预测的位置和上一帧中同一异物的真实位置,通过匈牙利算法,进行数据关联,得到关联信息。所述关联信息包括跟踪ID、轨迹状态和关联待测目标位置。所述轨迹状态为轨迹初始状态、轨迹匹配成功状态或轨迹失效状态;所述轨迹状态为所述跟踪ID对应的轨迹状态。将所述上一帧中同一异物的真实位置与关联待测目标位置,进行误差更新,得到跟踪位置。一个跟踪位置对应一个跟踪ID和一个上一帧待测目标位置。将同一物体标记为相同的跟踪ID。
若上一帧异物和当前异物为同一物体,对当前异物位置和上一帧异物位置进行标记。
其中,将同一异物的当前异物位置和上一帧异物位置用同一ID表示。
基于同一异物的上一帧异物位置和当前异物位置,确定异物是否为渣土车掉落的物品。
通过上述方法,由于当前监测图像和上一帧监测图像都可以利用目标检测来检测是否存在异物和异物位置,但是无法判断为同一异物,所以需要通过跟踪,将上一帧监测图像和当前监测图像为同一异物的位置进行数据关联。并且由于渣土车内物品从车尾掉落到地面,只会出现在车尾边缘线的后面,即上一帧车外监测区域,不会出现在车尾边缘线前面,即上一帧车底监测区域。所以使用当前监测图像中车外区域的图像,反向跟踪,得到在上一帧监测图像中与当前监测图像中为同一异物的位置。能够减少计算量,只通过判断当前车内监测区域的异物确定是否为渣土车掉落的物品。
可选的,所述基于同一异物的上一帧异物位置和当前异物位置,确定异物是否为渣土车掉落的物品,包括:
对上一帧监测图像进行分区,得到上一帧车外监测区域和上一帧车底监测区域。上一帧车底监测区域表示在拍摄上一帧监测图像的时刻,被渣土车覆盖的地面区域对应的上一帧监测图像区域。上一帧车外监测区域表示在拍摄上一帧监测图像的时刻,未被渣土车覆盖的地面区域对应的当前监测图像区域。
基于所述上一帧异物位置和当前待测目标位置,得到位置情况。所述位置情况为根据异物在上一帧车外监测区域或上一帧车底监测区域,确定异物是否为渣土车掉落的物品。
基于所述上一帧异物位置和当前待测目标位置,速度情况。所述速度情况为根据异物的像素速度,确定异物是否为渣土车掉落物品。
若根据位置情况判断异物为渣土车掉落物品,且,根据速度情况判断异物为渣土车掉落物品,确定异物为渣土车掉落的物品。
若根据位置情况判断异物不为渣土车掉落物品,或,根据速度情况判断异物不为渣土车掉落物品,确定异物不为渣土车掉落的物品。
通过上述方法,由于地面会出现前方渣土车留下的渣土,所述在经过时,通过反向目标跟踪模型,得到当前帧和上一帧中同一异物的位置。由于使用位置信息对异物是否为渣土车掉落的物品进行判断,如果地面中意外突然出现其他既不为渣土车,又不为静止掉落的异物,会造成判断错误。但是渣土车掉落物体和地面已存在物体的速度不同,所以加上速度按照静止、掉落和动态的不同进行再判断。若位置判断和速度判断都判断异物为渣土车掉落物品,那么确定异物为渣土车掉落物品。若位置判断和速度判断其中一个判断异物不为渣土车掉落物品,那么确定异物为渣土车掉落物品。能够更加准确的判断异物是否为渣土车掉落的物品。
可选的,所述基于所述上一帧异物位置和当前待测目标位置,得到位置情况,包括:
若异物所处位置在上一帧车底监测区域中,基于上一帧异物位置和当前待测目标位置,确定异物是否为渣土车掉落的物品。
若异物所处位置在上一帧车外监测区域中,基于上一帧异物位置和当前待测目标位置,确定异物是否为渣土车掉落的物品。
通过上述方法,将当前待测目标位置,跟踪到的同一异物在上一帧所在位置,再判断同一异物在上一帧图像中哪个区域。由于异物所处位置在上一帧车底监测区域或上一帧车外监测区域有不同的情况。所以分别进行判断根据位置情况更加准确的确定异物是否为渣土车掉落的物品。
可选的,所述若异物所处位置在上一帧车底监测区域中,基于上一帧异物位置和当前待测目标位置,确定异物是否为渣土车掉落的物品,包括:
获得上一帧区域值;所述上一帧区域值为1表示待测目标处于上一帧车底监测区域;所述上一帧区域值为2表示待测目标处于所述上一帧车外监测区域;所述上一帧区域值的初始值为0。
若所述上一帧异物位置为首次被检测,将上一帧区域值设为1,确定异物不是渣土车掉落的物品。
若所述上一帧异物位置已被检测过,且,上一帧区域值为1,确定异物不是渣土车掉落的物品。
通过上述方法,由于渣土车内物品从车尾掉落到地面,只会出现在车尾边缘线的后面,即上一帧车外监测区域,不会出现在车尾边缘线前面,即上一帧车底监测区域。在渣土车运行的过程中,同一异物的位置会在不同帧中到达不同的图像位置,首次监测在上一帧车底监测区域的异物在之后的监测中也会出现。所以在首次监测时需要设置值。
可选的,所述若异物所处位置在上一帧车外监测区域中,基于上一帧异物位置和当前待测目标位置,确定异物是否为渣土车掉落的物品,包括:
若所述上一帧异物位置为首次被检测,将上一帧区域值设为2,确定异物是渣土车掉落的物品。
若所述上一帧异物位置已被检测过,且,上一帧区域值为1,确定异物不是渣土车掉落的物品。
其中,通过反向跟踪模型中,轨迹状态来判断异物是否被检验。
若所述上一帧异物位置已被检测过,且,上一帧区域值为2,确定异物是渣土车掉落的物品。
通过上述方法,存在当前帧的异物处于上一帧车外监测区域,上一帧也为上一帧车外监测区域,但初始检测时为上一帧车内监测区域的情况,所以要设置一个上一帧区域值参数来记录首次检验时基于属于哪个区域,从而更加准确的确定异物不是渣土车掉落的物品。
可选的,所述基于所述上一帧异物位置和当前待测目标位置,得到速度情况,包括:
获得异物相对距离。异物相对距离为同一异物的当前异物位置减去上一帧异物位置之差。
其中,异物相对距离表示在图像中绝对位置之间的差值,包括垂直方向和水平方向。异物相对距离的单位为像素。
获得检测时间值。所述检测时间值为上一帧监测图像和当前检测图像拍摄相差的时间。
将异物相对距离,除以检测时间值,得到异物像素速度。
若异物像素速度小于像素速度阈值,确定异物是渣土车掉落的物品。
其中,本实施例中的像素速度阈值为50像素/帧。
若异物像素速度大于或等于像素速度阈值,确定异物不是渣土车掉落的物品。
通过上述方法,地面已存在的物体实际静止,但在运动过程中监控设备随着渣土车运动而运动,所以在拍摄的图像中异物运动的像素速度等于渣土车。而渣土车掉落的物品,由于存在空气阻力,渣土车掉落渣土的像素速度小于路面已存在的渣土的像素速度。通过像素速度阈值来确定异物不是渣土车掉落的物品。
通过上述方法,将上一帧监测图像进行分区,由于渣土车内物品从车尾掉落到地面,只会出现在车尾边缘线的后面,即上一帧车外监测区域,不会出现在车尾边缘线前面,即上一帧车底监测区域。如果上一帧有渣土车掉落的物品,在当前帧只会存在于当前车外监测区域,所以仅仅使用当前车外监测区域中存在的异物,反向监测其在上一帧监测图像的位置,就能判断当前帧的异物是否为渣土车掉落的物品,能够减轻计算量。通过跟踪,将上一帧监测图像和当前监测图像为同一异物的位置进行数据关联。在渣土车运行的过程中,同一异物的位置会在不同帧中到达不同的图像位置,所以在首次监测时需要设置值。从而更加准确的确定异物不是渣土车掉落的物品。地面已存在的物体实际静止,但在运动过程中监控设备随着渣土车运动而运动,所以在拍摄的图像中异物运动的像素速度等于渣土车。而渣土车掉落的物品,由于存在空气阻力,渣土车掉落渣土的像素速度小于路面已存在的渣土的像素速度。所以结合位置信息和速度信息。若位置判断和速度判断都判断异物为渣土车掉落物品,那么确定异物为渣土车掉落物品。若位置判断和速度判断其中一个判断异物不为渣土车掉落物品,那么确定异物为渣土车掉落物品。能够更加准确的判断异物是否为渣土车掉落的物品。
实施例2
基于上述的一种基于yolov5+deepsort的渣土车抛洒滴漏检测报警方法,本发明实施例还提供了一种基于yolov5+deepsort的渣土车抛洒滴漏检测报警系统,所述系统包括获取模块、分区模块、目标检测模块和跟踪判断模块。
获取模块用于获得两帧监测图像;所述两帧监测图像包括当前监测图像和上一帧监测图像;所述监测图像为渣土车车尾的监控设备俯视拍摄路面的图像;所述上一帧监测图像的拍摄时间在所述当前监测图像之前。
分区模块用于将当前监测图像进行分区,得到当前车外监测区域;所述当前车外监测区域表示在当前时刻,未被渣土车覆盖的地面区域对应的当前监测图像区域。
目标检测模块用于检测所述当前监测图像中当前车外监测区域是否有异物;异物为区别于背景路面的物体。
跟踪判断模块用于若检测到有异物,基于上一帧监测图像对异物进行向前追踪,确定异物是否为渣土车掉落的物品。
警报模块用于若是渣土车掉落的物品,向报警系统上报掉落信息。
可选的,所述基于上一帧监测图像对异物进行向前追踪,确定异物是否为渣土车掉落的物品,包括:
对上一帧监测图像进行分区,得到上一帧车外监测区域和上一帧车底监测区域;上一帧车底监测区域表示在拍摄上一帧监测图像的时刻,被渣土车覆盖的地面区域对应的上一帧监测图像区域;上一帧车外监测区域表示在拍摄上一帧监测图像的时刻,未被渣土车覆盖的地面区域对应的当前监测图像区域。
在上一帧监测图像中检测是否存在异物。
若在上一帧监测图像中检测出异物,且异物所处位置在上一帧车底监测区域中,确定异物不是渣土车掉落的物品。
若在上一帧监测图像中检测出异物,且异物所处位置在上一帧车外监测区域中,确定异物是渣土车掉落的物品。
在此关于上述实施例中的系统,其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述,此处将不做详细阐述说明。
本发明实施例还提供了一种电子设备,如图3所示,包括存储器504、处理器502及存储在存储器504上并可在处理器502上运行的计算机程序,所述处理器502执行所述程序时实现前文所述一种基于yolov5+deepsort的渣土车抛洒滴漏检测报警方法的任一方法的步骤。
其中,在图3中,总线架构(用总线500来代表),总线500可以包括任意数量的互联的总线和桥,总线500将包括由处理器502代表的一个或多个处理器和存储器504代表的存储器的各种电路链接在一起。总线500还可以将诸如外围设备、稳压器和功率管理电路等之类的各种其他电路链接在一起,这些都是本领域所公知的,因此,本文不再对其进进一步描述。总线接口505在总线500和接收器501和发送器503之间提供接口。接收器501和发送器503可以是同一个元件,即收发机,提供用于在传输介质上与各种其他装置通信的单元。处理器502负责管理总线500和通常的处理,而存储器504可以被用于存储处理器502在执行操作时所使用的数据。
本发明实施例还提供了一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现前文所述一种基于yolov5+deepsort的渣土车抛洒滴漏检测报警方法的任一方法的步骤以及上述的所涉及的数据。
在此提供的算法和显示不与任何特定计算机、虚拟系统或者其它设备固有相关。各种通用系统也可以与基于在此的示教一起使用。根据上面的描述,构造这类系统所要求的结构是显而易见的。此外,本发明也不针对任何特定编程语言。应当明白,可以利用各种编程语言实现在此描述的本发明的内容,并且上面对特定语言所做的描述是为了披露本发明的最佳实施方式。
在此处所提供的说明书中,说明了大量具体细节。然而,能够理解,本发明的实施例可以在没有这些具体细节的情况下实践。在一些实例中,并未详细示出公知的方法、结构和技术,以便不模糊对本说明书的理解。
类似地,应当理解,为了精简本公开并帮助理解各个发明方面中的一个或多个,在上面对本发明的示例性实施例的描述中,本发明的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。然而,并不应将该公开的方法解释成反映如下意图:即所要求保护的本发明要求比在每个权利要求中所明确记载的特征更多的特征。更确切地说,如下面的权利要求书所反映的那样,发明方面在于少于前面公开的单个实施例的所有特征。因此,遵循具体实施方式的权利要求书由此明确地并入该具体实施方式,其中每个权利要求本身都作为本发明的单独实施例。
本领域那些技术人员可以理解,可以对实施例中的设备中的模块进行自适应性地改变并且把它们设置在与该实施例不同的一个或多个设备中。可以把实施例中的模块或单元或组件组合成一个模块或单元或组件,以及此外可以把它们分成多个子模块或子单元或子组件。除了这样的特征和/或过程或者单元中的至少一些是相互排斥之外,可以采用任何组合对本说明书(包括伴随的权利要求、摘要和附图)中公开的所有特征以及如此公开的任何方法或者设备的所有过程或单元进行组合。除非另外明确陈述,本说明书(包括伴随的权利要求、摘要和附图)中公开的每个特征可以由提供相同、等同或相似目的的替代特征来代替。
此外,本领域的技术人员能够理解,尽管在此的一些实施例包括其它实施例中所包括的某些特征而不是其它特征,但是不同实施例的特征的组合意味着处于本发明的范围之内并且形成不同的实施例。例如,在下面的权利要求书中,所要求保护的实施例的任意之一都可以以任意的组合方式来使用。
本发明的各个部件实施例可以以硬件实现,或者以在一个或者多个处理器上运行的软件模块实现,或者以它们的组合实现。本领域的技术人员应当理解,可以在实践中使用微处理器或者数字信号处理器(DSP)来实现根据本发明实施例的装置中的一些或者全部部件的一些或者全部功能。本发明还可以实现为用于执行这里所描述的方法的一部分或者全部的设备或者装置程序(例如,计算机程序和计算机程序产品)。这样的实现本发明的程序可以存储在计算机可读介质上,或者可以具有一个或者多个信号的形式。这样的信号可以从因特网网站上下载得到,或者在载体信号上提供,或者以任何其他形式提供。
应该注意的是上述实施例对本发明进行说明而不是对本发明进行限制,并且本领域技术人员在不脱离所附权利要求的范围的情况下可设计出替换实施例。在权利要求中,不应将位于括号之间的任何参考符号构造成对权利要求的限制。单词“包含”不排除存在未列在权利要求中的元件或步骤。位于元件之前的单词“一”或“一个”不排除存在多个这样的元件。本发明可以借助于包括有若干不同元件的硬件以及借助于适当编程的计算机来实现。在列举了若干装置的单元权利要求中,这些装置中的若干个可以是通过同一个硬件项来具体体现。单词第一、第二、以及第三等的使用不表示任何顺序。可将这些单词解释为名称。
Claims (8)
1.一种基于yolov5+deepsort的渣土车抛洒滴漏检测报警方法,其特征在于,包括:
获得两帧监测图像;所述两帧监测图像包括当前监测图像和上一帧监测图像;所述监测图像为渣土车车尾的监控设备俯视拍摄路面的图像;所述上一帧监测图像的拍摄时间在所述当前监测图像之前;
将当前监测图像进行分区,得到当前车外监测区域;所述当前车外监测区域表示在当前时刻,未被渣土车覆盖的地面区域对应的当前监测图像区域;
检测所述当前监测图像中当前车外监测区域是否有异物;异物为区别于背景路面的物体;
若检测到有异物,基于上一帧监测图像对异物进行向前追踪,确定异物是否为渣土车掉落的物品;
若是渣土车掉落的物品,向报警系统上报掉落信息;
所述基于上一帧监测图像对异物进行向前追踪,确定异物是否为渣土车掉落的物品,包括:
对上一帧监测图像进行分区,得到上一帧车外监测区域和上一帧车底监测区域;上一帧车底监测区域表示在拍摄上一帧监测图像的时刻,被渣土车覆盖的地面区域对应的上一帧监测图像区域;上一帧车外监测区域表示在拍摄上一帧监测图像的时刻,未被渣土车覆盖的地面区域对应的当前监测图像区域;
在上一帧监测图像中检测是否存在异物;
若在上一帧监测图像中检测出异物,且异物所处位置在上一帧车底监测区域中,确定异物不是渣土车掉落的物品;
若在上一帧监测图像中检测出异物,且异物所处位置在上一帧车外监测区域中,确定异物是渣土车掉落的物品。
2.根据权利要求1所述一种基于yolov5+deepsort的渣土车抛洒滴漏检测报警方法,其特征在于,所述基于上一帧监测图像对异物进行向前追踪,确定异物是否为渣土车掉落的物品,包括:
获得异物在当前监测图像的当前异物位置;
对所述上一帧监测图像进行目标检测;
若检测出上一帧监测图像中存在异物,获得异物的上一帧异物位置;所述上一帧异物位置表示异物在上一帧监测图像的位置;
基于当前异物位置和上一帧异物位置,通过反向目标跟踪模型,确定上一帧异物和当前异物是否是同一物体;
若上一帧异物和当前异物为同一物体,对当前异物位置和上一帧异物位置进行标记;
基于同一异物的上一帧异物位置和当前异物位置,确定异物是否为渣土车掉落的物品。
3.根据权利要求2所述一种基于yolov5+deepsort的渣土车抛洒滴漏检测报警方法,其特征在于,所述基于同一异物的上一帧异物位置和当前异物位置,确定异物是否为渣土车掉落的物品,包括:
对上一帧监测图像进行分区,得到上一帧车外监测区域和上一帧车底监测区域;上一帧车底监测区域表示在拍摄上一帧监测图像的时刻,被渣土车覆盖的地面区域对应的上一帧监测图像区域;上一帧车外监测区域表示在拍摄上一帧监测图像的时刻,未被渣土车覆盖的地面区域对应的当前监测图像区域;
基于所述上一帧异物位置和当前待测目标位置,得到位置情况;所述位置情况为根据异物在上一帧车外监测区域或上一帧车底监测区域,确定异物是否为渣土车掉落的物品;
基于所述上一帧异物位置和当前待测目标位置,得到速度情况;所述速度情况为根据异物的像素速度,确定异物是否为渣土车掉落物品;
若位置情况判断异物为渣土车掉落物品,且,速度情况判断异物为判断渣土车掉落物品,确定异物为渣土车掉落的物品;
若位置情况判断异物不为渣土车掉落物品,或,速度情况判断异物不为判断渣土车掉落物品,确定异物不为渣土车掉落的物品。
4.根据权利要求3所述一种基于yolov5+deepsort的渣土车抛洒滴漏检测报警方法,其特征在于,所述基于所述上一帧异物位置和当前待测目标位置,得到位置情况,包括:
若异物所处位置在上一帧车底监测区域中,基于上一帧异物位置和当前待测目标位置,确定异物是否为渣土车掉落的物品;
若异物所处位置在上一帧车外监测区域中,基于上一帧异物位置和当前待测目标位置,确定异物是否为渣土车掉落的物品。
5.根据权利要求4所述一种基于yolov5+deepsort的渣土车抛洒滴漏检测报警方法,其特征在于,所述若异物所处位置在上一帧车底监测区域中,基于上一帧异物位置和当前待测目标位置,确定异物是否为渣土车掉落的物品,包括:
获得上一帧区域值;所述上一帧区域值为1表示待测目标处于上一帧车底监测区域;所述上一帧区域值为2表示待测目标处于所述上一帧车外监测区域;所述上一帧区域值的初始值为0;
若所述上一帧异物位置为首次被检测,将上一帧区域值设为1,确定异物不是渣土车掉落的物品;
若所述上一帧异物位置已被检测过,且,上一帧区域值为1,确定异物不是渣土车掉落的物品。
6.根据权利要求4所述一种基于yolov5+deepsort的渣土车抛洒滴漏检测报警方法,其特征在于,所述若异物所处位置在上一帧车外监测区域中,基于上一帧异物位置和当前待测目标位置,确定异物是否为渣土车掉落的物品,包括:
若所述上一帧异物位置为首次被检测,将上一帧区域值设为2,确定异物是渣土车掉落的物品;
若所述上一帧异物位置已被检测过,且,上一帧区域值为1,确定异物不是渣土车掉落的物品;
若所述上一帧异物位置已被检测过,且,上一帧区域值为2,确定异物是渣土车掉落的物品。
7.根据权利要求3所述的一种基于yolov5+deepsort的渣土车抛洒滴漏检测报警方法,其特征在于,所述基于所述上一帧异物位置和当前待测目标位置,得到速度情况,包括:
获得异物相对距离;异物相对距离为同一异物的当前异物位置减去上一帧异物位置之差;
获得检测时间值;所述检测时间值为上一帧监测图像和当前监测图像拍摄相差的时间;
将异物相对距离,除以检测时间值,得到异物像素速度;
若异物像素速度小于像素速度阈值,确定异物是渣土车掉落的物品;
若异物像素速度大于或等于像素速度阈值,确定异物不是渣土车掉落的物品。
8.一种基于yolov5+deepsort的渣土车抛洒滴漏检测报警系统,其特征在于,包括:
获取模块:获得两帧监测图像;所述两帧监测图像包括当前监测图像和上一帧监测图像;所述监测图像为渣土车车尾的监控设备俯视拍摄路面的图像;所述上一帧监测图像的拍摄时间在所述当前监测图像之前;
分区模块:将当前监测图像进行分区,得到当前车外监测区域;所述当前车外监测区域表示在当前时刻,未被渣土车覆盖的地面区域对应的当前监测图像区域;
目标检测模块:检测所述当前监测图像中当前车外监测区域是否有异物;异物为区别于背景路面的物体;
跟踪判断模块:若检测到有异物,基于上一帧监测图像对异物进行向前追踪,确定异物是否为渣土车掉落的物品;
警报模块:若是渣土车掉落的物品,向报警系统上报掉落信息;
所述基于上一帧监测图像对异物进行向前追踪,确定异物是否为渣土车掉落的物品,包括:
对上一帧监测图像进行分区,得到上一帧车外监测区域和上一帧车底监测区域;上一帧车底监测区域表示在拍摄上一帧监测图像的时刻,被渣土车覆盖的地面区域对应的上一帧监测图像区域;上一帧车外监测区域表示在拍摄上一帧监测图像的时刻,未被渣土车覆盖的地面区域对应的当前监测图像区域;
在上一帧监测图像中检测是否存在异物;
若在上一帧监测图像中检测出异物,且异物所处位置在上一帧车底监测区域中,确定异物不是渣土车掉落的物品;
若在上一帧监测图像中检测出异物,且异物所处位置在上一帧车外监测区域中,确定异物是渣土车掉落的物品。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211595203.0A CN115601711B (zh) | 2022-12-13 | 2022-12-13 | 一种基于yolov5+deepsort的渣土车抛洒滴漏检测报警方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211595203.0A CN115601711B (zh) | 2022-12-13 | 2022-12-13 | 一种基于yolov5+deepsort的渣土车抛洒滴漏检测报警方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115601711A CN115601711A (zh) | 2023-01-13 |
CN115601711B true CN115601711B (zh) | 2023-04-25 |
Family
ID=84854143
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211595203.0A Active CN115601711B (zh) | 2022-12-13 | 2022-12-13 | 一种基于yolov5+deepsort的渣土车抛洒滴漏检测报警方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115601711B (zh) |
Family Cites Families (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2871101B1 (en) * | 2012-07-03 | 2020-06-17 | Clarion Co., Ltd. | Vehicle surrounding monitoring device |
JP7009785B2 (ja) * | 2017-06-02 | 2022-01-26 | 株式会社アイシン | 周辺監視装置 |
CN112560546A (zh) * | 2019-09-10 | 2021-03-26 | 杭州海康威视数字技术股份有限公司 | 抛洒行为检测方法、装置及存储介质 |
CN110889371B (zh) * | 2019-11-26 | 2022-06-07 | 浙江大华技术股份有限公司 | 一种渣土车抛洒检测的方法及装置 |
CN111274982B (zh) * | 2020-02-04 | 2023-04-07 | 浙江大华技术股份有限公司 | 抛洒物的识别方法、装置及存储介质 |
CN111797727B (zh) * | 2020-06-18 | 2023-04-07 | 浙江大华技术股份有限公司 | 一种检测路面抛洒物的方法、装置及存储介质 |
CN215706365U (zh) * | 2021-04-02 | 2022-02-01 | 广州地铁集团有限公司 | 一种基于3d图像识别的轨道感应板异物检测装置 |
CN113076934A (zh) * | 2021-04-30 | 2021-07-06 | 深圳市商汤科技有限公司 | 车辆抛洒物检测方法、装置、电子设备及存储介质 |
CN113221724B (zh) * | 2021-05-08 | 2022-11-04 | 杭州鸿泉物联网技术股份有限公司 | 车辆抛洒物检测方法及系统 |
CN113850123A (zh) * | 2021-08-18 | 2021-12-28 | 广州国交润万交通信息有限公司 | 基于视频的公路监控方法及装置、存储介质和监控系统 |
CN114119653A (zh) * | 2021-09-28 | 2022-03-01 | 浙江大华技术股份有限公司 | 抛洒物检测方法、装置、电子装置和存储介质 |
CN114463699A (zh) * | 2022-02-22 | 2022-05-10 | 南京精筑智慧科技有限公司 | 一种建筑垃圾运转监管方法与系统 |
-
2022
- 2022-12-13 CN CN202211595203.0A patent/CN115601711B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN115601711A (zh) | 2023-01-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104217590B (zh) | 用于使主车辆中的电子控制器确定交通密度的方法 | |
CN106023595B (zh) | 一种异常停车的判断方法、装置及球型摄像机 | |
CN102768803B (zh) | 基于雷达与视频检测的车辆智能监测记录系统及其方法 | |
CN111932901B (zh) | 道路车辆跟踪检测设备、方法及存储介质 | |
CN101480943B (zh) | 车辆后退期间的事故回避 | |
CN106297317A (zh) | 一种车辆停车检测方法、终端、服务器和系统 | |
CN108417089A (zh) | 行车安全预警方法、装置及系统 | |
CN105976450A (zh) | 无人驾驶车辆的数据处理方法和装置、黑匣子系统 | |
EP3262609B1 (en) | Trailer tracking apparatus and method | |
EP3140777B1 (en) | Method for performing diagnosis of a camera system of a motor vehicle, camera system and motor vehicle | |
CN105809964A (zh) | 交通预警方法和装置 | |
CN101770648A (zh) | 一种基于视频监控的徘徊检测系统及方法 | |
CN107336724A (zh) | 一种计算机视觉和毫米波技术结合的高铁防撞设备及方法 | |
CN105894823A (zh) | 一种停车入位检测方法和装置及系统 | |
CN110853366A (zh) | 一种检测车辆停放位置方法及装置 | |
CN106023594A (zh) | 一种车位遮挡的判定方法、装置及车辆管理系统 | |
CN109766867A (zh) | 车辆运行状态确定方法、装置、计算机设备和存储介质 | |
CN205680289U (zh) | 一种停车入位检测系统 | |
CN110341621A (zh) | 一种障碍物检测方法及装置 | |
CN115601711B (zh) | 一种基于yolov5+deepsort的渣土车抛洒滴漏检测报警方法及系统 | |
CN105022987A (zh) | 用于车道感测传感器的偏差纠正和诊断功能的方法 | |
US20230103670A1 (en) | Video analysis for efficient sorting of event data | |
CN116026441A (zh) | 车辆载重量异常检测方法、装置、设备及存储介质 | |
CN113221724B (zh) | 车辆抛洒物检测方法及系统 | |
CN116778371A (zh) | 异常事件检测方法、装置、设备、车辆及存储介质 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |