CN116052031A - 车辆违停检测方法、装置、存储介质及电子设备 - Google Patents
车辆违停检测方法、装置、存储介质及电子设备 Download PDFInfo
- Publication number
- CN116052031A CN116052031A CN202111259667.XA CN202111259667A CN116052031A CN 116052031 A CN116052031 A CN 116052031A CN 202111259667 A CN202111259667 A CN 202111259667A CN 116052031 A CN116052031 A CN 116052031A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- target vehicle
- information
- video data
- detection
- 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
- 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
- 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
- G08G1/04—Detecting movement of traffic to be counted or controlled using optical or ultrasonic detectors
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N7/00—Television systems
- H04N7/18—Closed-circuit television [CCTV] systems, i.e. systems in which the video signal is not broadcast
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Signal Processing (AREA)
- Traffic Control Systems (AREA)
Abstract
本公开提供了一种车辆违停检测方法、装置、存储介质及电子设备,涉及视觉检测技术领域。该方法包括:采集监控区域的视频数据,其中,监控区域包括:车辆禁停区域;根据视频数据,监测是否存在进入车辆禁停区域的目标车辆;若存在目标车辆,则获取目标车辆的特征信息;根据目标车辆的特征信息和视频数据,确定目标车辆在多个时间点的位置信息;根据目标车辆在多个时间点的位置信息,判断目标车辆在车辆禁停区域的停留时长是否超过预设时长;若超过预设时长,则确定目标车辆为违停车辆。本公开实施例中,引入了目标车辆的特征信息来识别目标车辆,可以有效确定是否为同一车辆停止在禁停区域,降低了误检率,检测的结果更准确。
Description
背景技术
随着社会经济的发展,车辆数量出现了大规模增长,停车需求和停车场地的供给矛盾日益突出,现实生活中开始出现了违章停车的行为。
违章停车会严重阻碍交通,影响公共安全。
随着视频检测技术和计算机视觉技术的发展,现在逐渐利用监控设备对禁停区域进行车辆违停检测。但是,目前的检测方法,一般只能检测到禁停区域是否存在车辆,不能有效判断车辆是否在禁停区域停靠,检测结果的准确率较低。
需要说明的是,在上述背景技术部分公开的信息仅用于加强对本公开的背景的理解,因此可以包括不构成对本领域普通技术人员已知的现有技术的信息。
发明内容
本公开的目的在于提供一种车辆违停检测方法、装置、存储介质及电子设备,至少在一定程度上克服由于相关技术只能检测到禁停区域是否存在车辆,不能有效判断车辆是否在禁停区域停靠,检测结果的准确率较低的问题。
本公开的其他特性和优点将通过下面的详细描述变得显然,或部分地通过本公开的实践而习得。
根据本公开的一个方面,提供一种车辆违停检测方法,包括:
采集监控区域的视频数据,其中,监控区域包括:车辆禁停区域;
根据视频数据,监测是否存在进入车辆禁停区域的目标车辆;
若存在目标车辆,则获取目标车辆的特征信息;
根据目标车辆的特征信息和视频数据,确定目标车辆在多个时间点的位置信息;
根据目标车辆在多个时间点的位置信息,判断目标车辆在车辆禁停区域的停留时长是否超过预设时长;
若超过预设时长,则确定目标车辆为违停车辆。
在本公开一个实施例中,获取目标车辆的特征信息,包括:
将视频数据输入到预先训练的神经网络模型中,输出目标车辆的特征信息。
在本公开一个实施例中,根据目标车辆的特征信息和视频数据,确定目标车辆在多个时间点的位置信息,包括:
将视频数据输入到目标检测模型中,输出视频数据的多个视频帧图像中的检测框信息,其中,每个视频帧图像对应一个时间点;
基于多个视频帧图像中的检测框信息,确定目标车辆在多个时间点的位置信息。
在本公开一个实施例中,目标检测模型还输出置信度信息,置信度信息表示检测框内的检测对象是车辆的置信度;
基于视频帧图像中的检测框信息,确定目标车辆的位置信息,包括:
基于置信度信息大于预设置信度的检测框信息,确定目标车辆的位置信息。
在本公开一个实施例中,根据视频数据,监测是否存在进入车辆禁停区域的目标车辆之后,方法还包括:
基于视频数据中T-1时刻车辆的第一位置,预测在T时刻车辆的位置,得到预测位置;
在检测到T时刻车辆的第二位置与预测位置之间的距离值大于第一预设距离值的情况下,计算第二位置与第一位置之间的距离值;
获取目标车辆的特征信息,包括:
在第二位置与第一位置之间的距离值小于第二预设距离值的情况下,获取目标车辆的特征信息。
在本公开一个实施例中,根据目标车辆的特征信息和视频数据,确定目标车辆在多个时间点的位置信息,包括:
基于目标车辆的特征信息,在视频数据的多个视频帧图像中确定N个第一图像,第一图像为包含目标车辆的视频帧图像,N为正整数;
获取目标车辆在每个第一图像中的位置信息和位置信息关联的时间信息。
在本公开一个实施例中,基于目标车辆的特征信息,在视频数据的视频帧图像中确定N个第一图像,包括:
检测视频数据的视频帧图像,在多个视频帧图像中确定M个第二图像,第二图像为包含车辆的视频帧图像,M为正整数,M不小于N;
获取第二图像中车辆的特征信息;
基于第二图像中车辆的特征信息和目标车辆的特征信息,在M张第二图像中确定N张第一图像,第二图像中车辆的特征信息与目标车辆的特征信息的相似度值大于预设相似度阈值。
根据本公开的另一个方面,提供一种车辆违停检测装置,包括:
采集模块,用于采集监控区域的视频数据,其中,监控区域包括:车辆禁停区域;
监测模块,用于根据视频数据,监测是否存在进入车辆禁停区域的目标车辆;
获取模块,用于若存在目标车辆,则获取目标车辆的特征信息;
第一确定模块,用于根据目标车辆的特征信息和视频数据,确定目标车辆在多个时间点的位置信息;
判断模块,用于根据目标车辆在多个时间点的位置信息,判断目标车辆在车辆禁停区域的停留时长是否超过预设时长;
第二确定模块,用于若超过预设时长,则确定目标车辆为违停车辆。
根据本公开的再一个方面,提供一种电子设备,包括:处理器;以及存储器,用于存储所述处理器的可执行指令;其中,所述处理器配置为经由执行所述可执行指令来执行上述的车辆违停检测方法。
根据本公开的又一个方面,提供一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现上述的车辆违停检测方法。
本公开的实施例所提供的车辆违停检测方法,监测到有目标车辆进入车辆禁停区域后,获取该目标车辆的特征信息;并根据目标车辆的特征信息和视频数据,确定目标车辆在多个时间点的位置信息;根据目标车辆在多个时间点的位置信息,判断目标车辆在车辆禁停区域的停留时长是否超过预设时长;若超过预设时长,则确定目标车辆为违停车辆。如此,由于引入了目标车辆的特征信息来识别视频数据中的目标车辆,可以有效确定是否为同一车辆停止在禁停区域,进而可以更为准确地将停留时长超出预设时长的目标车辆确定为违停车辆,降低了误检率,检测的结果更准确。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性和解释性的,并不能限制本公开。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本公开的实施例,并与说明书一起用于解释本公开的原理。显而易见地,下面描述中的附图仅仅是本公开的一些实施例,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示出本公开实施例中一种计算机系统结构的示意图;
图2示出本公开实施例中一种违停车辆检测方法流程图;
图3示出本公开实施例中步骤240的详细流程流程图;
图4示出本公开实施例中另一种违停车辆检测方法流程图;
图5示出本公开实施例中目标车辆识别过程流程图;
图6示出本公开实施例中一种违停车辆检测装置示意图;
图7示出本公开实施例中一种计算机设备的结构框图。
具体实施方式
现在将参考附图更全面地描述示例实施方式。然而,示例实施方式能够以多种形式实施,且不应被理解为限于在此阐述的范例;相反,提供这些实施方式使得本公开将更加全面和完整,并将示例实施方式的构思全面地传达给本领域的技术人员。所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施方式中。
此外,附图仅为本公开的示意性图解,并非一定是按比例绘制。图中相同的附图标记表示相同或类似的部分,因而将省略对它们的重复描述。附图中所示的一些方框图是功能实体,不一定必须与物理或逻辑上独立的实体相对应。可以采用软件形式来实现这些功能实体,或在一个或多个硬件模块或集成电路中实现这些功能实体,或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。
如背景技术部分所述,目前的检测方法,一般只能检测到禁停区域是否存在车辆,不能有效判断车辆是否在禁停区域停靠,检测结果的准确率较低。
具体地,发明人发现,相关技术中,基于监控摄像头的违停检测,通过检测视频序列中T_1帧和T_2帧的车辆,分别获取其检测框,若处于禁停区域,则利用二者的交并比(IOU),来判断车辆是否停止。若交并比大于阈值,则认为车辆没有行进,处于停止状态,判断为违停。
在该方法中仅通过车辆检测框的交并比来判断车辆是否停止,无法确认是否为同一车辆,或是不同车辆行经同一位置,造成违停检测误报率较高。尽管有些方法中运用了车牌检测来解决该问题,但对于一些存在遮挡,或远距离、高角度的识别场景,将难以得到实施。
此外,当某一时刻车辆存在遮挡时,该检测框将会发生显著变化,导致两时刻检测框的交并比降低,无法判断车辆停止,漏检率较高。
本公开提供的方案中,监测到有目标车辆进入车辆禁停区域后,获取该目标车辆的特征信息;并根据目标车辆的特征信息和视频数据,确定目标车辆在多个时间点的位置信息;根据目标车辆在多个时间点的位置信息,判断目标车辆在车辆禁停区域的停留时长是否超过预设时长;若超过预设时长,则确定目标车辆为违停车辆。本公开实施例中,引入了目标车辆的特征信息来识别目标车辆,可以有效确定是否为同一车辆停止在禁停区域,降低了误检率,检测的结果更准确。
为了便于理解,下面首先对本公开涉及到的几个名词进行解释。
计算机视觉技术,计算机视觉是一门研究如何使机器“看”的科学,更进一步的说,就是指用摄影机和电脑代替人眼对目标进行识别、跟踪和测量等机器视觉,并进一步做图形处理,使电脑处理成为更适合人眼观察或传送给仪器检测的图像。作为一个科学学科,计算机视觉研究相关的理论和技术,试图建立能够从图像或者多维数据中获取信息的人工智能系统。计算机视觉技术通常包括图像处理、图像识别、图像语义理解、图像检索、OCR(Optical Character Recognition,光学字符识别)、视频处理、视频语义理解、视频内容/行为识别、三维物体重建、3D(3-Dimension,三维)技术、虚拟现实、增强现实、同步定位与地图构建等技术,还包括常见的人脸识别、指纹识别等生物特征识别技术。
机器学习,是一门多领域交叉学科,涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科。专门研究计算机怎样模拟或实现人类的学习行为,以获取新的知识或技能,重新组织已有的知识结构使之不断改善自身的性能。机器学习是人工智能的核心,是使计算机具有智能的根本途径,其应用遍及人工智能的各个领域。机器学习和深度学习通常包括人工神经网络、置信网络、强化学习、迁移学习、归纳学习、式教学习等技术。
程序模型,程序模型可以是对实际问题求解的一种形式化的表达方法,它可以是一组有序的求解问题的公式,也可以是一个问题的处理流程,还可以是用来解决某个实际问题的计算机语言程序模块等。
本公开实施例提供的方案涉及计算机视觉等技术,具体通过如下实施例进行说明:
图1是本公开一个示例性实施例提供的计算机系统的结构示意图。该系统包括:若干个终端120和服务器集群140。
终端120可以是手机、游戏主机、平板电脑、电子书阅读器、智能眼镜、MP4(MovingPicture Experts Group Audio Layer IV,动态影像专家压缩标准音频层面4)播放器、智能家居设备、AR(Augmented Reality,增强现实)设备、VR(Virtual Reality,虚拟现实)设备等移动终端,或者,终端120也可以是个人计算机(Personal Computer,PC),比如膝上型便携计算机和台式计算机等等。
其中,终端120中可以安装有用于提供监控区域的视频数据的应用程序。
终端120与服务器集群140之间通过通信网络相连。可选的,通信网络是有线网络或无线网络。
服务器集群140是一台服务器,或者由若干台服务器组成,或者是一个虚拟化平台,或者是一个云计算服务中心。服务器集群140用于为提供…的应用程序提供后台服务。可选地,服务器集群140承担主要计算工作,终端120承担次要计算工作;或者,服务器集群140承担次要计算工作,终端120承担主要计算工作;或者,终端120和服务器集群140之间采用分布式计算架构进行协同计算。
在一些可选的实施例中,服务器集群140用于存储…信息。
可选地,不同的终端120中安装的应用程序的客户端是相同的,或两个终端120上安装的应用程序的客户端是不同控制系统平台的同一类型应用程序的客户端。基于终端平台的不同,该应用程序的客户端的具体形态也可以不同,比如,该应用程序客户端可以是手机客户端、PC客户端或者全球广域网(World Wide Web,Web)客户端等。
本领域技术人员可以知晓,上述终端120的数量可以更多或更少。比如上述终端可以仅为一个,或者上述终端为几十个或几百个,或者更多数量。本公开实施例对终端的数量和设备类型不加以限定。
可选的,该系统还可以包括管理设备(图1未示出),该管理设备与服务器集群140之间通过通信网络相连。可选的,通信网络是有线网络或无线网络。
可选的,上述的无线网络或有线网络使用标准通信技术和/或协议。网络通常为因特网、但也可以是任何网络,包括但不限于局域网(Local Area Network,LAN)、城域网(Metropolitan Area Network,MAN)、广域网(Wide Area Network,WAN)、移动、有线或者无线网络、专用网络或者虚拟专用网络的任何组合)。在一些实施例中,使用包括超文本标记语言(Hyper Text Mark-up Language,HTML)、可扩展标记语言(ExtensibleMarkupLanguage,XML)等的技术和/或格式来代表通过网络交换的数据。此外还可以使用诸如安全套接字层(Secure Socket Layer,SSL)、传输层安全(Transport Layer Security,TLS)、虚拟专用网络(Virtual Private Network,VPN)、网际协议安全(InternetProtocolSecurity,IPsec)等常规加密技术来加密所有或者一些链路。在另一些实施例中,还可以使用定制和/或专用数据通信技术取代或者补充上述数据通信技术。
下面,将结合附图及实施例对本示例实施方式中的车辆违停检测方法的各个步骤进行更详细的说明。
图2示出本公开实施例中一种车辆违停检测方法流程图。本公开实施例提供的方法可以由任意具备计算处理能力的电子设备执行,例如如图1中的终端120和/或服务器集群140。在下面的举例说明中,以终端120为执行主体进行示例说明。
如图2所示,该车辆违停检测方法,包括如下步骤:
步骤S210,采集监控区域的视频数据,其中,监控区域包括:车辆禁停区域;
步骤S220,根据视频数据,监测是否存在进入车辆禁停区域的目标车辆;
步骤S230,若存在目标车辆,则获取目标车辆的特征信息;
步骤S240,根据目标车辆的特征信息和视频数据,确定目标车辆在多个时间点的位置信息;
步骤S250,根据目标车辆在多个时间点的位置信息,判断目标车辆在车辆禁停区域的停留时长是否超过预设时长;
步骤S260,若超过预设时长,则确定目标车辆为违停车辆。
本公开的实施例所提供的车辆违停检测方法,监测到有目标车辆进入车辆禁停区域后,获取该目标车辆的特征信息;并根据目标车辆的特征信息和视频数据,确定目标车辆在多个时间点的位置信息;根据目标车辆在多个时间点的位置信息,判断目标车辆在车辆禁停区域的停留时长是否超过预设时长;若超过预设时长,则确定目标车辆为违停车辆。如此,由于引入了目标车辆的特征信息来识别视频数据中的目标车辆,可以有效确定是否为同一车辆停止在禁停区域,进而可以更为准确地将停留时长超出预设时长的目标车辆确定为违停车辆,降低了误检率,检测的结果更准确。
下面对上述步骤进行详细说明,具体如下所示:
上述步骤S210中,采集监控区域的视频数据,视频采集的方式可以有多种,例如可以通过终端上的图像采集设备来采集视频数据。此外,还可以通过一个独立的图像采集设备来采集监控区域的视频数据,该图像采集设备与终端连接,终端通过该图像采集设备获取监控区域的视频数据。
在一个示例中,为了便于后期对视频数据进行处理,这里可以是采集固定区域的视频数据,如此可以方便后期处理数据时确定位置信息。为了采集固定区域的视频数据,这里可以采用固定位置的采集设备进行采集,通过固定采集设备的位置来固定采集的角度,进而得到固定位置的视频数据。
这里,车辆禁停区域可以是人工设置的一个区域范围。该区域范围的大小和形状不作限定。
在上述示例中,由于采集的是固定区域的视频数据,这种情况下,在得到的视频的帧图像中,车辆禁停区域对应的位置不发生改变,便于后续对视频数据的处理。
步骤S220中,根据视频数据,监测是否存在进入车辆禁停区域的目标车辆。这里,可以通过计算机程序模型来监测进入车辆禁停区域的目标车辆。具体的监测方式详见下文具体实施例,在此不再赘述。
目标车辆的特征信息,可以是能够将目标车辆与其它车辆区分的特征信息。这里特征信息可以包括车辆的类型、车辆的颜色等、车辆的型号等一种或多种信息。
其中,车辆类型可以包括货车、客车等类型,也可以包括公交车、轿车等类型。
视频数据中包括多个视频帧图像,步骤S240中可以根据目标车辆的特征信息和多个视频帧图像对应的时间点,来确定目标车辆在视频帧图像中对应的位置,及该视频帧图像对应的时间点,并基于目标车辆在视频帧图像中对应的位置来确定目标车辆的位置信息。
需要说明的是,目标车辆的位置信息可以是目标车辆在视频帧图像中的位置信息,也可以是基于视频数据确定的目标车辆在实际中的位置信息。在采集的视频数据为固定角度的视频数据的情况下,该目标车辆的位置信息可以是目标车辆在视频帧图像中的位置信息。
目标车辆在车辆禁停区域的停留时长,可以基于前文中存在目标车辆的视频帧图像来确定,每各存在目标车辆的视频帧图像均对应一个时间点,停留时长可以基于连续的视频帧图像来进行计算得到。
预设时长的设置可以避免由于车辆行驶缓慢而造成的检测结果异常。因此,设置一个预设时长,若超过预设时长,则确定目标车辆为违停车辆,可以进一步提高检测结果的准确率。
在一些实施例中,为了提升检测违停车辆的效率,上述步骤S230可以基于计算机程序模型实现。基于此,步骤S230中获取目标车辆的特征信息,可以包括:
将视频数据输入到预先训练的神经网络模型中,输出目标车辆的特征信息。
作为一个示例,神经网络模型可以采用PYTORCH深度学习模型。在使用该模型前,可以基于标注后的视频数据预先对该模型进行训练,具体的训练过程在此不再赘述。
这里,将视频数据输入到预先训练的神经网络模型中之后,神经网络模型可以基于学习到的先验知识,识别视频数据中目标车辆的特征,然后输出目标车辆的特征信息。
本公开实施例中,利用预先训练的神经网络模型识别得到目标车辆的特征信息,特征提取过程可以自动实现,能够有效提高提取目标车辆特征信息的速度,进而提高违停车辆检测的效率。
在一些实施例中,为了进一步提高检测的效率,上述步骤S240也可以通过计算机程序模型实现。基于此,如图3所示,上述步骤S240,可以包括:
步骤S302,将视频数据输入到目标检测模型中,以使目标检测模型输出视频数据的多个视频帧图像中的检测框信息,其中,每个视频帧图像对应一个时间点;
步骤S304,基于多个视频帧图像中的检测框信息,确定目标车辆在多个时间点的位置信息。
其中,目标检测模型可以采用YOLOv5目标检测模型,
具体地,结合上文实施例,这里可以基于PYTORCH深度学习框架,使用YOLOv5目标检测方法训练深度神经网络,实现实时的车辆目标检测。
模型的输入可以为第T帧的视频数据,通过YOLOv5进行目标检测,输出该帧的车辆检测信息,记为其中为检测的第i个车辆目标,包含了目标的位置信息 表示检测框的左上点的坐标位置,表示检测框的宽度,表示检测框的高度。
在一些实施例中,上文中的目标检测模型还输出置信度信息,置信度信息表示检测框内的检测对象是车辆的置信度;
步骤S304可以具体包括基于置信度信息大于预设置信度的检测框信息,确定目标车辆的位置信息。
这里,通过置信度信息来筛选可信的检测框信息,使得用户检测的数据更为准确,进而可以提升违停车辆检测的准确率。
此外,本公开实施例中,利用目标检测模型得到视频帧图像中的检测框信息,通过检测框信息得到目标车辆的位置信息,可以有效提高获取目标车辆位置信息的速度,进而提高违停车辆检测的效率。
在一些实施例中,该方法还可以包括对于标车辆的监测过程,如图4所示,该过程可以包括如下步骤:
步骤S410,基于视频数据中T-1时刻车辆的第一位置,预测在T时刻车辆的位置,得到预测位置;
步骤S420,在检测到T时刻车辆的第二位置与预测位置之间的距离值大于第一预设距离值的情况下,计算第二位置与第一位置之间的距离值;
相应地,上述实施例中的步骤S230,可以包括:
在第二位置与第一位置之间的距离值小于第二预设距离值的情况下,获取目标车辆的特征信息。
下面具体介绍上述目标车辆的监测过程,请一并参考图4和图5。
当T=0时刻,用Detection0初始化车辆轨迹信息Track0;当T≥1时刻,根据T-1时刻的车辆信息通过卡尔曼滤波算法预测T时刻的状态。
设车辆的状态信息为:
xT-1=[tT-1,lT-1,αT-1,hT-1,vt,vl,vα,vh]T (1)
协方差矩阵为
定义预测矩阵Fk为:
根据IOU矩阵,通过匈牙利匹配算法,以及设定的阈值TIOU,确定匹配的轨迹集合Smatched,未找到关联项的轨迹集合Sunmatched_track,以及未找到关联项的检测框集合Sunmatched_detection。
针对匹配的Smatched集合,利用当前检测框更新Track的预测状态,即:
P′k=Pk-K′HkPk (6)
其中,Hk为单位矩阵。
更新车辆轨迹集合信息
Track_setT=Smatched+Sunmatched_track+Sunmatched_detection
其中,对于Sunmatched_track将其属性time_loss加时间Δt,Smatched的time_loss置为0,Sunmatched_detection的time_loss置为0。删除time_loss>Tloss的轨迹信息。
上文中轨迹集合Smatched便是目标车辆的轨迹集合。更新车辆轨迹集合信息的过程便是前文实施例中若超过预设时长,则确定目标车辆为违停车辆。
本公开实施例中,可以准确识别得到目标车辆,为后续的检测提供准确的数据,进而提高检测结果的准确率。
此外,本公开实施例中利用神经网络ResNet-50抽取车辆的特征信息,可以有效确定是否为同一车辆停止在禁停区域,且停车时长超出阈值。当存在遮挡时,也能在遮挡物离开后,通过保存的历史车辆信息,追溯车辆,累计违停时长,从而降低漏检率与误检率,提高了违停检测的准确性。
下面结合前文中对目标车辆识别的具体实施例,对本公开中违停车辆检测的方法进行详细介绍。
对于Smatched集合中的车辆违停检测。
对于Smatched中的匹配的track和detection,通过计算二者检测框的中心点的偏移量是否小于阈值Tdistance,来判断车辆是否存在移动。中心点的计算公式如下:
偏移量的计算公式如下:
若车辆没有移动,则利用ResNet-50网络抽取车辆的特征信息,通过余弦距离计算二者的相似度,若相似度大于阈值Tsimilary,则认为是同一车辆,将Track属性中的time_illegal加上时间间隔Δt。
对于Sunmatched_track与Sunmatched_detection中的车辆,分别通过ResNet-50网络抽取车辆的特征信息,筛选相似度大于阈值Tsimilary的track与detection,将二者关联,更新Smatched、Sunmatched_track、 tection集合,判断二者的中心点偏移量,判断是否移动,若没有移动则将track属性中的time_illegal加上时间间隔Δt。
筛选Track集合中违停时长大于Tparking的车辆进行记录处理。也就是得到超过预设时长的违停车辆。
在一些实施例中,上述步骤S240还可以具体实现如下:
基于目标车辆的特征信息,在视频数据的多个视频帧图像中确定N个第一图像,第一图像为包含目标车辆的视频帧图像,N为正整数;
获取目标车辆在每个第一图像中的位置信息和位置信息关联的时间信息。
其中,基于目标车辆的特征信息,在视频数据的视频帧图像中确定N个第一图像,可以包括:
检测视频数据的视频帧图像,在多个视频帧图像中确定M个第二图像,第二图像为包含车辆的视频帧图像,M为正整数,M不小于N;
获取第二图像中车辆的特征信息;
基于第二图像中车辆的特征信息和目标车辆的特征信息,在M张第二图像中确定N张第一图像,第二图像中车辆的特征信息与目标车辆的特征信息的相似度值大于预设相似度阈值。
本公开实施例中,可以基于目标车辆的特征信息和视频数据,准确地得到目标车辆的位置信息及其关联的时间信息,为后续的检测处理过程提供准确的数据,提高违停车辆检测的准确率。
需要注意的是,上述附图仅是根据本发明示例性实施例的方法所包括的处理的示意性说明,而不是限制目的。易于理解,上述附图所示的处理并不表明或限制这些处理的时间顺序。另外,也易于理解,这些处理可以是例如在多个模块中同步或异步执行的。
需要说明的是,本公开实施例提供的车辆违停检测方法,执行主体还可以为车辆违停检测装置,或者该车辆违停检测装置中的用于执行车辆违停检测方法的控制模块。本公开实施例中以车辆违停检测装置执行车辆违停检测方法为例,说明本公开实施例提供的车辆违停检测装置。
图6示出本公开实施例中一种车辆违停检测装置示意图。如图6所示,该车辆违停检测装置600,包括:
采集模块610,用于采集监控区域的视频数据,其中,监控区域包括:车辆禁停区域;
监测模块620,用于根据视频数据,监测是否存在进入车辆禁停区域的目标车辆;
获取模块630,用于若存在目标车辆,则获取目标车辆的特征信息;
第一确定模块640,用于根据目标车辆的特征信息和视频数据,确定目标车辆在多个时间点的位置信息;
判断模块650,用于根据目标车辆在多个时间点的位置信息,判断目标车辆在车辆禁停区域的停留时长是否超过预设时长;
第二确定模块660,用于若超过预设时长,则确定目标车辆为违停车辆。
在一些实施例中,获取模块630,可以具体用于将视频数据输入到预先训练的神经网络模型中,输出目标车辆的特征信息。
在一些实施例中,第一确定模块640,可以包括:
输入单元,用于将视频数据输入到目标检测模型中,输出视频数据的多个视频帧图像中的检测框信息,其中,每个视频帧图像对应一个时间点;
第一确定单元,用于基于多个视频帧图像中的检测框信息,确定目标车辆在多个时间点的位置信息。
在一些实施例中,输入单元中的目标检测模型还可以输出置信度信息,置信度信息表示检测框内的检测对象是车辆的置信度;
第一确定单元,可以具体用于基于置信度信息大于预设置信度的检测框信息,确定目标车辆的位置信息。
在一些实施例中,该车辆违停检测装置600还可以包括:
预测模块,可以用于基于视频数据中T-1时刻车辆的第一位置,预测在T时刻车辆的位置,得到预测位置;
计算模块,可以用于在检测到T时刻车辆的第二位置与预测位置之间的距离值大于第一预设距离值的情况下,计算第二位置与第一位置之间的距离值;
相应地,获取模块630,可以具体用于在第二位置与第一位置之间的距离值小于第二预设距离值的情况下,获取目标车辆的特征信息。
在一些实施例中,第一确定模块640,可以包括:
第二确定单元,用于基于目标车辆的特征信息,在视频数据的多个视频帧图像中确定N个第一图像,第一图像为包含目标车辆的视频帧图像,N为正整数;
获取单元,用于获取目标车辆在每个第一图像中的位置信息和位置信息关联的时间信息。
在一些实施例中,第二确定单元,可以具体实现如下:
检测视频数据的视频帧图像,在多个视频帧图像中确定M个第二图像,第二图像为包含车辆的视频帧图像,M为正整数,M不小于N;
获取第二图像中车辆的特征信息;
基于第二图像中车辆的特征信息和目标车辆的特征信息,在M张第二图像中确定N张第一图像,第二图像中车辆的特征信息与目标车辆的特征信息的相似度值大于预设相似度阈值。
本公开实施例提供的车辆违停检测装置,可以用于执行上述各方法实施例提供的车辆违停检测方法,其实现原理和技术效果类似,为简介起见,在此不再赘述。
所属技术领域的技术人员能够理解,本发明的各个方面可以实现为系统、方法或程序产品。因此,本发明的各个方面可以具体实现为以下形式,即:完全的硬件实施方式、完全的软件实施方式(包括固件、微代码等),或硬件和软件方面结合的实施方式,这里可以统称为“电路”、“模块”或“系统”。
下面参照图7来描述根据本发明的这种实施方式的电子设备700。图7显示的电子设备700仅仅是一个示例,不应对本发明实施例的功能和使用范围带来任何限制。
如图7所示,电子设备700以通用计算设备的形式表现。电子设备700的组件可以包括但不限于:上述至少一个处理单元710、上述至少一个存储单元720、连接不同系统组件(包括存储单元720和处理单元710)的总线730。
其中,所述存储单元存储有程序代码,所述程序代码可以被所述处理单元710执行,使得所述处理单元710执行本说明书上述“示例性方法”部分中描述的根据本发明各种示例性实施方式的步骤。例如,所述处理单元710可以执行如图2中所示的步骤210,采集监控区域的视频数据,其中,监控区域包括:车辆禁停区域;步骤220,根据视频数据,监测是否存在进入车辆禁停区域的目标车辆;步骤230,若存在目标车辆,则获取目标车辆的特征信息;步骤240,根据目标车辆的特征信息和视频数据,确定目标车辆在多个时间点的位置信息;步骤250,根据目标车辆在多个时间点的位置信息,判断目标车辆在车辆禁停区域的停留时长是否超过预设时长;步骤260,若超过预设时长,则确定目标车辆为违停车辆。
存储单元720可以包括易失性存储单元形式的可读介质,例如随机存取存储单元(RAM)7201和/或高速缓存存储单元7202,还可以进一步包括只读存储单元(ROM)7203。
存储单元720还可以包括具有一组(至少一个)程序模块7205的程序/实用工具7204,这样的程序模块8205包括但不限于:操作系统、一个或者多个应用程序、其它程序模块以及程序数据,这些示例中的每一个或某种组合中可能包括网络环境的实现。
总线730可以为表示几类总线结构中的一种或多种,包括存储单元总线或者存储单元控制器、外围总线、图形加速端口、处理单元或者使用多种总线结构中的任意总线结构的局域总线。
电子设备700也可以与一个或多个外部设备800(例如键盘、指向设备、蓝牙设备等)通信,还可与一个或者多个使得用户能与该电子设备700交互的设备通信,和/或与使得该电子设备700能与一个或多个其它计算设备进行通信的任何设备(例如路由器、调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口750进行。并且,电子设备700还可以通过网络适配器760与一个或者多个网络(例如局域网(LAN),广域网(WAN)和/或公共网络,例如因特网)通信。如图所示,网络适配器760通过总线730与电子设备700的其它模块通信。应当明白,尽管图中未示出,可以结合电子设备700使用其它硬件和/或软件模块,包括但不限于:微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。
通过以上的实施方式的描述,本领域的技术人员易于理解,这里描述的示例实施方式可以通过软件实现,也可以通过软件结合必要的硬件的方式来实现。因此,根据本公开实施方式的技术方案可以以软件产品的形式体现出来,该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM,U盘,移动硬盘等)中或网络上,包括若干指令以使得一台计算设备(可以是个人计算机、服务器、终端装置、或者网络设备等)执行根据本公开实施方式的方法。
在本公开的示例性实施例中,还提供了一种计算机可读存储介质,其上存储有能够实现本说明书上述方法的程序产品。在一些可能的实施方式中,本发明的各个方面还可以实现为一种程序产品的形式,其包括程序代码,当所述程序产品在终端设备上运行时,所述程序代码用于使所述终端设备执行本说明书上述“示例性方法”部分中描述的根据本发明各种示例性实施方式的步骤。
描述了根据本发明的实施方式的用于实现上述方法的程序产品,其可以采用便携式紧凑盘只读存储器(CD-ROM)并包括程序代码,并可以在终端设备,例如个人电脑上运行。然而,本发明的程序产品不限于此,在本文件中,可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
所述程序产品可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以为但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括:具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。
计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了可读程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。可读信号介质还可以是可读存储介质以外的任何可读介质,该可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。
可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于无线、有线、光缆、RF等等,或者上述的任意合适的组合。
可以以一种或多种程序设计语言的任意组合来编写用于执行本发明操作的程序代码,所述程序设计语言包括面向对象的程序设计语言—诸如Java、C++等,还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中,远程计算设备可以通过任意种类的网络,包括局域网(LAN)或广域网(WAN),连接到用户计算设备,或者,可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。
应当注意,尽管在上文详细描述中提及了用于动作执行的设备的若干模块或者单元,但是这种划分并非强制性的。实际上,根据本公开的实施方式,上文描述的两个或更多模块或者单元的特征和功能可以在一个模块或者单元中具体化。反之,上文描述的一个模块或者单元的特征和功能可以进一步划分为由多个模块或者单元来具体化。
此外,尽管在附图中以特定顺序描述了本公开中方法的各个步骤,但是,这并非要求或者暗示必须按照该特定顺序来执行这些步骤,或是必须执行全部所示的步骤才能实现期望的结果。附加的或备选的,可以省略某些步骤,将多个步骤合并为一个步骤执行,以及/或者将一个步骤分解为多个步骤执行等。
通过以上的实施方式的描述,本领域的技术人员易于理解,这里描述的示例实施方式可以通过软件实现,也可以通过软件结合必要的硬件的方式来实现。因此,根据本公开实施方式的技术方案可以以软件产品的形式体现出来,该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM,U盘,移动硬盘等)中或网络上,包括若干指令以使得一台计算设备(可以是个人计算机、服务器、移动终端、或者网络设备等)执行根据本公开实施方式的方法。
本领域技术人员在考虑说明书及实践这里公开的发明后,将容易想到本公开的其它实施方案。本公开旨在涵盖本公开的任何变型、用途或者适应性变化,这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的,本公开的真正范围和精神由所附的权利要求指出。
Claims (10)
1.一种车辆违停检测方法,其特征在于,包括:
采集监控区域的视频数据,其中,所述监控区域包括:车辆禁停区域;
根据所述视频数据,监测是否存在进入所述车辆禁停区域的目标车辆;
若存在所述目标车辆,则获取所述目标车辆的特征信息;
根据所述目标车辆的特征信息和所述视频数据,确定所述目标车辆在多个时间点的位置信息;
根据所述目标车辆在多个时间点的位置信息,判断所述目标车辆在所述车辆禁停区域的停留时长是否超过预设时长;
若超过预设时长,则确定所述目标车辆为违停车辆。
2.根据权利要求1所述的方法,其特征在于,所述获取所述目标车辆的特征信息,包括:
将所述视频数据输入到预先训练的神经网络模型中,输出所述目标车辆的特征信息。
3.根据权利要求1所述的方法,其特征在于,所述根据所述目标车辆的特征信息和所述视频数据,确定所述目标车辆在多个时间点的位置信息,包括:
将所述视频数据输入到目标检测模型中,输出所述视频数据的多个视频帧图像中的检测框信息,其中,每个视频帧图像对应一个时间点;
基于所述多个视频帧图像中的检测框信息,确定所述目标车辆在多个时间点的位置信息。
4.根据权利要求3所述的方法,其特征在于,所述目标检测模型还输出置信度信息,所述置信度信息表示所述检测框内的检测对象是车辆的置信度;
所述基于所述视频帧图像中的检测框信息,确定所述目标车辆的位置信息,包括:
基于所述置信度信息大于预设置信度的检测框信息,确定所述目标车辆的位置信息。
5.根据权利要求1所述的方法,其特征在于,所述根据所述视频数据,监测是否存在进入所述车辆禁停区域的目标车辆之后,所述方法还包括:
基于所述视频数据中T-1时刻车辆的第一位置,预测在T时刻所述车辆的位置,得到预测位置;
在检测到T时刻所述车辆的第二位置与所述预测位置之间的距离值大于第一预设距离值的情况下,计算所述第二位置与所述第一位置之间的距离值;
所述获取所述目标车辆的特征信息,包括:
在所述第二位置与所述第一位置之间的距离值小于第二预设距离值的情况下,获取所述目标车辆的特征信息。
6.根据权利要求1所述的方法,其特征在于,所述根据所述目标车辆的特征信息和所述视频数据,确定所述目标车辆在多个时间点的位置信息,包括:
基于所述目标车辆的特征信息,在所述视频数据的多个视频帧图像中确定N个第一图像,所述第一图像为包含所述目标车辆的视频帧图像,N为正整数;
获取所述目标车辆在每个第一图像中的位置信息和所述位置信息关联的时间信息。
7.根据权利要求6所述的方法,其特征在于,所述基于所述目标车辆的特征信息,在所述视频数据的视频帧图像中确定N个第一图像,包括:
检测所述视频数据的视频帧图像,在多个所述视频帧图像中确定M个第二图像,所述第二图像为包含车辆的视频帧图像,M为正整数,M不小于N;
获取所述第二图像中车辆的特征信息;
基于所述第二图像中车辆的特征信息和所述目标车辆的特征信息,在所述M张第二图像中确定N张第一图像,所述第二图像中车辆的特征信息与所述目标车辆的特征信息的相似度值大于预设相似度阈值。
8.一种车辆违停检测装置,其特征在于,包括:
采集模块,用于采集监控区域的视频数据,其中,所述监控区域包括:车辆禁停区域;
监测模块,用于根据所述视频数据,监测是否存在进入所述车辆禁停区域的目标车辆;
获取模块,用于若存在所述目标车辆,则获取所述目标车辆的特征信息;
第一确定模块,用于根据所述目标车辆的特征信息和所述视频数据,确定所述目标车辆在多个时间点的位置信息;
判断模块,用于根据所述目标车辆在多个时间点的位置信息,判断所述目标车辆在所述车辆禁停区域的停留时长是否超过预设时长;
第二确定模块,用于若超过预设时长,则确定所述目标车辆为违停车辆。
9.一种电子设备,其特征在于,包括:
处理器;以及
存储器,用于存储所述处理器的可执行指令;
其中,所述处理器配置为经由执行所述可执行指令来执行权利要求1~7中任意一项所述的车辆违停检测方法。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1~7中任意一项所述的车辆违停检测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111259667.XA CN116052031A (zh) | 2021-10-28 | 2021-10-28 | 车辆违停检测方法、装置、存储介质及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111259667.XA CN116052031A (zh) | 2021-10-28 | 2021-10-28 | 车辆违停检测方法、装置、存储介质及电子设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116052031A true CN116052031A (zh) | 2023-05-02 |
Family
ID=86113748
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111259667.XA Pending CN116052031A (zh) | 2021-10-28 | 2021-10-28 | 车辆违停检测方法、装置、存储介质及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116052031A (zh) |
-
2021
- 2021-10-28 CN CN202111259667.XA patent/CN116052031A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2020173056A1 (zh) | 交通图像识别方法、装置、计算机设备和介质 | |
CN107153363B (zh) | 无人驾驶汽车的仿真测试方法及装置、设备与可读介质 | |
CN111241989B (zh) | 图像识别方法及装置、电子设备 | |
You et al. | A fatigue driving detection algorithm based on facial motion information entropy | |
WO2022078077A1 (zh) | 驾驶风险的预警方法、装置、计算设备及存储介质 | |
US20150213323A1 (en) | Video anomaly detection based upon a sparsity model | |
CN110348463A (zh) | 用于识别车辆的方法和装置 | |
CN106446856A (zh) | 车辆占道行驶智能监控方法和系统 | |
CN106504542A (zh) | 车速智能监控方法和系统 | |
CN111310595B (zh) | 用于生成信息的方法和装置 | |
CN111008622B (zh) | 一种图像对象检测方法、装置以及计算机可读存储介质 | |
Rahman et al. | Predicting driver behaviour at intersections based on driver gaze and traffic light recognition | |
CN116823884A (zh) | 多目标跟踪方法、系统、计算机设备及存储介质 | |
CN116052031A (zh) | 车辆违停检测方法、装置、存储介质及电子设备 | |
CN113869163B (zh) | 目标跟踪方法、装置、电子设备及存储介质 | |
CN113538968B (zh) | 用于输出信息的方法和装置 | |
CN113343903A (zh) | 一种自然场景下的车牌识别方法及系统 | |
Alam et al. | Faster RCNN based robust vehicle detection algorithm for identifying and classifying vehicles | |
Venkatesh et al. | An intelligent traffic management system based on the Internet of Things for detecting rule violations | |
CN112270257A (zh) | 一种运动轨迹确定方法、装置及计算机可读存储介质 | |
CN113538516B (zh) | 基于记忆信息的目标对象跟踪方法、装置及电子设备 | |
CN113378972B (zh) | 一种复杂场景下的车牌识别方法及系统 | |
CN117191068B (zh) | 模型训练方法和装置、轨迹预测方法和装置 | |
CN112101279B (zh) | 目标物异常检测方法、装置、电子设备及存储介质 | |
CN106412509A (zh) | 牌号冒用/伪造的智能监控方法和系统 |
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 |