CN117116046A - 一种基于单阶段目标检测的交通常见事件检测方法 - Google Patents

一种基于单阶段目标检测的交通常见事件检测方法 Download PDF

Info

Publication number
CN117116046A
CN117116046A CN202311070494.6A CN202311070494A CN117116046A CN 117116046 A CN117116046 A CN 117116046A CN 202311070494 A CN202311070494 A CN 202311070494A CN 117116046 A CN117116046 A CN 117116046A
Authority
CN
China
Prior art keywords
target
detection
traffic
vehicle
frame
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202311070494.6A
Other languages
English (en)
Inventor
马仁吉
黄荣华
包永成
马凯
王昭君
邵家伟
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Jiangsu Zhengfang Transportation Technology Co ltd
Original Assignee
Jiangsu Zhengfang Transportation Technology Co ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Jiangsu Zhengfang Transportation Technology Co ltd filed Critical Jiangsu Zhengfang Transportation Technology Co ltd
Priority to CN202311070494.6A priority Critical patent/CN117116046A/zh
Publication of CN117116046A publication Critical patent/CN117116046A/zh
Pending legal-status Critical Current

Links

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
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/0464—Convolutional networks [CNN, ConvNet]
    • 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
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/56—Extraction of image or video features relating to colour
    • 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
    • G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
    • 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
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • 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
    • G06V10/766—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using regression, e.g. by projecting features on hyperplanes
    • 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
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/40—Scenes; Scene-specific elements in video content
    • G06V20/44—Event detection
    • 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
    • G06V20/54—Surveillance or monitoring of activities, e.g. for recognising suspicious objects of traffic, e.g. cars on the road, trains or boats
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/60—Type of objects
    • G06V20/62—Text, e.g. of license plates, overlay texts or captions on TV images
    • G06V20/625—License plates
    • 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
    • G08G1/0133—Traffic data processing for classifying traffic situation
    • 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
    • G08G1/0137—Measuring and analyzing of parameters relative to traffic conditions for specific applications
    • 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
    • G08G1/0175—Detecting movement of traffic to be counted or controlled identifying vehicles by photographing vehicles, e.g. when violating traffic rules
    • 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
    • G08G1/052—Detecting movement of traffic to be counted or controlled with provision for determining speed or overspeed
    • 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
    • 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)
  • Multimedia (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Databases & Information Systems (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Molecular Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明涉及交通智能识别技术领域，公开了一种基于单阶段目标检测的交通常见事件检测方法，包括以下步骤：S1、视频画面处理：将拍摄的视频帧转为Tensor；S2、目标检测：利用Backbone+neck+head的方法定位目标的位置、置信度及类别；S3、目标跟踪：将跟踪的目标框分为高分框和低分框，获得目标参数；S4、车辆属性和车牌识别：识别车辆属性和车牌；S5、算法逻辑判断：实现交通常见事件检测的逻辑处理，并通过平台层进行数据展示。本发明对高速公路上的车辆和杂物进行分析判断，可以分析高速公路上出现的不同状况，增强了事件发生时的反应能力；且可以及时上报，及时处理，具有较好的效果和应用价值。

Description

一种基于单阶段目标检测的交通常见事件检测方法
技术领域
本发明涉及交通智能识别技术领域，具体是一种基于单阶段目标检测的交通常见事件检测方法。
背景技术
近年来，随着我国经济社会的快速发展，我国交通建设事业取得了巨大的成就，高速公路方面发展得非常迅速，建设了大量里程的高速公路；对于现在的高速公路发展现状来说，人们不再满足于单纯的方便快捷；随着车辆的普及，人们对于高速公路安全性的要求也在不断提高。由于高速公路上的车流量大，车速块，一旦发生事故，轻则造成财产损失，重则人员伤亡，现有的交通检测，是采用纯人工巡检方式，24小时不间断排查，导致效率低下，且发生事件时，有一定的滞后性，与交通领域对事件发生时要求的时效性相悖。
中国专利公开了交通事件检测方法以及系统(公告号CN105809954B)，该专利技术不需要选择海量的视频特征，不需要实现精确的目标分类和识别，不需要采集海量的轨迹样本，不需要构建复杂的视频事件库，不需要对交通事件的上下文信息进行智能辨识，不需要构建丰富的语义库。利用熵值来检测交通事件降低了系统的复杂度，并进而降低了应用成本，但是其不能针对道路上出现的不同况且进行分析判断，从而导致实用性不强。
发明内容
本发明的目的在于提供一种基于单阶段目标检测的交通常见事件检测方法，以解决上述背景技术中提出的问题。
为实现上述目的，本发明提供如下技术方案：
一种基于单阶段目标检测的交通常见事件检测方法，包括以下步骤：
S1、视频画面处理：通过相机拍摄整段道路，并将视频画面传入到视频接入层，再利用VPF对视频帧进行硬解码，获取结果帧；并将结果帧转为Tensor；
S2、目标检测：结果帧转为Tensor后，传入到目标检测层，利用Backbone+neck+head的方法，从Tensor中检测并定位目标的位置、置信度及类别；
S3、目标跟踪：目标检测层检测完成以后，将目标的位置、置信度以及类别传入到目标跟踪层，再利用目标跟踪方法，将跟踪的目标框分为高分框和低分框，采用卡尔曼滤波+匈牙利算法进行匹配，获得目标参数；
S4、车辆属性和车牌识别：目标跟踪完成以后，将目标参数传入到车辆属性和车牌识别层；再利用图片多标签分类技术，采用ResNet18网络识别车辆属性，其中，车辆属性包括车型、车身颜色和车牌颜色，并输出类别为车型总类别+车身颜色总类别+车牌颜色总类别；再使用OCR文本识别技术，对车辆的车牌进行识别，输出类别为车型总类别+车身颜色总类别+车牌颜色总类别+车牌；
S5、算法逻辑判断：车辆属性和车牌识别完成以后，将处理结果传送到算法逻辑层，在算法逻辑层实现交通常见事件检测的逻辑处理，并将逻辑处理结果上报到平台层，由平台层进行数据展示，由于只一次提取特征即实现目标检测，因此，实现单阶段目标检测的交通常见事件检测。
作为本发明再进一步的方案：在所述S2步骤中，Backbone+neck+head的处理方法具体步骤如下：先通过Backbone提取结果帧的特征，从结果帧中分类目标物；再将输出结果经过neck进行降维和调整处理，以便更好地适应任务要求，然后传入head后输出回归目标位置；接着，采用Anchor-free的目标检测算法，利用head回归目标位置，并使用NMS过滤低置信度的目标，得到目标的位置、置信度以及类别。
作为本发明再进一步的方案：在所述S3步骤中，目标参数包括坐标、置信度、类别、id以及得分，当目标因遮挡造成得分较低时，通过匹配低分框，并结合高分框的方式来减小跟踪id变动的情况；具体方法如下：
通过判断当前目标的置信度是否大于高分框的阈值，以此来判断当前目标是属于低分框还是高分框；若当前目标属于高分框时，则只从高分框中通过匈牙利算法进行匹配；若当前目标属于低分框时，则会从高分框和低分框两个部分匹配。
作为本发明再进一步的方案：在所述S5步骤中，交通常见事件检测的逻辑处理包括交通拥堵检测的逻辑处理、交通事故检测的逻辑处理、超低速行驶检测的逻辑处理以及道路杂物检测的逻辑处理。
作为本发明再进一步的方案：所述交通拥堵检测的逻辑处理方法如下：通过检测车道上每辆车与前一辆车相距的时间间隔及位置间隔，并对不同的通行情况，设置不同的拥堵级别。
作为本发明再进一步的方案：所述交通事故检测的逻辑处理方法如下：通过检测目标跟踪返回的每辆车的位置信息是否长时间无位移，及周围是否有超过两辆车长时间无位移的方法，来判定是否发生交通事故。
作为本发明再进一步的方案：所述超低速行驶检测的逻辑处理方法如下：采用人工辅助框定图像，并确定图像中两点之间的像素距离和实际距离，并根据相机近大远小的成像原理，通过求每个像素代表的实际距离的方法，来确定车辆每一时刻的瞬时速度，进而判断是否有车辆超低速行驶；
其中，每个像素代表的实际距离具体公式为：n＝x1/y(1),上式(1)中，n表示实际像素距离，x表示从一点到另一点的像素值，y表示从一点到另一点的实际距离。
作为本发明再进一步的方案：所述道路杂物检测的逻辑处理方法如下：采用基于深度学习的图像分割算法和基于CNN的图像分类方法，先将图像中车道内的目标物从背景图像中分割出来，再对分割出来的每一个目标物进行分析判断，判断其是否是车辆或行人，对于不是车辆和行人的目标物，当被检测到超过三次的时候，则认为是道路杂物。
与现有技术相比，本发明的有益效果：
本发明通过视频硬解码、深度学习目标检测、深度学习目标跟踪、逻辑判定的方法，对高速公路上的车辆和杂物进行分析判断，可以分析高速公路上出现的不同状况，增强了事件发生时的反应能力；且可以及时上报，及时处理，具有较好的效果和应用价值。
具体实施方式
本发明实施例中，一种基于单阶段目标检测的交通常见事件检测方法，包括以下步骤：
S1、视频画面处理：通过相机拍摄整段道路，并将视频画面传入到视频接入层，再利用VPF(video processing framework视频处理框架)对视频帧进行硬解码，获取结果帧；并将结果帧转为Tensor(张量)；
S2、目标检测：结果帧转为Tensor后，传入到目标检测层，利用Backbone+neck+head的方法，从Tensor中检测并定位目标的位置、置信度及类别，具体步骤如下：先通过Backbone提取结果帧的特征，从结果帧中分类目标物，并将输出结果经过neck进行降维和调整处理，以便更好地适应任务要求，neck可以采用卷积层、池化层或全连接层，再传入head后输出回归目标位置，head的结构根据任务的不同而不同，例如对于图像分类任务，可以使用softmax分类器；对于目标检测任务，可以使用边界框回归器和分类器，采用Anchor-free的目标检测算法，利用head回归目标位置，并使用NMS(Non-maximum suppression，非极大值抑制)过滤低置信度的目标，因低置信度的目标，很可能是误检测，即将原本不是车的物体，当成是车辆，故需要剔除低置信度的目标，来保证识别的结果尽量真实，得到目标的位置、置信度以及类别；
S3、目标跟踪：目标检测层检测完成以后，将目标的位置、置信度以及类别传入到目标跟踪层，再利用目标跟踪方法，将跟踪的目标框分为高分框和低分框，采用卡尔曼滤波+匈牙利算法进行匹配，获得目标参数，目标参数包括坐标、置信度、类别、id以及得分，当目标因遮挡造成得分较低时，通过匹配低分框，结合高分框的方式来减小跟踪id变动的情况，具体方法如下：如：目标检测层输出：[x1,y1,x2,y2,obj_conf,classes]，其中，x1为检测出的当前目标的左上角的x坐标，y1为当前目标的左上角的y坐标，x2为当前目标的右下角的x坐标，y2为当前目标的右下角的y坐标，obj_conf为当前目标的置信度(0～1之间的小数)，classes为当前目标的类别；
通过判断当前目标的置信度obj_conf是否大于高分框的阈值，以此来判断当前目标是属于低分框还是高分框；
1)若当前目标属于高分框时，则只从高分框中通过匈牙利算法进行匹配，若匹配失败，则生成一个新的id，并通过卡尔曼滤波预测出当前目标的下一个位置，并存到一个列表中；若匹配成功，则通过列表中卡尔曼滤波预测出的下一个位置和目标位置进行匹配；若误差较大，则认为是误匹配，此时重新进行id的分配；若重新分配的id正确，则返回卡尔曼滤波预测的目标的当前地址。
2)若当前目标属于低分框时，则会从高分框和低分框两个部分匹配；
经过上述步骤1)以后，最终的输出为：[px1,py1,px2,py2,obj_conf,classes,track_id,track_conf]，其中，px1为卡尔曼滤波微调后的左上角的x坐标，py1为卡尔曼滤波微调后的左上角的y坐标，px2为卡尔曼微调后的右下角的x坐标，px2为卡尔曼微调后的右下角的y坐标，obj_conf为目标检测的置信度，classes为目标检测的类别，track_id为目标跟踪分配的id，track_conf为目标跟踪的得分；其中track_conf为0～1之间的小数，其值越大，说明越可信；
S4、车辆属性和车牌识别：目标跟踪完成以后，将目标参数传入到车辆属性和车牌识别层；再利用图片多标签分类技术，采用ResNet18网络识别车辆属性，其中，车辆属性包括车型、车身颜色和车牌颜色，并输出类别为车型总类别+车身颜色总类别+车牌颜色总类别；如返回的数据格式为：[px1,py1,px2,py2,obj_conf,classes,track_id,track_conf,car_info:{‘car_type’：‘white’,‘body_style’:‘red’,card_style:‘blue’}]；再使用OCR文本识别技术，对车辆的车牌进行识别，输出类别为车型总类别+车身颜色总类别+车牌颜色总类别+车牌；如返回的数据格式为：[px1,py1,px2,py2,obj_conf,classes,track_id,track_conf,car_info:
{‘car_type’：‘white’,‘body_style’:‘red’,card_style:‘blue’,‘card’:‘京A88888’}]；
S5、算法逻辑判断：车辆属性和车牌识别完成以后，将处理结果传送到算法逻辑层，在算法逻辑层实现交通常见事件检测的逻辑处理，并将逻辑处理结果上报到平台层，由平台层进行数据展示；
其中，交通常见事件检测的逻辑处理包括交通拥堵检测的逻辑处理、交通事故检测的逻辑处理、超低速行驶检测的逻辑处理以及道路杂物检测的逻辑处理；
交通拥堵检测的逻辑处理方法如下：通过检测车道上每辆车与前一辆车相距的时间间隔及位置间隔，判断当前车道上通过的车辆是否超过车道正常通行的阈值，并对不同的通行情况，设置不同的拥堵级别；如在道路中间画一条虚拟的横截线，检测每辆车经过横截线时与前辆车经过的时间间隔，判断时间间隔，同时对每辆车的速度及每辆车间隔的实际距离，如果每辆车经过横截线时与前一辆车经过横截线时的时间间隔小于3秒，同时每辆车与前一辆车的实际距离小于5米，且每辆车的速度低于20km/h，则判定为发生交通拥堵；再根据每辆车的行驶速度将拥堵情况划分为Ⅰ级、Ⅱ级和Ⅲ级，三个等级，其中，车速在10～20km/h之间为Ⅰ级，车速在4～10km/h之间为Ⅱ级，车速＜4km/h之间为Ⅲ级；
交通事故检测的逻辑处理方法如下：通过检测目标跟踪返回的每辆车的位置信息是否长时间无位移，及周围是否有超过两辆车长时间无位移的方法，来判定是否发生交通事故，如跟踪的车辆超过10min无位移，或在10米范围内，有3辆及以上车辆超过10min无位移，则判定该路段发生交通事故；
超低速行驶检测的逻辑处理方法如下：采用人工辅助框定图像，并确定图像中两点之间的像素距离和实际距离，并根据相机近大远小的成像原理，通过求每个像素代表的实际距离的方法，来确定车辆每一时刻的瞬时速度，进而判断是否有车辆超低速行驶；
每个像素代表的实际距离具体公式为：n＝x1/y(1),其中，n表示实际像素距离，x表示从一点到另一点的像素值，y表示从一点到另一点的实际距离；
假设一辆车在t1时刻和t2时刻之间的像素为600pix，实际距离为200m，则通过公式(1)求出每个像素代表的实际距离则为：n＝6001/200；则瞬时速度v＝(nt2-nt1)/(t2-t1)＝6001/200/(t2-t1)；
道路杂物检测的逻辑处理方法如下：采用基于深度学习的图像分割算法和基于CNN的图像分类方法，先将图像中车道内的目标物从背景图像中分割出来，再对分割出来的每一个目标物进行分析判断，判断其是否是车辆或行人，对于不是车辆和行人的目标物，当被检测到超过三次的时候，则认为是道路杂物。
为了更好地说明本发明的技术效果，将本发明所采用的交通事故检测方法与常规的交通事件检测方法进行对比；
其中，常规的交通拥堵：是通过在画面一个矩形区域，同时需要人工手动标出这段路程的长度，只有在车辆全部经过矩形区域以后，才能根据路程和行驶时间，计算车辆速度，导致结果有较大的滞后性。
表1计算速度对比指标：
算法类型 计算速度耗时 计算速度 实际速度 误差
常规方法 3-5s 90 60 50％
本发明方法 0.1s 80 60 33％
从表1可以得出：在对计算速度的检测中，本发明所采用的方法具有计算速度的耗时时间短，误差率低的特点。
表2交通拥堵对比指标：
算法类型 准确率 误报率 召回率
常规方法 80％ 40％ 70％
本发明方法 90％ 34％ 75％
从表2可以得出：对于交通拥堵的检测，本发明所采用的方法具有准确率搞，误报率低，召回率低的特点。
表3道路杂物对比指标：
算法类型 准确率 误报率 召回率
常规方法 30％ 75％ 40％
本发明方法 50％ 58％ 70％
从表3可以得出：对于道路杂物的检测，本发明所采用的方法具有准确率搞，误报率低，召回率低的特点。
综上可以得出：本发明所采用的方法是通过每时刻求车辆的瞬时速度，较常规方法相比，可以对车辆的整体速度，有更好地把控和提前预警。
以上所述的，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，根据本发明的技术方案及其发明构思加以等同替换或改变，都应涵盖在本发明的保护范围之内。

Claims (8)

1.一种基于单阶段目标检测的交通常见事件检测方法，其特征在于，包括以下步骤：
S1、视频画面处理：通过相机拍摄整段道路，并将视频画面传入到视频接入层，再利用VPF对视频帧进行硬解码，获取结果帧；并将结果帧转为Tensor；
S2、目标检测：结果帧转为Tensor后，传入到目标检测层，利用Backbone + neck +head的方法，从Tensor中检测并定位目标的位置、置信度及类别；
S3、目标跟踪：目标检测层检测完成以后，将目标的位置、置信度以及类别传入到目标跟踪层，再利用目标跟踪方法，将跟踪的目标框分为高分框和低分框，采用卡尔曼滤波+匈牙利算法进行匹配，获得目标参数；
S4、车辆属性和车牌识别：目标跟踪完成以后，将结果传入到车辆属性和车牌识别层；再利用图片多标签分类技术，采用ResNet18网络识别车辆属性，其中，车辆属性包括车型、车身颜色和车牌颜色，并输出类别为车型总类别+车身颜色总类别+车牌颜色总类别；再使用OCR文本识别技术，对车辆的车牌进行识别，输出类别为车型总类别+车身颜色总类别+车牌颜色总类别+车牌；
S5、算法逻辑判断：车辆属性和车牌识别完成以后，将处理结果传送到算法逻辑层，在算法逻辑层实现交通常见事件检测的逻辑处理，并将逻辑处理结果上报到平台层，由平台层进行数据展示，实现单阶段目标检测的交通常见事件检测。
2.根据权利要求1所述的一种基于单阶段目标检测的交通常见事件检测方法，其特征在于，在所述S2步骤中，Backbone + neck + head的处理方法具体步骤如下：先通过Backbone提取结果帧的特征，从结果帧中分类目标物；再将输出结果经过neck进行降维和调整处理，以便更好地适应任务要求，然后传入head后输出回归目标位置；接着，采用Anchor-free的目标检测算法，利用head回归目标位置，并使用NMS过滤低置信度的目标，得到目标的位置、置信度以及类别。
3.根据权利要求1所述的一种基于单阶段目标检测的交通常见事件检测方法，其特征在于，在所述S3步骤中，目标参数包括坐标、置信度、类别、以及得分，当目标因遮挡造成得分较低时，通过匹配低分框，并结合高分框的方式来减小跟踪/>变动的情况； 具体方法如下：
通过判断当前目标的置信度是否大于高分框的阈值，以此来判断当前目标是属于低分框还是高分框；若当前目标属于高分框时，则只从高分框中通过匈牙利算法进行匹配；若当前目标属于低分框时，则会从高分框和低分框两个部分匹配。
4.根据权利要求1所述的一种基于单阶段目标检测的交通常见事件检测方法，其特征在于，在所述S5步骤中，交通常见事件检测的逻辑处理包括交通拥堵检测的逻辑处理、交通事故检测的逻辑处理、超低速行驶检测的逻辑处理以及道路杂物检测的逻辑处理。
5.根据权利要求4所述的一种基于单阶段目标检测的交通常见事件检测方法，其特征在于，所述交通拥堵检测的逻辑处理方法如下：通过检测车道上每辆车与前一辆车相距的时间间隔及位置间隔，并对不同的通行情况，设置不同的拥堵级别。
6.根据权利要求4所述的一种基于单阶段目标检测的交通常见事件检测方法，其特征在于，所述交通事故检测的逻辑处理方法如下：通过检测目标跟踪返回的每辆车的位置信息是否长时间无位移，及周围是否有超过两辆车长时间无位移的方法，来判定是否发生交通事故。
7.根据权利要求4所述的一种基于单阶段目标检测的交通常见事件检测方法，其特征在于，所述超低速行驶检测的逻辑处理方法如下：采用人工辅助框定图像，并确定图像中两点之间的像素距离和实际距离，并根据相机近大远小的成像原理，通过求每个像素代表的实际距离的方法，来确定车辆每一时刻的瞬时速度，进而判断是否有车辆超低速行驶；
其中，每个像素代表的实际距离具体公式为： , 上式（1）中，/>表示实际像素距离，/>表示从一点到另一点的像素值，/>表示从一点到另一点的实际距离。
8.根据权利要求4所述的一种基于单阶段目标检测的交通常见事件检测方法，其特征在于，所述道路杂物检测的逻辑处理方法如下：采用基于深度学习的图像分割算法和基于CNN的图像分类方法，先将图像中车道内的目标物从背景图像中分割出来，再对分割出来的每一个目标物进行分析判断，判断其是否是车辆或行人，对于不是车辆和行人的目标物，当被检测到超过三次的时候，则认为是道路杂物。
CN202311070494.6A 2023-08-24 2023-08-24 一种基于单阶段目标检测的交通常见事件检测方法 Pending CN117116046A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311070494.6A CN117116046A (zh) 2023-08-24 2023-08-24 一种基于单阶段目标检测的交通常见事件检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311070494.6A CN117116046A (zh) 2023-08-24 2023-08-24 一种基于单阶段目标检测的交通常见事件检测方法

Publications (1)

Publication Number Publication Date
CN117116046A true CN117116046A (zh) 2023-11-24

Family

ID=88808642

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311070494.6A Pending CN117116046A (zh) 2023-08-24 2023-08-24 一种基于单阶段目标检测的交通常见事件检测方法

Country Status (1)

Country Link
CN (1) CN117116046A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117876977A (zh) * 2024-01-11 2024-04-12 江苏昌兴阳智能家居有限公司 一种基于监控视频的目标识别方法

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117876977A (zh) * 2024-01-11 2024-04-12 江苏昌兴阳智能家居有限公司 一种基于监控视频的目标识别方法

Similar Documents

Publication Publication Date Title
CN109829403B (zh) 一种基于深度学习的车辆防碰撞预警方法及系统
US11840239B2 (en) Multiple exposure event determination
CN111462488B (zh) 一种基于深度卷积神经网络和交叉口行为特征模型的交叉口安全风险评估方法
CN100452110C (zh) 一种车辆视频识别测速方法
CN109191830B (zh) 一种基于视频图像处理的道路拥堵检测方法
CN109190444B (zh) 一种基于视频的收费车道车辆特征识别系统的实现方法
CN101916383B (zh) 基于多摄像机的车辆检测跟踪识别系统
CN110097109A (zh) 一种基于深度学习的道路环境障碍物检测系统及方法
CN106682586A (zh) 一种复杂光照条件下基于视觉的实时车道线检测的方法
CN102867417B (zh) 一种出租车防伪系统及方法
CN109859468A (zh) 基于YOLOv3的多车道车流量计数及车辆跟踪方法
CN101980245B (zh) 一种基于自适应模板匹配的客流统计方法
CN112633176A (zh) 一种基于深度学习的轨道交通障碍物检测方法
CN114170580A (zh) 一种面向高速公路的异常事件检测方法
CN113822285A (zh) 一种用于复杂应用场景的车辆违停识别方法
CN113011331B (zh) 机动车是否礼让行人的检测方法、装置、电子设备及介质
CN113553916B (zh) 一种基于卷积神经网络的轨道危险区域障碍物检测方法
CN117116046A (zh) 一种基于单阶段目标检测的交通常见事件检测方法
CN111523415A (zh) 一种基于图像的两客一危车辆检测方法和装置
CN103927548A (zh) 一种新的避免车辆碰撞的刹车行为检测方法
CN112651293A (zh) 一种公路违法设摊事件视频检测方法
CN103679214A (zh) 基于在线面积估计和多特征决策融合的车辆检测方法
CN111695545A (zh) 一种基于多目标追踪的单车道逆行检测方法
CN114926984A (zh) 一种实时交通冲突收集与道路安全评价方法
CN106295546A (zh) 一种基于视频的交通标志检测与识别方法

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