KR20220146670A - 교통 비정상 탐지 방법, 장치, 기기, 저장 매체 및 프로그램 - Google Patents

교통 비정상 탐지 방법, 장치, 기기, 저장 매체 및 프로그램 Download PDF

Info

Publication number
KR20220146670A
KR20220146670A KR1020227035841A KR20227035841A KR20220146670A KR 20220146670 A KR20220146670 A KR 20220146670A KR 1020227035841 A KR1020227035841 A KR 1020227035841A KR 20227035841 A KR20227035841 A KR 20227035841A KR 20220146670 A KR20220146670 A KR 20220146670A
Authority
KR
South Korea
Prior art keywords
traffic
abnormally stopped
vehicle
exists
abnormal
Prior art date
Application number
KR1020227035841A
Other languages
English (en)
Inventor
잉잉 리
샤오 탄
하오 선
Original Assignee
베이징 바이두 넷컴 사이언스 테크놀로지 컴퍼니 리미티드
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 베이징 바이두 넷컴 사이언스 테크놀로지 컴퍼니 리미티드 filed Critical 베이징 바이두 넷컴 사이언스 테크놀로지 컴퍼니 리미티드
Publication of KR20220146670A publication Critical patent/KR20220146670A/ko

Links

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
    • G08G1/0108—Measuring and analyzing of parameters relative to traffic conditions based on the source of data
    • G08G1/0116—Measuring and analyzing of parameters relative to traffic conditions based on the source of data from roadside infrastructure, e.g. beacons
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/24323—Tree-organised classifiers
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • 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
    • G06N3/045—Combinations of networks
    • 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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/01—Dynamic search techniques; Heuristics; Dynamic trees; Branch-and-bound
    • 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
    • G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
    • G06T7/75—Determining position or orientation of objects or cameras using feature-based methods involving models
    • 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
    • G06V10/82—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
    • G06V20/41—Higher-level, semantic clustering, classification or understanding of video scenes, e.g. detection, labelling or Markovian modelling of sport events or news items
    • 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
    • G06V20/46—Extracting features or characteristics from the video content, e.g. video fingerprints, representative shots or key frames
    • 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
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
    • G06V40/103—Static body considered as a whole, e.g. static pedestrian or occupant recognition
    • 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
    • G08G1/04—Detecting movement of traffic to be counted or controlled using optical or ultrasonic detectors
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/065—Traffic control systems for road vehicles by counting the vehicles in a section of the road or in a parking area, i.e. comparing incoming count with outgoing count
    • 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
    • G06N3/09—Supervised learning
    • 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
    • G06T2207/30196—Human being; Person
    • 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
    • G06T2207/30236—Traffic on road, railway or crossing
    • 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
    • G06T2207/30242—Counting objects in image
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2210/00—Indexing scheme for image generation or computer graphics
    • G06T2210/12—Bounding box
    • 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
    • G06V2201/08—Detecting or categorising vehicles

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Evolutionary Computation (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Data Mining & Analysis (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computational Linguistics (AREA)
  • Mathematical Physics (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Human Computer Interaction (AREA)
  • Medical Informatics (AREA)
  • Databases & Information Systems (AREA)
  • Chemical & Material Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Molecular Biology (AREA)
  • Evolutionary Biology (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Analytical Chemistry (AREA)
  • Traffic Control Systems (AREA)
  • Image Analysis (AREA)

Abstract

본 발명은 인공 지능 분야에 관한 것으로, 구체적으로 컴퓨터 비전 및 딥러닝 기술로 지능형 교통 장면에 적용될 수 있는 교통 비정상 탐지 방법, 장치, 기기, 저장 매체 및 프로그램 제품을 제공한다. 상기 방법의 일 구체적인 실시형태는, 교통 비디오 스트림을 획득하는 단계; 교통 비디오 스트림에 대해 차량 탐지 추적을 수행하여 비정상적 정차 차량이 존재하는지 여부를 결정하되, 정차 지속 시간이 기설정된 지속 시간을 초과하면 비정상적 정차에 속하는 단계; 및 비정상적 정차 차량이 존재하면, 의사결정 트리를 이용하여 비정상적 정차에 대응되는 비디오 프레임에 대해 교통 비정상 분류를 수행하여 교통 비정상 유형을 얻는 단계를 포함하되, 여기서 의사결정 트리는 교통 비정상 탐지의 특징을 기반으로 생성된 것이다. 상기 실시형태는 교통 비정상 탐지의 견고성을 향상시킨다.

Description

교통 비정상 탐지 방법, 장치, 기기, 저장 매체 및 프로그램 제품
관련 출원의 상호 참조
본 특허 출원은 2021년 04월 15일에 제출된, 출원번호가 202110404411.7이고, 발명의 명칭이 “교통 비정상 탐지 방법, 장치, 기기, 저장 매체 및 프로그램 제품”인 중국 특허 출원의 우선권을 주장하는바, 그 모든 내용은 참조로서 본 발명에 인용된다.
본 발명은 인공 지능 분야에 관한 것으로, 구체적으로 컴퓨터 비전 및 딥러닝 기술로 지능형 교통 장면에 적용될 수 있다.
교통 비정상 탐지는 안전한 도시에서 매우 중요한 역할을 하며, 교통 비정상은 교통 통행 효율을 크게 저하시키므로 이에 대한 탐지 및 모니터링이 필요하다. 교통 비정상이 발생할 경우, 즉시 경찰에 신고하고 구조가 수행되면 교통 비정상으로 인한 교통 불편을 최대한 빨리 확인하고 정상적인 교통을 복구할 수 있다.
기존의 교통 비정상 탐지 방법은 주로 전자 유도 루프 코일 방식과 파동 방식이 있으며, 모두 차량이 지나갈 때 반사파의 주파수 변화를 기반으로 차량 정보를 탐지하는 것이다.
본 발명의 실시예는 교통 비정상 탐지 방법, 장치, 기기, 저장 매체 및 프로그램 제품을 제공한다.
제1 양태에서, 본 발명의 실시예는 교통 비디오 스트림을 획득하는 단계; 교통 비디오 스트림에 대해 차량 탐지 추적을 수행하여 비정상적 정차 차량이 존재하는지 여부를 결정하되, 정차 지속 시간이 기설정된 지속 시간을 초과하면 비정상적 정차에 속하는 단계; 비정상적 정차 차량이 존재하면, 의사결정 트리를 이용하여 비정상적 정차에 대응되는 비디오 프레임에 대해 교통 비정상 분류를 수행하여 교통 비정상 유형을 얻는 단계를 포함하되, 여기서 의사결정 트리는 교통 비정상 탐지의 특징을 기반으로 생성된 것인 교통 비정상 탐지 방법을 제공한다.
제2 양태에서, 본 발명의 실시예는 교통 비디오 스트림을 획득하도록 구성되는 획득 모듈; 교통 비디오 스트림에 대해 차량 탐지 추적을 수행하여 비정상적 정차 차량이 존재하는지 여부를 결정하되, 정차 지속 시간이 기설정된 지속 시간을 초과하면 비정상적 정차에 속하도록 구성되는 추적 모듈; 비정상적 정차 차량이 존재하면, 의사결정 트리를 이용하여 비정상적 정차에 대응되는 비디오 프레임에 대해 교통 비정상 분류를 수행하여 교통 비정상 유형을 얻도록 구성되는 분류 모듈을 포함하되, 여기서 의사결정 트리는 교통 비정상 탐지의 특징을 기반으로 생성된 것인 교통 비정상 탐지 장치를 제공한다.
제3 양태에서, 본 발명의 실시예는 적어도 하나의 프로세서; 및 적어도 하나의 프로세서와 통신 연결되는 메모리를 포함하되; 여기서, 메모리에는 적어도 하나의 프로세서에 의해 실행 가능한 명령이 저장되고, 명령은 적어도 하나의 프로세서에 의해 실행되어 적어도 하나의 프로세서가 제1 양태 중 어느 하나의 구현 방식에 따른 방법을 수행할 수 있도록 하는 전자 기기를 제공한다.
제4 양태에서, 본 발명의 실시예는 컴퓨터 명령이 저장되되, 컴퓨터 명령은 컴퓨터가 제1 양태 중 어느 하나의 구현 방식에 따른 방법을 수행하도록 하는 비일시적 컴퓨터 판독 가능 저장 매체를 제공한다.
제5 양태에서, 본 발명의 실시예는 컴퓨터 프로그램을 포함하고, 컴퓨터 프로그램이 프로세서에 의해 실행될 경우, 제1 양태 중 어느 하나의 구현 방식에 따른 방법을 구현하는 컴퓨터 프로그램 제품을 제공한다.
본 부분에서 설명된 내용은 본 발명의 실시예의 핵심 또는 중요한 특징을 식별하기 위한 것이 아니며, 본 발명의 범위를 한정하려는 의도도 아님을 이해해야 할 것이다. 본 발명의 다른 특징은 아래 명세서에 의해 쉽게 이해될 것이다.
아래 도면에 도시된 비 제한적인 실시예의 상세한 설명에 대한 열독 및 참조를 통해 본 발명의 다른 특징, 목적 및 장점이 보다 명백해질 것이다. 도면은 본 해결수단을 더 잘 이해하기 위한 것으로 본 발명에 대한 한정으로 구성되지 않는다. 여기서,
도 1은 본 발명의 실시예가 적용될 수 있는 예시적인 시스템 아키텍처이다.
도 2는 본 발명에 따른 교통 비정상 탐지 방법의 일 실시예의 흐름도이다.
도 3은 의사결정 트리의 모식도이다.
도 4는 본 발명에 따른 교통 비정상 탐지 방법의 다른 실시예의 흐름도이다.
도 5는 본 발명에 따른 교통 비정상 탐지 방법의 일 실시예의 구조 모식도이다.
도 6은 본 발명의 실시예의 교통 비정상 탐지 방법을 구현하기 위한 전자 기기의 블록도이다.
아래 도면을 결부하여 본 발명의 예시적 실시예를 설명하되, 여기에는 이해를 돕기 위한 본 발명의 실시예의 다양한 세부사항들이 포함되지만, 이들은 단지 예시적인 것으로 간주되어야 한다. 따라서, 본 기술분야의 통상의 기술자는 본 발명의 범위 및 정신을 벗어나지 않으면서 여기서 설명된 실시예에 대해 다양한 변형 및 수정을 진행할 수 있음을 이해해야 할 것이다. 마찬가지로, 명확 및 간략을 위해, 아래의 설명에서 공지 기능 및 구조에 대한 설명을 생략한다.
모순되지 않는 한 본 발명의 실시예 및 실시예의 특징은 서로 조합될 수 있음을 설명해야 할 것이다. 아래 도면을 참조하고 실시예를 결합하여 본 발명을 상세하게 설명한다.
도 1은 본 발명의 실시예의 교통 비정상 탐지 방법 또는 교통 비정상 탐지 장치의 실시예가 적용될 수 있는 예시적인 시스템 아키텍처(100)이다.
도 1에 도시된 바와 같이, 시스템 아키텍처(100)는 비디오 수집 기기(101), 네트워크(102) 및 서버(103)를 포함할 수 있다. 네트워크(102)는 비디오 수집 기기(101)와 서버(105) 사이에서 통신 링크를 제공하기 위해 사용되는 매체이다. 네트워크(102)는 유선, 무선 통신 링크 또는 광섬유 케이블과 같은 다양한 연결 유형을 포함할 수 있다.
비디오 수집 기기(101)는 네트워크(102)를 통해 서버(103)와 인터랙션함으로써 이미지를 송수신할 수 있다.
비디오 수집 기기(101)는 하드웨어일 수 있고 소프트웨어일 수도 있다. 비디오 수집 기기(101)가 하드웨어인 경우, 카메라를 구비한 다양한 전자 기기일 수 있다. 비디오 수집 기기(101)가 소프트웨어인 경우, 상기 전자 기기에 장착될 수 있다. 이는 복수의 소프트웨어 또는 소프트웨어 모듈로 구현될 수 있고, 하나의 소프트웨어 또는 소프트웨어 모듈로 구현될 수도 있다. 이에 대해 구체적으로 한정하지 않는다.
서버(103)는 다양한 서비스를 제공할 수 있다. 예를 들어, 서버(103)는 비디오 수집 기기(101)로부터 획득된 교통 비디오 스트림에 대해 분석과 같은 처리를 수행하고 처리 결과(예를 들어, 교통 비정상 유형)를 생성할 수 있다.
설명해야 할 것은, 서버(103)는 하드웨어일 수 있고 소프트웨어일 수도 있다. 서버(103)가 하드웨어인 경우, 복수의 서버로 구성된 분산형 서버 클러스터로 구현될 수 있고, 하나의 서버로 구현될 수도 있다. 서버(105)가 소프트웨어인 경우, 복수의 소프트웨어 또는 소프트웨어 모듈(예를 들면 분산형 서비스를 제공함)로 구현되거나, 하나의 소프트웨어 또는 소프트웨어 모듈로 구현될 수 있다. 이에 대해 구체적으로 한정하지 않는다.
설명해야 할 것은, 본 발명의 실시예에서 제공된 교통 비정상 탐지 방법은 일반적으로 서버(103)에 의해 수행되며, 대응하게 교통 비정상 탐지 장치는 일반적으로 서버(103)에 설치된다.
이해해야 할 것은, 도 1 중의 비디오 수집 기기, 네트워크 및 서버의 수는 단지 예시적인 것에 불과하다. 구현 요구에 따라 임의의 수의 비디오 수집 기기, 네트워크 및 서버를 구비할 수 있다.
계속하여 도 2를 참조하면, 이는 본 발명에 따른 교통 비정상 탐지 방법의 일 실시예의 프로세스(200)를 도시한다. 상기 교통 비정상 탐지 방법은 하기와 같은 단계를 포함한다.
단계(201)에서, 교통 비디오 스트림을 획득한다.
본 실시예에서, 교통 비정상 탐지 방법의 수행 주체(예를 들어, 도 1에 도시된 서버(103))는 비디오 수집 기기(예를 들어, 도 1에 도시된 비디오 수집 기기(101))로부터 교통 비디오 스트림을 획득할 수 있다.
일반적으로, 비디오 수집 기기는 고정 장착되어 이의 카메라 범위 내의 비디오 스트림을 수집하는데 사용된다. 예를 들어, 신호등 기둥 또는 감시등 기둥에 설치된 전자눈은 교통 비디오 스트림을 수집할 수 있고 지능형 교통 분야에 적용될 수 있다. 여기서, 비디오 수집 기기는 일정한 지속 시간(예를 들어, 40ms) 마다 정적 영상을 연속적으로 수집할 수 있고, 즉 교통 비디오 스트림을 얻을 수 있다. 교통 비디오 스트림은 차량, 보행자 등의 통행 과정을 기록할 수 있다.
단계(202)에서, 교통 비디오 스트림에 대해 차량 탐지 추적을 수행하여 비정상적 정차 차량이 존재하는지 여부를 결정한다.
본 실시예에서, 상기 수행 주체는 교통 비디오 스트림에 대해 차량 탐지 추적을 수행하여 비정상적 정차 차량이 존재하는지 여부를 결정할 수 있다.
일반적으로, 차량 통행 과정에서 정상적인 차량의 정상적 정지(예를 들어, 교통 신호등 대기)의 정차 지속 시간은 비교적 짧다. 비정상적인 차량의 비정상 정지(예를 들어, 강제 정지 또는 불법 정지)의 정차 시간은 비교적 길다. 따라서, 정차 지속 시간이 기설정된 지속 시간(예를 들어, 10분)을 초과한 차량을 비정상적 정차 차량으로 결정할 수 있다.
교통 비디오 스트림 중 임의의 차량에 대해, 상기 수행 주체는 교통 비디오 스트림 중의 비디오 프레임에서 상기 차량의 위치를 탐지할 수 있다. 연속적인 일정한 수(예를 들어, 1500프레임)의 비디오 프레임에서 상기 차량의 위치가 변하지 않으면, 상기 차량이 비정상적 정차 차량인 것으로 결정한다. 비디오 수집 기기가 일정한 지속 시간(예를 들어, 40ms) 마다 하나의 프레임의 비디오 프레임을 수집하므로, 각 지속 시간과 위치가 변하지 않는 비디오 프레임의 수의 곱을 계산하여 상기 차량의 정차 지속 시간을 얻을 수 있다.
단계(203)에서, 비정상적 정차 차량이 존재하면, 의사결정 트리를 이용하여 비정상적 정차에 대응되는 비디오 프레임에 대해 교통 비정상 분류를 수행하여 교통 비정상 유형을 얻는다.
본 실시예에서, 비정상적 정차 차량이 존재하면, 상기 수행 주체는 의사결정 트리를 이용하여 비정상적 정차에 대응되는 비디오 프레임에 대해 교통 비정상 분류를 수행하여 교통 비정상 유형을 얻을 수 있다. 여기서, 교통 비정상 유형은 차대차 충돌 유형, 차대사람 충돌 유형, 불법 정차 유형 및 앵커 유형 등을 포함할 수 있지만 이에 한정되지 않는다.
여기서, 의사결정 트리는 교통 비정상 탐지의 특징을 기반으로 생성된 것일 수 있다. 상이한 교통 비정상 유형은 상이한 특징에 대응하고, 여기서 상이한 교통 비정상 유형의 특징을 기반으로 의사결정 트리를 구축할 수 있다. 의사결정 트리는 하나의 트리로, 루트 노드 및 내부 노드는 입력 특징의 판단 조건이고, 리프 노드는 최종 결과이다.
이해의 편의상, 도 3은 의사결정 트리의 모식도를 도시한다. 도 3에 도시된 바와 같이, 트레이닝 데이터의 입력은 비정상적 정차 차량의 존재 여부, 비정상적 정차 차량의 수가 복수인지 여부, 비정상적 정차 차량 사이에 접촉이 존재하는지 여부, 비정상적 인체의 존재 여부, 비정상적 정차 차량의 정차 위치가 노변인지 여부, 경고 표지판의 존재 여부 등 6개의 특징이 있다. 이러한 트레이닝 데이터에 따라 하나의 의사결정 트리를 구축할 수 있다. 구체적인 단계는 다음과 같다.
우선, 루트 노드를 선택한다.
다양한 유형의 교통 비정상에는 모두 차량의 비정상적 정차가 존재한다. 따라서, 비정상적 정차 차량의 존재 여부를 루트 노드(301)로 사용할 수 있다.
다음으로, 내부 노드 및 리프 노드를 선택한다.
차대차 충돌 유형의 특징은 또한, 비정상적 정차 차량의 수가 복수인 것, 비정상적 정차 차량 사이에 접촉이 존재하는 것을 더 포함한다. 따라서, 비정상적 정차 차량의 수가 복수인지 여부를 루트 노드(301)의 서브 노드(302)로, 비정상적 정차 차량 사이에 접촉이 존재하는지 여부를 노드(302)의 서브 노드(303)로, 차대차 충돌 유형을 노드(303)의 리프 노드(304)로 사용할 수 있다.
차대사람 충돌 유형의 특징은 비정상적 정차 차량의 수가 복수인지 하나인지에 대해 한정하지 않는다. 비정상적 정차 차량의 수가 하나인 것을 포함하는 특징의 경우, 또한 비정상적 인체의 존재를 더 포함한다. 비정상적 정차 차량의 수가 복수인 것을 포함하는 특징의 경우, 또한 비정상적 정차 차량 사이에 접촉이 존재하지 않는 것과, 비정상적 인체가 존재하는 것을 더 포함한다. 따라서, 비정상적 인체의 존재 여부를 노드(302) 및 노드(303)의 서브 노드(305)로, 차대사람 충돌 유형을 노드(305)의 리프 노드(306)로 사용할 수 있다.
마찬가지로, 불법 정차 유형의 특징도 비정상적 정차 차량의 수가 복수인지 하나인지에 대해 한정하지 않는다. 비정상적 정차 차량의 수가 하나인 것을 포함하는 특징의 경우, 또한 비정상적 인체가 존재하지 않는 것과, 비정상적 정차 차량의 정차 위치가 노변인 것을 더 포함한다. 비정상적 정차 차량의 수가 복수인 것을 포함하는 특징의 경우, 또한 비정상적 정차 차량 사이에 접촉이 존재하지 않는 것, 비정상적 인체가 존재하지 않는 것 및 비정상적 정차 차량의 정차 위치가 노변인 것을 더 포함한다. 따라서, 비정상적 정차 차량의 정차 위치가 노변인지 여부를 노드(305)의 서브 노드(307)로, 불법 정차 유형을 노드(307)의 리프 노드(308)로 사용할 수 있다.
마찬가지로, 앵커 유형의 특징도 비정상적 정차 차량의 수가 복수인지 하나인지에 대해 한정하지 않는다. 비정상적 정차 차량의 수가 하나인 것을 포함하는 특징의 경우, 또한 비정상적 인체가 존재하지 않는 것, 비정상적 정차 차량의 정차 위치가 노변이 아닌 것 및 경고 표지판이 존재하는 것을 더 포함한다. 비정상적 정차 차량의 수가 복수인 것을 포함하는 특징의 경우, 또한 비정상적 정차 차량 사이에 접촉이 존재하지 않는 것, 비정상적 인체가 존재하지 않는 것, 비정상적 정차 차량의 정차 위치가 노변이 아닌 것 및 경고 표지판이 존재하는 것을 더 포함한다. 따라서, 경고 표지판의 존재 여부를 노드(307)의 서브 노드(309)로, 앵커 유형을 노드(309)의 리프 노드(310)으로 사용할 수 있다. 이 밖에, 특징에 경고 표지판이 존재하지 않는 것이 포함되는 경우, 이는 불법 정차 유형에 대응한다. 따라서, 리프 노드(308)를 노드(309)의 리프 노드로 사용할 수 있다.
본 발명의 실시예는 비디오 스트림에 기반한 교통 비정상 탐지 방법을 제공하며, 우선 교통 비디오 스트림에 대해 탐지 추적을 수행하고 비정상적 정차 차량을 결정한 다음, 의사결정 트리를 이용하여 교통 비정상 분류를 수행하고, 지능형 교통 시스템에 통합하여 가능한 빨리 문제를 확인하고 정상적인 교통을 복구할 수 있다. 또한, 탐지 추적을 통해 비정상적 정차 차량을 결정하면, 촬영 각도의 변화, 고밀도 교통 흐름, 타깃 차량 기어, 기상 조건(예를 들어, 비와 눈), 빛 변화(예를 들어, 주간 및 야간), 수집된 데이터 해상도가 낮고 실제 장면 데이터가 부족한 등 요소의 영향을 받지 않으며, 교통 비정상 탐지의 견고성을 향상시킨다. 의사결정 트리를 통해 교통 비정상 분류를 수행하는데, 의사결정 트리는 교통 비정상 탐지의 특징을 기반으로 생성된 것이므로, 보다 더 전면적인 교통 정보를 제공하여 교통 비정상 탐지 결과가 보다 더 전면적이도록 할 수 있다.
도 4를 더 참조하면, 이는 본 발명에 따른 교통 비정상 탐지 방법의 다른 실시예의 프로세스(400)를 도시한다. 상기 교통 비정상 탐지 방법은 하기와 같은 단계를 포함한다.
단계(401)에서, 교통 비디오 스트림을 획득한다.
단계(402)에서, 교통 비디오 스트림에 대해 차량 탐지 추적을 수행하여 비정상적 정차 차량이 존재하는지 여부를 결정한다.
본 실시예에서, 단계(401) 내지 단계(402)의 구체적인 동작은 도 2에 도시된 실시예 중 단계(201) 내지 단계(202)에서 상세하게 소개하였으며, 여기서 더 이상 반복 서술하지 않는다.
본 실시예의 일부 선택 가능한 구현 방식에서, 상기 수행 주체는 우선 교통 비디오 스트림을 미리 트레이닝된 차량 탐지 추적 모델에 입력하여 차량 탐지 추적 결과를 얻고; 다음, 차량 탐지 추적 결과에 기반하여 비정상적 정차 차량이 존재하는지 여부를 결정할 수 있다. 여기서, 차량 탐지 추적 결과는 차량 주행 궤적을 포함할 수 있다. 차량 주행 궤적은 시간에 따른 차량 위치의 변화를 특성화할 수 있다. 차량 주행 궤적 중의 차량 위치가 기설정된 지속 시간을 초과하여도 변하지 않으면 비정상적 정차 차량인 것을 설명한다. 차량 탐지 추적 모델은 차량에 대해 탐지 추적을 수행하는데 사용될 수 있고, 트레이닝 샘플 세트를 이용하여 신경망에 대해 트레이닝을 수행하여 얻어진 것이다. 여기서의 트레이닝 샘플 세트 중의 트레이닝 샘플은 샘플 교통 비디오 스트림 및 샘플 차량 주행 궤적을 포함할 수 있다. 딥러닝 방법 기반의 차량에 대한 탐지 추적은 차량 탐지 추적의 효과와 정확성을 향상시킨다.
단계(403)에서, 비정상적 정차 차량의 수를 통계하여 복수인지 여부를 결정한다.
본 실시예에서, 비정상적 정차 차량이 존재하면, 상기 수행 주체는 비정상적 정차 차량의 수를 통계하여 복수인지 여부를 결정할 수 있다. 비정상적 정차 차량의 수가 복수이면 단계(404)를 수행하고; 비정상적 정차 차량의 수가 하나이면 단계(406)을 수행한다.
설명해야 할 것은, 비정상적 정차 차량의 수를 통계할 경우, 통계할 것은 동일한 비디오 프레임에 존재하는 비정상적 정차 차량의 수이다. 차량 탐지 추적 시, 교통 비디오 스트림 중의 비디오 프레임에 대해 프레임 단위로 탐지 추적하는 것이므로, 차량 탐지 추적 결과를 얻을 경우, 비정상적 정차 차량의 수를 동시에 얻을 수 있다.
단계(404)에서, 비정상적 정차 차량 사이에 접촉이 존재하는지 여부를 결정한다.
본 실시예에서, 비정상적 정차 차량의 수가 복수이면, 상기 수행 주체는 비정상적 정차 차량 사이에 접촉이 존재하는지 여부를 결정할 수 있다. 비정상적 정차 차량 사이에 접촉이 존재하면, 단계(405)를 수행하고; 비정상적 정차 차량 사이에 접촉이 존재하지 않으면 단계(406)을 수행한다.
본 실시예의 일부 선택 가능한 구현 방식에서, 상기 수행 주체는 비정상적 정차 차량의 바운딩 박스 사이의 IoU를 계산할 수 있다. IoU가 0이 아니면 비정상적 정차 차량 사이에 접촉이 존재하는 것으로 결정하고; IoU가 0이면 비정상적 정차 차량 사이에 접촉이 존재하지 않는 것으로 결정함으로써 비정상적 정차 차량 사이에 접촉이 존재하는지 여부를 빠르게 결정할 수 있다.
일반적으로, 교통 비디오 스트림에 대해 차량 탐지 추적을 수행할 경우, 차량의 바운딩 박스를 탐지하여 차량 위치를 결정한다. 비정상적 정차 차량의 수가 복수이면, 대응하는 비디오 프레임에 복수의 비정상적 정차 차량의 바운딩 박스가 존재한다. 적어도 2개의 비정상적 정차 차량의 바운딩 박스에 교집합이 존재하고 IoU가 0이 아니면, 비정상적 정차 차량 사이에 접촉이 존재하는 것을 설명한다. 모든 비정상적 정차 차량의 바운딩 박스에 모두 교집합이 존재하지 않고 IoU가 0이면, 비정상적 정차 차량 사이에 접촉이 존재하지 않는 것을 설명한다.
단계(405)에서, 차대차 충돌 유형으로 결정한다.
본 실시예에서, 비정상적 정차 차량의 수가 복수이고, 비정상적 정차 차량 사이에 접촉이 존재하면, 차대차 충돌 유형으로 결정할 수 있다.
단계(406)에서, 비정상적 정차에 대응되는 비디오 프레임에 비정상적 인체가 존재하는지 여부를 결정한다.
본 실시예에서, 비정상적 정차 차량의 수가 하나이거나, 비정상적 정차 차량의 수가 복수이고 접촉이 존재하지 않으면, 상기 수행 주체는 또한 비정상적 정차에 대응되는 비디오 프레임에 비정상적 인체가 존재하는지 여부를 결정할 수 있다. 비정상적 인체가 존재하면 단계(407)을 수행하고; 비정상적 인체가 존재하지 않으면 단계(408)을 수행한다. 여기서, 비정상적 인체는 행동이 비정상적인 인체일 수 있다. 예를 들어, 정상적으로 통행 상황에서, 도로 위의 보행자는 똑바로 걷거나 앉은 상태에서 타고 간다. 교통 사고가 발생하면 도로 위의 보행자는 일반적으로 지면에 앉아있거나 지면에 누워있는다. 비정상적 인체는 지면에 앉아있거나 지면에 누워있는 인체일 수 있다.
본 실시예의 일부 선택 가능한 구현 방식에서, 상기 수행 주체는 우선 비정상적 정차에 대응되는 비디오 프레임을 미리 트레이닝된 인체 행동 모델에 입력하여 인체 행동 결과를 얻고; 다음 인체 행동 결과에 기반하여 비정상적 정차에 대응되는 비디오 프레임에 비정상적 인체가 존재하는지 여부를 결정할 수 있다. 여기서, 인체 행동 결과는 인체 행동을 기록하는데 사용되고, 인체 행동이 지면에 앉아있거나 지면에 누워있는 상태이면 대응하는 인체는 비정상적 인체이다. 인체 행동 모델은 인체 행동에 대해 탐지하는데 사용될 수 있고, 트레이닝 샘플 세트를 이용하여 신경망에 대해 트레이닝을 수행하여 얻어진 것이다. 여기서의 트레이닝 샘플 세트 중의 트레이닝 샘플은 샘플 비디오 프레임 및 샘플 인체 행동 태그를 포함할 수 있다. 딥러닝 방법 기반의 인체 행동에 대한 탐지는 인체 행동 탐지의 효과와 정확성을 향상시킨다.
단계(407)에서, 차대사람 충돌 유형으로 결정한다.
본 실시예에서, 비정상적 인체가 존재하면 차대사람 충돌 유형으로 결정할 수 있다.
단계(408)에서, 비정상적 정차 차량의 정차 위치가 노변인지 여부를 결정한다.
본 실시예에서, 비정상적 인체가 존재하지 않으면, 상기 수행 주체는 비정상적 정차 차량의 정차 위치가 노변인지 여부를 결정할 수 있다. 비정상적 정차 차량의 정차 위치가 노변이면 단계(411)를 수행하고; 비정상적 정차 차량의 정차 위치가 노변이 아니면 단계(409)를 수행한다.
일반적으로, 미리 노변 영역을 입력하여 차량 위치가 노변 영역 내에 있는지 여부를 결정할 수 있다. 차량 위치가 노변 영역 내에 있으면 비정상적 정차 차량의 정차 위치가 노변인 것을 설명하고; 차량 위치가 노변 영역 밖에 있으면 비정상적 정차 차량의 정차 위치가 노변이 아닌 것을 설명한다.
단계(409)에서, 비정상적 정차에 대응되는 비디오 프레임에 경고 표지판이 존재하는지 여부를 결정한다.
본 실시예에서, 비정상적 정차 차량의 정차 위치가 노변이 아니면, 상기 수행 주체는 비정상적 정차에 대응되는 비디오 프레임에 경고 표지판이 존재하는지 여부를 결정할 수 있다. 경고 표지판이 존재하면 단계(410)을 수행하고; 경고 표지판이 존재하지 않으면 단계(411)을 수행한다. 여기서의 경고 표지판은 일반적으로 삼각판이다.
본 실시예의 일부 선택 가능한 구현 방식에서, 상기 수행 주체는 우선 비정상적 정차에 대응되는 비디오 프레임을 미리 트레이닝된 경고 표지판 탐지 모델에 입력하여 경고 표지판 탐지 결과를 얻고; 다음 경고 표지판 탐지 결과에 기반하여 비정상적 정차에 대응되는 비디오 프레임에 경고 표지판이 존재하는지 여부를 결정할 수 있다. 여기서, 경고 표지판 탐지 모델은 경고 표지판을 탐지하는데 사용될 수 있고, 트레이닝 샘플 세트를 이용하여 신경망에 대해 트레이닝을 수행하여 얻어진 것이다. 여기서의 트레이닝 샘플 세트 중의 트레이닝 샘플은 샘플 비디오 프레임 및 샘플 경고 표지판 태그를 포함할 수 있다. 딥러닝 방법 기반의 경고 표지판에 대한 탐지는 경고 표지판 탐지의 효과와 정확성을 향상시킨다.
단계(410)에서, 앵커 유형으로 결정한다.
본 실시예에서, 경고 표지판이 존재하면 앵커 유형으로 결정할 수 있다.
단계(411)에서, 불법 정차 유형으로 결정한다.
본 실시예에서, 비정상적 정차 차량의 정차 위치가 노변이거나, 비정상적 정차 차량의 정차 위치가 노변이 아니고 경고 표지판이 존재하지 않으면 불법 정차 유형으로 결정할 수 있다.
도 4로부터 볼 수 있다시피, 도 2에 대응되는 실시예와 비교해보면, 본 실시예에서 교통 비정상 탐지 방법은 교통 비정상 분류 단계를 강조하였다. 이로써, 본 실시예에서 설명된 해결수단은 교통 비디오 스트림으로부터 교통 비정상 탐지의 특징을 마이닝하고, 교통 비정상 탐지의 특징에 따라 의사결정 트리를 검색함으로써 교통 비정상 유형을 빠르게 매칭시킬 수 있다. 예를 들어, 비정상적 정차 차량의 수가 복수이고 접촉이 존재하는 특징이 마이닝되면, 의사결정 트리에서 차대차 충돌 유형을 빠르게 검색할 수 있다. 비정상적 정차 차량의 수가 하나이고 비정상적 인체가 존재하는 특징, 또는 비정상적 정차 차량의 수가 복수이고 접촉이 존재하지 않는 특징 및 비정상적 인체가 존재하는 특징이 마이닝되면, 의사결정 트리에서 차대사람 충돌 유형을 빠르게 검색할 수 있다. 비정상적 정차 차량의 수가 하나이고 비정상적 인체가 존재하지 않으며 비정상적 정차 차량의 정차 위치가 노변인 특징, 또는 비정상적 정차 차량의 수가 복수이고 접촉이 존재하지 않으며 비정상적 인체가 존재하지 않고 비정상적 정차 차량의 정차 위치가 노변인 특징, 또는 비정상적 정차 차량의 수가 하나이고 비정상적 인체가 존재하지 않으며 비정상적 정차 차량의 정차 위치가 노변이 아니고 경고 표지판이 존재하지 않는 특징, 또는 비정상적 정차 차량의 수가 복수이고 접촉이 존재하지 않으며 비정상적 인체가 존재하지 않고 비정상적 정차 차량의 정차 위치가 노변이 아니며 경고 표지판이 존재하지 않는 특징이 마이닝되면, 의사결정 트리에서 불법 정차 유형을 빠르게 검색할 수 있다. 비정상적 정차 차량의 수가 하나이고 비정상적 인체가 존재하지 않으며 비정상적 정차 차량의 정차 위치가 노변이 아니고 경고 표지판이 존재하는 특징, 또는 비정상적 정차 차량의 수가 복수이고 접촉이 존재하지 않으며 비정상적 인체가 존재하지 않고 비정상적 정차 차량의 정차 위치가 노변이 아니며 경고 표지판이 존재하는 특징이 마이닝되면, 의사결정 트리에서 앵커 유형을 빠르게 검색할 수 있다.
도 5를 더 참조하면, 상기 각 도면에 도시된 방법의 구현으로서, 본 발명은 교통 비정상 탐지 장치의 일 실시예를 제공하며, 상기 장치 실시예는 도 2에 도시된 방법 실시예에 대응하고, 상기 장치는 구체적으로 다양한 전자 기기에 적용될 수 있다.
도 5에 도시된 바와 같이, 본 실시예의 교통 비정상 탐지 장치(500)는 획득 모듈(501), 추적 모듈(502) 및 분류 모듈(503)을 포함할 수 있다. 여기서, 획득 모듈(501)은 교통 비디오 스트림을 획득하도록 구성되고; 추적 모듈(502)은 교통 비디오 스트림에 대해 차량 탐지 추적을 수행하여 비정상적 정차 차량이 존재하는지 여부를 결정하도록 구성되되, 정차 지속 시간이 기설정된 지속 시간을 초과하면 비정상적 정차에 속하며; 분류 모듈(503)은 비정상적 정차 차량이 존재하면, 의사결정 트리를 이용하여 비정상적 정차에 대응되는 비디오 프레임에 대해 교통 비정상 분류를 수행하여 교통 비정상 유형을 얻도록 구성되되, 여기서, 의사결정 트리는 교통 비정상 탐지의 특징을 기반으로 생성된 것이다.
본 실시예에서, 교통 비정상 탐지 장치(500)에서 획득 모듈(501), 추적 모듈(502) 및 분류 모듈(503)의 구체적인 처리 및 이로 인한 기술적 효과는 각각 도 2의 대응하는 실시예에서 단계(201) 내지 단계(203)의 관련 설명을 참조할 수 있으며, 여기서 더 이상 반복 서술하지 않는다.
본 실시예의 일부 선택 가능한 구현 방식에서, 분류 모듈(503)은, 비정상적 정차 차량의 수를 통계하도록 구성되는 통계 서브 모듈; 비정상적 정차 차량의 수가 복수이면, 비정상적 정차 차량 사이에 접촉이 존재하는지 여부를 결정하도록 구성되는 제1 결정 서브 모듈; 및 비정상적 정차 차량 사이에 접촉이 존재하면 차대차 충돌 유형으로 결정하도록 구성되는 제2 결정 서브 모듈을 포함한다.
본 실시예의 일부 선택 가능한 구현 방식에서, 분류 모듈(503)은, 비정상적 정차 차량의 수가 하나이거나, 비정상적 정차 차량의 수가 복수이고 접촉이 존재하지 않으면 비정상적 정차에 대응되는 비디오 프레임에 비정상적 인체가 존재하는지 여부를 결정하도록 구성되는 제3 결정 서브 모듈; 및 비정상적 인체가 존재하면 차대사람 충돌 유형으로 결정하도록 구성되는 제4 결정 서브 모듈을 더 포함한다.
본 실시예의 일부 선택 가능한 구현 방식에서, 분류 모듈(503)은, 비정상적 인체가 존재하지 않으면 비정상적 정차 차량의 정차 위치를 결정하도록 구성되는 제5 결정 서브 모듈; 및 비정상적 정차 차량의 정차 위치가 노변이면 불법 정차 유형으로 결정하도록 구성되는 제6 결정 서브 모듈을 더 포함한다.
본 실시예의 일부 선택 가능한 구현 방식에서, 분류 모듈(503)은, 비정상적 정차 차량의 정차 위치가 노변이 아니면, 비정상적 정차에 대응되는 비디오 프레임에 경고 표지판이 존재하는지 여부를 결정하도록 구성되는 제7 결정 서브 모듈; 및 경고 표지판이 존재하면 앵커 유형으로 결정하도록 구성되는 제8 결정 서브 모듈을 더 포함한다.
본 실시예의 일부 선택 가능한 구현 방식에서, 분류 모듈(503)은, 경고 표지판이 존재하지 않으면 불법 정차 유형으로 결정하도록 구성되는 제8 결정 서브 모듈을 더 포함한다.
본 실시예의 일부 선택 가능한 구현 방식에서, 추적 모듈(502)은 또한, 교통 비디오 스트림을 미리 트레이닝된 차량 탐지 추적 모델에 입력하여 차량 탐지 추적 결과를 얻고; 차량 탐지 추적 결과에 기반하여 비정상적 정차 차량이 존재하는지 여부를 결정하도록 구성된다.
본 실시예의 일부 선택 가능한 구현 방식에서, 제1 결정 서브 모듈은 또한, 비정상적 정차 차량의 바운딩 박스 사이의 IoU를 계산하고; IoU가 0이 아니면 비정상적 정차 차량 사이에 접촉이 존재하는 것으로 결정하며; IoU가 0이면 비정상적 정차 차량 사이에 접촉이 존재하지 않는 것으로 결정하도록 구성된다.
본 실시예의 일부 선택 가능한 구현 방식에서, 제3 결정 서브 모듈은 또한, 비정상적 정차에 대응되는 비디오 프레임을 미리 트레이닝된 인체 행동 모델에 입력하여 인체 행동 결과를 얻고; 인체 행동 결과에 기반하여 비정상적 정차에 대응되는 비디오 프레임에 비정상적 인체가 존재하는지 여부를 결정하도록 구성된다.
본 실시예의 일부 선택 가능한 구현 방식에서, 제7 결정 서브 모듈은 또한, 비정상적 정차에 대응되는 비디오 프레임을 미리 트레이닝된 경고 표지판 탐지 모델에 입력하여 경고 표지판 탐지 결과를 얻고; 경고 표지판 탐지 결과에 기반하여 비정상적 정차에 대응되는 비디오 프레임에 경고 표지판이 존재하는지 여부를 결정하도록 구성된다.
본 발명의 기술적 해결수단에서, 관련된 사용자 개인 정보의 획득, 저장 및 적용은 모두 관련 법률법규의 규정에 부합되며 공서양속에 위배되지 않는다.
본 발명의 실시예에 따르면, 본 발명은 전자 기기, 판독 가능 저장 매체 및 컴퓨퍼 프로그램 제품을 더 제공한다.
도 6은 본 발명의 실시예를 구현할 수 있는 예시적인 전자 기기(600)의 예시적 블록도를 도시한다. 전자 기기는 랩톱 컴퓨터, 데스크톱 컴퓨터, 워크 스테이션, 개인용 정보 단말기, 서버, 블레이드 서버, 메인프레임 컴퓨터, 및 다른 적절한 컴퓨터와 같은 다양한 형태의 디지털 전자의 컴퓨터 기기를 나타내기 위한 것이다. 전자 기기는 개인용 디지털 처리, 셀룰러 폰, 스마트 폰, 웨어러블 기기, 및 다른 유사한 컴퓨팅 장치와 같은 다양한 형태의 모바일 장치를 나타낼 수도 있다. 본문에 표시된 부재, 이들의 연결 및 관계, 및 이들의 기능은 단지 예시적인 것으로서, 본문에서 설명되거나 및/또는 요구되는 본 발명의 구현을 한정하려는 의도가 아니다.
도 6에 도시된 바와 같이, 기기(600)는 판독 전용 메모리(ROM)(602)에 저장된 컴퓨터 프로그램 또는 저장 유닛(608)으로부터 랜덤 액세스 메모리(RAM)(603)로 로딩된 컴퓨터 프로그램에 따라, 다양하고 적절한 동작 및 처리를 수행할 수 있는 컴퓨팅 유닛(601)을 포함한다. RAM(603)에는 또한 기기(600)의 동작에 필요한 다양한 프로그램 및 데이터가 저장된다. 컴퓨팅 유닛(601), ROM(602) 및 RAM(603)은 버스(604)를 통해 서로 연결된다. 입력/출력(I/O) 인터페이스(605)도 버스(604)에 연결된다.
키보드, 마우스와 같은 입력 유닛(606); 다양한 유형의 디스플레이 장치, 스피커와 같은 출력 유닛(607); 자기 디스크, 광 디스크와 같은 저장 유닛(608); 및 네트워크 카드, 모뎀, 무선 통신 트랜시버와 같은 통신 유닛(609)을 포함하는 기기(600) 중 복수 개의 부재는 I/O 인터페이스(605)에 연결된다. 통신 유닛(609)은 기기(600)가 인터넷과 같은 컴퓨터 네트워크 및/또는 다양한 통신 네트워크를 통해 다른 기기와 정보/데이터를 교환하도록 허용한다.
컴퓨팅 유닛(601)은 처리 및 컴퓨팅 기능을 갖는 다양한 일반 및/또는 전용 처리 컴포넌트일 수 있다. 컴퓨팅 유닛(601)의 일부 예는 중앙 처리 유닛(CPU), 그래픽 처리 유닛(GPU), 다양한 전용 인공 지능(AI) 컴퓨팅 칩, 기계 학습 모델 알고리즘을 실행하는 다양한 컴퓨팅 유닛, 디지털 신호 프로세서(DSP) 및 임의의 적절한 프로세서, 컨트롤러, 마이크로 컨트롤러 등을 포함하지만 이에 한정되지 않는다. 컴퓨팅 유닛(601)은 교통 비정상 탐지 방법과 같이, 상술한 다양한 방법 및 처리를 수행한다. 예를 들어, 일부 실시예에서, 교통 비정상 탐지 방법은 저장 유닛(608)과 같은 기계 판독 가능 매체에 유형적으로 포함되는 컴퓨터 소프트웨어 프로그램으로 구현될 수 있다. 일부 실시예에서, 컴퓨터 프로그램의 일부 또는 전부는 ROM(602) 및/또는 통신 유닛(609)을 통해 기기(600)에 로드되거나 및/또는 설치될 수 있다. 컴퓨터 프로그램이 RAM(603)에 로드되어 컴퓨팅 유닛(601)에 의해 실행될 경우, 상술한 교통 비정상 탐지 방법의 하나 이상의 단계를 수행할 수 있다. 대안적으로, 다른 실시예에서, 컴퓨팅 유닛(601)은 다른 임의의 적절한 방식(예를 들어, 펌웨어에 의함)을 통해 교통 비정상 탐지 방법을 수행하도록 구성될 수 있다.
본문에서 이상 설명된 시스템 및 기술의 다양한 실시형태는 디지털 전자 회로 시스템, 집적 회로 시스템, 필드 프로그램 가능 게이트 어레이(FPGA), 애플리케이션 주문형 집적 회로(ASIC), 애플리케이션 주문형 표준 제품(ASSP), 시스템 온 칩 시스템(SOC), 복합 프로그램 가능 논리 소자(CPLD), 컴퓨터 하드웨어, 펌웨어, 소프트웨어, 및/또는 이들의 조합에서 구현될 수 있다. 이러한 다양한 실시형태는 하나 이상의 컴퓨터 프로그램에서 구현되고, 상기 하나 이상의 컴퓨터 프로그램은 적어도 하나의 프로그램 가능 프로세서를 포함하는 프로그램 가능 시스템에서 실행되거나 및/또는 해석될 수 있고, 상기 프로그램 가능 프로세서는 전용 또는 일반 프로그램 가능 프로세서일 수 있으며, 저장 시스템, 적어도 하나의 입력 장치, 적어도 하나의 출력 장치로부터 데이터 및 명령을 수신하고, 데이터 및 명령을 상기 저장 시스템, 상기 적어도 하나의 입력 장치, 상기 적어도 하나의 출력 장치에 전송할 수 있다.
본 발명의 방법을 구현하기 위한 프로그램 코드는 하나 이상의 프로그래밍 언어의 임의의 조합으로 작성될 수 있다. 이러한 프로그램 코드는 일반 컴퓨터, 전용 컴퓨터 또는 다른 프로그램 가능 데이터 처리 장치의 프로세서 또는 컨트롤러에 제공되어, 프로그램 코드가 프로세서 또는 컨트롤러에 의해 실행될 경우 흐름도 및/또는 블록도에 규정된 기능/동작이 수행될 수 있도록 한다. 프로그램 코드는 완전히 기계에서 실행되거나, 부분적으로 기계에서 실행되거나, 독립형 소프트웨어 패키지로서 부분적으로 기계에서 실행되거나 부분적으로 원격 기계에서 실행되거나, 또는 완전히 원격 기계 또는 서버에서 실행될 수 있다.
본 발명의 컨텍스트에서, 기계 판독 가능 매체는 명령 실행 시스템, 장치 또는 기기에 의해 사용되거나 또는 명령 실행 시스템, 장치 또는 기기와 결합하여 사용하기 위한 프로그램을 포함하거나 저장할 수 있는 유형 매체일 수 있다. 기계 판독 가능 매체는 기계 판독 가능 신호 매체 또는 기계 판독 가능 저장 매체일 수 있다. 기계 판독 가능 매체는 전자, 자기, 광학, 전자기, 적외선 또는 반도체 시스템, 장치 또는 기기, 또는 상기 내용의 임의의 적절한 조합을 포함할 수 있지만 이에 한정되지 않는다. 기계 판독 가능 저장 매체의 보다 구체적인 예는 하나 이상의 와이어에 기반한 전기 연결, 휴대용 컴퓨터 디스크, 하드 디스크, 랜덤 액세스 메모리(RAM), 판독 전용 메모리(ROM), 소거 가능 프로그램 가능 판독 전용 메모리(EPROM 또는 플래시 메모리), 광섬유, 휴대용 컴팩트 디스크 판독 전용 메모리(CD-ROM), 광학 저장 기기, 자기 저장 기기 또는 상술한 내용의 임의의 적절한 조합을 포함한다.
사용자와의 인터랙션을 제공하기 위해, 컴퓨터에서 여기에 설명된 시스템 및 기술을 구현할 수 있고, 상기 컴퓨터는 사용자에게 정보를 디스플레이하기 위한 디스플레이 장치(예를 들어, CRT(음극선관) 또는 LCD(액정 표시 장치) 모니터); 및 키보드 및 포인팅 장치(예를 들어, 마우스 또는 트랙 볼)를 구비하며, 사용자는 상기 키보드 및 상기 포인팅 장치를 통해 컴퓨터에 입력을 제공한다. 다른 타입의 장치는 또한 사용자와의 인터랙션을 제공할 수 있는데, 예를 들어, 사용자에게 제공된 피드백은 임의의 형태의 센서 피드백(예를 들어, 시각적 피드백, 청각적 피드백 또는 촉각적 피드백)일 수 있고; 임의의 형태(소리 입력, 음성 입력, 또는 촉각 입력)로 사용자로부터의 입력을 수신할 수 있다.
여기서 설명된 시스템 및 기술은 백엔드 부재를 포함하는 컴퓨팅 시스템(예를 들어, 데이터 서버로 사용됨), 또는 미들웨어 부재를 포함하는 컴퓨팅 시스템(예를 들어, 애플리케이션 서버), 또는 프론트 엔드 부재를 포함하는 컴퓨팅 시스템(예를 들어, 그래픽 사용자 인터페이스 또는 네트워크 브라우저를 구비하는 사용자 컴퓨터인 바, 사용자는 상기 그래픽 사용자 인터페이스 또는 상기 네트워크 브라우저를 통해 여기서 설명된 시스템 및 기술의 실시형태와 인터랙션할 수 있음), 또는 이러한 백엔드 부재, 미들웨어 부재, 또는 프론트 엔드 부재의 임의의 조합을 포함하는 컴퓨팅 시스템에서 구현될 수 있다. 임의의 형태 또는 매체의 디지털 데이터 통신(예를 들어, 통신 네트워크)을 통해 시스템의 부재를 서로 연결시킬 수 있다. 통신 네트워크의 예는, 근거리 통신망(LAN), 광역망(WAN), 인터넷을 포함한다.
컴퓨터 시스템은 클라이언트 및 서버를 포함할 수 있다. 클라이언트 및 서버는 일반적으로 서로 멀리 떨어져 있고, 일반적으로 통신 네트워크를 통해 인터랙션한다. 대응하는 컴퓨터에서 실행되고 또한 서로 클라이언트-서버 관계를 갖는 컴퓨터 프로그램을 통해 클라이언트 및 서버의 관계를 생성한다. 서버는 클라우드 서버일 수 있고, 분산 시스템 서버 또는 블록체인이 결합된 서버일 수도 있다.
위에서 설명된 다양한 형태의 프로세스를 사용하여 단계를 재배열, 추가 또는 삭제할 수 있음을 이해해야 한다. 예를 들어, 본 발명에 기재된 각 단계는 동시에, 순차적으로, 또는 상이한 순서로 수행될 수 있으며, 본 발명에서 제공되는 기술적 해결수단이 이루고자 하는 결과를 구현할 수 있는 한, 본문은 여기서 한정하지 않는다.
상기 구체적인 실시형태는 본 발명의 보호 범위에 대한 한정으로 구성되지 않는다. 본 기술분야의 기술자는 설계 요구 및 다른 요소에 따라 다양한 수정, 조합, 서브 조합 및 대체가 이루어질 수 있음을 이해해야 할 것이다. 임의의 본 발명의 정신과 원칙 이내에서 이루어진 수정, 등가 교체 및 개선은 모두 본 발명의 보호 범위 이내에 포함되어야 한다.

Claims (23)

  1. 교통 비정상 탐지 방법으로서,
    교통 비디오 스트림을 획득하는 단계;
    상기 교통 비디오 스트림에 대해 차량 탐지 추적을 수행하여 비정상적 정차 차량이 존재하는지 여부를 결정하되, 정차 지속 시간이 기설정된 지속 시간을 초과하면 비정상적 정차에 속하는 단계; 및
    비정상적 정차 차량이 존재하면, 의사결정 트리를 이용하여 비정상적 정차에 대응되는 비디오 프레임에 대해 교통 비정상 분류를 수행하여 교통 비정상 유형을 얻는 단계를 포함하되, 상기 의사결정 트리는 교통 비정상 탐지의 특징을 기반으로 생성된 것인 교통 비정상 탐지 방법.
  2. 제1항에 있어서,
    상기 의사결정 트리를 이용하여 비정상적 정차에 대응되는 비디오 프레임에 대해 교통 비정상 분류를 수행하여 교통 비정상 유형을 얻는 단계는,
    상기 비정상적 정차 차량의 수를 통계하는 단계;
    상기 비정상적 정차 차량의 수가 복수이면, 상기 비정상적 정차 차량 사이에 접촉이 존재하는지 여부를 결정하는 단계; 및
    상기 비정상적 정차 차량 사이에 접촉이 존재하면 차대차 충돌 유형으로 결정하는 단계를 포함하는 교통 비정상 탐지 방법.
  3. 제2항에 있어서,
    상기 의사결정 트리를 이용하여 비정상적 정차에 대응되는 비디오 프레임에 대해 교통 비정상 분류를 수행하여 교통 비정상 유형을 얻는 단계는,
    상기 비정상적 정차 차량의 수가 하나이거나, 상기 비정상적 정차 차량의 수가 복수이고 접촉이 존재하지 않으면, 상기 비정상적 정차에 대응되는 비디오 프레임에 비정상적 인체가 존재하는지 여부를 결정하는 단계; 및
    비정상적 인체가 존재하면 차대사람 충돌 유형으로 결정하는 단계를 더 포함하는 교통 비정상 탐지 방법.
  4. 제3항에 있어서,
    상기 의사결정 트리를 이용하여 비정상적 정차에 대응되는 비디오 프레임에 대해 교통 비정상 분류를 수행하여 교통 비정상 유형을 얻는 단계는,
    비정상적 인체가 존재하지 않으면 상기 비정상적 정차 차량의 정차 위치를 결정하는 단계; 및
    상기 비정상적 정차 차량의 정차 위치가 노변이면 불법 정차 유형으로 결정하는 단계를 더 포함하는 교통 비정상 탐지 방법.
  5. 제4항에 있어서,
    상기 의사결정 트리를 이용하여 비정상적 정차에 대응되는 비디오 프레임에 대해 교통 비정상 분류를 수행하여 교통 비정상 유형을 얻는 단계는,
    상기 비정상적 정차 차량의 정차 위치가 노변이 아니면 상기 비정상적 정차에 대응되는 비디오 프레임에 경고 표지판이 존재하는지 여부를 결정하는 단계; 및
    경고 표지판이 존재하면 앵커 유형으로 결정하는 단계를 더 포함하는 교통 비정상 탐지 방법.
  6. 제1항 내지 제5항 중 어느 한 항에 있어서,
    상기 의사결정 트리를 이용하여 비정상적 정차에 대응되는 비디오 프레임에 대해 교통 비정상 분류를 수행하여 교통 비정상 유형을 얻는 단계는,
    경고 표지판이 존재하지 않으면 불법 정차 유형으로 결정하는 단계를 더 포함하는 교통 비정상 탐지 방법.
  7. 제1항 내지 제6항 중 어느 한 항에 있어서,
    상기 교통 비디오 스트림에 대해 차량 탐지 추적을 수행하여 비정상적 정차 차량이 존재하는지 여부를 결정하는 상기 단계는,
    상기 교통 비디오 스트림을 미리 트레이닝된 차량 탐지 추적 모델에 입력하여 차량 탐지 추적 결과를 얻는 단계; 및
    차량 탐지 추적 결과에 기반하여 비정상적 정차 차량이 존재하는지 여부를 결정하는 단계를 포함하는 교통 비정상 탐지 방법.
  8. 제2항 내지 제7항 중 어느 한 항에 있어서,
    상기 비정상적 정차 차량 사이에 접촉이 존재하는지 여부를 결정하는 상기 단계는,
    상기 비정상적 정차 차량의 바운딩 박스 사이의 IoU를 계산하는 단계;
    상기 IoU가 0이 아니면 상기 비정상적 정차 차량 사이에 접촉이 존재하는 것으로 결정하는 단계; 및
    상기 IoU가 0이면 상기 비정상적 정차 차량 사이에 접촉이 존재하지 않는 것으로 결정하는 단계를 포함하는 교통 비정상 탐지 방법.
  9. 제3항 내지 제8항 중 어느 한 항에 있어서,
    상기 비정상적 정차에 대응되는 비디오 프레임에 비정상적 인체가 존재하는지 여부를 결정하는 상기 단계는,
    상기 비정상적 정차에 대응되는 비디오 프레임을 미리 트레이닝된 인체 행동 모델에 입력하여 인체 행동 결과를 얻는 단계; 및
    상기 인체 행동 결과에 기반하여 상기 비정상적 정차에 대응되는 비디오 프레임에 비정상적 인체가 존재하는지 여부를 결정하는 단계를 포함하는 교통 비정상 탐지 방법.
  10. 제5항 내지 제9항 중 어느 한 항에 있어서,
    상기 비정상적 정차에 대응되는 비디오 프레임에 경고 표지판이 존재하는지 여부를 결정하는 상기 단계는,
    상기 비정상적 정차에 대응되는 비디오 프레임을 미리 트레이닝된 경고 표지판 탐지 모델에 입력하여 경고 표지판 탐지 결과를 얻는 단계; 및
    상기 경고 표지판 탐지 결과에 기반하여 상기 비정상적 정차에 대응되는 비디오 프레임에 경고 표지판이 존재하는지 여부를 결정하는 단계를 포함하는 교통 비정상 탐지 방법.
  11. 교통 비정상 탐지 장치로서,
    교통 비디오 스트림을 획득하도록 구성되는 획득 모듈;
    상기 교통 비디오 스트림에 대해 차량 탐지 추적을 수행하여 비정상적 정차 차량이 존재하는지 여부를 결정하되, 정차 지속 시간이 기설정된 지속 시간을 초과하면 비정상적 정차에 속하도록 구성되는 추적 모듈; 및
    비정상적 정차 차량이 존재하면, 의사결정 트리를 이용하여 비정상적 정차에 대응되는 비디오 프레임에 대해 교통 비정상 분류를 수행하여 교통 비정상 유형을 얻도록 구성되는 분류 모듈을 포함하되, 상기 의사결정 트리는 교통 비정상 탐지의 특징을 기반으로 생성된 것인 교통 비정상 탐지 장치.
  12. 제11항에 있어서,
    상기 분류 모듈은,
    상기 비정상적 정차 차량의 수를 통계하도록 구성되는 통계 서브 모듈;
    상기 비정상적 정차 차량의 수가 복수이면, 상기 비정상적 정차 차량 사이에 접촉이 존재하는지 여부를 결정하도록 구성되는 제1 결정 서브 모듈; 및
    상기 비정상적 정차 차량 사이에 접촉이 존재하면 차대차 충돌 유형으로 결정하도록 구성되는 제2 결정 서브 모듈을 포함하는 교통 비정상 탐지 장치.
  13. 제12항에 있어서,
    상기 분류 모듈은,
    상기 비정상적 정차 차량의 수가 하나이거나, 상기 비정상적 정차 차량의 수가 복수이고 접촉이 존재하지 않으면, 상기 비정상적 정차에 대응되는 비디오 프레임에 비정상적 인체가 존재하는지 여부를 결정하도록 구성되는 제3 결정 서브 모듈; 및
    비정상적 인체가 존재하면 차대사람 충돌 유형으로 결정하도록 구성되는 제4 결정 서브 모듈을 더 포함하는 교통 비정상 탐지 장치.
  14. 제13항에 있어서,
    상기 분류 모듈은,
    비정상적 인체가 존재하지 않으면 상기 비정상적 정차 차량의 정차 위치를 결정하도록 구성되는 제5 결정 서브 모듈; 및
    상기 비정상적 정차 차량의 정차 위치가 노변이면 불법 정차 유형으로 결정하도록 구성되는 제6 결정 서브 모듈을 더 포함하는 교통 비정상 탐지 장치.
  15. 제14항에 있어서,
    상기 분류 모듈은,
    상기 비정상적 정차 차량의 정차 위치가 노변이 아니면 상기 비정상적 정차에 대응되는 비디오 프레임에 경고 표지판이 존재하는지 여부를 결정하도록 구성되는 제7 결정 서브 모듈; 및
    경고 표지판이 존재하면 앵커 유형으로 결정하도록 구성되는 제8 결정 서브 모듈을 더 포함하는 교통 비정상 탐지 장치.
  16. 제11항 내지 제15항 중 어느 한 항에 있어서,
    상기 분류 모듈은,
    경고 표지판이 존재하지 않으면 불법 정차 유형으로 결정하도록 구성되는 제8 결정 서브 모듈을 더 포함하는 교통 비정상 탐지 장치.
  17. 제11항 내지 제16항 중 어느 한 항에 있어서,
    상기 추적 모듈은 또한,
    상기 교통 비디오 스트림을 미리 트레이닝된 차량 탐지 추적 모델에 입력하여 차량 탐지 추적 결과를 얻고;
    차량 탐지 추적 결과에 기반하여 비정상적 정차 차량이 존재하는지 여부를 결정하도록 구성되는 교통 비정상 탐지 장치.
  18. 제12항 내지 제17항 중 어느 한 항에 있어서,
    상기 제1 결정 서브 모듈은 또한,
    상기 비정상적 정차 차량의 바운딩 박스 사이의 IoU를 계산하고;
    상기 IoU가 0이 아니면 상기 비정상적 정차 차량 사이에 접촉이 존재하는 것으로 결정하며;
    상기 IoU가 0이면 상기 비정상적 정차 차량 사이에 접촉이 존재하지 않는 것으로 결정하도록 구성되는 교통 비정상 탐지 장치.
  19. 제13항 내지 제18항 중 어느 한 항에 있어서,
    상기 제3 결정 서브 모듈은 또한,
    상기 비정상적 정차에 대응되는 비디오 프레임을 미리 트레이닝된 인체 행동 모델에 입력하여 인체 행동 결과를 얻고;
    상기 인체 행동 결과에 기반하여 상기 비정상적 정차에 대응되는 비디오 프레임에 비정상적 인체가 존재하는지 여부를 결정하도록 구성되는 교통 비정상 탐지 장치.
  20. 제15항 내지 제19항 중 어느 한 항에 있어서,
    상기 제7 결정 서브 모듈은 또한,
    상기 비정상적 정차에 대응되는 비디오 프레임을 미리 트레이닝된 경고 표지판 탐지 모델에 입력하여 경고 표지판 탐지 결과를 얻고;
    상기 경고 표지판 탐지 결과에 기반하여 상기 비정상적 정차에 대응되는 비디오 프레임에 경고 표지판이 존재하는지 여부를 결정하도록 구성되는 교통 비정상 탐지 장치.
  21. 전자 기기로서,
    적어도 하나의 프로세서; 및
    상기 적어도 하나의 프로세서와 통신 연결되는 메모리를 포함하되;
    상기 메모리에는 상기 적어도 하나의 프로세서에 의해 실행 가능한 명령이 저장되고, 상기 명령은 상기 적어도 하나의 프로세서에 의해 실행되어 상기 적어도 하나의 프로세서가 제1항 내지 제10항 중 어느 한 항에 따른 방법을 수행할 수 있도록 하는 전자 기기.
  22. 컴퓨터 명령이 저장된 비일시적 컴퓨터 판독 가능 저장 매체로서,
    상기 컴퓨터 명령은 상기 컴퓨터가 제1항 내지 제10항 중 어느 한 항에 따른 방법을 수행하도록 하는 컴퓨터 명령이 저장된 비일시적 컴퓨터 판독 가능 저장 매체.
  23. 컴퓨터 프로그램을 포함한 컴퓨터 프로그램 제품으로서,
    상기 컴퓨터 프로그램이 프로세서에 의해 실행될 경우, 제1항 내지 제10항 중 어느 한 항에 따른 방법을 구현하는 컴퓨터 프로그램 제품.
KR1020227035841A 2021-04-15 2022-01-29 교통 비정상 탐지 방법, 장치, 기기, 저장 매체 및 프로그램 KR20220146670A (ko)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
CN202110404411.7A CN113033471A (zh) 2021-04-15 2021-04-15 交通异常检测方法、装置、设备、存储介质以及程序产品
CN202110404411.7 2021-04-15
PCT/CN2022/075044 WO2022218011A1 (zh) 2021-04-15 2022-01-29 交通异常检测方法、装置、设备、存储介质以及程序产品

Publications (1)

Publication Number Publication Date
KR20220146670A true KR20220146670A (ko) 2022-11-01

Family

ID=76456748

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020227035841A KR20220146670A (ko) 2021-04-15 2022-01-29 교통 비정상 탐지 방법, 장치, 기기, 저장 매체 및 프로그램

Country Status (6)

Country Link
US (1) US20230005272A1 (ko)
EP (1) EP4102401A4 (ko)
JP (1) JP2023524623A (ko)
KR (1) KR20220146670A (ko)
CN (1) CN113033471A (ko)
WO (1) WO2022218011A1 (ko)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112419722B (zh) * 2020-11-18 2022-08-30 百度(中国)有限公司 交通异常事件检测方法、交通管控方法、设备和介质
CN113033471A (zh) * 2021-04-15 2021-06-25 北京百度网讯科技有限公司 交通异常检测方法、装置、设备、存储介质以及程序产品
CN113469115B (zh) * 2021-07-20 2024-07-02 阿波罗智联(北京)科技有限公司 用于输出信息的方法和装置
CN113989705A (zh) * 2021-10-25 2022-01-28 阿波罗智联(北京)科技有限公司 用于输出信息的方法、装置、设备以及存储介质

Family Cites Families (28)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP3750184B2 (ja) * 1996-04-03 2006-03-01 松下電器産業株式会社 移動物体の抽出装置及び抽出方法
JP2002190011A (ja) * 2000-12-21 2002-07-05 Nec Corp 画像認識による停止車両検知システム及び停止車両検知方法
TWI430212B (zh) * 2010-06-08 2014-03-11 Gorilla Technology Inc 利用多特徵自動集群法之異常行為偵測系統與方法
CN102289933B (zh) * 2011-08-08 2013-05-22 上海电科智能系统股份有限公司 一种城市快速路交通事件影响空间范围等级预测方法
US8744132B2 (en) * 2012-04-06 2014-06-03 Orhan BULAN Video-based method for detecting parking boundary violations
CN104700099B (zh) * 2015-03-31 2017-08-11 百度在线网络技术（北京）有限公司 识别交通标志的方法和装置
CN105023433B (zh) * 2015-07-01 2018-04-20 重庆大学 一种高速公路交通异常事件影响范围预估方法
CN105761500B (zh) * 2016-05-10 2019-02-22 腾讯科技（深圳）有限公司 交通事故处理方法及交通事故处理装置
JP6924031B2 (ja) * 2016-12-28 2021-08-25 日本放送協会 オブジェクト検出装置及びこれらのプログラム
CN108460970A (zh) * 2017-09-11 2018-08-28 江苏本能科技有限公司 道路车辆交通行为识别方法及系统
CN107610469B (zh) * 2017-10-13 2021-02-02 北京工业大学 一种考虑多因素影响的日维度区域交通指数预测方法
JP7040606B2 (ja) * 2018-03-29 2022-03-23 日本電気株式会社 交通監視装置、交通監視システム、交通監視方法及びプログラム
WO2019189152A1 (ja) * 2018-03-29 2019-10-03 日本電気株式会社 交通監視装置、交通監視システム、交通監視方法及びプログラムが格納された非一時的なコンピュータ可読媒体
WO2019189216A1 (ja) * 2018-03-29 2019-10-03 日本電気株式会社 交通監視装置、交通監視システム、交通監視方法及びプログラムが格納された非一時的なコンピュータ可読媒体
CN109035763A (zh) * 2018-07-02 2018-12-18 东南大学 基于c４．５的高速公路事故主次因分析及事故类型判断方法
CN110866427A (zh) * 2018-08-28 2020-03-06 杭州海康威视数字技术股份有限公司 一种车辆行为检测方法及装置
US11106925B2 (en) * 2018-10-25 2021-08-31 Intel Corporation Computer-assisted or autonomous driving traffic sign recognition method and apparatus
CN111402612A (zh) * 2019-01-03 2020-07-10 北京嘀嘀无限科技发展有限公司 一种交通事件通知方法及装置
WO2020205655A1 (en) * 2019-03-29 2020-10-08 Intel Corporation Autonomous vehicle system
CN110298307B (zh) * 2019-06-27 2021-07-20 浙江工业大学 一种基于深度学习的异常停车实时检测方法
US10867380B1 (en) * 2019-07-01 2020-12-15 Sas Institute Inc. Object and data point tracking to control system in operation
CN110705461B (zh) * 2019-09-29 2022-11-01 北京百度网讯科技有限公司 一种图像处理方法及装置
JP6811830B1 (ja) * 2019-11-25 2021-01-13 川崎汽船株式会社 情報処理システム
CN111476192B (zh) * 2020-04-15 2021-03-12 八维通科技有限公司 基于智慧交通的截取图像合成方法及大数据云服务器
CN111626275B (zh) * 2020-07-30 2020-11-10 江苏金智慧安科技有限公司 一种基于智能视频分析的异常停车检测方法
CN112172835B (zh) * 2020-09-17 2022-01-04 中国第一汽车股份有限公司 一种车辆预警方法、装置、设备及存储介质
CN112200044B (zh) * 2020-09-30 2024-04-30 北京四维图新科技股份有限公司 异常行为检测方法、装置及电子设备
CN113033471A (zh) * 2021-04-15 2021-06-25 北京百度网讯科技有限公司 交通异常检测方法、装置、设备、存储介质以及程序产品

Also Published As

Publication number Publication date
EP4102401A4 (en) 2023-12-27
CN113033471A (zh) 2021-06-25
JP2023524623A (ja) 2023-06-13
US20230005272A1 (en) 2023-01-05
EP4102401A1 (en) 2022-12-14
WO2022218011A1 (zh) 2022-10-20

Similar Documents

Publication Publication Date Title
KR20220146670A (ko) 교통 비정상 탐지 방법, 장치, 기기, 저장 매체 및 프로그램
CN113240909B (zh) 车辆监测方法、设备、云控平台和车路协同系统
Wang et al. A Vision‐Based Video Crash Detection Framework for Mixed Traffic Flow Environment Considering Low‐Visibility Condition
US20130286198A1 (en) Method and system for automatically detecting anomalies at a traffic intersection
KR101095528B1 (ko) 연속류도로 사고 및 돌발 자동판별 검지시스템 및 그 방법
CN110738857B (zh) 一种车辆违章取证方法、装置及设备
US9122932B2 (en) Method and system for automatically detecting multi-object anomalies utilizing joint sparse reconstruction model
WO2022227766A1 (zh) 交通异常检测的方法和装置
US20160035037A1 (en) Method and system for detecting uninsured motor vehicles
US20210312799A1 (en) Detecting traffic anomaly event
CN109360362A (zh) 一种铁路视频监控识别方法、系统和计算机可读介质
CN107316006A (zh) 一种道路障碍物检测的方法和系统
US20150213323A1 (en) Video anomaly detection based upon a sparsity model
CN113936465A (zh) 交通事件检测方法及装置
CN111524350A (zh) 车路协同异常行驶状况检测方法、系统、终端设备及介质
CN116311166A (zh) 交通障碍物识别方法、装置及电子设备
CN116311071A (zh) 一种融合帧差和ca的变电站周界异物识别方法及系统
CN117671440A (zh) 一种异常人像档案的检测方法及其系统
US20230065341A1 (en) Road data monitoring method and apparatus, electronic device and storage medium
CN115782919A (zh) 信息感知方法、装置及电子设备
CN116580551A (zh) 车辆驾驶行为评估方法、装置、设备及存储介质
CN113538968B (zh) 用于输出信息的方法和装置
Hu et al. An image-based crash risk prediction model using visual attention mapping and a deep convolutional neural network
CN112861701A (zh) 违章停车识别方法、装置、电子设备以及计算机可读介质
CN113609956A (zh) 训练方法、识别方法、装置、电子设备以及存储介质

Legal Events

Date Code Title Description
WITB Written withdrawal of application