一种监控道路上车辆的方法及装置制造方法及图纸

本发明专利技术公开了一种监控道路上车辆的方法及装置，方法包括：获取道路上车辆的监控视频的图像集合，针对图像集合中的第k个图像和第k+1个图像，根据深度学习检测模型，分别确定出第k个图像的车辆的坐标和第k+1个图像的车辆的坐标，并确定第k个图像的车辆和第k+1个图像的车辆之间的车辆距离，根据车辆距离，确定第k个图像中静止车辆的数量，在确定第k个图像中静止车辆的数量大于零之后，根据遗忘因子和第k‑1个图像对应的累计值，确定第k个图像对应的累计值，当第k个图像对应的累计值大于第二阈值时，确定道路上车辆出现异常。该技术方案在确保对道路异常检测的检测精度前提下，提高检测效率。

【技术实现步骤摘要】
一种监控道路上车辆的方法及装置
本专利技术实施例涉及车辆检测
，尤其涉及一种监控道路上车辆的方法及装置。
技术介绍
基于视频的车辆检测技术是交通视频监控系统中重要的一部分，其能够为监控系统提供相关的车辆信息。通过对监控视频中道路上车辆位置的检测，判断道路上是否有车辆拥堵或者违章停车等异常，现有技术中主要根据监控视频中截取的多个图像，识别出多个图像中同一个车辆以及该同一个车辆的坐标信息，根据该同一车辆的坐标信息判断该车辆是否处于静止状态，进而判断该道路状况是否异常。现有技术中针对多个图像识别出同一个车辆的难度较大，且上述方式判断道路状况异常的效率较低，不利于对道路车辆的高效管控。
技术实现思路
本专利技术实施例提供一种监控道路上车辆的方法及装置，用以在确保对道路异常检测的检测精度前提下，提高检测效率。本专利技术实施例提供的一种监控道路上车辆的方法，包括：获取道路上车辆的监控视频的图像集合；所述图像集合中图像是按预设时间间隔截取所述监控视频得到的；针对所述图像集合中的第k个图像和第k+1个图像，根据深度学习检测模型，分别确定出所述第k个图像的车辆的坐标和所述第k+1个图像的车辆的坐标；所述k大于等于1；所述深度学习检测模型是对各图片上的已标记完成的车辆和所述已标记完成的车辆的坐标进行训练后确定的；根据所述第k个图像的车辆的坐标和所述第k+1个图像的车辆的坐标，确定所述第k个图像的车辆和所述第k+1个图像的车辆之间的车辆距离；根据所述车辆距离，确定所述第k个图像中静止车辆的数量；在确定所述第k个图像中静止车辆的数量大于零之后，根据遗忘因子和第k-1个图像对应的累计值，确定所述第k个图像对应的累计值；当所述第k个图像对应的累计值大于第二阈值时，确定所述道路上车辆出现异常。上述技术方案中，针对第k个图像和第k+1个图像，根据深度学习检测模型，分别确定出第k个图像的车辆的坐标和第k+1个图像的车辆的坐标，并确定出第k个图像的车辆和第k+1个图像的车辆之间的车辆距离，并根据车辆距离确定出第k个图像中静止车辆的数量，当第k个图像中静止车辆的数量大于零后，根据遗忘因子和第k-1个图像的累计值确定出第k个图像的累计值，在确定第k个图像的累计值大于第二阈值时，确定出道路上车辆出现异常。该技术方案无需针对同一个车辆进行检测，减小了检测难度，相对提高检测效率，采用深度学习检测模型，提高了车辆的检测精度。可选的，所述根据所述车辆距离，确定所述第k个图像中静止车辆的数量，包括：判断所述车辆距离是否小于第一阈值，若是，则确定所述第k个图像的车辆是静止车辆；统计所述第k个图像中所述静止车辆的数量。上述技术方案中，第k个图像的车辆可以为多个，第k+1个图像的车辆也可以为多个，针对第k个图像中的任一个车辆，确定该任一个车辆与第k+1个图像中所有车辆的车辆距离，只要有车辆距离小于第一阈值时，即判断出第k个图像的车辆为静止车辆。根据第k个图像中多个车辆的车辆状态，统计该第k个图像中静止车辆的数量。可选的，在所述获取道路上车辆的监控视频的图像集合之前，还包括：将初始累计值清零。可选的，所述根据遗忘因子和第k-1个图像对应的累计值，确定所述第k个图像对应的累计值，包括：确定所述遗忘因子和所述第k-1个图像对应的累计值的乘积；将所述乘积加1后确定为所述第k个图像对应的累计值。上述技术方案中，在确定出第k个图像的车辆为静止车辆时，根据遗忘因子和第k-1个图像的累计值确定出第k个图像的累计值，具体的，确定遗忘因子和第k-1个图像的累计值的乘积，并将该乘积加1后确定为第k个图像的累计值，采用遗忘因子可以过滤掉偶然出现的虚警检测结果，从而提高检测的准确性。可选的，还包括：在确定所述第k个图像中静止车辆的数量等于零之后，确定所述遗忘因子和所述第k-1个图像对应的累计值的乘积；将所述乘积确定为所述第k个图像对应的累计值。上述技术方案中，在确定出第k个图像的车辆为静止车辆时，根据遗忘因子和第k-1个图像的累计值确定出第k个图像的累计值，具体的，确定遗忘因子和第k-1个图像的累计值的乘积，并将该乘积确定为第k个图像的累计值，采用遗忘因子可以过滤掉偶然出现的虚警检测结果，从而提高检测的准确性。可选的，所述确定所述道路上车辆出现异常，包括：当所述第k个图像的车辆中静止车辆的总数小于第三阈值时，确定所述道路上出现违章停车；当所述第k个图像的车辆中静止车辆的总数不小于第三阈值时，确定所述道路上出现车辆拥堵。上述技术方案中，在确定出道路上车辆出现异常时，可以根据不同的第k个图像的静止车辆的数量确定出不同的异常情况，当第k个图像的静止车辆的数量小于第三阈值时，确定该道路上出现违章停车；当第k个图像的静止车辆的数量不小于第三阈值时，确定该道路上出现车辆拥堵，针对不同的道路异常情况，可以执行不同的控制策略，从而有效解决异常问题。可选的，所述对各图片上的已标记完成的车辆和所述已标记完成的车辆的坐标进行训练后确定所述深度学习检测模型，包括：获取初始模型和训练样本；所述训练样本中包括多个图片以及各图片上的已标记完成的车辆和所述已标记完成的车辆的坐标；将所述多个图片输入至所述初始模型进行训练学习，得到各图片对应的计算结果；根据各图片对应的计算结果以及所述各图片上的已标记完成的车辆和所述已标记完成的车辆的坐标，调整所述初始模型，直到确定出所述深度学习检测模型。上述技术方案中，通过深度学习检测模型进行车辆检测可以提高检测性能，在多种光线和多种视角下检测到车辆，提高了车辆的检测精度。相应的，本专利技术实施例还提供了一种监控道路上车辆的装置，包括：获取单元，用于获取道路上车辆的监控视频的图像集合；所述图像集合中图像是按预设时间间隔截取所述监控视频得到的；处理单元，用于针对所述图像集合中的第k个图像和第k+1个图像，根据深度学习检测模型，分别确定出所述第k个图像的车辆的坐标和所述第k+1个图像的车辆的坐标；所述k大于等于1；所述深度学习检测模型是对各图片上的已标记完成的车辆和所述已标记完成的车辆的坐标进行训练后确定的；根据所述第k个图像的车辆的坐标和所述第k+1个图像的车辆的坐标，确定所述第k个图像的车辆和所述第k+1个图像的车辆之间的车辆距离；根据所述车辆距离，确定所述第k个图像中静止车辆的数量；在确定所述第k个图像中静止车辆的数量大于零之后，根据遗忘因子和第k-1个图像对应的累计值，确定所述第k个图像对应的累计值；当所述第k个图像对应的累计值大于第二阈值时，确定所述道路上车辆出现异常。可选的，所述处理单元还用于：判断所述车辆距离是否小于第一阈值，若是，则确定所述第k个图像的车辆是静止车辆；统计所述第k个图像中所述静止车辆的数量。可选的，所述处理单元还用于：在控制所述获取单元获取道路上车辆的监控视频的图像集合之前，将初始累计值清零。可选的，所述处理单元具体用于：确定所述遗忘因子和所述第k-1个图像对应的累计值的乘积；将所述乘积加1后确定为所述第k个图像对应的累计值。可选的，所述处理单元还用于：在确定所述第k个图像中静止车辆的数量等于零之后，确定所述遗忘因子和所述第k-1个图像对应的累计值的乘积；将所述乘积确定为所述第k个图像对应的累计值。可选的，所述处理单元具体用于：当所述第k个图像的车辆中静止本文档来自技高网...

【技术保护点】
1.一种监控道路上车辆的方法，其特征在于，包括：获取道路上车辆的监控视频的图像集合；所述图像集合中图像是按预设时间间隔截取所述监控视频得到的；针对所述图像集合中的第k个图像和第k+1个图像，根据深度学习检测模型，分别确定出所述第k个图像的车辆的坐标和所述第k+1个图像的车辆的坐标；所述k大于等于1；所述深度学习检测模型是对各图片上的已标记完成的车辆和所述已标记完成的车辆的坐标进行训练后确定的；根据所述第k个图像的车辆的坐标和所述第k+1个图像的车辆的坐标，确定所述第k个图像的车辆和所述第k+1个图像的车辆之间的车辆距离；根据所述车辆距离，确定所述第k个图像中静止车辆的数量；在确定所述第k个图像中静止车辆的数量大于零之后，根据遗忘因子和第k‑1个图像对应的累计值，确定所述第k个图像对应的累计值；当所述第k个图像对应的累计值大于第二阈值时，确定所述道路上车辆出现异常。

【技术特征摘要】
1.一种监控道路上车辆的方法，其特征在于，包括：获取道路上车辆的监控视频的图像集合；所述图像集合中图像是按预设时间间隔截取所述监控视频得到的；针对所述图像集合中的第k个图像和第k+1个图像，根据深度学习检测模型，分别确定出所述第k个图像的车辆的坐标和所述第k+1个图像的车辆的坐标；所述k大于等于1；所述深度学习检测模型是对各图片上的已标记完成的车辆和所述已标记完成的车辆的坐标进行训练后确定的；根据所述第k个图像的车辆的坐标和所述第k+1个图像的车辆的坐标，确定所述第k个图像的车辆和所述第k+1个图像的车辆之间的车辆距离；根据所述车辆距离，确定所述第k个图像中静止车辆的数量；在确定所述第k个图像中静止车辆的数量大于零之后，根据遗忘因子和第k-1个图像对应的累计值，确定所述第k个图像对应的累计值；当所述第k个图像对应的累计值大于第二阈值时，确定所述道路上车辆出现异常。2.如权利要求1所述的方法，其特征在于，所述根据所述车辆距离，确定所述第k个图像中静止车辆的数量，包括：判断所述车辆距离是否小于第一阈值，若是，则确定所述第k个图像的车辆是静止车辆；统计所述第k个图像中所述静止车辆的数量。3.如权利要求1所述的方法，其特征在于，在所述获取道路上车辆的监控视频的图像集合之前，还包括：将初始累计值清零。4.如权利要求1所述的方法，其特征在于，所述根据遗忘因子和第k-1个图像对应的累计值，确定所述第k个图像对应的累计值，包括：确定所述遗忘因子和所述第k-1个图像对应的累计值的乘积；将所述乘积加1后确定为所述第k个图像对应的累计值。5.如权利要求1所述的方法，其特征在于，还包括：在确定所述第k个图像中静止车辆的数量等于零之后，确定所述遗忘因子和所述第k-1个图像对应的累计值的乘积；将所述乘积确定为所述第k个图像对应的累计值。6.如权利要求1所述的方法，其特征在于，所述确定所述道路上车辆出现异常，包括：当所述第k个图像的车辆中静止车辆的总数小于第三阈值时，确定所述道路上出现违章停车；当所述第k个图像的车辆中静止车辆的总数不小于第三阈值时，确定所述道路上出现车辆拥堵。7.如权利要求1至6任一项所述的方法，其特征在于，所述对各图片上的已标记完成的车辆和所述已标记完成的车辆的坐标进行训练后确定所述深度学习检测模型，包括：获取初始模型和训练样本；所述训练样本中包括多个图片以及各图片上的已标记完成的车辆和所述已标记完成的车辆的坐标；将所述多个图片输入至所述初始模型进行训练学习，得到各图片对应的计算结果；根据各图片对应的计算结果以及所述各图片上的已标记完成的车辆和所述已标记完成的车辆的坐标，调整所述初始模型，直到确定出所述深度学习检测模型。8.一种监控道路上车辆的装置，其特征在于，包括：获取单元，用于获取道路上车辆的监控视频的图像集...

【专利技术属性】
技术研发人员：陈海波，
申请(专利权)人：深兰科技上海有限公司，
类型：发明
国别省市：上海,31