CN111627224A - 车辆速度异常检测方法、装置、设备及存储介质 - Google Patents
车辆速度异常检测方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN111627224A CN111627224A CN201910152794.6A CN201910152794A CN111627224A CN 111627224 A CN111627224 A CN 111627224A CN 201910152794 A CN201910152794 A CN 201910152794A CN 111627224 A CN111627224 A CN 111627224A
- Authority
- CN
- China
- Prior art keywords
- target vehicle
- vehicle
- adjacent
- image
- speed
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 79
- 230000005856 abnormality Effects 0.000 title claims description 46
- 238000012544 monitoring process Methods 0.000 claims abstract description 104
- 230000002159 abnormal effect Effects 0.000 claims abstract description 66
- 238000000034 method Methods 0.000 claims abstract description 65
- 238000012216 screening Methods 0.000 claims description 18
- 230000001960 triggered effect Effects 0.000 claims description 9
- 230000035945 sensitivity Effects 0.000 claims description 7
- 238000012545 processing Methods 0.000 abstract description 9
- 238000005516 engineering process Methods 0.000 abstract description 7
- 230000008569 process Effects 0.000 description 13
- 238000010586 diagram Methods 0.000 description 12
- 230000006870 function Effects 0.000 description 10
- 238000013527 convolutional neural network Methods 0.000 description 5
- 230000003993 interaction Effects 0.000 description 5
- 238000013461 design Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 3
- 238000003062 neural network model Methods 0.000 description 3
- 238000011897 real-time detection Methods 0.000 description 3
- 206010063385 Intellectualisation Diseases 0.000 description 2
- 206010039203 Road traffic accident Diseases 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000009191 jumping Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000002085 persistent effect Effects 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
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
- G08G1/052—Detecting movement of traffic to be counted or controlled with provision for determining speed or overspeed
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01P—MEASURING LINEAR OR ANGULAR SPEED, ACCELERATION, DECELERATION, OR SHOCK; INDICATING PRESENCE, ABSENCE, OR DIRECTION, OF MOVEMENT
- G01P3/00—Measuring linear or angular speed; Measuring differences of linear or angular speeds
- G01P3/64—Devices characterised by the determination of the time taken to traverse a fixed distance
- G01P3/68—Devices characterised by the determination of the time taken to traverse a fixed distance using optical means, i.e. using infrared, visible, or ultraviolet light
-
- 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
- G08G1/04—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
- G08G1/01—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
- G08G1/054—Detecting movement of traffic to be counted or controlled with provision for determining speed or overspeed photographing overspeeding vehicles
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Traffic Control Systems (AREA)
- Image Analysis (AREA)
Abstract
本发明实施例公开了一种车辆速度异常检测方法、装置、设备及存储介质。方法包括：获取当前道路的监控图像；基于所述监控图像获取目标车辆在参考距离范围内的平均速度，所述目标车辆为所述监控图像中出现的车辆；基于获取的平均速度确定所述目标车辆是否满足速度异常条件，若满足，则触发报警。本申请基于图像处理技术，提供了有效的车辆速度异常检测方式，且还可以提高检测结果的准确性。
Description
技术领域
本发明实施例涉及智能交通技术领域，特别涉及一种车辆速度异常检测方法、装置、设备及存储介质。
背景技术
车辆在行驶过程中，如果没有按照规定速度行驶，例如车辆低速行驶(缓行)和车辆速度骤降，很容易发生交通事故，因此，有必要对车辆速度进行检测。
目前，存在一种低速车辆车速检测系统，可以检测车辆是否缓行，该系统主要包括车速感测模块、控制器和存储器。其中，车速感测模块镶嵌于路面上，车速感测模块内存在多个车速感测单元，每个车速感测单元以一定距离沿道路放置。车速感测模块上的任一车速感测单元都可以检测道路上车辆的速度，车辆经过镶嵌在路面上的车速感测模块，车速感测模块的每一个车速感测单元都会将车辆的速度发送给控制器，控制器会将每个车速感测单元发送的车辆的速度结合起来判断车辆的速度是否符合要求。
然而，由于上述车速检测方式比较依赖车速感测单元与控制器之间的信号交互，任一车速感测单元与控制器的信号交互容易受干扰，影响系统的正常工作；此外，车辆检测模块镶嵌入路面，每个车速感测单元与车辆之间的距离远近不同，车速感测单元检测到的速度也会不同，导致检测结果准确性不高。
发明内容
本发明实施例提供了一种车辆速度异常检测方法、装置、设备及存储介质，可用于解决相关技术中的问题。所述技术方案如下：
一方面，本发明实施例提供一种车辆速度异常检测方法，所述方法包括：
获取当前道路的监控图像；
基于所述监控图像获取目标车辆在参考距离范围内的平均速度，所述目标车辆为所述监控图像中出现的车辆；
若基于获取的平均速度确定所述目标车辆满足速度异常条件，则触发报警。
可选地，所述基于所述监控图像获取目标车辆在参考距离范围内的平均速度，包括：
基于所述监控图像获取目标车辆每经过相邻两条抓拍线的平均速度，抓拍线的数量为三条或三条以上，每组相邻两条抓拍线对应所述当前道路的距离相同，且每组相邻两条抓拍线对应所述当前道路的距离均在所述参考距离范围内。
可选地，所述相邻两条抓拍线包括相邻的第一抓拍线和第二抓拍线，以及相邻的第二抓拍线与第三抓拍线；
所述基于所述监控图像获取目标车辆每经过相邻两条抓拍线的平均速度，包括：基于所述监控图像获取目标车辆经过相邻的第一抓拍线和第二抓拍线的第一平均速度V1，基于所述监控图像获取目标车辆经过相邻的第二抓拍线和第三抓拍线的第二平均速度V2；
所述若基于获取的平均速度确定所述目标车辆满足速度异常条件，则触发报警，包括：若所述V2<μV1，则所述目标车辆满足速度异常条件，触发报警，其中，所述μ为灵敏度阈值。
可选地，所述相邻两条抓拍线还包括相邻的第三抓拍线和第四抓拍线；
所述基于所述监控图像获取目标车辆每经过相邻两条抓拍线的平均速度，还包括：基于所述监控图像获取目标车辆经过相邻的第三抓拍线和第四抓拍线的第三平均速度V3；
所述若基于获取的平均速度确定所述目标车辆满足速度异常条件，则触发报警，包括：若所述V3<μV2，则所述目标车辆满足速度异常条件，触发报警。
可选地，所述基于所述监控图像获取目标车辆每经过相邻两条抓拍线的平均速度，包括：
对所述监控图像中出现的目标车辆进行图像跟踪；
根据图像跟踪结果获取所述目标车辆的相关属性，所述相关属性包括所述目标车辆的目标轨迹信息；
根据所述目标车辆的相关属性记录所述目标车辆经过相邻两条抓拍线的时间，基于所述目标车辆经过相邻两条抓拍线的时间以及相邻两条抓拍线对应所述当前道路的距离确定所述目标车辆经过相邻两条抓拍线的平均速度。
可选地，所述根据图像跟踪结果获取所述目标车辆的相关属性，包括：
对图像跟踪结果中出现的异常车辆进行筛选；
将筛选后的正常车辆与所述监控图像中出现的车辆进行关联匹配；
若关联匹配成功，则基于关联匹配成功的图像跟踪结果获取目标车辆的相关属性。
可选地，所述对图像跟踪结果中出现的异常车辆进行筛选，包括：
检测图像跟踪结果中出现尺寸异常的车辆，将所述尺寸异常的车辆作为异常车辆进行筛选。
可选地，所述将筛选后的正常车辆与所述监控图像中出现的车辆进行关联匹配，包括：
获取筛选后的正常车辆与所述监控图像中出现的车辆的重合度；
若所述筛选后的正常车辆与所述监控图像中出现的车辆的重合度大于阈值，则关联匹配成功。
可选地，所述基于关联匹配成功的图像跟踪结果获取目标车辆的相关属性，包括：
获取所述目标车辆在所述关联匹配成功的图像跟踪结果中的各个位置；
根据所述目标车辆在所述关联匹配成功的图像跟踪结果中的各个位置获取所述目标车辆的目标轨迹信息，得到所述目标车辆的相关属性。
可选地，所述方法还包括：
若关联匹配失败，则根据图像跟踪结果对目标车辆进行跟踪预测，基于跟踪预测结果获取目标车辆的相关属性。
可选地，所述方法还包括：
对目标车辆进行车牌识别，并将车牌识别结果与所述目标车辆进行关联；
所述触发报警，包括：输出报警信息及所述车牌识别结果。
可选地，所述方法还包括：
对目标车辆进行车牌识别；
若未识别出车牌，则触发报警，输出报警信息。
可选地，所述方法还包括：
若未识别出车牌，且所述目标车辆未离开监控范围，则缓存当前报警信息；
所述触发报警，输出报警信息，包括：
在车辆离开监控范围后，触发报警，输出报警信息。
一方面，提供了一种车辆速度检测装置，所述装置包括：
第一获取模块，用于获取当前道路的监控图像；
第二获取模块，用于基于所述监控图像获取目标车辆在参考距离范围内的平均速度，所述目标车辆为所述监控图像中出现的车辆；
报警模块，用于若基于获取的平均速度确定所述目标车辆满足速度异常条件，则触发报警。
可选地，所述第二获取模块，用于基于所述监控图像获取目标车辆每经过相邻两条抓拍线的平均速度，抓拍线的数量为三条或三条以上，每组相邻两条抓拍线对应所述当前道路的距离相同，且每组相邻两条抓拍线对应所述当前道路的距离均在所述参考距离范围内。
可选地，所述相邻两条抓拍线包括相邻的第一抓拍线和第二抓拍线，以及相邻的第二抓拍线与第三抓拍线；
所述第二获取模块，用于基于所述监控图像获取目标车辆经过相邻的第一抓拍线和第二抓拍线的第一平均速度V1，基于所述监控图像获取目标车辆经过相邻的第二抓拍线和第三抓拍线的第二平均速度V2；
所述报警模块，用于若所述V2<μV1，则所述目标车辆满足速度异常条件，触发报警，其中，所述μ为灵敏度阈值。
可选地，所述相邻两条抓拍线还包括相邻的第三抓拍线和第四抓拍线；
所述第二获取模块，还用于基于所述监控图像获取目标车辆经过相邻的第三抓拍线和第四抓拍线的第三平均速度V3；
所述报警模块，还用于若所述V3<μV2，则确定所述目标车辆满足速度异常条件，触发报警。
可选地，所述第二获取模块，包括：
图像跟踪单元，用于对所述监控图像中出现的目标车辆进行图像跟踪；
获取单元，用于根据图像跟踪结果获取所述目标车辆的相关属性，所述相关属性包括所述目标车辆的目标轨迹信息；
记录单元，用于根据所述目标车辆的相关属性记录所述目标车辆经过相邻两条抓拍线的时间；
确定单元，用于基于所述目标车辆经过相邻两条抓拍线的时间以及相邻两条抓拍线对应所述当前道路的距离确定所述目标车辆经过相邻两条抓拍线的平均速度。
可选地，所述获取单元，包括：
筛选子单元，用于对图像跟踪结果中出现的异常车辆进行筛选；
匹配子单元，用于将筛选后的正常车辆与所述监控图像中出现的车辆进行关联匹配；
获取子单元，用于若关联匹配成功，则基于关联匹配成功的图像跟踪结果获取目标车辆的相关属性。
可选地，所述筛选子单元，用于检测图像跟踪结果中出现尺寸异常的车辆，将所述尺寸异常的车辆作为异常车辆进行筛选。
可选地，所述匹配子单元，用于获取筛选后的正常车辆与所述监控图像中出现的车辆的重合度；若所述筛选后的正常车辆与所述监控图像中出现的车辆的重合度大于阈值，则关联匹配成功。
可选地，所述获取子单元，用于获取所述目标车辆在所述关联匹配成功的图像跟踪结果中的各个位置；根据所述目标车辆在所述关联匹配成功的图像跟踪结果中的各个位置获取所述目标车辆的目标轨迹信息，得到所述目标车辆的相关属性。
可选地，所述获取单元，还包括：
预测子单元，用于若关联匹配失败，则根据图像跟踪结果对目标车辆进行跟踪预测，基于跟踪预测结果获取目标车辆的相关属性。
可选地，所述装置还包括：
识别模块，用于对目标车辆进行车牌识别；
关联模块，用于将车牌识别结果与所述目标车辆进行关联；
所述报警模块，用于输出报警信息及所述车牌识别结果。
可选地，所述装置还包括：
识别模块，用于对目标车辆进行车牌识别；
所述报警模块，还用于若未识别出车牌，则触发报警，输出报警信息。
可选地，所述装置还包括：
缓存模块，用于若未识别出车牌，且所述目标车辆未离开监控范围，则缓存当前报警信息；
所述报警模块，用于在车辆离开监控范围后，触发报警，输出报警信息。
一方面，提供了一种计算机设备，所述计算机设备包括处理器和存储器，所述存储器中存储有至少一条指令，所述至少一条指令在被所述处理器执行时实现上述任一种车辆速度异常检测方法。
一方面，提供了一种计算机可读存储介质，所述计算机可读存储介质中存储有至少一条指令，所述至少一条指令在被执行时实现上述任一种车辆速度异常检测方法。
本发明实施例提供的技术方案至少可以带来如下有益效果：
基于图像处理技术，获取监控图像中出现的目标车辆在参考距离范围内的平均速度，并据此检测速度异常，由于无需依赖车速感测单元与控制器之间的信号交互，也就不存在车速感测单元与控制器之间的信号容易受干扰的问题，因而提供了更加有效的车辆速度异常检测方式。此外，采用图像处理的方式检测速度异常，无需依赖车速感测单元，不受车速感测单元与车辆距离远近的影响，因而可以提高检测结果的准确性。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，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是本发明实施例提供的一种实施场景的示意图；
图2是本发明实施例提供的一种系统框架结构示意图；
图3是本发明实施例提供的一种系统框架结构示意图；
图4是本发明实施例提供的一种车辆速度异常检测方法流程图；
图5是本发明实施例提供的一种目标检测过程示意图；
图6是本发明实施例提供的一种目标跟踪过程示意图；
图7是本发明实施例提供的一种车辆速度异常检测的抓拍示意图；
图8是本发明实施例提供的一种车牌识别的过程示意图；
图9是本发明实施例提供的一种车辆速度异常检测方法示意图；
图10是本发明实施例提供的一种车辆速度异常检测装置的结构示意图；
图11是本发明实施例提供的一种车辆速度异常检测装置的结构示意图；
图12是本发明实施例提供的一种车辆速度异常检测装置的结构示意图；
图13是本发明实施例提供的一种车辆速度异常检测装置的结构示意图；
图14是本发明实施例提供的一种服务器的结构示意图。
具体实施方式
为使本申请的目的、技术方案和优点更加清楚，下面将结合附图对本发明实施方式作进一步地详细描述。
车辆在行驶过程中，如果没有按照规定速度行驶，例如车辆低速行驶(缓行)和车辆速度骤降等异常事件，很容易发生交通事故，对此，本发明实施例提供了一种车辆速度检测方法，该方法通过结合目标检测(深度学习)、目标跟踪和车辆速度的异常事件分析等模块，最终实现全局的车辆速度异常事件检测。
以图1所示的实施场景为例，可在检测的道路环境中设置用于拍摄道路图像的摄像机，该摄像机可与服务器进行通信，以将拍摄的图像发送至服务器，由服务器根据道路图像进行车辆速度异常检测。此外，本发明实施例提供的车辆速度异常检测方法可同时支持正向和背向的车辆速度异常事件抓拍。其中，异常事件包括但不限于速度骤降、速度缓慢或速度骤增等事件，而这些异常事件均可通过本发明实施例提供的速度异常检测方法进一步确定。进一步地，图1中，虚线框为牌识区域，本发明实施例的监控距离可以100米左右为例。当然，还可以选择其他监控距离，本发明实施例对此不加以限定。
基于图1所示的实施环境，本发明实施例提供的车辆速度异常检测方法可先对目标车辆进行检测并跟踪，再根据目标车辆的运行轨迹对目标车辆的速度进行检测，进而对是否发生速度骤降等异常事件进行分析，得到异常事件的检测结果。该方法可应用于如图2所示的车辆速度异常检测系统中，该车辆速度异常检测系统的框架主要包括4个模块：1)参数输入模块101；2)目标检测模块102；3)目标跟踪模块103；4)车辆速度异常事件触发模块104。可选地，参见图3，该系统还包括：5)车牌识别模块105。
其中，上述各个模块的介绍如下：
参数输入模块101：该模块输入的参数主要指用于分析车辆速度异常事件的外置信息，包括车道线参数、车道属性、速度异常抓拍线参数、牌识区域等，该参数输入模块101主要由用户根据实际场景配置参数。进一步地，上述各个参数如下：
车道线参数：根据实际车道线配置车道区域，可选地，本发明实施例提供的方法可仅对车道区域内的目标车辆进行分析；
车道属性参数：根据实际车道属性配置，如机动车道、非机动车道等，可选地，本发明实施例提供的方法以针对机动车道中的车辆为例；
速度异常抓拍线参数：需配置参考数量(例如4条)速度异常抓拍线，结合目标轨迹和到达抓拍线的时间，对抓拍线区域的车辆平均速度进行实时监控，分析是否发生速度骤降等异常事件；
牌识区域：如图1所示，按照实际场景配置牌识区域，以保证车牌大小在参考像素(例如：80像素～200像素)之间，若未配置该区域，则可在执行车牌识别方法时自动生成。
目标检测模块102：该模块基于深度学习技术，实现车辆的实时检测。该模块可主要运行在高性能硬件平台，从而可以提高运行速度，以快速检测出车辆。
目标跟踪模块103：该模块记录车辆的标识id以及轨迹等信息。
车辆速度异常事件触发模块104：该模块基于车辆轨迹信息，实现速度骤降等异常事件分析并抓拍。
车牌识别模块105：该模块用于对发生速度异常事件的车辆进行车牌识别，以实现取证及报警操作。
接下来，基于上述实施场景及系统架构，介绍本发明实施例提供的方法。参见图4，本发明实施例提供的车辆速度异常检测方法可应用于服务器中，该方法包括如下几个步骤。
在步骤401中，获取当前道路的监控图像。
由于被检测的道路上预先安装有用于拍摄图像的摄像机，因而针对任一被检测的道路，可通过该道路上安装的摄像机来获取当前道路的监控图像。当摄像机获取当前道路的监控图像后，将该监控图像发送至服务器。
在步骤402中，基于监控图像获取目标车辆在参考距离范围内的平均速度，目标车辆为监控图像中出现的车辆。
可选地，基于监控图像获取目标车辆在参考距离范围内的平均速度，包括：基于监控图像获取目标车辆每经过相邻两条抓拍线的平均速度，抓拍线的数量为三条或三条以上，每组相邻两条抓拍线对应当前道路的距离相同，且每组相邻两条抓拍线对应当前道路的距离均在参考距离范围内。
其中，抓拍线的数量为至少三条，即三条或三条以上。该抓拍线的数量可以根据应用场景进行设置，例如，4条或者6条等，本发明实施例不对抓拍线的数量进行限定。针对设置的抓拍线，每组相邻两条抓拍线对应当前道路的距离相同，且每组相邻两条抓拍线对应当前道路的距离均在参考距离范围内，以保证根据抓拍线检测到的速度更具参考性。可选地，基于监控图像获取目标车辆每经过相邻两条抓拍线的平均速度包括但不限于如下子步骤4021-4024：
子步骤4021，对监控图像中出现的目标车辆进行图像跟踪。
针对该步骤，可通过图像检测技术对获取到的当前道路的监控图像进行车辆识别，例如，先对当前道路的监控图像中的车道区域进行定位，之后再在车道区域的目标车道上检测是否出现车辆，在检测到监控图像中车道区域内的目标车道上出现车辆后，再对出现的目标车辆进行图像跟踪。
其中，检测是否出现车辆时，可采用神经网络模型实现，例如，以图2或图3中所示的目标检测模块102实现车辆检测为例。该目标检测模块102主要包括样本标定、模型设计训练以及目标检测三个部分，如图5所示。其中，各部分的功能如下：
样本标定，主要包括样本整理及样本标定，例如，预先整理出不同时间段，不同天气，不同架设，不同场景的道路交通图片样本(以20万个样本为例)，并对图片样本中的车辆(货车、大巴、小型车)、行人(行人、自行车、三轮车)、路障等目标进行标定。需要说明的是，之所以对多类目标进行标定，主要考虑到后续新功能的设计以及优化，比如不礼让行人事件抓拍等，使得本发明实施例提供的方案具有很强的可移植性和可扩展性。
模型设计训练，即获取检测模型。该过程可基于CNN(Convolutional NeuralNetwork，神经网络模型)，如网络模型R-CNN(Regions with CNN features，基于卷积神经网络特征的区域)系列或者YOLO/SSD(Single Shot MultiBoxDetector，单发多盒检测器)系列，并经过适当的模型裁剪、定点化，对模型进行大小、耗时优化，得到初始网络模型，从而达到实时检测的要求。
其中，RCNN是将CNN方法应用到目标检测中，YOLO是只通过CNN网络，就能够实现目标的定位和识别。SSD具有更好的精度，即使输入图像尺寸更小。SSD和YOLO一样简单，但是SSD比YOLO快，比YOLO精确。因此，采用哪种检测模型，本发明实施例对此不加以限定。在得到初始网络模型后，可对得到的初始网络模型进行训练，例如，对已标定的图片样本进行训练，本申请中基于caffe环境，对初始网络模型迭代100万次达到收敛，得到检测模型。
目标检测，该过程主要是将当前帧图像转换为RGB(Red Green Blue，红绿蓝)格式，并输入至上述检测模型，由检测模型最终解析得到当前帧所有检测目标队列，即检测出现的车辆。需要说明的是，除了将图像转换为RGB格式再输入至检测模型外，还可以转换成其他格式，如YUV格式等，本发明实施例对此不加以限定。
在检测到出现的目标车辆后，可通过图2或图3所示目标跟踪模块103来实现对出现的目标车辆进行图像跟踪。该目标跟踪模块103主要对目标检测模块102中检测到的出现的目标车辆进行实时跟踪，并记录车辆的相关属性，如车辆id、车牌号、车辆位置、车辆轨迹等信息。
其中，实时跟踪得到的图像跟踪结果可以是多张图像，每张图像中记录有当前道路出现的目标车辆的情况。比如，图像跟踪结果包括5张图像，分别为图像1-5。其中，图像1是时间为10:10:01时拍摄的图像，图像2是时间为10:10:02时拍摄的图像，图像3是时间为10:10:03时拍摄的图像，图像4是时间为10:10:04时拍摄的图像，图像5是时间为10:10:05时拍摄的图像。对于同一目标车辆而言，由于其一直是在道路上行驶，因而在道路上的位置是不同的，因而根据不同时间拍摄的图像可实现对该目标车辆的图像跟踪。
子步骤4022，根据图像跟踪结果获取目标车辆的相关属性，相关属性包括目标车辆的目标轨迹信息。
考虑到有时候图像跟踪结果会有误差，比如某些车辆被遮挡或者因拍摄角度等问题未被拍到等情况，导致在监控图像中出现的目标车辆在后续的图像跟踪结果中出现异常。对此，本发明实施例提供的方法支持对这类异常车辆进行筛选，以提高速度检测效率以及准确性。可选地，根据图像跟踪结果获取目标车辆的相关属性，包括：对图像跟踪结果中出现的异常车辆进行筛选；将筛选后的正常车辆与监控图像中出现的车辆进行关联匹配；若关联匹配成功，则基于关联匹配成功的图像跟踪结果获取目标车辆的相关属性。
可选地，对图像跟踪结果中出现的异常车辆进行筛选，包括但不限于检测图像跟踪结果中出现尺寸异常的车辆，将尺寸异常的车辆作为异常车辆进行筛选。其中，由于一般车辆尺寸在图像跟踪结果中的比例是在一定合理范围内的，因而可将车辆在图像跟踪结果中的尺寸占比超过占比阈值的情况作为尺寸异常。比如，车辆在图像跟踪结果中的尺寸占比超过90％，则认为属于尺寸异常，将该种车辆筛选掉，避免影响速度检测的准确性。经过筛选之后的车辆可以作为目标车辆继续后面的速度检测流程。当然，除采用上述尺寸异常的方式来判断是否为异常车辆的方式外，还可以采用其他判断是否为异常车辆的方式，本发明实施例对此不加以限定。且在确定尺寸异常时，上述占比阈值可以根据经验确定，也可以根据检测情况人工设置，还可以根据情况进行调整。
进一步地，将筛选后的正常车辆与监控图像中出现的车辆进行关联匹配，是为了将筛选后的正常车辆与监控图像中出现的车辆对应上，将属于同一车辆的图像归类，以便于针对同一车辆进行速度检测。可选地，关联匹配的方式包括：获取筛选后的正常车辆与监控图像中出现的车辆的重合度；若筛选后的正常车辆与监控图像中出现的车辆的重合度大于阈值，则关联匹配成功。其中，重合度代表两个车辆的相似程度，如果两个图像中的车辆的重合度大于阈值，说明很有可能是同一车辆，此种情况下确定为关联匹配成功，则可进一步基于关联匹配成功的图像跟踪结果获取目标车辆的相关属性。
其中，目标车辆的相关属性可反映该车辆的一些信息，包括但不限于目标车辆的目标轨迹信息，该目标轨迹信息用于指示车辆的行驶轨迹。例如，基于车辆在道路上的位置，可得到车辆的行驶轨迹，进而得到目标轨迹信息。该目标轨迹信息包括但不限于目标车辆的行驶轨迹，还包括目标车辆在每个位置的位置及时间。可选地，针对相关属性包括车辆的目标轨迹信息的情况，获取目标车辆的相关属性的方式，包括：获取目标车辆在关联匹配成功的图像跟踪结果中的各个位置；根据目标车辆在关联匹配成功的图像跟踪结果中的各个位置获取目标车辆的目标轨迹信息，得到目标车辆的相关属性。其中，获取目标车辆在关联匹配成功的图像跟踪结果中的各个位置时，可通过图像检测实现。例如，对关联匹配成功的图像跟踪结果中的车辆进行定位，得到车辆在该图像中相对于道路的位置。
此外，针对监控图像中出现多个车辆，后续对多个车辆分别进行图像跟踪结果，且有多个车辆均关联匹配成功的情况，为了区分不同的车辆，本发明实施例提供的方法还包括对每个车辆设置车辆标识ID的过程。这样，针对每个车辆ID，即可确定一个车辆，则目标车辆的车辆ID也可以作为目标车辆的相关属性。
进一步地，考虑到有些车辆虽然关联匹配失败，但由于其出现在了监控图像中，本发明实施例提供的方法还包括：若关联匹配失败，则根据图像跟踪结果对目标车辆进行跟踪预测，基于跟踪预测结果获取目标车辆的相关属性。通过对关联匹配失败的目标车辆进行跟踪预测，使得能够获取目标车辆的相关属性，进而可以使得检测的目标车辆更为全面。其中，关于对目标车辆进行跟踪预测的方式，本发明实施例不加以限定。可选地，可通过神经网络模型实现。例如，利用目标车辆的颜色直方图模型将关联匹配失败的图像跟踪结果对应的图像转换为颜色概率分布图，初始化一个搜索窗的大小和位置，并根据上一帧得到的车牌框自适应调整搜索窗口的位置和大小，从而定位出当前图像中目标车辆的中心位置，记录当前帧目标车辆的位置、轨迹等相关属性。
仍以目标跟踪模块103实现车辆的图像跟踪为例，如图6所示，该目标跟踪模块103主要包括目标预处理单元，目标匹配单元和目标跟踪预测单元。下面，将对目标跟踪模块103的各个单元作进一步描述。
目标预处理单元，主要对目标检测模块102中异常目标(目标尺度异常)进行实时过滤；
目标匹配单元，主要实现目标车辆的关联匹配，即逐一计算图像跟踪结果中的车辆与监控图像得到的车辆跟踪队列中的目标框重合度，即计算图像跟踪结果筛选后的正常车辆与监控图像中出现的车辆的重合度。若重合度大于阈值T1，则目标车辆关联匹配成功，认为当前检测到的目标车辆与监控图像得到的车辆跟踪队列中的目标车辆为同一车辆，更新该目标车辆的位置；若匹配失败，则考虑目标跟踪单元。
目标跟踪预测单元，作为目标匹配单元的辅助项，若目标车辆关联匹配成功，则优先更新匹配成功的目标车辆的检测框，若匹配失败，则更新跟踪预测结果。该单元采用camshift模型实现目标车辆的预测跟踪，利用目标车辆的颜色直方图模型将关联匹配失败的图像跟踪结果对应的图像转换为颜色概率分布图，初始化一个搜索窗的大小和位置，并根据上一帧得到的车牌框自适应调整搜索窗口的位置和大小，从而定位出当前图像中目标车辆的中心位置，记录当前帧目标车辆的位置、轨迹等相关属性，并更新当前帧的匹配模板，用于后续的关联匹配。
子步骤4023，根据目标车辆的相关属性记录目标车辆经过相邻两条抓拍线的时间。
由于已经获取到目标车辆的相关属性，而相关属性中包括目标车辆的目标轨迹信息，该目标轨迹信息不仅包括目标车辆的行驶轨迹，还包括目标车辆所处位置及时间，那么，可据此得到目标车辆经过预设的相邻两条抓拍线的时间。
子步骤4024，基于目标车辆经过相邻两条抓拍线的时间以及相邻两条抓拍线对应当前道路的距离，确定目标车辆经过相邻两条抓拍线的平均速度。
由于速度可根据距离与时间来确定，因而在获取到目标车辆经过相邻两条抓拍线的时间以及相邻两条抓拍线对应当前道路的距离后，可基于该相邻两条抓拍线对应当前道路的距离与时间的商来确定目标车辆经过相邻两条抓拍线的平均速度。当然，如果采用不同的单位，还可以得出该相邻两条抓拍线对应当前道路的距离与时间的商之后，再乘以相应的单位换算数值，将得到的乘积作为目标车辆经过相邻两条抓拍线的平均速度。本发明实施例不对相邻两条抓拍线对应当前道路的距离及时间的单位进行限定，同样不对平均速度的单位进行限定，可根据应用场景或应用需求来定。
例如，以相邻两条抓拍线分别为相邻的第一抓拍线和第二抓拍线为例。如果目标车辆经过第一抓拍线的时间为00:00:01，目标车辆经过第二抓拍线的时间为00:00:02，时间单位以秒为例，那么目标车辆经过第一抓拍线和第二抓拍线的总时长为1秒。如果第一抓拍线与第二抓拍线对应当前道路的距离为100米为例，则目标车辆经过相邻两条抓拍线的平均速度为100米/秒，即目标车辆经过相邻的第一抓拍线和第二抓拍线的平均速度为100米/秒。
可选地，除上述基于抓拍线确定平均速度的方式外，本发明实施例提供的方法还支持其他获取平均速度的方式。例如，基于监控图像获取目标车辆在参考距离范围内的平均速度，包括：以摄像机拍摄区域对应当前道路的距离作为参考距离范围，基于两个不同时刻的监控图像获取目标车辆在该两个不同时刻位于摄像机拍摄区域内的距离差，根据该距离差与该两个不同时刻之间的时长来确定目标车辆在参考距离范围内的平均速度。
例如，摄像机拍摄区域对应当前道路的距离为100米，即参考距离范围是100米，而监控图像在目标车辆行驶于当前道路方向上的大小为10厘米，则监控图像中每1厘米的长度对应当前道路的距离为10米。若在00:10:01这个时刻拍摄到的监控图像中，目标车辆位于监控图像中第2厘米处，而在00:10:02这个时刻拍摄到的监控图像中，目标车辆位于监控图像中第8厘米处。那么，目标车辆在该两个不同时刻位于监控图像内的距离差大小为6厘米，而该6厘米对应当前道路的距离(即在摄像机拍摄区域内的距离差)为60米，两个不同时刻的时长为1秒，那么目标车辆的平均速度为60米/秒。
应当理解的是，上述基于距离差确定平均速度的方式是将目标车辆在监控图像中的距离差转换成目标车辆在摄像机拍摄区域内的距离差，而目标车辆在监控图像中的距离(如上述例子中的2厘米处和8厘米处)可以按照目标车辆在监控图像中的垂直距离来确定。例如，以监控图像中与目标车辆行驶方向一致的一条边作为参照边，将目标车辆在监控图像中的位置到该参照边的垂直距离作为目标车辆在监控图像中的距离。
在步骤403中，若基于获取的平均速度确定目标车辆满足速度异常条件，则触发报警。
以设置三条抓拍线，按照目标车辆的行驶方向，这三条抓拍线分别为第一抓拍线、第二抓拍线及第三抓拍线为例，则相邻两条抓拍线包括相邻的第一抓拍线和第二抓拍线，以及相邻的第二抓拍线与第三抓拍线；其中，目标车辆按照由第一抓拍线经过第二抓拍线，再经过第三抓拍线的方向行驶。可选地，基于监控图像获取目标车辆每经过相邻两条抓拍线的平均速度，包括：
基于监控图像获取目标车辆经过相邻的第一抓拍线和第二抓拍线的第一平均速度V1，基于监控图像获取目标车辆经过相邻的第二抓拍线和第三抓拍线的第二平均速度V2；
基于获取的平均速度确定目标车辆是否满足速度异常条件，包括：若V2<μV1，则目标车辆满足速度异常条件。也就是说，若基于获取的平均速度确定目标车辆满足速度异常条件，则触发报警，包括：若V2<μV1，则目标车辆满足速度异常条件，触发报警。其中，μ为灵敏度阈值，该灵敏度阈值μ为可选参数，本发明实施例对此不加以限定，其大小可根据经验设置，也可以人工输入，且本发明实施例还支持对其进行更新。
例如，仍以上述步骤402中目标车辆经过相邻的第一抓拍线和第二抓拍线的第一平均速度V1为100米/秒为例，采用同样的计算方法，计算得到目标车辆经过相邻的第二抓拍线和第三抓拍线的第二平均速度V2为50米/秒，若μ为1，那么，由于50小于1*100，即V2<μV1，则目标车辆满足速度异常条件，说明目标车辆发生了速度骤降事件。
可选地，在上述三条抓拍线的基础上，若还设置有第四抓拍线，则相邻两条抓拍线还包括相邻的第三抓拍线和第四抓拍线；可选地，基于监控图像获取目标车辆每经过相邻两条抓拍线的平均速度，还包括：基于监控图像获取目标车辆经过相邻的第三抓拍线和第四抓拍线的第三平均速度V3；
基于获取的平均速度确定目标车辆是否满足速度异常条件，包括：若V3<μV2，则目标车辆满足速度异常条件。也就是说，若基于获取的平均速度确定所述目标车辆满足速度异常条件，则触发报警，包括：若V3<μV2，则目标车辆满足速度异常条件，触发报警。
应当理解的是，上述仅以检测速度骤降事件为例进行说明，除了速度骤降事件，还可以检测超速、低速等速度异常事件。例如，同样采用上述方式获取目标车辆经过相邻两条抓拍线的平均速度，但在基于获取的平均速度确定目标车辆是否满足速度异常条件时，获取的每个平均速度低于一定阈值，则认为目标车辆满足速度异常条件，说明目标车辆属于低速行驶。或者，获取的平均速度均高于一定阈值，则认为目标车辆满足速度异常条件，说明目标车辆属于超速行驶。除此之外，也可以采用上述速度骤降的检测方式，在基于获取的平均速度确定目标车辆是否满足速度异常条件时，若V1>μV2，则满足速度异常条件，说明目标车辆发生超速事件。
可选地，该步骤402和步骤403可如图2或图3中的车辆速度异常事件触发模块104实现，该模块主要结合上述参数输入模块101中的外置参数信息、目标跟踪模块103中获取的目标历史信息，对全局监控范围内的车辆速度异常事件进行实时检测。下面，以进行速度骤降检测，设置四条速度骤降抓拍线为例，对该步骤进行详细描述，主要包括如下子步骤：
步骤S11，基于参数输入模块101，四条速度骤降抓拍线由外部参数输入，可根据需求调整，其中需保证任意相邻两条抓拍线在该实际场景中有相同的实际距离S(单位：米)；
步骤S12，根据目标跟踪模块103输出的目标轨迹信息，计算出每个目标车辆跟踪框下边界先后通过四条速度骤降抓拍线的系统时间T1，T2，T3，T4(单位：ms)；
步骤S13，过滤由于遮挡或者其他外部异常条件等导致的跟踪框有偏差或者跟踪错误的情况，保证对正确的轨迹信息进行分析；
步骤S14，计算出每个目标车辆通过相邻两条速度骤降抓拍线的平均速度
(单位：公里/小时)；
步骤S15，基于参数输入模块101，车辆速度骤降的灵敏度阈值μ由外部输入，可根据需求人性化调整，根据计算出的目标车辆每通过相邻两条抓拍线的平均速度V1，V2，V3，若该目标车辆满足V2＜μV1或V3＜μV2则为速度骤降事件，则对该速度骤降车辆目标进行实时抓拍，如图7所示。
进一步地，本发明实施例提供的方法在进行速度检测之后，该方法还包括：对目标车辆进行车牌识别，并将车牌识别结果与目标车辆进行关联；则上述步骤403中，触发报警包括：输出报警信息及车牌识别结果。通过输出报警信息及车牌识别结果，以向道路交通监管部门进行提示，起到辅助道路交通监管部门对车辆速度异常事件进行监控的作用。
可选地，本发明实施例提供的方法还包括：对目标车辆进行车牌识别；若未识别出车牌，则触发报警，输出报警信息。考虑到车辆未设置车牌属于违法行为，因而本发明实施例提供的方法在未识别出车牌的情况下，触发报警，输出报警信息，以向道路交通监管部门进行提示，起到辅助道路交通监管部门对无车牌等异常事件进行监控的作用。
可选地，本发明实施例提供的方法还包括：若未识别出车牌，且目标车辆未离开监控范围，则缓存当前报警信息；相应地，触发报警，输出报警信息，包括：在车辆离开监控范围后，触发报警，输出报警信息。
上述各个车牌识别和触发报警的过程可通过如下步骤实现：
步骤S21，判断当前目标车辆是否在牌识区域内，若在，则按照对该目标车辆进行车牌识别，得到车牌信息后将该车牌信息与该目标车辆进行关联；若不在，则跳转至步骤S23；
步骤S22，若步骤S21中的目标车辆触发车辆速度异常事件，则直接上传该事件信息(即触发报警)，报警信息包括事件类别(这里以速度骤降为例)，目标车辆的位置，目标车辆的车牌号等信息；否则不需要进行任何处理；
步骤S23，若该目标车辆未触发速度异常事件，则无需对该目标车辆进行处理；若该目标车辆触发速度异常事件，且当前时刻无车牌信息(即可能在图像远端，不在牌识区域内)，此时，将该目标车辆的报警信息进行缓存，并逐帧分析目标车辆的运行轨迹；
步骤S24，若目标车辆下行并且进入牌识区域，则对目标车辆进行车牌识别，并基于目标id号将当前车牌号、目标信息以及缓存的报警信息(如果存在)进行关联，并输出；
步骤S25，如果目标车辆即将离开道路区域(比如目标下行到一半左转或右转)，则直接输出缓存中的报警信息以及当前的异常事件，该类异常事件为无车牌事件。
其中，上述过程中的车牌识别可由图3中的车牌识别模块105来实现，该模块主要实现目标车牌识别功能，包括牌识区域生成单元，车牌识别单元，多帧牌选单元。下面，将对车牌识别模块的各个单元作举例说明，描述如下：
牌识区域生成单元，目标车辆进入配置的牌识区域后，适当调整跟踪框位置，即pr_rect.x＝obj_rect.x，pr_rect.y＝obj_rect.y+0.5*obj_rect.h，pr_rect.w＝obj_rect.w，pr_rect.h＝0.6*obj_rect.h。其中，obj_rect表示当前目标车辆的跟踪框位置，pr_rect为当前目标车辆经过调整后的牌识区域。x和y代表跟踪框其中一个角的横纵坐标，w代表跟踪框的宽度，h代表跟踪框的高度。通过确定跟踪框的一个角的横纵坐标以及跟踪框的宽度和高度，即可准确确定一个跟踪框的位置。需要说明的是，之所以要对目标车辆的跟踪框进行适当调整，主要是为了减小车牌识别区域，从而进一步降低牌识的耗时情况，保证整个违章分析过程都是实时进行的。
车牌识别单元，该单元主要实现单帧图片中牌识区域内所有车牌的识别功能，其流程主要包括车牌定位、字符分割、字符识别等步骤，如图8所示，过程如下：
步骤S31：车牌定位。
该步骤中，在牌识区域内，提取框内跳变次数特征、颜色特征、HOG(Histogram ofOriented Gradient，方向梯度直方图)特征等，提取牌识区域中的车牌区域。
步骤S32：寻找每个字符的左右边界，对车牌区域内的每个字符进行分割，便于后续识别。
步骤S33：字符识别。
该步骤中，将分割后的字符尺寸、亮度归一化之后，分别发送到神经网络分类器，由分类器将其归到某一类，再将字符识别结果组合成字符串。
多帧牌选单元，该单元结合匹配的多帧相邻车牌结果，统计出一个置信度最高的车牌结果输出。比如前5帧识别到车牌信息均为“12345”，当前帧识别到的车牌为“12346”，则根据多帧统计信息，当前帧实际输出的车牌号为“12345”，采用多帧牌选的方案可以有效降低车牌识别错误概率，提高整个取证结果的有效性。
综上所述，本发明实施例提供的方法的完整过程可参见图9，结合多目标跟踪技术和多帧车牌识别方案，可实现全局监控范围内的车牌识别取证，同时监控远/近距离交通事件(车辆速度骤降)；大大提高车牌识别率的同时，准确率得到进一步提升，对道路交通监管部门具有极其重要的意义。
此外，本发明实施例提供的方法可以高性能智能芯片为平台，深度学习技术为基础，实现机动车/非机动车/行人/路障等道路目标实时检测，经过实践，本发明实施例提供的目标检出率提升明显，车辆速度骤降事件的捕获率和有效率可达95％以上，各项指标大幅提升；在这个框架上，后续新功能的设计会更加便捷，且具有很强的移植性和可扩展性，对于其他功能的开发和扩展具有很强的借鉴意义。
进一步地，本发明实施例提供的方法基于目标检测与跟踪方案的结合，以及抓拍线的设置，可以稳定地计算出车辆的运行速度及速度变化，准确度在95％以上，本方案是单目摄像机测车速的一个非常有效的方式。当然，本发明实施例提供的方法不仅限于单目摄像机。
再有，本发明实施例提供的方法可同时兼顾十字路口、城市道路、高速路、隧道等场景，应用场景广泛，适应性强。
综上所述，本发明实施例提供的方法，基于图像处理技术，获取监控图像中出现的目标车辆在参考距离范围内的平均速度，并据此检测速度异常，由于无需依赖车速感测单元与控制器之间的信号交互，也就不存在车速感测单元与控制器之间的信号容易受干扰的问题，因而提供了更加有效的车辆速度异常检测方式。此外，采用图像处理的方式检测速度异常，无需依赖车速感测单元，不受车速感测单元与车辆距离远近的影响，因而可以提高检测结果的准确性。
此外，本发明实施例提供的方法具有智能化、适用性强、使用简单、检出率和识别率高的特点，具有广阔的应用前景，对道路交通安全性以及保证民众出行安全具有极其重要的意义。
基于与方法同样的构思，参见图10，本发明实施例提供了一种车辆速度异常检测装置，用于执行上述方法，该装置包括：
第一获取模块1001，用于获取当前道路的监控图像；
第二获取模块1002，用于基于监控图像获取目标车辆在参考距离范围内的平均速度，目标车辆为所述监控图像中出现的车辆；
报警模块1003，用于若基于获取的平均速度确定目标车辆满足速度异常条件，则触发报警。
可选地，第二获取模块1002，用于基于监控图像获取目标车辆每经过相邻两条抓拍线的平均速度，抓拍线的数量为三条或三条以上，每组相邻两条抓拍线对应当前道路的距离相同，且每组相邻两条抓拍线对应当前道路的距离均在参考距离范围内。
可选地，相邻两条抓拍线包括相邻的第一抓拍线和第二抓拍线，以及相邻的第二抓拍线与第三抓拍线；
第二获取模块1002，用于基于监控图像获取目标车辆经过相邻的第一抓拍线和第二抓拍线的第一平均速度V1，基于监控图像获取目标车辆经过相邻的第二抓拍线和第三抓拍线的第二平均速度V2；
报警模块1003，用于若V2<μV1，则目标车辆满足速度异常条件，触发报警，其中，μ为灵敏度阈值。
可选地，相邻两条抓拍线还包括相邻的第三抓拍线和第四抓拍线；
第二获取模块1002，还用于基于监控图像获取目标车辆经过相邻的第三抓拍线和第四抓拍线的第三平均速度V3；
报警模块1003，还用于若V3<μV2，则确定目标车辆满足速度异常条件，触发报警。
可选地，第二获取模块1002，包括：
图像跟踪单元，用于对监控图像中出现的目标车辆进行图像跟踪；
获取单元，用于根据图像跟踪结果获取目标车辆的相关属性，相关属性包括目标车辆的目标轨迹信息；
记录单元，用于根据目标车辆的相关属性记录目标车辆经过相邻两条抓拍线的时间；
确定单元，用于基于目标车辆经过相邻两条抓拍线的时间以及相邻两条抓拍线对应当前道路的距离确定目标车辆经过相邻两条抓拍线的平均速度。
可选地，获取单元，包括：
筛选子单元，用于对图像跟踪结果中出现的异常车辆进行筛选；
匹配子单元，用于将筛选后的正常车辆与监控图像中出现的车辆进行关联匹配；
获取子单元，用于若关联匹配成功，则基于关联匹配成功的图像跟踪结果获取目标车辆的相关属性。
可选地，筛选子单元，用于检测图像跟踪结果中出现尺寸异常的车辆，将尺寸异常的车辆作为异常车辆进行筛选。
可选地，匹配子单元，用于获取筛选后的正常车辆与监控图像中出现的车辆的重合度；若筛选后的正常车辆与监控图像中出现的车辆的重合度大于阈值，则关联匹配成功。
可选地，获取子单元，用于获取目标车辆在关联匹配成功的图像跟踪结果中的各个位置；根据目标车辆在关联匹配成功的图像跟踪结果中的各个位置获取目标车辆的目标轨迹信息，得到目标车辆的相关属性。
可选地，获取单元，还包括：
预测子单元，用于若关联匹配失败，则根据图像跟踪结果对目标车辆进行跟踪预测，基于跟踪预测结果获取目标车辆的相关属性。
可选地，参见图11，该装置还包括：
识别模块1004，用于对目标车辆进行车牌识别；
关联模块1005，用于将车牌识别结果与目标车辆进行关联；
报警模块1003，用于输出报警信息及车牌识别结果。
可选地，参见图12，该装置还包括：
识别模块1004，用于对目标车辆进行车牌识别；
报警模块1003，还用于若未识别出车牌，则触发报警，输出报警信息。
可选地，参见图13，该装置还包括：
缓存模块1006，用于若未识别出车牌，且目标车辆未离开监控范围，则缓存当前报警信息；
报警模块1003，用于在车辆离开监控范围后，触发报警，输出报警信息。
本发明实施例提供的装置，基于图像处理技术，获取监控图像中出现的目标车辆在参考距离范围内的平均速度，并据此检测速度异常，由于无需依赖车速感测单元与控制器之间的信号交互，也就不存在车速感测单元与控制器之间的信号容易受干扰的问题，因而提供了更加有效的车辆速度异常检测方式。此外，采用图像处理的方式检测速度异常，无需依赖车速感测单元，不受车速感测单元与车辆距离远近的影响，因而可以提高检测结果的准确性。
此外，本发明实施例提供的方法具有智能化、适用性强、使用简单、检出率和识别率高的特点，具有广阔的应用前景，对道路交通安全性以及保证民众出行安全具有极其重要的意义。
需要说明的是，上述实施例提供的装置在实现其功能时，仅以上述各功能模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能模块完成，即将设备的内部结构划分成不同的功能模块，以完成以上描述的全部或者部分功能。另外，上述实施例提供的装置与方法实施例属于同一构思，其具体实现过程详见方法实施例，这里不再赘述。
请参考图14，其示出了本发明实施例所涉及的服务器的结构示意图，该服务器可以用于实施上述实施例中提供的车辆速度异常检测方法。具体来讲：
该服务器1400可因配置或性能不同而产生比较大的差异，可以包括一个或一个以上中央处理器(Central Processing Units，CPU)1422(例如，一个或一个以上处理器)和存储器1432，一个或一个以上存储应用程序1442或数据1444的存储介质1430(例如一个或一个以上海量存储设备)。其中，存储器1432和存储介质1430可以是短暂存储或持久存储。存储在存储介质1430的程序可以包括一个或一个以上模块(图示没标出)，每个模块可以包括对服务器中的一系列指令操作。更进一步地，中央处理器1422可以设置为与存储介质1430通信，在服务器1400上执行存储介质1430中的一系列指令操作。
服务器1400还可以包括一个或一个以上电源1426，一个或一个以上有线或无线网络接口1450，一个或一个以上输入输出接口1458，一个或一个以上键盘1456，和/或，一个或一个以上操作系统1441，例如Windows ServerTM，Mac OS XTM，UnixTM，LinuxTM，FreeBSDTM等等。
服务器1000可以包括有存储器，以及一个或者一个以上的程序，其中一个或者一个以上程序存储于存储器中，且经配置以由一个或者一个以上处理器执行所述一个或者一个以上程序包含用于进行上述车辆速度异常检测方法。
在示例中实施例中，还提供了一种计算机设备，所述计算机设备包括处理器和存储器，所述存储器中存储有至少一条指令，所述至少一条指令，经配置以由一个或者一个以上处理器执行，以实现上述车辆速度异常检测方法。
在示例性实施例中，还提供了一种计算机可读存储介质，所述存储介质中存储有至少一条指令，所述至少一条指令在被计算机设备的处理器执行时实现上述车辆速度异常检测方法。
可选地，上述计算机可读存储介质可以是ROM、随机存取存储器(RAM)、CD-ROM、磁带、软盘和光数据存储设备等。
应当理解的是，在本文中提及的“多个”是指两个或两个以上。“和/或”，描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。字符“/”一般表示前后关联对象是一种“或”的关系。
上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。
以上所述仅为本发明的示例性实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (28)
1.一种车辆速度异常检测方法，其特征在于，所述方法包括：
获取当前道路的监控图像；
基于所述监控图像获取目标车辆在参考距离范围内的平均速度，所述目标车辆为所述监控图像中出现的车辆；
若基于获取的平均速度确定所述目标车辆满足速度异常条件，则触发报警。
2.根据权利要求1所述的方法，其特征在于，所述基于所述监控图像获取目标车辆在参考距离范围内的平均速度，包括：
基于所述监控图像获取目标车辆每经过相邻两条抓拍线的平均速度，抓拍线的数量为三条或三条以上，每组相邻两条抓拍线对应所述当前道路的距离相同，且每组相邻两条抓拍线对应所述当前道路的距离均在所述参考距离范围内。
3.根据权利要求2所述的方法，其特征在于，所述相邻两条抓拍线包括相邻的第一抓拍线和第二抓拍线，以及相邻的第二抓拍线与第三抓拍线；
所述基于所述监控图像获取目标车辆每经过相邻两条抓拍线的平均速度，包括：基于所述监控图像获取目标车辆经过相邻的第一抓拍线和第二抓拍线的第一平均速度V1，基于所述监控图像获取目标车辆经过相邻的第二抓拍线和第三抓拍线的第二平均速度V2；
所述若基于获取的平均速度确定所述目标车辆满足速度异常条件，则触发报警，包括：若所述V2<μV1，则所述目标车辆满足速度异常条件，触发报警，其中，所述μ为灵敏度阈值。
4.根据权利要求3所述的方法，其特征在于，所述相邻两条抓拍线还包括相邻的第三抓拍线和第四抓拍线；
所述基于所述监控图像获取目标车辆每经过相邻两条抓拍线的平均速度，还包括：基于所述监控图像获取目标车辆经过相邻的第三抓拍线和第四抓拍线的第三平均速度V3；
所述若基于获取的平均速度确定所述目标车辆满足速度异常条件，则触发报警，还包括：若所述V3<μV2，则所述目标车辆满足速度异常条件，触发报警。
5.根据权利要求2所述的方法，其特征在于，所述基于所述监控图像获取目标车辆每经过相邻两条抓拍线的平均速度，包括：
对所述监控图像中出现的目标车辆进行图像跟踪；
根据图像跟踪结果获取所述目标车辆的相关属性，所述相关属性包括所述目标车辆的目标轨迹信息；
根据所述目标车辆的相关属性记录所述目标车辆经过相邻两条抓拍线的时间，基于所述目标车辆经过相邻两条抓拍线的时间以及相邻两条抓拍线对应所述当前道路的距离确定所述目标车辆经过相邻两条抓拍线的平均速度。
6.根据权利要求5所述的方法，其特征在于，所述根据图像跟踪结果获取所述目标车辆的相关属性，包括：
对图像跟踪结果中出现的异常车辆进行筛选；
将筛选后的正常车辆与所述监控图像中出现的车辆进行关联匹配；
若关联匹配成功，则基于关联匹配成功的图像跟踪结果获取目标车辆的相关属性。
7.根据权利要求6所述的方法，其特征在于，所述对图像跟踪结果中出现的异常车辆进行筛选，包括：
检测图像跟踪结果中出现尺寸异常的车辆，将所述尺寸异常的车辆作为异常车辆进行筛选。
8.根据权利要求6所述的方法，其特征在于，所述将筛选后的正常车辆与所述监控图像中出现的车辆进行关联匹配，包括：
获取筛选后的正常车辆与所述监控图像中出现的车辆的重合度；
若所述筛选后的正常车辆与所述监控图像中出现的车辆的重合度大于阈值，则关联匹配成功。
9.根据权利要求6所述的方法，其特征在于，所述基于关联匹配成功的图像跟踪结果获取目标车辆的相关属性，包括：
获取所述目标车辆在所述关联匹配成功的图像跟踪结果中的各个位置；
根据所述目标车辆在所述关联匹配成功的图像跟踪结果中的各个位置获取所述目标车辆的目标轨迹信息，得到所述目标车辆的相关属性。
10.根据权利要求6所述的方法，其特征在于，所述方法还包括：
若关联匹配失败，则根据图像跟踪结果对目标车辆进行跟踪预测，基于跟踪预测结果获取目标车辆的相关属性。
11.根据权利要求1-10任一所述的方法，其特征在于，所述方法还包括：
对目标车辆进行车牌识别，将车牌识别结果与所述目标车辆进行关联；
所述触发报警，包括：
输出报警信息及所述车牌识别结果。
12.根据权利要求1-10任一所述的方法，其特征在于，所述方法还包括：
对目标车辆进行车牌识别；
若未识别出车牌，则触发报警，输出报警信息。
13.根据权利要求12所述的方法，其特征在于，所述方法还包括：
若未识别出车牌，且所述目标车辆未离开监控范围，则缓存当前报警信息；
所述触发报警，输出报警信息，包括：
在车辆离开监控范围后，触发报警，输出报警信息。
14.一种车辆速度异常检测装置，其特征在于，所述装置包括：
第一获取模块，用于获取当前道路的监控图像；
第二获取模块，用于基于所述监控图像获取目标车辆在参考距离范围内的平均速度，所述目标车辆为所述监控图像中出现的车辆；
报警模块，用于若基于获取的平均速度确定所述目标车辆满足速度异常条件，则触发报警。
15.根据权利要求14所述的装置，其特征在于，所述第二获取模块，用于基于所述监控图像获取目标车辆每经过相邻两条抓拍线的平均速度，抓拍线的数量为三条或三条以上，每组相邻两条抓拍线对应所述当前道路的距离相同，且每组相邻两条抓拍线对应所述当前道路的距离均在所述参考距离范围内。
16.根据权利要求15所述的装置，其特征在于，所述相邻两条抓拍线包括相邻的第一抓拍线和第二抓拍线，以及相邻的第二抓拍线与第三抓拍线；
所述第二获取模块，用于基于所述监控图像获取目标车辆经过相邻的第一抓拍线和第二抓拍线的第一平均速度V1，基于所述监控图像获取目标车辆经过相邻的第二抓拍线和第三抓拍线的第二平均速度V2；
所述报警模块，用于若所述V2<μV1，则所述目标车辆满足速度异常条件，触发报警，其中，所述μ为灵敏度阈值。
17.根据权利要求16所述的装置，其特征在于，所述相邻两条抓拍线还包括相邻的第三抓拍线和第四抓拍线；
所述第二获取模块，还用于基于所述监控图像获取目标车辆经过相邻的第三抓拍线和第四抓拍线的第三平均速度V3；
所述报警模块，还用于若所述V3<μV2，则所述目标车辆满足速度异常条件，触发报警。
18.根据权利要求14所述的装置，其特征在于，所述第二获取模块，包括：
图像跟踪单元，用于对所述监控图像中出现的目标车辆进行图像跟踪；
获取单元，用于根据图像跟踪结果获取所述目标车辆的相关属性，所述相关属性包括所述目标车辆的目标轨迹信息；
记录单元，用于根据所述目标车辆的相关属性记录所述目标车辆经过相邻两条抓拍线的时间；
确定单元，用于基于所述目标车辆经过相邻两条抓拍线的时间以及相邻两条抓拍线对应所述当前道路的距离确定所述目标车辆经过相邻两条抓拍线的平均速度。
19.根据权利要求18所述的装置，其特征在于，所述获取单元，包括：
筛选子单元，用于对图像跟踪结果中出现的异常车辆进行筛选；
匹配子单元，用于将筛选后的正常车辆与所述监控图像中出现的车辆进行关联匹配；
获取子单元，用于若关联匹配成功，则基于关联匹配成功的图像跟踪结果获取目标车辆的相关属性。
20.根据权利要求19所述的装置，其特征在于，所述筛选子单元，用于检测图像跟踪结果中出现尺寸异常的车辆，将所述尺寸异常的车辆作为异常车辆进行筛选。
21.根据权利要求18所述的装置，其特征在于，所述匹配子单元，用于获取筛选后的正常车辆与所述监控图像中出现的车辆的重合度；若所述筛选后的正常车辆与所述监控图像中出现的车辆的重合度大于阈值，则关联匹配成功。
22.根据权利要求18所述的装置，其特征在于，所述获取子单元，用于获取所述目标车辆在所述关联匹配成功的图像跟踪结果中的各个位置；根据所述目标车辆在所述关联匹配成功的图像跟踪结果中的各个位置获取所述目标车辆的目标轨迹信息，得到所述目标车辆的相关属性。
23.根据权利要求18所述的装置，其特征在于，所述获取单元，还包括：
预测子单元，用于若关联匹配失败，则根据图像跟踪结果对目标车辆进行跟踪预测，基于跟踪预测结果获取目标车辆的相关属性。
24.根据权利要求14-23任一所述的装置，其特征在于，所述装置还包括：
识别模块，用于对目标车辆进行车牌识别；
关联模块，用于将车牌识别结果与所述目标车辆进行关联；
所述报警模块，用于输出报警信息及所述车牌识别结果。
25.根据权利要求14-23任一所述的装置，其特征在于，所述装置还包括：
识别模块，用于对目标车辆进行车牌识别；
所述报警模块，还用于若未识别出车牌，则触发报警，输出报警信息。
26.根据权利要求25所述的装置，其特征在于，所述装置还包括：
缓存模块，用于若未识别出车牌，且所述目标车辆未离开监控范围，则缓存当前报警信息；
所述报警模块，用于在车辆离开监控范围后，触发报警，输出报警信息。
27.一种计算机设备，其特征在于，所述计算机设备包括处理器和存储器，所述存储器中存储有至少一条指令，所述至少一条指令在被所述处理器执行时实现如权利要求1至13任一项所述的车辆速度异常检测方法。
28.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质中存储有至少一条指令，所述至少一条指令在被执行时实现如权利要求1至13任一项所述的车辆速度异常检测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910152794.6A CN111627224A (zh) | 2019-02-28 | 2019-02-28 | 车辆速度异常检测方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910152794.6A CN111627224A (zh) | 2019-02-28 | 2019-02-28 | 车辆速度异常检测方法、装置、设备及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111627224A true CN111627224A (zh) | 2020-09-04 |
Family
ID=72272987
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910152794.6A Pending CN111627224A (zh) | 2019-02-28 | 2019-02-28 | 车辆速度异常检测方法、装置、设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111627224A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113188546A (zh) * | 2021-04-30 | 2021-07-30 | 成都市微泊科技有限公司 | 基于图像识别与人行航位推算的室内定位导航方法 |
| CN115497303A (zh) * | 2022-08-19 | 2022-12-20 | 招商新智科技有限公司 | 一种复杂检测条件下的高速公路车速检测方法及系统 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103366509A (zh) * | 2013-08-06 | 2013-10-23 | 张小彬 | 高速公路车祸智能报警系统及方法 |
| US20140002656A1 (en) * | 2012-06-29 | 2014-01-02 | Lg Innotek Co., Ltd. | Lane departure warning system and lane departure warning method |
| CN104951784A (zh) * | 2015-06-03 | 2015-09-30 | 杨英仓 | 一种车辆无牌及车牌遮挡实时检测方法 |
| CN105989593A (zh) * | 2015-02-12 | 2016-10-05 | 杭州海康威视系统技术有限公司 | 视频录像中进行特定车辆速度测量的方法及装置 |
| CN106571038A (zh) * | 2015-10-12 | 2017-04-19 | 原熙 | 实现全自动道路监控的方法 |
| CN107845264A (zh) * | 2017-12-06 | 2018-03-27 | 西安市交通信息中心 | 一种基于视频监控的交通量采集系统及方法 |
| CN108986472A (zh) * | 2017-05-31 | 2018-12-11 | 杭州海康威视数字技术股份有限公司 | 一种掉头车辆监控方法及装置 |
-
2019
- 2019-02-28 CN CN201910152794.6A patent/CN111627224A/zh active Pending
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20140002656A1 (en) * | 2012-06-29 | 2014-01-02 | Lg Innotek Co., Ltd. | Lane departure warning system and lane departure warning method |
| CN103366509A (zh) * | 2013-08-06 | 2013-10-23 | 张小彬 | 高速公路车祸智能报警系统及方法 |
| CN105989593A (zh) * | 2015-02-12 | 2016-10-05 | 杭州海康威视系统技术有限公司 | 视频录像中进行特定车辆速度测量的方法及装置 |
| CN104951784A (zh) * | 2015-06-03 | 2015-09-30 | 杨英仓 | 一种车辆无牌及车牌遮挡实时检测方法 |
| CN106571038A (zh) * | 2015-10-12 | 2017-04-19 | 原熙 | 实现全自动道路监控的方法 |
| CN108986472A (zh) * | 2017-05-31 | 2018-12-11 | 杭州海康威视数字技术股份有限公司 | 一种掉头车辆监控方法及装置 |
| CN107845264A (zh) * | 2017-12-06 | 2018-03-27 | 西安市交通信息中心 | 一种基于视频监控的交通量采集系统及方法 |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113188546A (zh) * | 2021-04-30 | 2021-07-30 | 成都市微泊科技有限公司 | 基于图像识别与人行航位推算的室内定位导航方法 |
| CN115497303A (zh) * | 2022-08-19 | 2022-12-20 | 招商新智科技有限公司 | 一种复杂检测条件下的高速公路车速检测方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| EP4109331A1 (en) | Obstacle detection method and apparatus, computer device, and storage medium | |
| CN110738857B (zh) | 一种车辆违章取证方法、装置及设备 | |
| WO2019179024A1 (zh) | 机场跑道智能监控方法、应用服务器及计算机存储介质 | |
| CN114170580B (zh) | 一种面向高速公路的异常事件检测方法 | |
| CN103986910A (zh) | 一种基于智能分析摄像机的客流统计方法和系统 | |
| Chang et al. | Video analytics in smart transportation for the AIC'18 challenge | |
| CN103116987A (zh) | 一种基于监控视频处理的车流统计和违规检测的方法 | |
| CN111898491B (zh) | 一种车辆逆向行驶的识别方法、装置及电子设备 | |
| CN108932849B (zh) | 一种记录多台机动车低速行驶违法行为的方法及装置 | |
| CN112836683B (zh) | 用于便携式摄像设备的车牌识别方法、装置、设备和介质 | |
| CN111695545A (zh) | 一种基于多目标追踪的单车道逆行检测方法 | |
| CN114771548A (zh) | 用于高级驾驶辅助系统测试和验证的数据记录 | |
| CN110674887A (zh) | 一种基于视频分类的端到端道路拥堵检测算法 | |
| CN117711184A (zh) | 一种隧道车辆滞留监测方法及系统 | |
| CN116311166A (zh) | 交通障碍物识别方法、装置及电子设备 | |
| US11557133B1 (en) | Automatic license plate recognition | |
| CN111627224A (zh) | 车辆速度异常检测方法、装置、设备及存储介质 | |
| CN116052059A (zh) | 一种交通违法行为的检测方法、装置及系统 | |
| CN115909223A (zh) | 一种wim系统信息与监控视频数据匹配的方法和系统 | |
| CN114241373A (zh) | 一种端到端的车辆行为检测方法、系统、设备及存储介质 | |
| Bhandari et al. | Fullstop: A camera-assisted system for characterizing unsafe bus stopping | |
| CN117437792A (zh) | 基于边缘计算的实时道路交通状态监测方法、设备及系统 | |
| CN115719362B (zh) | 一种高空抛物检测方法、系统、设备及存储介质 | |
| CN113538968B (zh) | 用于输出信息的方法和装置 | |
| Zaman et al. | Deep Learning Approaches for Vehicle and Pedestrian Detection in Adverse Weather |
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 |