一种高位视频事件判断方法、装置、设备及介质制造方法及图纸

本申请公开了一种高位视频事件判断方法、装置、设备及介质。该方法包括：获取目标车位的高位视频，根据预设数量和抽取间隔将所述高位视频等分为多个视频帧组；将所述视频帧组输入预先创建的端到端检测模型，以得到所述目标车位的车位状态；其中，所述端到端检测模型为利用包含车位状态标签的高位视频训练集，对基于3D卷积神经网络和长短期记忆网络构建的深度神经网络进行训练得到的模型。通过预先构建的端到端检测模型中的3D卷积神经网络自动提取输入的视频帧的特征，并结合长短期记忆网络得到高位视频中目标车位的车位状态，提高了车辆检测、车位状态检测的准确性。

【技术实现步骤摘要】
一种高位视频事件判断方法、装置、设备及介质
本专利技术涉及高位视频监控领域，特别涉及一种高位视频事件判断方法、装置、设备及介质。
技术介绍
当前，高位视频智慧停车系统利用安装在路边的摄像机和视频分析算法来探测周围的车位是否被占用，在驾驶人将车辆停入车位后，视频分析算法将自动识别车辆特征和车牌号码并记录停车时间，车辆离开后依然准确的识别车辆离位，然后根据车辆停车时间将收费结算信息通知给司机，以完成停车费的收取。现有技术中，通过根据车辆特征生成车辆检测框，进而判断车辆的驶入驶出情况，但根据车辆特征在视频帧上显示车辆检测框进行检测的方式，降低了车辆状态检测的准确性，可能会由于车辆检测框的漏检、检测框变大、检测框不准确等问题，导致车辆状态事件的漏报和误报。由此，如何提高车辆检测及车位状态检测的准确性，是目前亟需解决的问题。
技术实现思路
有鉴于此，本专利技术的目的在于提供一种高位视频事件判断方法、装置、设备及介质，能够提高车辆检测、车位状态检测的准确性。其具体方案如下：第一方面，本申请公开了一种高位视频事件判断方法，包括：获取目标车位的高位视频，根据预设数量和抽取间隔将所述高位视频等分为多个视频帧组；将所述视频帧组输入预先创建的端到端检测模型，以得到所述目标车位的车位状态；其中，所述端到端检测模型为利用包含车位状态标签的高位视频训练集，对基于3D卷积神经网络和长短期记忆网络构建的深度神经网络进行训练得到的模型。可选的，所述车位状态包括无车状态、车辆驶入状态、车辆驶出状态和有车状态。可选的，所述深度神经网络的构建过程，包括：按照3D卷积神经网络、长短期记忆网络的顺序构建端到端神经网络单元；将预设数量的所述端到端神经网络单元在所述长短期记忆网络层依次相连，以得到所述深度神经网络。可选的，所述将所述视频帧组输入预先创建的端到端检测模型，以得到所述目标车位的车位状态，包括：将所述视频帧组按照时间顺序依次输入对应的端到端神经网络单元，通过每个端到端神经网络单元的3D卷积神经网络，得到每个视频帧组对应的时空特征；利用首个视频帧组对应的端到端神经网络单元的长短期记忆网络，根据获取的时空特征得到对应的车位预测状态；将所述车位预测状态输入至下一个端到端神经网络单元的长短期记忆网络，以便所述下一个端到端神经网络单元的长短期记忆网络根据所述车位预测状态，以及所在的端到端神经网络单元的3D卷积神经网络确定的时空特征得到对应的车位预测状态；其中，当所述下一个端到端神经网络单元为最后一个视频帧组对应的端到端神经网络单元时，得到所述车位状态。第二方面，本申请公开了一种高位视频事件判断装置，包括：视频获取模块，用于获取目标车位的高位视频，根据预设数量和抽取间隔将所述高位视频等分为多个视频帧组；车位状态检测模块，用于将所述视频帧组输入预先创建的端到端检测模型，以得到所述目标车位的车位状态；其中，所述端到端检测模型为利用包含车位状态标签的高位视频训练集，对基于3D卷积神经网络和长短期记忆网络构建的深度神经网络进行训练得到的模型。可选的，所述车位状态包括无车状态、车辆驶入状态、车辆驶出状态和有车状态。可选的，所述车位状态检测模块，包括：时空特征获取单元，用于将所述视频帧组按照时间顺序依次输入对应的端到端神经网络单元，通过每个端到端神经网络单元的3D卷积神经网络，得到每个视频帧组对应的时空特征；第一车位预测状态确定单元，用于利用首个视频帧组对应的端到端神经网络单元的长短期记忆网络，根据获取的时空特征得到对应的车位预测状态；车位状态确定单元，用于将所述车位预测状态输入至下一个端到端神经网络单元的长短期记忆网络，以便所述下一个端到端神经网络单元的长短期记忆网络根据所述车位预测状态，以及所在的端到端神经网络单元的3D卷积神经网络确定的时空特征得到对应的车位预测状态；其中，当所述下一个端到端神经网络单元为最后一个视频帧组对应的端到端神经网络单元时，得到所述车位状态。第三方面，本申请公开了一种电子设备，包括：存储器，用于保存计算机程序；处理器，用于执行所述计算机程序，以实现前述的高位视频事件判断方法。第四方面，本申请公开了一种计算机可读存储介质，用于存储计算机程序；其中计算机程序被处理器执行时实现前述的高位视频事件判断方法。本申请中，将获取目标车位的高位视频，根据预设数量和抽取间隔将所述高位视频等分为多个视频帧组；然后将所述视频帧组输入预先创建的端到端检测模型，以得到所述目标车位的车位状态；其中，所述端到端检测模型为利用包含车位状态标签的高位视频训练集，对基于3D卷积神经网络和长短期记忆网络构建的深度神经网络进行训练得到的模型。可见，通过预先构建的端到端检测模型中的3D卷积神经网络，可以自动提取输入的视频帧的特征，并结合长短期记忆网络得到高位视频中目标车位的车位状态，提高了车辆检测、车位状态检测的准确性。附图说明为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例或现有技术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专利技术的实施例，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，还可以根据提供的附图获得其他的附图。图1为本申请提供的一种高位视频事件判断方法流程图；图2为本申请提供的一种具体的端到端检测模型结构示意图；图3为本申请提供的一种高位视频事件判断装置结构示意图；图4为本申请提供的一种电子设备结构图。具体实施方式现有技术中，通过根据车辆特征生成车辆检测框，进而判断车辆的驶入驶出情况，但根据车辆特征在视频帧上显示车辆检测框进行检测的方式，降低了车辆状态检测的准确性，可能会由于车辆检测框的漏检、检测框变大、检测框不准确等问题，导致车辆状态事件的漏报和误报。为克服上述技术问题，本申请提出一种基于端到端神经网络的高位视频事件判断方法，可以提高车辆检测和车位状态检测的准确性。本申请实施例公开了一种高位视频事件判断方法，参见图1所示，该方法可以包括以下步骤：步骤S11：获取目标车位的高位视频，根据预设数量和抽取间隔将所述高位视频等分为多个视频帧组。本实施例中，首先将获取的针对目标车位的高位视频，根据预设数量和抽取间隔将高位视频等分为多个视频帧组，其中，上述目标车位可以为一个或多个车位，即高位视频可以为包含一个车位多个车位的视频。可以理解的是，在得到上述高位视频后，可以根据预设数量将高位视频等分为多个视频片段，再根据预设的抽取间隔，对每个视频片段进行视频帧的抽取，以得到多个视频帧组；或者，也可以先根据抽取间隔从高位视频中抽取出多个视频帧，再根据预设数量将上述多个视频帧分组，以得到多个视频帧组。步骤S12：将所述视频帧组输入预先创建的端到端检测模型，以得到所述目标车位的车位状态；其中，所述端到端检测模型为利用包含车位状态标签的高位视频训练集，对基于3D卷积神本文档来自技高网...

【技术保护点】
1.一种高位视频事件判断方法，其特征在于，包括：/n获取目标车位的高位视频，根据预设数量和抽取间隔将所述高位视频等分为多个视频帧组；/n将所述视频帧组输入预先创建的端到端检测模型，以得到所述目标车位的车位状态；其中，所述端到端检测模型为利用包含车位状态标签的高位视频训练集，对基于3D卷积神经网络和长短期记忆网络构建的深度神经网络进行训练得到的模型。/n

【技术特征摘要】
1.一种高位视频事件判断方法，其特征在于，包括：
获取目标车位的高位视频，根据预设数量和抽取间隔将所述高位视频等分为多个视频帧组；
将所述视频帧组输入预先创建的端到端检测模型，以得到所述目标车位的车位状态；其中，所述端到端检测模型为利用包含车位状态标签的高位视频训练集，对基于3D卷积神经网络和长短期记忆网络构建的深度神经网络进行训练得到的模型。


2.根据权利要求1所述的高位视频事件判断方法，其特征在于，所述车位状态包括无车状态、车辆驶入状态、车辆驶出状态和有车状态。


3.根据权利要求1所述的高位视频事件判断方法，其特征在于，所述深度神经网络的构建过程，包括：
按照3D卷积神经网络、长短期记忆网络的顺序构建端到端神经网络单元；
将预设数量的所述端到端神经网络单元在所述长短期记忆网络层依次相连，以得到所述深度神经网络。


4.根据权利要求3所述的高位视频事件判断方法，其特征在于，所述将所述视频帧组输入预先创建的端到端检测模型，以得到所述目标车位的车位状态，包括：
将所述视频帧组按照时间顺序依次输入对应的端到端神经网络单元，通过每个端到端神经网络单元的3D卷积神经网络，得到每个视频帧组对应的时空特征；
利用首个视频帧组对应的端到端神经网络单元的长短期记忆网络，根据获取的时空特征得到对应的车位预测状态；
将所述车位预测状态输入至下一个端到端神经网络单元的长短期记忆网络，以便所述下一个端到端神经网络单元的长短期记忆网络根据所述车位预测状态，以及所在的端到端神经网络单元的3D卷积神经网络确定的时空特征得到对应的车位预测状态；其中，当所述下一个端到端神经网络单元为最后一个视频帧组对应的端到端神经网络单元时，得到所述车位状态。


5.一种高位视频事件判断装置，其特征在于，包括：

【专利技术属性】
技术研发人员：唐健，吴喆，陶昆，
申请(专利权)人：深圳市捷顺科技实业股份有限公司，
类型：发明
国别省市：广东;44