本申请涉及交通事故检测技术领域，提供了一种交通事故的确定方法、装置及电子设备。该方法在获取目标路段的视频流对应的待检测图像序列后，待检测图像序列为按照时间顺序排列的多个待检测图像；采用预设的自适应高斯混合背景建模算法，对每个待检测图像中的监测区域进行处理，得到每个待检测图像对应的背景图像；对背景图像进行目标检测和目标跟踪，得到至少两辆静止车辆的相应所处位置和在所处位置的停止时长；基于位置和停止时长，确定目标路段发生交通事故。该方法提高了交通事故确定的速度和实时性。的速度和实时性。的速度和实时性。
【技术实现步骤摘要】
交通事故的确定方法、装置及电子设备
[0001]本申请涉及交通事故检测
，具体而言，涉及一种交通事故的确定方法、装置及电子设备。
技术介绍
[0002]随着经济的发展，车辆也越来越多，城市交通环境日益恶化，更导致了城市道路交通事故频发。交通事故不但会造成交通拥堵、个人和公共财产损失，甚至危及到生命安全，给人们带来严重的生理和心理创伤。随着视频监控技术的发展与应用，目前很多城市安装了越来越多的道路监控摄像头，对道路交通状态和参数进行监控，以加大对城市交通的监管力度，及时处置交通事故。
[0003]目前发现并处理交通事故的途径，仍然以人工操作为主。一方面通过巡检员从监控视频中发现交通事故，另一方面靠事故方上报交通事故。但是受限于由于人工监测的不可控因素，准确率无法得到保障，而且也浪费了人力。
技术实现思路
[0004]本申请实施例的目的在于提供一种交通事故的确定方法、装置及电子设备，用以解决现有技术存在的上述问题，可智能地对交通事故进行准确地检测，节省了人力。
[0005]第一方面，提供了一种交通事故的确定方法，该方法可以包括：获取目标路段的视频流对应的待检测图像序列，所述待检测图像序列为按照时间顺序排列的多个待检测图像；采用预设的自适应高斯混合背景建模算法，对每个待检测图像中的监测区域进行处理，得到所述每个待检测图像对应的背景图像；其中，所述监测区域为车辆正常行驶的道路行驶区域；所述背景图像包括至少两辆静止车辆；对所述背景图像进行目标检测和目标跟踪，得到所述至少两辆静止车辆的相应所处位置和在所述所处位置的停止时长；基于所述所处位置和所述停止时长，确定所述目标路段发生交通事故。
[0006]在一个可选的实现中，确定所述目标路段发生交通事故之后，所述方法还包括：采用预设的双模神经网络，对所述每个待检测图像对应的背景图像进行事故检测，得到所述双模神经网络输出的事故类型的检测结果；所述双模神经网络是基于被标注了不同交通事故类型的图像训练出的神经网络模型。
[0007]在一个可选的实现中，对所述背景图像中的所述至少两辆静止车辆进行目标检测和目标跟踪，得到获取相应车辆的所处位置，以及在所述所处位置的停止时长，包括：使用目标检测算法，对所述背景图像中的所述至少两辆静止车辆进行目标检测，得到所述背景图像中至少两辆目标车辆的所处位置；使用多目标追踪方法，对所述至少两辆目标车辆进行实时追踪，得到所述至少一辆目标车辆在所述所处位置的停止时长。
[0008]在一个可选的实现中，所述方法还包括：若所述背景图像包括一辆静止车辆，且所述车辆的停止时长超过预设时长阈值，则确定所述车辆属于异常停车。
[0009]在一个可选的实现中，基于所述所处位置和所述停止时长，确定所述目标路段发生交通事故，包括：若所述所处位置和所述停止时长满足预设事故条件，则确定所述目标路段发生交通事故。
[0010]在一个可选的实现中，所述预设事故条件包括所述至少两辆静止车辆中任意两个静止车辆的停止时长超过预设时长阈值，且相应车辆的所处位置不变的条件；或者，若对所述背景图像进行目标检测和目标跟踪，得到目标行人的所处位置，则所述预设事故条件包括所述至少两辆静止车辆的停止时长超过预设时长阈值，且所述目标行人的所处位置距离目标车辆存在预设距离阈值。
[0011]在一个可选的实现中，基于所述所处位置和所述停止时长，确定所述目标路段发生交通事故，包括：将所述所处位置和所述停止时长作为输入数据，输入预设的交通事故分析模型，所述交通事故分析模型对所述所处位置和所述停止时长进行事故特征分析，输出事故分析结果；所述交通事故分析模型是基于若干被标注了不同交通事故的特征数据样本训练出的机器学习模型；若所述事故分析结果表明存在交通事故，则确定所述目标路段发生交通事故。
[0012]第二方面，提供了一种交通事故的确定装置，该装置可以包括：获取单元，用于获取目标路段的视频流对应的待检测图像序列，所述待检测图像序列为按照时间顺序排列的多个待检测图像；处理单元，用于采用预设的自适应高斯混合背景建模算法，对每个待检测图像中的监测区域进行处理，得到所述每个待检测图像对应的背景图像；其中，所述监测区域为车辆正常行驶的道路行驶区域；所述背景图像包括至少两辆静止车辆；以及，对所述背景图像进行目标检测和目标跟踪，得到所述至少两辆静止车辆的相应所处位置和在所述所处位置的停止时长；确定单元，用于基于所述所处位置和所述停止时长，确定所述目标路段发生交通事故。
[0013]在一个可选的实现中，所述装置还包括检测单元；所述检测单元，用于采用预设的双模神经网络，对所述每个待检测图像对应的背景图像进行事故检测，得到所述双模神经网络输出的事故类型的检测结果；所述双模神经网络是基于被标注了不同交通事故类型的图像训练出的神经网络模型。
[0014]在一个可选的实现中，所述处理单元，具体用于：使用目标检测算法，对所述背景图像中的所述至少两辆静止车辆进行目标检测，得到所述背景图像中至少两辆目标车辆的所处位置；使用多目标追踪方法，对所述至少两辆目标车辆进行实时追踪，得到所述至少一辆目标车辆在所述所处位置的停止时长。
[0015]在一个可选的实现中，所述确定单元，还用于若所述背景图像包括一辆静止车辆，
且所述车辆的停止时长超过预设时长阈值，则确定所述车辆属于异常停车。
[0016]在一个可选的实现中，所述确定单元，具体用于若所述所处位置和所述停止时长满足预设事故条件，则确定所述目标路段发生交通事故。
[0017]在一个可选的实现中，所述预设事故条件包括所述至少两辆静止车辆中任意两个静止车辆的停止时长超过预设时长阈值，且相应车辆的所处位置不变的条件；或者，若对所述背景图像进行目标检测和目标跟踪，得到目标行人的所处位置，则所述预设事故条件包括所述至少两辆静止车辆的停止时长超过预设时长阈值，且所述目标行人的所处位置距离目标车辆存在预设距离阈值。
[0018]在一个可选的实现中，所述确定单元，还具体用于：将所述所处位置和所述停止时长作为输入数据，输入预设的交通事故分析模型，所述交通事故分析模型对所述所处位置和所述停止时长进行事故特征分析，输出事故分析结果；所述交通事故分析模型是基于若干被标注了不同交通事故的特征数据样本训练出的机器学习模型；若所述事故分析结果表明存在交通事故，则确定所述目标路段发生交通事故。
[0019]第三方面，提供了一种电子设备，该电子设备包括处理器、通信接口、存储器和通信总线，其中，处理器，通信接口，存储器通过通信总线完成相互间的通信；存储器，用于存放计算机程序；处理器，用于执行存储器上所存放的程序时，实现上述第一方面中任一所述的方法步骤。
[0020]第四方面，提供了一种计算机可读存储介质，该计算机可读存储介质内存储有计算机程序，所述计算机程序被处理器执行时实现上述第一方面中任一所述的方法步骤。
[0021]本申请提供的交通事故的确定方法在获取目标路段的视频流对应的待检测图像序列后，待检测图像序本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种交通事故的确定方法，其特征在于，所述方法包括：获取目标路段的视频流对应的待检测图像序列，所述待检测图像序列为按照时间顺序排列的多个待检测图像；采用预设的自适应高斯混合背景建模算法，对每个待检测图像中的监测区域进行处理，得到所述每个待检测图像对应的背景图像；其中，所述监测区域为车辆正常行驶的道路行驶区域；所述背景图像包括至少两辆静止车辆；对所述背景图像进行目标检测和目标跟踪，得到所述至少两辆静止车辆的相应所处位置和在所述所处位置的停止时长；基于所述所处位置和所述停止时长，确定所述目标路段发生交通事故。2.如权利要求1所述的交通事故的确定方法，其特征在于，确定所述目标路段发生交通事故之后，所述方法还包括：采用预设的双模神经网络，对所述每个待检测图像对应的背景图像进行事故检测，得到所述双模神经网络输出的事故类型的检测结果；所述双模神经网络是基于被标注了不同交通事故类型的图像训练出的神经网络模型。3.如权利要求1所述的交通事故的确定方法，其特征在于，对所述背景图像中的所述至少两辆静止车辆进行目标检测和目标跟踪，得到获取相应车辆的所处位置，以及在所述所处位置的停止时长，包括：使用目标检测算法，对所述背景图像中的所述至少两辆静止车辆进行目标检测，得到所述背景图像中至少两辆目标车辆的所处位置；使用多目标追踪方法，对所述至少两辆目标车辆进行实时追踪，得到所述至少一辆目标车辆在所述所处位置的停止时长。4.如权利要求1所述的交通事故的确定方法，其特征在于，所述方法还包括：若所述背景图像包括一辆静止车辆，且所述车辆的停止时长超过预设时长阈值，则确定所述车辆属于异常停车。5.如权利要求1所述的交通事故的确定方法，其特征在于，基于所述所处位置和所述停止时长，确定所述目标路段发生交通事故，包括：若所述所处位置和所述停止时长满足预设事故条件，则确定所述目标路段发生交通事故。6.如权利要求5所述的交通事故的确定方法...
【专利技术属性】
技术研发人员：张高志，石柱国，李凡平，
申请(专利权)人：以萨技术股份有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。