本申请涉及道路交通信息检测技术领域，特别是涉及一种车辆逆行检测方法、装置、计算机设备和存储介质。
背景技术：
随着车辆的普及，由于车辆给出行带来的方便快捷，越来越多的人在出行时选择自行驾驶车辆。然而，部分驾驶员缺乏安全驾驶意识，由于逆向行驶等原因导致的交通事故率逐渐增长。由此，如何对车辆逆行进行检测是值得关注的问题。目前，通常是在公共道路、各类园区、主要车流通道与高速公路主路及重要出入口等安装摄像头，通过摄像头将实时采集的监控视频发送至服务器，以便于服务器基于监控视频进行车辆逆行检测。但是，基于该种车辆逆行检测方式实现的车辆逆行监控，受限于监控范围，存在监控准确性低的问题。
技术实现要素：
基于此，有必要针对上述技术问题，提供一种能够提高车辆逆行监控准确性的车辆逆行检测方法、装置、计算机设备和存储介质。
一种车辆逆行检测方法，所述方法包括：
获取视频帧图像与所处车辆的定位信息；
基于所述视频帧图像判断所述车辆是否处于正常行驶状态；
当判定所述车辆处于正常行驶状态时，通过已训练好的车辆检测模型检测所述视频帧图像中的目标车辆；
通过已训练好的分类模型对所述目标车辆进行逆行判断；
当判定所述目标车辆为逆行车辆时，将所述定位信息发送至服务器；发送的定位信息用于指示所述服务器动态更新车辆逆行分布图。
在其中一个实施例中，所述基于所述视频帧图像判断所述车辆是否处于正常行驶状态，包括：
获取所述车辆的惯性测量数据；
根据所述定位信息与所述惯性测量数据判断所述车辆是否处于行驶状态；
当判定所述车辆处于行驶状态时，通过已训练好的行驶状态分类模型对所述视频帧图像进行识别，得到行驶状态分类结果；所述行驶状态分类结果用于表征所述车辆是否处于正常行驶状态。
在其中一个实施例中，所述通过已训练好的车辆检测模型检测所述视频帧图像中的目标车辆，包括：
将所述视频帧图像输入已训练好的车辆检测模型进行检测，得到所述视频帧图像中每个目标车辆对应的检测框数据；
所述通过已训练好的分类模型对所述目标车辆进行逆行判断，包括：
根据所述检测框数据从所述视频帧图像中截取相应目标车辆图像；
将所述目标车辆图像输入已训练好的分类模型进行分类，并根据分类结果对所述目标车辆进行逆行判断。
在其中一个实施例中，所述车辆检测模型与所述分类模型通过服务器训练得到；通过所述服务器训练所述车辆检测模型与所述分类模型的步骤，包括：
通过所述服务器获取训练样本集；所述训练样本集包括样本图像与相应的样本分类结果；
通过所述服务器将所述样本图像作为待训练的车辆检测模型的输入特征，将所述待训练的车辆检测模型的输出特征作为待训练的分类模型的输入特征，将相应样本分类结果作为所述待训练的分类模型的期望的输出特征进行模型训练，得到已训练的车辆检测模型与分类模型。
在其中一个实施例中，所述获取训练样本集，包括：
通过所述服务器获取初始训练样本集；所述初始训练样本集包括初始样本图像与相应的样本分类结果；
通过所述服务器对所述初始样本图像进行至少一种图像变换得到相应的样本图像；
通过所述服务器根据所述初始样本图像、所述样本图像与相应的样本分类结果得到训练样本集。
一种车辆逆行检测装置，所述装置包括：
获取模块，用于获取视频帧图像与所处车辆的定位信息；
行驶状态分类模块，用于基于所述视频帧图像判断所述车辆是否处于正常行驶状态；
逆行检测模块，用于当判定所述车辆处于正常行驶状态时，通过已训练好的车辆检测模型检测所述视频帧图像中的目标车辆；
所述逆行检测模块，还用于通过已训练好的分类模型对所述目标车辆进行逆行判断；
发送模块，用于当判定所述目标车辆为逆行车辆时，将所述定位信息发送至服务器；发送的定位信息用于指示所述服务器动态更新车辆逆行分布图。
一种车辆逆行检测系统，所述系统包括车辆、获取模块、行驶状态分类模块、逆行检测模块与发送模块；所述获取模块设置于所述车辆上；
所述获取模块，用于获取视频帧图像与所述车辆的定位信息；
所述行驶状态分类模块，用于基于所述视频帧图像判断所述车辆是否处于正常行驶状态；
所述逆行检测模块，用于当判定所述车辆处于正常行驶状态时，通过已训练好的车辆检测模型检测所述视频帧图像中的目标车辆；
所述逆行检测模块，还用于通过已训练好的分类模型对所述目标车辆进行逆行判断；
所述发送模块，用于当判定所述目标车辆为逆行车辆时，将所述定位信息发送至服务器；发送的定位信息用于指示所述服务器动态更新车辆逆行分布图。
在其中一个实施例中，所述获取模块、所述行驶状态分类模块、所述逆行检测模块与所述发送模块集成于终端，所述终端设置于所述车辆上。
一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现以下步骤：
获取视频帧图像与所处车辆的定位信息；
基于所述视频帧图像判断所述车辆是否处于正常行驶状态；
当判定所述车辆处于正常行驶状态时，通过已训练好的车辆检测模型检测所述视频帧图像中的目标车辆；
通过已训练好的分类模型对所述目标车辆进行逆行判断；
当判定所述目标车辆为逆行车辆时，将所述定位信息发送至服务器；发送的定位信息用于指示所述服务器动态更新车辆逆行分布图。
一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现以下步骤：
获取视频帧图像与所处车辆的定位信息；
基于所述视频帧图像判断所述车辆是否处于正常行驶状态；
当判定所述车辆处于正常行驶状态时，通过已训练好的车辆检测模型检测所述视频帧图像中的目标车辆；
通过已训练好的分类模型对所述目标车辆进行逆行判断；
当判定所述目标车辆为逆行车辆时，将所述定位信息发送至服务器；发送的定位信息用于指示所述服务器动态更新车辆逆行分布图。
上述车辆逆行检测方法、装置、计算机设备和存储介质，在获取到视频帧图像与所处车辆的定位信息后，根据视频帧图像判断该车辆是否处于正常运行状态，当判定车辆处于正常运行状态时，基于该视频帧图像对其他车辆进行逆行判断，这样，基于部署于车辆上的终端动态采集用于检测逆行车辆的视频帧图像，能够实现动态场景下的逆行检测，从而能够提高视频帧图像的数量，以及增加视频帧图像的采集场景，进而能够增加车辆逆行监控的覆盖范围。进一步地，通过已训练好的车辆检测模型与分类模型对视频帧图像中的目标车辆进行逆行判断，能够提高车辆逆行检测的准确性与效率，而当视频帧图像中存在逆行车辆时，将相应定位信息发送至服务器，以使得服务器根据该定位信息动态更新车辆逆行分布图，以便于基于车辆逆行分布图能够准确而直观地实时监控逆行车辆，从而能够提高车辆逆行的监控效率与准确性。
附图说明
图1为一个实施例中车辆逆行检测方法的应用环境图；
图2为一个实施例中车辆逆行检测方法的流程示意图；
图3为另一个实施例中车辆逆行检测方法的流程示意图；
图4为一个实施例中车辆逆行检测方法的原理图；
图5为一个实施例中车辆逆行检测装置的结构框图；
图6为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
本申请提供的车辆逆行检测方法，可以应用于如图1所示的应用环境中。其中，终端102通过网络与服务器104通过网络进行通信。终端102基于所获取到的视频帧图像判断自身所处车辆是否处于正常行驶状态，当判定该车辆处于正常行驶状态时，通过已训练好的车辆检测模型与分类模型对该视频帧图像中的目标车辆进行逆行判断，当判定目标车辆为逆行车辆时，将对应于视频帧图像获取到的定位信息发送至服务器104，以使得服务器根据该定位信息动态更新车辆逆行分布图。其中，终端102可以但不限于是各种个人计算机、智能手机、便携式可穿戴设备与运行有操作系统的嵌入式设备，嵌入式设备上运行的操作系统比如安卓系统，嵌入式设备比如行车记录仪，服务器104可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
在一个实施例中，车辆逆行检测方法应用如图1所示的车辆逆行检测系统，该系统包括终端102与服务器104。终端102用于执行本申请一个或多个实施例中提供的车辆逆行检测方法，服务器104上部署有中心管理平台，用于存储终端102上传的数据，并基于所接收的数据动态更新车辆逆行分布图。
在一个实施例中，如图2所示，提供了一种车辆逆行检测方法，以该方法应用于图1中的终端为例进行说明，包括以下步骤：
s202，获取视频帧图像与所处车辆的定位信息。
其中，定位信息是用于表征当前位置的信息，可以是指位置坐标，或者，能够用于唯一标识一个位置的地理位置名称。定位信息具体可以是gps(globalpositioningsystem，全球定位系统)信息。视频帧图像是从监控视频中提取的视频帧所对应的图像，具体可以是关键视频帧所对应的图像。
具体地，终端获取监控视频与自身所处车辆的定位信息，并从所获取到的监控视频中提取视频帧图像。
在一个实施例中，终端实时获取监控视频，以及终端自身所处车辆的定位信息，并从实时获取的监控视频中提取视频帧图像。终端也可实时获取自身所处车辆的定位信息，当根据定位信息判定自身所处车辆处于行驶状态时，获取监控视频，并从监控视频中提取视频帧图像。终端还可在检测到自身所处车辆的车辆控制系统启动时，实时获取监控视频与所处车辆的定位信息。
在一个实施例中，终端通过摄像头采集监控视频，并通过定位装置采集定位信息。摄像头与定位装置可作为终端的组成部分内置于终端，也可作为独立的装置外接于终端。定位装置比如gps定位装置。终端将通过定位装置采集到的定位信息作为终端自身所处车辆的定位信息，也可将该定位信息作为终端自身的定位信息。
在一个实施例中，通过设置于车辆上的终端获取视频帧图像，以及该车辆的定位信息。终端可固定安装于车辆上，也可在需要获取视频帧图像与车辆的定位信息时被放置于该车辆上。
s204，基于视频帧图像判断车辆是否处于正常行驶状态。
其中，车辆具有行驶状态与停止状态，行驶状态包括正常行驶状态与非正常行驶状态。正常行驶状态是指车辆按照车道的规定行车方向正常行驶的状态。非正常行驶状态与正常行驶状态相对应，可将除正常行驶状态以外的车辆行驶状态确定为非正常行驶状态，非正常行驶状态比如车辆按照与车道的规定行车方向相反的方向行驶的状态，车辆逆行属于非正常行驶状态。
具体地，终端本地预配置有已训练好的行驶状态分类模型。当获取到视频帧图像后，终端将该视频帧图像输入该已训练好的行驶状态分类模型，通过该行驶状态分类模型判断所处车辆是否处于正常行驶状态。
在一个实施例中，终端通过服务器预先训练行驶状态分类模型，并将已训练好的行驶状态分类模型预配置在本地。服务器预先获取样本图像与相应的行驶状态标注结果，将样本图像作为输入特征，将相应的行驶状态标注结果作为期望的输出特征进行模型训练，得到已训练的行驶状态分类模型。行驶状态分类模型所基于的机器学习算法可以是深度学习，在此不作具体限定。
在一个实施例中，终端根据所处车辆的定位信息判断该车辆是否处于行驶状态，并在判定该车辆处于行驶状态后，根据视频帧图像判断该车辆是否处于正常行驶状态。
在一个实施例中，终端根据当前帧视频帧图像对应的定位信息，与前一帧或多帧视频帧图像对应的定位信息，判断终端自身所处车辆是否处于正常行驶状态。具体地，终端根据相邻两次获取到的视频帧图像各自对应的定位信息，确定所处车辆的行车方向与当前行车车道，根据当前行车车道确定该车道的规定行车方向，并根据车辆的行车方向与车道的规定行车方向判断该车辆是否处于正常行驶状态。
在一个实施例中，终端将根据定位信息确定的行驶状态分类结果，与根据视频帧图像确定的行驶状态分类结果相结合，判定所处车辆是否处于正常行驶状态。比如，当两个行驶状态分类结果均为正常行驶状态时，则判定车辆处于正常行驶状态。
在一个实施例中，由于小区内等应用场景可能不存在规定行车方向，该种应用场景下无需判断车辆逆行状态。当终端判定自身所处车辆在小区内行驶时，该终端则判定该车辆的行驶状态为非正常行驶状态，由此，则不会触发相应的车辆逆行检测流程。上述仅以小区作为示例，并不用于具体限定应用场景。值得说明的是，若小区内需要判定车辆逆行状态，终端则按照自身所处车辆是否按照车道的规定方向行驶，判定车辆是否处于正常行驶状态。
s206，当判定车辆处于正常行驶状态时，通过已训练好的车辆检测模型检测视频帧图像中的目标车辆。
其中，车辆检测模型是根据预先获取的训练样本集训练得到的、能够用于检测视频帧图像中的目标车辆的模型。目标车辆是指视频帧图像中所包括的车辆，可以是机动车和/或非机动车，具体可以是指电动车。
具体地，终端本地预配置有已训练好的车辆检测模型。当终端判定自身所处车辆处于正常行驶状态时，该终端将所获取到的视频帧图像输入该已训练好的车辆检测模型，通过该车辆检测模型检测该视频帧图像中的目标车辆。
在一个实施例中，终端通过车辆检测模型检测视频帧图像中的目标车辆，当检测到目标车辆时，由该车辆检测模型在视频帧图像中确定每个目标车辆对应检测框数据，并将检测框数据作为视频帧图像对应的输出特征进行输出。可以理解，终端还可通过车辆检测模型统计视频帧图像中的目标车辆数量，并将目标车辆数量与每个目标车辆对应的检测框数据作为输出特征输出。其中，检测框数据用于唯一确定目标车辆对应的检测框。
在一个实施例中，当在视频帧图像中没有检测到目标车辆时，终端则停止执行后续针对检测出的目标车辆进行逆行检测的相关步骤。
在一个实施例中，用于训练车辆检测模型的训练样本集，包括样本图像与每个样本图像中的每个目标车辆在该样本图像中所对应的检测框数据。在训练车辆检测模型时，将样本图像作为输入特征，将样本图像中各个目标车辆对应的检测框数据作为期望的输出特征进行模型训练，得到已训练的车辆检测模型。
s208，通过已训练好的分类模型对目标车辆进行逆行判断。
其中，分类模型是根据预先获取的训练样本集训练得到的、能够用于对目标车辆的行驶状态进行分类的模型。
具体地，当通过车辆检测模型从视频帧图像中检测出目标车辆后，终端将所检测出的目标车辆输入已训练好的分类模型，通过该分类模型对每个目标车辆进行逆行判断。
在一个实施例中，用于训练分类模型的训练样本集，包括每个样本图像中的每个目标车辆所对应的目标车辆图像，以及每个目标车辆图像对应样本分类结果。在分类模型的训练过程中，将目标车辆图像作为输入特征，将相应的样本分类结果作为期望的输出特征进行模型训练，得到已训练好的分类模型。其中，目标车辆图像可以是基于人工标注的目标车辆从相应样本图像中提取出的，也可以是通过已训练好的车辆检测模型从样本图像中检测出每个目标车辆对应的检测框数据后，根据检测框数据从相应样本图像中提取出的。
在一个实施例中，终端通过车辆检测模型从视频帧图像中检测出目标车辆后，从该视频帧图像中提取每个目标车辆对应的目标车辆图像，并通过已训练好的分类模型根据每个目标车辆图像，对相应目标车辆进行逆行判断。
在一个实施例中，终端根据每个目标车辆对应的检测框数据，从视频帧图像中提取该目标车辆对应的目标车辆图像。
在一个实施例中，当视频帧图像中包括多个目标车辆时，终端可将该多个目标车辆同时输入分类模型进行逆行判断，也可将该多个目标车辆依次输入分类模型，并分别进行逆行判断。
s210，当判定目标车辆为逆行车辆时，将定位信息发送至服务器；发送的定位信息用于指示服务器动态更新车辆逆行分布图。
其中，逆行车辆是指按照与车道的规定行驶方向相反的方向行驶的车辆。车辆逆行分布图是标注有逆行车辆的图，用于表征逆行车辆的分布情况。车辆逆行分布图具体可以是在电子地图上标注逆行车辆的图，也可以是车辆逆行热力图。逆行车辆热力图是以高亮形式显示逆行车辆所在的地理区域的图示。
具体地，当判定从视频帧图像中检测到的目标车辆中存在逆行车辆时，终端则判定该视频帧图像中存在逆行车辆，并将对应于该视频帧图像获取到的定位信息发送至服务器。服务器根据所接收到的定位信息动态更新车辆逆行分布图。
在一个实施例中，终端确定视频帧图像中存在的逆行车辆数量，并将逆行车辆数量与相应的定位信息发送至服务器，以指示服务器按照逆行车辆数量与定位信息动态更新车辆逆行分布图。服务器可在车辆逆行分布图上体现该定位信息所对应位置处的逆行车辆数量，比如可通过热力图的显示颜色，或者标注符号等体现逆行车辆数量。
在一个实施例中，终端还可将存在逆行车辆的视频帧图像与该视频帧图像中的逆行车辆发送至服务器。服务器将所接收的视频帧图像与相应的逆行车辆存储在本地，以便于作为后续追责依据，和/或，用于扩充训练样本集。
在一个实施例中，终端或服务器还可确定逆行车辆的车辆号，以便于服务器根据车牌号统计每个车辆的逆行次数。终端还可对应于视频帧图像获取相应的时间戳，并在该视频帧图像中存在逆行车辆时将该时间戳发送至服务器，以便于服务器根据时间戳确定逆行时间。
在一个实施例中，当判定视频帧图像中存在逆行车辆时，终端将视频帧图像与相应的定位信息记录在本地，并实时上报至服务器。终端还可按照预设周期定期将存在逆行车辆的视频帧图像与相应的定位信息上报至服务器，这样，在保证逆行车辆监控的有效性的情况下，降低终端与服务器之间的数据交互压力。预设周期比如30毫秒。
上述车辆逆行检测方法，在获取到视频帧图像与所处车辆的定位信息后，根据视频帧图像判断该车辆是否处于正常运行状态，当判定所处车辆处于正常运行状态时，基于该视频帧图像对其他车辆进行逆行判断，这样，基于部署于车辆上的终端采集用于检测逆行车辆的视频帧图像，能够实现动态场景下的逆行检测，从而能够提高视频帧图像的数量，以及增加视频帧图像的采集场景，进而能够增加车辆逆行监控的覆盖范围。进一步地，通过已训练好的车辆检测模型与分类模型对视频帧图像中的目标车辆进行逆行判断，能够提高车辆逆行检测的准确性与效率，而当视频帧图像中存在逆行车辆时，将相应定位信息发送至服务器，以使得服务器根据该定位信息动态更新车辆逆行分布图，以便于基于车辆逆行分布图能够准确而直观地实时监控逆行车辆。
在一个实施例中，步骤s204包括：获取车辆的惯性测量数据；根据定位信息与惯性测量数据判断车辆是否处于行驶状态；当判定车辆处于行驶状态时，通过已训练好的行驶状态分类模型对视频帧图像进行识别，得到行驶状态分类结果；行驶状态分类结果用于表征车辆是否处于正常行驶状态。
其中，惯性测量数据是通过惯性测量装置采集到的数据，具体可包括角速度与加速度。惯性测量装置具体可以是imu(惯性测量单元)，imu通常通过三轴的陀螺仪和三个方向的加速度计等，来测量相应车辆在三维空间中的角速度和加速度。行驶状态分类结果用于表征车辆是否处于正常行驶状态，具体可包括正常行驶状态与非正常行驶状态。
具体地，终端获取自身所处车辆的惯性测量数据，并根据所获取到的惯性测量数据与相应定位信息，判断该车辆处于行驶状态还是停止状态。当判定该车辆处于行驶状态时，终端将相应视频帧图像输入已训练好的行驶状态分类模型，通过该行驶状态分类模型对该视频帧图像进行识别，得到表征该车辆是否处于正常行驶状态的行驶状态分类结果。
在一个实施例中，在当前获取的定位信息相对于前一次获取的定位信息发生变化，以及当前获取的惯性测量数据相对于前一次获取的惯性测量数据发生变化时，终端判定自身所处车辆处于行驶状态。
在一个实施例中，惯性测量装置可作为终端的组成部分内置于终端，也可作为独立的装置外接于终端并固定于终端所处车辆。当惯性测量装置内置于终端时，终端通过惯性测量装置测量自身的惯性测量数据，并将所采集的惯性测量数据确定为自身所处车辆的惯性测量数据。
上述实施例中，结合所处车辆的定位信息与惯性测量数据，动态判定车辆是否处于行驶状态，以提高判定的准确性，并在判定车辆处于行驶状态时，进一步判断车辆是否处于正常行驶状态，以避免对处于停止状态的车辆进行额外的行驶状态检测，而借助于行驶状态分类模型检测车辆是否处于正常行驶状态，能够提高检测的准确性与效率。
在一个实施例中，通过已训练好的车辆检测模型检测视频帧图像中的目标车辆，包括：将视频帧图像输入已训练好的车辆检测模型进行检测，得到视频帧图像中每个目标车辆对应的检测框数据；步骤s208包括：根据检测框数据从视频帧图像中截取相应目标车辆图像；将目标车辆图像输入已训练好的分类模型进行分类，并根据分类结果对目标车辆进行逆行判断。
其中，检测框数据包括能够用于在视频帧图像中唯一确定相应检测框的数据，具体可包括检测框的中心点坐标，以及中心点与检测框的每个边框的距离，或者，包括检测框中任意两个对角点坐标，比如包括检测框的左上点坐标与右下点坐标。视频帧图像中的每个目标车辆均对应有检测框数据。目标车辆图像是指视频帧图像中包括目标车辆所在图像区域的图像。分类结果包括车头、车尾与无人驾驶等。
具体地，终端将视频帧图像输入已训练好的车辆检测模型进行检测，通过该车辆检测模型检测该视频帧图像中的目标车辆，确定所检测到的每个目标车辆对应的检测框数据并输出。终端根据每个目标车辆对应的检测框数据，在视频帧图像中确定该目标车辆对应的检测框，并截取该检测框内的视频帧图像作为该目标车辆对应的目标车辆图像。终端将所截取出的目标车辆图像输入已训练好的分类模型，通过该分类模型根据该目标车辆图像对相应目标车辆进行分类得到分类结果，将分类结果与针对逆行车辆预配置的预设分类结果进行比较，并根据比较结果判断相应目标车辆是否逆行。预设分类结果比如车头，由此，当目标车辆对应的分类结果为车头时，则判定该目标车辆为逆行车辆。
在一个实施例中，终端通过分类模型对目标车辆图像进行分类，得到分类结果与相应的概率。当判定分类结果为车头时，终端进一步将相应概率与预设的概率阈值进行比较，若判定概率大于或等于概率阈值时，则判定相应目标车辆为逆行车辆。
在一个实施例中，分类结果还可包括车辆类别，比如美团车头、美团车尾、饿了么车头、饿了么车尾、其他车头、其他车尾与无人驾驶等。当判定目标车辆为逆行车辆时，将相应的分类结果、目标车辆与定位信息一并上传至服务器，以便于服务器根据分类结果统计各类车辆的逆行数量。可以理解，美团类车辆与饿了么类车辆仅作为示例，并不用于具体限定车辆类型。
在一个实施例中，终端对视频帧图像进行预处理，以将视频帧图像的尺度调整为针对车辆检测模型预配置的预设尺度。
上述实施例中，根据目标车辆对应的检测框数据从视频帧图像中截取相应的目标车辆图像，并通过分类模型根据目标车辆图像对目标车辆进行逆行判断，以避免视频帧图像中其他背景图像对逆行判断的干扰，能够提高检测的准确性。
在一个实施例中，车辆检测模型与分类模型通过服务器训练得到；通过服务器训练车辆检测模型与分类模型的步骤，包括：通过服务器获取训练样本集；训练样本集包括样本图像与相应的样本分类结果；通过服务器将样本图像作为待训练的车辆检测模型的输入特征，将待训练的车辆检测模型的输出特征作为待训练的分类模型的输入特征，将相应样本分类结果作为待训练的分类模型的期望的输出特征进行模型训练，得到已训练的车辆检测模型与分类模型。
具体地，终端通过服务器训练车辆检测模型与分类模型。服务器获取样本图像，对样本图像中的每个目标车辆进行人工标注得到相应的样本分类结果，并根据样本图像与相应的样本分类结果得到训练样本集。服务器初始化得到待训练的车辆检测模型与分类模型，将训练样本集中的样本图像作为待训练的车辆检测模型的输入特征，通过待训练的车辆检测模型根据该样本图像确定相应的输出特征，将该输出特征作为待训练的分类模型的输入特征，并将该样本图像所对应的样本分类结果，作为该待训练的分类模型的期望的输出特征，对待训练的车辆检测模型与分类模型进行联合训练，直至符合迭代停止条件时，停止迭代训练，得到已训练好的车辆检测模型与分类模型。迭代停止条件比如迭代次数大于或等于预设的迭代次数阈值，或者，训练样本集中的训练样本均用于训练模型，或者，根据测试样本集确定待训练的车辆检测模型与分类模型的准确性趋于稳定时。
在一个实施例中，服务器采用最小批方式训练车辆检测模型与分类模型，在每次迭代过程中采集最小批方式计算迭代误差与更新权重。具体地，服务器获取海量的训练样本构成训练样本集，在每次迭代过程中，从训练样本集中批量获取预设数量的训练样本，并将该预设数量的训练样本中的样本图像同时作为待训练的车辆检测模型的输入特征，将该训练样本中相应的样本分类结果作为待训练的分类模型的输出特征进行模型训练。
在一个实施例中，训练样本集中还可包括样本图像中的每个目标车辆所对应的检测框数据，以及每个目标车辆对应的样本分类结果。这样，服务器可根据训练样本集对车辆检测模型与分类模型进行分别训练。
在一个实施例中，车辆检测模型与分类模型所基于的机器学习算法，均可以是轻量级的神经网络，在此不作具体限定。
上述实施例中，基于训练样本集对车辆检测模型与分类模型进行联合训练，以便于基于已训练好的车辆检测模型与分类模型进行车辆逆行检测时，能够提高检测的准确性与效率。
在一个实施例中，获取训练样本集，包括：通过服务器获取初始训练样本集；初始训练样本集包括初始样本图像与相应的样本分类结果；通过服务器对初始样本图像进行至少一种图像变换得到相应的样本图像；通过服务器根据初始样本图像、样本图像与相应的样本分类结果得到训练样本集。
其中，图像变换包括但不限于是旋转变换、颜色变换与尺度变换。旋转变换是指对初始样本图像进行旋转，变换初始样本图像的采集角度，以使得车辆检测模型与分类模型能够适用于不同角度下采集的视频帧图像。颜色变换是指变换初始样本图像的颜色，得到不同曝光度或不同应用环境下的样本图像，以使得车辆检测模型与分类模型能够适用于不同曝光度与应用环境下采集的视频帧图像。尺度变换是指通过变换初始样本图像的尺度来改变初始样本图像的分辨率，以便于车辆检测模型与分类模型能够适用于不同分辨率的摄像头采集的视频帧图像。尺度变换比如将初始样本图像的尺度扩大，再从尺度扩大后的初始样本图像中截取预设尺度的样本图像，预设尺度是指作为车辆检测模型的输入特征的视频帧图像所对应的尺度。
通过对初始样本图像进行至少一种图像变换，能够提高车辆检测模型与分类模型的适用场景，并降低对摄像头的安装角度与性能要求，性能要求比如曝光度与分辨率等。
具体地，终端采集初始样本图像，对所采集的初始样本图像进行人工标注得到相应的样本分类结果，并将所采集的初始样本图像与相应的样本分类结果发送至服务器。服务器根据各个终端分别发送的初始样本图像与相应的样本分类结果得到初始训练样本集。服务器按照预配置的图像变换方式，对初始训练样本集中的每个初始样本图像进行至少一种图像变换，得到相应的至少一个样本图像，并将该初始样本图像对应的样本分类结果，确定为相应样本图像所对应的样本分类结果。服务器将初始样本图像与相应的样本分类结果作为训练样本，并将由初始样本图像变换得到的样本图像与相应的样本分类结果也作为训练样本，得到训练样本集。
在一个实施例中，服务器对初始样本图像进行至少一次变换处理，并在每次变换处理过程中，对该初始样本图像进行至少一种图像变换，得到每次变换处理对应的样本图像。由此，通过对初始样本图像进行多次变换处理，能够得到该初始样本图像对应的多个样本图像。举例说明，服务器对初始样本图像进行两次变换处理，在一次变换处理过程中，对初始样本图像进行旋转变换，在另一次变换处理过程中，对初始样本图像进行旋转变换、颜色变换与尺度变换。这样，在应用场景复杂多变与摄像头安装角度不一致的情况下，仍然能够保证车辆逆行检测的准确性。
在一个实施例中，服务器对初始样本图像进行至少一种图像变换以实现图像增强，并将进行图像增强后的初始样本图像作为该初始样本图像对应的样本图像。图像变换是用于对初始样本图像进行图像增强的方式，具体可包括但不限于是旋转变换、颜色变换、尺度变换、图像特征扭曲变换与图像噪声增强变换等。服务器可使用高斯噪声和/或椒盐噪声对初始样本图像进行图像噪声增强变换。对初始样本图像进行图像变换时，需要避免加入其它图像轮廓的噪声。可以理解，通过对初始样本图像进行至少一种图像变换，能够丰富训练样本集，更好的提取图像特征，从而泛化待训练的模型，以防止模型过拟合。
上述实施例中，通过对初始样本训练集中的初始样本图像进行至少一种图像变换得到样本图像，以增加训练样本的数量，以及样本图像的适用场景，这样，基于各类场景下的样本图像训练得到的车辆检测模型与分类模型，能够在各类应用场景下均能保证车辆逆行检测的准确性。
如图3所示，在一个实施例中，提供了一种车辆逆行检测方法，该方法具体包括以下步骤：
s302，获取视频帧图像与所处车辆的定位信息。
s304，获取车辆的惯性测量数据。
s306，根据定位信息与惯性测量数据判断车辆是否处于行驶状态。
s308，当判定车辆处于行驶状态时，通过已训练好的行驶状态分类模型对视频帧图像进行识别，得到行驶状态分类结果；行驶状态分类结果用于表征车辆是否处于正常行驶状态。
s310，当判定车辆处于正常行驶状态时，将视频帧图像输入已训练好的车辆检测模型进行检测，得到视频帧图像中每个目标车辆对应的检测框数据。
s312，根据检测框数据从视频帧图像中截取相应目标车辆图像。
s314，将目标车辆图像输入已训练好的分类模型进行分类，并根据分类结果对目标车辆进行逆行判断。
s316，当判定目标车辆为逆行车辆时，将定位信息发送至服务器；发送的定位信息用于指示服务器动态更新车辆逆行分布图。
上述实施例中，通过部署于车辆上的终端采集视频帧图像、定位信息与惯性测量数据，在根据所采集的视频帧图像判定该车辆处于正常行驶状态时，根据该视频帧图像对该视频帧图像中的其他车辆进行逆行判断，以实现动态场景下的车辆逆行检测，能够提高车辆逆行检测的覆盖范围。而通过已训练好的正常行驶状态分类模型、车辆检测模型与分类模型，在终端本地进行车辆逆行检测能够提高检测的准确性与效率。进一步地，当判定目标车辆为逆行车辆时，将定位信息发送至服务器，以使得服务器动态更新车辆逆行分布图，基于车辆逆行分布图能够准确而直观的监控各个场景下的车辆违规逆行实践，由此，可基于车辆逆行分布图及时进行交通管控，从而能够减少交通事故的发生。
在一个实施例中，终端所处车辆包括但不限于是电动车、自行车与小汽车等。
图4为一个实施例中车辆逆行检测方法的原理图。当车辆逆行检测流程开始后，终端所对应的定位装置与惯性测量装置触发摄像头采集监控视频，终端获取定位信息、惯性测量数据与监控视频中的视频帧图像，终端检测自身所处车辆是否处于正常行驶状态。若否，终端则返回至获取定位信息、惯性测量数据与监控视频中的视频帧图像的步骤继续执行。若是，终端则检测视频帧图像中的逆行车辆，若判定视频帧图像中无逆行车辆，则返回至获取定位信息、惯性测量数据与监控视频中的视频帧图像的步骤继续执行，若检测出视频帧图像中有逆行车辆，则保存视频帧图像与相应定位信息，并将视频帧图像与定位信息上传至部署于服务器的中心管理平台。中心管理平台根据所接收到的视频帧图像与定位信息动态更新数据库与车辆逆行分布图，并结束车辆逆行检测流程。
应该理解的是，虽然图2与图3的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图2与图3中的至少一部分步骤可以包括多个步骤或者多个阶段，这些步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中，如图5所示，提供了一种车辆逆行检测装置500，包括：获取模块502、行驶状态分类模块504、逆行检测模块506和发送模块508，其中：
获取模块502，用于获取视频帧图像与所处车辆的定位信息；
行驶状态分类模块504，用于基于视频帧图像判断车辆是否处于正常行驶状态；
逆行检测模块506，用于当判定车辆处于正常行驶状态时，通过已训练好的车辆检测模型检测视频帧图像中的目标车辆；
逆行检测模块506，还用于通过已训练好的分类模型对目标车辆进行逆行判断；
发送模块508，用于当判定目标车辆为逆行车辆时，将定位信息发送至服务器；发送的定位信息用于指示服务器动态更新车辆逆行分布图。
在一个实施例中，行驶状态分类模块504，还用于获取车辆的惯性测量数据；根据定位信息与惯性测量数据判断车辆是否处于行驶状态；当判定车辆处于行驶状态时，通过已训练好的行驶状态分类模型对视频帧图像进行识别，得到行驶状态分类结果；行驶状态分类结果用于表征车辆是否处于正常行驶状态。
在一个实施例中，逆行检测模块506，还用于将视频帧图像输入已训练好的车辆检测模型进行检测，得到视频帧图像中每个目标车辆对应的检测框数据；根据检测框数据从视频帧图像中截取相应目标车辆图像；将目标车辆图像输入已训练好的分类模型进行分类，并根据分类结果对目标车辆进行逆行判断。
在一个实施例中，车辆检测模型与分类模型通过服务器训练得到；逆行检测模块506，还用于通过服务器获取训练样本集；训练样本集包括样本图像与相应的样本分类结果；通过服务器将样本图像作为待训练的车辆检测模型的输入特征，将待训练的车辆检测模型的输出特征作为待训练的分类模型的输入特征，将相应样本分类结果作为待训练的分类模型的期望的输出特征进行模型训练，得到已训练的车辆检测模型与分类模型。
在一个实施例中，逆行检测模块506，还用于通过服务器获取初始训练样本集；初始训练样本集包括初始样本图像与相应的样本分类结果；通过服务器对初始样本图像进行至少一种图像变换得到相应的样本图像；通过服务器根据初始样本图像、样本图像与相应的样本分类结果得到训练样本集。
关于车辆逆行检测装置的具体限定可以参见上文中对于车辆逆行检测方法的限定，在此不再赘述。上述车辆逆行检测装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中，提供了一种车辆逆行检测系统，该系统包括车辆、获取模块、行驶状态分类模块、逆行检测模块与发送模块；获取模块设置于车辆上；其中，
获取模块，用于获取视频帧图像与车辆的定位信息；行驶状态分类模块，用于基于视频帧图像判断车辆是否处于正常行驶状态；逆行检测模块，用于当判定车辆处于正常行驶状态时，通过已训练好的车辆检测模型检测视频帧图像中的目标车辆；逆行检测模块，还用于通过已训练好的分类模型对目标车辆进行逆行判断；发送模块，用于当判定目标车辆为逆行车辆时，将定位信息发送至服务器；发送的定位信息用于指示服务器动态更新车辆逆行分布图。
在一个实施例中，上述车辆逆行检测系统所包括的行驶状态分类模块、逆行检测模块与发送模块中的一个或多个，可设置于该车辆逆行检测系统中的车辆上，也可设置于用于进行车辆逆行检测的其他终端或服务器上，在此不作具体限定。
在一个实施例中，获取模块、行驶状态分类模块、逆行检测模块与发送模块集成于终端，终端设置于车辆上。
具体地，上述车辆逆行检测系统包括车辆与设置于该车辆上的终端，终端包括获取模块、行驶状态分类模块、逆行检测模块与发送模块。
在一个实施例中，上述车辆逆行检测系统所包括的获取模块集成于终端，该终端设置于该车辆逆行检测系统中的车辆上。该车辆逆行检测系统所包括的行驶状态分类模块、逆行检测模块与发送模块，可集成于同一个设备，也可分别集成于不同的设备，集成有行驶状态分类模块、逆行检测模块或发送模块的设备，与该车辆逆行检测系统中的车辆的相对位置不具体限定。本实施例中的设备不作具体限定，比如终端或服务器。
在一个实施例中，提供了一种计算机设备，该计算机设备可以是终端，其内部结构图可以如图6所示。该计算机设备包括通过系统总线连接的处理器、存储器、通信接口、显示屏和输入装置。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的通信接口用于与外部的终端进行有线或无线方式的通信，无线方式可通过wifi、运营商网络、nfc(近场通信)或其他技术实现。该计算机程序被处理器执行时以实现一种车辆逆行检测方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏，该计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解，图6中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在一个实施例中，提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现以下步骤：
获取视频帧图像与所处车辆的定位信息；基于视频帧图像判断车辆是否处于正常行驶状态；当判定车辆处于正常行驶状态时，通过已训练好的车辆检测模型检测视频帧图像中的目标车辆；通过已训练好的分类模型对目标车辆进行逆行判断；当判定目标车辆为逆行车辆时，将定位信息发送至服务器；发送的定位信息用于指示服务器动态更新车辆逆行分布图。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：获取车辆的惯性测量数据；根据定位信息与惯性测量数据判断车辆是否处于行驶状态；当判定车辆处于行驶状态时，通过已训练好的行驶状态分类模型对视频帧图像进行识别，得到行驶状态分类结果；行驶状态分类结果用于表征车辆是否处于正常行驶状态。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：将视频帧图像输入已训练好的车辆检测模型进行检测，得到视频帧图像中每个目标车辆对应的检测框数据；根据检测框数据从视频帧图像中截取相应目标车辆图像；将目标车辆图像输入已训练好的分类模型进行分类，并根据分类结果对目标车辆进行逆行判断。
在一个实施例中，车辆检测模型与分类模型通过服务器训练得到；处理器执行计算机程序时还实现以下步骤：通过服务器获取训练样本集；训练样本集包括样本图像与相应的样本分类结果；通过服务器将样本图像作为待训练的车辆检测模型的输入特征，将待训练的车辆检测模型的输出特征作为待训练的分类模型的输入特征，将相应样本分类结果作为待训练的分类模型的期望的输出特征进行模型训练，得到已训练的车辆检测模型与分类模型。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：通过服务器获取初始训练样本集；初始训练样本集包括初始样本图像与相应的样本分类结果；通过服务器对初始样本图像进行至少一种图像变换得到相应的样本图像；通过服务器根据初始样本图像、样本图像与相应的样本分类结果得到训练样本集。
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：获取视频帧图像与所处车辆的定位信息；基于视频帧图像判断车辆是否处于正常行驶状态；当判定车辆处于正常行驶状态时，通过已训练好的车辆检测模型检测视频帧图像中的目标车辆；通过已训练好的分类模型对目标车辆进行逆行判断；当判定目标车辆为逆行车辆时，将定位信息发送至服务器；发送的定位信息用于指示服务器动态更新车辆逆行分布图。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：获取车辆的惯性测量数据；根据定位信息与惯性测量数据判断车辆是否处于行驶状态；当判定车辆处于行驶状态时，通过已训练好的行驶状态分类模型对视频帧图像进行识别，得到行驶状态分类结果；行驶状态分类结果用于表征车辆是否处于正常行驶状态。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：将视频帧图像输入已训练好的车辆检测模型进行检测，得到视频帧图像中每个目标车辆对应的检测框数据；根据检测框数据从视频帧图像中截取相应目标车辆图像；将目标车辆图像输入已训练好的分类模型进行分类，并根据分类结果对目标车辆进行逆行判断。
在一个实施例中，车辆检测模型与分类模型通过服务器训练得到；计算机程序被处理器执行时还实现以下步骤：通过服务器获取训练样本集；训练样本集包括样本图像与相应的样本分类结果；通过服务器将样本图像作为待训练的车辆检测模型的输入特征，将待训练的车辆检测模型的输出特征作为待训练的分类模型的输入特征，将相应样本分类结果作为待训练的分类模型的期望的输出特征进行模型训练，得到已训练的车辆检测模型与分类模型。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：通过服务器获取初始训练样本集；初始训练样本集包括初始样本图像与相应的样本分类结果；通过服务器对初始样本图像进行至少一种图像变换得到相应的样本图像；通过服务器根据初始样本图像、样本图像与相应的样本分类结果得到训练样本集。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(read-onlymemory，rom)、磁带、软盘、闪存或光存储器等。易失性存储器可包括随机存取存储器(randomaccessmemory，ram)或外部高速缓冲存储器。作为说明而非局限，ram可以是多种形式，比如静态随机存取存储器(staticrandomaccessmemory，sram)或动态随机存取存储器(dynamicrandomaccessmemory，dram)等。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。
本文用于企业家、创业者技术爱好者查询，结果仅供参考。
