基于群体智能的积水区域处理方法、装置及存储介质与流程

1.本发明涉及智能识别技术领域，具体而言，涉及一种基于群体智能的积水区域处理方法、装置及存储介质。


背景技术：

2.在出现雨水天气时，漫水路往往在城市中分布广泛，交警部门难以即时调度人手到各处进行巡查，同时雨水天气也会导致交通拥堵并造成事故多发，因此，如何基于视频采集等智能分析技术对漫水路未减速车辆进行准确识别，以减少人力部署，成为亟待解决的问题。
3.基于智能分析技术对漫水路未减速车辆进行识别，一方面涉及车辆识别与跟踪技术，另一方面涉及积水检测技术。其中，车辆的识别与跟踪技术目前业界内已有较成熟的算法，能保证较高的准确率。但是，目前基于计算机视觉的积水检测算法尚不够成熟，对于积水的程度难以分辨，难以确定道路积水是否达到漫水路需要减速通过的程度。在下雨天时，容易误判表面湿滑或只有浅层积水的路面为漫水路，从而对其上正常行驶的车辆产生误报。
4.针对上述的问题，目前尚未提出有效的解决方案。


技术实现要素：

5.本发明实施例提供了一种基于群体智能的积水区域处理方法、装置及存储介质，以至少解决现有技术中的积水检测方法存在积水检测准确率较低导致告警提示不准确的技术问题。
6.根据本发明实施例的一个方面，提供了一种基于群体智能的积水区域处理方法，包括：对输入图像进行积水检测，确定上述输入图像中显示的路段内是否存在积水区域；当上述输入图像中存在上述积水区域时，从上述输入图像中获取目标群体数据；对上述目标群体数据进行行为分析，确定上述积水区域的积水程度信息；当基于上述积水程度信息确定上述输入图像中存在漫水路区域时，对目标对象进行行为识别，并在识别结果满足预设条件时，向上述目标对象发出告警提示。
7.根据本发明实施例的另一方面，还提供了一种基于群体智能的积水区域处理装置，包括：检测模块，用于对输入图像进行积水检测，确定上述输入图像中显示的路段内是否存在积水区域；获取模块，用于当上述输入图像中存在上述积水区域时，从上述输入图像中获取目标群体数据；确定模块，用于对上述目标群体数据进行行为分析，确定上述积水区域的积水程度信息；处理模块，用于当基于上述积水程度信息确定上述输入图像中存在漫水路区域时，对目标对象进行行为识别，并在识别结果满足预设条件时，向上述目标对象发出告警提示。
8.根据本发明实施例的另一方面，还提供了一种计算机可读存储介质，上述计算机可读存储介质包括存储的程序，其中，在上述程序运行时控制上述计算机可读存储介质所
在设备执行任意一项上述的基于群体智能的积水区域处理方法。
9.根据本发明实施例的另一方面，还提供了一种电子设备，其特征在于，包括：处理器；以及存储器，与上述处理器连接，用于为上述处理器提供处理以下处理步骤的指令：对输入图像进行积水检测，确定上述输入图像中显示的路段内是否存在积水区域；当上述输入图像中存在上述积水区域时，从上述输入图像中获取目标群体数据；对上述目标群体数据进行行为分析，确定上述积水区域的积水程度信息；当基于上述积水程度信息确定上述输入图像中存在漫水路区域时，对目标对象进行行为识别，并在识别结果满足预设条件时，向上述目标对象发出告警提示。
10.在本发明实施例中，采用基于群体智能的积水区域处理的方式，通过对输入图像进行积水检测，确定上述输入图像中显示的路段内是否存在积水区域；当上述输入图像中存在上述积水区域时，从上述输入图像中获取目标群体数据；对上述目标群体数据进行行为分析，确定上述积水区域的积水程度信息；当基于上述积水程度信息确定上述输入图像中存在漫水路区域时，对目标对象进行行为识别，并在识别结果满足预设条件时，向上述目标对象发出告警提示，达到了基于群体智能判断积水区域的积水程度并发出告警提示的目的，从而实现了提高积水检测准确率以及告警提示的准确率的技术效果，进而解决了现有技术中的积水检测方法存在积水检测准确率较低导致告警提示不准确的技术问题。
附图说明
11.此处所说明的附图用来提供对本发明的进一步理解，构成本发明的一部分，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：
12.图1是根据本发明实施例的一种用于实现基于群体智能的积水区域处理方法的计算机终端(或移动设备)的硬件结构框图；
13.图2是根据本发明实施例的一种基于群体智能的积水区域处理方法的流程图；
14.图3是根据本发明实施例的一种可选的群体智能的积水区域处理方法的场景示意图；
15.图4是根据本发明实施例的一种可选的基于群体智能的积水区域处理方法的流程图；
16.图5是根据本发明实施例的另一种可选的基于群体智能的积水区域处理方法的流程图；
17.图6是根据本发明实施例的另一种可选的基于群体智能的积水区域处理方法的流程图；
18.图7根据本发明实施例的一种基于群体智能的积水区域处理装置的结构示意图；
19.图8是根据本发明实施例的一种计算机终端的结构框图。
具体实施方式
20.为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分的实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明保护的范
围。
21.需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
22.首先，在对本发明实施例进行描述的过程中出现的部分名词或术语适用于如下解释：
23.群体智能(swarm intelligence)：群体智能是通过汇聚群体智慧协同求解超大规模复杂难题的一类机器智能前沿方法，为求解传统方法难以解决的超大规模复杂问题提供了新技术、新手段，已被广泛应用于交通、众包计算、软件开发等领域。针对具体应用场景，国内外学者分别从个体评估机制构建、个体编码与解码策略、群体组织架构等角度，设计了多种群体智能方法。
24.人群模拟(crowd simulation)：人群模拟是模拟大量实体或角色运动的过程，通常用于危机训练、建筑和城市规划、以及疏散模拟，也可用于电影或视频游戏中虚拟场景的创建。
25.目标检测(object detection)：目标检测是一项与计算机视觉和图像处理紧密相关的计算机技术分支，其目标是检测出数字图像和视频中的特定语义目标实体，比如人、建筑、汽车等，并以紧密包裹目标实体矩形框为结果输出。目标检测在诸如图像检索和视频采集的许多计算机视觉领域都有应用。
26.计算机视觉(computer vision):计算机视觉是一种研究如何使机器“看”的科学，更进一步的说，就是指用摄影机和计算机代替人眼对目标进行识别、跟踪和测量等机器视觉，并进一步进行图像处理，用计算机处理成为更适合人眼观察或传送给仪器检测的图像。作为一门科学学科，计算机视觉研究相关的理论和技术，试图建立能够从图像或者多维数据中获取信息的人工智能系统。
27.实施例1
28.根据本发明实施例，提供了一种基于群体智能的积水区域处理的方法实施例，需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。
29.本发明实施例1所提供的方法实施例可以在移动终端、计算机终端或者类似的运算装置中执行。图1示出了一种用于实现基于群体智能的积水区域处理方法的计算机终端(或移动设备)的硬件结构框图。如图1所示，计算机终端10(或移动设备10)可以包括一个或多个(图中采用102a、102b，
……
，102n来示出)处理器102(处理器102可以包括但不限于微处理器mcu或可编程逻辑器件fpga等的处理装置)、用于存储数据的存储器104、以及用于通信功能的传输模块106。除此以外，还可以包括：显示器、输入/输出接口(i/o接口)、通用串行总线(usb)端口(可以作为bus总线的端口中的一个端口被包括)、网络接口、电源和/或相
机。本领域普通技术人员可以理解，图1所示的结构仅为示意，其并不对上述电子装置的结构造成限定。例如，计算机终端10还可包括比图1中所示更多或者更少的组件，或者具有与图1所示不同的配置。
30.应当注意到的是上述一个或多个处理器102和/或其他数据处理电路在本文中通常可以被称为“数据处理电路”。该数据处理电路可以全部或部分的体现为软件、硬件、固件或其他任意组合。此外，数据处理电路可为单个独立的处理模块，或全部或部分的结合到计算机终端10(或移动设备)中的其他元件中的任意一个内。如本发明实施例中所涉及到的，该数据处理电路作为一种处理器控制(例如与接口连接的可变电阻终端路径的选择)。
31.存储器104可用于存储应用软件的软件程序以及模块，如本发明实施例中的基于群体智能的积水区域处理方法对应的程序指令/数据存储装置，处理器102通过运行存储在存储器104内的软件程序以及模块，从而执行各种功能应用以及数据处理，即实现上述的基于群体智能的积水区域处理方法。存储器104可包括高速随机存储器，还可包括非易失性存储器，如一个或者多个磁性存储装置、闪存、或者其他非易失性固态存储器。在一些实例中，存储器104可进一步包括相对于处理器102远程设置的存储器，这些远程存储器可以通过网络连接至计算机终端10。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
32.传输装置106用于经由一个网络接收或者发送数据。上述的网络具体实例可包括计算机终端10的通信供应商提供的无线网络。在一个实例中，传输装置106包括一个网络适配器(network interface controller，nic)，其可通过基站与其他网络设备相连从而可与互联网进行通讯。在一个实例中，传输装置106可以为射频(radio frequency，rf)模块，其用于通过无线方式与互联网进行通讯。
33.显示器可以例如触摸屏式的液晶显示器(lcd)，该液晶显示器可使得用户能够与计算机终端10(或移动设备)的用户界面进行交互。
34.下雨天时，道路由于铺设不平、老化破损等原因，经常会出现路面积水的情况。由于机动车行经漫水路或者漫水桥时，应当停车察明水情，确认安全后低速通过。但是现实中，机动车驾驶员往往忽视这一规定，面对漫水道路仍保持高速驶过。此举不但可能因水中钉子、电线等对驾驶员造成危险，更会溅起水花影响周边行人与骑车人。对经过漫水路不减速的违规车辆进行处罚，一方面保障了行人和非机动车驾驶员的权益，另一方面也保障了机动车运行的安全，在可见的将来必会成为交通部门的一个新兴监管方向。
35.在出现雨水天气时，漫水路往往在城市中分布广泛，交警部门难以即时调度人手到各处进行巡查，同时雨水天气也会导致交通拥堵并造成事故多发，如何基于视频采集等智能分析技术对漫水路未减速车辆进行准确识别，以减少人力部署，成为亟待解决的问题。
36.目前，对漫水路未减速车辆进行识别的相关技术，主要涉及两个方面：一方面涉及车辆识别与跟踪技术，另一方面涉及积水检测技术。现有技术对于车辆的识别与跟踪已有较成熟的方法，可以准确地识别车辆的位置和车速等信息。对于漫水路的识别，主要是通过目标检测、语义分割、背景差等方式实现，当算法判断当前道路为漫水路时，即识别当前道路上车速超过设定阈值的车辆为违规车辆，并进行报警。
37.上述现有方案的主要缺点在于其难以对漫水路进行准确区分，单独从视觉上出发，即使是人从视频上观察漫水路也难以分辨场景中积水深度。因此，在下雨天时，上述方
案容易误判表面湿滑或只有浅层积水的路面为漫水路，从而对其上正常行驶的车辆产生误报。
38.针对上述问题，本发明基于上述运行环境提供了如图2所示的基于群体智能的积水区域处理方法，图2是根据本发明实施例的一种基于群体智能的积水区域处理方法的流程图，如图2所示，该方法包括：
39.步骤s202，对输入图像进行积水检测，确定上述输入图像中显示的路段内是否存在积水区域；
40.步骤s204，当上述输入图像中存在上述积水区域时，从上述输入图像中获取目标群体数据；
41.步骤s206，对上述目标群体数据进行行为分析，确定上述积水区域的积水程度信息；
42.步骤s208，当基于上述积水程度信息确定上述输入图像中存在漫水路区域时，对目标对象进行行为识别，并在识别结果满足预设条件时，向上述目标对象发出告警提示。
43.可选的，上述输入图像为实时视频采集目标路段得到的图像，例如，采用摄像头等视频采集设备对目标路段进行实时视频采集得到的，在接收到上述输入图像之后，可以检测该输入图像中显示的路段内是否存在积水区域。
44.可选的，上述目标群体可以但不限于包括人和/或车辆，等等；其中，上述目标群体可以但不限于包括道路上的行人、二轮/三轮车的骑车人等。上述目标群体数据可以但不限于为基于上述目标群体(即人群和/或车群)的位置与行驶轨迹、车辆车速等相关信息获取得到的，该目标群体数据的数据类型为空间结构化数据。
45.可选的，在上述积水区域的积水程度信息达到某一预设值时，确定上述积水区域为漫水路区域。可选的，上述目标对象可以但不限于为在积水区域行驶的车辆；上述识别结果满足预设条件可以但不限于为在漫水路区域行驶的车辆行驶速度是否超过预设值。
46.图3是根据本发明实施例的一种可选的群体智能的积水区域处理方法的场景示意图，上述输入图像可以为如图3所示的区域平面图，在本发明实施例中，采用基于群体智能的积水区域处理的方式，通过对输入图像进行积水检测，确定上述输入图像中显示的路段内是否存在积水区域；当上述输入图像中存在上述积水区域时，采用如图3所示的检测框标注出该积水区域，并从上述输入图像中获取目标群体数据；对上述目标群体数据进行行为分析，确定上述积水区域的积水程度信息；当基于上述积水程度信息确定上述输入图像中存在漫水路区域时，对目标对象进行行为识别，并在识别结果满足预设条件(例如，经过积水区域未减速，等)时，向上述目标对象发出告警提示，达到了基于群体智能判断积水区域的积水程度并发出告警提示的目的，从而实现了提高积水检测准确率以及告警提示的准确率的技术效果，进而解决了现有技术中的积水检测方法存在积水检测准确率较低导致告警提示不准确的技术问题。
47.需要说明的是，针对从视觉上难以对场景中积水程度进行判定的缺点，本发明实施例提出通过场景中目标群体(人群和/或车群)对于场景内积水的反馈行为，辅助分析场景内积水程度，从而提升漫水路判定的准确率。本发明实施例基于计算机视觉领域已有的、并且相对成熟目标群体识别与跟踪方法，提取目标群体位置轨迹的空间结构化数据，并结合基于群体智能的人群与车群模拟方法，实现对场景内目标群体的行为分析，以对场景积
水程度进行估计。进而避免了对基于计算机视觉的积水识别算法的依赖，提升了对漫水路与浅层积水路的区分能力，从而有效避免对雨天行驶车辆超速行为的过度告警。
48.在一种可选的实施例中，基于群体智能的积水区域处理方法，对上述输入图像进行积水检测，确定上述输入图像中是否存在上述积水区域包括：利用第一神经网络模型对上述输入图像进行积水检测，确定上述输入图像中是否存在上述积水区域。
49.可选的，上述第一神经网络模型为预先训练的目标检测模型，用于检测输入图像中是否存在上述积水区域，若是，则记录上述积水区域的位置坐标。
50.需要说明的是，除利用第一神经网络模型确定上述输入图像中是否存在积水区域外，还可通过语义分割、帧间差等方式确定输入图像中是否存在积水区域。
51.作为一种可选的实施例，图4是根据本发明实施例的一种可选的基于群体智能的积水区域处理方法的流程图，如图4所示，基于群体智能的积水区域处理方法，从上述输入图像中获取上述目标群体数据包括：
52.步骤s302，利用第二神经网络模型对上述输入图像中的目标群体进行识别与跟踪，得到第一处理结果；
53.步骤s304，基于上述第一处理结果和上述路段内预置的图像采集设备的位置信息，确定第二处理结果；
54.步骤s306，将上述第二处理结果转换为空间结构化数据，得到上述目标群体数据。
55.可选的，上述第二神经网络模型为预先训练的目标检测与跟踪模型，用于对上述输入图像中的目标群体进行识别与跟踪，其中，上述目标群体可以但不限于包括人和/或车辆，等等；其中，上述人可以但不限于包括行人、二轮/三轮车的骑车人等道路使用者。
56.可选的，上述第一处理结果可以但不限于包括上述目标群体(即人和/或车辆)的位置、行驶轨迹、以及车辆车速等相关信息；上述第二处理结果为上述第一处理结果中目标群体的具体位置，其中，上述具体位置是基于上述路段内预置的图像采集设备的位置信息获取的；上述目标群体数据为空间结构化数据，其中上述空间结构化数据是基于上述第二处理结果获取的，将上述空间结构化数据存储至群体仿真队列(即人/车群仿真队列)中。
57.在一种可选的实施例中，基于群体智能的积水区域处理方法，对上述目标群体数据进行行为分析，确定上述积水程度信息包括：
58.步骤s402，利用群体智能模型对上述目标群体数据进行行为分析，得到上述积水区域的积水程度分数；
59.步骤s404，当上述积水程度分数大于第一预设阈值时，确定上述输入图像中存在上述漫水路区域。
60.可选的，上述群体智能模型可以但不限于为群体智能人/车群模拟模型；上述群体智能模型用于表征上述积水区域的积水情况与积水区域内目标群体行为之间的关系，通过迭代优化模型参数拟合该目标群体的实际行为数据，估计得到积水区域的积水程度，上述积水程度分数用于表示上述积水区域的积水程度，其中，上述群体可以但不限于包括人群和/或车群。
61.可选的，基于采集到的数据对上述群体智能模型(即群体智能模型)进行初始建模，其中，上述采集到的数据可以但不限于为公开数据集、或自行采集的任意场景下的目标群体(人和/或车)轨迹数据。
62.作为一种可选的实施例，图5是根据本发明实施例的另一种可选的基于群体智能的积水区域处理方法的流程图，如图5所示，基于群体智能的积水区域处理方法，利用上述群体智能模型对上述目标群体数据进行行为分析，得到上述积水程度分数包括：
63.步骤s502，利用上述群体智能模型对上述目标群体数据进行行为分析，得到目标群体的预测轨迹；
64.步骤s504，基于上述目标群体数据确定目标群体的实际轨迹；
65.步骤s506，计算上述实际轨迹与上述预测轨迹的差异结果，并基于上述差异结果与预设通行率变化规律进行多次迭代计算，确定上述积水区域的实际通行率；
66.步骤s508，利用上述实际通行率计算得到上述积水程度分数。
67.可选的，上述差异结果可以但不限于为实际轨迹与预测轨迹之间的空间距离、速度差、以及路程差，等等。
68.可选的，上述步骤s506中，基于上述差异结果与预设通行率变化规律进行多次迭代计算，确定上述积水区域的实际通行率是指通过多次迭代搜索最接近实际情况的积水区域的通行率，例如，在每次迭代计算过程中，首先对积水场景中各处的通行率进行假定；基于假定结果对目标群体轨迹进行预测得到预测轨迹，计算预测轨迹与实际轨迹的差异结果(差值)；基于该差异结果与预设通行率变化规律，设定下一次迭代的通行率等参数；搜索差异结果最小时差异结果所对应的预设通行率作为该积水区域的实际通行率。
69.可选的，通过显式参数设定积水区域的通行率，上述通行率的范围可以但不限于为0-1，其中，通行率为1表示无通行障碍，其中，上述通行障碍可以但不限于包括积水、路面坑洼、楼梯等妨碍通行的情况；上述通行率为0表示无法通过的障碍物；上述通行率在0到1间表示存在一定程度的通行障碍，且上述通行率的数值越接近1，则表示通行障碍越小。可选的，上述积水程度分数可以采用实际通行率的倒数、或(1-实际通行率)表征。
70.在一种可选的实施例中，基于群体智能的积水区域处理方法，对上述目标对象进行行为识别包括：
71.步骤s602，对上述目标对象进行行为识别，确定上述目标对象的速度数据；
72.步骤s604，当上述速度数据超过第二预设阈值时，记录上述速度数据以及上述速度数据对应的发生时间。
73.可选的，上述目标对象可以但不限于为在积水区域行驶的车辆，上述速度数据可以但不限于为上述目标对象的瞬时速度或平均速度。可选的，基于目标对象的实际轨迹，例如，目标对象的在各时刻空间中心位置，通过无参方法计算目标对象的瞬时速度或平均速度。
74.可选的，在利用群体智能模型对上述目标群体数据进行行为分析之前，记录上述目标群体数据在群体仿真队列中的起始时间t0和终止时间t1、以及上述目标群体数据对应的时间范围(即存储时长)(t1-t0),并在上述时间范围(t1-t0)达到第二预设阈值的情况下，对上述群体智能模型进行训练。
75.可选的，当目标对象(即在积水区域行驶的车辆)的速度数据超过第二预设阈值时，将上述目标对象的速度数据、以及上述速度数据对应的发生时间保存在特定队列中，其中，上述特定队列用于记录可能存在超速现象的目标对象的相关信息。
76.在一种可选的实施例中，基于群体智能的积水区域处理方法，在上述识别结果满
足上述预设条件时，向上述目标对象发出告警提示包括：
77.步骤s702，确定上述目标群体数据对应的时间范围；
78.步骤s704，当上述发生时间位于上述时间范围内且上述目标对象所在区域为上述漫水路区域时，向上述目标对象发出告警提示。
79.可选的，上述时间范围为目标群体数据在群体仿真队列中的起始时间t0和终止时间t1之间的差值(t1-t0)。
80.可选的，当上述目标对象的速度超过第二预设阈值(即存在超速现象)，同时上述目标对象经过积水区域的时间在上述时间范围内，且确定上述目标对象所在积水区域为漫水路区域时，向上述目标对象发出告警提示。
81.作为一种可选的实施例，当检测到目标对象在漫水路区域的速度数据超过第二预设值时，上述目标对象会接收到的告警提示，其中，如图3所示，上述告警提示中可以但不限于包括视频采集实况图，以及群体智能模型输出的分析结果，其中，上述分析结果中可以但不限于包括：目标对象的速度数据(例如53km/h)、积水区域分布、人/车流轨迹、以及目标对象经过漫水路未减速的显示结果。
82.在一种可选的实施例中，上述方法还包括如下方法步骤：
83.步骤s802，获取输入图像；
84.步骤s804，对上述输入图像进行积水检测，当上述输入图像中显示的路段内存在积水区域时，从上述输入图像中获取目标群体数据；对上述目标群体数据进行行为分析，当基于上述积水区域的积水程度信息确定上述输入图像中存在漫水路区域时，对目标对象进行行为识别，并在识别结果满足预设条件时，向上述目标对象发出告警提示；
85.步骤s806，将上述识别结果上报至服务端。
86.可选的，当上述输入图像中显示的路段内存在积水区域时，判断连续无积水的输入图像的帧数是否满足预设条件，若是，则清空群体仿真队列，并进入下一轮的图像输入。
87.需要说明的是，在本实施例中，首先基于目标群体数据判断输入图像中是否存在漫水路区域，然后对目标对象的行为进行识别，并在识别结果满足预设条件时，例如，上述目标对象的速度数据超过第二预设阈值时，确认上述目标对象存在漫水路区域行驶超速的情况，向上述目标对象发出告警提示，并将上述识别结果上报至服务端，达到了基于群体智能判断积水区域的积水程度并发出告警提示的目的，从而实现了提高积水检测准确率以及告警提示的准确率的技术效果，进而解决了现有技术中的积水检测方法存在积水检测准确率较低导致告警提示不准确的技术问题。
88.作为一种可选的实施例，图6是根据本发明实施例的另一种可选的基于群体智能的积水区域处理方法的流程图，如图6所示，获取输入图像信息，判断连续无积水的输入图像的帧数是否满足预设条件，若是，则清空人/车群仿真队列，并进入下一轮的图像输入，否则继续检测输入图像内的人/车目标；对上述人/车目标进行结构化处理，并提取上述人/车目标的空间结构化数据保存至人/车群仿真队列，计算各车辆车速并记录超速车辆，继续进行下一轮的图像输入。
89.读取人/车群仿真队列中的相关数据信息，判断上述人/车群仿真队列的长度是否满足预设条件，若是，则基于上述人/车群仿真队列中的数据，对群体智能人/车群模拟模型进行训练；否则，继续读取人/车群仿真队列中的相关数据信息；基于训练后的群体智能人/
车群模拟模型判断积水区域的积水程度，即为积水区域分配积水程度分数，当上述积水程度分数大于阈值时，确定上述积水区域为漫水区域；从人/车群仿真队列中计算各车辆的车速并记录超速车辆，从上述超速车辆中搜索并记录经过上述漫水区域的车辆并记录，并将上述记录结果返回至上述人/车群仿真队列，继续进行下一轮的群体智能人/车群模拟模型训练。
90.需要说明的是，判断上述人/车群仿真队列的长度是否达到阈值，主要通过判断上述人/车群仿真队列中的相关数据信息对应的时间范围(即存储时长)是否达到阈值来实现的，在上述时间范围(t1-t0)达到阈值的情况下，对上述群体智能人/车群模拟模型进行训练。此外，为节省存储空间，对存储时长超过上述时间范围(t1-t0)的数据进行删除处理。
91.在一种可选的实施例中，上述方法还包括如下方法步骤：
92.步骤s902，接收来自于客户端的输入图像；
93.步骤s904，对上述输入图像进行积水检测，当上述输入图像中显示的路段内存在积水区域时，从上述输入图像中获取目标群体数据；对上述目标群体数据进行行为分析，当基于上述积水区域的积水程度信息确定上述输入图像中存在漫水路区域时，对目标对象进行行为识别；
94.步骤s906，在识别结果满足预设条件时，将上述识别结果返回至上述客户端，以使上述客户端的图形用户界面上显示上述识别结果并通过上述客户端向上述目标对象发出告警提示。
95.在本实施例中，通过接收来自于客户端的输入图像；对上述输入图像进行积水检测，当上述输入图像中显示的路段内存在积水区域时，从上述输入图像中获取目标群体数据；对上述目标群体数据进行行为分析，当基于上述积水区域的积水程度信息确定上述输入图像中存在漫水路区域时，对目标对象进行行为识别；在识别结果满足预设条件时，将上述识别结果返回至上述客户端，以使上述客户端的图形用户界面上显示上述识别结果并通过上述客户端向上述目标对象发出告警提示的方式，达到了基于群体智能判断积水区域的积水程度并发出告警提示的目的，从而实现了提高积水检测准确率以及告警提示的准确率的技术效果，进而解决了现有技术中的积水检测方法存在积水检测准确率较低导致告警提示不准确的技术问题。
96.需要说明的是，对于前述的各方法实施例，可以但不限于通过开源深度学习算法框架pytorch进行算法开发，并移植到c 框架上；，前述的各方法实施例中所有新开发的代码可以但不限于为python与c 代码。
97.需要说明的是，对于前述的各方法实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本发明并不受所描述的动作顺序的限制，因为依据本发明，某些步骤可以采用其他顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作和模块并不一定是本发明所必须的。
98.通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到根据上述实施例的方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储
介质(如rom/ram、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，或者网络设备等)执行本发明各个实施例所述的方法。
99.实施例2
100.根据本发明实施例，还提供了一种用于实施上述基于群体智能的积水区域处理方法的装置实施例，图7根据本发明实施例的一种基于群体智能的积水区域处理装置的结构示意图，如7所示，上述装置包括：检测模块20、获取模块22、确定模块24、处理模块26，其中，
101.上述检测模块20，用于对输入图像进行积水检测，确定上述输入图像中显示的路段内是否存在积水区域；上述获取模块22，用于当上述输入图像中存在上述积水区域时，从上述输入图像中获取目标群体数据；上述确定模块24，用于对上述目标群体数据进行行为分析，确定上述积水区域的积水程度信息；上述处理模块26，用于当基于上述积水程度信息确定上述输入图像中存在漫水路区域时，对目标对象进行行为识别，并在识别结果满足预设条件时，向上述目标对象发出告警提示。
102.此处需要说明的是，上述检测模块20、获取模块22、确定模块24、处理模块26对应于实施例1中的步骤s202至步骤s208，两个模块与对应的步骤所实现的实例和应用场景相同，但不限于上述实施例1所公开的内容。需要说明的是，上述模块作为装置的一部分可以运行在实施例1提供的计算机终端10中。
103.需要说明的是，本实施例的优选实施方式可以参见实施例1中的相关描述，此处不再赘述。
104.实施例3
105.根据本发明实施例，还提供了一种电子设备的实施例，该电子设备可以是计算设备群中的任意一个计算设备。该电子设备包括：处理器和存储器，其中：
106.上述存储器，与上述处理器连接，用于为上述处理器提供处理以下处理步骤的指令：对输入图像进行积水检测，确定上述输入图像中显示的路段内是否存在积水区域；当上述输入图像中存在上述积水区域时，从上述输入图像中获取目标群体数据；对上述目标群体数据进行行为分析，确定上述积水区域的积水程度信息；当基于上述积水程度信息确定上述输入图像中存在漫水路区域时，对目标对象进行行为识别，并在识别结果满足预设条件时，向上述目标对象发出告警提示。
107.需要说明的是，本实施例的优选实施方式可以参见实施例1中的相关描述，此处不再赘述。
108.实施例4
109.根据本发明的实施例，还可以提供一种计算机终端的实施例，该计算机终端可以是计算机终端群中的任意一个计算机终端设备。可选地，在本实施例中，上述计算机终端也可以替换为移动终端等终端设备。
110.可选地，在本实施例中，上述计算机终端可以位于计算机网络的多个网络设备中的至少一个网络设备。
111.在本实施例中，上述计算机终端可以执行基于群体智能的积水区域处理方法中以下步骤的程序代码：对输入图像进行积水检测，确定上述输入图像中显示的路段内是否存在积水区域；当上述输入图像中存在上述积水区域时，从上述输入图像中获取目标群体数据；对上述目标群体数据进行行为分析，确定上述积水区域的积水程度信息；当基于上述积
水程度信息确定上述输入图像中存在漫水路区域时，对目标对象进行行为识别，并在识别结果满足预设条件时，向上述目标对象发出告警提示。
112.可选地，图8是根据本发明实施例的一种计算机终端的结构框图。如图8所示，该计算机终端可以包括：一个或多个(图中仅示出一个)处理器32、存储器34、以及存储在存储器上并可在处理器上运行的程序，还可以包括外设接口36，上述存储器34与上述处理器32连接，用于为上述处理器提供处理以下处理步骤的指令：对输入图像进行积水检测，确定上述输入图像中显示的路段内是否存在积水区域；当上述输入图像中存在上述积水区域时，从上述输入图像中获取目标群体数据；对上述目标群体数据进行行为分析，确定上述积水区域的积水程度信息；当基于上述积水程度信息确定上述输入图像中存在漫水路区域时，对目标对象进行行为识别，并在识别结果满足预设条件时，向上述目标对象发出告警提示。
113.其中，存储器可用于存储软件程序以及模块，如本发明实施例中的基于群体智能的积水区域处理方法和装置对应的程序指令/模块，处理器通过运行存储在存储器内的软件程序以及模块，从而执行各种功能应用以及数据处理，即实现上述的基于群体智能的积水区域处理方法。存储器可包括高速随机存储器，还可以包括非易失性存储器，如一个或者多个磁性存储装置、闪存、或者其他非易失性固态存储器。在一些实例中，存储器可进一步包括相对于处理器远程设置的存储器，这些远程存储器可以通过网络连接至计算机终端。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
114.处理器可以通过传输装置调用存储器存储的信息及应用程序，以执行下述步骤：对输入图像进行积水检测，确定上述输入图像中显示的路段内是否存在积水区域；当上述输入图像中存在上述积水区域时，从上述输入图像中获取目标群体数据；对上述目标群体数据进行行为分析，确定上述积水区域的积水程度信息；当基于上述积水程度信息确定上述输入图像中存在漫水路区域时，对目标对象进行行为识别，并在识别结果满足预设条件时，向上述目标对象发出告警提示。
115.可选的，上述处理器还可以执行如下步骤的程序代码：利用第一神经网络模型对上述输入图像进行积水检测，确定上述输入图像中是否存在上述积水区域，其中，上述第一神经网络模型为预先训练的目标检测模型。
116.可选的，上述处理器还可以执行如下步骤的程序代码：利用第二神经网络模型对上述输入图像中的目标群体进行识别与跟踪，得到第一处理结果，其中，上述第二神经网络模型为预先训练的目标检测与跟踪模型；基于上述第一处理结果和上述路段内预置的图像采集设备的位置信息，确定第二处理结果；将上述第二处理结果转换为空间结构化数据，得到上述目标群体数据。
117.可选的，上述处理器还可以执行如下步骤的程序代码：利用群体智能模型对上述目标群体数据进行行为分析，得到上述积水区域的积水程度分数，其中，上述群体智能模型用于表征所述积水区域的积水情况与所述积水区域内目标群体行为之间的关系，通过迭代优化模型参数拟合所述目标群体的实际行为数据，估计所述积水区域的积水程度，上述积水程度分数用于表示上述积水区域的积水程度；当上述积水程度分数大于第一预设阈值时，确定上述输入图像中存在上述漫水路区域。
118.可选的，上述处理器还可以执行如下步骤的程序代码：利用上述群体智能模型对上述目标群体数据进行行为分析，得到目标群体的预测轨迹；基于上述目标群体数据确定
目标群体的实际轨迹；计算上述实际轨迹与上述预测轨迹的差异结果，并基于上述差异结果与预设通行率变化规律进行多次迭代计算，确定上述积水区域的实际通行率；利用上述实际通行率计算得到上述积水程度分数。
119.可选的，上述处理器还可以执行如下步骤的程序代码：对上述目标对象进行行为识别，确定上述目标对象的速度数据；当上述速度数据超过第二预设阈值时，记录上述速度数据以及上述速度数据对应的发生时间。
120.可选的，上述处理器还可以执行如下步骤的程序代码：确定上述目标群体数据对应的时间范围；当上述发生时间位于上述时间范围内且上述目标对象所在区域为上述漫水路区域时，向上述目标对象发出告警提示。
121.可选的，上述处理器还可以执行如下步骤的程序代码：获取输入图像；对上述输入图像进行积水检测，当上述输入图像中显示的路段内存在积水区域时，从上述输入图像中获取目标群体数据；对上述目标群体数据进行行为分析，当基于上述积水区域的积水程度信息确定上述输入图像中存在漫水路区域时，对目标对象进行行为识别，并在识别结果满足预设条件时，向上述目标对象发出告警提示；将上述识别结果上报至服务端。
122.可选的，上述处理器还可以执行如下步骤的程序代码：接收来自于客户端的输入图像；对上述输入图像进行积水检测，当上述输入图像中显示的路段内存在积水区域时，从上述输入图像中获取目标群体数据；对上述目标群体数据进行行为分析，当基于上述积水区域的积水程度信息确定上述输入图像中存在漫水路区域时，对目标对象进行行为识别；在识别结果满足预设条件时，将上述识别结果返回至上述客户端，以使上述客户端的图形用户界面上显示上述识别结果并通过上述客户端向上述目标对象发出告警提示。
123.采用本发明实施例，提供了一种基于群体智能的积水区域处理的方案。通过对输入图像进行积水检测，确定上述输入图像中显示的路段内是否存在积水区域；当上述输入图像中存在上述积水区域时，从上述输入图像中获取目标群体数据；对上述目标群体数据进行行为分析，确定上述积水区域的积水程度信息；当基于上述积水程度信息确定上述输入图像中存在漫水路区域时，对目标对象进行行为识别，并在识别结果满足预设条件时，向上述目标对象发出告警提示，从而达到了基于群体智能判断积水区域的积水程度并发出告警信息的目的，从而实现了提高积水程度判断以及告警信息准确率的技术效果，进而解决了现有技术中的积水检测方法存在积水检测准确率较低导致告警提示不准确的技术问题。
124.本领域普通技术人员可以理解，图8所示的结构仅为示意，计算机终端也可以是智能手机(如android手机、ios手机等)、平板电脑、掌声电脑以及移动互联网设备(mobile internet devices，mid)、pad等终端设备。图8其并不对上述电子装置的结构造成限定。例如，计算机终端还可包括比图8中所示更多或者更少的组件(如网络接口、显示装置等)，或者具有与图8所示不同的配置。
125.本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令终端设备相关的硬件来完成，该程序可以存储于一计算机可读存储介质中，计算机可读存储介质可以包括：闪存盘、只读存储器(read-only memory，rom)、随机存取器(random access memory，ram)、磁盘或光盘等。
126.实施例5
127.根据本发明的实施例，还提供了一种存储介质的实施例。可选地，在本实施例中，
上述存储介质可以用于保存上述实施例1所提供的基于群体智能的积水区域处理方法所执行的程序代码。
128.可选地，在本实施例中，上述存储介质可以位于计算机网络中计算机终端群中的任意一个计算机终端中，或者位于移动终端群中的任意一个移动终端中。
129.可选地，在本实施例中，存储介质被设置为存储用于执行以下步骤的程序代码：对输入图像进行积水检测，确定上述输入图像中显示的路段内是否存在积水区域；当上述输入图像中存在上述积水区域时，从上述输入图像中获取目标群体数据；对上述目标群体数据进行行为分析，确定上述积水区域的积水程度信息；当基于上述积水程度信息确定上述输入图像中存在漫水路区域时，对目标对象进行行为识别，并在识别结果满足预设条件时，向上述目标对象发出告警提示。
130.可选地，在本实施例中，存储介质被设置为存储用于执行以下步骤的程序代码：利用第一神经网络模型对上述输入图像进行积水检测，确定上述输入图像中是否存在上述积水区域，其中，上述第一神经网络模型为预先训练的目标检测模型。
131.可选地，在本实施例中，存储介质被设置为存储用于执行以下步骤的程序代码：利用第二神经网络模型对上述输入图像中的目标群体进行识别与跟踪，得到第一处理结果，其中，上述第二神经网络模型为预先训练的目标检测与跟踪模型；基于上述第一处理结果和上述路段内预置的图像采集设备的位置信息，确定第二处理结果；将上述第二处理结果转换为空间结构化数据，得到上述目标群体数据。
132.可选地，在本实施例中，存储介质被设置为存储用于执行以下步骤的程序代码：利用群体智能模型对上述目标群体数据进行行为分析，得到上述积水区域的积水程度分数，其中，上述群体智能模型用于表征所述积水区域的积水情况与所述积水区域内目标群体行为之间的关系，通过迭代优化模型参数拟合所述目标群体的实际行为数据，估计所述积水区域的积水程度，上述积水程度分数用于表示上述积水区域的积水程度；当上述积水程度分数大于第一预设阈值时，确定上述输入图像中存在上述漫水路区域。
133.可选地，在本实施例中，存储介质被设置为存储用于执行以下步骤的程序代码：利用上述群体智能模型对上述目标群体数据进行行为分析，得到目标群体的预测轨迹；基于上述目标群体数据确定目标群体的实际轨迹；计算上述实际轨迹与上述预测轨迹的差异结果，并基于上述差异结果与预设通行率变化规律进行多次迭代计算，确定上述积水区域的实际通行率；利用上述实际通行率计算得到上述积水程度分数。
134.可选地，在本实施例中，存储介质被设置为存储用于执行以下步骤的程序代码：对上述目标对象进行行为识别，确定上述目标对象的速度数据；当上述速度数据超过第二预设阈值时，记录上述速度数据以及上述速度数据对应的发生时间。
135.可选地，在本实施例中，存储介质被设置为存储用于执行以下步骤的程序代码：确定上述目标群体数据对应的时间范围；当上述发生时间位于上述时间范围内且上述目标对象所在区域为上述漫水路区域时，向上述目标对象发出告警提示。
136.可选地，在本实施例中，存储介质被设置为存储用于执行以下步骤的程序代码：获取输入图像；对上述输入图像进行积水检测，当上述输入图像中显示的路段内存在积水区域时，从上述输入图像中获取目标群体数据；对上述目标群体数据进行行为分析，当基于上述积水区域的积水程度信息确定上述输入图像中存在漫水路区域时，对目标对象进行行为
识别，并在识别结果满足预设条件时，向上述目标对象发出告警提示；将上述识别结果上报至服务端。
137.可选地，在本实施例中，存储介质被设置为存储用于执行以下步骤的程序代码：接收来自于客户端的输入图像；对上述输入图像进行积水检测，当上述输入图像中显示的路段内存在积水区域时，从上述输入图像中获取目标群体数据；对上述目标群体数据进行行为分析，当基于上述积水区域的积水程度信息确定上述输入图像中存在漫水路区域时，对目标对象进行行为识别；在识别结果满足预设条件时，将上述识别结果返回至上述客户端，以使上述客户端的图形用户界面上显示上述识别结果并通过上述客户端向上述目标对象发出告警提示。
138.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。
139.在本发明的上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。
140.在本发明所提供的几个实施例中，应该理解到，所揭露的技术内容，可通过其它的方式实现。其中，以上所描述的装置实施例仅仅是示意性的，例如所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，单元或模块的间接耦合或通信连接，可以是电性或其它的形式。
141.所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
142.另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
143.所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可为个人计算机、服务器或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：u盘、只读存储器(rom，read-only memory)、随机存取存储器(ram，random access memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
144.以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。