CN114283361B - 状态信息的确定方法和装置、存储介质及电子装置 - Google Patents

Abstract

本申请公开了一种状态信息的确定方法和装置、存储介质及电子装置，上述方法包括：通过获取一定数量帧的图像信息，图像信息包括目标对象的第一对象信息；基于第一对象信息，对目标对象进行跟踪判断，以确定目标对象的状态；在确定目标对象处于停车状态的情况下，基于目标对象的第二对象信息，通过聚类算法对目标对象进行聚类操作，以得到目标区域，根据目标区域的历史数据，使用视频分类网络模型对目标区域进行分类处理，以得到目标状态信息；采用上述技术方案，解决了相关技术中，无法对处于视频图像信息中的目标对象的状态进行准确确定等问题。

Description

状态信息的确定方法和装置、存储介质及电子装置

技术领域

本申请涉及通信领域，具体而言，涉及一种状态信息的确定方法和装置、存储介质及电子装置。

背景技术

相关技术中，交通事故检测是智能交通系统中最重要的部分之一，实时且鲁棒的交通事故检测方法可以为减少人员伤亡和减少财产损失做出巨大贡献。随着智能交通系统的快速发展，基于计算机视觉技术和图像处理技术的交通事故检测系统的研究吸引了广泛的注意力，许多研究者在这个领域中也取得了重大的进展。

然而，由于交通环境的复杂性，目前提出的方法在实际应用过程中仍然存在一定的限制。相关技术中，现有的方法存在运行速度不够快或在复杂的交通环境下鲁棒性不够好等问题。具体而言存在以下缺陷或不足：使用传统逻辑判断方法，例如根据判断车辆周围是否有人来判断是否发生事故，鲁棒性不高；直接使用视频分类方法会引入过多无关背景信息，难以聚焦到发生事故的区域。

针对相关技术中，无法对处于视频图像信息中的目标对象的状态进行准确确定等问题，目前尚未发现有效的解决方案。

发明内容

本申请实施例提供了一种状态信息的确定方法和装置、存储介质及电子装置，以至少解决相关技术中，无法对处于视频图像信息中的目标对象的状态进行准确确定的问题。

根据本申请实施例的一个实施例，提供了一种状态信息的确定方法，包括：获取目标数量帧的图像信息，其中，所述图像信息包括目标对象的第一对象信息；基于所述第一对象信息，对所述目标对象进行跟踪判断，以确定所述目标对象的状态；在确定所述目标对象处于停车状态的情况下，基于所述目标对象的第二对象信息，对所述目标对象进行聚类操作，以得到目标区域；根据所述目标区域的历史数据，对所述目标区域进行分类处理，以得到目标状态信息。

在一个示例性实施例中，根据所述目标区域的历史数据，对所述目标区域进行分类处理，以得到目标状态信息，包括：从所述图像信息中获取所述目标区域的历史帧图像，通过视频分类网络模型对所述历史帧图像中的目标区域图像序列进行分析，以确定所述目标区域是否存在事故。

在一个示例性实施例中，通过以下方式确定所述目标对象处于所述停车状态：获取目标对象在目标帧图像的前一帧图像的第一图像信息，以及所述目标对象在所述目标帧图像的第二图像信息，其中，所述图像信息包括：所述目标帧图像和所述前一帧图像；在所述第一图像信息和所述第二图像信息的交并比超过预设阈值的情况下，确定所述目标对象处于停车状态。

在一个示例性实施例中，基于所述目标对象的第二对象信息，对所述目标对象进行聚类操作，以得到目标区域，包括：获取所述目标对象的大小信息和对象间距离信息，其中，所述对象间距离信息为目标对象与所述目标对象的相邻对象的相邻距离；按照目标聚类算法对所述大小信息和对象间距离信息进行聚类分析，得到一个或多个所述目标区域。

在一个示例性实施例中，从所述图像信息中获取所述目标区域的历史帧图像之后，所述方法还包括：从所述目标区域的历史帧图像中获取均存在所述目标区域的多个历史帧图像；从所述多个历史帧图像中抠图得到所述目标区域图像序列。

在一个示例性实施例中，从所述多个历史帧图像中抠图得到所述停车区域图像序列，包括：获取所述视频分类网络模型的分析标准，其中，所述分析标准用于指示所述视频分类网络模型对输入的目标区域图像序列的帧数要求；根据所述分析标准从所述多个历史帧图像中抠图得到所述目标区域图像序列。

在一个示例性实施例中，通过视频分类网络模型对所述历史帧图像中的目标区域图像序列进行分析，以确定所述目标区域是否存在事故，包括：将所述历史帧图像中的目标区域图像序列输入到所述视频分类网络模型；通过所述视频分类网络模型获取预先保存的发生事故的图像序列的第一图像特征，以及获取所述目标区域图像序列的第二图像特征；通过所述视频分类网络模型对所述第一图像特征和所述第二图像特征进行匹配，在所述第一图像特征和所述第二图像特征的相似度大于预设阈值的情况下，确定所述目标区域发生事故，在所述第一图像特征和所述第二图像特征的相似度小于预设阈值的情况下，确定所述目标区域未发生事故。

根据本申请实施例的另一个实施例，还提供了一种状态信息的确定装置，包括：获取模块，用于获取目标数量帧的图像信息，其中，所述图像信息包括目标对象的第一对象信息；第一确定模块，用于基于所述第一对象信息，对所述目标对象进行跟踪判断，以确定所述目标对象的状态；第二确定模块，用于在确定所述目标对象处于停车状态的情况下，基于所述目标对象的第二对象信息，对所述目标对象进行聚类操作，以得到目标区域；处理模块，用于根据所述目标区域的历史数据，对所述目标区域进行分类处理，以得到目标状态信息。

根据本申请实施例的另一方面，还提供了一种计算机可读的存储介质，该计算机可读的存储介质中存储有计算机程序，其中，该计算机程序被设置为运行时执行上述状态信息的确定方法。

根据本申请实施例的又一方面，还提供了一种电子装置，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其中，上述处理器通过计算机程序执行上述的事故确认方法。

在本申请实施例中，通过获取一定数量帧的图像信息，图像信息包括目标对象的第一对象信息；基于第一对象信息，对目标对象进行跟踪判断，以确定目标对象的状态；在确定目标对象处于停车状态的情况下，基于目标对象的第二对象信息，通过聚类算法对目标对象进行聚类操作，以得到目标区域，根据目标区域的历史数据，使用视频分类网络模型对目标区域进行分类处理，以得到目标状态信息；采用上述技术方案，解决了相关技术中，无法对处于视频图像信息中的目标对象的状态进行准确确定等问题，实现了能够实时地、准确地确定目标对象的状态。

附图说明

此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：

图1是本申请实施例的一种可选的状态信息的确定方法的交通事故检测系统的硬件结构框图；

图2是根据本申请实施例的一种可选的状态信息的确定方法的流程图；

图3是根据本申请实施例的一种可选的状态信息的确定方法的检测流程图；

图4为本发明实施例中一种可选的交通事故检测系统的结构组成图；

图5是根据本申请实施例的一种可选的状态信息的确定的执行示意图；

图6是根据本申请实施例的一种可选的状态信息的确定系统的结构框图。

具体实施方式

为了使本技术领域的人员更好地理解本申请方案，下面将结合本申请实施例中的附图，对本申请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申请一部分的实施例，而不是全部的实施例。基于本申请中的实施例，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，都应当属于本申请保护的范围。

需要说明的是，本申请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，以便这里描述的本申请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。

本申请实施例所提供的方法实施例可以在交通事故检测系统或者类似的运算系统中执行。以运行在交通事故检测系统上为例，图1是本申请实施例的一种状态信息的确定方法的交通事故检测系统的硬件结构框图。如图1所示，交通事故检测系统可以包括一个或多个(图1中仅示出一个)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等的处理系统)和用于存储数据的存储器104，在一个示例性实施例中，上述交通事故检测系统还可以包括用于通信功能的传输设备106以及输入输出设备108。本领域普通技术人员可以理解，图1所示的结构仅为示意，其并不对上述交通事故检测系统的结构造成限定。例如，交通事故检测系统还可包括比图1中所示更多或者更少的组件，或者具有与图1所示等同功能或比图1所示功能更多的不同的配置。

存储器104可用于存储计算机程序，例如，应用软件的软件程序以及模块，如本申请实施例中的状态信息的确定方法对应的计算机程序，处理器102通过运行存储在存储器104内的计算机程序，从而执行各种功能应用以及数据处理，即实现上述的方法。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系统、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交通事故检测系统。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。

传输系统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交通事故检测系统的通信供应商提供的无线网络。在一个实例中，传输系统106包括一个网络适配器(Network Interface Controller，简称为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。

在本实施例中提供了一种状态信息的确定方法，应用于上述交通事故检测系统，图2是根据本申请实施例的一种可选的状态信息的确定方法的流程图，该流程包括如下步骤：

步骤S202，获取目标数量帧的图像信息，其中，所述图像信息包括目标对象的第一对象信息；

步骤S204，基于所述第一对象信息，对所述目标对象进行跟踪判断，以确定所述目标对象的状态；

步骤S206，在确定所述目标对象处于停车状态的情况下，基于所述目标对象的第二对象信息，对所述目标对象进行聚类操作，以得到目标区域；

步骤S208，根据所述目标区域的历史数据，对所述目标区域进行分类处理，以得到目标状态信息。

需要说明的是，上述对目标对象进行聚类操作可以通过使用聚类算法，聚类算法可以包括：DBSCAN(Density-Based Spatial Clustering of Applications with Noise，有代表性的基于密度的聚类算法)、k-means(k-means clustering algorithm，K均值算法)、GMM(Gaussian Mixture Model，高斯混合模型)等，本申请对此不做限制。

需要说明的是，上述获取目标数量帧的图像信息可采用对图像进行车辆检测，其中，检测方法可采用常见深度学习检测网络yolo系列或Faster-rcnn系列，本申请对此不做限制。

需要说明的是，上述对所述目标对象进行跟踪判断可采用sort/deep sort多目标跟踪方法，本申请对此不做限制。

通过上述步骤，在本申请实施例中，通过车辆检测获取目标数量帧的图像信息，其中，图像信息包括目标对象的第一对象信息；基于第一对象信息，通过跟踪模块对目标对象进行跟踪判断，以确定目标对象的状态；在确定目标对象处于停车状态的情况下，基于目标对象的第二对象信息，对目标对象进行聚类操作，以得到目标区域，根据该目标区域的历史图像帧数据，对目标区域使用视频分类网络模型进行分类处理，以得到目标状态信息。采用上述技术方案，解决了相关技术中，无法对处于视频图像信息中的目标对象的状态进行准确确定等问题，实现了能够实时地、准确地确定目标对象的状态的技术效果。

在一个示例性实施例中，根据所述目标区域的历史数据，对所述目标区域进行分类处理，以得到目标状态信息，包括：从所述图像信息中获取所述目标区域的历史帧图像，通过视频分类网络模型对所述历史帧图像中的目标区域图像序列进行分析，以确定所述目标区域是否存在事故。

也就是说，在本发明实施例中，交通事故检测系统需要先获取可能存在交通事故的目标区域的历史图像帧数据，由该目标区域的历史图像帧与当前图像帧组成目标区域图像序列，并通过视频分类网络模型对该目标区域图像序列进行分析并分类，以确定该目标区域是否存在交通事故。

基于上述过程，通过以下方式确定所述目标对象处于所述停车状态：获取目标对象在目标帧图像的前一帧图像的第一图像信息，以及所述目标对象在所述目标帧图像的第二图像信息，其中，所述图像信息包括：所述目标帧图像和所述前一帧图像；在所述第一图像信息和所述第二图像信息的交并比超过预设阈值的情况下，确定所述目标对象处于停车状态。

发生事故时，事故车辆周围通常会存在围观车辆，且事故车辆也必然会停止行驶，因此可以通过检测是否存在停车车辆来初步判断是否可能存在事故，减少视频分类网络模型的工作量；具体而言，判断目标对象是否处于停车状态的具体方法包括：通过获取目标对象在目标帧图像的前一帧图像的第一图像信息，以及目标对象在目标帧图像的第二图像信息，在第一图像信息和第二图像信息的交并比超过预设阈值的情况下，确定目标对象处于停车状态。

在一个示例性实施例中，基于所述目标对象的第二对象信息，对所述目标对象进行聚类操作，以得到目标区域，包括：获取所述目标对象的大小信息和对象间距离信息，其中，所述对象间距离信息为目标对象与所述目标对象的相邻对象的相邻距离；按照目标聚类算法对所述大小信息和对象间距离信息进行聚类分析，得到一个或多个所述目标区域。

在确定该待检测车辆为停车车辆后，为了进一步的确定事故可能发生的区域，需要先对该停车车辆周围存在的停车车辆进行检测并聚类，在实际应用中，交通事故现场周围可能存在围观车辆，但围观车辆一般离得较远，在进行停车车辆聚类时，会对停车车辆进行距离判断，在距离小于预设值时，才会划分到一个停车区域中，防止将围观停车车辆也引入到识别图像中，增大识别工作量。由附图5可知，通过检测出停车车辆周围所有的停车车辆，判断停车车辆的距离小于预定阈值时，划分该停车车辆到停车区域中，由于事故发生现场可能存在多处停车聚集区域，因此，获取所有存在的停车区域，以便于进一步的检测。

在一个示例性实施例中，从所述图像信息中获取所述目标区域的历史帧图像之后，所述方法还包括：从所述目标区域的历史帧图像中获取均存在所述目标区域的多个历史帧图像；从所述多个历史帧图像中抠图得到所述目标区域图像序列。

可以理解的是，仅通过对目标时刻的停车区域的图像进行检测，无法准确得到检测结果，因此交通事故检测系统先从缓存的历史帧图像中获取存在该停车区域的多个历史帧图像，并从所述多个历史帧图像中抠图得到停车区域图像，以便于后续进一步识别分类。

基于上述过程，从所述多个历史帧图像中抠图得到所述停车区域图像序列，包括：获取所述视频分类网络模型的分析标准，其中，所述分析标准用于指示所述视频分类网络模型对输入的目标区域图像序列的帧数要求；根据所述分析标准从所述多个历史帧图像中抠图得到所述目标区域图像序列。

由于不同的视频分类网络对于输入的图像的要求不同，为了帮助视频分类网络快速完成分析，在从多个历史帧图像中抠图得到停车区域图像序列之前，先获取该视频分类网络的分析标准，具体包括对输入的停车区域图像序列的帧数要求，根据该分析标准获取停车区域图像序列。

在一个示例性实施例中，通过视频分类网络模型对所述历史帧图像中的目标区域图像序列进行分析，以确定所述目标区域是否存在事故，包括：将所述历史帧图像中的目标区域图像序列输入到所述视频分类网络模型；通过所述视频分类网络模型获取预先保存的发生事故的图像序列的第一图像特征，以及获取所述目标区域图像序列的第二图像特征；通过所述视频分类网络模型对所述第一图像特征和所述第二图像特征进行匹配，在所述第一图像特征和所述第二图像特征的相似度大于预设阈值的情况下，确定所述目标区域发生事故，在所述第一图像特征和所述第二图像特征的相似度小于预设阈值的情况下，确定所述目标区域未发生事故。

在获取到目标停车区域的目标区域图像序列后，将目标区域图像序列输入到视频分类网络模型中，通过获取当前发生事故的图像序列的第一图像特征以及目标区域图像序列的第二图像特征，对第一图像特征和第二图像特征进行匹配，在第一图像特征和第二图像特征的相似度小于预设阈值的情况下，确定该目标区域未发生事故。

需要说明的是，在确定目标区域发生了事故之后，交通事故检测系统还会将这些信息进行存档，以方便后续信息的查找，存档的信息可以包括：停车区域图像序列、视频分类结果、目标时刻、以及事故发生的地点等信息。本申请对此不做限制。

在一个示例性实施例中，从所述多个历史帧图像中抠图得到所述停车区域图像序列，包括：获取所述视频分类网络的分析标准，其中，所述分析标准用于指示所述视频分类网络对输入的停车区域图像序列的帧数要求；根据所述分析标准从所述多个历史帧图像中抠图得到所述停车区域图像序列。

由于不同的视频分类网络对于输入的图像的要求不同，为了帮助视频分类网络快速完成分析，在从多个历史帧图像中抠图得到停车区域图像序列之前，先获取该视频分类网络的分析标准，具体包括对输入的停车区域图像序列的帧数要求，根据该分析标准获取停车区域图像序列。

需要说明的是，上述视频分类网络模型属于深度学习视频分类网络，可为2D网络，如TSN模型；3D网络，如I3D模型，本申请对此不做限制。

需要说明的是，上述停车区域图像序列是从历史图像序列中将停车区域的图像一一扣出得到的，停车区域图像序列可为8帧、16帧，视使用的深度学习视频分类网络而定，本申请对此不做限制。

基于上述过程，通过视频分类网络模型对所述历史帧图像中的停车区域图像序列进行分析，以确定所述停车区域是否存在事故之后，所述方法还包括：在所述停车区域确定发生事故的情况下，对所述目标帧图像进行图像识别，以获取所述事故的描述信息，其中，所述描述信息包括以下至少之一：事故发生地，事故发生的车辆的车牌信息；根据所述描述信息发起告警操作。

在确定发生交通事故之后，交通事故检测系统会继续对该目标帧图像进行图像识别，来获取事故发生地的地址信息、事故发生的车牌信息等信息，并通过这些信息发起告警操作，提醒人们做出应对措施。

需要说明的是，在获取到这些信息并告警后，交通事故检测系统还会将这些信息进行存档，以方便后续信息的查找，存档的信息可以包括：停车区域图像序列、视频分类结果、目标时刻、以及事故发生的地点等信息。本申请对此不做限制。

为了更好的理解上述实施例的技术方案，本发明实施例对以下术语进行解释说明。

鲁棒：在异常和危险情况下系统生存的能力。

鲁棒性：指控制系统在一定(结构，大小)的参数摄动下，维持其他某些性能的特性。

为了更好的理解上述状态信息的确定方法的过程，以下再结合可选实施例对上述状态信息的确定的实现方法流程进行说明，但不用于限定本申请实施例的技术方案。

在本实施例中提供了一种状态信息的确定方法，图3是根据本申请实施例的状态信息的确定方法的检测流程图，如图3所示，具体如下步骤：

步骤S302：开始进行事故检测；

步骤S304：输入视频流到交通事故检测单元；

步骤S306：对图像进行车辆检测和跟踪；

步骤S308：利用跟踪信息查找停车车辆；

步骤S310：判断是否存在停车车辆，若不存在则继续返回执行步骤S304；

步骤S312：若存在停车车辆则通过聚类算法对停车车辆做停车区域聚类；

步骤S314：从缓存的历史视频帧中扣出停车区域ROI(Region of interest感兴趣区域)图像序列；

步骤S316：对图像序列使用视频分类网络进行视频分类，判断是否发生了事故，若没有发生事故则返回执行步骤S304；

步骤S318：若判断发生了事故则通过报警单元进行报警；

步骤S320：在输入视频流进行检测的同时缓存视频流。

在本发明实施例中，交通事故检测系统通过视频流获取单元持续获取视频流并输入到交通事故检测单元，交通事故检测单元通过对视频流中的图像进行车辆检测+跟踪判断是否存在停车车辆，若不存在则继续下一次视频流的检测；若存在停车车辆则对停车车辆进行停车区域聚类，得到停车区域，并从缓存的历史视频帧中截取出存在停车区域的图像序列，对图像序列使用视频分类网络进行视频分类，判断是否发生了交通事故，若没有发生交通事故则继续下一次视频流的检测；若判断发生了事故则通过报警单元报警。

通过上述步骤，实现了能够实时地、准确地确定目标对象的状态，解决了相关技术中，无法对处于视频图像信息中的目标对象的状态进行准确确定等问题。

图4为本发明实施例中一种可选的交通事故检测系统的结构组成图；如图4所示，具体包括：

视频流获取单元：用于持续获取交通视频流，并将视频流输入到交通事故检测单元；

交通事故检测单元：接收视频流获取单元传来的视频流，对视频流中的每一帧图像进行检测；在确定所述视频流中的目标帧图像存在停车车辆的情况下，对所述目标帧图像中的停车车辆使用聚类算法进行聚类，以得到停车区域，其中，所述停车区域中包括：所述停车车辆，以及与所述停车车辆相邻的相邻车辆，所述目标帧图像与目标时刻对应；从所述视频流中获取所述停车区域在所述目标时刻之前的历史帧图像，通过视频分类网络模型对所述历史帧图像中的停车区域图像序列进行分析，以确定所述停车区域是否存在事故。

报警单元：在确定所述停车区域存在事故的情况下，通过报警单元报警；并可以根据交通事故检测单元输出的事故等级，执行对应的指令。

事件检索及查询单元：在确定所述停车区域存在事故的情况下，将所述停车区域图像序列、所述视频分类结果、所述目标时刻以及事故发生地点进行整合并存档；并将所述停车区域图像序列和所述视频分类结果输入所述视频分类网络模型，通过深度学习进一步加强所述视频分类网络模型。

图5是根据本申请实施例的一种可选的状态信息的确定的执行示意图；如图5所示，具体包括：

在发生交通事故时，道路上会有一至多辆汽车停车处理事故或因事故无法开走，此时通过检测算法检测道路上存在的停车车辆，并根据该检测到的所有停车车辆通过聚类算法聚类出一至多个聚类区域，如图5所示，高速公路上两辆汽车出现碰撞事故，停在道路右侧处理事故，交通事故检测系统通过输入的视频流进行检测识别捕捉到了这两辆车辆，并划分出了停车区域，再对该停车区域进行视频分类得到事故检测结果并输出。

在本发明实施例中，提出了一种用来检测事故是否发生的系统——交通事故检测系统，交通事故检测系统通过检测停车车辆确定停车区域，并获取该停车区域的历史帧图像，将该停车区域的图像序列输入视频分类网络模型进行识别分类，确定事故是否发生，通过精准定位潜在事故区域减轻了后续视频分类网络的计算压力，且通过视频分类网络判断是否存在事故，相比逻辑判断方法，鲁棒性更好。

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，本申请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)执行本申请各个实施例的方法。

图6是根据本申请实施例的一种状态信息的确定装置的结构框图；如图6所示，包括：

获取模块62，用于获取目标数量帧的图像信息，其中，所述图像信息包括目标对象的第一对象信息；

第一确定模块64，用于基于所述第一对象信息，对所述目标对象进行跟踪判断，以确定所述目标对象的状态；

第二确定模块66，用于在确定所述目标对象处于停车状态的情况下，基于所述目标对象的第二对象信息，对所述目标对象进行聚类操作，以得到目标区域；

处理模块68，用于根据所述目标区域的历史数据，对所述目标区域进行分类处理，以得到目标状态信息。

通过上述装置，通过获取一定数量帧的图像信息，图像信息包括目标对象的第一对象信息；基于第一对象信息，对目标对象进行跟踪判断，以确定目标对象的状态；在确定目标对象处于停车状态的情况下，基于目标对象的第二对象信息，通过聚类算法对目标对象进行聚类操作，以得到目标区域，根据目标区域的历史数据，使用视频分类网络模型对目标区域进行分类处理，以得到目标状态信息；采用上述技术方案，解决了相关技术中，无法对处于视频图像信息中的目标对象的状态进行准确确定等问题，进而实现了能够实时地、准确地确定目标对象的状态。

在一个示例性实施例中，所述处理模块，还用于对所述目标区域进行分类处理，以得到目标状态信息，包括：从所述图像信息中获取所述目标区域的历史帧图像，通过视频分类网络模型对所述历史帧图像中的目标区域图像序列进行分析，以确定所述目标区域是否存在事故。

也就是说，在本发明实施例中，交通事故检测系统需要先获取可能存在交通事故的目标区域的历史图像帧数据，由该目标区域的历史图像帧与当前图像帧组成目标区域图像序列，并通过视频分类网络模型对该目标区域图像序列进行分析并分类，以确定该目标区域是否存在交通事故。

在一个示例性实施例中，所述第一确定模块，还用于通过以下方式确定所述目标对象处于所述停车状态：获取目标对象在目标帧图像的前一帧图像的第一图像信息，以及所述目标对象在所述目标帧图像的第二图像信息，其中，所述图像信息包括：所述目标帧图像和所述前一帧图像；在所述第一图像信息和所述第二图像信息的交并比超过预设阈值的情况下，确定所述目标对象处于停车状态。

发生事故时，事故车辆周围通常会存在围观车辆，且事故车辆也必然会停止行驶，因此可以通过检测是否存在停车车辆来初步判断是否可能存在事故，减少视频分类网络模型的工作量；具体而言，判断目标对象是否处于停车状态的具体方法包括：通过获取目标对象在目标帧图像的前一帧图像的第一图像信息，以及目标对象在目标帧图像的第二图像信息，在第一图像信息和第二图像信息的交并比超过预设阈值的情况下，确定目标对象处于停车状态。

在一个示例性实施例中，所述第二确定模块，还用于基于所述目标对象的第二对象信息，对所述目标对象进行聚类操作，以得到目标区域，包括：获取所述目标对象的大小信息和对象间距离信息，其中，所述对象间距离信息为目标对象与所述目标对象的相邻对象的相邻距离；按照目标聚类算法对所述大小信息和对象间距离信息进行聚类分析，得到一个或多个所述目标区域。

在确定该待检测车辆为停车车辆后，为了进一步的确定事故可能发生的区域，需要先对该停车车辆周围存在的停车车辆进行检测并聚类，在实际应用中，交通事故现场周围可能存在围观车辆，但围观车辆一般离得较远，在进行停车车辆聚类时，会对停车车辆进行距离判断，在距离小于预设值时，才会划分到一个停车区域中，防止将围观停车车辆也引入到识别图像中，增大识别工作量。由附图5可知，通过检测出停车车辆周围所有的停车车辆，判断停车车辆的距离小于预定阈值时，划分该停车车辆到停车区域中，由于事故发生现场可能存在多处停车聚集区域，因此，获取所有存在的停车区域，以便于进一步的检测。

在一个示例性实施例中，所述获取模块，还用于从所述图像信息中获取所述目标区域的历史帧图像之后，所述方法还包括：从所述目标区域的历史帧图像中获取均存在所述目标区域的多个历史帧图像；从所述多个历史帧图像中抠图得到所述目标区域图像序列。

可以理解的是，仅通过对目标时刻的停车区域的图像进行检测，无法准确得到检测结果，因此交通事故检测系统先从缓存的历史帧图像中获取存在该停车区域的多个历史帧图像，并从所述多个历史帧图像中抠图得到停车区域图像，以便于后续进一步识别分类。

在一个示例性实施例中，所述获取模块，还用于从所述多个历史帧图像中抠图得到所述停车区域图像序列，包括：获取所述视频分类网络模型的分析标准，其中，所述分析标准用于指示所述视频分类网络模型对输入的目标区域图像序列的帧数要求；根据所述分析标准从所述多个历史帧图像中抠图得到所述目标区域图像序列。

由于不同的视频分类网络对于输入的图像的要求不同，为了帮助视频分类网络快速完成分析，在从多个历史帧图像中抠图得到停车区域图像序列之前，先获取该视频分类网络的分析标准，具体包括对输入的停车区域图像序列的帧数要求，根据该分析标准获取停车区域图像序列。

在一个示例性实施例中，所述处理模块，还用于通过视频分类网络模型对所述历史帧图像中的目标区域图像序列进行分析，以确定所述目标区域是否存在事故，包括：将所述历史帧图像中的目标区域图像序列输入到所述视频分类网络模型；通过所述视频分类网络模型获取预先保存的发生事故的图像序列的第一图像特征，以及获取所述目标区域图像序列的第二图像特征；通过所述视频分类网络模型对所述第一图像特征和所述第二图像特征进行匹配，在所述第一图像特征和所述第二图像特征的相似度大于预设阈值的情况下，确定所述目标区域发生事故，在所述第一图像特征和所述第二图像特征的相似度小于预设阈值的情况下，确定所述目标区域未发生事故。

在获取到目标停车区域的目标区域图像序列后，将目标区域图像序列输入到视频分类网络模型中，通过获取当前发生事故的图像序列的第一图像特征以及目标区域图像序列的第二图像特征，对第一图像特征和第二图像特征进行匹配，在第一图像特征和第二图像特征的相似度小于预设阈值的情况下，确定该目标区域未发生事故。

在一个示例性实施例中，所述获取模块，还用于从所述多个历史帧图像中抠图得到所述停车区域图像序列，包括：获取所述视频分类网络的分析标准，其中，所述分析标准用于指示所述视频分类网络对输入的停车区域图像序列的帧数要求；根据所述分析标准从所述多个历史帧图像中抠图得到所述停车区域图像序列。

由于不同的视频分类网络对于输入的图像的要求不同，为了帮助视频分类网络快速完成分析，在从多个历史帧图像中抠图得到停车区域图像序列之前，先获取该视频分类网络的分析标准，具体包括对输入的停车区域图像序列的帧数要求，根据该分析标准获取停车区域图像序列。

在一个示例性实施例中，所述获取模块，还用于通过视频分类网络模型对所述历史帧图像中的停车区域图像序列进行分析，以确定所述停车区域是否存在事故之后，所述方法还包括：在所述停车区域确定发生事故的情况下，对所述目标帧图像进行图像识别，以获取所述事故的描述信息，其中，所述描述信息包括以下至少之一：事故发生地，事故发生的车辆的车牌信息；根据所述描述信息发起告警操作。

在确定发生交通事故之后，交通事故检测系统会继续对该目标帧图像进行图像识别，来获取事故发生地的地址信息、事故发生的车牌信息等信息，并通过这些信息发起告警操作，提醒人们做出应对措施。

本申请的实施例还提供了一种存储介质，该存储介质包括存储的程序，其中，上述程序运行时执行上述任一项的方法。

可选地，在本实施例中，上述存储介质可以被设置为存储用于执行以下步骤的程序代码：

S1，获取目标数量帧的图像信息，其中，所述图像信息包括目标对象的第一对象信息；

S2，基于所述第一对象信息，对所述目标对象进行跟踪判断，以确定所述目标对象的状态；

S3，在确定所述目标对象处于停车状态的情况下，基于所述目标对象的第二对象信息，对所述目标对象进行聚类操作，以得到目标区域；

S4，根据所述目标区域的历史数据，对所述目标区域进行分类处理，以得到目标状态信息。

本申请的实施例还提供了一种电子装置，包括存储器和处理器，该存储器中存储有计算机程序，该处理器被设置为运行计算机程序以执行上述任一项方法实施例中的步骤。

可选地，上述电子装置还可以包括传输设备以及输入输出设备，其中，该传输设备和上述处理器连接，该输入输出设备和上述处理器连接。

可选地，在本实施例中，上述处理器可以被设置为通过计算机程序执行以下步骤：

S1，获取目标数量帧的图像信息，其中，所述图像信息包括目标对象的第一对象信息；

S2，基于所述第一对象信息，对所述目标对象进行跟踪判断，以确定所述目标对象的状态；

S3，在确定所述目标对象处于停车状态的情况下，基于所述目标对象的第二对象信息，对所述目标对象进行聚类操作，以得到目标区域；

S4，根据所述目标区域的历史数据，对所述目标区域进行分类处理，以得到目标状态信息。

可选地，在本实施例中，上述存储介质可以包括但不限于：U盘、只读存储器(Read-Only Memory，简称为ROM)、随机存取存储器(Random Access Memory，简称为RAM)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。

可选地，本实施例中的具体示例可以参考上述实施例及可选实施方式中所描述的示例，本实施例在此不再赘述。

显然，本领域的技术人员应该明白，上述的本申请的各模块或各步骤可以用通用的计算系统来实现，它们可以集中在单个的计算系统上，或者分布在多个计算系统所组成的网络上，可选地，它们可以用计算系统可执行的程序代码来实现，从而，可以将它们存储在存储系统中由计算系统来执行，并且在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤，或者将它们分别制作成各个集成电路模块，或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。这样，本申请不限制于任何特定的硬件和软件结合。

以上所述仅为本申请的优选实施例而已，并不用于限制本申请，对于本领域的技术人员来说，本申请可以有各种更改和变化。凡在本申请的原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。

Claims (8)

1.一种状态信息的确定方法，其特征在于，包括：

获取目标数量帧的图像信息，其中，所述图像信息包括目标对象的第一对象信息；

基于所述第一对象信息，对所述目标对象进行跟踪判断，以确定所述目标对象的状态；

在确定所述目标对象处于停车状态的情况下，基于所述目标对象的第二对象信息，对所述目标对象进行聚类操作，以得到目标区域；

根据所述目标区域的历史数据，对所述目标区域进行分类处理，以得到目标状态信息；

其中，根据所述目标区域的历史数据，对所述目标区域进行分类处理，以得到目标状态信息，包括：

从所述图像信息中获取所述目标区域的历史帧图像，通过视频分类网络模型对所述历史帧图像中的目标区域图像序列进行分析，以确定所述目标区域是否存在事故；

其中，通过视频分类网络模型对所述历史帧图像中的目标区域图像序列进行分析，以确定所述目标区域是否存在事故，包括：

将所述历史帧图像中的目标区域图像序列输入到所述视频分类网络模型；

通过所述视频分类网络模型获取预先保存的发生事故的图像序列的第一图像特征，以及获取所述目标区域图像序列的第二图像特征；

通过所述视频分类网络模型对所述第一图像特征和所述第二图像特征进行匹配，在所述第一图像特征和所述第二图像特征的相似度大于预设阈值的情况下，确定所述目标区域发生事故，在所述第一图像特征和所述第二图像特征的相似度小于预设阈值的情况下，确定所述目标区域未发生事故。

2.根据权利要求1所述的状态信息的确定方法，其特征在于，通过以下方式确定所述目标对象处于所述停车状态：

获取目标对象在目标帧图像的前一帧图像的第一图像信息，以及所述目标对象在所述目标帧图像的第二图像信息，其中，所述图像信息包括：所述目标帧图像和所述前一帧图像；

在所述第一图像信息和所述第二图像信息的交并比超过预设阈值的情况下，确定所述目标对象处于停车状态。

3.根据权利要求1所述的状态信息的确定方法，其特征在于，基于所述目标对象的第二对象信息，对所述目标对象进行聚类操作，以得到目标区域，包括：

获取所述目标对象的大小信息和对象间距离信息，其中，所述对象间距离信息为目标对象与所述目标对象的相邻对象的相邻距离；

按照目标聚类算法对所述大小信息和对象间距离信息进行聚类分析，得到一个或多个所述目标区域。

4.根据权利要求1所述的状态信息的确定方法，其特征在于，从所述图像信息中获取所述目标区域的历史帧图像之后，所述方法还包括：

从所述目标区域的历史帧图像中获取均存在所述目标区域的多个历史帧图像；

从所述多个历史帧图像中抠图得到所述目标区域图像序列。

5.根据权利要求4所述的状态信息的确定方法，其特征在于，从所述多个历史帧图像中抠图得到所述目标区域图像序列，包括：

获取所述视频分类网络模型的分析标准，其中，所述分析标准用于指示所述视频分类网络模型对输入的目标区域图像序列的帧数要求；

根据所述分析标准从所述多个历史帧图像中抠图得到所述目标区域图像序列。

6.一种状态信息的确定装置，其特征在于，包括：

获取模块，用于获取目标数量帧的图像信息，其中，所述图像信息包括目标对象的第一对象信息；

第一确定模块，用于基于所述第一对象信息，对所述目标对象进行跟踪判断，以确定所述目标对象的状态；

第二确定模块，用于在确定所述目标对象处于停车状态的情况下，基于所述目标对象的第二对象信息，对所述目标对象进行聚类操作，以得到目标区域；

处理模块，用于根据所述目标区域的历史数据，对所述目标区域进行分类处理，以得到目标状态信息；

其中，所述处理模块，还用于从所述图像信息中获取所述目标区域的历史帧图像，通过视频分类网络模型对所述历史帧图像中的目标区域图像序列进行分析，以确定所述目标区域是否存在事故；

其中，所述处理模块，还用于将所述历史帧图像中的目标区域图像序列输入到所述视频分类网络模型；通过所述视频分类网络模型获取预先保存的发生事故的图像序列的第一图像特征，以及获取所述目标区域图像序列的第二图像特征；通过所述视频分类网络模型对所述第一图像特征和所述第二图像特征进行匹配，在所述第一图像特征和所述第二图像特征的相似度大于预设阈值的情况下，确定所述目标区域发生事故，在所述第一图像特征和所述第二图像特征的相似度小于预设阈值的情况下，确定所述目标区域未发生事故。

7.一种计算机可读的存储介质，其特征在于，所述计算机可读的存储介质包括存储的程序，其中，所述程序运行时执行上述权利要求1至5任一项中所述的方法。

8.一种电子装置，包括存储器和处理器，其特征在于，所述存储器中存储有计算机程序，所述处理器被设置为通过所述计算机程序执行所述权利要求1至5任一项所述的方法。