确定车辆行驶速度的方法及装置、电子设备与流程

1.本发明涉及交通视频分析技术领域，特别涉及一种确定车辆行驶速度的方法及装置、电子设备。


背景技术：

2.目前，在高速公路交通管理应用场景中，超速行驶往往是造成交通事故的主要原因。高速公路交通管理中需要对车辆行驶速度进行检测，保障道路行车安全。传统技术往往通过视频监控进行区间测速，在测速区间的起始地点和结束地点设置监控设备，记录车辆通过两端的时间并抓拍图片，从而获得车辆在测速区间的平均车速。因此，由于目前的测速区间较长，目前的测速方案不能反映车辆的实时车速。


技术实现要素：

3.本技术实施例的目的是提供一种确定车辆行驶速度的方法及装置、电子设备。用于提供一种车速测量方案。
4.第一方面，本技术实施例提供了一种确定车辆行驶速度的方法，所述方法包括：针对图像采集设备采集到的目标视频中的每帧视频图像，分别执行以下操作：对所述视频图像进行目标检测，识别所述视频图像中的车行道分界虚线和目标车辆；所述目标车辆为需要进行速度检测的车辆；根据识别到的所述视频图像中的车行道分界虚线，确定至少一个包含所述车行道分界虚线的检测区域；针对任意一个检测区域，获取所述目标视频中所述目标车辆初次驶入所述检测区域的第一参考视频图像，以及所述目标视频中所述目标车辆初次驶出所述检测区域的第二参考视频图像；根据所述第一参考视频图像和所述第二参考视频图像的采集时间，以及所述检测区域对应的车辆行驶距离，确定所述目标车辆在所述检测区域的行驶速度；其中，所述检测区域对应的车辆行驶距离是基于所述检测区域中包含的车行道分界虚线的线段个数确定的；根据确定出的所述目标车辆在各个检测区域的行驶速度，确定所述目标车辆的行驶速度。
5.在一些可能的实施例中，所述对所述视频图像进行目标检测，识别所述视频图像中的车行道分界虚线和目标车辆，包括：将所述视频图像输入已训练的目标检测模型的主干特征提取子网络，提取所述视频图像中包括的至少一个检测对象的图像特征；将所述各个检测对象的图像特征输入目标检测模型的多层次特征金字塔子网络中，针对任意一个检测对象，对所述检测对象的图像特征进行特征融合，确定所述检测对象对应的检测框和表征所述检测对象类别的预测参数；将各个所述检测对象的所述检测框和所述预测参数输入到非极大抑制子网络中，
获得所述至少一个检测对象中的车行道分界虚线和目标车辆。
6.在一些可能的实施例中，所述将所述视频图像输入已训练的目标检测模型的主干特征提取子网络，提取所述视频图像中包括的至少一个检测对象的图像特征，包括：将所述视频图像进行第一卷积处理，获得经第一卷积处理之后的特征图；基于激活函数，对所述特征图进行多次的第二卷积处理，提取所述视频图像中包括的至少一个检测对象的图像特征。
7.在一些可能的实施例中，所述激活函数为mish激活函数；所述主干特征提取子网络为轻量级网络。
8.在一些可能的实施例中，所述检测区域的边缘包括第一绊线检测线和第二绊线检测线；所述第一绊线检测线与所述检测区域中车辆行驶方向上的车行道分界虚线的第一个线段相交，所述第二绊线检测线与所述检测区域中车辆行驶方向上的车行道分界虚线的最后一个线段相交。
9.在一些可能的实施例中，所述第一绊线检测线、所述第二绊线检测线与所述视频图像的图像边缘平行。
10.第二方面，本技术实施例提供了一种确定车辆行驶速度的装置，所述装置包括：识别模块，用于针对图像采集设备采集到的目标视频中的每帧视频图像，分别执行以下操作：对所述视频图像进行目标检测，识别所述视频图像中的车行道分界虚线和目标车辆；所述目标车辆为需要进行速度检测的车辆；检测区域确定模块，用于根据识别到的所述视频图像中的车行道分界虚线，确定至少一个包含所述车行道分界虚线的检测区域；行驶速度确定模块，用于针对任意一个检测区域，获取所述目标视频中所述目标车辆初次驶入所述检测区域的第一参考视频图像，以及所述目标视频中所述目标车辆初次驶出所述检测区域的第二参考视频图像；根据所述第一参考视频图像和所述第二参考视频图像的采集时间，以及所述检测区域对应的车辆行驶距离，确定所述目标车辆在所述检测区域的行驶速度；其中，所述检测区域对应的车辆行驶距离是基于所述检测区域中包含的车行道分界虚线的线段个数确定的；处理模块，用于根据确定出的所述目标车辆在各个检测区域的行驶速度，确定所述目标车辆的行驶速度。
11.第三方面，本技术实施例提供一种电子设备，包括至少一个处理器；以及与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执上述第一方面提供的确定车辆行驶速度的方法。
12.第四方面，本技术实施例提供计算机存储介质，所述计算机存储介质存储有计算机程序，所述计算机程序用于使计算机执行上述第一方面提供的确定车辆行驶速度的方法。
13.本技术实施例通过图像采集设备拍摄道路环境的目标视频，通过识别视频图像中的检测区域，根据车辆驶入和驶出检测区域的时间，可以确定车辆的实时车速。由于检测区域为一帧视频图像中的部分区域，检测区域对应的实际行驶距离较短，从而能够获得车辆
的实时车速。另外，本技术实施例在确定视频图像中的检测区域时，借助道路中的车行道分界虚线，由于车行道分界虚线中的线段长度固定，因此能够直接确定检测区域所对应的实际行驶距离，从而保证车速测量的准确性。
14.本技术实施例的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本技术而了解。本技术实施例的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。
附图说明
15.为了更清楚地说明本技术实施例的技术方案，下面将对本技术实施例中所需要使用的附图作简单地介绍，显而易见地，下面所介绍的附图仅仅是本技术的一些实施例，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，还可以根据这些附图获得其他的附图。
16.图1为根据本技术实施例的应用场景图；图2为根据本技术实施例的确定车辆行驶速度的方法的流程示意图；图3为根据本技术实施例的车行道分界虚线的示意图；图4为根据本技术实施例的目标检测模型的架构示意图；图5为根据本技术实施例的识别车行道分界虚线和目标车辆的方法的流程示意图；图6为根据本技术实施例的主干特征提取子网络提取图像特征的方式的流程示意图；图7为根据本技术实施例的主干特征提取子网络的架构示意图；图8为根据本技术实施例的特征融合的架构示意图；图9为根据本技术实施例的目标检测模型的整体架构示意图；图10为根据本技术实施例的检测区域中车行道分解虚线的线段示意图；图11为根据本技术实施例的车行道分界虚线和绊线检测线的示意图；图12为根据本技术实施例的确定车辆行驶速度的装置结构示意图；图13为根据本技术实施例的一种电子设备结构示意图。
具体实施方式
17.下面将结合附图对本技术实施例中的技术方案进行清楚、详尽地描述。在本技术实施例的描述中，除非另有说明，“/”表示或的意思，例如，a/b可以表示a或b；文本中的“和/或”仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，a和/或b，可以表示：单独存在a，同时存在a和b，单独存在b这三种情况，另外，在本技术实施例的描述中，“多个”是指两个或多于两个。
18.在本技术实施例的描述中，除非另有说明，术语“多个”是指两个或两个以上，其它量词与之类似应当理解，此处所描述的优选实施例仅用于说明和解释本技术，并不用于限定本技术，并且在不冲突的情况下，本技术的实施例及实施例中的特征可以相互组合。
19.为进一步说明本技术实施例提供的技术方案，下面结合附图以及具体实施方式对此进行详细的说明。虽然本技术实施例提供了如下述实施例或附图所示的方法操作步骤，
但基于常规或者无需创造性的劳动在方法中可以包括更多或者更少的操作步骤。在逻辑上不存在必要因果关系的步骤中，这些步骤的执行顺序不限于本技术实施例提供的执行顺序。方法在实际的处理过程中或者控制设备执行时，可以按照实施例或者附图所示的方法顺序执行或者并行执行。
20.本技术实施例提出一种确定车辆行驶速度方法及装置、电子设备，能够将目标车辆行进方向上的位移转化为检测区域中车行道分界虚线的绝对测量距离，有效提升确定车辆行驶速度的准确度。
21.本技术实施例的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本技术而了解。本技术的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。
22.下面结合附图对本技术实施例中的确定车辆行驶速度方法进行详细说明。
23.参见图1，为根据本技术一个实施例的应用环境的示意图。
24.如图1所示，该应用环境中例如可以包括沿道路设置的多个图像采集设备101、服务器102、目标车辆103，服务器102与图像采集设备101之间通过通信网络连接。在图1中的道路环境下；目标车辆103为需要进行速度检测的车辆；图像采集设备101用于拍摄图1中道路环境的目标视频；服务器102用于，获取图像采集设备101采集的包含道路环境的目标视频；针对所述目标视频中的每帧视频图像分别执行以下操作：对所述视频图像进行目标检测，识别所述视频图像中的车行道分界虚线和目标车辆103；根据识别到的所述视频图像中的车行道分界虚线，确定至少一个包含所述车行道分界虚线的检测区域；针对任意一个检测区域，获取所述目标视频中所述目标车辆103初次驶入所述检测区域的第一参考视频图像，以及所述目标视频中所述目标车辆103初次驶出所述检测区域的第二参考视频图像；根据所述第一参考视频图像和所述第二参考视频图像的采集时间，以及所述检测区域对应的车辆行驶距离，确定所述目标车辆103在所述检测区域的行驶速度；根据确定出的目标车辆103在各个检测区域的行驶速度，确定目标车辆103的行驶速度。
25.图2示出了本技术一个实施例提供的确定车辆行驶速度的方法流程示意图，包括：步骤201：针对图像采集设备采集到的目标视频中的每帧视频图像，分别执行以下操作：对视频图像进行目标检测，识别视频图像中的车行道分界虚线和目标车辆；目标车辆为需要进行速度检测的车辆。
26.具体来讲，实施中，图像采集设备可以为道路监控设备，例如高速监控相机或门架视频监控设备。图像采集设备可以部署在道路的上方，拍摄的包含道路环境的目标视频。每帧视频图像可以为从监控设备实时获取的视频流解码后的帧图像，在视频图像中识别车行道分界虚线和目标车辆。目标车辆是指需要进行速度检测以确定行驶速度的车辆；车行道分界虚线参见图3，为道路上的白色虚线，用来分隔同向行驶的交通流，一般设在同向行驶的车行道分界线上，在保证安全的情况下，允许车辆越过该虚线变换车道行驶。凡同一行驶方向有二条或二条以上车行道时，应划车行道分界线。
27.参见图4，本技术实施例基于深度学习预先训练的目标检测模型，对输入视频图像进行目标检测识别，该模型包括三个子网络，主干特征提取子网络（backbone network）、多
层次特征金字塔子网络（multi-level feature pyramid networks，mlfpn）以及非极大抑制子网络（non-maximum suppression）。经过目标检测模型后输出目标检测识别后的视频图像。
28.参见图5所示，作为一种可选的实施方式，本技术实施例对所述视频图像进行目标检测，识别所述视频图像中的车行道分界虚线和目标车辆，包括如下步骤：步骤501：将视频图像输入已训练的目标检测模型的主干特征提取子网络，提取视频图像中包括的至少一个检测对象的图像特征。
29.具体来讲，检测对象指视频图像中包含的车行道分界虚线、车辆、行人、树等。作为一种可选的实施方式，参见图6，本技术实施例通过主干特征提取子网络提取图像特征的方式可以为，步骤601：将视频图像进行第一卷积处理，获得经第一卷积处理之后的特征图；步骤602：基于激活函数，对特征图进行多次的第二卷积处理，提取视频图像中包括的至少一个检测对象的图像特征。
30.将视频图像输入主干特征提取子网络中，通过主干特征提取子网络提取视频图像中至少一个检测对象的图像特征。作为一种可选的实施方式，主干特征提取子网络为轻量级网络。主干网络往往采用vgg-16作为主干特征提取网络，但由于vgg-16特征提取网络计算成本高，速度慢，为得到更适合识别的深度学习网络，提高目标检测识别的准确率，减少网络参数量，本技术选取轻量级网络mobilenet v2作为主干特征提取子网络，需要说明的是本技术的主干特征提取子网络包括所有轻量级网络，不仅仅局限于轻量级网络mobilenet v2。可选的，mobilenet v2轻量级网络包括第一卷积层和至少一个第二卷积层，其中第一卷积层可以对输入的视频图像进行第一卷积处理，第二卷积层可以对特征图进行第二卷积处理。示例性的，第一卷积层可以为标准卷积层，用于对输入的视频图像进行标准卷积处理；第二卷积层可以为深度可分离卷积层，用于对特征图进行深度可分离卷积处理。
31.参见图7，mobilenet v2轻量级网络包括一个标准卷积层（conv2d）和五个深度可分离卷积层（depthwise conv）；如图7中的，第一深度可分离卷积层、第二深度可分离卷积层、第三深度可分离卷积层、第四深度可分离卷积层、第五深度可分离卷积层。基于每个深度可分离卷积层，对特征图分别进行深度可分离卷积处理。
32.需要说明的是，本技术中的深度可分离卷积可以为至少三个特征层，比如可以为四个特征层也可以为七个特征层，深度可分离卷积的特征层数根据轻量级网络的不同而改变，本技术不做限定。作为一种可选的实施方式，本技术中的激活函数为mish激活函数，提高检测识别时的网络训练稳定性和准确率。
33.步骤502：将各个检测对象的图像特征输入目标检测模型的多层次特征金字塔子网络中，针对任意一个检测对象，对检测对象的图像特征进行特征融合，确定检测对象对应的检测框和表征检测对象类别的预测参数。
34.具体来讲，本技术实施例对输入视频图像中的检测对象的图像特征涉及两次特征融合，参见图8，图中虚线框中为上述主干特征提取子网络结构mobilenet v2，第一次特征融合过程为，第四深度可分离卷积层处理后的特征conv4经过一次标准卷积处理后，通过上采样与第三深度可分离卷积层处理后的特征conv3 通过拼接函数拼接（例如，可以为concat函数），实现特征融合。第二次特征融合为第一次特征融合后的结果与第五深度可分离卷积层处理后的特征conv5进行特征融合，进行特征融合目的是为了提高整个网络对于
不同尺寸，不同远近，不同形态的目标车辆的识别率，避免了对过于远端或过于近端，或姿态不常见的目标车辆识别精度差的问题。需要说明的是，参见图9，作为一种可选的实施方式，本技术实施例在mobilenet v2中引入模拟模块，例如basicrfb模块（基于basicrfb模块的卷积层特征融合），以模拟人类视觉感受的方式增强网络的特征提取能力和检测识别精度，解决了由于网络参数量减少导致的精度不高的问题。本技术实施例中，第四深度可分离卷积层处理后的特征conv4经过一次标准卷积处理后，通过上采样与第三深度可分离卷积层处理后的特征conv3 通过拼接函数拼接（例如，可以为concat函数），实现特征融合，将融合之后的特征输入第一模拟模块后得到第一结果；第五深度可分离卷积层处理后的特征conv5输入第二模拟模块后得到第二结果；将第一结果与第二结果一起输入场感知分解机（field factorization machine，ffm）模型中，为mlfpn提供多级语义信息。最后，使用主干特征提取网络和 mlfpn 从输入的视频图像中提取图像特征，根据学习的图像特征生成密集的检测框和用于预测检测对象类别的预测参数。预测参数为表征检测对象类别的类别参数。例如，检测区域中包括行人、车辆、非机动车、车行道分界虚线，针对每个类别都会输出一个概率即类别参数，会输出类别参数概率最大且概率最大的对象为车辆。
35.步骤503：将各个检测对象的检测框和预测参数输入到非极大抑制子网络中，获得至少一个检测对象中的车行道分界虚线和目标车辆。
36.具体来讲，将各个检测对象（例如上述的行人、车辆、非机动车、车行道分界虚线）的检测框和预测参数输入到非极大抑制子网络中，输出类别参数概率最大且概率最大的检测对象为车辆的检测对象，即获得目标车辆，输出类别参数概率最大且概率最大的检测对象为车行道分界虚线的检测对象，即获得目标的车行道分界虚线。
37.步骤202：根据识别到的视频图像中的车行道分界虚线，确定至少一个包含车行道分界虚线的检测区域。
38.针对一帧视频图像，本技术实施例中首先需要在视频图像上确定检测区域；即在视频图像中确定出用于确定车辆行驶速度的检测区域。其中，一帧视频图像中的检测区域可以有一个或多个，每个检测区域包括至少一个车行道分界虚线的线段。
39.参见图10，以视频图像中包括一个检测区域为例，该检测区域包含3个车行道分界虚线的线段。需要说明的是，每个车行道分界虚线实际距离为6米，相邻两个车行道分界虚线之间的距离为固定距离3米，即目标车辆在该检测区域中的行驶距离为24米。
40.步骤203：针对任意一个检测区域，获取目标视频中目标车辆初次驶入所述检测区域的第一参考视频图像，以及目标视频中目标车辆初次驶出检测区域的第二参考视频图像；根据第一参考视频图像和第二参考视频图像的采集时间，以及检测区域对应的车辆行驶距离，确定目标车辆在检测区域的行驶速度；其中，检测区域对应的车辆行驶距离是基于检测区域中包含的车行道分界虚线的线段个数确定的。
41.实施中，本技术实施例车行道分界虚线中每个线段的长度相同，且每个线段的长度可以为预先设置的固定长度；可选的，车行道分界虚线中每两个线段之间间隔的距离也可以是固定的，这样，本技术实施例基于检测区域中包含的车行道分界虚线的线段数量，可以确定出该检测区域对应的实际车辆行驶距离。
42.具体来讲，在目标视频中通过已训练的目标检测模型识别出目标车辆以及车行道分界虚线后，需要进一步确定目标车辆的在检测区域中的行驶距离和行驶时间。
43.针对车辆行驶距离，通过计算检测区域中包含的车行道分界虚线的线段个数进行确定，例如检测区域中包含2个车行道分界虚线的线段，每个车行道分界虚线的线段的实际距离为6米，相邻两个车行道分界虚线的线段之间的距离为固定距离3米，即车辆行驶距离为15米。
44.针对车辆行驶时间，本技术实施例中作为一种可选的实施方式，所述检测区域的边缘包括第一绊线检测线和第二绊线检测线；所述第一绊线检测线与所述检测区域中车辆行驶方向上的车行道分界虚线的第一个线段相交，所述第二绊线检测线与所述检测区域中车辆行驶方向上的车行道分界虚线的最后一个线段相交。
45.需要说明的是，上述检测区域的确定方式仅仅是对本技术实施例的举例说明。
46.具体来讲，参见图11，假设视频图像中包括三个检测区域，每个检测区域中包括一个车行道分界虚线的线段，三个车行道分界虚线的线段分别为l1、l2、l3，针对第一个检测区域中的第一绊线检测线和第二绊线检测线通过下述方法生成。以视频图像的左下角为坐标原点（0，0），并输出l1检测区域各连接坐标点像素位置，获取每个车行道分界虚线线段的y轴最小坐标值与最大坐标值，记为l1（y1min、y1max），获取y轴坐标分别为(y1min、y1max)的x轴坐标（xl1、xl2），以（xl1、y1min）、（xl2、y1max）两点为连线形成l1车行道分界虚线线段的两条绊线检测线第一绊线检测线和第二绊线检测线，需要说明的是，两条绊线检测线和车行道分界虚线的线段是相交的，作为一种可选的实施方式，第一绊线检测线、第二绊线检测线与视频图像的图像边缘平行。即当选取的视频图像的左边缘或右边缘与车行道分界虚线垂直时，两条绊线检测线与车行道分界虚线的线段垂直；当选取的视频图像的左边缘或右边缘与车行道分界虚线不垂直时，两条绊线检测线与车行道分界虚线的线段也互不垂直。参见图11所示，道路上空的摄像头的拍摄角度一般与车道是平行的，因此在确定绊线检测线时，将第一绊线检测线、第二绊线检测线设置成与视频图像的图像边缘平行，不存在检测误差。
47.第一参考视频图像，即目标车辆初次驶入检测区域，触碰到车行道分界虚线的第一个线段的第一绊线检测线时的图像；第二参考视频图像，即目标车辆初次驶入检测区域，触碰到车行道分界虚线的最后一个线段的第二绊线检测线时的图像。通过第一参考视频图像和第二参考视频图像的采集时间的时间差即可得到在该检测区域的车辆行驶时间。作为一种可选的实施方式，通过判断目标车辆的中心点，初次触碰车行道分界虚线的第一个线段的第一绊线检测线确定第一参考视频图像；通过判断目标车辆的中心点，初次触碰车行道分界虚线的最后一个线段的第二绊线检测线确定第二参考视频图像。目标车辆的中心点通过目标车辆的矩形框的4个顶点坐标进行计算。
48.已知目标车辆的车辆行驶距离和目标车辆的车辆行驶时间，通过车辆行驶距离与车辆行驶时间的比值确定目标车辆在检测区域的行驶速度。
49.步骤204：根据确定出的目标车辆在各个检测区域的行驶速度，确定目标车辆的行驶速度。
50.具体来讲，每个检测区域都能得到一个行驶速度，基于全部检测区域的行驶速度求平均值得到目标车辆在目标视频中的行驶速度。
51.本技术实施例中，选取特定高速公路视频监控画面，取1帧目标视频帧图像进行存储，并确定检测区域，针对每个车行道分界虚线的线段起始、线段末尾位置进行水平延伸形
成多条绊线检测线，基于目标车辆的检测跟踪，记录目标车辆中心点通过不同绊线检测线的时刻，通过计算目标车辆经过不同车行道分界虚线的线段的行驶速度进而可测算目标车辆当前平均行驶速度。将目标车辆行进方向上的位移转化为检测区域中车行道分界虚线的线段的绝对测量距离，有效提升确定车辆行驶速度的准确度。
52.基于相同的发明构思，本技术实施例还提供一种确定车辆行驶速度的装置，如图12所示，该装置包括：识别模块1201，用于针对图像采集设备采集到的目标视频中的每帧视频图像，分别执行以下操作：对所述视频图像进行目标检测，识别所述视频图像中的车行道分界虚线和目标车辆；所述目标车辆为需要进行速度检测的车辆；检测区域确定模块1202，用于根据识别到的所述视频图像中的车行道分界虚线，确定至少一个包含所述车行道分界虚线的检测区域；行驶速度确定模块1203，用于针对任意一个检测区域，获取所述目标视频中所述目标车辆初次驶入所述检测区域的第一参考视频图像，以及所述目标视频中所述目标车辆初次驶出所述检测区域的第二参考视频图像；根据所述第一参考视频图像和所述第二参考视频图像的采集时间，以及所述检测区域对应的车辆行驶距离，确定所述目标车辆在所述检测区域的行驶速度；其中，所述检测区域对应的车辆行驶距离是基于所述检测区域中包含的车行道分界虚线的线段个数确定的；处理模块1204，用于根据确定出的所述目标车辆在各个检测区域的行驶速度，确定所述目标车辆的行驶速度。
53.可选地，识别模块1201，具体用于：将所述视频图像输入已训练的目标检测模型的主干特征提取子网络，提取所述视频图像中包括的至少一个检测对象的图像特征；将所述各个检测对象的图像特征输入目标检测模型的多层次特征金字塔子网络中，针对任意一个检测对象，对所述检测对象的图像特征进行特征融合，确定所述检测对象对应的检测框和表征所述检测对象类别的预测参数；将各个所述检测对象的所述检测框和所述预测参数输入到非极大抑制子网络中，获得所述至少一个检测对象中的车行道分界虚线和目标车辆。
54.可选地，识别模块1201，具体用于：将所述视频图像进行第一卷积处理，获得经第一卷积处理之后的特征图；基于激活函数，对所述特征图进行多次的第二卷积处理，提取所述视频图像中包括的至少一个检测对象的图像特征。
55.可选地，所述激活函数为mish激活函数；所述主干特征提取子网络为轻量级网络。
56.可选地，所述检测区域的边缘包括第一绊线检测线和第二绊线检测线；所述第一绊线检测线与所述检测区域中车辆行驶方向上的车行道分界虚线的第一个线段相交，所述第二绊线检测线与所述检测区域中车辆行驶方向上的车行道分界虚线的最后一个线段相交。
57.可选地，所述第一绊线检测线、所述第二绊线检测线与所述视频图像的图像边缘平行。
58.在介绍了本技术示例性实施方式的确定车辆行驶速度方法和装置之后，接下来，介绍根据本技术的另一示例性实施方式的电子设备。
59.所属技术领域的技术人员能够理解，本技术的各个方面可以实现为系统、方法或程序产品。因此，本技术的各个方面可以具体实现为以下形式，即：完全的硬件实施方式、完全的软件实施方式（包括固件、微代码等），或硬件和软件方面结合的实施方式，这里可以统称为“电路”、“模块”或“系统”。
60.在一些可能的实施方式中，根据本技术的电子设备可以至少包括至少一个处理器、以及至少一个存储器。其中，存储器存储有程序代码，当程序代码被处理器执行时，使得处理器执行本说明书上述描述的根据本技术各种示例性实施方式的确定车辆行驶速度的方法中的步骤。
61.下面参照图13来描述根据本技术的这种实施方式的电子设备，即上述确定车辆行驶速度设备。图13显示的电子设备仅仅是一个示例，不应对本技术实施例的功能和使用范围带来任何限制。
62.如图13所示，电子设备的组件可以包括但不限于：上述至少一个处理器131、上述至少一个存储器132、连接不同系统组件（包括存储器132和处理器131）的总线133。
63.总线133表示几类总线结构中的一种或多种，包括存储器总线或者存储器控制器、外围总线、处理器或者使用多种总线结构中的任意总线结构的局域总线。
64.存储器132可以包括易失性存储器形式的可读介质，例如随机存取存储器（ram）1321和/或高速缓存存储器1322，还可以进一步包括只读存储器（rom）1323。
65.存储器132还可以包括具有一组（至少一个）程序模块1324的程序/实用工具1325，这样的程序模块1324包括但不限于：操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。
66.电子设备也可以与一个或多个外部设备134（例如键盘、指向设备等）通信，还可与一个或者多个使得用户能与电子设备交互的设备通信，和/或与使得该电子设备能与一个或多个其它电子设备进行通信的任何设备（例如路由器、调制解调器等等）通信。这种通信可以通过输入/输出（i/o）接口135进行。并且，电子设备还可以通过网络适配器136与一个或者多个网络（例如局域网（lan），广域网（wan）和/或公共网络，例如因特网）通信。如图所示，网络适配器136通过总线133与用于电子设备的其它模块通信。应当理解，尽管图中未示出，可以结合电子设备使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理器、外部磁盘驱动阵列、raid系统、磁带驱动器以及数据备份存储系统等。
67.在一些可能的实施方式中，本技术实施例提供的一种确定车辆行驶速度的方法的各个方面还可以实现为一种程序产品的形式，其包括程序代码，当程序产品在计算机设备上运行时，程序代码用于使计算机设备执行本说明书上述描述的根据本技术各种示例性实施方式的一种确定车辆行驶速度的方法的步骤。
68.程序产品可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以是——但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。可读存储介质的更具体的例子（非穷举的列表）包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器（ram）、只读存储器（rom）、可擦式可编程只读存储器（eprom或闪存）、光纤、便携式紧凑盘只读存储器(cd-rom)、光存储器件、磁存储器件、或者上述的任意合适的组合。
69.本技术的实施方式的用于监控的程序产品可以采用便携式紧凑盘只读存储器
(cd-rom)并包括程序代码，并可以在电子设备上运行。然而，本技术的程序产品不限于此，在本文件中，可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
70.可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了可读程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。可读信号介质还可以是可读存储介质以外的任何可读介质，该可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。
71.可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于无线、有线、光缆、rf等等，或者上述的任意合适的组合。
72.可以以一种或多种程序设计语言的任意组合来编写用于执行本技术操作的程序代码，程序设计语言包括面向对象的程序设计语言—诸如java、c++等，还包括常规的过程式程序设计语言—诸如“c”语言或类似的程序设计语言。程序代码可以完全地在用户电子设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户电子设备上部分在远程电子设备上执行、或者完全在远程电子设备或服务端上执行。在涉及远程电子设备的情形中，远程电子设备可以通过任意种类的网络——包括局域网（lan）或广域网（wan）—连接到用户电子设备，或者，可以连接到外部电子设备（例如利用因特网服务提供商来通过因特网连接）。
73.应当注意，尽管在上文详细描述中提及了装置的若干单元或子单元，但是这种划分仅仅是示例性的并非强制性的。实际上，根据本技术的实施方式，上文描述的两个或更多单元的特征和功能可以在一个单元中具体化。反之，上文描述的一个单元的特征和功能可以进一步划分为由多个单元来具体化。
74.此外，尽管在附图中以特定顺序描述了本技术方法的操作，但是，这并非要求或者暗示必须按照该特定顺序来执行这些操作，或是必须执行全部所示的操作才能实现期望的结果。附加地或备选地，可以省略某些步骤，将多个步骤合并为一个步骤执行，和/或将一个步骤分解为多个步骤执行。
75.本领域内的技术人员应明白，本技术的实施例可提供为方法、系统、或计算机程序产品。因此，本技术实施例可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本技术实施例可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质（包括但不限于磁盘存储器、cd-rom、光学存储器等）上实施的计算机程序产品的形式。
76.本技术是参照根据本技术实施例的方法、设备（系统）、和计算机程序产品的流程图和方框图来描述的。应理解可由计算机程序指令实现流程图和方框图中的每一流程和／或方框、以及流程图和方框图中的流程和方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和方框图一个方框或多个方框中指定的功能的装置。
77.这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指
令装置的制造品，该指令装置实现在流程图一个流程或多个流程和方框图一个方框或多个方框中指定的功能。
78.这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和方框图一个方框或多个方框中指定的功能的步骤。
79.尽管已描述了本技术的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例做出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本技术范围的所有变更和修改。
80.显然，本领域的技术人员可以对本技术进行各种改动和变型而不脱离本技术的精神和范围。这样，倘若本技术的这些修改和变型属于本技术权利要求及其等同技术的范围之内，则本技术也意图包含这些改动和变型在内。

技术特征：
1.一种确定车辆行驶速度的方法，其特征在于，所述方法包括：针对图像采集设备采集到的目标视频中的每帧视频图像，分别执行以下操作：对所述视频图像进行目标检测，识别所述视频图像中的车行道分界虚线和目标车辆；所述目标车辆为需要进行速度检测的车辆；根据识别到的所述视频图像中的车行道分界虚线，确定至少一个包含所述车行道分界虚线的检测区域；针对任意一个检测区域，获取所述目标视频中所述目标车辆初次驶入所述检测区域的第一参考视频图像，以及所述目标视频中所述目标车辆初次驶出所述检测区域的第二参考视频图像；根据所述第一参考视频图像和所述第二参考视频图像的采集时间，以及所述检测区域对应的车辆行驶距离，确定所述目标车辆在所述检测区域的行驶速度；其中，所述检测区域对应的车辆行驶距离是基于所述检测区域中包含的车行道分界虚线的线段个数确定的；根据确定出的所述目标车辆在各个检测区域的行驶速度，确定所述目标车辆的行驶速度。2.根据权利要求1所述的一种确定车辆行驶速度的方法，其特征在于，所述对所述视频图像进行目标检测，识别所述视频图像中的车行道分界虚线和目标车辆，包括：将所述视频图像输入已训练的目标检测模型的主干特征提取子网络，提取所述视频图像中包括的至少一个检测对象的图像特征；将所述各个检测对象的图像特征输入目标检测模型的多层次特征金字塔子网络中，针对任意一个检测对象，对所述检测对象的图像特征进行特征融合，确定所述检测对象对应的检测框和表征所述检测对象类别的预测参数；将各个所述检测对象的所述检测框和所述预测参数输入到非极大抑制子网络中，获得所述至少一个检测对象中的车行道分界虚线和目标车辆。3.根据权利要求2所述的一种确定车辆行驶速度的方法，其特征在于，所述将所述视频图像输入已训练的目标检测模型的主干特征提取子网络，提取所述视频图像中包括的至少一个检测对象的图像特征，包括：将所述视频图像进行第一卷积处理，获得经第一卷积处理之后的特征图；基于激活函数，对所述特征图进行多次的第二卷积处理，提取所述视频图像中包括的至少一个检测对象的图像特征。4.根据权利要求3所述的一种确定车辆行驶速度的方法，其特征在于，所述激活函数为mish激活函数；所述主干特征提取子网络为轻量级网络。5.根据权利要求1所述的一种确定车辆行驶速度的方法，其特征在于，所述检测区域的边缘包括第一绊线检测线和第二绊线检测线；所述第一绊线检测线与所述检测区域中车辆行驶方向上的车行道分界虚线的第一个线段相交，所述第二绊线检测线与所述检测区域中车辆行驶方向上的车行道分界虚线的最后一个线段相交。6.根据权利要求5所述的一种确定车辆行驶速度的方法，其特征在于，所述第一绊线检测线、所述第二绊线检测线与所述视频图像的图像边缘平行。7.一种电子设备，其特征在于，包括至少一个处理器；以及与所述至少一个处理器通信
连接的存储器；所述处理器用于执行：针对图像采集设备采集到的目标视频中的每帧视频图像，分别执行以下操作：对所述视频图像进行目标检测，识别所述视频图像中的车行道分界虚线和目标车辆；所述目标车辆为需要进行速度检测的车辆；根据识别到的所述视频图像中的车行道分界虚线，确定至少一个包含所述车行道分界虚线的检测区域；针对任意一个检测区域，获取所述目标视频中所述目标车辆初次驶入所述检测区域的第一参考视频图像，以及所述目标视频中所述目标车辆初次驶出所述检测区域的第二参考视频图像；根据所述第一参考视频图像和所述第二参考视频图像的采集时间，以及所述检测区域对应的车辆行驶距离，确定所述目标车辆在所述检测区域的行驶速度；其中，所述检测区域对应的车辆行驶距离是基于所述检测区域中包含的车行道分界虚线的线段个数确定的；根据确定出的所述目标车辆在各个检测区域的行驶速度，确定所述目标车辆的行驶速度。8.根据权利要求7所述的电子设备，其特征在于，所述处理器具体用于执行：将所述视频图像输入已训练的目标检测模型的主干特征提取子网络，提取所述视频图像中包括的至少一个检测对象的图像特征；将所述各个检测对象的图像特征输入目标检测模型的多层次特征金字塔子网络中，针对任意一个检测对象，对所述检测对象的图像特征进行特征融合，输出所述检测对象对应的检测框和表征检测对象类别的预测参数；将所述检测框和所述预测参数输入到非极大抑制子网络中，获得至少一个检测对象中的车行道分界虚线和目标车辆。9.一种确定车辆行驶速度的装置，其特征在于，所述装置包括：识别模块，用于针对图像采集设备采集到的目标视频中的每帧视频图像，分别执行以下操作：对所述视频图像进行目标检测，识别所述视频图像中的车行道分界虚线和目标车辆；所述目标车辆为需要进行速度检测的车辆；检测区域确定模块，用于根据识别到的所述视频图像中的车行道分界虚线，确定至少一个包含所述车行道分界虚线的检测区域；行驶速度确定模块，用于针对任意一个检测区域，获取所述目标视频中所述目标车辆初次驶入所述检测区域的第一参考视频图像，以及所述目标视频中所述目标车辆初次驶出所述检测区域的第二参考视频图像；根据所述第一参考视频图像和所述第二参考视频图像的采集时间，以及所述检测区域对应的车辆行驶距离，确定所述目标车辆在所述检测区域的行驶速度；其中，所述检测区域对应的车辆行驶距离是基于所述检测区域中包含的车行道分界虚线的线段个数确定的；处理模块，用于根据确定出的所述目标车辆在各个检测区域的行驶速度，确定所述目标车辆的行驶速度。10.一种计算机存储介质，其特征在于，所述计算机存储介质存储有计算机程序，所述计算机程序用于使计算机执行如权利要求1-6中任何一项所述的方法。

技术总结
本申请公开一种确定车辆行驶速度的方法及装置、电子设备，涉及交通视频分析技术领域，包括：对图像采集设备采集到的目标视频中的每帧视频图像进行目标检测，识别视频图像中的车行道分界虚线和目标车辆；根据识别到的视频图像中的车行道分界虚线，确定至少一个包含车行道分界虚线的检测区域；获取目标视频中目标车辆初次驶入检测区域的第一参考视频图像，以及目标视频中目标车辆初次驶出检测区域的第二参考视频图像；根据第一参考视频图像和第二参考视频图像的采集时间，以及检测区域对应的车辆行驶距离，确定目标车辆在检测区域的行驶速度。本申请通过目标检测及绝对位置测量的方式对车辆行驶速度的测量，极大的提高了车速测量的准确性。的准确性。的准确性。


技术研发人员：尹刚 孙永良 董宇
受保护的技术使用者：青岛市交通科学研究院
技术研发日：2023.05.19
技术公布日：2023/6/26