[发明专利]一种异常驶离的检测方法、系统、电子设备及存储介质

权利要求书

1.一种异常驶离的检测方法，其特征在于：所述方法包括：

S1，根据道路通行情况在监控画面中设置异常布控区域；

S2，通过前端相机获取交通视频流；

S3，利用深度学习模型检测视频流画面中的车辆信息；

S4，将每一帧中车辆信息送入跟踪模块，以获得车辆的跟踪轨迹；

S5，基于所述跟踪轨迹、异常布控区域判断该车辆是否发生异常驶离事件，若是，则将异常驶离信息进行上报；若否，则返回执行步骤S2；

其中，所述步骤S5中基于所述跟踪轨迹、异常布控区域判断该车辆是否发生异常驶离事件，包括：判断当前帧ID的车辆标识框与上一帧同ID的车辆标识框的连线线段是否与异常布控区域的多边形的边存在相交的情况，且当前帧的车辆标识框的中心在异常布控区域内,则判断该ID的车辆在异常布控区域内，即该车辆发生异常驶离事件；

当判断该ID车辆在异常布控区域内之后，所述步骤S5还包括：对后续图像帧继续进行逐帧的轨迹判断, 若发现该ID 的车辆标识框的角点都在异常布控区域内, 则判断该ID的车辆完全进入异常布控区域，对异常驶离事件进行上报处理；

其中，基于车辆速度来调整所述车辆标识框大小，在检测到车速较快时，设置所述标识框较小，在检测到车速较慢时，设置所述标识框较大。

2.根据权利要求1所述的方法，其特征在于：所述异常布控区域为不规则多边形区域。

3.根据权利要求1所述的方法，其特征在于：步骤S3中利用深度学习模型检测视频流画面中的车辆信息，包括：

预先训练得到深度学习检测模型,该模型包括一个用于提取特征的主干网络,一个融合特征的特征金字塔网络和一个用于将融合特征转换为车辆位置的解码网络；将所述视频流解码后获得原始图片的RGB 数据,送入训练好的深度学习网络,得到车辆的位置。

4.根据权利要求1所述的方法，其特征在于：步骤S4中将每一帧中车辆信息送入跟踪模块，以获得车辆的跟踪轨迹，包括：

将步骤S3中的得到的车辆位置信息按照时间顺序和原始图像帧送入跟踪模块, 所述跟踪模块根据车辆位置的时序信息从原始图像帧中获取车辆的表征特征和历史时序的位置信息中获取的时序特征一起,对于当前送入的每一个车辆位置标上ID 信息,并将当前帧的ID 信息存入机动车的历史时序中，从而获得车辆的跟踪轨迹。

5.根据权利要求4所述的方法，其特征在于：在所述步骤S5之前，还包括：遍历当前帧每一个ID 的车辆的位置, 若在当前帧没有检测到某个ID ,则认为该ID的车辆没有在当前出现，则不上报事件；

如果当前帧存在某ID，则执行步骤S5。

6.一种异常驶离的检测系统，其特征在于：所述系统包括布控模块、监控模块、识别模块、跟踪模块、判断模块，其中：

所述布控模块，用于根据道路通行情况在监控画面中设置异常布控区域；

所述监控模块，用于通过前端相机获取交通视频流，并将所述交通视频流送入所述识别模块；

所述识别模块，用于利用深度学习模型检测视频流画面中的车辆信息，并将每一帧中车辆信息送入所述跟踪模块；

所述跟踪模块，用于对接收的所述识别模块发送的车辆信息进行识别以获得车辆的跟踪轨迹，并将所述跟踪轨迹送入所述判断模块；

所述判断模块，用于基于所述跟踪轨迹、异常布控区域判断该车辆是否发生异常驶离事件，若是，则将异常驶离信息进行上报；

其中，基于所述跟踪轨迹、异常布控区域判断该车辆是否发生异常驶离事件，包括：判断当前帧ID的车辆标识框与上一帧同ID的车辆标识框的连线线段是否与异常布控区域的多边形的边存在相交的情况，且当前帧的车辆标识框的中心在异常布控区域内,则判断该ID的车辆在异常布控区域内，即该车辆发生异常驶离事件；

当判断该ID车辆在异常布控区域内之后，还包括：对后续图像帧继续进行逐帧的轨迹判断, 若发现该ID 的车辆标识框的角点都在异常布控区域内, 则判断该ID的车辆完全进入异常布控区域，对异常驶离事件进行上报处理；

其中，基于车辆速度来调整所述车辆标识框大小，在检测到车速较快时，设置所述标识框较小，在检测到车速较慢时，设置所述标识框较大。