车辆监控方法、装置、计算机设备及存储介质与流程

本发明涉及视频监控领域，具体而言，涉及一种车辆监控方法、一种车辆监控装置、一种计算机设备及计算机存储介质。

背景技术：

在近几年的城市视频监控中，大多使用高清摄像机，摄像机一般输出为720p、1080p的高清图像，视频帧率为25fps左右(fps表示每秒传输帧数(framespersecond))。如果高清摄像头所有的视频图片都保存，则这些高清视频图像需要占用大量的后端存储空间较高的网络成本。

而现有的根据视频统计车辆的过程中，通常需要视频的帧率到达25fps，而这种情况，在保存视频时，需要增加存储介质的占用，以及增加传输视频所需的时间。

技术实现要素：

本发明旨在至少解决现有技术中存在的技术问题之一。

为此，本发明的第一方面实施例提出了一种车辆监控方法。

本发明的第二方面实施例提出了一种车辆的监控装置。

本发明的第三方面实施例提出了一种计算机设备。

本发明的第四方面实施例提出了一种计算机可读存储介质。

有鉴于此，根据本发明的第一方面实施例，本发明提出了一种车辆监控方法，包括：接收监控视频；分析监控视频的每帧图片；根据分析结果分割监控视频，得到具有车辆影像的视频段；根据视频段中的车辆影像，记录车辆影像的车辆行踪信息；根据视频段中的车辆影像，记录车辆影像的车辆行踪信息的步骤，具体包括：接收标注信息，确定车辆的入口位置和/或出口位置与目标区域；根据视频段中的车辆影像，得到车辆影像在目标区域内的轨迹；根据车辆行踪信息与出口位置和/或入口位置，记录车辆的进、出状态。

本发明提出的车辆监控方法，对监控视频的每帧图片进行分析，进而根据图片内的车辆影像将监控视频分割为视频段，具体地，将连续的具有车辆影像的图片，分割出来形成视频段，并根据用户输入的标注信息，确定车辆的入口位置、出口位置以及目标区域，从而确定出车辆的行驶路线与停留时长等，划分区域的判断使得对车辆监控更具目标性，进而达到监控车辆的目的，并且，采用分割视频段的方式，也无需保存全部的监控视频，进而降低了保存监控视频所需的储存空间。

另外，根据本发明上述实施例的车辆监控方法，还可以具有如下附加的技术特征：

在上述技术方案的基础上，进一步地，在接收监控视频的步骤之前，包括：通过对待训练模型进行训练，得到检测模型；分析监控视频的每帧图片的步骤，具体为：以检测模型分析监控视频的每帧图片。

在该技术方案中，以预先收集的有效数据对待训练模型进行训练，进而得到检测模型，进而以检测模型分析监控视频的每帧图片，该方案可以确保检测模型的准确度，提升对车辆监控的准确性。

在上述任一技术方案的基础上，进一步地，根据分析结果分割监控视频，得到具有车辆影像的视频段的步骤，具体包括：在监控视频中，以第一次出现车辆影像的视频帧作为视频段的起始帧；在连续预设数量的视频帧内未出现车辆影像的情况下，以预设数量的视频帧中的最后一帧作为视频段的结束帧，分割出视频段。

在该技术方案中，以第一次出现某一车辆影像的视频帧作为视频段的起始帧，并在连续若干帧未出现车辆的情况下，即以某一车辆影像的出现与否作为视频段的分割标准，进而可以确保一个视频段对应一个车辆行踪信息，可有效地删除其他无用监控视频的片段，极大地减少监控视频的保存空间。

在上述任一技术方案的基础上，进一步地，根据视频段中的车辆影像，得到车辆影像在目标区域内的轨迹的步骤，具体包括：分析每帧视频段中的车辆影像；预测每帧视频段中车辆影像的下一帧的预测影像，计算预测影像与下一帧实际的车辆影响的第一匹配度；以及根据每帧视频段生成颜色直方图，计算相邻两帧的颜色直方图的第二匹配度；结合相对应的第一匹配度与第二匹配度，得到车辆影像在目标区域内的轨迹。

在该技术方案中，将运动状态估计匹配和颜色直方图匹配相融合的。进而可以提升车辆轨迹的准确度，并能够避免车辆的混淆。

在上述任一技术方案的基础上，进一步地，根据视频段中的车辆影像，记录车辆影像的车辆行踪信息的步骤，具体还包括：根据车辆行踪信息与出口位置和/或入口位置，记录车辆的进、出状态。

在该技术方案，还可以根据车辆行踪信息与出口位置及入口位置，记录车辆的进、出状态，以对车辆监控进行进一步的记录。

在上述任一技术方案的基础上，进一步地，根据视频段中的车辆影像，记录车辆影像的车辆行踪信息的步骤，具体还包括：标记特定区域，计算车辆影像与特定区域的交集区域；判断交集区域是否大于或等于预设阈值，并记录判断结果；在交集区域大于或等于预设阈值的情况下，计算交集区域大于预设阈值的停留时长；判断停留时长是否大于预设时长，并记录判断结果。

在该技术方案中，在目标区域内标定特定区域，计算视频段中每帧图片内的车辆影像与特点区域的交集区域，判断交集区域是否大于或等于预设阈值，并记录判断结果，交集区域是否大于或等于预设阈值即表示车辆出现在特定区域，其反映了车辆是否进行了特定任务，例如：加油、洗车、卸料、装料等，在交集区域大于或等于预设阈值的情况下，计算车辆在特定区域的停留时长，判断停留时长是否大于预设时长，并记录判断结果，进而丰富对车辆监控记录，并且，计算车辆在特定区域的停留时长可以反映出车辆是否完成了特定任务，例如：加油、洗车、卸料、装料等。

在上述任一技术方案的基础上，进一步地，根据视频段中的车辆影像，记录车辆影像的车辆行踪信息的步骤，还包括：根据图片中的车辆影像，预测下一帧图片中车辆影像的位置，并与下一帧图片中的车辆影像的位置进行匹配，根据匹配结果判断车辆影像是否为同一车辆。

在该技术方案中，通过预测的车辆影像在下一帧图片的位置与下一帧图片中车辆影像的位置进行匹配，当相似度大于或等于预设相似度时，说明下一帧图片内的车辆影像与本帧的车辆影像为同一辆车，当相似度小于预设相似度时，说明下一帧图片内的车辆影像与本帧的车辆影像为不同车辆，进而由于采用了预测与匹配的方式确定车辆影像是否是同一辆车，因此，无需采用25fps以上的监控视频，进一步降低了监控视频的存储大小。

在上述任一技术方案的基础上，进一步地，若视频段中仅有一个车辆的车辆影像，则以视频段为车辆行踪信息的记录基准；若视频段中有至少两个车辆的车辆影像，则以任一车辆的进、出状态作为车辆行踪信息的记录基准。

在该技术方案中，若视频段中仅有一个车辆的车辆影像，则以视频段为车辆行踪信息的记录基准，即一个视频段表示一个车辆的车辆行踪信息；若视频段中有至少两个车辆的车辆影像，则以任一车辆的进、出状态作为车辆行踪信息的记录基准，即一个车辆的完成一次进、出状态，表示一个车辆的车辆行踪信息。

根据本发明的第二方面实施例，本发明提出了一种车辆的监控装置，包括：至少一个摄像头；服务器，与摄像头相连接；服务器包括：存储器，用于存储计算机程序；处理器，用于执行计算机程序以实现如上述技术方案中任一项所述的车辆监控方法。

本发明提供的车辆的监控装置，通过摄像头获取监控视频，以服务器接收监控视频，并对监控视频进行分析，具体地，服务器中的处理器，用于执行所述计算机程序以实现如上述技术方案中任一项所述的车辆监控方法，因此，具有如上述技术方案中任一项所述的车辆监控方法的全部有益效果，在此不再一一陈述。

根据本发明的第三方面实施例，本发明提出了一种计算机设备，包括：存储器，用于存储计算机程序；处理器，用于执行计算机程序以实现如上述技术方案中任一项所述的车辆监控方法。

本发明提供的计算机设备，其包括的处理器用于执行如上述技术方案中任一项所述的车辆监控方法，因此，具有如上述技术方案中任一项所述的车辆监控方法的全部有益效果，在此不再一一陈述。

根据本发明的第四方面实施例，本发明提出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如上述技术方案中任一项所述的车辆监控方法。

本发明提供的计算机可读存储介质，其上储存被处理器执行时，实现如上述技术方案中任一项所述的车辆监控方法，因此，具有如上述技术方案中任一项所述的车辆监控方法的全部有益效果，在此不再一一陈述。

本发明的附加方面和优点将在下面的描述部分中变得明显，或通过本发明的实践了解到。

附图说明

本发明的上述和/或附加的方面和优点从结合下面附图对实施例的描述中将变得明显和容易理解，其中：

图1示出本发明第一个第一方面实施例提供的车辆监控方法的流程图；

图2示出本发明第二个第一方面实施例提供的车辆监控方法的流程图；

图3示出本发明第三个第一方面实施例提供的车辆监控方法的流程图；

图4示出本发明第四个第一方面实施例提供的车辆监控方法的流程图；

图5示出本发明第五个第一方面实施例提供的车辆监控方法的流程图；

图6示出本发明第六个第一方面实施例提供的车辆监控方法的流程图；

图7示出本发明一个实施例提供的车辆监控方法中特定区域的形状示意图；

图8示出本发明另一个实施例提供的车辆监控方法中特定区域的形状示意图；

图9示出本发明另一个实施例提供的车辆监控方法中特定区域的形状示意图；

图10示出本发明另一个实施例提供的车辆监控方法中特定区域的形状示意图；

图11示出本发明另一个实施例提供的车辆监控方法中特定区域的形状示意图；

图12示出本发明另一个实施例提供的车辆监控方法中特定区域的形状示意图；

图13示出本发明一个实施例提供的车辆监控方法中对图片进行分析的示意图；

图14示出本发明一个实施例提供的车辆监控方法中特定区域与车辆影像交集的示意图；

图15示出本发明第七个第一方面实施例提供的车辆监控方法的流程图。

其中，图7至图14中附图标记与部件名称之间的对应关系为：

1010目标区域，1020特定区域，1030出口位置，1040道路，1050车辆影像。

具体实施方式

为了能够更清楚地理解本发明的上述目的、特征和优点，下面结合附图和具体实施方式对本发明进行进一步的详细描述。需要说明的是，在不冲突的情况下，本申请的实施例及实施例中的特征可以相互组合。

在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是，本发明还可以采用其他不同于在此描述的其他方式来实施，因此，本发明的保护范围并不受下面公开的具体实施例的限制。

下面参照图1至图15描述根据本发明一些实施例提供的车辆监控方法、车辆监控装置、计算机设备与计算机存储介质。

图1示出本发明第一个第一方面实施例提供的车辆监控方法的流程图。

如图1所示，本发明第一个实施例提供的车辆监控方法的具体步骤如下：

步骤102：接收监控视频；

步骤104：分析监控视频的每帧图片；

步骤106：根据分析结果分割监控视频，得到具有车辆影像的视频段；

步骤108：接收标注信息，确定车辆的入口位置、出口位置与目标区域；

步骤110：根据视频段中的车辆影像，记录车辆影像在目标区域内的轨迹；

步骤112：根据车辆行踪信息与出口位置或入口位置，记录车辆的进、出状态。

本发明提供的车辆监控方法，对监控视频的每帧图片进行分析，进而根据图片内的车辆影像将监控视频分割为视频段，具体地，将连续的具有车辆影像的图片，分割出来形成视频段，并根据用户输入的标注信息，确定车辆的入口位置、出口位置以及目标区域，从而确定出车辆的行驶路线与停留时长等，划分区域的判断使得对车辆监控更具目标性，进而达到记录车辆行踪信息、监控车辆的目的，并且，采用分割视频段的方式，也无需保存全部的监控视频，进而降低了保存监控视频所需的储存空间，以及，提升了监控视频的传输速度。

图2示出本发明第二个第一方面实施例提供的车辆监控方法的流程图。

如图2所示，本发明第二个实施例提供的车辆监控方法的具体步骤如下：

步骤202：通过对待训练模型进行训练，得到检测模型；

步骤204：接收监控视频；

步骤206：以检测模型分析监控视频的每帧图片；

步骤208：根据分析结果分割监控视频，得到具有车辆影像的视频段；

步骤210：接收标注信息，确定车辆的入口位置、出口位置与目标区域；

步骤212：根据视频段中的车辆影像，记录车辆影像在目标区域内的轨迹；

步骤214：根据车辆行踪信息与出口位置或入口位置，记录车辆的进、出状态。

在第一个实施例的基础上，以预先收集的有效数据对待训练模型进行训练，进而得到检测模型，进而以检测模型分析监控视频的每帧图片，该方案可以确保检测模型的准确度，提升对车辆监控的准确性。

图3示出本发明第三个第一方面实施例提供的车辆监控方法的流程图。

如图3所示，本发明第三个实施例提供的车辆监控方法的具体步骤如下：

步骤302：接收监控视频；

步骤304：分析监控视频的每帧图片；

步骤306：在监控视频中，以第一次出现车辆影像的视频帧作为视频段的起始帧；在连续预设数量的视频帧内未出现车辆影像的情况下，以预设数量的视频帧中的最后一帧作为视频段的结束帧，分割出视频段；

步骤308：接收标注信息，确定车辆的入口位置、出口位置与目标区域；

步骤310：根据视频段中的车辆影像，记录车辆影像在目标区域内的轨迹；

步骤312：根据车辆行踪信息与出口位置或入口位置，记录车辆的进、出状态。

在第一个实施例或第二个实施例的基础上，以第一次出现某一车辆影像的视频帧作为视频段的起始帧，并在连续若干帧未出现车辆的情况下，即以某一车辆影像的出现与否作为视频段的分割标准，进而可以确保一个视频段对应一个车辆行踪信息，可有效地删除其他无用监控视频的片段，极大地减少监控视频的保持空间。

具体地，预设数量可为任一整数，为降低视频段的文件大小，预设数量通常选取5帧及5帧以下，即1、2、3、4、5。

图4示出本发明第四个第一方面实施例提供的车辆监控方法的流程图。

如图4所示，本发明第四个实施例提供的车辆监控方法的具体步骤如下：

步骤402：接收监控视频；

步骤404：分析监控视频的每帧图片；

步骤406：根据分析结果分割监控视频，得到具有车辆影像的视频段；

步骤408：接收标注信息，确定车辆的入口位置、出口位置与目标区域；

步骤410：根据视频段中的车辆影像，记录车辆影像在目标区域内的轨迹；

步骤412：根据车辆行踪信息与出口位置或入口位置，记录车辆的进、出状态；

步骤414：标记特定区域，计算车辆影像与特定区域的交集区域；

步骤416：判断交集区域是否大于或等于预设阈值，并记录判断结果；

步骤418：在交集区域大于或等于预设阈值的情况下，计算交集区域大于预设阈值的停留时长；

步骤420：判断停留时长是否大于预设时长，并记录判断结果。

在第一个实施例至第三个实施例中任一个的基础上，在目标区域内标定特定区域，计算视频段中每帧图片内的车辆影像与特点区域的交集区域，判断交集区域是否大于或等于预设阈值，并记录判断结果，交集区域大于或等于预设阈值即表示车辆出现在特定区域，其反映了车辆是否进行了特定任务，例如：加油、洗车、卸料、装料等，在交集区域大于或等于预设阈值的情况下，计算车辆在特定区域的停留时长，判断停留时长是否大于预设时长，并记录判断结果，进而丰富对车辆监控记录，并且，计算车辆在特定区域的停留时长可以反映出车辆是否完成了特定任务，例如：加油、洗车、卸料、装料等。

具体地，如图7、图8、图9、图10、图11与图12所示，由于监控摄像头通常是倾斜视角，因此，这里的特定区域通常为非正多边形。

在第一个实施例至第四个实施例中任一者的基础上，进一步地，根据视频段中的车辆影像，得到车辆影像在目标区域内的轨迹的步骤，具体包括：分析每帧视频段中的车辆影像；预测每帧视频段中车辆影像的下一帧的预测影像，计算预测影像与下一帧实际的车辆影响的第一匹配度；以及根据每帧视频段生成颜色直方图，计算相邻两帧的颜色直方图的第二匹配度；结合相对应的第一匹配度与第二匹配度，得到车辆影像在目标区域内的轨迹。

在该实施例中，将运动状态估计匹配和颜色直方图匹配相融合的。进而可以提升车辆轨迹的准确度，并能够避免车辆的混淆。

在第一个实施例至第四个实施例中任一者的基础上，根据视频段中的车辆影像，记录车辆影像的车辆行踪信息的步骤，还包括：根据图片中的车辆影像，预测下一帧图片中车辆影像的位置，并与下一帧图片中的车辆影像的位置进行匹配，根据匹配结果判断车辆影像是否为同一车辆。

在该实施例中，通过预测的车辆影像在下一帧图片的位置与下一帧图片中车辆影像的位置进行匹配，当相似度大于或等于预设相似度时，说明下一帧图片内的车辆影像与本帧的车辆影像为同一辆车，当相似度小于预设相似度时，说明下一帧图片内的车辆影像与本帧的车辆影像为不同车辆，进而由于采用了预测与匹配的方式确定车辆影像是否是同一辆车，因此，无需采用25fps以上的监控视频，进一步降低了监控视频的存储大小。

具体地，可依据卡尔曼滤波，预测下一帧图片中车辆影像的位置。并采用颜色特征直方图的方式匹配预测的下一帧图片中车辆影像的位置与实际下一帧图片中车辆影像的位置。

在第一个实施例至第四个实施例中任一者的基础上，若视频段中仅有一个车辆的车辆影像，则以视频段为车辆行踪信息的记录基准；若视频段中有至少两个车辆的车辆影像，则以任一车辆的进、出状态作为车辆行踪信息的记录基准。

在该实施例中，若视频段中仅有一个车辆的车辆影像，则以视频段为车辆行踪信息的记录基准，即一个视频段表示一个车辆的车辆行踪信息；若视频段中有至少两个车辆的车辆影像，则以任一车辆的进、出状态作为车辆行踪信息的记录基准，即一个车辆的完成一次进、出状态，表示一个车辆的车辆行踪信息。

为方便说明，这里将本申请代入监控泥头车冲洗的情况进行说明，当然本申请也可以用于其他情况中，例如：监控车辆加油情况、监控车辆卸货情况、监控车辆装货情况等，应用与其他情况下与应用与监控泥头车冲洗的情况相同，仅是最终记录的表示意义不同。

如图7至图12所示，本发明可以在极低帧率情况下，完成对泥头车的冲洗视频监控的任务。在厂区的出入口设置有洗车台，因摄像头视角原因在图片中洗车台区域为非矩形区域，在本发明中我们使用不规则四边形标注的区域为有效的冲洗区域。

在类似上述这些监控场景中，视频采集帧率为1fps，图像为常用720p以及1080p的标准大小的高清图像。任务需求为完成泥头车进出厂区数量统计，泥头车通过洗车台的数量统计，泥头车在洗车台的冲洗状态判断和冲洗时长计算。

针对该特殊条件以及场景，图5示出本发明第五个第一方面实施例提供的车辆监控方法的流程图。

如图5所示，本发明第五个实施例提供的车辆监控方法的具体步骤如下：

步骤502：基于深度学习算法完成泥头车检测模型，用于检测泥头车位置；

步骤504：检测视频图片，并根据检测结果分割视频段；

步骤506：处理视频段的检测结果，关联检测结果形成泥头车轨迹数据；

步骤508：根据泥头车运动轨迹、厂区出口方向和洗车台位置信息，判断泥头车的进出状态，冲洗状态和冲洗时长并进行数量统计，根据这些信息有效完成泥头车冲洗状况的监控。

其中，泥头车为车辆的一种，在本发明的其他实施例中，也可以采用其他车辆，例如：货车、小型车辆、大客车等。

图6示出本发明第六个第一方面实施例提供的车辆监控方法的流程图。

如图6所示，本发明第六个实施例提供的车辆监控方法的具体步骤如下：

步骤602：训练泥头车检测模型。

为了保证视频中的每一辆泥头车都被找到，我们使用基于深度学习的目标检测方案，并使用速度以及准确率都较高的yolo3目标检测模型，在模型训练过程与一般常用的深度学习模型训练过程一样，汇总基本过程如下：

(1)收集有效数据：从各个监控视频中挑选有泥头车出现的图片。

(2)制作训练和测试数据集：该过程主要是使用数据集标注工具对图片进行手工标注，制作训练和测试深度学习模型需要的数据集。

(3)训练泥头车检测模型并测试优化：模型的测试优化可能是一个反复迭代和参数调优的过程。

(4)模型的打包以及封装。

步骤604：检测视频流图片，并根据检测结果分割视频段。

在视频段分割过程中，以检测结果为主要依据，以视频图片中开始检测到泥头车为视频段的起始帧，以视频连续3帧检测不到泥头车为终止条件确认为视频段的最后一帧，返回该视频段的图片信息以及对应的检测结果。

步骤606：确定泥头车轨迹信息。

(1)在泥头车的冲洗图片中标注冲洗台位置坐标以及出口位置1030，确认跟踪的roi区域。如图13所示：利用手动标注设置的4个坐标点[(x1,y1)，(x2,y2)，(x3,y3)，(x4,y4)]以及道路1040、出口位置1030计算得到目标区域1010的矩形区域的roi区域，出现在该区域内的车辆将被关注。设置道路1040出口位置lout在图像中上下左右四个边界为["u","d","l","r"]中的某一个值，其中“u”表示泥头车的出口方向在图片中向上位置，“d”表示泥头车的出口方向在图片中向下位置，“l”表示泥头车的出口方向在图片中左边位置，“r”表示泥头车的出口方向在图片中右边位置。roi区域范围表示为aroi，且计算方法的逻辑表示如下：

当lout为"u"或者"d"时：heightroi＝max(y1,y2,y3,y4)-min(y1,y2,y3,y4)，则roi区域范围表示为：

其中ymin和ymax表示roi区域在图像中的上、下边界，pwidth和pheight分别表示图像的宽高。

当lout为"l"或者"r"时：widthroi＝max(x1,x2,x3,x4)-min(x1,x2,x3,x4)，则roi区域范围表示为：

其中xmin和xmax表示roi区域在图像中的左、右边界，pwidth和pheight分别表示图像的宽高。

(2)根据roi区域删除检测结果中非roi区域内的位置信息。根据上述步骤(1)得到roi区域之后在本步骤中根据roi区域过滤掉非roi区域内的信息。具体操作方法为：

1)计算检测结果坐标位置的中心点。某条检测结果表示为[x1,y1,x2,y2,tag]，其中x1和y1表示检测矩形框左上角的x坐标和y坐标，x2和y2标识目标区域1010右下角的x坐标和y坐标。使用(xc，yc)表示矩形框的中心点坐标，则：

2)判断(xc，yc)表示的位置是否在roi区域aroi范围内(目标区域1010的范围内)，如果在则将该条检测结果[x1,y1,x2,y2,tag]，从图片检测结果信息中删除，得到roi区域的视频段检测信息，符号表示为droi。

(3)根据roi区域的视频段检测信息droi进行车辆运动轨迹的关联。这个问题本质是视频序列中的检测结果跨帧关联问题。在传统通用算法中，一般使用基于运动特征和外观特征的关联算法，比较典型的有相关滤波类方法以及基于颜色特征的颜色直方图匹配。在本发明应用的场景中由于目标运动过程中跳帧较大，在一般视频监控场景中为25fps，在实际应用中仅仅为1fps，在这种条件下存在外观变形以及运动速度过快的问题。无法使用简单方法完成车辆的运动轨迹关联。

在该步骤中本发明使用运动状态估计匹配和颜色直方图匹配融合的结果。在运动状态估计匹配中使用基于线性观测模型的标准kalman滤波器进行下一帧运动状态的预测，得到目标的位置信息[xk1,yk1,xk2,yk2]，与下一帧实际检测结果[xf1,yf1,xf2,yf2,tag]中的位置信息[xf1,yf1,xf2,yf2]进行位置关系匹配，匹配度(相似度)的正则项包括高度、宽度、iou(intersectionoverunion即合并的交集)、长宽比，将运动状态匹配结果记为rmove，颜色直方图匹配方法是将当前帧检测结果区域缩放到固定大小，再将rgb(红绿蓝颜色表示法)颜色空间变换为hsv(色彩模型)颜色空间，然后计算hsv颜色空间中的h(色彩hue)分量的统计直方图，再使用同样方式处理得到下一帧的检测区域的h分量颜色直方图，对比两个颜色直方图的统计结果的匹配度记为rhist。合并运动状态匹配度记为rmove和颜色直方图的统计结果的匹配度rhist为最终匹配度rout。计算每帧图像中每个检测目标在下一帧视频中的多个检测结果对应多个rout值设置合理判断阈值t，判断每个rout，当存在rout≥t时，该检测结果表明在下一帧图像中存在检测结果能匹配已知的轨迹，取rout值最大时对应的结果为最终路径匹配结果；判断每个rout，当不存在rout≥t时，该目标为新出现的泥头车，建立新的轨迹。按照这种判断条件关联视频段中的各个泥头车目标，生成泥头车在roi区域的运动轨迹。

步骤608：根据泥头车运动轨迹以及道路出口位置判断泥头车的进出状态。

在上述步骤中得到泥头车的运动轨迹，根据运动轨迹信息计算出泥头车的运动方向结合道路1040出口位置1030可以得到泥头车的进出状态：当泥头车向出口方向运动时泥头车为出去的状态，记为“out”,当泥头车运动方向背离出口位置时泥头车为进入工地的状态，记为“in”。

步骤610：根据泥头车运动轨迹以及冲洗台位置计算泥头车的冲洗台停留时间。

如图14所示，图中车辆影像1050为检测结果位置记为prect，特定区域1020为标注冲洗台区域的多边形位置，记为pwash。

计算路径中各个检测结果位置prect与冲洗台区域位置pwash的交并比[iou(intersectionoverunion)]，在多边形的交并比计算过程中需要使用海伦公式计算多个三角形面积并求和以计算冲洗台多边形面积swash以及交集区域的多边形面积sinter，假设检测结果面积为srect则，泥头车与冲洗台位置的交并比rateiou可以表示为：

rateiou＝sinter/srect+swash。

当rateiou大于设置的固定阈值时，则认为泥头车已经处于冲洗台位置，计算泥头车的轨迹中位置的rateiou，记录大于阈值的rateiou出现的起始位置时间t1和结束位置t2，则泥头车的冲洗时间为t＝t2-t1。由此计算出每辆泥头车在冲洗台的停留时间。

根据上述实施例有效统计出泥头车在roi区域的运动轨迹信息，泥头车数量、泥头车进出状态以及泥头车的冲洗时长信息，根据这些信息能有效判断泥头车出入洗车台区域过程中是否冲洗以及冲洗时长，达到实时监控预警的目的，至此整个过程完成。

上述步骤602训练泥头车检测模型，在本专利中数据处理步骤基本相同，本发明使用了yolo3目标检测模型检测泥头车时出于模型检测速度和精度的综合考虑。

在实际使用过程中首先可能会出现检测泥头车车头的方式，这种方式不仅能检测泥头车，也能检测与泥头车车头相似的其它工程车辆如搅拌车等；其次在该过程中可以使用类似的其它目标检测模型，如fasterr-cnn、ssd、fpn等目标检测模型都在该步骤中适用，在速度和精度方面有差异但功能上与yolo3目标检测模型完全相同。

在上述步骤604中检测视频流图片，并根据检测结果分割视频段。

在本发明因摄像头是冲洗台区域的，车辆不会长时间在冲洗台附近停留，因而使用了根据检测结果分割视频段的方式，以每个视频段作为一个事件进行后续处理。在实际使用中，常常是以每辆车的进出为一个事件进行处理。

具体使用哪种方式需要根据实际项目车辆摄像头的环境进行判断，如果在摄像头的视角内存在车辆长时间停留的情况则需要使用每辆车进出作为一个事件进行处理，否则使用本发明的视频段分割方式即可。

在上述步骤606中确定泥头车轨迹信息。

本发明针对1fps情况下的泥头车冲洗监测任务设计了可用的泥头车轨迹关联方法。在本发明中使用了基于运动状态估计的卡尔曼滤波方法以及基于颜色特征直方图方法的匹配方式联合的方法，实测这两种方式对轨迹关联效果较好。

还可以使用的方法可以是kcf算法中的基于hog特征的方式，hog特征比较常用的图像特征表示方法；也可以是基于深度特征的方式，这种方式在近年也是十分的典型，如deepsrdcf、hcf这两种目标跟踪算法都使用了深度特征表示图像目标并取得了很好的效果。

在上述步骤610中根据泥头车运动轨迹以及冲洗台位置计算泥头车的冲洗台停留时间。

如图9至图14所示，在本发明中使用的是多边形表示洗车台区域，因摄像头视角由近及远，使得矩形区域的洗车台在图片中实际区域为多边形，设置洗车台位置在图片中为多边形使得判断泥头车是否在洗车台区域内时计算能更加准确。

在一般的常规方法中一般标注冲洗台位置可以是矩形框，与多边形框相比存在有标注简单并且计算冲洗时间时更加简单的优点，但相较于多边形区域的计算方式准确率会降低。

图15示出本发明第七个第一方面实施例提供的车辆监控方法的流程图。

如图15所示，本发明第七个实施例提供的车辆监控方法的具体步骤如下：

步骤702：训练泥头车检测模型；

步骤704：检测视频图片；

步骤706：判断视频段检测位置；

步骤708：确定视频段内泥头车轨迹；

步骤710：得到泥头车状态信息。

本发明可以解决在1fps这种极低帧率的情况下，如何实现车辆检测结果的关联，有效判断视频各帧图片中出现的车辆是否同一辆车。

在本发明中提出了基于卡尔曼滤波的运动估计的位置匹配以及基于颜色特征直方图匹配的联合估计方法，准确判断泥头车在视频各帧之间的关联关系从而降低了泥头车目标的错误关联，有利于泥头车数量统计以及泥头车冲洗状态的监控。

针对具体泥头车冲洗状态监控任务场景，如何实现泥头车冲洗状态的判断、时间的统计，以及冲洗数量的统计、泥头车进出状态的判断。本发明中针对泥头车冲洗这一实际场景的视频数据，首先进行泥头车目标检测，基于检测结果实现了泥头车视频关键视频段检测结果的切割，然后根据目标检测结果、冲洗台位置找到冲洗台附近的感兴趣区域并提取感兴趣区域内的运动轨迹，根据轨迹信息实现了泥头车数量统计、泥头车冲洗时间统计、泥头车进出判断，最终实现了泥头车运动状态的监控。

其中，泥头车为车辆的一种，在本发明的其他实施例中，也可以采用其他车辆，例如：货车、小型车辆、大客车等。

在本发明中，术语“安装”、“相连”、“连接”、“固定”等术语均应做广义理解，例如，“连接”可以是固定连接，也可以是可拆卸连接，或一体地连接；“相连”可以是直接相连，也可以通过中间媒介间接相连。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本发明中的具体含义。

在本说明书的描述中，术语“一个实施例”、“一些实施例”、“具体实施例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或实例。而且，描述的具体特征、结构、材料或特点可以在任何的一个或多个实施例或示例中以合适的方式结合。

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