一种多事件联合检测方法、装置、存储介质及电子装置与流程

1.本发明实施例涉及数据处理领域，具体而言，涉及一种多事件联合检测方法、装置、存储介质及电子装置。


背景技术：

2.违法停车和路面抛洒物作为高速公路的高危事件，是现在公路交通发展面临的两大问题，如何有效检测到这两类或多类高危事件以供相关人员及时作出处理，是亟需解决的问题。
3.现有的智能交通检测技术，通过分别抓取这两类或者多类交通事件的特征从而根据交通数据对这两类事件进行检测。然而多类交通事件检测方法效率比较低，需要消耗大量的时间和算力。
4.传统的抛洒物检测通过检测模型建立车辆检测框，通过对比同一辆车的多个时间段的检测框区域，检测抛洒物，而检测框的大小波动对于静止物体特别是体积较小的物体的检测会带来负面影响，使得抛洒物的检测准确性较差。
5.另一方面，现有的在对抛洒物的检测过程中，由于停车类事件和行人拥堵和抛洒物都具有相似的静止性特征，检测出来的结果会受到这两种事件的干扰，所以需要对结果进行进一步分类检测，不仅检测环节较多使得检测效率比较低，而且由于待检测分类的物体较多，检测效果也比较差。


技术实现要素：

6.本发明的主要优势在于提供一种多事件联合检测方法、装置、存储介质及电子装置，通过将目标区域数据分割为不同类型的区域数据再分别进行检测处理， 避免了在检测时不同类型事件之间的干扰。
7.本发明另一优势在于提供一种多事件联合检测方法、装置、存储介质及电子装置，通过将目标区域数据分割为不同类型的区域数据再分别进行检测处理，避免了在对抛洒物事件进行识别时对车辆相关事件和行人相关事件进行再过滤，优化了算法流程，提高了检测结果的准确性。
8.本发明另一优势在于提供一种多事件联合检测方法、装置、存储介质及电子装置，利用车辆相关事件、行人相关事件和抛洒物相关事件的共性（即静止性）特征，将目标区域数据分割为不同类型的区域数据再分别进行检测处理，可以同时对多个交通事件进行联合检测识别，简化了交通事件的检测流程，优化了算法。
9.根据本发明一实施例，提供一种多事件联合检测方法，包括：获取目标区域数据；利用目标分割模型对所述目标区域数据进行分割处理，得到多个子区域数据；对所述多个子区域数据执行目标筛选，对应得到多个目标子区域数据；利用目标检测模型对所述多个目标子区域数据进行事件识别，对应得到多个目标
事件。
10.根据本发明一示例性实施例，所述目标分割模型为全景分割模型。
11.根据本发明一示例性实施例，利用目标分割模型对所述目标区域数据进行分割处理，得到多个子区域数据，还包括：利用目标分割模型对所述目标区域数据进行分割，得到不同类型的数据信息；基于子区域数据的属性特征整合所述不同类型的数据信息，得到所述多个子区域数据。
12.根据本发明一示例性实施例，对所述多个子区域数据执行目标筛选，对应得到多个目标子区域数据，包括：基于所述多个子区域数据，获取对应的roi区域数据；基于第一目标条件，对所有所述roi区域数据进行第一目标区域数据筛选，对应得到多个目标子区域数据。
13.根据本发明一示例性实施例，所述子区域数据包括车辆区域数据、行人区域数据和其他区域数据。
14.根据本发明另一实施例，提供一种多事件联合检测装置，包括：获取模块，用于获取目标区域数据；数据分割模块，用于利用目标分割模型对所述目标区域数据进行分割处理，得到多个子区域数据；目标筛选模块，用于对所述多个子区域数据执行目标筛选，对应得到多个目标子区域数据；检测模块，用于利用目标检测模型对所述多个目标子区域数据进行事件识别，对应得到多个目标事件。
15.根据本发明一示例性实施例，所述数据分割模块包括：数据分割单元，用于利用目标分割模型对所述目标区域数据进行分割，得到不同类型的数据信息；数据整合单元，用于基于子区域数据的属性特征整合所述不同类型的数据信息，得到所述多个子区域数据。
16.根据本发明一示例性实施例，所述目标筛选模块包括：roi区域数据获取单元，用于基于所述多个子区域数据，获取对应的roi区域数据；第一筛选单元，用于基于第一目标条件，对所有所述roi区域数据进行第一目标区域数据筛选，对应得到多个目标子区域数据。
17.根据本发明的又一个实施例，还提供了一种计算机可读存储介质，所述计算机可读存储介质中存储有计算机程序，其中，所述计算机程序被设置为运行时执行上述任一项方法实施例中的步骤。
18.根据本发明的又一个实施例，还提供了一种电子装置，包括存储器和处理器，所述存储器中存储有计算机程序，所述处理器被设置为运行所述计算机程序以执行上述任一项方法实施例中的步骤。
附图说明
19.图1是根据本发明实施例的一种数据检测方法的移动终端的硬件结构框图；图2是根据本发明实施例的一种数据检测方法的流程图；图3是根据本发明实施例的一种数据检测装置的结构框图。
具体实施方式
20.下文中将参考附图并结合实施例来详细说明本发明的实施例。
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。
22.本技术实施例中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。以运行在移动终端上为例，图1是本发明实施例的一种检测方法的移动终端的硬件结构框图。如图1所示，移动终端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等的处理装置）和用于存储数据的存储器104，其中，上述移动终端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，其并不对上述移动终端的结构造成限定。例如，移动终端还可包括比图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。
23.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，如本发明实施例中的一种检测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移动终端。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。
24.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移动终端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，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。在一个实例中，传输装置106可以为射频（radio frequency，简称为rf）模块，其用于通过无线方式与互联网进行通讯。
25.为了更好的解决背景技术中提到的技术问题，本发明公开了一种多事件联合检测方法、装置、存储介质及电子装置，下面的实施例中将逐一进行详细说明。
26.参见图2，图2示出了根据本说明书一个实施例提供的一种多事件联合检测方法的流程图，具体包括以下步骤：s202，获取目标区域数据；根据本发明一实施例，其中，所述目标区域数据为待检测的图像数据和/或视频数据。
27.具体地，在实际应用中，应用本技术实施例提供的多事件联合检测方法的电子装置，在硬件上可直接包括的摄像头(该摄像头主要用于采集包含待检测路面的图像)，并在本地存储该摄像头拍摄得到的图像，可在电子设备内部直接读取；或者，电子设备也可与该
摄像头建立网络连接，并根据该网络连接从该摄像头在线获取该摄像头得到的图像；或者，电子设备也可从存储有该摄像头拍摄得到的图像的相关存储介质，读取出该摄像头拍摄得到的图像，具体获取方式在此不做限定。
28.其中，摄像头可根据预设的拍摄方式拍摄图像，例如可设置拍摄高度、拍摄方向或者拍摄距离，其具体拍摄方式可根据摄像头本身进行调节，具体在此不做限定。摄像头拍摄得到的多帧图像，可通过时间线组成视频。
29.s204，利用目标分割模型对所述目标区域数据进行分割处理，得到多个子区域数据；其中所述步骤s204包括：s2041，利用目标分割模型对所述目标区域数据进行分割，得到不同类型的数据信息；s2042，基于子区域数据的属性特征整合所述不同类型的数据信息，得到所述多个子区域数据。
30.根据本发明一实施例，所述目标分割模型是通过离线训练形成的深度学习模型，其中所述目标分割模型通过训练，可对所述目标区域数据进行分割从而得到对应的子区域数据。
31.根据本发明一实施例，其中所述子区域数据包括车辆区域数据、行人区域数据和其他区域数据。
32.值得一提的是，所述其他区域中可能包含抛洒物也可能不包含抛洒物，需要在后续的步骤中进行进一步检测。
33.根据本发明一实施例，所述步骤s2041可具体实施为，利用所述目标分割模型对所述目标区域数据进行分割得到基于路面的场景信息，和按照每个车辆和行人的粒度输出的每辆车和每个行人的信息，即车辆信息和行人信息。
34.根据本发明一实施例，所述步骤s2042可具体实施为，利用所述目标分割模型将基于路面的场景信息、车辆信息和行人信息进行整合分类得到多个子区域数据，即车辆区域数据、行人区域数据和其他区域数据。
35.根据本发明一实施例，优选的，所述目标分割模型为全景分割模型。具体地，采用包含有车辆、行人、抛洒物和其他物体的图像对所述全景分割模型进行预训练，直至所述全景分割模型收敛时，可以将训练好的全景分割模型对所述目标区域数据进行分割，从而得到多个子区域数据，所述子区域数据包括但不限于车辆区域数据、行人区域数据和其他区域数据，其中全景分割模型的训练过程与现有的网络模型的训练过程类似，对于没有详细说明的训练过程，可以参照现有网络模型的训练方式，在此不再赘述。
36.其中，所述子区域的类型可具体设置，以获取不同的子区域数据，上述所列子区域的类型在此不作为限制。
37.s206，对所述多个子区域数据执行目标筛选，对应得到多个目标子区域数据；其中，所述步骤s206包括以下步骤：s2062，基于所述多个子区域数据，获取对应的roi区域数据；s2064，基于第一目标条件，对所有所述roi区域数据进行第一目标区域数据筛选，对应得到多个目标子区域数据。
38.根据本发明一实施例，在步骤s2062中，可通过膨胀腐蚀形态学分析方法从所述多个子区域数据中分别获取对应的roi区域数据，以得到所述多个roi区域数据，其中一个roi区域数据对应一个子区域数据。其中膨胀腐蚀形态学分析方法属于本领域公知技术，在此不再赘述。
39.根据本发明一实施例，所述步骤s2064可具体实施为，对所有所述roi区域数据，计算区域内的物体在时间t范围内的位置的变化，即在时间t范围内的车辆、行人和其他区域中所含物体的位置变化，当区域的iou大于一个阈值tr后，认定该区域为一个长期停止的区域，即所述第一目标区域。其中该时间t范围和阈值tr可具体进行设置，在此不做限制。
40.值得一提的是，因为抛洒物事件、车辆拥堵、异常停车事件和行人拥堵事件等相关事件都具有相同的静止性特征，传统的抛洒物事件检测需要对车辆拥堵、异常停车和行人拥堵等相关事件进行过滤，而由于事件种类众多，导致算法的过滤过程难度较高，算力大。
41.而在本发明提供的实施例中，可以通过所述第一目标条件，提前统一对所有所述roi区域进行第一目标区域筛选，可同时对应得到包含抛洒物事件、车辆拥堵事件、异常停车事件和行人闯入和行人拥堵等相关事件的所述多个目标子区域，即车辆子区域数据、行人子区域数据和其他子区域数据，从而可避免后续对抛洒物事件识别时需要对上述这些车辆和行人相关的事件进行再次过滤。
42.s208，利用目标检测模型对所述多个目标子区域数据进行事件识别，对应得到多个目标事件。
43.根据本发明一实施例，其中所述目标检测模型包括第一目标检测模型和第二目标检测模型，其中所述第一目标检测模型用于对车辆子区域数据和行人子区域数据进行事件识别。优选的，所述第一目标检测模型为视频分类模型，用于检测识别车辆和行人长期停止的事件，包括但不限于车辆拥堵、异常停车、交通事故、行人闯入和行人拥堵等相关事件，值得一提的是，根据本发明一实施例，优选的，所述第一目标检测模型为视频分类模型，所述视频分类模型不仅可对所述车辆子区域内的有关车辆事件 ，即车辆拥堵、异常停车、交通事故等相关事件进行识别，并且可以对所述行人子区域内的有关行人事件 ，即行人闯入和行人拥堵等相关事件进行识别。
44.而在本发明另一实施例中，其中所述第一目标检测模型包括一车辆事件检测模型和一行人事件检测模型，所述车辆事件检测模型用于对所述车辆子区域内的有关车辆事件 ，即车辆拥堵、异常停车、交通事故等相关事件进行识别，所述行人事件检测模型用于对所述行人子区域内的有关行人事件 ，即行人闯入和行人拥堵等相关事件进行识别。
45.根据本发明一实施例，其中所述第二目标检测模型用于对其他子区域数据进行事件识别。优选的，所述第二目标检测模型为图像分类模型，用于识别路面的抛洒物事件，通过所述第二目标检测模型去除误检的干扰物体，例如井盖、减速带、路障等路面设施，输出类别为抛洒物的事件。
46.根据本发明一实施例，其中所述目标检测模型，即其包括的所述第一目标检测模型和第二目标检测模型，为深度学习网络模型，通过采集训练样本对该网络模型进行离线训练，从而实现对应的检测功能，其中所述目标检测模型的训练过程与现有的网络模型的训练过程类似，对于没有详细说明的训练过程，可以参照现有网络模型的训练方式，在此不再赘述。
47.值得一提的是，在对抛洒物事件进行检测识别的过程中，不需要对车辆相关事件和行人相关事件进行过滤或识别，因为抛洒物事件是基于其他子区域数据进行检测识别的结果，所述车辆子区域数据和行人子区域数据已经在步骤s204中利用目标分割模型从所述目标区域数据中与其他区域数据，即可能包含抛洒物等相关物品的区域数据分割开。通过本发明提供的多事件联合检测方法一方面优化了检测的流程，对不同类型的区域数据进行针对性的检测识别提高了检测的准确性，也避免了抛洒物事件和车辆相关事件、行人相关事件之间的误检和多个事件之间的干扰，另一方面，因为抛洒物事件和车辆相关事件、行人相关事件具有长时间静止的相似特征，所以，可以同时对这三种事件即抛洒物事件、车辆相关事件、行人相关事件进行检测识别，不仅简化了交通事件的检测流程，优化了算法，也同时提高了抛洒物识别的准确性。
48.值得一提的是，传统的抛洒物检测通过检测模型建立车辆检测框，通过对比同一辆车的多个时间段的检测框区域检测抛洒物，而检测框的大小波动对于静止物体特别是体积较小的物体的检测会带来负面影响，使得抛洒物的检测准确性较差，而本发明提供的多事件联合检测方法，通过对不同类型的区域数据进行针对性的检测识别，避免了通过对车辆建立检测框来检测识别抛洒物的方法，从而减少了检测框的大小波动对检测抛洒物结果的影响，提高了对抛洒物检测的准确性。
49.需要说明的是本发明提供的一种多事件联合检测方法不仅可以应用于高速公路这种类型的交通环境中，也可应用于普通的公路交通环境中，在此不再一一列举。
50.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。
51.在本实施例中还提供了一种数据检测装置，该装置用于实现上述实施例及优选实施方式，已经进行过说明的不再赘述。如以下所使用的，术语“模块”可以实现预定功能的软件和/或硬件的组合。尽管以下实施例所描述的装置较佳地以软件来实现，但是硬件，或者软件和硬件的组合的实现也是可能并被构想的。
52.根据本发明另一实施例，参考图3，提供多事件联合检测装置，包括：获取模块30，用于获取目标区域数据；根据本发明一实施例，其中，所述目标区域数据为待检测的图像数据和/或视频数据。
53.具体地，在实际应用中，所述获取模块30可被配置为，在硬件上可直接包括的摄像头(该摄像头主要用于采集包含待检测路面的图像)，并在本地存储该摄像头拍摄得到的图像，可在电子设备内部直接读取；或者，电子设备也可与该摄像头建立网络连接，并根据该网络连接从该摄像头在线获取该摄像头得到的图像；或者，电子设备也可从存储有该摄像头拍摄得到的图像的相关存储介质，读取出该摄像头拍摄得到的图像，具体获取方式在此不做限定。
54.其中，摄像头可根据预设的拍摄方式拍摄图像，例如可设置拍摄高度、拍摄方向或者拍摄距离，其具体拍摄方式可根据摄像头本身进行调节，具体在此不做限定。摄像头拍摄
得到的多帧图像，可通过时间线组成视频。
55.数据分割模块40，用于利用目标分割模型对所述目标区域数据进行分割处理，得到多个子区域数据；根据本发明一实施例，其中所述数据分割模块40包括：数据分割单元41，用于利用目标分割模型对所述目标区域数据进行分割，得到不同类型的数据信息；数据整合单元42，用于基于子区域数据的属性特征整合所述不同类型的数据信息，得到所述多个子区域数据。
56.根据本发明一实施例，所述目标分割模型是通过离线训练形成的深度学习模型，其中所述目标分割模型通过训练，可对所述目标区域数据进行分割从而得到对应的子区域数据。
57.根据本发明一实施例，其中所述子区域数据包括车辆区域数据、行人区域数据和其他区域数据。
58.值得一提的是，所述其他区域中可能包含抛洒物也可能不包含抛洒物，需要在后续的步骤中进行进一步检测。
59.根据本发明一实施例，其中所述数据分割单元41可具体配置为，利用所述目标分割模型对所述目标区域数据进行分割得到基于路面的场景信息，和按照每个车辆和行人的粒度输出的每辆车和每个行人的信息，即车辆信息和行人信息。
60.根据本发明一实施例，所述数据整合单元42可具体配置为，利用所述目标分割模型将基于路面的场景信息、车辆信息和行人信息进行整合分类得到多个子区域数据，即车辆区域数据、行人区域数据和其他区域数据。
61.根据本发明一实施例，优选的，所述目标分割模型为全景分割模型。具体地，采用包含有车辆、行人、抛洒物和其他物体的图像对所述全景分割模型进行预训练，直至所述全景分割模型收敛时，可以将训练好的全景分割模型对所述目标区域数据进行分割，从而得到多个子区域数据，所述子区域数据包括但不限于车辆区域数据、行人区域数据和其他区域数据，其中全景分割模型的训练过程与现有的网络模型的训练过程类似，对于没有详细说明的训练过程，可以参照现有网络模型的训练方式，在此不再赘述。
62.其中，所述子区域的类型可具体设置，以获取不同的子区域数据，上述所列子区域的类型在此不作为限制。
63.目标筛选模块50，用于对所述多个子区域数据执行目标筛选，对应得到多个目标子区域数据；根据本发明一实施例，其中所述目标筛选模块50包括：roi区域数据获取单元51，用于基于所述多个子区域数据，获取对应的roi区域数据；第一筛选单元52，用于基于第一目标条件，对所有所述roi区域数据进行第一目标区域数据筛选，对应得到多个目标子区域数据根据本发明一实施例，其中所述roi区域数据获取单元51可被配置为，可通过膨胀腐蚀形态学分析方法从所述多个子区域数据中分别获取对应的roi区域数据，以得到所述多个roi区域数据，其中一个roi区域数据对应一个子区域数据。其中膨胀腐蚀形态学分析
方法属于本领域公知技术，在此不再赘述。
64.根据本发明一实施例，其中所述第一筛选单元52可具体实施为，对所有所述roi区域数据，计算区域内的物体在时间t范围内的位置的变化，即在时间t范围内的车辆、行人和其他区域中所含物体的位置变化，当区域的iou大于一个阈值tr后，认定该区域为一个长期停止的区域，即所述第一目标区域。其中该时间t范围和阈值tr可具体进行设置，在此不做限制。
65.值得一提的是，因为抛洒物事件、车辆拥堵、异常停车事件和行人拥堵事件等相关事件都具有相同的静止性特征，传统的抛洒物事件检测需要对车辆拥堵、异常停车和行人拥堵等相关事件进行过滤，而由于事件种类众多，导致算法的过滤过程难度较高，算力大。
66.而在本发明提供的实施例中，可以通过所述第一目标条件，提前统一对所有所述roi区域进行第一目标区域筛选，可同时对应得到包含抛洒物事件、车辆拥堵事件、异常停车事件和行人闯入和行人拥堵等相关事件的所述多个目标子区域，即车辆子区域数据、行人子区域数据和其他子区域数据，从而可避免后续对抛洒物事件识别时需要对上述这些车辆和行人相关的事件进行再次过滤。
67.检测模块60，用于利用目标检测模型对所述多个目标子区域数据进行事件识别，对应得到多个目标事件。
68.根据本发明一实施例，其中所述目标检测模型包括第一目标检测模型和第二目标检测模型，其中所述第一目标检测模型用于对车辆子区域数据和行人子区域数据进行事件识别。优选的，所述第一目标检测模型为视频分类模型，用于检测识别车辆和行人长期停止的事件，包括但不限于车辆拥堵、异常停车、交通事故、行人闯入和行人拥堵等相关事件，值得一提的是，根据本发明一实施例，优选的，所述第一目标检测模型为视频分类模型，所述视频分类模型不仅可对所述车辆子区域内的有关车辆事件 ，即车辆拥堵、异常停车、交通事故等相关事件进行识别，并且可以对所述行人子区域内的有关行人事件 ，即行人闯入和行人拥堵等相关事件进行识别。
69.而在本发明另一实施例中，其中所述第一目标检测模型包括一车辆事件检测模型和一行人事件检测模型，所述车辆事件检测模型用于对所述车辆子区域内的有关车辆事件 ，即车辆拥堵、异常停车、交通事故等相关事件进行识别，所述行人事件检测模型用于对所述行人子区域内的有关行人事件 ，即行人闯入和行人拥堵等相关事件进行识别。
70.根据本发明一实施例，其中所述第二目标检测模型用于对其他子区域数据进行事件识别。优选的，所述第二目标检测模型为图像分类模型，用于识别路面的抛洒物事件，通过所述第二目标检测模型去除误检的干扰物体，例如井盖、减速带、路障等路面设施，输出类别为抛洒物的事件。
71.根据本发明一实施例，其中所述目标检测模型，即其包括的所述第一目标检测模型和第二目标检测模型，为深度学习网络模型，通过采集训练样本对该网络模型进行离线训练，从而实现对应的检测功能，其中所述目标检测模型的训练过程与现有的网络模型的训练过程类似，对于没有详细说明的训练过程，可以参照现有网络模型的训练方式，在此不再赘述。
72.值得一提的是，在对抛洒物事件进行检测识别的过程中，不需要对车辆相关事件和行人相关事件进行过滤或识别，因为抛洒物事件是基于其他子区域数据进行检测识别的
结果，所述车辆子区域数据和行人子区域数据已经通过所述数据分割模块40利用目标分割模型从所述目标区域数据中与其他区域数据，即可能包含抛洒物等相关物品的区域数据分割开。通过本发明提供的多事件联合检测装置一方面优化了检测的流程，对不同类型的区域数据进行针对性的检测识别提高了检测的准确性，也避免了抛洒物事件和车辆相关事件、行人相关事件之间的误检和多个事件之间的干扰，另一方面，因为抛洒物事件和车辆相关事件、行人相关事件具有长时间静止的相似特征，所以，可以同时对这三种事件即抛洒物事件、车辆相关事件、行人相关事件进行检测识别，不仅简化了交通事件的检测流程，优化了算法，也同时提高了抛洒物识别的准确性。
73.值得一提的是，传统的抛洒物检测通过检测模型建立车辆检测框，通过对比同一辆车的多个时间段的检测框区域检测抛洒物，而检测框的大小波动对于静止物体特别是体积较小的物体的检测会带来负面影响，使得抛洒物的检测准确性较差，而本发明提供的多事件联合检测装置，通过对不同类型的区域数据进行针对性的检测识别，避免了通过对车辆建立检测框来检测识别抛洒物，从而减少了检测框的大小波动对检测抛洒物结果的影响，提高了对抛洒物检测的准确性。
74.需要说明的是本发明提供的一种多事件联合检测装置不仅可以应用于高速公路这种类型的交通环境中，也可应用于普通的公路交通环境中，在此不再一一列举。
75.本发明的实施例还提供了一种计算机可读存储介质，该计算机可读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任一项方法实施例中的步骤。
76.在一个示例性实施例中，上述计算机可读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计算机程序的介质。
77.本发明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。
78.在一个示例性实施例中，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。
79.本实施例中的具体示例可以参考上述实施例及示例性实施方式中所描述的示例，本实施例在此不再赘述。
80.显然，本领域的技术人员应该明白，上述的本发明的各模块或各步骤可以用通用的计算装置来实现，它们可以集中在单个的计算装置上，或者分布在多个计算装置所组成的网络上，它们可以用计算装置可执行的程序代码来实现，从而，可以将它们存储在存储装置中由计算装置来执行，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，本发明不限制于任何特定的硬件和软件结合。
81.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。