交通事件检测方法、装置、路侧设备以及云控平台

技术领域

本申请涉及数据处理领域，尤其涉及一种交通事件检测方法、装置、路侧设备以及云控平台，可用于人工智能领域、智能交通领域、计算机视觉领域、深度学习领域、云计算领域。

背景技术

随着城市道路建设的逐步完善和交通工具的技术进步，人们的出行距离增加，道路的交通状况给人们生活和工作带来很大的影响。

道路的交通状况主要受交通事件的影响，例如堵车、车辆不遵守信号灯指示行驶、交通肇事，等等。目前，对交通事件的检测是通过将监控视频中的图像输入深度神经网络进行检测。

发明内容

本申请提供了一种用于交通事件检测方法、装置、路侧设备以及云控平台。

根据本申请的第一方面，提供了一种交通事件检测方法，包括：

获取道路场景的场景图像；

确定所述场景图像中包含的目标图像区域，所述目标图像区域为交通事件发生概率大于或等于第一阈值的图像区域；

对所述目标图像区域进行交通事件检测，得到所述目标图像区域中是否发生交通事件的检测结果。

根据本申请的第二方面，提供了一种模型训练方法，包括：

获取样本数据；

根据所述样本数据，对特征提取模型进行训练；

其中，所述样本数据包括多个标记有交通事件发生区域的样本图像，所述特征提取模型用于提取图像特征。

根据本申请的第三方面，提供了一种交通事件检测装置，包括：

获取单元，用于获取道路场景的场景图像；

确定单元，用于确定所述场景图像中包含的目标图像区域，所述目标图像区域为交通事件发生概率大于或等于第一阈值的图像区域；

检测单元，用于对所述目标图像区域进行交通事件检测，得到所述目标图像区域中是否发生交通事件的检测结果。

根据本申请的第四方面，提供了一种模型训练装置，包括：

获取单元，用于获取样本数据；

训练单元，用于根据所述样本数据，对特征提取模型进行训练；

其中，所述样本数据包括多个标记有交通事件发生区域的样本图像，所述特征提取模型用于提取图像特征。

根据本申请的第五方面，提供了一种电子设备，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行如上述第一方面所述的交通事件检测方法、或者上述第二方面所述的模型训练方法。

根据本申请的第六方面，提供一种存储有计算机指令的非瞬时计算机可读存储介质，所述计算机指令用于使所述计算机执行如上述第一方面所述的交通事件检测方法、或者上述第二方面所述的模型训练方法。

根据本申请的第七方面，提供了一种计算机程序产品，所述计算机程序产品包括：计算机程序，所述计算机程序存储在可读存储介质中，电子设备的至少一个处理器可以从所述可读存储介质读取所述计算机程序，所述至少一个处理器执行所述计算机程序使得电子设备执行如上述第一方面所述的交通事件检测方法、或者上述第二方面所述的模型训练方法。

根据本申请的第八方面，提供了一种路侧设备，所述路侧设备包括如上述第五方面所述的电子设备。

根据本申请的第九方面，提供了一种云控平台，所述云控平台包括如上述第五方面所述的电子设备。

根据本申请的技术提高了交通事件检测的准确性。

应当理解，本部分所描述的内容并非旨在标识本申请的实施例的关键或重要特征，也不用于限制本申请的范围。本申请的其它特征将通过以下的说明书而变得容易理解。

附图说明

附图用于更好地理解本方案，不构成对本申请的限定。其中：

图1是本申请实施例提供的应用场景示意图；

图2是根据本申请第一实施例的示意图；

图3是根据本申请第二实施例的示意图；

图4是根据本申请第三实施例的示意图；

图5(a)是第二阈值为1时场景图像中目标图像区域的分布示例图；

图5(b)是第二阈值为2时场景图像中目标图像区域的分布示例图；

图6是根据本申请第四实施例的示意图；

图7是根据本申请第五实施例的示意图；

图8是根据本申请第六实施例的示意图；

图9是根据本申请第七实施例的示意图；

图10是根据本申请第八实施例的示意图；

图11是用来实现本申请实施例的交通事件检测方法和/或模型训练方法的电子设备的框图。

具体实施方式

以下结合附图对本申请的示范性实施例做出说明，其中包括本申请实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本申请的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。

交通事件的检测，有利于提高交通管理的效率和智能化程度。其中，交通事件例如堵车、车辆或行人不遵守交通信号灯、交通肇事、等等。

通常地，将整张监控图像输入深度神经网络，通过深度神经网络对整张监控图像进行图像特征提取，并基于提取的图像特征得到交通事件的检测结果。该方式实现了交通事件的检测，但未考虑到交通事件往往仅发生在道路场景的某一个小区域中。将道路场景的整张监控图像输入深度神经网络，使得深度神经网络难以关注到与交通事件相关联的图像特征，增大了深度学习网络的学习难度，导致交通事件的检测准确性不高。

为解决上述问题，本申请提供一种交通事件检测方法、装置、路侧设备以及云控平台，应用于数据处理领域中的人工智能领域、智能交通领域、计算机视觉领域、深度学习领域、云计算领域。在本申请中，在道路场景的场景图像中确定交通事件发生概率较高的图像区域，基于确定的图像区域进行交通事件检测，以达到提高交通事件检测准确性和效率的目的。

图1是本申请实施例提供的应用场景示意图，该应用场景为道路场景。如图1所示，以道路场景为道路路口为例，道路场景中包括一个或多个图像采集设备101和一个或多个路侧设备102(图中以两个图像采集设备101和两个路侧设备102为例)，图像采集设备101与路侧设备102通过有线或无线的方式进行通信连接。

在该应用场景中，图像采集设备101采集道路场景的场景图像，将采集到的场景图像发送至路侧设备102，路侧设备102对场景图像进行处理。

可选的，图像采集设备101为路侧相机。

可选的，如图1所示，应用场景中还包括远程的服务器103。服务器103与图像采集设备101和/或路侧设备102通过网络进行通信。其中，远程服务器103可接收图像采集设备101发送的场景图像，或者，可以接收路侧设备102发送的场景图像，对场景图像进行处理。

在智能交通车路协同的系统架构中，路侧设备包括路侧感知设备和路侧计算设备，路侧感知设备(例如路侧相机)连接到路侧计算设备(例如路侧计算单元RSCU)，路侧计算设备连接到服务器设备，服务器设备可以通过各种方式与自动驾驶或辅助驾驶车辆通信；在另一系统架构中，路侧感知设备自身包括计算功能，此时，路侧感知设备直接连接到服务器设备。其中，以上连接可以是有线或是无线；本申请中服务器设备例如是云控平台、车路协同管理平台、中心子系统、边缘计算平台、云计算平台等。

示例性的，本申请的各方法实施例的执行主体可以是电子设备，电子设备可以为路侧设备(如图1中的路侧设备102)、或者终端设备、或者服务器设备(如图1中的服务器103)、或者交通事件检测装置或设备、或者是其他可以执行本申请的各方法实施例的装置或设备。

进一步的，本申请的各方法实施例的执行主体为路侧设备，路侧设备例如有计算功能的路侧感知设备、与路侧感知设备相连接的路侧计算设备。或者，本申请的各实施例的执行主体为与路侧计算设备连接的服务器设备、或是与路侧感知设备直接连接的服务器设备等。

图2是根据本申请第一实施例的示意图。如图2所示，本实施例提供的交通事件检测方法，包括：

S201、获取道路场景的场景图像。

其中，道路场景可以为道路交叉口的道路场景，道路交叉口是指两条或两条以上的道路相交处，此处车辆汇集、或者车辆与行人汇集，交通状况复杂，有必要针对道路交叉口进行交通事件检测。道路交叉口例如包括十字路口、T字路口、环岛汇入/汇出口等等。

本步骤中，可获取道路场景处设置的图像采集装置实时采集的场景图像，以针对道路场景进行实时的交通事件检测。或者，可获取存储在预设数据库中的、且为道路场景处设置的图像采集装置在历史时刻采集的场景图像，以针对道路场景处历史时刻发生的交通事件进行检测。

S202、确定场景图像中包含的目标图像区域，目标图像区域为交通事件发生概率大于或等于第一阈值的图像区域。

其中，第一阈值为预设的概率阈值，可由专业人员根据经验和实验进行设置。例如第一阈值被设置为80％，则目标图像区域为交通事件发生概率大于或等于80％的图像区域。进一步的，第一阈值可由用户根据需要进行调整。例如，用户可以将第一阈值调整为95％，以便在场景图像中确定时间发生概率大于或等于95％的图像区域。

本步骤中，在场景图像中，确定交通事件发生概率大于或等于第一阈值的一个或多个图像区域，为便于清楚描述，将交通事件发生概率大于或等于第一阈值的图像区域称为目标图像区域。可以理解的，图像区域的交通事件发生概率越高，则图像区域与交通事件的关联程度越高，在图像区域中更容易提取到与交通事件相关的图像特征。因此，目标图像区域的交通事件发生概率大于或等于第一阈值时，可认为目标图像区域与交通事件的关联程度较高，在进行交通事件检测时，目标图像区域中更容易提取到与交通时间相关联的图像特征，有利于提高交通事件的检测准确性。

在一些实施例中，S202的一种可能的实现方式包括：根据预先配置的多个图像区域类型与交通事件发生概率的映射关系，在场景图像中，确定交通事件发生概率大于或等于第一阈值的目标图像区域。

其中，多个图像区域类型与交通事件发生概率的映射关系例如由专业人员根据经验和实验进行配置，或者，在作为训练数据的多张样本图像中，统计各个图像区域类型的交通事件发生次数，根据各个图像区域类型的交通事件发生次数，确定各个图像区域类型的交通事件发生概率。

其中，在多个图像区域类型与交通事件发生概率的映射关系中，一个图像区域类型可对应一个交通事件发生概率。图像区域类型例如包括人行道区域、机动车道区域、非机动车道区域、路口中心区域、等等。

具体的，在场景图像中，依据图像区域类型，识别出属于图像区域类型的子图像区域。在多个图像区域类型与交通事件发生概率的映射关系，将图像区域所属的图像区域类型对应的交通事件发生概率，确定为该图像区域的交通事件发生概率。将图像区域的交通事件发生概率与第一阈值进行比较，根据比较结果，确定交通事件发生概率大于或等于第一阈值的目标图像区域，从而提高图像区域的交通事件发生概率的准确性。

可选的，除了该可能的实现方式之外，还可基于各像素的交通事件发生概率，确定目标图像区域，具体可见图3及图3所示的后续实施例。

S203、对目标图像区域进行交通事件检测，得到目标图像区域中是否发生交通事件的检测结果。

本步骤中，在确定交通事件发生概率大于或等于第一阈值的一个或多个目标图像区域之后，针对各目标图像区域，进行交通事件检测，得到目标图像区域是否发生交通事件的检测结果。例如，针对各目标图像区域，通过深度神经网络模型对目标图像区域进行交通事件检测，得到目标图像区域是否发生交通事件的检测结果。因此，相较于对整张场景图像区域进行交通事件检测，各目标图像区域与交通事件的关联程度较高，对目标图像区域进行交通事件检测，能够有效地提高交通事件的检测准确性。

本申请实施例中，在道路场景中，确定交通事件发生概率大于或等于第一阈值的目标图像区域，对目标图像区域进行交通事件检测。因此，通过将对场景图像进行交通事件检测的过程分为两个阶段进行，第一阶段是在交通事件检测之前筛选出与交通事件的关联程度较高的目标图像区域，第二阶段是在目标图像区域中进行交通事件的检测，在目标图像区域中更容易提取到与交通事件相关的图像特征，进而提高了交通事件检测准确性。

图3是根据本申请第二实施例的示意图。如图3所示，本实施例提供的交通事件检测方法，包括：

S301、获取道路场景的场景图像。

其中，S301的实现原理和技术效果可参照前述实施例，不再赘述。

S302、确定场景图像中各像素对应的交通事件发生概率。

其中，像素对应的交通事件发生概率，即与像素对应的场景位置发生交通事件的概率。像素对应的交通事件发生概率越大，则与像素对应的场景位置发生交通事件的概率越大，换句话说，与像素对应的场景位置位于事件区域的概率越大。因此，像素对应的交通事件发生概率，也可以理解为像素位于发生交通事件的图像区域的概率。

本步骤中，对场景图像进行交通事件发生概率的预测，得到场景图像中各像素对应的交通事件发生概率。

在一些实施例中，S302的一种可能的实现方式包括：对场景图像进行卷积编码处理、以及特征恢复处理，得到特征图像，将特征图像中各个像素值确定为场景图像中相应像素对应的交通事件发生概率，实现对像素的交通事件发生概率的预测。

其中，特征图像的图像大小与场景图像的图像大小相同，特征图像中的像素与场景图像中的像素一一对应。特征图像为单通道图像，即特征图像中各像素分别对应一个像素值。特征图像中的像素值为场景图像中与该像素值位于同一位置的像素对应的交通事件发生概率。

进一步的，特征图像中像素值的取值范围为0～1。例如，特征图像中像素位置(0，0)处的像素值为1，则表示场景图像中像素位置(0，0)处的像素对应的交通事件发生概率为1，即100％。又如，特征图像中的像素位置(2，1)处的像素值为0.5，则表示场景图像中像素位置(2，1)处的像素对应的交通事件发生概率为50％。

在对场景图像进行卷积编码处理、以及特征恢复处理之前，可通过作为训练数据的样本数据，对卷积编码处理、特征恢复处理进行训练，以便对场景图像进行卷积编码处理以及特征恢复处理得到的特征图像的像素值，能够较准确地反映出场景图像中各个像素对应的交通事件发生概率。

其中，样本数据中包括多个样本图像。卷积编码处理、特征恢复处理的训练过程可以在本实施例的执行主体上执行，也可以在其它设备上执行，例如，在其它的服务器、计算机上进行训练。

进一步的，样本数据中包括多个标记有交通事件发生区域的样本图像。例如，将道路场景的多个历史场景图像作为多个样本图像，由人工确定样本图像中是否发生交通事件、并标注出各样本图像的交通事件发生区域，比如在样本图像上框选出交通事件发生区域。

因此，在训练时，针对各样本图像，根据样本图像上标记的交通事件发生区域，确定样本图像对应的特征图像，样本图像对应的特征图像的图像大小与样本图像的图像大小相同。例如，将样本图像上标记的交通事件发生区域内各像素在样本图像的特征图像上对应的像素值确定为1，将除交通事件发生区域以外的剩余区域内各像素在样本图像的特征图像上对应的像素值确定为0，得到样本图像的特征图像。在得到样本图像和样本图像对应的特征图像后，可将样本图像作为输入，将样本图像对应的特征图像作为标签，对卷积编码处理、特征恢复处理进行有监督训练。在训练过程中，将样本图像对应的特征图像和特征提取模型输出的特征图像进行比较，基于样本图像对应的特征图像和特征提取模型输出的特征图像之间各像素的差值，对特征提取模型进行调整。特征提取模型输出的特征图像中为特征提取模型预测的样本图像中各像素对应的交通事件发生概率。

在对场景图像进卷积编码处理、以及特征恢复处理，得到特征图像的过程中，可先对场景图像进行卷积编码处理，得到编码图像，其中，编码图像中包含与交通事件发生概率相关的图像特征。卷积过程是在不同的抽象层次上提取图像特征的过程，会丢失场景图像中较多的细节特征，因此，再对卷积编码处理后的编码图像进行特征恢复，最终得到特征图像。因此通过卷积编码处理、及特征恢复处理，提高得到的特征图像的准确性。

可选的，编码图像为多个，编码图像的图像大小小于场景图像的图像大小，以更好地提取出场景图像的不同图像区域的图像特征。

作为示例的，先通过卷积对场景图像进行特征提取，得到表示场景图像的特征编码结果的编码图像，编码图像的图像大小例如为场景图像的图像大小的十六分之一。再通过反卷积对编码图像进行解码，实现对编码图像的特征恢复处理，得到与场景图像的图像大小相同的特征图像。

进一步的，通过特征提取模型对场景图像进行卷积编码处理、以及特征恢复处理，得到特征图像。其中，特征提取模型为卷积神经网络模型，例如，特征提取模型包括多个卷积层和多个池化层，在卷积层中，对场景图像进行卷积编码处理，得到多个编码图像，在池化层中，对编码图像进行特征恢复处理，得到场景图像的特征图像。

在采用特征提取模型对场景图像进行卷积编码处理、以及特征恢复处理之前，可对特征提取模型进行训练。可通过作为训练数据的样本数据，对特征提取模型进行训练。因此，在通过特征提取模型对场景图像中各个像素对应的交通事件发生概率的预测时，有利于提高像素对应的交通事件发生概率的预测准确性。

其中，用于训练特征提取模型的样本数据可参照前述用于训练卷积编码处理、以及特征恢复处理的样本数据。在样本数据包括多个标记有交通事件发生区域的样本图像时，针对各样本图像，根据样本图像上标记的交通事件发生区域，确定样本图像对应的特征图像，样本图像对应的特征图像的图像大小与样本图像的图像大小相同。可将样本图像作为输入，将样本图像对应的特征图像作为标签，对特征提取模型进行有监督训练。特征提取模型的训练算法例如为梯度下降算法。

其中，特征提取模型的训练过程可以在本实施例的执行主体上执行，也可以在其它设备上执行，例如，在其它的服务器、计算机上进行训练。

S303、根据各像素对应的交通事件发生概率和第一阈值，确定目标图像区域。

本步骤中，像素对应的交通事件发生概率越大，则由像素构成的图像区域的交通事件发生概率也较大。因此，在确定各像素对应的交通事件发生概率后，可根据各像素对应的交通事件发生概率和第一阈值，在场景图像中，确定交通事件发生概率大于或等于第一阈值的目标图像区域，从而基于各像素对应的交通事件发生概率，提高目标图像区域的准确性。

在一些实施例中，S303的一种可能的实现方式包括：

确定场景图像包含的多个图像区域；针对场景图像包含的各图像区域，根据图像区域中各像素对应的交通事件发生概率，确定图像区域对应的交通事件发生概率；将交通事件发生概率大于或等于第一阈值的图像区域，确定为目标图像区域。

具体的，可按照预设区域大小，在场景图像中确定多个图像区域。其中，预设区域大小可为一个或多个，例如：以像素、或者长度单位(毫米、厘米等)为单位，图像区域大小比如为3乘以3、9乘以9、16乘以16中的一种或多种。在场景图像中确定多个图像区域时，可按照预设顺序进行图像区域的确定，例如，从左到右、从上到下，在场景图像中确定多个图像大小为预设区域大小的图像区域。或者，也可以在场景图像中随机确定图像区域。确定多个图像区域后，针对各图像区域，例如，将图像区域中所有像素对应的交通事件发生概率的均值、众数或者中位数，确定为图像区域的交通事件发生概率。

可选的，S303除该可能的实现方式外，还可基于各像素对应的交通事件发生概率与第一阈值的比较，确定目标图像区域，具体可见图4及图4所示的后续实施例。

S304、对目标图像区域进行交通事件检测，得到目标图像区域中是否发生交通事件的检测结果。

其中，S304的实现原理和技术效果可参照前述实施例，不再赘述。

本申请实施例中，在道路场景的场景图像中，基于各像素对应的交通事件发生概率，确定交通事件发生概率大于或等于第一阈值的目标图像区域，提高了确定场景图像中目标图像区域的准确性，进而在对目标图像区域进行交通事件检测时，有利于进一步提高交通时间检测的准确性。

图4是根据本申请第三实施例的示意图。如图4所示，本实施例提供的交通事件检测方法，包括：

S401、获取道路场景的场景图像。

S402、确定场景图像中各像素对应的交通事件发生概率。

其中，S401和S402的实现过程和技术原理可参照前述实施例，不再赘述。

S403、确定交通事件发生概率大于或等于第一阈值的目标像素。

本步骤中，在确定场景图像中各像素对应的交通事件发生概率后，将各像素的交通事件发生概率分别与第一阈值进行比较，若像素的交通事件发生概率大于或等于第一阈值，则将该像素确定为目标像素。因此，从场景图像中的所有像素中，筛选出交通事件发生概率较大的目标像素。

可选的，如果场景图像中不存在交通事件发生概率大于或等于第一阈值的像素，则确定场景图像中不存在交通事件发生概率大于或等于第一阈值的目标图像区域，换句话说，在场景图像中检测出交通事件的概率较低，因此可确定场景图像中未发生交通事件，以提高交通事件的检测效率。例如，在道路场景中通常会设置多个路侧相机，可能存在路侧相机所监控的区域为交通事件发生概率较低的区域，此时，该路侧相机所拍摄的场景图像中可能不存在交通事件发生概率大于或等于第一阈值的像素。

S404、根据目标像素在场景图像中的分布，确定目标图像区域。

本步骤中，目标像素为场景图像中交通事件发生概率大于或等于第一阈值的像素，因此，可根据目标像素在场景图像中的分布，确定目标像素在场景图像中的分布区域，将目标像素在场景图像中的分布区域确定为交通事件发生概率大于或等于第一阈值的目标图像区域，以提高确定场景图像中目标图像区域的准确性。

在一些实施例中，S404的一种可能的实现方式包括：在场景图像中，对目标像素进行聚合处理，得到目标图像区域，目标图像区域中，相邻目标像素之间的距离小于或等于第二阈值。

具体的，在场景图像中，将距离小于或等于第二阈值的目标像素，确定位于同一图像区域，实现对目标像素的聚合处理。聚合处理后得到的一个或多个图像区域中，相邻目标像素之间的距离小于或等于第二阈值。可见，该一个或多个图像区域为目标像素的分布区域，在该一个或多个图像区域中绝大部分的像素为目标像素。因此，可将聚合处理后得到的一个或多个图像区域确定为目标图像区域。

其中，距离的单位为像素。不同的目标图像区域可能存在重合区域。

可选的，第二阈值为预设的常数值。

进一步的，第二阈值为1，即在目标图像区域中相邻目标像素之间的距离小于或等于1个像素，换句话说，在目标图像区域中仅包括两两相邻的目标像素。此时，目标图像区域中所有像素对应的交通事件发生概率大于或等于第一阈值，提高了在场景图像中确定目标图像区域的准确性。

进一步的，第二阈值大于1，即在目标图像像素中相邻目标像素之间的距离大于1个像素，换句话说，在目标图像区域中，除了包括数量较多的目标像素外，还包括交通事件发生概率小于第一阈值的像素。此时，充分考虑到与交通事件关联程度较高的图像区域不一定每个像素对应的交通事件发生概率都较大，提高了场景图像中目标图像区域的召回率。

可选的，第二阈值为与场景图像的像素总量相关的变量。换句话说，可根据场景图像的像素总量，调整第二阈值，以提高第二阈值的合理性，进而在场景图像中确定目标图像区域的准确性。

进一步的，第二阈值随场景图像的像素总数的增加而增加，即场景图像的像素总数越多，第二阈值越大。充分考虑到场景图像的像素增多时，与交通事件关联程度较高的图像区域中交通事件发生概率小于第一阈值的像素数量相应增多，提高了在场景图像中确定目标图像区域的准确性。

作为示例的，图5(a)是第二阈值为1时场景图像中目标图像区域的分布示例图、图5(b)是第二阈值为2时场景图像中目标图像区域的分布示例图。其中，在图5(a)和图5(b)中，每个方格表示一个像素，方格中的值为1，则表示相应的像素为目标像素，方格中的值为0，则表示相应的像素为非目标像素(即场景图像中交通事件发生概率小于第一阈值的像素)。斜线标注的区域表示目标图像区域。

从图5(a)可见，第二阈值为1时，目标图像区域中仅包括目标像素，各相邻的目标像素之间的距离等于1。从图5(b)可见，第二阈值为2时，目标像素区域中包括目标像素和非目标像素、且目标像素的数量较多。

在一些实施例中，S404的另一种可能的实现方式包括：确定场景图像包含的多个图像区域；确定场景图像包含的各图像区域中目标像素的数量占比；将目标像素的数量占比大于或等于第三阈值的图像区域确定为目标图像区域。

具体的，可按照预设区域大小，在场景图像中确定多个图像区域，其中，预设区域大小的数量可为一个或多个，具体可参照前述实施例的描述。在场景图像中确定多个图像区域时，可按照预设顺序进行图像区域的确定，例如，从左到右、从上到下，在场景图像中确定多个图像大小为预设区域大小的图像区域。或者，可以在场景图像中随机确定图像区域。

确定场景图像包含的多个图像区域后，针对各图像区域，确定图像区域中目标像素的数量占比，若图像区域中目标像素的数量占比大于或等于第三阈值，则确定图像区域对应的交通事件发生概率大于或等于第一阈值，将图像区域确定为目标图像区域。其中，图像区域中目标像素的数量占比是指图像区域中目标像素的数量与图像区域中像素总量的比值。

其中，第三阈值为预设的常数值。因此，可以通过设置数值较大的第三阈值，来提高确定场景图像中目标图像区域的准确性。用户可以通过调整第三阈值的大小，来调整筛选得到的目标图像区域的数量。第三阈值越小，则筛选得到的目标图像区域的数量越多。

S405、对目标图像区域进行交通事件检测，得到目标图像区域中是否发生交通事件的检测结果。

其中，S405的实现原理和技术效果可参照前述实施例的描述。

本申请实施例中，在道路场景的场景图像中，确定各像素对应的交通事件发生概率，将交通事件发生概率大于或等于第一阈值的像素确定为目标像素，根据目标像素的分布，确定目标图像区域，提高了确定场景图像中目标图像区域的准确性，进而在对目标图像区域进行交通事件检测时，有利于进一步提高交通时间检测的准确性。

在一些实施例中，在对目标图像区域进行交通事件检测，得到目标图像区域中是否发生交通事件的检测结果时，一种可能的实现方式(也即S203、S304、或者S405的一种可能的实现方式)包括：通过事件检测模型对目标图像区域进行交通事件检测，得到目标图像区域中是否发生交通事件的检测结果，事件检测模型用于检测图像中是否发生交通事件。

其中，事件检测模型可以为对视频或图像进行语义理解的语义理解模型，例如，可采用时段网络(Temporal Segment Networks，TSN)模型。

具体的，在得到一个或多个目标图像区域后，可按照目标图像区域，对场景图像进行裁剪，得到一个或多个子图像。可将得到的一个或多个子图像输入事件检测模型，由事件检测模型在子图像中提取与交通事件相关的图像特征，根据提取到的图像特征，确定子图像中是否发生交通事件，也即确定子图像对应的目标图像区域是否发生交通时间，从而提高了对目标图像区域进行时间检测的准确性。

可选的，不同的目标图像区域的区域大小可能不同，在将目标图像区域对应的子图像输入事件检测模型之前，可对各目标图像区域对应的子图像进行归一化处理，使得各目标图像区域对应的子图像的尺寸一致，进而提高事件检测模型在子图像进行交通事件检测的准确性。其中，对各目标图像区域对应的子图像进行归一化处理，例如对各目标图像区域对应的子图像进行放大或缩小，使得各目标图像区域的子图像的图像大小一致。

在通过事件检测模型对目标图像区域进行交通事件检测之前，可获取训练好的事件检测模型、或者对事件检测模型进行训练。训练时，获取包括标记有交通事件发生结果的样本图像，以样本图像作为输入，以样本图像的交通事件发生结果作为标签，对事件检测模型进行有监督训练，得到训练好的时间检测模型。其中，事件检测模型的训练算法例如为梯度下降算法，样本图像的交通事件发生结果包括样本图像中是否发生交通事件。

可选的，通过特征提取模型确定场景图像的目标图像区域的过程(即对场景图像进行卷积编码处理、以及特征恢复处理，得到特征图像，基于特征图像确定场景图像中各像素对应的交通事件发生概率，再基于各像素对应的交通事件发生概率在场景图像中确定目标图像区域)，与通过事件检测模型对目标图像区域进行时间检测的过程，可以相互结合。此时，特征提取模型与事件检测模型的训练过程为相互独立的过程，例如可以在相同的设备或者不同的设备上进行特征提取模型的训练、事件检测模型的训练，特征提取模型的训练、事件检测模型的训练分别涉及的样本图像可以为相同的图像也可以为不同的图像。因此，通过特征提取模型、时间检测模型，将场景图像中的交通事件检测划分为两个阶段，一个是从场景图像中筛选出交通事件发生概率较高的目标图像区域的阶段，另一个是对目标图像区域进行事件检测的阶段，有效地降低了事件检测阶段中检测出与交通事件相关的图像特征，提高了交通事件检测的准确性。

在一些实施例中，基于前述任一方法实施例所示的交通事件检测方法，在得到目标图像区域中是否发生交通事件的检测结果之后，交通事件检测方法还包括以下至少一项：显示发生交通事件的目标图像区域；显示发生交通事件的目标图像区域的数量；向目标服务器和/或目标终端发送发生交通事件的目标图像区域；向目标服务器和/或目标终端发送发生交通事件的目标图像区域的数量。

一示例中，在当前设备具有显示装置时，例如，路侧相机直接连接有显示屏，则在确定目标图像区域发生交通事件后，可在显示装置上显示发生交通事件的目标图像区域(例如对发生交通事件的目标图像区域对应的子图像进行显示，或者，显示场景图像并在场景图像中标注出发生交通事件的目标图像区域)、和/或发生交通事件的目标图像区域的数量。

因此，相较于仅输出场景图像中是否发生交通事件，还能够对发生交通事件的目标图像区域、目标图像区域的数量进行显示，提高了交通事件检测结果的丰富性、可理解性(或者可解释性)，有利于用户知道道路场景中交通事件发生的详细区域，提高用户体验。

可选的，当前设备还可以对场景图像中发生交通事件的目标图像区域、和/或发生交通事件的目标图像区域的数量进行存储。

另一示例中，在目标图像区域中是否发生交通事件的检测结果后，还可以将发生交通事件的目标图像区域、和/或发生交通事件的目标图像区域的数量，发送至目标服务器和/或目标终端，以便目标服务器对发生交通事件的目标图像区域、和/或发生交通事件的目标图像区域的数量进行存储，和/或，以便目标终端对交通事件的目标图像区域、和/或发生交通事件的目标图像区域的数量进行存储或显示。同样提高了交通事件的目标图像区域、和/或发生交通事件的目标图像区域的数量，远程用户可以通过访问服务器或者查看目标终端来得知道路场景的交通事件发生情况。

其中，目标服务器例如云控平台、车路协同管理平台、中心子系统、边缘计算平台、云计算平台。目标终端例如手机、计算机、平板电脑等。

在一些实施例中，基于前述任一方法实施例所示的交通事件检测方法，在得到目标图像区域中是否发生交通事件的检测结果之后，若确定目标图像区域中发生交通事件，则还可确定发生交通事件的目标图像区域对应的地理位置，从而通过发生交通事件的目标图像区域对应的地理位置对交通事件检测结果进行辅助，进一步提高交通事件检测结果的丰富性和可解释性，便于用户准确定位交通事件发生的详细位置。

进一步的，在确定发生交通事件的目标图像区域对应的地理位置后，可显示地理位置，和/或，向目标服务器和/或目标终端发送地理位置，从而便于用户从当前设备，或者从目标服务器、目标终端获得交通事件发生的详细位置，有效地提高用户体验。

根据本申请的实施例，本申请提供了一种模型训练方法，用于训练前述实施例中的特征提取模型。

图6是根据本申请第四实施例的示意图。如图6所示，本实施例提供的模型训练方法，包括：

S601、获取样本数据。

S602、根据样本数据，对特征提取模型进行训练。

其中，样本数据包括多个标记有交通事件发生区域的样本图像，特征提取模型用于提取图像特征。

本步骤中，针对各样本图像，根据样本图像上标记的交通事件发生区域，确定样本图像对应的特征图像，样本图像对应的特征图像的图像大小与样本图像的图像大小相同。可将样本图像作为输入，将样本图像对应的特征图像作为标签，对特征提取模型进行有监督训练。在训练过程中，将样本图像对应的特征图像和特征提取模型输出的特征图像进行比较，基于样本图像对应的特征图像和特征提取模型输出的特征图像之间各像素的差值，对特征提取模型进行调整。特征提取模型输出的特征图像中为特征提取模型预测的样本图像中各像素对应的交通事件发生概率。

其中，特征提取模型的训练算法例如为梯度下降算法。

在一些实施例中，S602的一种可能的实现方式包括：针对各样本图像，根据样本图像上标记的交通事件发生区域，确定样本图像对应的特征图像；根据样本图像和样本图像对应的特征图像，对特征提取模型进行有监督训练。

具体的，在样本数据包括多个标记有交通事件发生区域的样本图像时，针对各样本图像，根据样本图像上标记的交通事件发生区域，确定样本图像对应的特征图像，样本图像对应的特征图像的图像大小与样本图像的图像大小相同。例如，将样本图像上标记的交通事件发生区域内各像素在样本图像的特征图像上对应的像素值确定为1，将除交通事件发生区域以外的剩余区域内各像素在样本图像的特征图像上对应的像素值确定为0，得到样本图像的特征图像。得到特征图像后，将样本图像作为输入，将样本图像对应的特征图像作为标签，对特征提取模型进行有监督训练。

本申请实施例中，基于样本图像，训练用于提取图像特征的特征提取模型，以提高特征提取模型预测图像中各像素点的交通事件发生概率的准确性，进一步提高交通时间检测的准确性。

根据本申请的实施例，本申请还提供了一种交通事件检测装置。

图7是根据本申请第五实施例的示意图。如图7所示，本实施例提供的交通事件检测装置，包括：

获取单元701，用于获取道路场景的场景图像；

确定单元702，用于确定场景图像中包含的目标图像区域，目标图像区域为交通事件发生概率大于或等于第一阈值的图像区域；

检测单元703，用于对目标图像区域进行交通事件检测，得到目标图像区域中是否发生交通事件的检测结果。

在一种可能的实现方式中，确定单元702包括第一确定模块和第二确定模块。其中，第一确定模块用于确定场景图像中各像素对应的交通事件发生概率，第二确定模块用于根据各像素对应的交通事件发生概率和第一阈值，确定目标图像区域。

在一种可能的实现方式中，第一确定模块包括图像处理模块和第一确定子模块。其中，图像处理模块用于对场景图像进行卷积编码处理、以及特征恢复处理，得到特征图像，第一确定子模块，用于将特征图像中各个像素值确定为场景图像中相应像素对应的交通事件发生概率。

在一种可能的实现方式中，图像处理模块具体用于：对场景图像进行卷积编码处理，得到编码图像，编码图像的图像大小小于场景图像的图像大小；对编码图像进行特征恢复处理，得到特征图像，特征图像的图像大小与场景图像的图像大小相同。

在一种可能的实现方式中，图像处理模块具体用于：通过特征提取模型对场景图像进行卷积编码处理、以及特征恢复处理，得到特征图像。

在一种可能的实现方式中，第二确定模块包括比较模块和第二确定子模块。其中，比较模块用于确定交通事件发生概率大于或等于第一阈值的目标像素，第二确定子模块用于根据目标像素在场景图像中的分布，确定目标图像区域。

在一种可能的实现方式中，第二确定子模块具体用于：在场景图像中，对目标像素进行聚合处理，得到目标图像区域，目标图像区域中，相邻目标像素之间的距离小于或等于第二阈值。

在一种可能的实现方式中，第二确定子模块具体用于：确定场景图像包含的多个子图像区域；确定子图像区域中目标像素的数量占比；将目标像素的数量占比大于或等于第三阈值的图像区域确定为目标图像区域。

在一种可能的实现方式中，检测单元703包括检测模块。其中，检测模块，用于通过事件检测模型对目标图像区域进行交通事件检测，得到目标图像区域中是否发生交通事件的检测结果，事件检测模型用于检测图像中是否发生交通事件。

图8是根据本申请第六实施例的示意图。如图8所示，本实施例提供的交通事件检测装置，包括：

获取单元801，用于获取道路场景的场景图像；

确定单元802，用于确定场景图像中包含的目标图像区域，目标图像区域为交通事件发生概率大于或等于第一阈值的图像区域；

检测单元803，用于对目标图像区域进行交通事件检测，得到目标图像区域中是否发生交通事件的检测结果。

在一种可能的实现方式中，交通事件检测装置还包括以下至少一项：

第一显示单元804，用于显示发生交通事件的目标图像区域；

第二显示单元805，用于显示发生交通事件的目标图像区域的数量；

第一发送单元806，用于向目标服务器和/或目标终端发送发生交通事件的目标图像区域；

第二发送单元807，用于向目标服务器和/或目标终端发送发生交通事件的目标图像区域的数量。

图9是根据本申请第七实施例的示意图。如图9所示，本实施例提供的交通事件检测装置，包括：

获取单元901，用于获取道路场景的场景图像；

确定单元902，用于确定场景图像中包含的目标图像区域，目标图像区域为交通事件发生概率大于或等于第一阈值的图像区域；

检测单元903，用于对目标图像区域进行交通事件检测，得到目标图像区域中是否发生交通事件的检测结果。

定位单元904，用于确定发生交通事件的目标图像区域对应的地理位置。

在一种可能的实现方式中，交通事件检测装置还包括以下至少一项：

第三显示单元905，用于显示地理位置；

第三发送单元906，用于向目标服务器和/或目标终端发送地理位置。

图7、图8、图9提供的对象处理装置，用于执行相应的前述方法实施例，其实现原理和技术效果类似，本实施例此处不再赘述。

图10是根据本申请第八实施例的示意图。如图10所示，本实施例提供的模型训练装置，包括：

获取单元1001，用于获取样本数据；

训练单元1002，用于根据样本数据，对特征提取模型进行训练；

其中，样本数据包括多个标记有交通事件发生区域的样本图像，特征提取模型用于提取图像特征。

在一种可能的实现方式中，其中，训练单元1002，包括：

确定模块，用于针对各样本图像，根据样本图像上标记的交通事件发生区域，确定样本图像对应的特征图像；

训练模块，用于根据样本图像和样本图像对应的特征图像，对特征提取模型进行有监督训练。

图10提供的模型训练装置，用于执行相应的前述方法实施例，其实现原理和技术效果类似，本实施例此处不再赘述。

根据本申请的实施例，本申请还提供了一种电子设备，包括：至少一个处理器，以及与至少一个处理器通信连接的存储器；其中，存储器存储有可被至少一个处理器执行的指令，指令被至少一个处理器执行，以使至少一个处理器能够执行如上述任一实施例提供的方案。

根据本申请的实施例，本申请还提供一种存储有计算机指令的非瞬时计算机可读存储介质，计算机指令用于使计算机执行如上述任一实施例提供的方案。

根据本申请的实施例，本申请还提供了一种计算机程序产品，计算机程序产品包括：计算机程序，计算机程序存储在可读存储介质中，电子设备的至少一个处理器可以从可读存储介质读取计算机程序，至少一个处理器执行计算机程序使得电子设备执行上述任一实施例提供的方案。

根据本申请的实施例，本申请还提供了一种路侧设备，路侧设备包括上述实施例提供的电子设备。

根据本申请的实施例，本申请还提供了一种云控平台，云控平台包括上述实施例提供的电子设备。

图11示出了可以用来实施本申请的实施例的示例电子设备1100的示意性框图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本申请的实现。

如图11所示，电子设备1100包括计算单元1101，其可以根据存储在只读存储器(ROM)1102中的计算机程序或者从存储单元1108加载到随机访问存储器(RAM)1103中的计算机程序，来执行各种适当的动作和处理。在RAM 1103中，还可存储电子设备1100操作所需的各种程序和数据。计算单元1101、ROM 1102以及RAM 1103通过总线1104彼此相连。输入/输出(I/O)接口1105也连接至总线1104。

电子设备1100中的多个部件连接至I/O接口1105，包括：输入单元1106，例如键盘、鼠标等；输出单元1107，例如各种类型的显示器、扬声器等；存储单元1108，例如磁盘、光盘等；以及通信单元1109，例如网卡、调制解调器、无线通信收发机等。通信单元1109允许设备1100通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。

计算单元1101可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元1101的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元1101执行上文所描述的各个方法和处理，例如交通事件检测方法和/或模型训练方法，例如，在一些实施例中，交通事件检测方法和/或模型训练方法可被实现为计算机软件程序，其被有形地包含于机器可读介质，例如存储单元1108。在一些实施例中，计算机程序的部分或者全部可以经由ROM 1102和/或通信单元1109而被载入和/或安装到电子设备1100上。当计算机程序加载到RAM 1103并由计算单元1101执行时，可以执行上文描述的交通事件检测方法和/或模型训练方法的一个或多个步骤。备选地，在其他实施例中，计算单元1101可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行交通事件检测方法和/或模型训练方法。

本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。

用于实施本申请的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器，使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。

在本申请的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。

为了提供与用户的交互，可以在计算机上实施此处描述的系统和技术，该计算机具有：用于向用户显示信息的显示装置(例如，CRT(阴极射线管)或者LCD(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。

可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(LAN)、广域网(WAN)和互联网。

计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器，又称为云计算服务器或云主机，是云计算服务体系中的一项主机产品，以解决了传统物理主机与VPS服务("Virtual Private Server"，或简称"VPS")中，存在的管理难度大，业务扩展性弱的缺陷。服务器也可以为分布式系统的服务器，或者是结合了区块链的服务器。

应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本申请中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本申请公开的技术方案所期望的结果，本文在此不进行限制。

上述具体实施方式，并不构成对本申请保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本申请的精神和原则之内所作的修改、等同替换和改进等，均应包含在本申请保护范围之内。