一种相机位置检测方法、装置、设备及存储介质

技术领域

本发明实施例涉及智能交通领域，尤其涉及一种相机位置检测方法、装置、设备及存储介质。

背景技术

近年来，人工智能、大数据、物联网以及云计算等新技术得到了快速发展，这些新技术与交通行业的融合，促进了智能交通领域的发展。智能交通领域产生的大数据种类繁多，例如卡口、道路视频监控、电子警察、交通信号控制、车载视频、公交线网以及车辆定位等数据。

在智能交通领域，十字路口的相机如果发生旋转或者抖动会造成十字路口拍摄场景发生变化，拍摄场景变化会导致智能违法审核系统产生误判和漏判，目前的解决办法是通过人工判断十字路口拍摄场景是否发生变化并进行相应的纠正，但是人工判断不会立即发生，因为从十字路口拍摄场景发生变化到人工发现的过程会存在时间差，时间差的存在会使得智能违法审核系统产生误判和漏判以及系统性能下降，为了解决这一问题，实时发现相机是否发生位置变化是非常有必要的。

目前，尚未有更好的方法实现相机的位置检测。

发明内容

本发明实施例提供了一种相机位置检测方法、装置、设备及存储介质，能够有效判断相机的位置是否发生异常变化，有利于及时对相机的位置进行校正。

第一方面，本发明实施例提供了一种相机位置检测方法，该方法包括：

获取目标相机的待检测图像集合以及所述待检测图像集合中每个待检测图像对应的参考交通指示标识类别；

通过交通指示标识分类模型确定所述待检测图像集合中每个待检测图像对应的第一交通指示标识类别；

根据所述待检测图像集合内预设数量的待检测图像中包含的目标类型待检测图像的个数，确定所述目标相机的位置检测结果，其中，所述目标类型待检测图像包括所对应的第一交通指示标识类别和参考交通指示标识类别不相同的待检测图像。

第二方面，本发明实施例提供了一种相机位置检测装置，该装置包括：

获取模块，用于获取目标相机的待检测图像集合以及所述待检测图像集合中每个待检测图像对应的参考交通指示标识类别；

类别确定模块，用于通过交通指示标识分类模型确定所述待检测图像集合中每个待检测图像对应的第一交通指示标识类别；

结果确定模块，用于根据所述待检测图像集合内预设数量的待检测图像中包含的目标类型待检测图像的个数，确定所述目标相机的位置检测结果，其中，所述目标类型待检测图像包括所对应的第一交通指示标识类别和参考交通指示标识类别不相同的待检测图像。

第三方面，本发明实施例提供了一种计算机设备，该计算机设备包括：

一个或多个处理器；

存储装置，用于存储一个或多个程序；

当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现本发明任意实施例所述的相机位置检测方法。

第四方面，本发明实施例提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现本发明任意实施例所述的相机位置检测方法。

本发明实施例提供了一种相机位置检测方法、装置、设备及存储介质，首先获取目标相机的待检测图像集合以及待检测图像集合中每个待检测图像对应的参考交通指示标识类别，然后通过交通指示标识分类模型确定待检测图像集合中每个待检测图像对应的第一交通指示标识类别，最后根据待检测图像集合内预设数量的待检测图像中包含的目标类型待检测图像的个数，确定目标相机的位置检测结果，能够有效判断相机的位置是否发生异常变化，有利于及时对相机的位置进行校正。

附图说明

图1为本发明实施例一提供的一种相机位置检测方法的流程图；

图2为本发明实施例二提供的一种相机位置检测方法的流程图；

图3为本发明实施例三提供的一种相机位置检测装置的结构示意图；

图4为本发明实施例四提供的一种计算机设备的结构示意图。

具体实施方式

下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释本发明，而非对本发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本发明相关的部分而非全部结构。

实施例一

图1为本发明实施例一提供的一种相机位置检测方法的流程图，本实施例可适用于对路口安装的相机的位置进行检测的情况。本实施例提供的相机位置检测方法可以由本发明实施例提供的相机位置检测装置来执行，该装置可以通过软件和/或硬件的方式实现，并集成在执行本方法的计算机设备中。

参见图1，本实施例的方法包括但不限于如下步骤：

S110，获取目标相机的待检测图像集合以及待检测图像集合中每个待检测图像对应的参考交通指示标识类别。

其中，本发明实施例中的相机可以包括安装在公路任意路段上的相机，例如安装在城市出入主要道路口、收费站、以及省际或市际卡口等处，通过相机能够对当前路段的行车情况进行拍摄。目标相机为需要进行位置检测的相机。本发明实施例中的相机可以是卡口相机，目标相机包括目标卡口相机。待检测图像集合包括根据目标相机当前拍摄的视频数据所得到的图像集合。参考交通指示标识类别可以根据道路上存在的能够被相机拍摄到的与交通相关的标识来确定，具体类别划分规则可以根据实际需求设置，并根据实际需求选择需要作为参考的类别。例如，参考交通指示标识类别包括红绿灯类别、直行导向线类别、左转导向线类别、右转导向线类别、直行左转导向线类别、直行右转导向线类别以及实线类别中的至少一种。

为了对目标相机的位置进行检测，以便在发现目标相机的位置发生异常变化时及时对目标相机的位置进行校正，从而保证目标相机拍摄的视频数据的准确性，需要根据目标相机当前拍摄的视频数据获取目标相机的待检测图像集合，由于待检测图像集合中包含了多个待检测图像，同时还要获取待检测图像集合中每个待检测图像所对应的参考交通指示标识类别，便于后续以参考交通指示标识类别为参照类别，确定交通指示标识分类模型确定的待检测图像集合中每个待检测图像对应的第一交通指示标识类别是否与参照类别相同。

S120，通过交通指示标识分类模型确定待检测图像集合中每个待检测图像对应的第一交通指示标识类别。

其中，交通指示标识分类模型为预先训练好的能够识别出待检测图像对应的交通指示标识类别的分类模型。

将待检测图像集合中的每个待检测图像分别输入至交通指示标识分类模型中，能够确定出每个待检测图像所对应的第一交通指示标识类别，以便后续确定待检测图像集合中所对应的第一交通指示标识类别和参考交通指示标识类别不相同的待检测图像，从而根据目标类型待检测图像的个数，确定目标相机的位置检测结果。

S130，根据待检测图像集合内预设数量的待检测图像中包含的目标类型待检测图像的个数，确定目标相机的位置检测结果。

其中，目标类型待检测图像包括所对应的第一交通指示标识类别和参考交通指示标识类别不相同的待检测图像。预设数量可以是提前设定好的，也可以视具体情况而定，本实施例不做具体限制。

在获取待检测图像集合中每个待检测图像对应的参考交通指示标识类别以及确定每个待检测图像对应的第一交通指示标识类别之后，由于待检测图像集合中包括了多个待检测图像，为了能够快速确定目标相机的位置检测结果，选取待检测图像集合内预设数量的待检测图像作为待检测图像样本，针对待检测图像样本中的每个待检测图像，判断当前待检测图像对应的参考交通指示标识类别和第一交通指示标识类别是否相同，若不相同，则确定当前待检测图像是目标类型待检测图像；若相同，则确定当前待检测图像不是目标类型待检测图像。汇总所有的目标类型待检测图像，能够得到待检测图像样本中包含的目标类型待检测图像的个数，根据目标类型待检测图像的个数能够确定出目标相机的位置检测结果，例如，若目标类型待检测图像的个数为0个，则说明目标相机的位置检测结果为位置未发生异常变化。

本实施例提供的技术方案，首先获取目标相机的待检测图像集合以及待检测图像集合中每个待检测图像对应的参考交通指示标识类别，然后通过交通指示标识分类模型确定待检测图像集合中每个待检测图像对应的第一交通指示标识类别，最后根据待检测图像集合内预设数量的待检测图像中包含的目标类型待检测图像的个数，确定目标相机的位置检测结果，能够有效判断相机的位置是否发生异常变化，有利于及时对相机的位置进行校正，避免因为相机的位置发生异常变化造成的不利影响。

在一些实施例中，所述获取目标相机的待检测图像集合以及所述待检测图像集合中每个待检测图像对应的参考交通指示标识类别，可以具体包括：获取所述目标相机在位置正常情况下所对应的参考交通指示标识的位置信息集合和所述参考交通指示标识的类别信息集合，以及获取所述目标相机当前拍摄的视频数据所对应的第一图像集合；针对所述第一图像集合中的每个第一图像，从所述类别信息集合中选取第一参考交通指示标识，根据所述位置信息集合中与所述第一参考交通指示标识类别对应的位置信息裁剪当前第一图像，得到待检测图像；汇总所有待检测图像，得到待检测图像集合。

其中，待检测图像对应的参考交通指示标识类别为对应的所述第一参考交通指示标识。参考交通指示标识的位置信息集合为目标相机所能拍摄到的当前路段中包含的参考交通指示标识的具体位置的信息集合。参考交通指示标识的类别信息集合为目标相机所能拍摄到的当前路段中包含的参考交通指示标识的具体类别的信息集合，并且参考交通指示标识的类别信息集合中的类别和参考交通指示标识的位置信息集合中的位置是一一对应的关系。参考交通指示标识的类别信息集合中包括的参考交通指示标识的类别可以包括红绿灯类别、直行导向线类别、左转导向线类别、右转导向线类别、直行左转导向线类别、直行右转导向线类别以及实线类别中的至少一种。

本发明实施例中，从目标相机在位置正常情况下所对应的参考交通指示标识的类别信息集合中选取第一参考交通指示标识，并根据与第一参考交通指示标识所对应的位置信息裁剪目标相机当前拍摄的视频数据所对应的第一图像集合中的每个第一图像，能够得到对应的待检测图像集合以及待检测图像集合中每个待检测图像对应的参考交通指示标识类别，便于后续通过交通指示标识分类模型确定待检测图像集合中每个待检测图像对应的第一交通指示标识类别以及确定目标类型待检测图像的个数。

在一些实施例中，在获取目标相机当前拍摄的视频数据所对应的第一图像集合之后，可以每隔预设第一数量的图像进行取样，得到第三图像集合，然后针对第三图像集合中的每个第三图像，从类别信息集合中选取第一参考交通指示标识，根据位置信息集合中与所述第一参考交通指示标识类别对应的位置信息裁剪当前第三图像，得到待检测图像。

其中，预设第一数量可以为FPS/4，FPS为目标相机当前拍摄的视频数据对应的帧率，预设第一数量也可以为其他设定好的值，预设第一数量也可以视具体情况而定，本实施例不做具体限制。

本发明实施例中，通过每隔预设第一数量的图像进行取样，能够保证得到的第三图像集合的多样性，使得第三图像集合中所包含的图像更丰富，便于后续得到的待检测图像集合也更准确。

在一些实施例中，在选取第一参考交通指示标识时，可以先对目前的道路中所存在的所有参考交通指示标识的类别(即红绿灯类别、直行导向线类别、左转导向线类别、右转导向线类别、直行左转导向线类别、直行右转导向线类别以及实线类别)进行排序，例如按照拍摄的参考交通指示标识的完整性进行排序，容易被完整拍到的在排序的时候排在前面，容易被车遮挡的在排序的时候排在后面，例如红绿灯不在地面，不容易被遮挡，将其排序的优先级设为最高，其他类别的例如直行导向线类别或者左转导向线类别等类别容易被车遮挡，则在排序的时候排在后面，将对应的优先级设的低一些，按照排序的优先级选择第一参考交通指示标识。例如，针对目标相机当前拍摄的视频数据所对应的第一图像集合中的每个第一图像，先判断目标相机在位置正常情况下所对应的参考交通指示标识的位置信息集合中是否存在红绿灯类别，如果存在，则将红绿灯类别作为第一参考交通指示标识，从目标相机在位置正常情况下所对应的参考交通指示标识的位置信息集合中找到红绿灯的位置，根据红绿灯的位置裁剪每个第一图像，得到对应的待检测图像集合；如果目标相机在位置正常情况下所对应的参考交通指示标识的位置信息集合中不存在红绿灯类别，那么则依次判断是否存在直行导向线累呗、左转导向线类别、右转导向线类别、直行左转导向线类别、直行右转导向线类别以及实线类别，如果存在，则进行类似红绿灯类别的操作，如果上述的所有参考交通指示标识的类别都不存在，则说明目标相机当前拍摄的视频数据所对应的场景不是十字路口卡口相机场景，没有判断场景是否变化的必要，并给出目标相机的拍摄场景非十字路口卡口相机场景的警告信息，以提示相关工作人员无需进行后续的相机位置检测，避免浪费人力物力。

本发明实施例中，在选取第一参考交通指示标识时，先对目前的道路中所存在的所有参考交通指示标识的类别进行排序，按照排序的优先级选择第一参考交通指示标识，可以在目标相机当前拍摄的视频数据所对应的第一图像集合中的第一图像对应的参考交通指示标识的类别较多时，快速选取出第一参考交通指示标识，节省时间，且当排序的优先级是按照拍摄的参考交通指示标识的完整性得到时，选取出的第一参考交通指示标识更有参考价值，最终所得到的目标相机的位置检测结果也更准确。

在一些实施例中，在所述获取所述目标相机在位置正常情况下所对应的参考交通指示标识的位置信息集合和所述参考交通指示标识的类别信息集合之前，还可以具体包括：获取预设相机在位置正常情况下拍摄的历史视频数据对应的第二图像集合；获取所述第二图像集合中第一个数的图像的交通指示标识标注结果，得到标注后的图像集合；将所述标注后的图像集合作为训练样本对预设图像检测网络结构进行训练，得到交通指示标识检测模型；通过所述交通指示标识检测模型对所述目标相机在位置正常情况下拍摄的历史视频数据对应的其中一个图像进行检测，得到所述目标相机在位置正常情况下所对应的参考交通指示标识的位置信息集合和所述参考交通指示标识的类别信息集合。

其中，预设相机可以为安装在城市出入主要道路口，收费站，省际和市际卡口等处的相机，可以包括目标相机，也可以不包括目标相机，本实施例对预设相机的安装位置和相机个数不做具体限制。优选的，选取十字路口非高峰时间段内的位置正常的相机作为预设相机，能够避免因车辆挡住路面导向线造成图像训练样本中包含的交通指示标识不准确，有利于提高交通指示标识检测模型的检测精度。第一个数可以是提前设定好的，也可以视具体情况而定，本实施例不做具体限制。预设图像检测网络结构可以为YOLOv4网络结构、YOLOv4-Tiny网络结构或者SqueezeNet网络结构等，本实施例不做具体限制。

具体的，获取预设相机在位置正常情况下拍摄的历史视频数据，将历史视频数据转换成对应的第二图像集合，通过标注工具对第二图像集合中第一个数的图像中的每个图像进行交通指示标识标注，例如采用矩形框标记第一个数的图像中每个图像包含的红绿灯、直行导向线、左转导向线、右转导向线、直行左转导向线、直行右转导向线以及实线，并标出每个矩形框对应的交通指示标识类别，能够获取到第一个数的图像的交通指示标识标注结果，从而得到标注后的图像集合。将标注后的图像集合作为训练样本对预设图像检测网络结构进行训练，所得到的交通指示标识检测模型也更为准确。在得到交通指示标识检测模型之后，通过交通指示标识检测模型对目标相机在位置正常情况下拍摄的历史视频数据对应的其中一个图像进行检测，能够得到目标相机在位置正常情况下所对应的参考交通指示标识的位置信息集合和参考交通指示标识的类别信息集合。

进一步的，在得到目标相机在位置正常情况下所对应的参考交通指示标识的位置信息集合和参考交通指示标识的类别信息集合之时，还可以具体包括：根据目标相机在位置正常情况下所对应的参考交通指示标识的位置信息集合和参考交通指示标识的类别信息集合，将目标相机在位置正常情况下的各参考交通指示标识对应的图像抠取出来，得到各参考交通指示标识对应的图像集合，以便后续通过各参考交通指示标识对应的图像集合选取交通指示标识分类模型的训练样本，得到准确的交通指示标识分类模型。

在一些实施例中，在得到目标相机在位置正常情况下所对应的参考交通指示标识的位置信息集合和参考交通指示标识的类别信息集合之后，还可以包括：首先获取目标相机的身份标识信息(例如路口名称或者目标相机编号等)，然后以该身份标识信息进行结构化文件命名，将目标相机在位置正常情况下所对应的参考交通指示标识的位置信息集合和参考交通指示标识的类别信息集合保存到命名后的结构化文件中，例如：结构化文件为json文件时，

文件名为：“baoji00001.jpg.json”，

对应的文件内容为：

{“objects”：[{“label”：“trafficlight”，“polygon”：[[2070，77]，[2070，106]，[2141，108]，[2142，79]]，“show_text”：“红绿灯”}，{“label”：“straight-guideline”，“polygon”：[[2306，1660]，[2386，1872]，[2606,1852]，[2400，1574]]，“show_text”：“直行导向线”}，{“label”：“left-guideline”，“polygon”：[[1648，1650]，[1676，1866]，[1862，1852]，[1804，1604]]，“show_text”：“左转导向线”}]}。

本发明实施例中，通过将参考交通指示标识的位置信息集合和类别信息集合按照一定的方式存储，能够方便后续进行快速查找。

在一些实施例中，所述获取所述目标相机在位置正常情况下所对应的参考交通指示标识的位置信息集合和所述参考交通指示标识的类别信息集合，可以具体包括：获取所述目标相机的身份标识信息；根据所述身份标识信息查找与所述身份标识信息对应的结构化文件，并从所述结构化文件中获取所述目标相机在位置正常情况下所对应的参考交通指示标识的位置信息集合和所述参考交通指示标识的类别信息集合。

本发明实施例中，根据身份标识信息查找与身份标识信息对应的结构化文件，从而获取目标相机在位置正常情况下所对应的参考交通指示标识的位置信息集合和参考交通指示标识的类别信息集合，能够节省大量的时间，便于后续选取第一参考交通指示标识以及得到待检测图像集合。

实施例二

图2为本发明实施例二提供的一种相机位置检测方法的流程图。本发明实施例是在上述实施例的基础上进行优化。可选的，本实施例对得到交通指示标识分类模型的过程和确定目标相机的位置检测结果的过程进行详细的解释说明。

参见图2，本实施例的方法包括但不限于如下步骤：

S210，获取目标相机的待检测图像集合以及待检测图像集合中每个待检测图像对应的参考交通指示标识类别。

S220，通过交通指示标识分类模型确定待检测图像集合中每个待检测图像对应的第一交通指示标识类别。

可选的，所述交通指示标识分类模型通过以下方式得到：获取各交通指示标识对应的图像集合，将所述图像集合中的每个图像分别与背景图像进行合成，得到对应的新的图像集合；将所述新的图像集合作为训练样本对预设图像识别网络结构进行训练，得到所述交通指示标识分类模型。

其中，各交通指示标识对应的图像集合可以理解为在得到目标相机在位置正常情况下所对应的参考交通指示标识的位置信息集合和参考交通指示标识的类别信息集合之时，根据目标相机所对应的参考交通指示标识的位置信息集合和类别信息集合，将目标相机在位置正常情况下的各参考交通指示标识对应的图像抠取出来后所得到的各参考交通指示标识对应的图像集合。预设图像识别网络结构可以为神经网络结构，例如Resnet18网络结构、Resnet18-SE网络结构或其他ResNet网络结构等。

具体的，在获取各交通指示标识对应的图像集合之后，由于各交通指示标识对应的图像集合中不包括背景图像，为了使预设图像识别网络结构的训练样本更接近实际情况，将图像集合中的每个图像分别与背景图像进行合成，就能够得到对应的合成后的新的图像集合，将新的图像集合作为训练样本对预设图像识别网络结构进行训练，所得到的交通指示标识分类模型也更为准确。

可选的，背景图像可以由目标相机的视频数据中随机裁剪获得，并且裁剪的图像一般不能和各交通指示标识对应的图像的重合率超过预设百分比，其中预设百分比可以是提前设定好的，例如20％，也可以视具体情况而定，本实施例不做具体限制。

进一步的，所述预设图像识别网络结构包括Resnet18-SE网络结构，所述Resnet18-SE网络结构通过对Resnet18网络结构进行改进得到，其中，改进方式包括加入压缩与激励模块、去掉池化层、减小网络宽度、降低采样次数以及改变池化操作策略中的至少一种。

具体的，改进方式包括以下方式中的至少一种：

1)加入压缩与激励模块：在Resnet18网络结构的每个baseblock(基本块)模块中加入压缩与激励(Squeeze-and-Excitation，简称SE)模块，目的是利用SE模块所具有的保留有用特征并抑制不重要特征的特性，提高网络表达能力。

2)去掉池化层：去掉Resnet18网络结构的池化层，因为池化层在降低分辨率的同时也会丢失语义细节信息，使得特征表达不足。

3)减小网络宽度：例如，缩减网络宽度为原Resnet18网络结构的一半，即每个baseblock的输出通道数减小一半，目的是减少网络的参数量，降低显存消耗，同时提高前向推理速度。

4)降低采样次数：例如，将原有的5次下采样改为3次下采样，可用于小分辨率图片分类。

5)改变池化操作策略：例如将原Resnet18-SE网络结构的最后定步长最大池化操作改为全局平均池化操作，使得网络输入尺寸不再限定为224*224，可以为任何尺寸。

本发明实施例中，通过对Resnet18网络结构的改进，使得Resnet18-SE网络结构更适用于本实施例中的训练过程，得到的交通指示标识分类模型也更准确，相应的，通过交通指示标识分类模型所确定的待检测图像集合中每个待检测图像对应的第一交通指示标识类别也更准确。

S230，确定待检测图像集合内预设数量的待检测图像中包含的目标类型待检测图像的个数。

统计待检测图像集合内预设数量的待检测图像中对应的第一交通指示标识类别和参考交通指示标识类别不相同的待检测图像个数，就能够确定出待检测图像集合内预设数量的待检测图像中包含的目标类型待检测图像的个数，以便后续若目标类型待检测图像的个数大于预设个数阈值，则确定目标相机的位置检测结果为位置发生异常变化。

S240，若目标类型待检测图像的个数大于预设个数阈值，则确定目标相机的位置检测结果为位置发生异常变化。

预设个数阈值可以是预先设计好的，也可以视具体情况而定，本实施例不做具体限制。

在确定了目标类型待检测图像的个数之后，如果目标类型待检测图像的个数大于预设个数阈值，则说明目标相机的位置发生了变化，例如抖动或者移动等，相应的则确定目标相机的位置检测结果为位置发生异常变化，并且在确定目标相机的位置检测结果为位置发生异常变化时，可以发出警报信息，以提示相关工作人员相机位置检测过程结束，目标相机的位置发生了异常变化，以便及时进行检修。

可选的，确定目标相机的位置检测结果的过程还可以包括：确定待检测图像集合中待检测图像对应的样本类型，并将样本类型存储至记录容器的对应存储位置，其中，样本类型包括正样本和负样本，正样本为待检测图像对应的第一交通指示标识类别和参考交通指示标识类别相同，负样本为待检测图像对应的第一交通指示标识类别和参考交通指示标识类别不相同；获取记录容器的存储位置总数；如果负样本的个数大于存储位置总数的一半，则确定目标相机的位置检测结果为位置发生异常变化。

其中，记录容器的存储位置总数可以满足：5<记录容器的存储位置总数<1.5FPS/4，其中，FPS为目标相机当前拍摄的视频数据对应的帧率；记录容器的存储位置总数也可以是其他设定好的数值，本实施例不做具体限制。

本发明实施例中通过负样本的个数与存储位置总数的一半之间的关系，能够快速确定目标相机的位置检测结果。

进一步的，如果负样本的个数小于或者等于存储位置总数的一半，则确定记录容器的第一个存储位置所存储的样本类型是否为负样本；若是，则更新负样本的个数，将记录容器的第一个存储位置所存储的样本类型删除，并将记录容器的第二个存储位置至最后一个存储位置所存储的样本类型依次存储至前一个存储位置，获取待检测图像集合内位于预设数量的待检测图像之后的一个待检测图像，将其作为第一待检测图像，确定第一待检测图像的样本类型，并将样本类型存储至记录容器的最后一个存储位置，根据记录容器存储的所有样本类型中负样本的个数，确定目标卡口相机的抖动检测结果。

本发明实施例中，通过在负样本的个数小于或者等于存储位置总数的一半且记录容器的对应存储位置已经存满的情况下，确定记录容器的第一个存储位置所存储的样本类型为负样本时，将负样本个数减去1得到更新后的负样本的个数，删除记录容器的第一个存储位置所存储的样本类型，将后续存储位置存储的样本类型前移，以便空出最后一个存储位置存储最新的待检测图像的样本类型，保证了相机位置检测过程的顺利进行。

更进一步的，若所确定的记录容器的第一个存储位置所存储的样本类型不是负样本，则保持负样本的个数不变，同时将记录容器的第一个存储位置所存储的样本类型删除，并将记录容器的第二个存储位置至最后一个存储位置所存储的样本类型依次存储至前一个存储位置，获取待检测图像集合内位于预设数量的待检测图像之后的一个待检测图像，将其作为第一待检测图像，确定第一待检测图像的样本类型，并将样本类型存储至记录容器的最后一个存储位置，根据记录容器存储的所有样本类型中负样本的个数，确定目标卡口相机的抖动检测结果。

本发明实施例中，通过在负样本的个数小于或者等于存储位置总数的一半且记录容器的对应存储位置已经存满的情况下，确定记录容器的第一个存储位置所存储的样本类型不是负样本时，保持负样本的个数不变，删除记录容器的第一个存储位置所存储的样本类型，将后续存储位置存储的样本类型前移，以便空出最后一个存储位置存储最新的待检测图像的样本类型，保证了相机位置检测过程的顺利进行。

本实施例提供的技术方案，首先获取目标相机的待检测图像集合以及待检测图像集合中每个待检测图像对应的参考交通指示标识类别，接着通过交通指示标识分类模型确定待检测图像集合中每个待检测图像对应的第一交通指示标识类别，然后确定待检测图像集合内预设数量的待检测图像中包含的目标类型待检测图像的个数，最后若目标类型待检测图像的个数大于预设个数阈值，则确定目标相机的位置检测结果为位置发生异常变化，能够有效判断相机的位置是否发生异常变化，并且在相机的位置发生异常变化时，有利于及时对相机的位置进行校正，避免对违反交通规则事件的误判，为人工或者智能审核交通违法事件提供了保障，同时相机位置检测过程全程自动化，节约了大量人力资源。

实施例三

图3为本发明实施例三提供的一种相机位置检测装置的结构示意图，如图3所示，该装置可以包括：

获取模块310，用于获取目标相机的待检测图像集合以及所述待检测图像集合中每个待检测图像对应的参考交通指示标识类别；

类别确定模块320，用于通过交通指示标识分类模型确定所述待检测图像集合中每个待检测图像对应的第一交通指示标识类别；

结果确定模块330，用于根据所述待检测图像集合内预设数量的待检测图像中包含的目标类型待检测图像的个数，确定所述目标相机的位置检测结果，其中，所述目标类型待检测图像包括所对应的第一交通指示标识类别和参考交通指示标识类别不相同的待检测图像。

本实施例提供的技术方案，首先获取目标相机的待检测图像集合以及待检测图像集合中每个待检测图像对应的参考交通指示标识类别，然后通过交通指示标识分类模型确定待检测图像集合中每个待检测图像对应的第一交通指示标识类别，最后根据待检测图像集合内预设数量的待检测图像中包含的目标类型待检测图像的个数，确定目标相机的位置检测结果，能够有效判断相机的位置是否发生异常变化，有利于及时对相机的位置进行校正。

进一步的，上述获取模块310模块，可以包括：第一图像集合获取单元，用于获取所述目标相机在位置正常情况下所对应的参考交通指示标识的位置信息集合和所述参考交通指示标识的类别信息集合，以及获取所述目标相机当前拍摄的视频数据所对应的第一图像集合；待检测图像确定单元，用于针对所述第一图像集合中的每个第一图像，从所述类别信息集合中选取第一参考交通指示标识，根据所述位置信息集合中与所述第一参考交通指示标识类别对应的位置信息裁剪当前第一图像，得到待检测图像；图像集合获取单元，用于汇总所有待检测图像，得到待检测图像集合，其中，待检测图像对应的参考交通指示标识类别为对应的所述第一参考交通指示标识。

进一步的，上述获取模块310，还可以包括信息集合确定单元，用于：获取预设相机在位置正常情况下拍摄的历史视频数据对应的第二图像集合；获取所述第二图像集合中第一个数的图像的交通指示标识标注结果，得到标注后的图像集合；将所述标注后的图像集合作为训练样本对预设图像检测网络结构进行训练，得到交通指示标识检测模型；通过所述交通指示标识检测模型对所述目标相机在位置正常情况下拍摄的历史视频数据对应的其中一个图像进行检测，得到所述目标相机在位置正常情况下所对应的参考交通指示标识的位置信息集合和所述参考交通指示标识的类别信息集合。

进一步的，上述第一图像集合获取单元，可以具体用于：获取所述目标相机的身份标识信息；根据所述身份标识信息查找与所述身份标识信息对应的结构化文件，并从所述结构化文件中获取所述目标相机在位置正常情况下所对应的参考交通指示标识的位置信息集合和所述参考交通指示标识的类别信息集合。

进一步的，所述交通指示标识分类模型通过以下方式得到：获取各交通指示标识对应的图像集合，将所述图像集合中的每个图像分别与背景图像进行合成，得到对应的新的图像集合；将所述新的图像集合作为训练样本对预设图像识别网络结构进行训练，得到所述交通指示标识分类模型。

进一步的，所述预设图像识别网络结构包括Resnet18-SE网络结构，所述Resnet18-SE网络结构通过对Resnet18网络结构进行改进得到，其中，改进方式包括加入压缩与激励模块、去掉池化层、减小网络宽度、降低采样次数以及改变池化操作策略中的至少一种。

进一步的，上述结果确定模块330，可以具体用于：确定所述待检测图像集合内预设数量的待检测图像中包含的目标类型待检测图像的个数；若所述目标类型待检测图像的个数大于预设个数阈值，则确定所述目标相机的位置检测结果为位置发生异常变化。

本实施例提供的相机位置检测装置可适用于上述任意实施例提供的相机位置检测方法，具备相应的功能和有益效果。

实施例四

图4为本发明实施例四提供的一种计算机设备的结构示意图，如图4所示，该计算机设备包括处理器410、存储装置420和通信装置430；计算机设备中处理器410的数量可以是一个或多个，图4中以一个处理器410为例；计算机设备中的处理器410、存储装置420和通信装置430可以通过总线或其他方式连接，图4中以通过总线连接为例。

存储装置420作为一种计算机可读存储介质，可用于存储软件程序、计算机可执行程序以及模块，如本发明实施例中的相机位置检测方法对应的模块(例如，用于相机位置检测装置中的获取模块310、类别确定模块320和结果确定模块330)。处理器410通过运行存储在存储装置420中的软件程序、指令以及模块，从而执行计算机设备的各种功能应用以及数据处理，即实现上述的相机位置检测方法。

存储装置420可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序；存储数据区可存储根据终端的使用所创建的数据等。此外，存储装置420可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实例中，存储装置420可进一步包括相对于处理器410远程设置的存储器，这些远程存储器可以通过网络连接至计算机设备。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。

通信装置430，用于实现服务器之间的网络连接或者移动数据连接。

本实施例提供的一种计算机设备可用于执行上述任意实施例提供的相机位置检测方法，具备相应的功能和有益效果。

实施例五

本发明实施例五还提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现本发明任意实施例中的相机位置检测方法，该方法具体包括：

获取目标相机的待检测图像集合以及所述待检测图像集合中每个待检测图像对应的参考交通指示标识类别；

通过交通指示标识分类模型确定所述待检测图像集合中每个待检测图像对应的第一交通指示标识类别；

根据所述待检测图像集合内预设数量的待检测图像中包含的目标类型待检测图像的个数，确定所述目标相机的位置检测结果，其中，所述目标类型待检测图像包括所对应的第一交通指示标识类别和参考交通指示标识类别不相同的待检测图像。

当然，本发明实施例所提供的一种包含计算机可执行指令的存储介质，其计算机可执行指令不限于如上所述的方法操作，还可以执行本发明任意实施例所提供的相机位置检测方法中的相关操作。

通过以上关于实施方式的描述，所属领域的技术人员可以清楚地了解到，本发明可借助软件及必需的通用硬件来实现，当然也可以通过硬件实现，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，该计算机软件产品可以存储在计算机可读存储介质中，如计算机的软盘、只读存储器(Read-Only Memory，ROM)、随机存取存储器(RandomAccess Memory，RAM)、闪存(FLASH)、硬盘或光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，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。

值得注意的是，上述相机位置检测装置的实施例中，所包括的各个单元和模块只是按照功能逻辑进行划分的，但并不局限于上述的划分，只要能够实现相应的功能即可；另外，各功能单元的具体名称也只是为了便于相互区分，并不用于限制本发明的保护范围。

以上所述仅为本发明的优选实施例，并不用于限制本发明，对于本领域技术人员而言，本发明可以有各种改动和变化。凡在本发明的精神和原理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。