CN103985250B - 轻量级的全息道路交通状态视觉检测装置 - Google Patents
轻量级的全息道路交通状态视觉检测装置 Download PDFInfo
- Publication number
- CN103985250B CN103985250B CN201410135976.XA CN201410135976A CN103985250B CN 103985250 B CN103985250 B CN 103985250B CN 201410135976 A CN201410135976 A CN 201410135976A CN 103985250 B CN103985250 B CN 103985250B
- Authority
- CN
- China
- Prior art keywords
- sampled point
- track
- vehicle
- static
- exists
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000007689 inspection Methods 0.000 title claims abstract description 35
- 238000001514 detection method Methods 0.000 claims abstract description 165
- 238000000034 method Methods 0.000 claims abstract description 45
- 238000011156 evaluation Methods 0.000 claims abstract description 17
- 238000005259 measurement Methods 0.000 claims abstract description 12
- 230000003068 static effect Effects 0.000 claims description 166
- 238000012545 processing Methods 0.000 claims description 70
- 238000001914 filtration Methods 0.000 claims description 52
- 238000009826 distribution Methods 0.000 claims description 28
- 238000004422 calculation algorithm Methods 0.000 claims description 27
- 239000000284 extract Substances 0.000 claims description 22
- 238000005070 sampling Methods 0.000 claims description 22
- 238000012360 testing method Methods 0.000 claims description 22
- 230000000903 blocking effect Effects 0.000 claims description 20
- 230000008569 process Effects 0.000 claims description 16
- 230000006854 communication Effects 0.000 claims description 11
- 238000005516 engineering process Methods 0.000 claims description 11
- 230000008859 change Effects 0.000 claims description 10
- 238000004891 communication Methods 0.000 claims description 10
- 238000003384 imaging method Methods 0.000 claims description 10
- 238000000205 computational method Methods 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 8
- 230000008878 coupling Effects 0.000 claims description 7
- 238000010168 coupling process Methods 0.000 claims description 7
- 238000005859 coupling reaction Methods 0.000 claims description 7
- RKTYLMNFRDHKIL-UHFFFAOYSA-N copper;5,10,15,20-tetraphenylporphyrin-22,24-diide Chemical compound [Cu+2].C1=CC(C(=C2C=CC([N-]2)=C(C=2C=CC=CC=2)C=2C=CC(N=2)=C(C=2C=CC=CC=2)C2=CC=C3[N-]2)C=2C=CC=CC=2)=NC1=C3C1=CC=CC=C1 RKTYLMNFRDHKIL-UHFFFAOYSA-N 0.000 claims description 6
- 238000013507 mapping Methods 0.000 claims description 6
- 230000001052 transient effect Effects 0.000 claims description 5
- 235000007164 Oryza sativa Nutrition 0.000 claims description 4
- 230000033228 biological regulation Effects 0.000 claims description 4
- 235000009566 rice Nutrition 0.000 claims description 4
- 238000011410 subtraction method Methods 0.000 claims description 4
- 238000012384 transportation and delivery Methods 0.000 claims description 4
- 238000003491 array Methods 0.000 claims description 3
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 238000000151 deposition Methods 0.000 claims description 3
- 238000005286 illumination Methods 0.000 claims description 3
- 238000004321 preservation Methods 0.000 claims description 3
- 230000000007 visual effect Effects 0.000 claims description 3
- 240000007594 Oryza sativa Species 0.000 claims 1
- 230000000875 corresponding effect Effects 0.000 description 13
- 238000010586 diagram Methods 0.000 description 13
- 230000006399 behavior Effects 0.000 description 12
- 206010033799 Paralysis Diseases 0.000 description 7
- 230000006870 function Effects 0.000 description 7
- 238000012423 maintenance Methods 0.000 description 7
- 206010039203 Road traffic accident Diseases 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 4
- 230000006698 induction Effects 0.000 description 4
- 241000209094 Oryza Species 0.000 description 3
- 230000007547 defect Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000003860 storage Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 230000007812 deficiency Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000004134 energy conservation Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000009434 installation Methods 0.000 description 2
- 230000002045 lasting effect Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000003672 processing method Methods 0.000 description 2
- 238000005096 rolling process Methods 0.000 description 2
- 229920006395 saturated elastomer Polymers 0.000 description 2
- 241000208340 Araliaceae Species 0.000 description 1
- 241001269238 Data Species 0.000 description 1
- PEDCQBHIVMGVHV-UHFFFAOYSA-N Glycerine Chemical compound OCC(O)CO PEDCQBHIVMGVHV-UHFFFAOYSA-N 0.000 description 1
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 1
- 235000003140 Panax quinquefolius Nutrition 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000009412 basement excavation Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 235000008434 ginseng Nutrition 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 238000013439 planning Methods 0.000 description 1
- 238000004451 qualitative analysis Methods 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
Landscapes
- Traffic Control Systems (AREA)
- Image Processing (AREA)
Abstract
一种轻量级的全息道路交通状态视觉检测装置,包括安装在路网上各个道路中的各个测量点的视觉传感器、用于根据视觉传感器的视频图像数据进行分析和评价道路交通状态的微处理器,采用以点代面的视频图像检测方法来减少空间冗余;采用基于采样点的精准背景更新策略实现轻量级、精准高效的背景更新方法;同时完成道路交通拥堵的检测与各种交通基本参数的检测。
Description
技术领域
本发明属于数字图像处理技术、嵌入式系统、模式识别技术在智能交通领域中的应用,尤其是一种轻量级的全息道路交通状态视觉检测装置。
背景技术
当今交通问题已经成为全球性的“城市通病”,而交通拥堵是城市“交通病症”的主要表现。城市交通拥堵的“病因”源于多种因素,且交通拥堵直接影响着人们的出行质量,特别是利用车辆交通的人们。道路车辆拥挤,交通事故频发,交通环境恶化,能源紧张,环境污染不断加重,这些日益严重交通问题与现代化交通的基本的理念,即通达、有序、安全、舒适、低能耗、低污染等要求是完全相违背的。
现代化交通系统的评价标准是安全、畅通、节能。因此把握城市道路交通运行状况中服务水平如何,需要建立起一种科学的、客观的评价方法。但是由于目前缺少一种比较科学的对道路交通服务水平进行评价的体系和有效的道路交通状态检测手段,因而使得市民在出行前对城市道路交通的时空变化状况难以准确的了解和把握;相关市政建设部门对道路基础设施投入和采取的交通管理措施的预期效果难以准确的评价;城市管理者对城市自身历史发展的比较以及与其它城市间横向比较缺乏评判的标准;道路规划部门对城市道路交通发展趋势及需采取的措施进行定量科学分析缺少必要的手段。
交通信息采集技术被认为是智能交通中一项重中之重的关键技术,目前常用的交通信息采集技术有地感线圈、磁敏传感器、超声波传感器、微波、GPS和视觉传感器;由于地感线圈、磁敏、超声波、微波等交通信息检测传感器需要埋设在道路地下面,安装与维护时必须破坏原有路面,影响了道路交通,同时我国的道路由于车辆的超载等原因造成的路面损坏必须时常对埋在道路下面的传感器进行维护;另外这些检测手段只能感知出道路上的某个点或者某条线上的所经过的车辆,因此只能在传感器的设置地点的通过车辆的速度间接地推定拥堵状况;因此上述的检测手段存在着安装维护不方便、投资成本高、抗干扰能力差和感知范围有限等缺陷。视觉传感器则是一种非接触式的交通流检测手段,它模拟人类视觉原理,融合计算机技术和图像处理技术,通过视频信号来检测交通流,是近年来逐步发展起来的新型道路交通检测系统。但是目前对道路交通状态的视频检测普遍采用分析跟踪道路上车辆的检测和统计方法,这种检测方法需要花费很大计算资源,使得一般的嵌入式系统无法胜任其检测计算工作。同时也难以同时获取各种交通基本参数和道路服务水平等反映全息的交通状态。
中国发明专利申请号为200810090474.4公开了交通状况判定系统,该系统提供一种交通状况判定系统,利用GPS来确定的车辆的行驶轨迹对应的道路的拥堵状况,在进行拥堵状况的正确的判定的同时,可以减少车辆和信息中心之间的通信所涉及的通信次数和通信数据量,可以实现通信处理负担的减轻和通信费用的低额化。这种道路交通状态检测手段存在着一定缺陷,通过车辆运行情况来推断道路交通状态存在着片面性、局部性和主观性等问题;中国发明专利申请号为200510026478.2公开了一种可用于地面道路网交通状况测定的方法和系统,该系统对城市道路采用交叉口、城市干道、城市干道网三层进行逐层测定,针对城市干道,提出“等效通行能力”概念和确定方法;采用“密度比”指标,根据本发明给出的服务水平标值曲线计算干道的服务水平标值,进行测定;基于干道测定结果采用“加权密度比”指标对干道网服务水平进行测定;根据测定结果进行拥挤区域、拥挤干道和拥挤交叉口逐层识别。这种交通状况测定的方法尚未涉及到最核心的道路交通状态数据获取问题。中国发明专利申请号为200810132938.3公开了一种智能交通信息系统及其处理方法,包括GPS模块,用于提供全球定位信息;与GPS模块进行通信的移动终端,其与无线通信网络相连接;智能交通信息服务器,其与无线通信网络相连接并根据移动终端请求而提供实时交通信息。这种智能交通信息系统及其处理方法也未涉及到最核心的道路交通状态数据获取问题。中国发明专利申请号为200810034716.8公开了道路交通状态判断方法及系统,该系统以多个交通参数作为判断依据,同时针对不同路段建立函数关系,给定权重,提高了交通状态判断的准确性。该方法包括:(1)选取多个交通参数;(2)通过对该路段交通参数的采样分析,设定该路段的上述多个交通参数与其所对应的拥挤度系数之间的函数关系并设定该多个交通参数于该路段拥挤程度判断中所占的权重值;(3)在每一状态判断周期末,实时采集该路段的上述多个交通参数并根据所设定的函数,计算各个交通参数所对应的拥挤度系数;(4)将各个交通参数的权重值与其所对应的拥挤度系数做加权平均运算,得到平均拥挤度系数;(5)比较平均拥挤度系数与拥挤度系数阈值,从而判断道路交通状态。这种判断方式需要有多个交通参数支持,运算量大,同时要在城市所有主要道路上获取这些交通参数也是一件容易之事,需要很大的投入和维护。
智能交通系统可以带来的可观的经济效益和社会效益这已经是不需争议的事实。嵌入式计算、无线通信和传感器技术的迅速发展和结合,使人们能几乎是无所不在地采集、传输和存储道路视音频数据。如果对这些海量的视频数据能得到及时和准确的分析和理解,就能实时获取交通基本数据,对交通拥堵和交通事故进行预测,在智能交通领域发挥重要作用。最近几年各级政府对道路上的视频监控投入非常之大,但是目前对各种交通事件和异常情况的视频监控主要还是依靠人工判断,使得这些数据难以得到充分的利用。
实时、准确的交通流信息采集可以使智能交通系统及时获得交通状况信息,对交通状况进行有效管理,并发出诱导信息,从而自动调节车流,减少车辆在道路顺畅时在红灯前停留的时间,安排疏导交通、肇事报故等。预测未来的交通量和道路交通状况,为制定交通规划、道路网规划提供依据。智能交通管理在交通控制、交通管理决策等诸多方面都要实现由定性分析到定量研究,这种质的飞跃所依据的交通信息就包括了交通流采集的动态信息。此外,通过对交通数据和交通状况信息的分析,可以广泛开展城市交通的理论研究,进行各种工程设施、管理设施实施情况的前后对比,判断交通措施的效果等。总之,提高采集的交通流数据的准确性和实时性,对城市交通管理和城市道路建设都十分重要,对构建以人为本的、节能的和谐社会有着非常积极的意义。
一种优秀的道路交通状态检测装置的设计方案必须遵循6个原则:1)可靠性;2)可信性;3)可量化;4)具有可比较性;5)便于识别;6)便于实施操作。一种优秀的基于道路交通状态检测装置的评价系统,其评价的具体对象需要能在确定的时间内、空间内的分析和比较城市道路交通服务水平,评价的时间区域需要按时间顺序可确定为年、季、月、周、日和每日的不同时段;按交通流分布状态需要确定为高峰日、平峰日、工作日、节假日等;按交通运行特点需要确定为日常交通时段、重大活动时段、恶劣天气、突发事件时段等。评价的空间区域需要确定为城市道路路网、快速路网、主干路网、某个区域道路、某条道路等。
要实现检测精度高、检测实时性好、检测结果直观明了的关键是要通过直接的、简单明了的、计算简单的、可视化的道路交通检测手段直接得到某条道路交通是否处于以下6种状态信息,即道路交通状态处在服务水平A:畅通;服务水平B:基本畅通;服务水平C:初步拥堵;服务水平D:拥堵:服务水平E:严重拥堵;服务水平F:局部道路和大面积瘫痪。
在评价道路交通服务水平评价体系中,最核心的问题是道路的车流量、拥堵状态和平均车速的检测,因此最理想的检测手段是能同时直接实时地测量到道路上的车流量、平均车速和拥堵长度。
目前商用的获取道路交通实时数据手段上主要有以下三种方式:1)环型线圈感应式检测设备,对道路交通流量、流向、车速、车道占有率以及车长、排队长度等数据进行检测;这种检测手段需要将环型线圈埋置在路面上,使用寿命在1年半左右,维护和安装时需要破坏路面,属于接触性测量;2)远程交通微波检测器(RTMS),收集各车道的车流量、道路占有率和平均速度等数据;这种检测装置成本高;3)基于车牌识别检测器和排队长度检测器,通过安装在交叉口延伸路段的停车线处的车牌识别检测器和排队长度检测器,利用排队长度检测器获得排队长度L;利用车牌识别检测器获得车辆经过检测器时的时刻t和经过检测器的车辆数N;具备牌照识别的视频检测系统,通过识别车辆的身份来检测出机动车在某道路上的旅行时间和行程车速,这种作为道路交通状态检测手段在局限性和实时性方面存在着一些问题。这些检测手段属于客观性检测,在道路交通调查方面具有重要意义。但是这种检测手段的共性问题是通过测量道路上的每辆车辆的运行情况然后经统计来间接获得车流量和平均车速,在实施操作方面存在着某些缺陷,特别是针对道路服务水平在实时性、实施维护成本、计算压力以及感受性指标等评价指标方面存在着不足。
我国的城市交通将在很长一段时间内处于混合交通状态。在混合交通条件下服务水平指标数据具有以下特点:(1)数据采集对象的多样性:既需要采集路段交通数据又需要采集交叉口内部交通数据,同时在一次观测中往往需要同时观测交通个体的多种行为及其参数;(2)数据的时空跨越性强:为了得到不同交通条件下不同服务水平等级的指标数据,检测需要采集在一定时间与空间跨度上的数据,而且需要是在线数据。针对以上需求,上面所提及的三种商业化交通流自动检测设备无法实现这种需求。
实现实施方便的关键是要采用不破坏路面或者不涉及路面施工的一种道路友好型的、非接触式的、大面积的道路交通状态检测手段,同时尽可能利用现有的设备和投资;道路的服务状态是道路状况、运行状况、交通设施状况和交通安全状况等多种因素的综合体现,虽然通过检测这些诸多状态数据通过统计等计算是可以得到道路的服务水平状态信息的,但是最好是能直接明了、简单方便、经济实时地获得道路的服务状态信息和各种交通基本数据。
发明内容
为了克服已有的道路交通状态检测装置的检测的局限性大、数据采集对象的多样性差、数据时空跨越性弱、实施投资和维护成本高、接触性的检测手段对道路和车辆不友好、难以从宏观、中观、微观三个角度、从人的主观感受实时评价道路交通服务水平状态等不足,本发明提供一种具有检测范围广、检测精度高、检测实时性好、实施方便、检测结果直观明了,即有主观感受性指标数据又有客观评价性指标数据,且便于城市各级路网在时间、空间上的对道路交通状态进行综合评价的轻量级的全息道路交通状态视觉检测装置。
本发明解决其技术问题所采用的技术方案是:
一种轻量级的全息道路交通状态视觉检测装置,包括安装在路网上各个道路上的各个测量点的视觉传感器、用于根据视觉传感器的视频数据进行评价道路交通状态的微处理器,所述的视觉传感器通过视频接口与所述的微处理器连接,传送单元将交通状态检测和计算结果通过通信单元发送给信号灯控制单元和交通状态发布单元;所述的微处理器包括:
视频图像获取单元,用于获取初始化信息和视频图像;
视觉传感器的标定、车道和车道行驶方向的定制模块,用于标定配置在道路上的视觉传感器、定义道路行驶方向属性、车道方向变更属性、车道编排属性、在车道纵向方向上的空间位置属性和在车道横向方向上的空间位置属性;
采样点的自动生成、灰度值检查及采样点位置微调模块,用于对定制好的车道范围内自动生成空间均匀的采样点,对生成的采样点灰度值进行一致性检查,对偏离灰度值的采样点进行空间位置调整;
基于采样点的道路背景建模模块,用于对代表车道背景进行建模,便于后续提取出存在采样点;
存在采样点检测模块,用于对车道上的前景对象进行检测,采用背景差法从采样点图像中检测出tn时刻的存在采样点,提取出代表前景对象在车道空间分布的存在采样点;
存在采样点滤波处理模块,用于对车道空间分布的存在采样点以车辆模型进行滤波处理,去掉一些孤立的采样点以及其他干扰,得到反映道路车辆密集程度的存在块;
移动存在采样点检测模块,用于以帧间差法从前后序列图像中检测出tn时刻的移动存在采样点,从时域角度对车道上的运动前景对象进行检测,提取出代表运动前景对象在车道空间分布的移动存在采样点;
静止存在采样点检测模块,用于以存在采样点和移动存在采样点的差计算出各车道的静止存在采样点,从时空角度对车道上的静止前景对象进行检测,提取出代表静止前景对象在车道空间分布的静止存在采样点;
车流量检测处理模块,用于以存在块通过某一车道断面的车辆进行统计,得到实时的交通流量数据;
车速检测处理模块,用于以移动存在采样点的空间排列规律对车道上某一个区域内通过的车辆速度进行估算,得到实时的通过某一车道断面的平均车速;
车间距检测处理模块,用于以统计存在块之间的间隔长度和存在块的数目,得到实时的车道车间距;
静止存在采样点滤波处理模块,用于对车道空间分布的静止存在采样点以车辆模型进行滤波处理,去掉一些孤立的非静止存在采样点以及其他干扰,得到反映道路拥堵程度和排队长度的静止存在块;
所述的车道的拥堵区域及拥堵持续时间检测模块,用于以静止存在块在各车道空间的分布情况检测拥堵区域和时间域上检测静止存在块在各车道空间的持续时间;
道路拥堵状态检测模块,用于检测道路上某一个时刻某一个行驶方向的拥堵状态和道路服务水平;
本发明中考虑到车辆是一个刚体,因此本发明采用以点代面的视频图像检测方法来减少空间冗余,如视频图像的格式为D1,分辨率为640×480=307200像素;通过对车道上定制均匀分布的采样点,比如300个采样点来代替整幅视频图像的处理,减小了视频图像处理的计算负荷和存储负荷,将图像处理量减少至原有道路视频图像的千分之一,从而实现了图像处理计算的轻量化;
本发明中采用了一种基于采样点的精准背景更新策略,通过图像处理能有效地区分存在采样点和非存在采样点,因此利用非存在采样点的灰度值来更新存在采样点的背景,实现了一种轻量级、精准高效的背景更新方法;
本发明中依据移动存在采样点的时空排列规律,通过简单的计算直接获取重要的交通基本参数,实现了一种轻量级的交通状态参数获取方法;
本发明中模仿人类视觉的整体性和简单性原理,根据静止存在采样点的空间排列情况计算得到拥堵区域及排队长度,实现了一种轻量级的道路交通拥堵检测方法。并且,道路交通拥堵的检测与各种交通基本参数的检测是同步并行完成的,不会出现检测误差的积累和传播问题。
所述的视觉传感器的标定、车道和车道行驶方向的定制模块,首先从视觉传感器获得的图像中根据车道标记在车道的近处垂直于车道方向上选择两个车道边缘点,接着在车道的远处垂直于车道方向上选择两个车道边缘点,将这四个边缘点进行连接构成车道检测区域;然后根据实际车道行驶方向和车道的位置输入相关属性信息,如直行、左转、右转、内侧第一车道、内侧第二车道、内侧第三车道等;最后对所述的视觉传感器进行标定;
由于交通场景是三维的,而获取的视频图像是二维的,为了能检测车速、排队长度等交通信息,得到切合实际的准确信息,需要建立空间道路上的点与图像平面上的像素点的映射关系。这里的视觉传感器标定是指在一定的先验知识下,从视觉传感器摄取的图像中,得到像点和实际场景的物点之间的对应关系;
这里将视觉传感器配置在车道的上方10米左右处,与车道方向平行,向下斜对准车道,同时视觉传感器的成像平面的水平轴与地平面平行,如附图1所示。这里采用奇次坐标对视觉传感器进行标定,计算公式如式(1)所示,
式中,(xi,yi)为图像平面上像素点的位置,(x,y,z)为道路地面上的位置,在视觉传感器标定过程中,需要选取6个已知点来求得参数bij。为了解决参数非唯一性问题,这里规定b34=1;从简化计算提高实时性考虑,这里忽略场景中前景对象,如车辆的高度的影响,即z=0,因此,摄像机的标定问题就简化为建立道路平面与成像平面之间映射关系问题;
在定制车道时,在图像平面上选择车道上四边形的四个顶点,即得到了四个边缘点坐标信息,然后通过实际量测获得所定制车道四边形的宽度和长度值,根据其坐标值求解四组方程式,求得参数bij。采用公式(2)来实现视觉传感器的标定,
式中,bij为标定参数,(xi,yi)为图像平面上像素点的位置,(x,y,z)为道路地面上的位置;
所述的采样点的自动生成、灰度值检查及采样点位置微调模块,用于对定制好的车道范围内自动生成空间均匀的采样点,对生成的采样点灰度值进行一致性检查,对偏离灰度值的采样点进行空间位置调整;通过视觉传感器的标定,建立了空间道路上的点与图像平面上的像素点的映射关系;为了准确地检测道路交通状态,要求在车道上均匀定制采样点;考虑到视觉传感器的投影关系距视觉传感器越远的检测区域在图像中所占的面积也越小,因此,需要按照摄像投影关系来定制采样点,使之在实际物理空间上是均匀分布的。这里将车道按车辆行驶方向分成长度比例为2:3:5的远、中、近三段区域,各区域内平均生成行数和列数一致的采样点,定制效果如附图2所示,附图2a)是图像平面上的车道采样点的生成排列情况,附图2b)是实际路面上的车道采样点的对应情况;
定制的采样点灰度值检查:在定制车道以及车道上的采样点后,考虑到通过图像处理技术要将采样点进一步区分为存在采样点和非存在采样点,区分这两者是通过采样点的灰度阈值进行的。道路上的灰度值基本上是趋于一致的,因此统计在没有车辆情况下车道上的所有采样点的灰度值并求其平均值作为初始背景值即作为非存在采样点的灰度值;
考虑到车道上会有一些道路标志,即道路标志的灰度值与车道上路面的灰度值不同,如果采样点正好落在道路标志上会给后续背景更新带来检测误差;因此,需要对所有定制的采样点进行灰度值检查,如果某一个采样点的灰度值偏离其初始背景值即就要变更该采样点的位置,变更的方法是垂直于车辆行驶方向逐步移动采样点,使得该采样点的灰度值满足遍历所有采样点后,将作为每个采样点的初始背景灰度值;
所述的基于采样点的道路背景建模模块,用于对代表车道背景进行建模;由于在定制采样点时在车道上均匀地定制了采样点,背景差分法可用于检测存在采样点,但背景差分法要求获取可靠的、稳定的采样点背景灰度值;道路定制区域的采样点受光照、天气等外界环境变化的影响比较大,需要对采样点背景灰度值进行实时更新;本发明采用离存在采样点最近的非存在采样点的灰度值来更新存在采样点的背景,实现一种轻量级、精准高效的背景更新方法,更新算法如公式(3)所示,
式中,为离该存在采样点最近的非存在采样的灰度值,为tn时刻某采样点实际测量灰度值,为tn时刻某采样点背景灰度值,为tn+1时刻某采样点背景灰度预测值;
所述的存在采样点检测模块,用于对车道上的前景对象进行检测,采用背景差法从采样点图像中检测出tn时刻的存在采样点,提取出代表前景对象在车道空间分布的存在采样点;满足条件的采样点就判定为存在采样点,反之为非存在采样点,得到存在采样点图像En和非存在采样点图像
所述的存在采样点滤波处理模块,用于对车道空间分布的存在采样点图像以车辆模型进行滤波处理,去掉一些孤立的采样点以及其他干扰,得到反映道路车辆密集程度的存在块;
为了消除车辆某些部位的前景灰度值与道路地面灰度值相近所造成的误判,即将静止存在采样点误判为非存在采样点的情况,根据车辆模型,车辆在采样点图像上是由若干个相邻的存在采样点构成的,因此可以通过过滤算法来消除那些孤立的非存在采样点;
另一种情况是我国道路上存在着人车混杂的现状,道路上的遗留物、行人和非机动车也会对道路车辆拥堵检测带来一些干扰,即将非机动车的静止存在采样点误判为机动车的静止存在采样点,根据车辆模型,车辆在采样点图像上是由若干个相邻的存在采样点构成的,因此可以通过过滤算法来消除那些孤立的非机动车和行人的静止存在采样点;
在消除了干扰和修正误判后,接着进行存在块的检测,所谓存在块是由相对集中的存在采样点所构成的,考虑到成像平面上的车辆模型,在道路上的车辆是由存在块的方式表现出来的;这里采用对各车道分别实施存在块的检测方式,检测存在块的方式是在成像平面上以每条行车线的开始端到末尾端进行检测的,在存在块的检测模块中,采用道路上的一般轿车大小作为匹配检测模版对存在块进行匹配检测,如果一般轿车大小在车辆的横向方向上占有3个采样点、在车辆的纵向方向上占有5个采样点,那么就以3×5采样点的模版从道路上所有行驶方向和所有车道的开始端到末端对进行匹配检测,即从i=0、j=0和k=0开始进行匹配检测,由于车道横向方向上有5个采样点,即在某一车道同一个横向方向l的范围是0~4,从l的范围0~2开始,然后1~3,接着2~4,每个横向方向上进行三次匹配检测,匹配检测的方法是通过统计计算3×5采样点的模版中有多少存在采样点的情况进行判断的,如果匹配模版中有50%以上的存在采样点,即在3×5采样点的模版中有7个以上的存在采样点就判定为该区域为存在块;当某一车道同一个横向方向l检测结束后,如果在上述匹配检测中存在着一个和一个以上的存在块满足匹配检测模版情况时,k=k+5;否则k=k+1;接着继续进行匹配检测直至到某一车道上的末端位置;接着进行下一个车道的匹配检测,循环上述匹配检测过程;再接着进行下一个行驶方向的匹配检测,循环上述匹配检测过程;这样得到各车道上的存在块,一个个存在块表示车辆的存在,车道上的存在块面积大小与车道的面积大小之比就是车道占有率,即车辆密度;
通过上述过滤处理最终得到过滤后的存在采样点图像EFn和非存在采样点图像
所述的移动存在采样点检测模块,用于以帧间差法从前后序列图像中检测出tn时刻的移动存在采样点,从时域角度对车道上的运动前景对象进行检测,提取出代表运动前景对象在车道空间分布的移动存在采样点;
移动存在采样点表示了在车道上运动的物体,由帧间差计算获得,移动采样点的计算分为一些几个步骤,其算法如下:
STEP1:读取tn时刻的采样点灰度值图像阵列Xn;
STEP2:读取tn+k时刻与tn-k时刻的采样点灰度值图像阵列Xn+k和Xn-k;
STEP3:计算ΔX-k=|Xn-Xn-k|和ΔXk=|Xn+k-Xn|;
STEP4:对ΔXk和ΔX-k用阈值TH3将其二值化处理,得到第一特征提取图像与第二特征提取图像Z1n与Z2n;
STEP5:计算Qn=Z1n∧Z2n,得到移动采样点图像Qn;
所述的静止存在采样点检测模块,用于以存在采样点和移动存在采样点的差计算出各车道的静止存在采样点,从时空角度对车道上的静止前景对象进行检测,提取出代表静止前景对象在车道空间分布的静止存在采样点;
存在采样点可以分为移动存在采样点与静止存在采样点,如附图4所示,静止存在采样点图像反应了道路上存在着静止物体对象的分布情况,从时间域考虑随着时间的变化这些物体对象处于静止状态;静止存在采样点的比重越大,分布越密,表示道路的拥堵程度越大;然而静止存在采样点不易直接测量获得,需要从帧序列中分离出移动采样点,然后再通过存在采样点图像与移动存在采样点图像的差来计算得到静止存在采样点,计算方法由公式(4)给出;
Sn=EFn-Qn(4)
式中,EFn为过滤处理后的存在采样点图像,Qn为移动存在采样点图像,Sn为静止存在采样点图像;
所述的车流量检测处理模块,用于以存在块通过车道上某一断面的车辆进行统计,得到实时的交通流量数据;
理论上,车流量可以通过统计经过虚拟线圈的车辆来得到;但是基于视觉的车流量检测时,由于车辆的窗或者车体的某些部位与车道地面的灰度值比较接近,容易造成误检;基于存在块的车流量检测有助于提高检测的鲁棒性和精度;
具体做法是:在车道上取以一个略小于轿车大小的虚拟线圈,如在实际车道上长度为4米左右,采样点之间距离为0.5米;这样作为虚拟线圈在车道上均匀排布8行采样阵列;本发明通过这8行01序列来实现车流量的计数,如附图13所示;接着把虚拟线圈区域平分为AREA1与AERA2两个区域,其中,AREA1有4行采样点,AREA2也有4行采样点;本发明将每个区域根据存在采样点多少分别赋予『0』,『』,『1』三种状态,赋予规则如下:
『1』:区域中行中的存在采样点为1比例大于等于2/3,表明约有车辆的1/2车身覆盖了区域内的存在采样点;
『』:区域中行中的存在采样点为1比例小于2/3且大于等于1/3,表明处于一种临界状态,如约车辆的1/4~1/5车身处在区域内;
『0』:区域中行采样点为1比例小于等于1/3,表明有车辆的1/5以下的车身处在区域内;
AREA1状态 | AREA1前一状态 | AREA2状态 | AREA2前一状态 | 判定结果 |
『0』 | 非『0』 | 『1』 | 非『1』 | 有车通过 |
『1』 | 非『1』 | 『0』 | 非『0』 | 有车通过 |
『1』 | 非『1』 | 『1』 | 非『1』 | 有车通过 |
表1车辆通过虚拟线圈的判断规则
在交通基本参数中车流量的统计是以小时为单位的,即辆/小时,为了实时计算车流量,这里需要计算前60分钟内经过虚拟线圈的车辆数,将60分钟分成60等份,即以分钟为单位对经过虚拟线圈的车辆进行计数;然后用FIFO算法统计当前时间前60分钟内经过虚拟线圈的车辆数;FIFO算法如下:
STEP1:读取当前1分钟内经过虚拟线圈的车辆数;
STEP2:检测存储的统计次数是否已经到T次;
STEP3:如果是,选择最先进入的统计值进行置换,转到STEP5;
STEP4:否则,存入统计值,转到STEP1;
STEP5:统计T次中的所有车辆数,并输入前60分钟的车流量统计结果,转到STEP1;
通过上述计算,得到车道上的车流量Q;
所述的车速检测处理模块,用于以移动存在采样点的空间排列规律对车道上某一个区域内通过的车辆速度进行估算,得到实时的通过某一车道断面的平均车速;
在车道上绘制两条虚拟检测线圈,分别为入口检测线圈和出口检测线圈,二者都垂直于车道的方向,它们之间的距离大概在一个小型车辆的车身左右,由图像标定的结果,可以计算出这两个检测线圈之间的像素距离所对应的真实世界的距离。由车辆到达这检测线圈的时间之差,用这个时间去除距离就可以知道车辆的速度,计算公式如式(5)所示,
式中:StartFrameNum1为车辆到达出口检测线圈的帧数,StartFrameNum2为车辆到达入口检测线圈的帧数,L为两检测线圈的实际距离(单位:米),F为视频图像的帧率,Vt为t时刻车道上车辆的车速;
为了得到车道上车辆的平均速度,本发明采用了一种数字低通滤波的方式,计算求得车道上实时的车辆平均速度计算公式如式(6)所示,
式中:Vt为t时刻车道上车辆的车速,为t-1时刻车道上车辆的平均速度,为t时刻车道上车辆的平均速度,α为0~1之间的数据,本发明中α取0.8;
所述的车间距检测处理模块,用于以统计存在块之间的间隔长度和存在块的数目,得到实时的车道车间距;在所述的存在采样点滤波处理模块中通过计算得到反映道路车辆密集程度的存在块,通过累计所定制的车道内两个存在块之间的在车道方向上的非存在采样点的数目,然后乘上采样点的间距,得到某两辆车辆间的间隔距离δi,通过遍历整个所定制的车道,最后用公式计算整个所定制的车道内的平均车间距,计算方法如公式(7)所示,
式中:为某车道上的平均车间距,n为某车道上存在块的个数,δi为某车道上某两辆车辆间的间隔距离;
所述的静止存在采样点滤波处理模块,用于对车道空间分布的静止存在采样点以车辆模型进行滤波处理,去掉一些孤立的非静止存在采样点以及其他干扰,得到反映道路拥堵程度和排队长度的静止存在块;这里主要对公式(4)计算得到的静止存在采样点图像Sn进行滤波处理,滤波处理算法如下:
Step1:设定车辆模板的大小,此处采用6×8的模板,即车辆在横向方向上占有6个采样点、在车辆的纵向方向上占有8个采样点,同时设定k=0;
Step2:规定车道横向方向上的检测。假设车道横向方向上有K个采样点,则在某一车道同一个横向方向direction0上检测的范围是0~K-1,从i=0、j=0开始进行匹配检测,依次在该横向方向上的i=0,1,…,K-6处投放模板,进行K-5次匹配检测,遍历模板中的所有采样点并统计静止存在采样点的个数;
Step3:如果匹配模板中有50%以上的静止存在采样点就判定该区域为静止存在块,同时置i=i+8且k=k+8;否则置i=i+1且k=k,规定该横向方向为direction1;
Step4:指示横向方向direction1,返回Step2继续进行匹配检测直至到某一车道上的末端位置(i=L-1行),该车道检测结束;
Step5:通过k的大小和车辆行驶方向上的两个相邻采样点间隔相对应的实际距离来计算该行驶方向上的车道拥堵的长度;
Step6:进行下一个车道的匹配检测,循环上述匹配检测过程。
遍历道路上的所有车道静止存在采样点图像Sn后,就能得到各车道上的静止存在块以及静止存在块的位置、大小和发生的时间;同时也可以得到某行驶方向i上的某车道j的静止存在块匹配的最大k值,通过该数字大小来计算该行驶方向上的车道拥堵的长度;由于两个相邻采样点在道路上的实际距离为0.5米,如果计算得到k=150,那么就能简单的计算得到某行驶方向i上某车道j的拥堵长度为75米;
所述的车道的拥堵区域及拥堵持续时间检测模块,用于以静止存在块在各车道空间的分布情况检测拥堵区域和时间域上检测静止存在块在各车道空间的持续时间;
所谓拥堵,拥就是车辆密度很高,堵就是车辆基本上处于静止状态,因此道路拥堵检测的关键是检测在道路上处于静止的车辆;静止存在块在道路上分布越密集且持续时间越长表明道路拥堵越严重,已发生了交通阻塞;
在所述的存在采样点滤波处理模块中得到了各车道上的存在采样点图像EFn,用公式(8)计算车道上的车辆密度,
式中:为车道上存在采样点的个数统计值,为车道上采样点的个数统计值,K为车道上的车辆密度;
在所述的静止存在采样点滤波处理模块中得到了各车道上的静止存在块以及静止存在块的位置、大小和发生的时间,静止存在块的存在是造成交通阻塞的直接原因,而导致静止存在块发生的原因有很多,如车辆故障、交通事故和车辆拥挤等;其中,静止存在块的大小和发生的持续时间是检测道路拥堵的关键指标,随着时间推移如果同一区域内的静止存在块不断增大,那么道路就从初步拥堵→拥堵→严重拥堵,最后发展为局部道路和大面积瘫痪;
具体算法是:
STEP1:根据在所述的静止存在采样点滤波处理模块中所得到的静止存在块的位置信息,并暂时保存其大小范围和发生时间;
STEP2:以静止存在块的位置信息为索引,检查是否已经存在有静止存在块;
STEP3:如果有,得到前一时刻静止存在块大小范围和发生时间,并比较现在静止存在块大小范围与前一时刻静止存在块大小范围;没有任何静止存在块转到STEP7;
STEP4:如果现在静止存在块大小范围大于等于前一时刻静止存在块大小范围,将在暂时保存的拥堵信息中用现在静止存在块大小范围替换前一时刻静止存在块大小范围,并用发生时间和现在系统时间的差来计算拥堵持续时间;
STEP5:输出车道上各静止存在块大小范围和静止存在块持续时间,转到STEP7;
STEP6:如果条件不成立,进一步判断现在静止存在块大小范围是否小于阈值Ts,如果满足,从暂时保存的拥堵信息中删除以该索引的静止存在块的记录;
STEP7:结束判断程序;
所述的道路拥堵状态检测模块,用于检测道路上某一个时刻某一个行驶方向的拥堵状态和道路服务水平;本发明将道路服务水平等级分为A、B、C、D、E、F等6个等级,服务水平A:畅通;服务水平B:基本畅通;服务水平C:初步拥堵;服务水平D:拥堵:服务水平E:严重拥堵;服务水平F:局部道路和大面积瘫痪。服务水平F是服务水平E在时域上的扩展,当服务水平E状态情况下状态持续时间超过某一阈值Tdu就判断为服务水平F;
目前最常用的直接测量交通拥堵的参数包括:平均行程速度、全日流量、车流密度和占有率、排队长度和时间以及出行时间和延误;
排队长度指在交通间断点,如交叉口、事故发生点等处排队车辆所占的路段长度,一般情况下,拥堵越严重,排队长度越长,因此排队长度可以作为衡量交通拥堵程度的最直观的指标;
车流密度是指一条车道上车辆的密集程度,即在某一瞬时内单位长度一条车道上的车辆数。在实际应用中,更为广泛应用的是时间占有率和空间占有率,通常以百分数表示;
流量指单位时间内通过道路某一地点或某一截面的实际车辆数。通过计算流量与通行能力的比值用于判断交通拥堵。但是,同一流量水平可以对应两种截然不同的交通状态,因此通常需要和其他拥堵判别参数共同使用;
平均行程速度即区间平均车速,是指行驶于道路某一特定长度内的全部车辆的车速分布的平均值,常被直接用于评价道路的拥堵程度;
附图7为道路服务水平与车辆密度、车辆平均车速、交通流量的关系曲线,一般来说,通过车速-流量模型能确定该车道的道路服务水平;同样原理上通过车辆密度也可以确定车道的道路服务水平;这两种判断结果是冗余互补的,通过信息融合的方式可以提供道路服务水平的判断精度;
对于道路服务水平判定分为在路段中和交叉口两种不同情况,对于路段中的情况,用表2和表3并结合车道的拥堵区域及拥堵持续时间进行判断;
表2为城市道路主次干道基本路段通行能力推荐值C,表3为从城市道路的负荷情况Qs/C来判定城市道路服务水平的一览表,其中Qs可以从所述的车流量检测处理模块中统计道路上某一断面所通过的车辆来获得;对于交通服务水平E以上的判断,要根据所述的车道的拥堵区域及拥堵持续时间检测模块中所得到的车道上的车辆密度K,并判断其是否大于某一个阈值TK;对于交通服务水平F的判断还要根据所述的车道的拥堵区域及拥堵持续时间检测模块中所得到的拥堵持续时间TurK,如果大于某一个阈值Ttur就判定为交通服务水平F;
表2主次干道基本路段通行能力推荐值C单位:辆/小时
道路服务水平 | 负荷度(Qs/C) | 交通状态 | 状态描述 |
A | ≤0.25 | 自由流状态 | 畅通状态 |
B | 0.25~0.50 | 道路稳定流 | 标准畅通状态 |
C | 0.50~0.70 | 交叉口溢流 | 基本畅通状态 |
D | 0.70-0.85 | 稳定溢流 | 非畅通状态 |
E | >0.85 | 交通阻塞 | 完全不畅通状态 |
F | >0.95 | 严重拥堵 | 大面积瘫痪 |
表3城市道路服务水平
对于交叉口的道路服务水平,交叉口的通行能力采用通过车头时距计算饱和交通流量的方法来确定;饱和交通流量用每小时有效绿信号中通过的车辆数来表示;表4为城市道路信号交叉口进口机动车道饱和流率;表5为城市道路信号交叉口服务水平分级标准;
通过计算路口交通负荷度就能得到城市道路信号交叉口服务水平,负荷度计算采用Qs/C,即交通量/通行能力的计算方法来确定,交通量Qs是在所述的车流量检测处理模块中统计在绿灯小时内经过虚拟线圈的车辆数得到的;考虑到交叉口的情况复杂,对于交通服务水平D以上的判断,还需要从所述的静止存在采样点滤波处理模块中得到交叉口的排队长度,用排队长度来进一步界定交通服务水平;
车道 | 直行 | 左转 | 直右 | 直左 | 直左右 | 右转 |
饱和流率 | 1920 | 1680 | 1680 | 1440 | 1440 | 1200 |
表4城市道路信号交叉口进口机动车道饱和流率
服务水平 | A | B | C | D | E | F |
路口交通负荷度 | ≤0.6 | 0.6-0.8 | 0.8-0.9 | 0.9-1.0 | ≥1.0 | ≥1.0 |
表5城市道路信号交叉口服务水平分级标准
表6交叉口评价标准参考表
本发明的有益效果主要表现在:l、能够实时收集整个道路的大范围视频信息,具有检测范围广,能对在200米直径以内进行道路交通状态检测;2、安装维护无干扰,由于视频检测器往往是安装在道路上,因此安装及维护不会影响道路的通行,也不需要开挖、破坏路面;3、即有主观感受性指标数据又有客观评价性指标数据,在计算得到了道路服务水平的同时也得到了各种交通基本参数;4、维护方便低耗,传统的感应线圈检测器在损坏时,需要开挖路面进行维护,而视频检测设备发生问题时,可直接摘除或修理设备,减少了维护费用;5、检测参数丰富,不但能检测这是一股的感应线圈检测器无法比拟的;6、便于城市各级路网在时间、空间上的对道路交通状态进行综合评价;7、检测可靠性、准确度高,具有自学习和智能功能;8、统计计算方便,算法实现简单,这种轻量级的视频图像处理技术便于在嵌入式系统中实现,同时能通过网络能够与先进的交通控制系统等动态智能交通模块衔接,实现更多的功能。
附图说明
图1为视觉传感器从正面拍摄道路状态的示意图;
图2为车道与车道上的采样点定制示意图,a)在视觉传感器的图像平面上的车道与车道上的采样点定制示意图,b)在实际道路平面上的车道与车道上的采样点定制示意图;
图3为视觉传感器从侧面拍摄道路状态的示意图;
图4为轻量级道路状态视觉检测的核心算法说明图;
图5为轻量级的全息道路交通状态视觉检测装置的硬件构成框图;
图6为反映道路拥堵状态的静止采样点的计算方法说明图;
图7为道路服务水平与车辆密度、车辆平均车速、交通流量的关系曲线;
图8为轻量级的全息道路交通状态视觉检测装置的软件处理框图;
图9为将车道与车道上的采样点定制功能去除后的轻量级的全息道路交通状态视觉检测装置的软件处理框图;
图10为车道与车道上的采样点定制功能的PC机和嵌入式全息道路交通状态视觉检测装置之间通信的硬件框图;
图11为车道与车道上的采样点定制功能的PC机和嵌入式全息道路交通状态视觉检测装置之间通信的示意图;
图12为车道与车道上的采样点定制功能PC机中的软件处理框图;
图13为用于提高车流量检测精度的算法说明图。
具体实施方式
下面结合附图对本发明作进一步描述。
实施例1
参照图1~图8、图13,一种轻量级的全息道路交通状态视觉检测装置,包括安装在路网上各个道路上的各个测量点的视觉传感器,将视觉传感器配置在车道的上方10米左右处,与车道方向平行,向下斜对准车道,同时视觉传感器的成像平面的水平轴与地平面平行,如附图1所示。用于根据视觉传感器的视频数据进行评价道路交通状态的微处理器,所述的微处理器包括微处理器系统硬件和微处理器软件,其特征在于:所述的微处理器硬件由CPU、图像存储器、输入单元、显示单元、存储单元、传送单元、通信单元、视频接口、RAM(RandomAccessMemory)和ROM(Read-onlyMemory)构成,如附图5所示;所述的视觉传感器通过所述的视频接口与所述的微处理器连接,所述的传送单元将交通状态检测和计算结果通过所述的通信单元发送给信号灯控制单元和交通状态发布单元;所述的微处理器软件包括:
视频图像获取单元,用于获取初始化信息和视频图像;
视觉传感器的标定、车道和车道行驶方向的定制模块,用于标定配置在道路上的视觉传感器、定义道路行驶方向属性、车道方向变更属性、车道编排属性、在车道纵向方向上的空间位置属性和在车道横向方向上的空间位置属性;
采样点的自动生成、灰度值检查及采样点位置微调模块,用于对定制好的车道范围内自动生成空间均匀的采样点,对生成的采样点灰度值进行一致性检查,对偏离灰度值的采样点进行空间位置调整;
基于采样点的道路背景建模模块,用于对代表车道背景进行建模,便于后续提取出存在采样点;
存在采样点检测模块,用于对车道上的前景对象进行检测,采用背景差法从采样点图像中检测出tn时刻的存在采样点,提取出代表前景对象在车道空间分布的存在采样点;
存在采样点滤波处理模块,用于对车道空间分布的存在采样点以车辆模型进行滤波处理,去掉一些孤立的采样点以及其他干扰,得到反映道路车辆密集程度的存在块;
移动存在采样点检测模块,用于以帧间差法从前后序列图像中检测出tn时刻的移动存在采样点,从时域角度对车道上的运动前景对象进行检测,提取出代表运动前景对象在车道空间分布的移动存在采样点;
静止存在采样点检测模块,用于以存在采样点和移动存在采样点的差计算出各车道的静止存在采样点,从时空角度对车道上的静止前景对象进行检测,提取出代表静止前景对象在车道空间分布的静止存在采样点;
车流量检测处理模块,用于以存在块通过某一车道断面的车辆进行统计,得到实时的交通流量数据;
车速检测处理模块,用于以移动存在采样点的空间排列规律对车道上某一个区域内通过的车辆速度进行估算,得到实时的通过某一车道断面的平均车速;
车间距检测处理模块,用于以统计存在块之间的间隔长度和存在块的数目,得到实时的车道车间距;
静止存在采样点滤波处理模块,用于对车道空间分布的静止存在采样点以车辆模型进行滤波处理,去掉一些孤立的非静止存在采样点以及其他干扰,得到反映道路拥堵程度和排队长度的静止存在块;
车道的拥堵区域及拥堵持续时间检测模块,用于以静止存在块在各车道空间的分布情况检测拥堵区域和时间域上检测静止存在块在各车道空间的持续时间;
道路拥堵状态检测模块,用于检测道路上某一个时刻某一个行驶方向的拥堵状态和道路服务水平;
所述的视觉传感器的标定、车道和车道行驶方向的定制模块,首先从视觉传感器获得的图像中根据车道标记在车道的近处垂直于车道方向上选择两个车道边缘点,接着在车道的远处垂直于车道方向上选择两个车道边缘点,将这四个边缘点进行连接构成车道检测区域;然后根据实际车道行驶方向和车道的位置输入相关属性信息,如直行、左转、右转、内侧第一车道、内侧第二车道、内侧第三车道等;最后对所述的视觉传感器进行标定;
这里采用奇次坐标对视觉传感器进行标定,计算公式如式(1)所示,
式中,(xi,yi)为图像平面上像素点的位置,(x,y,z)为道路地面上的位置,在视觉传感器标定过程中,需要选取6个已知点来求得参数bij。为了解决参数非唯一性问题,这里规定b34=1;从简化计算提高实时性考虑,这里忽略场景中前景对象,如车辆的高度的影响,即z=0,因此,摄像机的标定问题就简化为建立道路平面与成像平面之间映射关系问题;
在定制车道时,在图像平面上选择车道上四边形的四个顶点,即得到了四个边缘点坐标信息,然后通过实际量测获得所定制车道四边形的宽度和长度值,根据其坐标值求解四组方程式,求得参数bij。采用公式(2)来实现视觉传感器的标定,
式中,bij为标定参数,(xi,yi)为图像平面上像素点的位置,(x,y,z)为道路地面上的位置;
所述的采样点的自动生成、灰度值检查及采样点位置微调模块,用于对定制好的车道范围内自动生成空间均匀的采样点,对生成的采样点灰度值进行一致性检查,对偏离灰度值的采样点进行空间位置调整;通过视觉传感器的标定,建立了空间道路上的点与图像平面上的像素点的映射关系;为了准确地检测道路交通状态,要求在车道上均匀定制采样点;考虑到视觉传感器的投影关系距视觉传感器越远的检测区域在图像中所占的面积也越小,因此,需要按照摄像投影关系来定制采样点,使之在实际物理空间上是均匀分布的。这里将车道按车辆行驶方向分成长度比例为2:3:5的远、中、近三段区域,各区域内平均生成行数和列数一致的采样点,定制效果如附图2所示,附图2a)是图像平面上的车道采样点的生成排列情况,附图2b)是实际路面上的车道采样点的对应情况;
定制的采样点灰度值检查:在定制车道以及车道上的采样点后,考虑到通过图像处理技术要将采样点进一步区分为存在采样点和非存在采样点,区分这两者是通过采样点的灰度阈值进行的。道路上的灰度值基本上是趋于一致的,因此统计在没有车辆情况下车道上的所有采样点的灰度值并求其平均值作为初始背景值即作为非存在采样点的灰度值;
考虑到车道上会有一些道路标志,即道路标志的灰度值与车道上路面的灰度值不同,如果采样点正好落在道路标志上会给后续背景更新带来检测误差;因此,需要对所有定制的采样点进行灰度值检查,如果某一个采样点的灰度值偏离其初始背景值即就要变更该采样点的位置,变更的方法是垂直于车辆行驶方向逐步移动采样点,使得该采样点的灰度值满足遍历所有采样点后,将作为每个采样点的初始背景灰度值;
所述的基于采样点的道路背景建模模块,用于对代表车道背景进行建模;由于在定制采样点时在车道上均匀地定制了采样点,背景差分法可用于检测存在采样点,但背景差分法要求获取可靠的、稳定的采样点背景灰度值;道路定制区域的采样点受光照、天气等外界环境变化的影响比较大,需要对采样点背景灰度值进行实时更新;本发明采用离存在采样点最近的非存在采样点的灰度值来更新存在采样点的背景,实现一种轻量级、精准高效的背景更新方法,更新算法如公式(3)所示,
式中,为离该存在采样点最近的非存在采样的灰度值,为tn时刻某采样点实际测量灰度值,为tn时刻某采样点背景灰度值,为tn+1时刻某采样点背景灰度预测值;
所述的存在采样点检测模块,用于对车道上的前景对象进行检测,采用背景差法从采样点图像中检测出tn时刻的存在采样点,提取出代表前景对象在车道空间分布的存在采样点;满足条件的采样点就判定为存在采样点,反之为非存在采样点,得到存在采样点图像En和非存在采样点图像
为了便于理解,关于采样点、存在采样点、非存在采样点、移动存在采样点和静止存在采样点之间的逻辑关系如附图4所示。
所述的存在采样点滤波处理模块,用于对车道空间分布的存在采样点图像以车辆模型进行滤波处理,去掉一些孤立的采样点以及其他干扰,得到反映道路车辆密集程度的存在块;
为了消除车辆某些部位的前景灰度值与道路地面灰度值相近所造成的误判,即将静止存在采样点误判为非存在采样点的情况,根据车辆模型,车辆在采样点图像上是由若干个相邻的存在采样点构成的,因此可以通过过滤算法来消除那些孤立的非存在采样点;
另一种情况是我国道路上存在着人车混杂的现状,道路上的遗留物、行人和非机动车也会对道路车辆拥堵检测带来一些干扰,即将非机动车的静止存在采样点误判为机动车的静止存在采样点,根据车辆模型,车辆在采样点图像上是由若干个相邻的存在采样点构成的,因此可以通过过滤算法来消除那些孤立的非机动车和行人的静止存在采样点;
在消除了干扰和修正误判后,接着进行存在块的检测,所谓存在块是由相对集中的存在采样点所构成的,考虑到成像平面上的车辆模型,在道路上的车辆是由存在块的方式表现出来的;这里采用对各车道分别实施存在块的检测方式,检测存在块的方式是在成像平面上以每条行车线的开始端到末尾端进行检测的,在存在块的检测模块中,采用道路上的一般轿车大小作为匹配检测模版对存在块进行匹配检测,如果一般轿车大小在车辆的横向方向上占有3个采样点、在车辆的纵向方向上占有5个采样点,那么就以3×5采样点的模版从道路上所有行驶方向和所有车道的开始端到末端对进行匹配检测,即从i=0、j=0和k=0开始进行匹配检测,由于车道横向方向上有5个采样点,即在某一车道同一个横向方向l的范围是0~4,从l的范围0~2开始,然后1~3,接着2~4,每个横向方向上进行三次匹配检测,匹配检测的方法是通过统计计算3×5采样点的模版中有多少存在采样点的情况进行判断的,如果匹配模版中有50%以上的存在采样点,即在3×5采样点的模版中有7个以上的存在采样点就判定为该区域为存在块;当某一车道同一个横向方向l检测结束后,如果在上述匹配检测中存在着一个和一个以上的存在块满足匹配检测模版情况时,k=k+5;否则k=k+1;接着继续进行匹配检测直至到某一车道上的末端位置;接着进行下一个车道的匹配检测,循环上述匹配检测过程;再接着进行下一个行驶方向的匹配检测,循环上述匹配检测过程;这样得到各车道上的存在块,一个个存在块表示车辆的存在,车道上的存在块面积大小与车道的面积大小之比就是车道占有率,即车辆密度;
通过上述过滤处理最终得到过滤后的存在采样点图像EFn和非存在采样点图像
所述的移动存在采样点检测模块,用于以帧间差法从前后序列图像中检测出tn时刻的移动存在采样点,从时域角度对车道上的运动前景对象进行检测,提取出代表运动前景对象在车道空间分布的移动存在采样点;
移动存在采样点表示了在车道上运动的物体,由帧间差计算获得,移动采样点的计算分为一些几个步骤,其算法如下:
STEP1:读取tn时刻的采样点灰度值图像阵列Xn;
STEP2:读取tn+k时刻与tn-k时刻的采样点灰度值图像阵列Xn+k和Xn-k;
STEP3:计算ΔX-k=|Xn-Xn-k|和ΔXk=|Xn+k-Xn|;
STEP4:对ΔXk和ΔX-k用阈值TH3将其二值化处理,得到第一特征提取图像与第二特征提取图像Z1n与Z2n;
STEP5:计算Qn=Z1n∧Z2n,得到移动采样点图像Qn;
算法计算步骤图示见附图6;
所述的静止存在采样点检测模块,用于以存在采样点和移动存在采样点的差计算出各车道的静止存在采样点,从时空角度对车道上的静止前景对象进行检测,提取出代表静止前景对象在车道空间分布的静止存在采样点;
存在采样点可以分为移动存在采样点与静止存在采样点,如附图4所示,静止存在采样点图像反应了道路上存在着静止物体对象的分布情况,从时间域考虑随着时间的变化这些物体对象处于静止状态;静止存在采样点的比重越大,分布越密,表示道路的拥堵程度越大;然而静止存在采样点不易直接测量获得,需要从帧序列中分离出移动采样点,然后再通过存在采样点图像与移动存在采样点图像的差来计算得到静止存在采样点,计算说明见附图6,计算方法由公式(4)给出;
Sn=EFn-Qn(4)
式中,EFn为过滤处理后的存在采样点图像,Qn为移动存在采样点图像,Sn为静止存在采样点图像;
所述的车流量检测处理模块,用于以存在块通过车道上某一断面的车辆进行统计,得到实时的交通流量数据;
理论上,车流量可以通过统计经过虚拟线圈的车辆来得到;但是基于视觉的车流量检测时,由于车辆的窗或者车体的某些部位与车道地面的灰度值比较接近,容易造成误检;基于存在块的车流量检测有助于提高检测的鲁棒性和精度;
具体做法是:在车道上取以一个略小于轿车大小的虚拟线圈,如在实际车道上长度为4米左右,采样点之间距离为0.5米;这样作为虚拟线圈在车道上均匀排布8行采样阵列;本发明通过这8行01序列来实现车流量的计数,如附图13所示;接着把虚拟线圈区域平分为AREA1与AERA2两个区域,其中,AREA1有4行采样点,AREA2也有4行采样点;本发明将每个区域根据存在采样点多少分别赋予『0』,『』,『1』三种状态,赋予规则如下:
『1』:区域中行中的存在采样点为1比例大于等于2/3,表明约有车辆的1/2车身覆盖了区域内的存在采样点;
『』:区域中行中的存在采样点为1比例小于2/3且大于等于1/3,表明处于一种临界状态,如约车辆的1/4~1/5车身处在区域内;
『0』:区域中行采样点为1比例小于等于1/3,表明有车辆的1/5以下的车身处在区域内;
AREA1状态 | AREA1前一状态 | AREA2状态 | AREA2前一状态 | 判定结果 |
『0』 | 非『0』 | 『1』 | 非『1』 | 有车通过 |
『1』 | 非『1』 | 『0』 | 非『0』 | 有车通过 |
『1』 | 非『1』 | 『1』 | 非『1』 | 有车通过 |
表1车辆通过虚拟线圈的判断规则
在交通基本参数中车流量的统计是以小时为单位的,即辆/小时,为了实时计算车流量,这里需要计算前60分钟内经过虚拟线圈的车辆数,将60分钟分成60等份,即以分钟为单位对经过虚拟线圈的车辆进行计数;然后用FIFO算法统计当前时间前60分钟内经过虚拟线圈的车辆数;FIFO算法如下:
STEP1:读取当前1分钟内经过虚拟线圈的车辆数;
STEP2:检测存储的统计次数是否已经到T次;
STEP3:如果是,选择最先进入的统计值进行置换,转到STEP5;
STEP4:否则,存入统计值,转到STEP1;
STEP5:统计T次中的所有车辆数,并输入前60分钟的车流量统计结果,转到STEP1;
通过上述计算,得到车道上的车流量Q;
所述的车速检测处理模块,用于以移动存在采样点的空间排列规律对车道上某一个区域内通过的车辆速度进行估算,得到实时的通过某一车道断面的平均车速;
在车道上绘制两条虚拟检测线圈,分别为入口检测线圈和出口检测线圈,二者都垂直于车道的方向,它们之间的距离大概在一个小型车辆的车身左右,由图像标定的结果,可以计算出这两个检测线圈之间的像素距离所对应的真实世界的距离。由车辆到达这检测线圈的时间之差,用这个时间去除距离就可以知道车辆的速度,计算公式如式(5)所示,
式中:StartFrameNum1为车辆到达出口检测线圈的帧数,StartFrameNum2为车辆到达入口检测线圈的帧数,L为两检测线圈的实际距离(单位:米),F为视频图像的帧率,Vt为t时刻车道上车辆的车速;
为了得到车道上车辆的平均速度,本发明采用了一种数字低通滤波的方式,计算求得车道上实时的车辆平均速度计算公式如式(6)所示,
式中:Vt为t时刻车道上车辆的车速,为t-1时刻车道上车辆的平均速度,为t时刻车道上车辆的平均速度,α为0~1之间的数据,本发明中α取0.8;
所述的车间距检测处理模块,用于以统计存在块之间的间隔长度和存在块的数目,得到实时的车道车间距;在所述的存在采样点滤波处理模块中通过计算得到反映道路车辆密集程度的存在块,通过累计所定制的车道内两个存在块之间的在车道方向上的非存在采样点的数目,然后乘上采样点的间距,得到某两辆车辆间的间隔距离δi,通过遍历整个所定制的车道,最后用公式计算整个所定制的车道内的平均车间距,计算方法如公式(7)所示,
式中:为某车道上的平均车间距,n为某车道上存在块的个数,δi为某车道上某两辆车辆间的间隔距离;
所述的静止存在采样点滤波处理模块,用于对车道空间分布的静止存在采样点以车辆模型进行滤波处理,去掉一些孤立的非静止存在采样点以及其他干扰,得到反映道路拥堵程度和排队长度的静止存在块;这里主要对公式(4)计算得到的静止存在采样点图像Sn进行滤波处理,滤波处理算法如下:
Step1:设定车辆模板的大小,此处采用6×8的模板,即车辆在横向方向上占有6个采样点、在车辆的纵向方向上占有8个采样点,同时设定k=0;
Step2:规定车道横向方向上的检测。假设车道横向方向上有K个采样点,则在某一车道同一个横向方向direction0上检测的范围是0~K-1,从i=0、j=0开始进行匹配检测,依次在该横向方向上的i=0,1,…,K-6处投放模板,进行K-5次匹配检测,遍历模板中的所有采样点并统计静止存在采样点的个数;
Step3:如果匹配模板中有50%以上的静止存在采样点就判定该区域为静止存在块,同时置i=i+8且k=k+8;否则置i=i+1且k=k,规定该横向方向为direction1;
Step4:指示横向方向direction1,返回Step2继续进行匹配检测直至到某一车道上的末端位置(i=L-1行),该车道检测结束;
Step5:通过k的大小和车辆行驶方向上的两个相邻采样点间隔相对应的实际距离来计算该行驶方向上的车道拥堵的长度;
Step6:进行下一个车道的匹配检测,循环上述匹配检测过程。
遍历道路上的所有车道静止存在采样点图像Sn后,就能得到各车道上的静止存在块以及静止存在块的位置、大小和发生的时间;同时也可以得到某行驶方向i上的某车道j的静止存在块匹配的最大k值,通过该数字大小来计算该行驶方向上的车道拥堵的长度;由于两个相邻采样点在道路上的实际距离为0.5米,如果计算得到k=150,那么就能简单的计算得到某行驶方向i上某车道j的拥堵长度为75米;
所述的车道的拥堵区域及拥堵持续时间检测模块,用于以静止存在块在各车道空间的分布情况检测拥堵区域和时间域上检测静止存在块在各车道空间的持续时间;
所谓拥堵,拥就是车辆密度很高,堵就是车辆基本上处于静止状态,因此道路拥堵检测的关键是检测在道路上处于静止的车辆;静止存在块在道路上分布越密集且持续时间越长表明道路拥堵越严重,已发生了交通阻塞;
在所述的存在采样点滤波处理模块中得到了各车道上的存在采样点图像EFn,用公式(8)计算车道上的车辆密度,
式中:为车道上存在采样点的个数统计值,为车道上采样点的个数统计值,K为车道上的车辆密度;
在所述的静止存在采样点滤波处理模块中得到了各车道上的静止存在块以及静止存在块的位置、大小和发生的时间,静止存在块的存在是造成交通阻塞的直接原因,而导致静止存在块发生的原因有很多,如车辆故障、交通事故和车辆拥挤等;其中,静止存在块的大小和发生的持续时间是检测道路拥堵的关键指标,随着时间推移如果同一区域内的静止存在块不断增大,那么道路就从初步拥堵→拥堵→严重拥堵,最后发展为局部道路和大面积瘫痪;
具体算法是:
STEP1:根据在所述的静止存在采样点滤波处理模块中所得到的静止存在块的位置信息,并暂时保存其大小范围和发生时间;
STEP2:以静止存在块的位置信息为索引,检查是否已经存在有静止存在块;
STEP3:如果有,得到前一时刻静止存在块大小范围和发生时间,并比较现在静止存在块大小范围与前一时刻静止存在块大小范围;没有任何静止存在块转到STEP7;
STEP4:如果现在静止存在块大小范围大于等于前一时刻静止存在块大小范围,将在暂时保存的拥堵信息中用现在静止存在块大小范围替换前一时刻静止存在块大小范围,并用发生时间和现在系统时间的差来计算拥堵持续时间;
STEP5:输出车道上各静止存在块大小范围和静止存在块持续时间,转到STEP7;
STEP6:如果条件不成立,进一步判断现在静止存在块大小范围是否小于阈值Ts,如果满足,从暂时保存的拥堵信息中删除以该索引的静止存在块的记录;
STEP7:结束判断程序;
所述的道路拥堵状态检测模块,用于检测道路上某一个时刻某一个行驶方向的拥堵状态和道路服务水平;本发明将道路服务水平等级分为A、B、C、D、E、F等6个等级,服务水平A:畅通;服务水平B:基本畅通;服务水平C:初步拥堵;服务水平D:拥堵:服务水平E:严重拥堵;服务水平F:局部道路和大面积瘫痪。服务水平F是服务水平E在时域上的扩展,当服务水平E状态情况下状态持续时间超过某一阈值Tdu就判断为服务水平F;
目前最常用的直接测量交通拥堵的参数包括:平均行程速度、全日流量、车流密度和占有率、排队长度和时间以及出行时间和延误;
排队长度指在交通间断点,如交叉口、事故发生点等处排队车辆所占的路段长度,一般情况下,拥堵越严重,排队长度越长,因此排队长度可以作为衡量交通拥堵程度的最直观的指标;
车流密度是指一条车道上车辆的密集程度,即在某一瞬时内单位长度一条车道上的车辆数。在实际应用中,更为广泛应用的是时间占有率和空间占有率,通常以百分数表示;
流量指单位时间内通过道路某一地点或某一截面的实际车辆数。通过计算流量与通行能力的比值用于判断交通拥堵。但是,同一流量水平可以对应两种截然不同的交通状态因此通常需要和其他拥堵判别参数共同使用
平均行程速度即区间平均车速,是指行驶于道路某一特定长度内的全部车辆的车速分布的平均值,常被直接用于评价道路的拥堵程度;
附图7为道路服务水平与车辆密度、车辆平均车速、交通流量的关系曲线,一股来说,通过车速一流量模型能确定该车道的道路服务水平;同样原理上通过车辆密度也可以确定车道的道路服务水平;这两种判断结果是冗余互补的,通过信息融合的方式可以提供道路服务水平的判断精度;
对于道路服务水平判定分为在路段中和交叉口两种不同情况,对于路段中的情况,用表2和表3并结合车道的拥堵区域及拥堵持续时间进行判断;
表2为城市道路主次干道基本路段通行能力推荐值C,表3为从城市道路的负荷情况Qs/C来判定城市道路服务水平的一览表,其中Qs可以从所述的车流量检测处理模块中统计道路上某一断面所通过的车辆来获得;对于交通服务水平E以上的判断,要根据所述的车道的拥堵区域及拥堵持续时间检测模块中所得到的车道上的车辆密度K,并判断其是否大于某一个阈值TK;对于交通服务水平F的判断还要根据所述的车道的拥堵区域及拥堵持续时间检测模块中所得到的拥堵持续时间TurK,如果大于某一个阈值Ttur就判定为交通服务水平F;
表2主次干道基本路段通行能力推荐值C单位:辆/小时
道路服务水平 | 负荷度(Qs/C) | 交通状态 | 状态描述 |
A | ≤0.25 | 自由流状态 | 畅通状态 |
B | 0.25~0.50 | 道路稳定流 | 标准畅通状态 |
C | 0.50~0.70 | 交叉口溢流 | 基本畅通状态 |
D | 0.70~0.85 | 稳定溢流 | 非畅通状态 |
E | >0.85 | 交通阻塞 | 完全不畅通状态 |
F | >0.95 | 严重拥堵 | 大面积瘫痪 |
表3城市道路服务水平
对于交叉口的道路服务水平,交叉口的通行能力采用通过车头时距计算饱和交通流量的方法来确定;饱和交通流量用每小时有效绿信号中通过的车辆数来表示;表4为城市道路信号交叉口进口机动车道饱和流率;表5为城市道路信号交叉口服务水平分级标准;
通过计算路口交通负荷度就能得到城市道路信号交叉口服务水平,负荷度计算采用Qs/C,即交通量/通行能力的计算方法来确定,交通量Qs是在所述的车流量检测处理模块中统计在绿灯小时内经过虚拟线圈的车辆数得到的;考虑到交叉口的情况复杂,对于交通服务水平D以上的判断,还需要从所述的静止存在采样点滤波处理模块中得到交叉口的排队长度,用排队长度来进一步界定交通服务水平;
车道 | 直行 | 左转 | 直右 | 直左 | 直左右 | 右转 |
饱和流率 | 1920 | 1680 | 1680 | 1440 | 1440 | 1200 |
表4城市道路信号交叉口进口机动车道饱和流率
服务水平 | A | B | C | D | E | F |
路口交通负荷度 | ≤0.6 | 0.6~0.8 | 0.8~0.9 | 0.9~1.0 | ≥1.0 | ≥1.0 |
表5城市道路信号交叉口服务水平分级标准
表6交叉口评价标准参考表
所述的微处理器,如选择具有较好的硬件配置和较高的计算能力及存储能力,采用附图8所示的道路交通拥堵检测和各交通基本参数检测处理流程,即定制和分析处理检测等都在同一种硬件设备中完成。
实施例2
参照附图9~12,其余与实施1相同,所不同的是将车道的定制、采样点的自动生成与道路拥堵分析处理检测分别在两个不同设备上完成;其中,车道的定制、采样点的自动生成在PC机上完成,道路拥堵分析处理检测在嵌入式设备上完成;定制用的PC机和分析处理检测用嵌入式设备之间采用SOCKET通信方式,如附图10所示;具体实施方式是:首先在PC机定制好的车道信息以及车道上采样点信息,车道定制和生成采样点的处理流程如附图12所示;接着,通过SOCKET通信传送给嵌入式设备,如附图11所示;最后,嵌入式设备读取定制等信息后,不断循环分析检测道路各车道上的拥堵及交通基本参数,并将检测结果通过所述的通信单元发送给信号灯控制单元和交通状态发布单元,处理流程如附图10所示。
Claims (13)
1.一种轻量级的全息道路交通状态视觉检测装置,其特征在于:包括安装在路网上各个道路上的各个测量点的视觉传感器、用于根据视觉传感器的视频数据进行评价道路交通状态的微处理器,所述的视觉传感器通过视频接口与所述的微处理器连接,传送单元将交通状态检测和计算结果通过通信单元发送给信号灯控制单元和交通状态发布单元;所述的微处理器包括:
视频图像获取单元,用于获取初始化信息和视频图像;
视觉传感器的标定、车道和车道行驶方向的定制模块,用于标定配置在道路上的视觉传感器、定义道路行驶方向属性、车道方向变更属性、车道编排属性、在车道纵向方向上的空间位置属性和在车道横向方向上的空间位置属性;
采样点的自动生成、灰度值检查及采样点位置微调模块,用于对定制好的车道范围内自动生成空间均匀的采样点,对生成的采样点灰度值进行一致性检查,对偏离灰度值的采样点进行空间位置调整;
基于采样点的道路背景建模模块,用于对代表车道背景进行建模,便于后续提取出存在采样点;
存在采样点检测模块,用于对车道上的前景对象进行检测,采用背景差法从采样点图像中检测出tn时刻的存在采样点,提取出代表前景对象在车道空间分布的存在采样点;
存在采样点滤波处理模块,用于对车道空间分布的存在采样点以车辆模型进行滤波处理,去掉一些孤立的采样点以及其他干扰,得到反映道路车辆密集程度的存在块;
移动存在采样点检测模块,用于以帧间差法从前后序列图像中检测出tn时刻的移动存在采样点,从时域角度对车道上的运动前景对象进行检测,提取出代表运动前景对象在车道空间分布的移动存在采样点;
静止存在采样点检测模块,用于以存在采样点和移动存在采样点的差计算出各车道的静止存在采样点,从时空角度对车道上的静止前景对象进行检测,提取出代表静止前景对象在车道空间分布的静止存在采样点;
车流量检测处理模块,用于以存在块通过某一车道断面的车辆进行统计,得到实时的交通流量数据;
车速检测处理模块,用于以移动存在采样点的空间排列规律对车道上某一个区域内通过的车辆速度进行估算,得到实时的通过某一车道断面的平均车速;
车间距检测处理模块,用于以统计存在块之间的间隔长度和存在块的数目,得到实时的车道车间距;
静止存在采样点滤波处理模块,用于对车道空间分布的静止存在采样点以车辆模型进行滤波处理,去掉一些孤立的非静止存在采样点以及其他干扰,得到反映道路拥堵程度和排队长度的静止存在块;
车道的拥堵区域及拥堵持续时间检测模块,用于以静止存在块在各车道空间的分布情况检测拥堵区域和时间域上检测静止存在块在各车道空间的持续时间;
道路拥堵状态检测模块,用于检测道路上某一个时刻某一个行驶方向的拥堵状态和道路服务水平。
2.如权利要求1所述的轻量级的全息道路交通状态视觉检测装置,其特征在于:所述的视觉传感器的标定、车道和车道行驶方向的定制模块,首先从视觉传感器获得的图像中根据车道标记在车道的近处垂直于车道方向上选择两个车道边缘点,接着在车道的远处垂直于车道方向上选择两个车道边缘点,将这四个边缘点进行连接构成车道检测区域;然后根据实际车道行驶方向和车道的位置输入相关属性信息;最后对所述的视觉传感器进行标定;
将视觉传感器配置在车道的上方10米处,与车道方向平行,向下斜对准车道,同时视觉传感器的成像平面的水平轴与地平面平行,这里采用奇次坐标对视觉传感器进行标定,计算公式如式(1)所示,
式中,(xi,yi)为图像平面上像素点的位置,(x,y,z)为道路地面上的位置,在视觉传感器标定过程中,选取6个已知点来求得参数bij;为了解决参数非唯一性问题,这里规定b34=1;从简化计算提高实时性考虑,这里忽略场景中前景对象车辆的高度的影响,即z=0,因此,摄像机的标定问题就简化为建立道路平面与成像平面之间映射关系问题;
在定制车道时,在图像平面上选择车道上四边形的四个顶点,即得到了四个边缘点坐标信息,然后通过实际量测获得所定制车道四边形的宽度和长度值,根据其坐标值求解四组方程式,求得参数bij;采用公式(2)来实现视觉传感器的标定;
式中,bij为标定参数。
3.如权利要求1或2所述的轻量级的全息道路交通状态视觉检测装置,其特征在于:所述的采样点的自动生成、灰度值检查及采样点位置微调模块,用于对定制好的车道范围内自动生成空间均匀的采样点,对生成的采样点灰度值进行一致性检查,对偏离灰度值的采样点进行空间位置调整;通过视觉传感器的标定,建立了空间道路上的点与图像平面上的像素点的映射关系;为了准确地检测道路交通状态,要求在车道上均匀生成采样点,生成的采样点之间的间隔为0.5米;
进行定制的采样点灰度值检查,在定制车道以及车道上的采样点后,考虑到通过图像处理技术要将采样点进一步区分为存在采样点和非存在采样点,区分这两者是通过采样点的灰度阈值进行的;道路上的灰度值基本上是趋于一致的,因此统计在没有车辆情况下车道上的所有采样点的灰度值并求其平均值作为初始背景值即作为非存在采样点的灰度值;
考虑到车道上会有一些道路标志,即道路标志的灰度值与车道上路面的灰度值不同,如果采样点正好落在道路标志上会给后续背景更新带来检测误差;因此,需要对所有定制的采样点进行灰度值检查,如果某一个采样点的灰度值偏离其初始背景值即就要变更该采样点的位置,变更的方法是垂直于车辆行驶方向逐步移动采样点,使得该采样点的灰度值满足遍历所有采样点后,将作为每个采样点的初始背景灰度值这里将车道按车辆行驶方向分成长度比例为2:3:5的远、中、近三段区域,各区域内平均生成行数和列数一致的采样点。
4.如权利要求1或2所述的轻量级的全息道路交通状态视觉检测装置,其特征在于:所述的基于采样点的道路背景建模模块,用于对代表车道背景进行建模;由于在定制采样点时在车道上均匀地定制了采样点,背景差分法可用于检测存在采样点,但背景差分法要求获取可靠的、稳定的采样点背景灰度值;道路定制区域的采样点受光照、天气外界环境变化的影响比较大,需要对采样点背景灰度值进行实时更新;采用离存在采样点最近的非存在采样点的灰度值来更新存在采样点的背景,实现一种轻量级、精准高效的背景更新方法,更新算法如公式(3)所示,
式中,为离该存在采样点最近的非存在采样点的灰度值,为tn时刻某采样点实际测量灰度值,为tn时刻某采样点背景灰度值,为tn+1时刻某采样点背景灰度预测值。
5.如权利要求4所述的轻量级的全息道路交通状态视觉检测装置,其特征在于:所述的存在采样点检测模块,用于对车道上的前景对象进行检测,采用背景差法从采样点图像中检测出tn时刻的存在采样点,提取出代表前景对象在车道空间分布的存在采样点;满足条件的采样点就判定为存在采样点,反之为非存在采样点,得到存在采样点图像En和非存在采样点图像
6.如权利要求1所述的轻量级的全息道路交通状态视觉检测装置,其特征在于:所述的存在采样点滤波处理模块,用于对车道空间分布的存在采样点图像以车辆模型进行滤波处理,去掉一些孤立的采样点以及其他干扰,得到反映道路车辆密集程度的存在块;
为了消除车辆某些部位的前景灰度值与道路地面灰度值相近所造成的误判,即将静止存在采样点误判为非存在采样点的情况,根据车辆模型,车辆在采样点图像上是由若干个相邻的存在采样点构成的,通过过滤算法来消除那些孤立的非存在采样点;
根据车辆模型,车辆在采样点图像上是由若干个相邻的存在采样点构成的,通过过滤算法来消除那些孤立的非机动车和行人的静止存在采样点;
在消除了干扰和修正误判后,接着进行存在块的检测,所谓存在块是由相对集中的存在采样点所构成的,考虑到成像平面上的车辆模型,在道路上的车辆是由存在块的方式表现出来的;这里采用对各车道分别实施存在块的检测方式,检测存在块的方式是在成像平面上以每条行车线的开始端到末尾端进行检测的,在存在块的检测模块中,采用道路上的一般轿车大小作为匹配检测模板对存在块进行匹配检测,如果一般轿车大小在车辆的横向方向上占有3个采样点、在车辆的纵向方向上占有5个采样点,那么就以3×5采样点的模板从道路上所有行驶方向和所有车道的开始端到末端对进行匹配检测,即从i=0、j=0和k=0开始进行匹配检测,由于车道横向方向上有5个采样点,即在某一车道同一个横向方向l的范围是0~4,从l的范围0~2开始,然后1~3,接着2~4,每个横向方向上进行三次匹配检测,匹配检测的方法是通过统计计算3×5采样点的模板中有多少存在采样点的情况进行判断的,如果匹配模板中有50%以上的存在采样点,即在3×5采样点的模板中有7个以上的存在采样点就判定为该区域为存在块;当某一车道同一个横向方向l检测结束后,如果在上述匹配检测中存在着一个或一个以上的存在块满足匹配检测模板情况时,k=k+5;否则k=k+1;接着继续进行匹配检测直至到某一车道上的末端位置;接着进行下一个车道的匹配检测,循环上述匹配检测过程;再接着进行下一个行驶方向的匹配检测,循环上述匹配检测过程;这样得到各车道上的存在块,一个个存在块表示车辆的存在,车道上的存在块面积大小与车道的面积大小之比就是车道占有率,即车辆密度;
通过上述过滤处理最终得到过滤后的存在采样点图像EFn和非存在采样点图像
7.如权利要求1所述的轻量级的全息道路交通状态视觉检测装置,其特征在于:所述的移动存在采样点检测模块,用于以帧间差法从前后序列图像中检测出tn时刻的移动存在采样点,从时域角度对车道上的运动前景对象进行检测,提取出代表运动前景对象在车道空间分布的移动存在采样点;
移动存在采样点表示了在车道上运动的物体,由帧间差计算获得,移动存在采样点的计算分为以下几个步骤,其算法如下:
STEP1:读取tn时刻的采样点灰度值图像阵列Xn;
STEP2:读取tn+k时刻与tn-k时刻的采样点灰度值图像阵列Xn+k和Xn-k;
STEP3:计算ΔX-k=|Xn-Xn-k|和ΔXk=|Xn+k-Xn|;
STEP4:对ΔXk和ΔX-k用阈值TH3将其二值化处理,得到第一特征提取图像与第二特征提取图像Z1n与Z2n;
STEP5:计算Qn=Z1n∧Z2n,得到移动采样点图像Qn。
8.如权利要求1所述的轻量级的全息道路交通状态视觉检测装置,其特征在于:所述的静止存在采样点检测模块,用于以存在采样点和移动存在采样点的差计算出各车道的静止存在采样点,从时空角度对车道上的静止前景对象进行检测,提取出代表静止前景对象在车道空间分布的静止存在采样点;
存在采样点分为移动存在采样点与静止存在采样点,静止存在采样点图像反应了道路上存在着静止物体对象的分布情况,从时间域考虑随着时间的变化这些物体对象处于静止状态;静止存在采样点的比重越大,分布越密,表示道路的拥堵程度越大;静止存在采样点不易直接测量获得,需要从帧序列中分离出移动采样点,然后再通过存在采样点图像与移动存在采样点图像的差来计算得到静止存在采样点,计算方法由公式(4)给出;
Sn=EFn-Qn(4)
式中,EFn为过滤处理后的存在采样点图像,Qn为移动存在采样点图像,Sn为静止存在采样点图像。
9.如权利要求1所述的轻量级的全息道路交通状态视觉检测装置,其特征在于:所述的车流量检测处理模块,用于以存在块通过车道上某一断面的车辆进行统计,得到实时的交通流量数据;
所述的车流量检测算法是:在车道上取一个小于轿车大小的虚拟线圈,在实际车道上长度为4米,采样点之间距离为0.5米;这样作为虚拟线圈在车道上均匀排布8行采样阵列;通过这8行01序列来实现车流量的计数;接着把虚拟线圈区域平分为AREA1与AERA2两个区域,其中,AREA1有4行采样点,AREA2也有4行采样点;将每个区域根据存在采样点多少分别赋予『0』,『』,『1』三种状态,赋予规则如下:
『1』:区域中行中的存在采样点为1比例大于等于2/3,表明有车辆的1/2车身覆盖了区域内的存在采样点;
『』:区域中行中的存在采样点为1比例小于2/3且大于等于1/3,表明处于一种临界状态,车辆的1/4~1/5车身处在区域内;
『0』:区域中行采样点为1比例小于1/3,表明有车辆的1/5以下的车身处在区域内;
表1车辆通过虚拟线圈的判断规则
在交通基本参数中车流量的统计是以小时为单位的,即辆/小时,为了实时计算车流量,这里需要计算前60分钟内经过虚拟线圈的车辆数,将60分钟分成60等份,即以分钟为单位对经过虚拟线圈的车辆进行计数;然后用FIFO算法统计当前时间前60分钟内经过虚拟线圈的车辆数;FIFO算法如下:
STEP1:读取当前1分钟内经过虚拟线圈的车辆数;
STEP2:检测存储的统计次数是否已经到T次;
STEP3:如果是,选择最先进入的统计值进行置换,转到STEP5;
STEP4:否则,存入统计值,转到STEP1;
STEP5:统计T次中的所有车辆数,并输入前60分钟的车流量统计结果,转到STEP1;
通过上述计算,得到车道上的车流量Q。
10.如权利要求1所述的轻量级的全息道路交通状态视觉检测装置,其特征在于:所述的车速检测处理模块,用于以移动存在采样点的空间排列规律对车道上某一个区域内通过的车辆速度进行估算,得到实时的通过某一车道断面的平均车速;
在车道上绘制两条虚拟检测线圈,分别为入口检测线圈和出口检测线圈,二者都垂直于车道的方向,它们之间的距离为一个小型车辆的车身的长度,由图像标定的结果,可以计算出这两个检测线圈之间的像素距离所对应的真实世界的距离;由车辆到达这检测线圈的时间之差,用这个时间去除距离就可以知道车辆的速度,计算公式如式(5)所示,
式中:StartFrameNum1为车辆到达出口检测线圈的帧数,StartFrameNum2为车辆到达入口检测线圈的帧数,L为两检测线圈的实际距离,单位为米,F为视频图像的帧率,Vt为t时刻车道上车辆的车速,单位为米/秒;
为了得到车道上车辆的平均速度,采用了一种数字低通滤波的方式,计算求得车道上实时的车辆平均速度计算公式如式(6)所示,
式中:Vt为t时刻车道上车辆的车速,为t-1时刻车道上车辆的平均速度,为t时刻车道上车辆的平均速度,α为0~1之间的数据,这里α取0.8。
11.如权利要求1所述的轻量级的全息道路交通状态视觉检测装置,其特征在于:所述的车间距检测处理模块,用于以统计存在块之间的间隔长度和存在块的数目,得到实时的车道车间距;在所述的存在采样点滤波处理模块中通过计算得到反映道路车辆密集程度的存在块,通过累计所定制的车道内两个存在块之间的在车道方向上的非存在采样点的数目,然后乘上采样点的间距,得到某两辆车辆间的间隔距离δi,通过遍历整个所定制的车道,最后用公式计算整个所定制的车道内的平均车间距,计算方法如公式(7)所示,
式中:为某车道上的平均车间距,n为某车道上存在块的个数,δi为某车道上某两辆车辆间的间隔距离。
12.如权利要求1所述的轻量级的全息道路交通状态视觉检测装置,其特征在于:所述的静止存在采样点滤波处理模块,用于对车道空间分布的静止存在采样点以车辆模型进行滤波处理,去掉一些孤立的非静止存在采样点以及其他干扰,得到反映道路拥堵程度和排队长度的静止存在块;这里主要对公式(4)计算得到的静止存在采样点图像Sn进行滤波处理,
Sn=EFn-Qn(4)
滤波处理算法如下:
Step1:设定车辆模板的大小,此处采用6×8的模板,即车辆在横向方向上占有6个采样点、在车辆的纵向方向上占有8个采样点,同时设定k=0;
Step2:规定车道横向方向上的检测;假设车道横向方向上有K个采样点,则在某一车道同一个横向方向direction0上检测的范围是0~K-1,从i=0、j=0开始进行匹配检测,依次在该横向方向上的i=0,1,…,K-6处投放模板,进行K-5次匹配检测,遍历模板中的所有采样点并统计静止存在采样点的个数;
Step3:如果匹配模板中有50%以上的静止存在采样点就判定该区域为静止存在块,同时置i=i+8且k=k+8;否则置i=i+1且k=k,规定该横向方向为direction1;
Step4:指示横向方向direction1,返回Step2继续进行匹配检测直至到某一车道上的末端位置,该车道检测结束;
Step5:通过k的大小和车辆行驶方向上的两个相邻采样点间隔相对应的实际距离来计算该行驶方向上的车道拥堵的长度;
Step6:进行下一个车道的匹配检测,循环上述匹配检测过程;
遍历道路上的所有车道静止存在采样点图像Sn后,就能得到各车道上的静止存在块以及静止存在块的位置、大小和发生的时间;同时也可以得到某行驶方向i上的某车道j的静止存在块匹配的最大k值,通过该最大k值来计算该行驶方向上的车道拥堵的长度。
13.如权利要求1所述的轻量级的全息道路交通状态视觉检测装置,其特征在于:所述的车道的拥堵区域及拥堵持续时间检测模块,用于以静止存在块在各车道空间的分布情况检测拥堵区域和时间域上检测静止存在块在各车道空间的持续时间;
在所述的存在采样点滤波处理模块中得到了各车道上的存在采样点图像EFn,用公式(8)计算车道上的车辆密度,
式中:为车道上存在采样点的个数统计值,为车道上采样点的个数统计值,K为车道上的车辆密度;
静止存在块的大小和发生的持续时间是检测道路拥堵的关键指标,其检测算法如下:
STEP1:根据在所述的静止存在采样点滤波处理模块中所得到的静止存在块的位置信息,并暂时保存其大小范围和发生时间;
STEP2:以静止存在块的位置信息为索引,检查是否已经存在有静止存在块;
STEP3:如果有,得到前一时刻静止存在块大小范围和发生时间,并比较现在静止存在块大小范围与前一时刻静止存在块大小范围;没有任何静止存在块转到STEP7;
STEP4:如果现在静止存在块大小范围大于等于前一时刻静止存在块大小范围,将在暂时保存的拥堵信息中用现在静止存在块大小范围替换前一时刻静止存在块大小范围,并用发生时间和现在系统时间的差来计算拥堵持续时间;
STEP5:输出车道上各静止存在块大小范围和静止存在块持续时间,转到STEP7;
STEP6:如果条件不成立,进一步判断现在静止存在块大小范围是否小于阈值Ts,如果满足,从暂时保存的拥堵信息中删除以该索引的静止存在块的记录;
STEP7:结束判断程序。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410135976.XA CN103985250B (zh) | 2014-04-04 | 2014-04-04 | 轻量级的全息道路交通状态视觉检测装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410135976.XA CN103985250B (zh) | 2014-04-04 | 2014-04-04 | 轻量级的全息道路交通状态视觉检测装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103985250A CN103985250A (zh) | 2014-08-13 |
CN103985250B true CN103985250B (zh) | 2016-05-18 |
Family
ID=51277202
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410135976.XA Active CN103985250B (zh) | 2014-04-04 | 2014-04-04 | 轻量级的全息道路交通状态视觉检测装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103985250B (zh) |
Families Citing this family (32)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105513349B (zh) * | 2014-12-03 | 2017-12-05 | 中咨泰克交通工程集团有限公司 | 基于双视角学习的山区高速公路车辆事件检测方法 |
CN104933868B (zh) * | 2015-06-17 | 2017-07-07 | 苏州大学 | 一种基于交通监控视频的实时在线交通状态检测方法 |
CN106650184B (zh) * | 2015-10-27 | 2019-01-29 | 同济大学 | 一种储能式城轨列车的节能与安全综合计算方法 |
CN105654737B (zh) * | 2016-02-05 | 2017-12-29 | 浙江浙大中控信息技术有限公司 | 一种区块背景建模的视频车流量检测方法 |
CN105702060B (zh) * | 2016-03-04 | 2018-06-12 | 重庆交通大学 | 基于全息投影技术的城市信号交叉口安全导向方法及系统 |
CN106056926B (zh) * | 2016-07-18 | 2021-07-30 | 华南理工大学 | 基于动态虚拟线圈的视频车速检测方法 |
CN106446796B (zh) * | 2016-08-30 | 2020-08-28 | 安徽清新互联信息科技有限公司 | 一种车辆间距检测方法 |
CN106530781B (zh) * | 2016-09-29 | 2020-07-03 | 奇瑞汽车股份有限公司 | 基于车联网分享路况信息的方法及系统 |
CN107967812A (zh) * | 2016-10-19 | 2018-04-27 | 高德信息技术有限公司 | 一种导航路线交通状态的确定方法及装置 |
CN107730881A (zh) * | 2017-06-13 | 2018-02-23 | 银江股份有限公司 | 基于深度卷积神经网络的交通拥堵视觉检测系统 |
CN107993435B (zh) * | 2017-11-16 | 2019-10-29 | 浙江浙大中控信息技术有限公司 | 交叉口信号周期及周期流量的估计方法 |
WO2019122951A1 (en) * | 2017-12-18 | 2019-06-27 | PlusAI Corp | Method and system for human-like driving lane planning in autonomous driving vehicles |
US20190185012A1 (en) | 2017-12-18 | 2019-06-20 | PlusAI Corp | Method and system for personalized motion planning in autonomous driving vehicles |
US11273836B2 (en) | 2017-12-18 | 2022-03-15 | Plusai, Inc. | Method and system for human-like driving lane planning in autonomous driving vehicles |
US11130497B2 (en) | 2017-12-18 | 2021-09-28 | Plusai Limited | Method and system for ensemble vehicle control prediction in autonomous driving vehicles |
CN108550258B (zh) * | 2018-03-29 | 2021-01-08 | 东软集团股份有限公司 | 车辆排队长度检测方法、装置、存储介质和电子设备 |
CN109410598B (zh) * | 2018-11-09 | 2021-01-15 | 浙江浩腾电子科技股份有限公司 | 一种基于计算机视觉的交通路口拥堵检测方法 |
CN109448376A (zh) * | 2018-11-27 | 2019-03-08 | 科大国创软件股份有限公司 | 一种基于视频的路况分析方法及系统 |
CN109919883B (zh) * | 2018-12-03 | 2021-06-22 | 南京三宝科技股份有限公司 | 一种基于灰度转换的交通视频数据获取方法 |
WO2020139355A1 (en) * | 2018-12-27 | 2020-07-02 | Didi Research America, Llc | System for automated lane marking |
CN109801492A (zh) * | 2019-01-21 | 2019-05-24 | 深圳市敢为软件技术有限公司 | 交通拥堵的检测方法、装置及存储介质 |
CN109862207B (zh) * | 2019-02-02 | 2021-04-09 | 浙江工业大学 | 一种基于压缩域的kvm视频内容变化检测方法 |
CN110865361B (zh) * | 2019-11-29 | 2022-05-13 | 南京慧尔视智能科技有限公司 | 一种基于雷达数据的饱和车头时距检测方法 |
CN110909711B (zh) * | 2019-12-03 | 2022-08-02 | 阿波罗智能技术(北京)有限公司 | 检测车道线位置变化的方法、装置、电子设备和存储介质 |
CN110920624B (zh) * | 2019-12-09 | 2020-12-22 | 广东飞达交通工程有限公司 | 一种基于车辆组网的道路拥堵实时预测方法、设备和系统 |
CN111179608A (zh) * | 2019-12-25 | 2020-05-19 | 广州方纬智慧大脑研究开发有限公司 | 一种路口溢出检测方法、系统及存储介质 |
CN111341107A (zh) * | 2020-05-18 | 2020-06-26 | 成都信息工程大学 | 一种基于云平台数据的共享式交通控制方法 |
CN112329387B (zh) * | 2020-11-03 | 2024-03-05 | 新奥数能科技有限公司 | 一种公式模板配置方法及装置 |
CN113343785A (zh) * | 2021-05-19 | 2021-09-03 | 山东大学 | 一种基于透视降采样的yolo地面标志检测方法、设备及存储介质 |
CN113570882B (zh) * | 2021-07-09 | 2023-04-25 | 宁波一川交通科技有限公司 | 一种预防交叉路口堵塞的信号控制方法 |
CN115965926B (zh) * | 2023-03-16 | 2023-06-02 | 四川京炜数字科技有限公司 | 一种车载式道路标志标线巡检系统 |
CN116386344B (zh) * | 2023-06-07 | 2023-08-25 | 江苏群力技术有限公司 | 一种基于摄像头模组的道路交通监控系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6188778B1 (en) * | 1997-01-09 | 2001-02-13 | Sumitomo Electric Industries, Ltd. | Traffic congestion measuring method and apparatus and image processing method and apparatus |
CN101118648A (zh) * | 2007-05-22 | 2008-02-06 | 南京大学 | 交通监视环境下的路况摄像机标定方法 |
CN101710448A (zh) * | 2009-12-29 | 2010-05-19 | 浙江工业大学 | 基于全方位计算机视觉的道路交通状态检测装置 |
CN102136194A (zh) * | 2011-03-22 | 2011-07-27 | 浙江工业大学 | 基于全景计算机视觉的道路交通状态检测装置 |
CN102867415A (zh) * | 2012-09-12 | 2013-01-09 | 重庆大学 | 基于视频检测技术的道路拥堵判别方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2005004426A (ja) * | 2003-06-11 | 2005-01-06 | Toshiba Corp | 自動交通量計測装置、および自動交通量計測システム |
JP3742410B2 (ja) * | 2003-07-24 | 2006-02-01 | 富士通株式会社 | 移動物体の交通流監視システム |
-
2014
- 2014-04-04 CN CN201410135976.XA patent/CN103985250B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6188778B1 (en) * | 1997-01-09 | 2001-02-13 | Sumitomo Electric Industries, Ltd. | Traffic congestion measuring method and apparatus and image processing method and apparatus |
CN101118648A (zh) * | 2007-05-22 | 2008-02-06 | 南京大学 | 交通监视环境下的路况摄像机标定方法 |
CN101710448A (zh) * | 2009-12-29 | 2010-05-19 | 浙江工业大学 | 基于全方位计算机视觉的道路交通状态检测装置 |
CN102136194A (zh) * | 2011-03-22 | 2011-07-27 | 浙江工业大学 | 基于全景计算机视觉的道路交通状态检测装置 |
CN102867415A (zh) * | 2012-09-12 | 2013-01-09 | 重庆大学 | 基于视频检测技术的道路拥堵判别方法 |
Non-Patent Citations (2)
Title |
---|
基于图像的交通拥堵状态识别系统的实现;李佳 等;《计算机工程与设计》;20110416;第32卷(第4期);第1366-1369页 * |
基于机器视觉的道路拥堵状态检测的研究;黄磊磊 等;《小微型计算机系统》;20140131;第35卷(第1期);第148-153页 * |
Also Published As
Publication number | Publication date |
---|---|
CN103985250A (zh) | 2014-08-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103985250B (zh) | 轻量级的全息道路交通状态视觉检测装置 | |
CN101710448B (zh) | 基于全方位计算机视觉的道路交通状态检测装置 | |
CN106652483B (zh) | 利用检测设备在区域公路网布设交通信息检测点的方法 | |
CN109544932B (zh) | 一种基于出租车gps数据与卡口数据融合的城市路网流量估计方法 | |
CN102136194B (zh) | 基于全景计算机视觉的道路交通状态检测装置 | |
CN109448367B (zh) | 一种基于大数据图像采集的智能道路交通追踪管理系统 | |
CN103345815B (zh) | 城市暴雨洪水监测与交通控导系统及方法 | |
CN104732075B (zh) | 一种城市道路交通事故风险实时预测方法 | |
CN102142197B (zh) | 基于全方位计算机视觉的智能交通信号灯控制装置 | |
CN104464295B (zh) | 一种基于视频的高架入口匝道智能限行方法 | |
KR101385057B1 (ko) | Its 데이터를 활용한 도심 구간의 정체도 예측 방법 | |
CN103839415B (zh) | 基于路面图像特征识别的交通流量和占有率信息获取方法 | |
CN105513354A (zh) | 基于视频的城市道路交通拥堵检测系统 | |
CN109272756A (zh) | 一种信控交叉口排队长度估计方法 | |
CN109509369B (zh) | 智能车位监测方法及其监测系统、城市综合智能交通系统 | |
CN101571997A (zh) | 多源交通信息融合处理方法及其装置 | |
CN105513362B (zh) | 一种公交站台毗邻区公交车运行状态评价验证方法 | |
CN103456172A (zh) | 一种基于视频的交通参数测量方法 | |
CN103700261A (zh) | 一种基于视频的道路交通流特征参数监测及交通综合信息服务系统 | |
CN109446920A (zh) | 基于卷积神经网络的城市轨道交通乘客拥挤程度检测方法 | |
CN106845768A (zh) | 基于生存分析参数分布的公交车旅行时间模型构建方法 | |
CN105206057A (zh) | 基于浮动车居民出行热点区域的检测方法及系统 | |
CN107885795A (zh) | 一种卡口数据的数据校验方法、系统和装置 | |
CN109887283A (zh) | 一种基于卡口数据的道路拥堵预测方法、系统及装置 | |
CN103236162A (zh) | 一种基于视频分析的信号交叉口通行能力分析方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant |