CN105336169B - 一种基于视频判断交通拥堵的方法和系统 - Google Patents
一种基于视频判断交通拥堵的方法和系统 Download PDFInfo
- Publication number
- CN105336169B CN105336169B CN201510904467.3A CN201510904467A CN105336169B CN 105336169 B CN105336169 B CN 105336169B CN 201510904467 A CN201510904467 A CN 201510904467A CN 105336169 B CN105336169 B CN 105336169B
- Authority
- CN
- China
- Prior art keywords
- frame
- characteristic point
- adjacent
- speed
- thr
- 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
Classifications
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
- G06V10/462—Salient features, e.g. scale invariant feature transforms [SIFT]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/08—Detecting or categorising vehicles
Abstract
本发明公开了一种基于视频判断交通拥堵的方法和系统,对视频定时抽取图像,并对每帧图像提取特征点,利用特征点的位移差计算车速,并可以根据特征点计算排队长度,通过车速、排队长度与设定阈值的关系判断交通拥堵情况。由于特征点在任意情况下都能提取,不受运动物体的影响,不受环境干扰,例如,在阴影,雨天,黄昏,各种环境对特征点的数目、特征点的定位都没有影响,本发明交通拥堵判断的准确性大大提高。而且本发明还可以通过控制特征点的数目来控制程序的耗时,一般情况下,使用特征点检测可以比背景前景的方法减少一半的耗时。因而,本发明判断交通拥堵的方法的即时性、实时性和准确率都大大提高。
Description
技术领域
本发明涉及一种视频检测和图像识别技术领域,具体地说,是涉及一种基于视频判断交通拥堵的方法和系统。
背景技术
随着交通拥堵情况的日益严重,及时正确地进行道路交通拥堵判别是采取合理预警措施、主动避免交通拥堵的前提,同时也可以为公众出行及城市交通调度提供参考,时提高道路通行能力的有效手段。
视频监控资源已经日益广泛地应用在交通领域,因而,通过视频检测技术判断道路交通拥堵情况更具优势。
现有基于视频判断交通拥堵的方法一般采用连通域分析,从前景信息中提取连通域,利用连通域的距离和面积信息进行车辆识别,然后跟踪车辆目标,得到车辆的速度。当车辆速度大于速度阈值时认为是畅通,当车辆速度小于速度阈值时认为是拥堵。
或者,利用前景信息计算平均道路占有率和时间占有率,同时认为前景目标就是车辆目标。根据平均道路占有率和时间占有率,按照建立的道路交通拥堵判别准则判断当前道路的拥堵情况。
上述两种方法采用的技术都是基于背景建模和前景提取,在分析道路拥堵时,背景是道路和周围的环境,前景是道路上行驶车辆。提取背景时需要在场景中没有运动目标出现时获取。而现有背景建模和前景提取的方法, 在道路上车流量一直较大的情况,是不能进行背景建模的,如果背景模型没有建好,就不能提取前景,从而识别出车辆,获取车辆速度,车辆空间占有率等信息,所以如果采用上述方案,程序启动后可能会有很长一段时间不能输出正确的结果,对拥堵检测的影响很大。总之,上述方案非常依赖背景建模,背景建模的好坏直接影响拥堵检测的准确率。并且,在判断拥堵时只根据速度或者占有率,判断结构非常简单, 一旦速度或占用率判断有误,又没有其它的数据支撑,很容易导致拥堵误判断,这会导致上述方法的鲁棒性不好。
现有的视频拥堵检测方法,需要背景建模,不仅非常耗时,而且容易受到天气、光照、阴影及杂乱背景干扰等的影响,使运动目标的检测与分割变得相当困难。例如,当路面有大片树荫时,如果背景提取不好,或者更新不及时,就会将树荫也当做运动目标,影响交通拥堵判断的准确率。
发明内容
本发明提供了一种基于视频判断交通拥堵的方法,解决了现有视频判断交通拥堵的方法存在不能即时实现背景建模和前景提取导致长时间不能输出交通拥堵情况以及交通拥堵情况误判率高的技术问题。
为了解决上述技术问题,本发明采用以下技术方案予以实现:
一种基于视频判断交通拥堵的方法,所述方法如下:
获取视频数据,对视频数据每隔时间t抽取一帧图像,根据检测车道确定图像检测区域;
在图像检测区域内提取车辆特征点,对特征点进行描述;
根据特征点的描述分别对相邻两帧图像的特征点进行匹配;
若相邻两帧图像没有匹配的特征点,确定后一帧图像为顺畅帧;
若相邻两帧图像有匹配的特征点,提取匹配的特征点;根据相邻两帧图像的匹配的特征点计算车速v;计算相邻两帧图像的匹配的特征点的位移差,提取位移差小于位移差阈值Y_Thr的特征点作为目标特征点;获取相邻两帧图像的后一帧图像的检测区域内的最远目标特征点和最近目标特征点,根据最远目标特征点和最近目标特征点之间的位移差计算后一帧图像的排队长度;若相邻两帧图像的匹配的特征点的位移差均大于位移差阈值Y_Thr,则后一帧图像的排队长度为0;
根据后一帧图像的排队长度与长度设定阈值L_Thr的关系、相邻两帧图像计算的车速v与速度设定阈值V_Thr的关系确定后一帧图像为顺畅帧或拥堵帧或缓慢帧;
根据顺畅帧、拥堵帧或缓慢帧的帧数判断视频数据的交通拥堵情况。
如上所述的基于视频判断交通拥堵的方法,确定相邻两帧图像的后一帧图像为顺畅帧或拥堵帧或缓慢帧的方法为:
若后一帧图像的排队长度<长度设定阈值L_Thr的1/2,计为顺畅帧;
若后一帧图像的排队长度>长度设定阈值L_Thr且相邻两帧图像计算的车速v<速度设定阈值V_Thr,计为拥堵帧;
若后一帧图像的排队长度大于长度设定阈值L_Thr的1/2且排队长度小于等于长度设定阈值L_Thr且相邻两帧图像计算的车速v=0,计为拥堵帧;
其他情况计为缓慢帧。
如上所述的基于视频判断交通拥堵的方法,若相邻两帧图像有匹配的特征点时,所述方法还包括计算相邻两帧图像的后一帧图像的检测区域内的目标特征点的空间占有率;根据后一帧图像的排队长度与长度设定阈值L_Thr的关系、相邻两帧图像计算的车速v与速度设定阈值V_Thr的关系和后一帧图像的空间占有率与占有率设定阈值O_Thr的关系确定后一帧图像为顺畅帧或拥堵帧或缓慢帧。
如上所述的基于视频判断交通拥堵的方法,所述计算相邻两帧图像的后一帧图像的检测区域内的目标特征点的空间占有率:空间占有率=目标特征点个数/检测区域的所有像素点个数;或者,将目标特征点投影至车辆行驶方向的轴线上,空间占有率=目标特征点的投影个数/车辆行驶方向的轴线在检测区域内的像素点个数。
如上所述的基于视频判断交通拥堵的方法,确定相邻两帧图像的后一帧图像为顺畅帧或拥堵帧或缓慢帧的方法为:
若后一帧图像的排队长度<长度设定阈值L_Thr且空间占有率<第一占有率设定阈值O_Thr1,计为顺畅帧;
若后一帧图像的排队长度>长度设定阈值L_Thr且空间占有率≥第二占有率设定阈值O_Thr2,计为拥堵帧;
若后一帧图像的长度设定阈值L_Thr的1/2<排队长度≤长度设定阈值L_Thr且空间占有率≥第二占有率设定阈值O_Thr2且相邻两帧图像计算的车速v=0,计为拥堵帧;
其他情况计为缓慢帧。
如上所述的基于视频判断交通拥堵的方法,计算排队长度时,需要判断排队长度的真伪,排队长度为真时,排队长度=最远目标特征点和最近目标特征点之间的位移差;排队长度为伪时,排队长度=0;判断排队长度真伪的方法为:将检测区域在车辆行驶方向上分为若干子区域,判断若干子区域是否均有目标特征点,若没有目标特征点的子区域的数量大于有效特征点数阈值,则判断排队长度为伪,否则,排队长度为真。
如上所述的基于视频判断交通拥堵的方法,根据相邻两帧图像的匹配的特征点计算车速v的方法为:将检测区域在车辆行驶方向上分为至少两个检测子区域,判断检测子区域内是否有匹配的特征点,若没有,车速v=最大车速;若有,计算检测子区域内匹配的特征点的中心点,计算相邻两帧图像检测子区域的中心点的位移差,检测子区域的车速vi=位移差i/t,车速v根据车速vi获得。
如上所述的基于视频判断交通拥堵的方法,根据顺畅帧、拥堵帧或缓慢帧的帧数判断视频数据的交通拥堵情况的方法为:
若顺畅帧数大于设定帧阈值A,判断交通拥堵情况为顺畅;若拥堵帧数大于设定帧阈值B,判断交通拥堵情况为拥堵;若缓慢帧数大于设定帧阈值C,判断交通拥堵情况为缓慢;若为其他情况,判断交通拥堵情况为计数最多的状态。
一种基于视频判断交通拥堵的系统,所述系统包括:
图像获取模块,用于获取视频数据,对视频数据每间隔时间t抽取一帧图像,根据检测车道确定图像检测区域;
特征点获取模块,用于在图像检测区域内提取车辆特征点,对特征点进行描述;
特征点匹配模块,用于根据特征点的描述分别对相邻两帧图像的特征点进行匹配,判断是否有匹配的特征点,若没有匹配的特征点,确定后一帧图像为顺畅帧;若有,提取匹配的特征点;
车速计算模块,根据相邻两帧图像匹配的特征点计算车速v;
排队长度计算模块,计算相邻两帧图像的匹配的特征点的位移差,提取位移差小于位移差阈值Y_Thr的特征点作为目标特征点;获取相邻两帧图像的后一帧图像的检测区域内的最远目标特征点和最近目标特征点,根据最远目标特征点和最近目标特征点之间的位移差计算后一帧图像的排队长度;若相邻两帧图像的匹配的特征点的位移差均大于位移差阈值Y_Thr,则后一帧图像的排队长度=0;
图像状态判断模块, 用于根据后一帧图像的排队长度与长度设定阈值L_Thr的关系、相邻两帧图像计算的车速v与速度设定阈值V_Thr的关系确定后一帧图像为顺畅帧或拥堵帧或缓慢帧;
交通拥堵情况判断模块,用于根据顺畅帧、拥堵帧或缓慢帧的帧数判断视频数据的交通拥堵情况。
如上所述的基于视频判断交通拥堵的系统,所述系统包括目标特征点空间占有率计算模块,用于计算目标特征点空间占有率;
图像状态判断模块, 用于根据后一帧图像的排队长度与长度设定阈值L_Thr的关系、相邻两帧图像计算的车速v与速度设定阈值V_Thr的关系和后一帧图像的空间占有率与占有率设定阈值O_Thr的关系确定后一帧图像为顺畅帧或拥堵帧或缓慢帧。
与现有技术相比,本发明的优点和积极效果是:本发明对视频定时抽取图像,并对每帧图像提取特征点,利用特征点的位移差计算车速,并可以根据特征点计算排队长度,通过车速、排队长度与设定阈值的关系判断交通拥堵情况。由于特征点在任意情况下都能提取,不受运动物体的影响,不受环境干扰,例如,在阴影,雨天,黄昏,各种环境对特征点的数目、特征点的定位都没有影响,本发明交通拥堵判断的准确性大大提高。而且本发明还可以通过控制特征点的数目来控制程序的耗时,一般情况下,使用特征点检测可以比背景前景的方法减少一半的耗时。因而,本发明判断交通拥堵的方法的即时性、实时性和准确率都大大提高。
结合附图阅读本发明实施方式的详细描述后,本发明的其他特点和优点将变得更加清楚。
附图说明
图1是本发明具体实施例1相邻两帧图像的示意图。
图2是本发明具体实施例1相邻两帧图像确定图像检测区域的示意图。
图3是本发明具体实施例1相邻两帧图像提取的特征点的示意图。
图4是其中一个特征点的示意图。
图5是本发明具体实施例1相邻两帧图像的特征点对应关系的示意图。
图6是本发明具体实施例1相邻两帧图像提取匹配的特征点的示意图。
图7是本发明具体实施例1计算车速v时两帧图像的检测子区域内的匹配的特征点及中心点的示意图。
图8是本发明具体实施例1相邻两帧图像的后一帧图像提取目标特征点的示意图。
图9是本发明具体实施例1判断排队长度的真伪时的目标特征点的示意图。
图10是本发明具体实施例1判断交通拥堵情况的流程图。
图11是本发明具体实施例2判断交通拥堵情况的流程图。
具体实施方式
下面结合附图对本发明的具体实施方式作进一步详细地说明:
实施例1
本实施例所述的位移差均是指车辆行驶方向上的距离差值。
一种基于视频判断交通拥堵的方法,对视频数据进行定时抽帧,获得若干帧图像,每帧图像均根据检测车道确定相同的图像检测区域;对图像检测区域内的车辆提取特征点,对特征点进行描述;对相邻两帧图像的特征点进行匹配,根据匹配结果计算车速和后一帧图像的排队长度;根据后一帧图像的排队长度与长度设定阈值L_Thr的关系、相邻两帧图像计算的车速v与速度设定阈值V_Thr的关系确定后一帧图像为顺畅帧或拥堵帧或缓慢帧;根据顺畅帧、拥堵帧或缓慢帧的帧数判断视频数据的交通拥堵情况。
具体的,获取视频数据,对视频数据每隔时间t抽取一帧图像,如图1所示,为抽取的相邻两帧图像的示意图。根据检测车道确定图像检测区域,本实施例以第二车道为例进行说明,确定第二车道的图像检测区域,相邻两帧图像确定的图像检测区域如图2所示。其中,视频数据抽取的所有图像的图像检测区域相同。
在图像检测区域内提取车辆特征点(图中“.”即表示特征点),相邻两帧图像提取的特征点的示意图如图3所示。
其中,特征点为车辆上容易识别的像素点,比如纹理丰富的边缘点。例如,将特征点定义为在像素点的周围邻域内有足够多的像素点与该点处于不同的区域。在灰度图像中,即有足够多的像素点的灰度值大于该点的灰度值或者小于该点的灰度值。如图4所示,考虑p点附近半径为3的圆环上的16个点,若其中有连续的12个点的灰度值与p点的灰度值差别超过某一阈值,则可以认为p点为特征点。
对特征点进行描述,可以用数学上的特征进行描述,例如,BRISK特征、Freak特征、梯度直方图,局部随机二值特征等。
根据特征点的描述分别对相邻两帧图像的特征点进行匹配,判断特征点在相邻两帧图像中的对应关系。常用方法可以采用flann,hamming等。
若相邻两帧图像没有匹配的特征点,确定后一帧图像为顺畅帧。在程序中可以直接计为顺畅帧,再继续下一相邻两帧图像的处理。当然,也可以令车速v=顺畅车速,后一帧图像的排队长度=0;再根据后一帧图像的排队长度与长度设定阈值L_Thr的关系、相邻两帧图像计算的车速v与速度设定阈值V_Thr的关系确定后一帧图像为顺畅帧。
若相邻两帧图像有匹配的特征点,特征点在相邻两帧图像中的对应关系如图5所示。提取匹配的特征点,如图6所示。
根据相邻两帧图像的匹配的特征点计算车速v。车速v= 位移差/时间,时间即相邻两帧图像之间的时间差t。由于位移差并不是实际距离,实际距离可以通过相邻两帧图像的匹配的特征点的像素距离得到位移差获得,可以通过标定把像素距离转变为实际距离,标定方法比较多,有十字标定法,网格线标定法等。实际车速=实际距离/时间。
如果对每个匹配的特征点均计算位移差,在计算车速存在计算麻烦耗时较长的问题,因而,本实施例优选采用如下方案:
将检测区域在车辆行驶方向上分为至少两个检测子区域。如图7所示,本实施例以3个检测子区域为例进行说明:定义3个检测子区域从上到下依次为第一检测子区域、第二检测子区域、第三检测子区域。
判断检测子区域内是否有匹配的特征点,若没有,车速v=最大车速。若有,计算检测子区域内匹配的特征点的中心点,计算相邻两帧图像的中心点的位移差,车速v=位移差/t。本实施例图6中三个检测子区域中均存在匹配的特征点,分别对每个子区域中匹配的特征点计算中心点(图7中“。”即表示中心点),计算第一检测子区域的中心点的位移差为y1,第二检测子区域的中心点的位移差为y2,第三检测子区域的中心点的位移差为y3。因而,可以计算出三个车速v1=y1/t,v2=y2/t,v3=y3/t,车速v可以通过上述三个车速获得,例如通过求平均值的方法获得,当然车速v的计算并不限定于上述方法。
计算相邻两帧图像的匹配的特征点的位移差,提取位移差小于位移差阈值Y_Thr的特征点作为目标特征点。获取相邻两帧图像的后一帧图像的检测区域内的最远目标特征点和最近目标特征点,根据最远目标特征点和最近目标特征点之间的位移差计算排队长度y,如图8所示。若相邻两帧图像的匹配的特征点的位移差均大于位移差阈值Y_Thr,则后一帧图像的排队长度=0。
为了提高检测精度,计算排队长度时,需要进一步判断排队长度的真伪,排队长度为真时,排队长度=最远目标特征点和最近目标特征点之间的位移差y;排队长度为伪时,排队长度=0。
判断排队长度真伪的方法为:将相邻两帧图像的后一帧图像的检测区域在车辆行驶方向上分为若干子区域,如图9所示,判断若干子区域是否均有目标特征点,若没有目标特征点的子区域的数量大于有效特征点数阈值,则判断排队长度为伪,否则,排队长度为真。图9中没有目标特征点的子区域的数量小于设定阈值,因而,排队长度y为真。
在获得相邻两帧图像计算的车速和后一帧图像的排队长度后,根据后一帧图像的排队长度与长度设定阈值L_Thr的关系、相邻两帧图像计算的车速v与速度设定阈值V_Thr的关系确定后一帧图像为顺畅帧或拥堵帧或缓慢帧。根据顺畅帧、拥堵帧或缓慢帧的帧数判断视频数据的交通拥堵情况。
具体判断方法如图10所示:
在相邻两帧图像的速度、后一帧图像的排队长度计算完毕后,
若后一帧图像的排队长度<长度设定阈值L_Thr的1/2,计为顺畅帧,即顺畅帧计数加1;
若后一帧图像的排队长度>长度设定阈值L_Thr且相邻两帧图像计算的车速v<速度设定阈值V_Thr,计为拥堵帧,即拥堵帧计数加1;
若后一帧图像的排队长度大于长度设定阈值L_Thr的1/2且排队长度小于等于长度设定阈值L_Thr且相邻两帧图像计算的车速v=0,计为拥堵帧,即拥堵帧计数加1;
其他情况计为缓慢帧,即缓慢帧计数加1。
若顺畅帧数大于设定帧阈值A,判断交通拥堵情况为顺畅并且将所有计数清零,输出状态为顺畅;若拥堵帧数大于设定帧阈值B,判断交通拥堵情况为拥堵并且将所有计数清零,输出状态为拥堵;若缓慢帧数大于设定帧阈值C,判断交通拥堵情况为缓慢并且将所有计数清零,输出状态为缓慢;若为其他情况,则选择计数最多的状态并且所有计数清零,输出计数最多的状态。
其中,设定帧阈值A、设定帧阈值B、设定帧阈值C可以为相同的值或不同的值。本实施例还提出了一种基于视频判断交通拥堵的系统,包括:
图像获取模块,用于获取视频数据,对视频数据每间隔时间t抽取一帧图像,根据检测车道确定图像检测区域。
特征点获取模块,用于在图像检测区域内提取车辆特征点,对特征点进行描述。
特征点匹配模块,用于根据特征点的描述分别对相邻两帧图像的特征点进行匹配,判断是否有匹配的特征点,若没有匹配的特征点,确定后一帧图像为顺畅帧;若有,提取匹配的特征点。
车速计算模块,根据相邻两帧图像的匹配的特征点计算车速v;计算车速v的方法如上所述,此处不再赘述。
排队长度计算模块,计算相邻两帧图像的匹配的特征点的位移差,提取位移差小于位移差阈值Y_Thr的特征点作为目标特征点;获取相邻两帧图像的后一帧图像的检测区域内的最远目标特征点和最近目标特征点,根据最远目标特征点和最近目标特征点之间的位移差计算排队长度;计算排队长度的方法如上所述,此处不再赘述。若相邻两帧图像的匹配的特征点的位移差均大于位移差阈值Y_Thr,则后一帧图像的排队长度=0。
图像状态判断模块,用于根据后一帧图像的排队长度与长度设定阈值L_Thr的关系、相邻两帧图像计算的车速v与速度设定阈值V_Thr的关系确定后一帧图像为顺畅帧或拥堵帧或缓慢帧;判断方法如上所述,此处不再赘述。
交通拥堵情况判断模块,用于根据顺畅帧、拥堵帧或缓慢帧的帧数判断视频数据的交通拥堵情况,判断方法如上所述,此处不再赘述。
实施例2
本实施例与实施例1的区别在于,本实施例基于视频判断交通拥堵的方法还包括计算相邻两帧图像的后一帧图像的检测区域内的目标特征点的空间占有率。
具体的,获取相邻两帧图像的目标特征点后,计算相邻两帧图像的后一帧图像的检测区域内的目标特征点的空间占有率,目标特征点的空间占有率有两种计算方法:
1、统计检测区域内目标特征点个数和检测区域内所有像素点个数,空间占有率=目标特征点个数/检测区域的所有像素点个数。
2、将目标特征点投影至车辆行驶方向的轴线上,统计目标特征点的投影个数以及车辆行驶方向的轴线在检测区域内的像素点个数,空间占有率=目标特征点的投影个数/车辆行驶方向的轴线在检测区域内的像素点个数。
其中,相邻两帧图像计算的车速和后一帧图像的排队长度的计算方法与实施例1相同,此处不再赘述。
在获得相邻两帧图像计算的车速和后一帧图像的排队长度后,根据后一帧图像的排队长度与长度设定阈值L_Thr的关系、相邻两帧图像计算的车速v与速度设定阈值V_Thr的关系和后一帧图像的空间占有率与占有率设定阈值O_Thr的关系确定后一帧图像为顺畅帧或拥堵帧或缓慢帧。根据顺畅帧、拥堵帧或缓慢帧的帧数判断视频数据的交通拥堵情况。
具体判断方法如图11所示:
在相邻两帧图像的速度、后一帧图像的排队长度、占有率计算完毕后,
若后一帧图像的排队长度<长度设定阈值L_Thr且空间占有率<第一占有率设定阈值O_Thr1,计为顺畅帧,即顺畅帧计数加1;本实施例的第一占有率设定阈值O_Thr1为20%;
若后一帧图像的排队长度>长度设定阈值L_Thr且空间占有率≥第二占有率设定阈值O_Thr2,计为拥堵帧,即拥堵帧计数加1;第二占有率设定阈值O_Thr2大于第一占有率设定阈值O_Thr1,本实施例的第二占有率设定阈值O_Thr2为40%;
若后一帧图像的长度设定阈值L_Thr的1/2<排队长度≤长度设定阈值L_Thr且空间占有率≥第二占有率设定阈值O_Thr2且相邻两帧图像计算的车速v=0,计为拥堵帧,即拥堵帧计数加1;
其他情况计为缓慢帧,即缓慢帧计数加1。
若顺畅帧数大于设定帧阈值A,判断交通拥堵情况为顺畅并且将所有计数清零,输出状态为顺畅;若拥堵帧数大于设定帧阈值B,判断交通拥堵情况为拥堵并且将所有计数清零,输出状态为拥堵;若缓慢帧数大于设定帧阈值C,判断交通拥堵情况为缓慢并且将所有计数清零,输出状态为缓慢;若为其他情况,则选择计数最多的那个状态并且所有计数清零,输出计数最多的状态。
其中,设定帧阈值A、设定帧阈值B、设定帧阈值C可以为相同的值或不同的值。
本实施例还提出了一种基于视频判断交通拥堵的系统,包括:
图像获取模块,用于获取视频数据,对视频数据每间隔时间t抽取一帧图像,根据检测车道确定图像检测区域。
特征点获取模块,用于在图像检测区域内提取车辆特征点,对特征点进行描述。
特征点匹配模块,用于根据特征点的描述分别对相邻两帧图像的特征点进行匹配,判断是否有匹配的特征点,若没有匹配的特征点,确定后一帧图像为顺畅帧;若有,提取匹配的特征点。
车速计算模块,根据相邻两帧图像的匹配的特征点计算车速v;计算车速v的方法如实施例1所述,此处不再赘述。
排队长度计算模块,计算相邻两帧图像的匹配的特征点的位移差,提取位移差小于位移差阈值Y_Thr的特征点作为目标特征点;获取相邻两帧图像的后一帧图像的检测区域内的最远目标特征点和最近目标特征点,根据最远目标特征点和最近目标特征点之间的位移差计算排队长度;计算排队长度的方法如实施例1所述,此处不再赘述。若相邻两帧图像的匹配的特征点的位移差均大于位移差阈值Y_Thr,则后一帧图像的排队长度=0。
目标特征点空间占有率计算模块,用于计算目标特征点空间占有率; 计算空间占有率的方法如上所述,此处不再赘述。
图像状态判断模块, 用于根据后一帧图像的排队长度与长度设定阈值L_Thr的关系、相邻两帧图像计算的车速v与速度设定阈值V_Thr的关系和后一帧图像的空间占有率与占有率设定阈值O_Thr的关系确定后一帧图像为顺畅帧或拥堵帧或缓慢帧;判断方法如上所述,此处不再赘述。
交通拥堵情况判断模块,用于根据顺畅帧、拥堵帧或缓慢帧的帧数判断视频数据的交通拥堵情况,判断方法如上所述,此处不再赘述。
当然,上述说明并非是对本发明的限制,本发明也并不仅限于上述举例,本技术领域的普通技术人员在本发明的实质范围内所做出的变化、改型、添加或替换,也应属于本发明的保护范围。
Claims (9)
1.一种基于视频判断交通拥堵的方法,其特征在于,所述方法如下:
获取视频数据,对视频数据每隔时间t抽取一帧图像,根据检测车道确定图像检测区域;
在图像检测区域内提取车辆特征点,对特征点进行描述;
根据特征点的描述分别对相邻两帧图像的特征点进行匹配;
若相邻两帧图像没有匹配的特征点,确定后一帧图像为顺畅帧;
若相邻两帧图像有匹配的特征点,提取匹配的特征点;根据相邻两帧图像的匹配的特征点计算车速v;计算相邻两帧图像的匹配的特征点的位移差,提取位移差小于位移差阈值Y_Thr的特征点作为目标特征点;获取相邻两帧图像的后一帧图像的检测区域内的最远目标特征点和最近目标特征点,根据最远目标特征点和最近目标特征点之间的位移差计算后一帧图像的排队长度;若相邻两帧图像的匹配的特征点的位移差均大于位移差阈值Y_Thr,则后一帧图像的排队长度为0;根据相邻两帧图像的匹配的特征点计算车速v的方法为:将检测区域在车辆行驶方向上分为至少两个检测子区域,判断检测子区域内是否有匹配的特征点,若没有,车速v=最大车速;若有,计算检测子区域内匹配的特征点的中心点,计算相邻两帧图像检测子区域的中心点的位移差,检测子区域的车速vi=位移差i/t,车速v根据车速vi获得;
根据后一帧图像的排队长度与长度设定阈值L_Thr的关系、相邻两帧图像计算的车速v与速度设定阈值V_Thr的关系确定后一帧图像为顺畅帧或拥堵帧或缓慢帧;
根据顺畅帧、拥堵帧或缓慢帧的帧数判断视频数据的交通拥堵情况。
2.根据权利要求1所述的基于视频判断交通拥堵的方法,其特征在于,确定相邻两帧图像的后一帧图像为顺畅帧或拥堵帧或缓慢帧的方法为:
若后一帧图像的排队长度<长度设定阈值L_Thr的1/2,计为顺畅帧;
若后一帧图像的排队长度>长度设定阈值L_Thr且相邻两帧图像计算的车速v<速度设定阈值V_Thr,计为拥堵帧;
若后一帧图像的排队长度大于长度设定阈值L_Thr的1/2且排队长度小于等于长度设定阈值L_Thr且相邻两帧图像计算的车速v=0,计为拥堵帧;
其他情况计为缓慢帧。
3.根据权利要求1所述的基于视频判断交通拥堵的方法,其特征在于,若相邻两帧图像有匹配的特征点时,所述方法还包括计算相邻两帧图像的后一帧图像的检测区域内的目标特征点的空间占有率;根据后一帧图像的排队长度与长度设定阈值L_Thr的关系、相邻两帧图像计算的车速v与速度设定阈值V_Thr的关系和后一帧图像的空间占有率与占有率设定阈值O_Thr的关系确定后一帧图像为顺畅帧或拥堵帧或缓慢帧。
4.根据权利要求3所述的基于视频判断交通拥堵的方法,其特征在于,所述计算相邻两帧图像的后一帧图像的检测区域内的目标特征点的空间占有率:空间占有率=目标特征点个数/检测区域的所有像素点个数;或者,将目标特征点投影至车辆行驶方向的轴线上,空间占有率=目标特征点的投影个数/车辆行驶方向的轴线在检测区域内的像素点个数。
5.根据权利要求3或4所述的基于视频判断交通拥堵的方法,其特征在于,确定相邻两帧图像的后一帧图像为顺畅帧或拥堵帧或缓慢帧的方法为:
若后一帧图像的排队长度<长度设定阈值L_Thr且空间占有率<第一占有率设定阈值O_Thr1,计为顺畅帧;
若后一帧图像的排队长度>长度设定阈值L_Thr且空间占有率≥第二占有率设定阈值O_Thr2,计为拥堵帧;
若后一帧图像的长度设定阈值L_Thr的1/2<排队长度≤长度设定阈值L_Thr且空间占有率≥第二占有率设定阈值O_Thr2且相邻两帧图像计算的车速v=0,计为拥堵帧;
其他情况计为缓慢帧。
6.根据权利要求1或3所述的基于视频判断交通拥堵的方法,其特征在于,计算排队长度时,需要判断排队长度的真伪,排队长度为真时,排队长度=最远目标特征点和最近目标特征点之间的位移差;排队长度为伪时,排队长度=0;判断排队长度真伪的方法为:将检测区域在车辆行驶方向上分为若干子区域,判断若干子区域是否均有目标特征点,若没有目标特征点的子区域的数量大于有效特征点数阈值,则判断排队长度为伪,否则,排队长度为真。
7.根据权利要求1或3所述的基于视频判断交通拥堵的方法,其特征在于,根据顺畅帧、拥堵帧或缓慢帧的帧数判断视频数据的交通拥堵情况的方法为:
若顺畅帧数大于设定帧阈值A,判断交通拥堵情况为顺畅;若拥堵帧数大于设定帧阈值B,判断交通拥堵情况为拥堵;若缓慢帧数大于设定帧阈值C,判断交通拥堵情况为缓慢;若为其他情况,判断交通拥堵情况为计数最多的状态。
8.一种基于视频判断交通拥堵的系统,其特征在于,所述系统包括:
图像获取模块,用于获取视频数据,对视频数据每间隔时间t抽取一帧图像,根据检测车道确定图像检测区域;
特征点获取模块,用于在图像检测区域内提取车辆特征点,对特征点进行描述;
特征点匹配模块,用于根据特征点的描述分别对相邻两帧图像的特征点进行匹配,判断是否有匹配的特征点,若没有匹配的特征点,确定后一帧图像为顺畅帧;若有,提取匹配的特征点;
车速计算模块,根据相邻两帧图像匹配的特征点计算车速v;所述车速计算模块用于将检测区域在车辆行驶方向上分为至少两个检测子区域,判断检测子区域内是否有匹配的特征点,若没有,车速v=最大车速;若有,计算检测子区域内匹配的特征点的中心点,计算相邻两帧图像检测子区域的中心点的位移差,检测子区域的车速vi=位移差i/t,车速v根据车速vi获得;
排队长度计算模块,计算相邻两帧图像的匹配的特征点的位移差,提取位移差小于位移差阈值Y_Thr的特征点作为目标特征点;获取相邻两帧图像的后一帧图像的检测区域内的最远目标特征点和最近目标特征点,根据最远目标特征点和最近目标特征点之间的位移差计算后一帧图像的排队长度;若相邻两帧图像的匹配的特征点的位移差均大于位移差阈值Y_Thr,则后一帧图像的排队长度=0;
图像状态判断模块, 用于根据后一帧图像的排队长度与长度设定阈值L_Thr的关系、相邻两帧图像计算的车速v与速度设定阈值V_Thr的关系确定后一帧图像为顺畅帧或拥堵帧或缓慢帧;
交通拥堵情况判断模块,用于根据顺畅帧、拥堵帧或缓慢帧的帧数判断视频数据的交通拥堵情况。
9.根据权利要求8所述的基于视频判断交通拥堵的系统,其特征在于,所述系统包括目标特征点空间占有率计算模块,用于计算目标特征点空间占有率;
图像状态判断模块, 用于根据后一帧图像的排队长度与长度设定阈值L_Thr的关系、相邻两帧图像计算的车速v与速度设定阈值V_Thr的关系和后一帧图像的空间占有率与占有率设定阈值O_Thr的关系确定后一帧图像为顺畅帧或拥堵帧或缓慢帧。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510904467.3A CN105336169B (zh) | 2015-12-09 | 2015-12-09 | 一种基于视频判断交通拥堵的方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510904467.3A CN105336169B (zh) | 2015-12-09 | 2015-12-09 | 一种基于视频判断交通拥堵的方法和系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105336169A CN105336169A (zh) | 2016-02-17 |
CN105336169B true CN105336169B (zh) | 2018-06-26 |
Family
ID=55286664
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510904467.3A Active CN105336169B (zh) | 2015-12-09 | 2015-12-09 | 一种基于视频判断交通拥堵的方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105336169B (zh) |
Families Citing this family (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107229932B (zh) * | 2016-03-25 | 2021-05-28 | 阿里巴巴集团控股有限公司 | 一种图像文本的识别方法和装置 |
CN110032916A (zh) * | 2018-01-12 | 2019-07-19 | 北京京东尚科信息技术有限公司 | 一种检测目标物体的方法和装置 |
CN108538062B (zh) * | 2018-05-30 | 2020-09-15 | 杭州天铂红外光电技术有限公司 | 用于检测车辆拥堵的方法 |
CN108682154B (zh) * | 2018-06-19 | 2021-03-16 | 上海理工大学 | 基于车流状态变化深度学习分析的道路拥堵检测系统 |
CN108847025A (zh) * | 2018-08-28 | 2018-11-20 | 电子科技大学 | 一种交通拥堵判定方法 |
CN110189548A (zh) * | 2019-07-05 | 2019-08-30 | 邹庆伟 | 一种路况预警方法、系统及设备 |
CN111353418A (zh) * | 2020-02-26 | 2020-06-30 | 北京赛特斯信息科技股份有限公司 | 基于积分制实现联合判定交通拥堵状态的处理方法 |
CN112329515B (zh) * | 2020-09-11 | 2024-03-29 | 博云视觉(北京)科技有限公司 | 一种高点视频监控拥堵事件检测方法 |
CN112669601B (zh) * | 2020-12-16 | 2022-04-15 | 阿波罗智联(北京)科技有限公司 | 交通溢流检测方法、装置、电子设备及路侧设备 |
CN115148018A (zh) * | 2021-03-31 | 2022-10-04 | 海信集团控股股份有限公司 | 交通事件检测设备及方法 |
CN113436256A (zh) * | 2021-06-07 | 2021-09-24 | 影石创新科技股份有限公司 | 拍摄装置状态识别方法、装置、计算机设备和存储介质 |
CN113593227B (zh) * | 2021-07-22 | 2022-06-10 | 青岛海信网络科技股份有限公司 | 交通拥堵检测方法及服务器 |
CN113823095B (zh) * | 2021-11-22 | 2022-05-03 | 浙江大华技术股份有限公司 | 交通状态的确定方法、装置、存储介质及电子装置 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6999004B2 (en) * | 2002-06-17 | 2006-02-14 | Siemens Corporate Research, Inc. | System and method for vehicle detection and tracking |
CN101833863B (zh) * | 2010-05-17 | 2013-09-11 | 瑞斯康达科技发展股份有限公司 | 车流速度检测方法及装置、交通信号灯控制方法及系统 |
CN102708688B (zh) * | 2012-06-08 | 2014-01-22 | 四川川大智胜软件股份有限公司 | 一种基于二级模糊综合判别的城市道路状态辨识方法 |
CN104392607B (zh) * | 2014-11-18 | 2016-12-07 | 青岛海信网络科技股份有限公司 | 一种交通状态判别方法及装置 |
-
2015
- 2015-12-09 CN CN201510904467.3A patent/CN105336169B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN105336169A (zh) | 2016-02-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105336169B (zh) | 一种基于视频判断交通拥堵的方法和系统 | |
JP7106664B2 (ja) | 知的運転制御方法および装置、電子機器、プログラムならびに媒体 | |
CN103778786B (zh) | 一种基于显著车辆部件模型的交通违章检测方法 | |
CN103366569B (zh) | 实时抓拍交通违章车辆的方法及系统 | |
US8184859B2 (en) | Road marking recognition apparatus and method | |
CN101458871B (zh) | 一种智能交通分析系统及其应用系统 | |
CN110379168B (zh) | 一种基于Mask R-CNN的交通车辆信息获取方法 | |
CN108320510A (zh) | 一种基于无人机航拍视频交通信息统计方法及系统 | |
Zhang et al. | Real-time traffic analysis using deep learning techniques and UAV based video | |
CN104599502A (zh) | 一种基于视频监控的车流量统计方法 | |
CN103310444B (zh) | 一种基于头顶摄像头的监控行人计数的方法 | |
CN107301776A (zh) | 基于视频检测技术的车道路况处理及发布方法 | |
CN102136196A (zh) | 一种基于图像特征的车辆测速方法 | |
CN103871079A (zh) | 基于机器学习和光流的车辆跟踪方法 | |
CN102819764A (zh) | 一种适用于交通路口复杂场景下的多视角人流量统计方法 | |
CN103049787A (zh) | 一种基于头肩特征的人数统计方法和系统 | |
CN105261034A (zh) | 一种高速公路上车流量的统计方法及装置 | |
CN106558224B (zh) | 一种基于计算机视觉的交通智能监管方法 | |
CN103714703A (zh) | 一种基于视频图像处理的车流检测算法 | |
CN105513349A (zh) | 基于双视角学习的山区高速公路车辆事件检测方法 | |
CN102915433A (zh) | 基于字符组合的车牌定位和识别方法 | |
CN102034240A (zh) | 一种静态前景检测和跟踪方法 | |
CN108171154A (zh) | 一种自动驾驶中目标检测与车道检测结合的方法 | |
JP2012160165A (ja) | ベースライン帯域ビデオ監視システムおよび方法 | |
EP2813973A1 (en) | Method and system for processing video image |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
CB03 | Change of inventor or designer information | ||
CB03 | Change of inventor or designer information |
Inventor after: Wei Nannan Inventor after: Liu Zihan Inventor after: Liang Jie Inventor after: Fu Wentao Inventor after: Wang Guangchao Inventor before: Wei Nannan Inventor before: Gao Hongbo Inventor before: Fu Wentao Inventor before: Wang Guangchao |
|
GR01 | Patent grant | ||
GR01 | Patent grant |