CN108847035A - 车流量评估方法及装置 - Google Patents

Abstract

本发明公开了一种车流量评估方法及装置，应用于交通技术领域。该方法包括：利用静态摄像单元获取包括目标检测路段的图像的视频图像序列。在该视频图像序列中的目标检测路段的图像上设置虚拟检测线，根据该虚拟检测线获取在各单位时间内经过该目标检测路段的车流量。根据模糊理论设置模糊车流量，并计算该车流量隶属于该模糊车流量的隶属值，根据该隶属值对该车流量进行评估。该车流量评估方法可提高车流量计算的准确性和车流量评估的效率。

Description

车流量评估方法及装置

技术领域

本发明涉及交通技术领域，尤其涉及一种车流量评估方法及装置。

背景技术

随着交通和视频监控技术的发展，基于视频监控的交通管理系统在交通管理中的应用越来越广泛。在诸多交通信息智能处理过程中，对于在车辆运动轨迹中断的情况下，车辆抛锚、道路拥堵、违章行驶和交通事故等交通异常行为的检测由于其在交通管理中越来越重要。其中，车流量的确定对于交通异常行为的检测存在很大影响。

然而由于交通场景复杂多变，交通监控视频易受光照、天气、遮挡等外界因素干扰，加之现有的图像处理与分析技术的限制，使得基于交通视频的车流量的计算不够准确以及车流量的评估效率较低。

发明内容

本发明实施例的主要目的在于提供一种车流量评估方法及装置，可提高车流量计算的准确性和车流量评估的效率。

本发明实施例第一方面提供了一种车流量评估方法，所述方法包括：利用静态摄像单元获取包括目标检测路段的图像的视频图像序列；在所述视频图像序列中的目标检测路段的图像上设置虚拟检测线，根据所述虚拟检测线获取在各单位时间内经过所述目标检测路段的车流量；根据模糊理论设置模糊车流量，并计算所述车流量隶属于所述模糊车流量的隶属值，根据所述隶属值对所述车流量进行评估。

本发明实施例第二方面提供了一种车流量评估装置，所述装置包括：获取单元，用于利用静态摄像单元获取包括目标检测路段的图像的视频图像序列；设置单元，用于在所述视频图像序列中的目标检测路段的图像上设置虚拟检测线，根据所述虚拟检测线获取在各单位时间内经过所述目标检测路段的车流量；评估单元，用于根据模糊理论设置模糊车流量，并计算所述车流量隶属于所述模糊车流量的隶属值，根据所述隶属值对所述车流量进行评估。

从上述实施例可知，首先通过设置虚拟检测线来获取经过目标检测路段的车流量，而有效避免了光照、天气和遮挡等外界因素的影响，提高了车流量计算的准确性。另外，通过采用模糊理论对车流量进行评估，得到车流量隶属于模糊车流量的隶属值，进而可直接对车流量进行评估，提高了评估车流量的效率。

附图说明

图1是本发明提供的第一实施例中的车流量评估方法的实现流程示意图；

图2是本发明提供的第一实施例中的车流量评估方法中的目标检测区域示意图；

图3是本发明提供的第二实施例中的车流量评估方法的实现流程示意图；

图4是本发明提供的第二实施例中的车流量评估方法的隶属度函数的示意图；

图5是本发明提供的第三实施例中的车流量评估装置的结构示意图。

具体实施方式

为使得本发明的发明目的、特征、优点能够更加的明显和易懂，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而非全部实施例。基于本发明中的实施例，本领域技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

请参阅图1，图1是本发明提供的第一实施例中的车流量评估方法的实现流程示意图。如图1所示，该方法主要包括以下步骤：

101、利用静态摄像单元获取包括目标检测路段的图像的视频图像序列。

具体的，为了获取目标检测路段的车流量，利用静态摄像单元获取包括目标检测路段的视频图像序列。其中，静态摄像单元可为目标检测路段上的监控摄像头。较佳的，目标检测路段为单向行驶的路段。视频图像序列的帧率可根据实际需要进行选取，示例性的，视频图像序列的帧率可为25帧/秒。

102、在该视频图像序列中的目标检测路段的图像上设置虚拟检测线，根据该虚拟检测线获取在各单位时间内经过该目标检测路段的车流量。

具体的，在每一帧视频图像中的目标检测路段的图像上设置虚拟检测线，若车辆行驶经过该虚拟检测线，则认为获取得到行驶经过该目标检测路段的车辆数。因此，在各单位时间内经过该虚拟检测线的车辆数的总数，为各单位时间内经过该目标检测路段的车流量。在实际应用中，通过分析在各单位时间内获取的多帧视频图像，在该多帧视频图像中设置相同的虚拟检测线，接着在该多帧视频图像中识别出经过虚拟检测线的车辆数，得到在该单位时间内经过该目标检测路段的车流量。

其中，利用静态摄像单元获取的单帧视频图像如图2所示，目标检测路段的图像为图2中的梯形阴影区域，可将该梯形阴影区域记为S，单帧视频图像的左上角设为坐标原点O，上侧边缘线为直角坐标系中的x轴，左侧边缘线为直角坐标系中的y轴，在该单帧视频图像中设置虚拟检测线L，虚拟检测线L穿过梯形阴影区域S并与坐标轴x轴平行。

103、根据模糊理论设置模糊车流量，并计算该车流量隶属于该模糊车流量的隶属值，根据该隶属值对该车流量进行评估。

具体的，由于衡量车流量的大小并没有一个明确的标准，因此根据模糊理论设置模糊车流量，并根据车流量隶属于模糊车流量的隶属值来对车流量进行评估。其中，模糊理论是指利用了模糊集合的基本概念或连续隶属度函数的理论，通过精确的数学手段对模糊概念和模糊现象进行描述和建模，以达到对其进行恰当处理的目的。

在本发明实施例中，首先通过设置虚拟检测线来获取经过目标检测路段的车流量，而有效避免了光照、天气和遮挡等外界因素的影响，提高了车流量计算的准确性。另外，通过采用模糊理论对车流量进行评估，得到车流量隶属于模糊车流量的隶属值，进而可直接对车流量进行评估，提高了评估车流量的效率。

参见图3，图3是本发明提供的第二实施例中的车流量评估方法的实现流程示意图。如图3所示，该方法主要包括以下步骤：

201、利用静态摄像单元获取包括目标检测路段的图像的视频图像序列。

202、在该视频图像序列中的目标检测路段的图像上设置虚拟检测线，该虚拟检测线垂直于该视频图像序列中的目标检测路段的图像的中心线。

具体的，目标检测路段的图像在单帧视频图像中为梯形区域，目标检测路段的图像中的车道线与梯形的平行边不平行，在视频图像序列的目标检测路段的图像上设置的虚拟检测线垂直于梯形的中心线，以使终端可同时检测各车道在同一时间段的车流量。

203、根据该虚拟检测线和基于混合高斯模型的背景减除法，得到该目标检测路段的各车道在各单位时间内的车辆计数结果。

具体的，背景减除法是从视频图像序列中检测出运动目标，而将背景去除的过程。在本实施例中，运动目标为行驶的车辆。由于背景中存在静态景象和动态景象，如道路和被风吹动的树叶，因此为了在视频图像序列中更好地检测出运动目标，采用高斯混合模型将背景进行去除。其中，混合高斯模型使用预设数量的高斯模型来表征当前帧的视频图像中各个像素点的特征，在获得新一帧视频图像后更新混合高斯模型，用当前图像中的每个像素点与混合高斯模型进行匹配，如果成功则判定该像素点为背景点，否则为运动目标点。

其中，在视频图像序列中，采用基于混合高斯模型的背景减除法获得运动目标后，若该运动目标行驶经过在视频图像序列中设置的虚拟检测线，则认为在该单位时间内获得在该车道的车辆计数结果。

204、根据该目标检测路段的各车道在各单位时间内的车辆计数结果，得到该目标检测路段在各单位时间内的车流量。

具体的，在得到每个车道在每个单位时间的车辆计数结果后，可对每个单位时间的全部车道的车辆计数结果进行求和，从而得到目标检测路段在各个单位时间内的车流量。

进一步地，通过以下公式，根据该目标检测路段的各车道在各单位时间内的车辆计数结果，得到该目标检测路段在各单位时间内的车流量：

式中，α_k表示该目标检测路段在第k个单位时间内的车流量，U_nk表示该目标检测路段的第n个车道在第k个单位时间内的车辆计数结果，n∈[1,N]，k∈[1,K]。

205、根据模糊理论设置模糊车流量，该模糊车流量包括三个模糊集合，三个该模糊集合分别对应车流量的三个状态，该车流量的三个状态分别为少、正常和多。

具体的，由于衡量车流量是少、正常还是多并没有明确的标准，因此根据模糊理论设置模糊车流量，模糊车流量可包括三个集合，分别为L、M、H，对应车流量的三个状态：少、正常和多。

206、根据拉依达准则和该车流量，得到该车流量隶属于各该模糊集合的隶属度函数。

具体的，拉依达准则是指先假设一组检测数据只含有随机误差，对其进行计算处理得到标准偏差，按照一定概率确定一个区间，认为凡超过这个区间的误差，就不属于随机误差而是粗大误差，含有该误差的数据予以剔除。接着，根据车流量和拉依达准则，得到该车流量隶属于各个模糊集合的隶属度函数。

其中，拉依达准则3σ可用如下公式进行表示：

进一步地，经过K个单位时间后，对车道建立正常交通的车流量高斯分布模型，并通过以下公式，根据拉依达准则和该车流量，得到该车流量隶属于各该模糊集合的隶属度函数：

式中，α_k表示该目标检测路段在第k个单位时间内的车流量，k∈[1,K]，μ表示α_k的数学期望值，σ²表示α_k的方差值，L、M、H为三个模糊集合，f_L(α_k)表示α_k隶属于L的隶属度函数，f_M(α_k)表示α_k隶属于M的隶属度函数，f_H(α_k)表示α_k隶属于H的隶属度函数。

207、根据该隶属度函数得到该车流量隶属于各该模糊集合的隶属值，根据该隶属值评估该车流量的状态为少、正常或多。

具体的，根据隶属度函数可以得到车流量隶属于各模糊集合的隶属值，进而说明车流量隶属于各模糊集合的程度，从而判断车流量的状态为少、正常或多。

结合图4和函数f_L(α_k)可知，f_L越大，说明α_k属于L的程度越大。当α_k<μ-2σ时，模糊车流量为L(少)。当α_k∈(μ-2σ,μ-σ)时，模糊车流量处于L(少)和M(正常)的临界状态。

结合图4和函数f_M(α_k)可知，f_M越大，说明α_k属M的程度越大。当α_k∈(μ-2σ,μ-σ)时，模糊车流量处于L(少)和M(正常)的临界状态。当α_k∈(μ-σ,μ+σ)时，模糊车流量为M(正常)。当α_k∈(μ+σ,μ+2σ)时，模糊车流量处于M(正常)和H(多)的临界状态。

结合图4和函数f_H(α_k)可知，f_H越大，说明α_k属H的程度越大。当α_k∈(μ+σ,μ+2σ)时，模糊车流量处于M(正常)和H(多)的临界状态。当α_k>μ+2σ时，模糊车流量为H(多)。

在本发明实施例中，首先通过设置虚拟检测线和基于混合高斯模型的背景减除法来获取经过目标检测路段的车流量，而有效避免了光照、天气和遮挡等外界因素的影响，提高了车流量计算的准确性。另外，通过采用模糊理论将模糊车流量划分为三个模糊集合，分别对应车流量的三个状态：少、正常和多，根据车流量隶属于模糊集合的隶属值，得到进而可直接评估车流量的状态为少、正常或多，提高了评估车流量的效率。

参照图5，图5是本发明提供的第三实施例中的车流量评估装置的结构示意图。如图5所示的装置，主要包括：

获取单元301，用于利用静态摄像单元获取包括目标检测路段的图像的视频图像序列。

设置单元302，用于在视频图像序列中的目标检测路段的图像上设置虚拟检测线，根据虚拟检测线获取在各单位时间内经过目标检测路段的车流量。

评估单元303，用于根据模糊理论设置模糊车流量，并计算车流量隶属于模糊车流量的隶属值，根据隶属值对车流量进行评估。

进一步地，设置单元302，还用于在视频图像序列中的目标检测路段的图像上设置虚拟检测线，虚拟检测线垂直于视频图像序列中的目标检测路段的图像的中心线。

设置单元302，还用于根据虚拟检测线和基于混合高斯模型的背景减除法，得到目标检测路段的各车道在各单位时间内的车辆计数结果。

设置单元302，还用于根据目标检测路段的各车道在各单位时间内的车辆计数结果，得到目标检测路段在各单位时间内的车流量。

进一步地，评估单元303，还用于根据模糊理论设置模糊车流量，模糊车流量包括三个模糊集合，三个模糊集合分别对应车流量的三个状态，车流量的三个状态分别为少、正常和多。

评估单元303，还用于根据拉依达准则和车流量，得到车流量隶属于各模糊集合的隶属度函数。

评估单元303，还用于根据隶属度函数得到车流量隶属于各模糊集合的隶属值，根据隶属值评估车流量的状态为少、正常或多。

进一步地，设置单元302，还用于通过以下公式，根据目标检测路段的各车道在各单位时间内的车辆计数结果，得到目标检测路段在各单位时间内的车流量：

式中，α_k表示目标检测路段在第k个单位时间内的车流量，U_nk表示目标检测路段的第n个车道在第k个单位时间内的车辆计数结果，n∈[1,N]，k∈[1,K]。

进一步地，评估单元303，还用于通过以下公式，根据拉依达准则和车流量，得到车流量隶属于各模糊集合的隶属度函数：

式中，α_k表示目标检测路段在第k个单位时间内的车流量，k∈[1,K]，μ表示α_k的数学期望值，σ²表示α_k的方差值，L、M、H为三个模糊集合，f_L(α_k)表示α_k隶属于L的隶属度函数，f_M(α_k)表示α_k隶属于M的隶属度函数，f_H(α_k)表示α_k隶属于H的隶属度函数。

在本发明实施例中，首先通过设置虚拟检测线和基于混合高斯模型的背景减除法来获取经过目标检测路段的车流量，而有效避免了光照、天气和遮挡等外界因素的影响，提高了车流量计算的准确性。另外，通过采用模糊理论将模糊车流量划分为三个模糊集合，分别对应车流量的三个状态：少、正常和多，根据车流量隶属于模糊集合的隶属值，得到进而可直接评估车流量的状态为少、正常或多，提高了评估车流量的效率。

在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。

以上为本发明所提供的车流量评估方法及装置的描述，对于本领域的一般技术人员，依据本发明实施例的思想，在具体实施方式及应用范围上均有改变之处，综上，本说明书内容不应理解为对本发明的限制。

Claims (10)

1.一种车流量评估方法，其特征在于，所述方法包括：

利用静态摄像单元获取包括目标检测路段的图像的视频图像序列；

在所述视频图像序列中的目标检测路段的图像上设置虚拟检测线，根据所述虚拟检测线获取在各单位时间内经过所述目标检测路段的车流量；

根据模糊理论设置模糊车流量，并计算所述车流量隶属于所述模糊车流量的隶属值，根据所述隶属值对所述车流量进行评估。

2.如权利要求1所述的车流量评估方法，其特征在于，所述在所述视频图像序列中的目标检测路段的图像上设置虚拟检测线，根据所述虚拟检测线获取在各单位时间内经过所述目标检测路段的车流量包括：

在所述视频图像序列中的目标检测路段的图像上设置虚拟检测线，所述虚拟检测线垂直于所述视频图像序列中的目标检测路段的图像的中心线；

根据所述虚拟检测线和基于混合高斯模型的背景减除法，得到所述目标检测路段的各车道在各单位时间内的车辆计数结果；

根据所述目标检测路段的各车道在各单位时间内的车辆计数结果，得到所述目标检测路段在各单位时间内的车流量。

3.如权利要求2所述的车流量评估方法，其特征在于，所述根据模糊理论设置模糊车流量，并计算所述车流量隶属于所述模糊车流量的隶属值，根据所述隶属值对所述车流量进行评估包括：

根据模糊理论设置模糊车流量，所述模糊车流量包括三个模糊集合，三个所述模糊集合分别对应车流量的三个状态，所述车流量的三个状态分别为少、正常和多；

根据拉依达准则和所述车流量，得到所述车流量隶属于各所述模糊集合的隶属度函数；

根据所述隶属度函数得到所述车流量隶属于各所述模糊集合的隶属值，根据所述隶属值评估所述车流量的状态为少、正常或多。

4.如权利要求2所述的车流量评估方法，其特征在于，通过以下公式，根据所述目标检测路段的各车道在各单位时间内的车辆计数结果，得到所述目标检测路段在各单位时间内的车流量：

式中，α_k表示所述目标检测路段在第k个单位时间内的车流量，U_nk表示所述目标检测路段的第n个车道在第k个单位时间内的车辆计数结果，n∈[1,N]，k∈[1,K]。

5.如权利要求3所述的车流量评估方法，其特征在于，通过以下公式，根据拉依达准则和所述车流量，得到所述车流量隶属于各所述模糊集合的隶属度函数：

式中，α_k表示所述目标检测路段在第k个单位时间内的车流量，k∈[1,K]，μ表示α_k的数学期望值，σ²表示α_k的方差值，L、M、H为三个模糊集合，f_L(α_k)表示α_k隶属于L的隶属度函数，f_M(α_k)表示α_k隶属于M的隶属度函数，f_H(α_k)表示α_k隶属于H的隶属度函数。

6.一种车流量评估装置，其特征在于，所述装置包括：

获取单元，用于利用静态摄像单元获取包括目标检测路段的图像的视频图像序列；

设置单元，用于在所述视频图像序列中的目标检测路段的图像上设置虚拟检测线，根据所述虚拟检测线获取在各单位时间内经过所述目标检测路段的车流量；

评估单元，用于根据模糊理论设置模糊车流量，并计算所述车流量隶属于所述模糊车流量的隶属值，根据所述隶属值对所述车流量进行评估。

7.如权利要求6所述的车流量评估装置，其特征在于，

所述设置单元，还用于在所述视频图像序列中的目标检测路段的图像上设置虚拟检测线，所述虚拟检测线垂直于所述视频图像序列中的目标检测路段的图像的中心线；

所述设置单元，还用于根据所述虚拟检测线和基于混合高斯模型的背景减除法，得到所述目标检测路段的各车道在各单位时间内的车辆计数结果；

所述设置单元，还用于根据所述目标检测路段的各车道在各单位时间内的车辆计数结果，得到所述目标检测路段在各单位时间内的车流量。

8.如权利要求7所述的车流量评估装置，其特征在于，

所述评估单元，还用于根据模糊理论设置模糊车流量，所述模糊车流量包括三个模糊集合，三个所述模糊集合分别对应车流量的三个状态，所述车流量的三个状态分别为少、正常和多；

所述评估单元，还用于根据拉依达准则和所述车流量，得到所述车流量隶属于各所述模糊集合的隶属度函数；

所述评估单元，还用于根据所述隶属度函数得到所述车流量隶属于各所述模糊集合的隶属值，根据所述隶属值评估所述车流量的状态为少、正常或多。

9.如权利要求7所述的车流量评估装置，其特征在于，

所述设置单元，还用于通过以下公式，根据所述目标检测路段的各车道在各单位时间内的车辆计数结果，得到所述目标检测路段在各单位时间内的车流量：

式中，α_k表示所述目标检测路段在第k个单位时间内的车流量，U_nk表示所述目标检测路段的第n个车道在第k个单位时间内的车辆计数结果，n∈[1,N]，k∈[1,K]。

10.如权利要求8所述的车流量评估装置，其特征在于，

所述评估单元，还用于通过以下公式，根据拉依达准则和所述车流量，得到所述车流量隶属于各所述模糊集合的隶属度函数：

式中，α_k表示所述目标检测路段在第k个单位时间内的车流量，k∈[1,K]，μ表示α_k的数学期望值，σ²表示α_k的方差值，L、M、H为三个模糊集合，f_L(α_k)表示α_k隶属于L的隶属度函数，f_M(α_k)表示α_k隶属于M的隶属度函数，f_H(α_k)表示α_k隶属于H的隶属度函数。