CN108986465B - 一种车流量检测的方法、系统及终端设备 - Google Patents
一种车流量检测的方法、系统及终端设备 Download PDFInfo
- Publication number
- CN108986465B CN108986465B CN201810848081.9A CN201810848081A CN108986465B CN 108986465 B CN108986465 B CN 108986465B CN 201810848081 A CN201810848081 A CN 201810848081A CN 108986465 B CN108986465 B CN 108986465B
- Authority
- CN
- China
- Prior art keywords
- vehicle
- detected
- traffic flow
- road section
- preset
- 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
Images
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
- G08G1/0125—Traffic data processing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/065—Traffic control systems for road vehicles by counting the vehicles in a section of the road or in a parking area, i.e. comparing incoming count with outgoing count
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N7/00—Television systems
- H04N7/18—Closed-circuit television [CCTV] systems, i.e. systems in which the video signal is not broadcast
- H04N7/181—Closed-circuit television [CCTV] systems, i.e. systems in which the video signal is not broadcast for receiving images from a plurality of remote sources
Abstract
本发明适用于智能交通系统技术领域,提供了一种车流量检测的方法、系统及终端设备,所述车流量检测的方法包括:获取绘制了若干检测区域的待检测交通视频,待检测交通视频覆盖有至少一个路段,从路段中选取一个目标路段,按照目标路段的道路通行方向,将目标路段包含的若干个检测区域作为目标检测区域,从待检测交通视频中提取若干数量的待检测帧图像,从待检测帧图像中提取车辆信息,并根据车辆信息得到待检测帧图像中的目标检测区域内的一种预设车辆类型对应的车辆数目,将所有目标检测区域的车辆数目的总和除以目标检测区域的数目,得到车流量,从而可以得到路段一个道路通行方向上的预设车辆类型对应的车流量,使检测出来的车流量更加具体。
Description
技术领域
本发明属于智能交通系统技术领域,尤其涉及一种车流量检测的方法、系统及终端设备。
背景技术
随着城市化进程和经济的快速发展,城市人口和机动车保有量持续迅速增长,导致了一系列的城市交通问题,严重影响了城市居民的日常生活和城市的经济发展。智能交通系统被认为是解决城市交通问题的最有效的方法。车流量作为智能交通系统中的重要基础信息,如何快速、精确地进行车流量检测是智能交通系统的重要研究内容。
现有技术中,一般采用光流法、帧差法、背景差分法、边缘检测法检测某一路段的车流量,但通过这些方法计算路段上车流量只能是整个路段对应的,不能检测路段某个道路通行方向的车流量以及无法获取到具体某种车辆类型的车流量。
发明内容
有鉴于此,本发明实施例提供了一种车流量检测的方法、系统及终端设备,以解决现有技术中存在不能按照路段的道路通行方向以及车辆类型检测路段的车流量的问题。
本发明实施例的第一方面提供了一种车流量检测的方法,包括:
获取绘制了若干检测区域的待检测交通视频,所述待检测交通视频覆盖有至少一个路段。
从所述路段中选取一个目标路段,按照所述目标路段的道路通行方向,将所述目标路段包含的若干个检测区域作为目标检测区域。
从所述待检测交通视频中提取若干数量的待检测帧图像。
从所述待检测帧图像中提取车辆信息,并根据所述车辆信息得到所述待检测帧图像中的所述目标检测区域内的一种预设车辆类型对应的车辆数目。
将所有目标检测区域的车辆数目的总和除以所述目标检测区域的数目,得到车流量。
本发明实施例的第二方面提供了一种车流量检测的方系统,包括:
交通视频获取模块,用于获取绘制了若干检测区域的待检测交通视频,所述待检测交通视频覆盖有至少一个路段。
目标检测区域生成模块,用于从所述路段中选取一个目标路段,按照所述目标路段的道路通行方向,将所述目标路段包含的若干个检测区域作为目标检测区域。
帧图像提取模块,用于从所述待检测交通视频中提取若干数量的待检测帧图像。
车辆数目检测模块,用于从所述待检测帧图像中提取车辆信息,并根据所述车辆信息得到所述待检测帧图像中的所述目标检测区域内的一种预设车辆类型对应的车辆数目。
车流量生成模块,用于将所有目标检测区域的车辆数目的总和除以所述目标检测区域的数目,得到车流量。
本发明实施例的第三方面提供了一种终端设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现如上所述方法的步骤。
本发明实施例的第四方面提供了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现如上所述方法的步骤。
本发明实施例与现有技术相比存在的有益效果是:本实施例通过获取绘制了若干检测区域的待检测交通视频,待检测交通视频覆盖有至少一个路段,从路段中选取一个目标路段,按照目标路段的道路通行方向,将目标路段包含的若干个检测区域作为目标检测区域,从待检测交通视频中提取若干数量的待检测帧图像,从待检测帧图像中提取车辆信息,并根据车辆信息得到待检测帧图像中的一个目标检测区域内的一种预设车辆类型对应的车辆数目,将所有目标检测区域的车辆数目的总和除以目标检测区域的数目,得到车流量。本发明实施例通过选取目标路段的一个道路通行方向上的检测区域作为目标检测区域,获取全部目标检测区域内的预设车辆类型的总数目除以目标检测区域的数目,得到车流量,从而可以得到路段一个道路通行方向上的一种预设车辆类型对应的车流量,使检测出来的车流量更加具体,符合路段实际情况,通过统计每个目标区域内的车辆数目,避免出现漏计车辆的情况,并通过计算目标检测区域的车辆数目的平均值,避免了重复统计车辆,提高了车流量检测的精确度。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1是本发明一个实施例提供的车流量检测的方法的实现流程示意图;
图2是本发明一个实施例提供的绘制的虚拟检测区的示意图;
图3是本发明一个实施例提供的图1中步骤S105的具体实现流程示意图;
图4是本发明一个实施例提供的一种车流量检测的系统的结构示意图;
图5是本发明一个实施例提供的车流量生成模块的具体结构示意图;
图6是本发明一个实施例提供的终端设备的示意图。
具体实施方式
以下描述中,为了说明而不是为了限定,提出了诸如特定系统结构、技术之类的具体细节,以便透彻理解本发明实施例。然而,本领域的技术人员应当清楚,在没有这些具体细节的其它实施例中也可以实现本发明。在其它情况中,省略对众所周知的系统、装置、电路以及方法的详细说明,以免不必要的细节妨碍本发明的描述。
为了说明本发明所述的技术方案,下面通过具体实施例来进行说明。
实施例1:
图1示出了本发明的一个实施例提供的车流量检测的方法的实现流程,其过程详述如下:
在步骤S101中,获取绘制了若干检测区域的待检测交通视频,待检测交通视频覆盖有至少一个路段。
在本实施例中,接收摄像头发送的其所拍摄的待检测交通视频,摄像头设置在道路上,拍摄出来的视频至少覆盖有一个路段,并将待检测交通视频显示在预设显示屏上。用户根据待检测交通视频所拍摄的场景,分别在在待检测交通视频中每个路段按照其道路通行方向绘制多个连续的检测区域,检测区域为与路段方向相垂直的四边形,长度为路段单一行驶方向的宽度,宽度可随意设置,例如图2中的箭头表示路段的道路通行方向,四边形表示检测区域,根据路段的道路通行方向,在路段上设置检测区域,即按照道路通行方向,将路段1拆分成两部分,分别为A部分和B部分,在A部分上按照方向1指示的方向设置连续的检测区域,在B部分上按照方向2指示的方向设置连续的检测区域,从而可以将路段1按照道路通行方向分开检测车流量。
在步骤S102中,从路段中选取一个目标路段,按照目标路段的道路通行方向,将目标路段包含的若干个检测区域作为目标检测区域。
在本实施例中,从待检测交通视频覆盖的路段中选取一个路段作为目标路段,按照目标路段的一个道路通行方向,即将该道路通行方向作为目标道路通行方向,将目标路段包含的检测区域作为目标检测区域,例如,如图2所示,将路段1作为目标路段,按照路段1中的一个道路通行方向,例如,按照路段1的方向1指示的方向,将目标路段包含的检测区域作为目标检测区域,即将部分A包含的检测区域作为目标检测区域。
在步骤S103中,从待检测交通视频中提取若干数量的待检测帧图像。
可选地,从待检测交通视频中选取预设时长的视频,并从预设时长的视频中提取出若干数量的待检测帧图像,待检测帧图像中的首帧图像和尾帧图像之间的时间差为预设时长。
在本实施例中,预设时长可以为待检测交通视频的时长,从预设时长的视频中间隔第一预设时间便提取出一个待检测帧图像,即,提取的待检测帧图像的之间的时间差为预设时间。在实际应用中,为了提高检测车流量的准确度,可以提取预设时长包括的全部的帧图像。
在步骤S104中,从待检测帧图像中提取车辆信息,并根据车辆信息得到待检测帧图像中的目标检测区域内的一种预设车辆类型对应的车辆数目。
可选地,步骤S104包括:
1)将每个待检测帧图像输入至预设车辆检测模型中,得到待检测帧图像中的车辆信息,车辆信息包括车辆坐标信息和与车辆坐标信息对应的至少一个初始车辆类型。
2)对初始车辆类型进行筛选,得到车辆坐标信息对应的车辆类型。
3)基于车辆坐标信息和对应的车辆类型,得到所述待检测帧图像中的所述目标检测区域内的一种预设车辆类型对应的车辆数目。
可选地,在所述将每个待检测帧图像输入至预设车辆检测模型中之前,包括:
1)获取采集的交通视频。
2)从交通视频中提取若干数量的帧图像。
3)获取标注后的帧图像,标注后的帧图像为标注了车辆类型和车辆坐标信息的帧图像。
4)将标注后的帧图像作为样本数据,对标准神经网络模型进行训练与测试,得到预设车辆检测模型。
在本实施例中,在使用标准神经网络模型前,需要对神经网络模型进行训练和测试,获取采集的交通视频,其可以为历史交通视频,在交通视频中间隔第二预设时间便提取一张帧图像。
在本实施例中,用户在帧图像上标注出车辆类型和坐标信息,将标注后的帧图像作为样本数据,然后对标准神经网络模型进行训练和测试,得到训练好的神经网络模型,即预设车辆检测模型,其中,标准神经网络模型可以为YOLO模型。
其中,采集的交通视频为不同类型的摄像头在不同场景和光线条件下所拍摄的视频,不同类型的摄像头拍摄出来的图像的分辨率不同。
在本实施例中,样本数据为不同类型的摄像头在不同场景和光线条件上采集的,通过该样本数据对标准神经网络模型进行训练,从而使训练好的车辆检测模型在检测待检测帧图像时,降低待检测帧图像对应的场景、车速和光线的影响,提高车流量的检测精度。
在本实施例中,车辆类型包括轿车、巴士和卡车。
在本实施例中,将每个待检测帧图像输入至预设车辆检测模型中,便可以得到待检测帧图像中的车辆信息,其中,车辆信息包括车辆坐标信息、与车辆坐标信息对应的至少一个初始车辆类型以及与初始车辆类型对应的置信度。
在本实施例中,车辆坐标信息包括车辆中心点的坐标信息,边界框的高度和宽度,边界框为车辆边界组成的框。
可选地,选取置信度最高的初始车辆类型作为车辆坐标信息对应的车辆类型。
以一个具体应用场景为例,将待检测帧图像A输入至预设车辆检测模型中,得到待检测帧图像A中的车辆坐标信息a和车辆坐标信息b、与a对应的初始车辆类型为巴士和卡车,巴士的置信度为70,卡车的置信度为90,则将卡车作为车辆坐标信息a的车辆类型,车辆坐标信息b对应的初始车辆类型为轿车和巴士,轿车的置信度为80,巴士的置信度为96,则将巴士作为车辆坐标信息b的车辆类型。
在本实施例中,获取每个目标检测区域的位置信息,根据待检测帧图像中的车辆中心点的坐标信息和每个目标检测区域的位置信息,检测该车辆中心点是否落入某一个目标检测区域,若车辆中心点落入某一个目标检测区域,车辆中心点坐标信息与车辆类型相对应,则该目标检测区域的该车辆类型对应的车辆数目加1,从而可以得到待检测帧图像中的目标检测区域内的一种预设车辆类型对应的车辆数目,其中,待检测帧图像包含的一个车辆中心点可以落入目标检测区域的数目小于等于1,即待检测帧图像中的一个车辆中心点最多可以落入一个目标检测区域。
在本实施例中,检测每一张待检测帧图像中的目标检测区域的预设车辆类型对应的车辆类型,即检测每一张待检测帧图像包含的预设车辆类型的车辆落入到每个目标检测区域的数目。
在本实施例中,目标检测区域的位置信息为横坐标包括的范围和纵坐标包括的范围。
以一个具体应用场景为例,预设车辆类型为轿车,待检测帧图像有图像A和图像B,图像A中包含两个车辆中心点坐标信息,分别为a中心点的坐标信息和b中心点的坐标信息,a中心点的坐标信息对应的车辆类型是轿车,b中心点的坐标信息对应的车辆类型是轿车,图像B中包含一个车辆中心点坐标信息,为c中心点的坐标信息,目标检测区域有两个,分别为C目标检测区域和D目标检测区域,通过将a中心点的坐标信息与C目标检测区域的位置信息和D目标检测区域的位置信息进行比较,检测出a中心点落入到C目标检测区域,b中心点落入D目标检测区域,则图像A中的C目标检测区域的轿车的车辆数目为1,D目标检测区域的车辆数目为1,则通过将图像B中c中心点的坐标信息与C目标检测区域的位置信息和D目标检测区域的位置信息进行比较,检测出c中心点落入到C目标检测区域,但由于c中心点坐标信息对应的车辆类型是巴士不是轿车,因此,C目标检测区域的轿车的车辆数目还是1。
在步骤S105中,将所有目标检测区域的车辆数目的总和除以目标检测区域的数目,得到车流量。
在本实施例中,对每个目标检测区域中预设车辆类型的车辆数目进行求和,得到预设车辆类型的总和,将总和除以目标检测区域的数目,得到车流量。
可选地,在步骤S105之后,还包括:
1)计算目标检测区域的一种预设车辆类型对应的车辆数目的方差。
2)检测方差是否大于预设方差。
3)若方差小于预设方差,则将车流量作为实际车流量。
4)若方差大于预设方差,则基于预设路段流量拓扑模型,生成推算车流量,将推算车流量作为实际车流量。
可选地,所述基于预设路段流量拓扑模型,生成推算车流量,包括:
1)根据预设路段流量拓扑模型,得到目标路段的上游路段和下游路段。
2)计算上游路段对应的实际车流量,得到上游实际车流量。
3)计算上游实际车流量和下游实际车流量的平均值,得到推算车流量。
在本实施例中,在获取到车流量后,为了使检测更加准确,需要对车流量进行校正。
在本实施例中,获取不同目标检测区域的一种预设车辆类型对应的车辆数目,并将其作为方差样本数据,根据方差样本数据计算方差。示例性地,预设车辆类型为巴士,目标检测区域1中的巴士的车辆数目为3,目标检测区域2中的巴士的车辆数目为2,目标检测区域3中的巴士的车辆数目为3,则方差样本数据为3,2,3,计算方差样本数据对应的方差。
在本实施例中,判断根据方差样本数据计算出来的方差是否大于预设方差,若大于预设方差,则表明检测出来的车流量可信度较低,需要基于预设路段流量拓扑模型重新获取实际车流量,若小于预设方差,则表明检测出来的车流量可信度较高,即可将该车流量作为目标路段的目标道路通行方向的实际车流量。
其中,预设路段流量拓扑模型包含各路段的拓扑关系,在道路中行驶的车辆和路段之间存在进入、通行、离开三种情形,这三种情形形成了不同路段之间的流量拓扑关系,若车辆由A路段进入B路段,并从B路段离开进入C路段,则A路段是B路段的上游路段,C路段时B路段的下游路段。
在本实施例中,通过将目标路段输入至预设路段流量拓扑模型中,便可以得到目标路段的上游路段和下游路段,按照计算上述目标路段的实际车流量的方法,计算上游路段的实际车流量,得到上游实际车流量,计算下游路段的实际车流量,得到下游实际车流量。计算上游实际车流量和下游实际车流量两者的平均值,并将平均值作为目标路段的目标道路通行方向上的实际车流量。
在本实施例中,在计算车流量后,通过方差验证检测出来的车辆数目是否准确,若不准确,则重新根据上游路段的实际车流量和下游路段的实际车流量推算出目标路段的实际车流量,从而提高了车流量检测的精确度。
本发明实施例通过选取目标路段的一个道路通行方向上的检测区域作为目标检测区域,获取全部目标检测区域内的预设车辆类型的总数目除以目标检测区域的数目,得到车流量,从而可以得到路段一个道路通行方向上的一种预设车辆类型对应的车流量,使检测出来的车流量更加具体,符合路段实际情况,通过统计每个目标区域内的车辆数目,避免出现漏计车辆的情况,并通过计算目标检测区域的车辆数目的平均值,避免了重复统计车辆,提高了车流量检测的精确度。
如图3所示,在本发明的一个实施例中,图1所对应的实施例中步骤S105具体包括:
在步骤S301中,将全部的待检测帧图像中的所有目标检测区域内的一种预设车辆类型对应的车辆数目进行累加,得到总和。
在本实施例中,计算所有目标检测区域内包含预设车辆类型的总数目,得到总和,示例性地,目标检测区域有3个,分别为目标检测区域1、目标检测区域2和目标检测区域3,预设车型为轿车,将目标检测区域1中的轿车的数目加上目标检测区域2中的轿车的数目然后再加上目标检测区域3中轿车的数目,得到轿车数目的总和。
在步骤S302中,将总和除以目标检测区域的数目,得到一种预设车辆类型对应的车流量。
在本实施例中,车流量表示在预设时长通过的一种车辆类型的数目。
在本实施例中,由于车辆是移动的,在某一时刻,该车辆可能落入一个目标检测区域,在另一时刻,该车辆可能落入另一个目标检测区域,即该车会出现在至少一张待检测帧图像中,即可能会被重复统计,因此需要将车辆类型对应的总和除以目标检测区域的数目,从而避免重复计数。
承接上述示例,将轿车数目的总和除以目标检测区域的数量,得到轿车对应的车流量。
可选地,可以通过改变预设车辆类型,依次计算出其它车辆类型对应的车流量,例如,先计算出轿车对应的车流量,然后计算出巴士对应的车流量,最后计算出卡车对应的车流量。
可选地,可以通过选取路段的不同道路通行方向,得到路段不同道路通行方向上的车流量,通过获取同一路段不同道路通行方向的车流量,可以使用户更加了解路段的车辆通行情况,更加方便用户的出行,例如,图2中的路段1中的方向1对应车流量较大,会对用户的通行造成影响,但方向2对应的车流量较少,不会对用户的通行造成影响,因此,可以提醒要经过方向1对应的道路的用户需要改变路线,经过方向2对应的道路的用户可以正常行驶,无需改变路线。
在本实施例中,若想要获取路段的全部车辆类型对应的总车流量,即预设时长内通过目标路段的车辆的数目,可以将不同车辆类型对应的车流量进行求和,便可得到总车流量。
在本实施例中,通过获取不同车辆类型的车流量,了解通行路段的车辆情况,可以方便后续更加有针对性地制定改进策略。
应理解,上述实施例中各步骤的序号的大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本发明实施例的实施过程构成任何限定。
实施例2:
图4示出了本发明的一个实施例提供的车流量检测的系统100,其包括:
交通视频获取模块110,用于获取绘制了若干检测区域的待检测交通视频,待检测交通视频覆盖有至少一个路段。
目标检测区域生成模块120,用于从路段中选取一个目标路段,按照目标路段的道路通行方向,将目标路段包含的若干个检测区域作为目标检测区域。
帧图像提取模块130,用于从待检测交通视频中提取若干数量的待检测帧图像。
车辆数目检测模块140,用于从待检测帧图像中提取车辆信息,并根据车辆信息得到待检测帧图像中的目标检测区域内的一种预设车辆类型对应的车辆数目。
车流量生成模块150,用于将所有目标检测区域的车辆数目的总和除以目标检测区域的数目,得到车流量。
可选地,帧图像提取模块130具体用于:
从待检测交通视频中选取预设时长的视频,并从预设时长的视频中提取出若干数量的待检测帧图像,待检测帧图像中的首帧图像和尾帧图像之间的时间差为预设时长。
可选地,车辆数目检测模块140包括:
车辆信息生成单元,用于将每个待检测帧图像输入至预设车辆检测模型中,得到待检测帧图像中的车辆信息,车辆信息包括车辆坐标信息和与车辆坐标信息对应的至少一个初始车辆类型。
车辆类型筛选单元,用于对初始车辆类型进行筛选,得到车辆坐标信息对应的车辆类型。
车辆数目生成单元,用于基于车辆坐标信息和对应的车辆类型,得到待检测帧图像中的目标检测区域内的一种预设车辆类型对应的车辆数目。
可选地,车辆数目检测模块还包括:
视频采集模块,用于获取采集的交通视频。
第一帧图像获取单元,用于从交通视频中提取若干数量的帧图像。
第二帧图像获取单元,用于获取标注后的帧图像,标注后的帧图像为标注了车辆类型和车辆坐标信息的帧图像。
模型训练单元,用于将标注后的帧图像作为样本数据,对标准神经网络模型进行训练与测试,得到预设车辆检测模型。
可选地,车流量生成模块150还包括:
方差计算单元,用于计算目标检测区域的一种预设车辆类型对应的车辆数目的方差。
方差比较单元,用于检测方差是否大于预设方差。
第一方差处理单元,用于若方差小于预设方差,则将车流量作为实际车流量。
第二方差处理单元,用于若方差大于预设方差,则基于预设路段流量拓扑模型,生成推算车流量,将推算车流量作为实际车流量。
可选地,第二方差处理单元包括:
上下游路段获取子单元,用于根据预设路段流量拓扑模型,得到目标路段的上游路段和下游路段。
上游车流量计算子单元,用于计算上游路段对应的实际车流量,得到上游实际车流量。
下游车流量计算子单元,用于计算下游路段对应的实际车流量,得到下游实际车流量。
推算车流量计算子单元,用于计算上游实际车流量和下游实际车流量的平均值,得到推算车流量。
如图5所示,在本发明的一个实施例中,图4所对应的实施例中车流量生成模块150具体包括:
总和计算单元151,用于将全部的待检测帧图像中的所有目标检测区域内的一种预设车辆类型对应的车辆数目进行累加,得到总和。
车流量生成单元152,用于将总和除以目标检测区域的数目,得到一种预设车辆类型对应的车流量。
在一个实施例中,车流量检测的系统100还包括其他功能模块/单元,用于实现实施例1中各实施例中的方法步骤。
实施例3:
图6是本发明一实施例提供的终端设备的示意图。如图6所示,该实施例的终端设备6包括:处理器60、存储器61以及存储在所述存储器61中并可在所述处理器60上运行的计算机程序62。所述处理器60执行所述计算机程序62时实现如实施例1中所述的各实施例的步骤,例如图1所示的步骤S101至步骤S106。或者,所述处理器60执行所述计算机程序62时实现如实施例2中所述的各系统实施例中的各模块/单元的功能,例如图4所示模块110至150的功能。
示例性的,所述计算机程序62可以被分割成一个或多个模块/单元,所述一个或者多个模块/单元被存储在所述存储器61中,并由所述处理器60执行,以完成本发明。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段,该指令段用于描述所述计算机程序62在所述终端设备6中的执行过程。例如,所述计算机程序62可以被分割成交通视频获取模块、目标检测区域生成模块、帧图像提取模块、车辆数目检测模块和车流量生成模块。各模块具体功能如下:
交通视频获取模块,用于获取绘制了若干检测区域的待检测交通视频,待检测交通视频覆盖有至少一个路段。
目标检测区域生成模块,用于从路段中选取一个目标路段,按照目标路段的道路通行方向,将目标路段包含的若干个检测区域作为目标检测区域。
帧图像提取模块,用于从待检测交通视频中提取若干数量的待检测帧图像。
车辆数目检测模块,用于从待检测帧图像中提取车辆信息,并根据车辆信息得到待检测帧图像中的目标检测区域内的一种预设车辆类型对应的车辆数目。
车流量生成模块,用于将所有目标检测区域的车辆数目的总和除以目标检测区域的数目,得到车流量。
所述终端设备6可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述终端设备6可包括,但不仅限于,处理器60、存储器61。本领域技术人员可以理解,图6仅仅是终端设备6的示例,并不构成对终端设备6的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件,例如所述终端设备还可以包括输入输出设备、网络接入设备、总线等。
所称处理器60可以是中央处理单元(Central Processing Unit,CPU),还可以是其他通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现场可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
所述存储器61可以是所述终端设备6的内部存储单元,例如终端设备6的硬盘或内存。所述存储器61也可以是所述终端设备6的外部存储设备,例如所述终端设备6上配备的插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(Flash Card)等。进一步地,所述存储器61还可以既包括所述终端设备6的内部存储单元也包括外部存储设备。所述存储器61用于存储所述计算机程序以及所述终端设备所需的其他程序和数据。所述存储器61还可以用于暂时地存储已经输出或者将要输出的数据。
实施例4:
本发明实施例还提供了一种计算机可读存储介质,计算机可读存储介质存储有计算机程序,计算机程序被处理器执行时实现如实施例1中所述的各实施例中的步骤,例如图1所示的步骤S101至步骤S105。或者,所述计算机程序被处理器执行时实现如实施例2中所述的各系统实施例中的各模块/单元的功能,例如图4所示的模块110至150的功能。
所述的计算机程序可存储于一计算机可读存储介质中,该计算机程序在被处理器执行时,可实现上述各个方法实施例的步骤。其中,所述计算机程序包括计算机程序代码,所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括:能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是,所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减,例如在某些司法管辖区,根据立法和专利实践,计算机可读介质不包括是电载波信号和电信信号。
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或记载的部分,可以参见其它实施例的相关描述。
本发明实施例方法中的步骤可以根据实际需要进行顺序调整、合并和删减。
本发明实施例系统中的模块或单元可以根据实际需要进行合并、划分和删减。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
在本发明所提供的实施例中,应该理解到,所揭露的装置/终端设备和方法,可以通过其它的方式实现。例如,以上所描述的装置/终端设备实施例仅仅是示意性的,例如,所述模块或单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口,装置或单元的间接耦合或通讯连接,可以是电性,机械或其它的形式。
以上所述实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围,均应包含在本发明的保护范围之内。
Claims (9)
1.一种车流量检测的方法,其特征在于,包括:
获取绘制了若干检测区域的待检测交通视频,所述待检测交通视频覆盖有至少一个路段,分别在待检测交通视频中将每个路段按照其道路的通行方向进行拆分,在每一拆分的路段方向上设置多个连续检测区域;
从所述路段中选取一个目标路段,按照所述目标路段的道路通行方向,将所述目标路段包含的若干个检测区域作为目标检测区域;
从所述待检测交通视频中提取若干数量的待检测帧图像;
从所述待检测帧图像中提取车辆信息,并根据所述车辆信息得到所述待检测帧图像中的所述目标检测区域内的一种预设车辆类型对应的车辆数目;
将所有目标检测区域的车辆类型数目的总和除以所述目标检测区域的数目,得到车流量,所述车流量表示在预设时长通过的一种车辆类型的数目;
所述从所述待检测帧图像中提取车辆信息,并根据所述车辆信息得到所述待检测帧图像中的所述目标检测区域内的一种预设车辆类型对应的车辆数目,包括:
将每个待检测帧图像输入至预设车辆检测模型中,得到所述待检测帧图像中的车辆信息,所述车辆信息包括车辆坐标信息和与所述车辆坐标信息对应的至少一个初始车辆类型以及与初始车辆类型对应的置信度;
对所述初始车辆类型进行筛选,得到所述车辆坐标信息对应的车辆类型,其中,选取置信度最高的初始车辆类型作为车辆坐标的信息对应的车辆类型;
基于所述车辆坐标信息和对应的车辆类型,得到所述待检测帧图像中的所述目标检测区域内的一种预设车辆类型对应的车辆数目。
2.如权利要求1所述的车流量检测的方法,其特征在于,所述从所述待检测交通视频中提取若干数量的待检测帧图像,包括:
从所述待检测交通视频中选取预设时长的视频,并从所述预设时长的视频中提取出若干数量的待检测帧图像,所述待检测帧图像中的首帧图像和尾帧图像之间的时间差为所述预设时长。
3.如权利要求1所述的车流量检测的方法,其特征在于,所述将每个待检测帧图像输入至预设车辆检测模型中之前,包括:
获取采集的交通视频;
从所述交通视频中提取若干数量的帧图像;
获取标注后的帧图像,所述标注后的帧图像为标注了车辆类型和车辆坐标信息的帧图像;
将所述标注后的帧图像作为样本数据,对标准神经网络模型进行训练与测试,得到所述预设车辆检测模型。
4.如权利要求1所述的车流量检测的方法,其特征在于,所述将所有目标检测区域的车辆类型数目的总和除以目标检测区域的数目,得到车流量,包括:
将全部的所述待检测帧图像中的所有所述目标检测区域内的一种预设车辆类型对应的车辆数目进行累加,得到所述总和;
将所述总和除以所述目标检测区域的数目,得到所述一种预设车辆类型对应的车流量。
5.如权利要求1所述的车流量检测的方法,其特征在于,所述将所有目标检测区域的车辆类型数目的总和除以目标检测区域的数目,得到车流量之后,还包括:
计算所述目标检测区域的一种预设车辆类型对应的车辆数目的方差;
检测所述方差是否大于预设方差;
若所述方差小于预设方差,则将所述车流量作为实际车流量;
若所述方差大于所述预设方差,则基于预设路段流量拓扑模型,生成推算车流量,将所述推算车流量作为实际车流量。
6.如权利要求5所述的车流量检测的方法,其特征在于,所述基于预设路段流量拓扑模型,生成推算车流量,包括:
根据所述预设路段流量拓扑模型,得到所述目标路段的上游路段和下游路段;
计算所述上游路段对应的实际车流量,得到上游实际车流量;
计算所述下游路段对应的实际车流量,得到下游实际车流量;
计算所述上游实际车流量和下游实际车流量的平均值,得到所述推算车流量。
7.一种车流量检测的系统,其特征在于,包括:
交通视频获取模块,用于获取绘制了若干检测区域的待检测交通视频,所述待检测交通视频覆盖有至少一个路段;
目标检测区域生成模块,用于从所述路段中选取一个目标路段,按照所述目标路段的道路通行方向,将所述目标路段包含的若干个检测区域作为目标检测区域,分别在待检测交通视频中将每个路段按照其道路的通行方向进行拆分,在每一拆分的路段方向上设置多个连续检测区域;
帧图像提取模块,用于从所述待检测交通视频中提取若干数量的待检测帧图像;
车辆数目检测模块,用于从所述待检测帧图像中提取车辆信息,并根据所述车辆信息得到所述待检测帧图像中的所述目标检测区域内的一种预设车辆类型对应的车辆数目;
车流量生成模块,用于将所有目标检测区域的车辆类型数目的总和除以所述目标检测区域的数目,得到车流量,所述车流量表示在预设时长通过的一种车辆类型的数目;
所述车辆数目检测模块包括:
车辆信息生成单元,用于将每个待检测帧图像输入至预设车辆检测模型中,得到待检测帧图像中的车辆信息,车辆信息包括车辆坐标信息和与车辆坐标信息对应的至少一个初始车辆类型以及与初始车辆类型对应的置信度;
车辆类型筛选单元,用于对初始车辆类型进行筛选,得到车辆坐标信息对应的车辆类型,其中,选取置信度最高的初始车辆类型作为车辆坐标的信息对应的车辆类型;
车辆数目生成单元,用于基于车辆坐标信息和对应的车辆类型,得到待检测帧图像中的目标检测区域内的一种预设车辆类型对应的车辆数目。
8.一种终端设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1至6任一项所述车流量检测的方法的步骤。
9.一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至6任一项所述车流量检测的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810848081.9A CN108986465B (zh) | 2018-07-27 | 2018-07-27 | 一种车流量检测的方法、系统及终端设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810848081.9A CN108986465B (zh) | 2018-07-27 | 2018-07-27 | 一种车流量检测的方法、系统及终端设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108986465A CN108986465A (zh) | 2018-12-11 |
CN108986465B true CN108986465B (zh) | 2020-10-23 |
Family
ID=64552255
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810848081.9A Active CN108986465B (zh) | 2018-07-27 | 2018-07-27 | 一种车流量检测的方法、系统及终端设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108986465B (zh) |
Families Citing this family (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109935080B (zh) * | 2019-04-10 | 2021-07-16 | 武汉大学 | 一种交通线路上的车流量实时计算的监测系统及方法 |
CN110012351B (zh) * | 2019-04-11 | 2021-12-31 | 深圳市大富科技股份有限公司 | 标签数据获取方法、存储器、终端、车辆以及车联网系统 |
CN111915875A (zh) * | 2019-05-08 | 2020-11-10 | 阿里巴巴集团控股有限公司 | 一种车流路径分布信息的处理方法、装置及电子设备 |
CN110264735B (zh) * | 2019-06-28 | 2021-11-30 | 佛山科学技术学院 | 一种基于大数据的交通拥堵预测系统、方法及存储介质 |
CN110738169B (zh) * | 2019-10-11 | 2023-09-08 | 深圳前海微众银行股份有限公司 | 车流量监测方法、装置、设备及计算机可读存储介质 |
CN111063189B (zh) * | 2019-11-05 | 2022-05-03 | 阿里巴巴集团控股有限公司 | 一种车流量的处理方法、装置、及电子设备 |
CN111383455A (zh) * | 2020-03-11 | 2020-07-07 | 上海眼控科技股份有限公司 | 交通路口对象流量统计方法、装置、计算机设备和介质 |
CN111477004A (zh) * | 2020-04-17 | 2020-07-31 | 山东传媒职业学院 | 一种车流量智能分析方法及系统 |
CN112541465A (zh) * | 2020-12-21 | 2021-03-23 | 北京百度网讯科技有限公司 | 一种车流量统计方法、装置、路侧设备及云控平台 |
CN112689131B (zh) * | 2021-03-12 | 2021-06-01 | 深圳市安软科技股份有限公司 | 基于网格化的活动目标监控方法、装置及相关设备 |
CN115164822B (zh) * | 2022-09-08 | 2022-12-13 | 佛山市质量和标准化研究院(佛山市特种设备能效测试研究院、佛山市品牌发展研究院) | 一种市政排水管道检测方法、装置、电子设备及存储介质 |
CN115578862B (zh) * | 2022-10-26 | 2023-09-19 | 中国建设基础设施有限公司 | 交通流量转换方法、装置、计算设备和存储介质 |
CN117011787B (zh) * | 2023-07-12 | 2024-02-02 | 中关村科学城城市大脑股份有限公司 | 应用于加油站的信息处理方法、装置和电子设备 |
Family Cites Families (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101877169B (zh) * | 2009-11-13 | 2012-11-07 | 北京交通大学 | 干线多交叉口交通流均衡性控制的数据融合系统及方法 |
JP2013196507A (ja) * | 2012-03-21 | 2013-09-30 | Toshiba Corp | 車両検出装置及び車両判定方法 |
TW201513048A (zh) * | 2013-09-23 | 2015-04-01 | shu-fang Lai | 交通流量自動化調查與資料檢核方式 |
CN104900054B (zh) * | 2015-04-30 | 2017-07-07 | 中盟科技有限公司 | 交通状态的判定方法和装置 |
CN106991812A (zh) * | 2017-05-05 | 2017-07-28 | 深圳市哈工大交通电子技术有限公司 | 基于视频方式的排阵式路口阵区车流量的检测方法及装置 |
CN107122758A (zh) * | 2017-05-11 | 2017-09-01 | 南宁市正祥科技有限公司 | 一种车型识别和车流量检测方法 |
CN107578483A (zh) * | 2017-08-21 | 2018-01-12 | 深圳市金溢科技股份有限公司 | 一种电子不停车收费交易方法、服务器及系统 |
CN107316462A (zh) * | 2017-08-30 | 2017-11-03 | 济南浪潮高新科技投资发展有限公司 | 一种流量统计方法及装置 |
CN108198438B (zh) * | 2018-02-08 | 2020-02-07 | 广东行远信息技术有限公司 | 一种基于上下游路口车流量的启发式缺失道路车流量推算方法 |
-
2018
- 2018-07-27 CN CN201810848081.9A patent/CN108986465B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN108986465A (zh) | 2018-12-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108986465B (zh) | 一种车流量检测的方法、系统及终端设备 | |
CN109087510B (zh) | 交通监测方法及装置 | |
EP3806064B1 (en) | Method and apparatus for detecting parking space usage condition, electronic device, and storage medium | |
CN111382704B (zh) | 基于深度学习的车辆压线违章判断方法、装置及存储介质 | |
CN112528878A (zh) | 检测车道线的方法、装置、终端设备及可读存储介质 | |
CN110751828B (zh) | 一种路段拥堵测量方法、装置、计算机设备及存储介质 | |
CN112287912B (zh) | 基于深度学习的车道线检测方法以及装置 | |
CN104700099A (zh) | 识别交通标志的方法和装置 | |
CN108550258B (zh) | 车辆排队长度检测方法、装置、存储介质和电子设备 | |
CN112837542B (zh) | 一种高速公路段交通量统计方法、装置、存储介质及终端 | |
CN106558051A (zh) | 一种改进的从单幅图像检测道路的方法 | |
CN111898491A (zh) | 一种车辆逆向行驶的识别方法、装置及电子设备 | |
CN112447060A (zh) | 识别车道的方法、装置及计算设备 | |
Zheng et al. | A deep learning–based approach for moving vehicle counting and short-term traffic prediction from video images | |
CN103605960A (zh) | 一种基于不同焦距视频图像融合的交通状态识别方法 | |
CN112329886A (zh) | 双车牌识别方法、模型训练方法、装置、设备及存储介质 | |
CN116935631A (zh) | 基于雷视融合的异常交通态势检测方法、装置及系统 | |
CN108847035B (zh) | 车流量评估方法及装置 | |
CN116052429A (zh) | 路段拥堵识别方法、装置、电子设备及介质 | |
CN115393827A (zh) | 交通信号灯状态识别方法、系统、电子设备及存储介质 | |
CN112950961B (zh) | 车流量统计方法、装置、设备和存储介质 | |
CN114842285A (zh) | 路侧泊位号码识别方法以及装置 | |
CN113435350A (zh) | 一种交通标线检测方法、装置、设备和介质 | |
CN104700396B (zh) | 从图像中确定用于估计交通量的参数的方法和系统 | |
CN111104900B (zh) | 高速公路费用清分方法及装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |