CN109191830A - 一种基于视频图像处理的道路拥堵检测方法 - Google Patents

Abstract

本发明涉及一种基于视频图像处理的道路拥堵检测方法，属于道路交通安全技术领域。本发明利用现有的道路监控系统获取原始数据，并将原始数据进行预处理、特征分析等步骤提取其特征属性；接着通过道路结构化信息和车辆结构化信息，采用滤波算法得出其车辆与车道的关联性；随后对其计算面积拥堵指数、车道拥堵指数及车距拥堵指数；最后根据阈值系统进行决策分析，并将决策结果推送至信息发布平台和中控决策平台。本发明实现了在复杂场景下，用基于视频图像处理的方法准确分析出道路的拥堵状况，通过对道路信息的实时监督，有助于交管部门在拥堵状况发生前，采取相应的管控措施，避免交通事故的发生，给人们出行带来了极大的方面。

Description

一种基于视频图像处理的道路拥堵检测方法

技术领域

本发明涉及一种基于视频图像处理的道路拥堵检测方法，属于道路交通安全技术领域。

背景技术

道路遍及我国的每个角落，是促进区域经济发展、提高人民生活水平、改善人民消费水平的重要媒介。随着我国城市化进程的加快，各类车辆迅速增多，随之而来的道路拥堵问题也变得及其突出，再加上我国道路的复杂性，涵盖了高速公路、城市道路、乡村道路等，如果不能快速、准确的反馈当前道路的拥堵情况，轻则会给人们出行造成很大的不便，重则诱发交通事故，造成路网瘫痪，对社会的公共安全造成严重的社会影响。

现阶段，针对道路拥堵问题研究人员提出的解决方案主要有两种，一种是根据道路交通流的统计特性，如历史车流量、车头时距、平均车速等进行拥堵预测，另一种则是利用各种传感器采集道路交通流的特性，实时判别拥堵状况，常用的检测手段为检测线圈、浮动车等，但该方法存在成本高、检测率低、不便于维护等缺点。

随着技术的发展及道路监控系统的普遍应用，利用视频图像处理检测道路拥堵成为了热点，但传统的基于视频图像处理的道路拥堵检测方法一般是通过监控场景的训练、图像前景的提取等操作对当前道路的拥堵进行检测，其中监控场景的训练尤为耗时，除此外雨雾天、摄像头抖动、光线变化等现象均会对场景造成影响，进而直接影响检测效果。

发明内容

本发明要解决的技术问题是：本发明针对现有技术的局限和不足，提供一种基于视频图像处理的道路拥堵检测方法，以解决现有技术中道路拥堵检测算法成本高、实时性差、不便于维护等缺点，以及传统的基于视频图像处理的道路拥堵检测方法受制于前端场景变换，对复杂环境处理能力差、检测率低等缺点。

本发明的技术方案是：一种基于视频图像处理的道路拥堵检测方法，该方法具体包括以下步骤：

Step1：从道路监控系统获取原始图像数据R；

Step2：对原始图像数据R进行预处理，得到处理后的数据R′；

Step3：对处理后的数据R′进行特征分析，提取其特征属性Q，特征属性Q包括道路结构化信息Q₁和车辆结构化信息Q₂；

Step4：对特征属性Q进行关键值提取及关联性判定，关联性判定指车道和车辆的相关性；

Step5：依据车道和车辆的相关性计算拥堵指数，并通过阈值系统对拥堵指数进行决策分析得到道路状态；

Step6：对道路状态中的拥堵状态进行处理。

其中原始图像数据R的获取来源可以是直接架设于道路上的摄像设备(包括但不限于枪机和球机)，也可以是监控中心已经部署好的流媒体平台，更可以是其他道路监控系统中的实时数据；原始数据R包括图片(单张或多张)、视频及网络串流。

步骤Step2中若获取的原始图像数据R的类型为图片形式，则将图像关联性阈值γ设置为0，即γ＝0，之后将原始图像数据R中所有数据设置为内部私有数据类型，并将其进行Step3及之后操作；

若获取的原始图像数据R的类型为视频形式，则将图像关联性阈值γ设置为1，即γ＝1，之后读取原始图像数据R的每帧数据将其转化为图片形式，设置为内部私有数据类型，并将其进行Step3及之后操作；

若获取的原始图像数据R的类型为网络串流形式，则将图像关联性阈值γ设置为0.5，即γ＝0.5，并开启缓存池；接下来采用并行处理方式，一方面不断接受网络串流数据，将其每帧数据转化为图片形式并写入缓存池，另一方面从缓存池中不断读取数据，设置为内部私有数据类型，并将其进行Step3及之后操作。

步骤Step3是以步骤Step2中处理得到的内部私有数据类型作为原型，利用视频分析算法，对内部私有数据类型进行结构化分析，提取其特征属性Q，得到道路结构化信息Q₁和车辆结构化信息Q₂；

其中道路结构化信息Q₁包括但不限于车道走向、车道数量、道路形状等特性；

其中车辆结构化信息Q₂包括但不限于车辆颜色、车辆所处位置、车辆大小等特性。

步骤Step4依据Step3中的道路结构化信息Q₁和车辆结构化信息Q₂，以道路结构化信息Q₁为基准，对比车辆结构化信息Q₂的变化，并采用滤波算法，去除因车辆结构化信息Q₂而造成的阴影和鬼影等现象，得出车辆结构化信息Q₂中每辆车辆与车道的关联性，以车辆最后出现的位置确定其对应属于哪个车道。

步骤Step5是先对其拥堵状态进行识别，接着通过阈值系统进行决策分析，具体处理如下：

计算出所有车道在数据帧中所占的像素面积V；

计算出所有车辆在数据帧中所占的像素面积V'；

根据公式(1)计算面积拥堵指数G₁：

计算出车道p在数据帧中所占的周长L_p；

计算出该车道p所对应的所有车辆q在数据帧中所占的周长L_q；

根据公式(2)计算出单车道拥堵指数G_2i，i∈[1,z],其中z为车道总数量；

根据公式(3)计算车道拥堵指数G₂：

依据车道的走向及车辆所处位置信息，两两映射出的每个车道上前后相邻车辆之间的车距S_j,j∈[1,v]，设两相邻的车辆为一组，v为所有车道上相邻车辆的组数，

根据公式(4)计算车距拥堵指数G₃：

G₃即为所有相邻车辆之间的车距的平均值，单位为米。

a若面积拥堵指数G₁≥α₁，则说明当前道路车辆非常拥堵；若面积拥堵指数α₁>G₁≥α₂，则说明当前道路车辆缓行；若G₁<α₂，则说明道路空间占有率不足，则进入步骤b通过车道拥堵指数G₂继续判断；

b若G₂≥α₃，则说明当前车道已被车辆全部占用；若α₃>G₂≥α₄，则说明当前车道车辆缓行；若G₂<α₄，则进入步骤c通过车距拥堵指数G₃继续判断；

c若G₃≥α₅，则说明当前道路畅通，没有车辆拥堵的情况发生；若G₃<α₅，则说明当前道路部分存在车辆拥堵。

其中α₁、α₂、α₃、α₄和α₅的取值可根据实际情况进行确定及调整。

步骤Step6的具体处理方式为：将处理后的数据R′中相关图片或数据帧按时间顺序生成索引，存储入交通流数据库，并生成相关数据记录；

根据发生拥堵状况的道路信息向信息发布平台推送，并将处理后的数据R′中相关图片或数据帧推送至信息发布平台；

触发事件报警，向中控决策平台推送发生拥堵状况的道路信息，并启动道路拥堵报警，等待调度。

本发明的工作原理：本发明利用现有的道路监控系统，从相应的前端设备中获取到道路的相关信息，并对其进行分析提取出道路结构化信息和车辆的结构化信息，然后根据提取出的信息，获得基本的判定数据，判定数据包括了面积拥堵指数，周长拥堵指数和车距拥堵指数。决策系统根据判定数据决策当前道路状态，并把决策结果推送到数据库和后端响应设备，如果车道拥堵，则数据库存储相关的数据，并且后端响应设备报警。

本发明的有益效果是：本发明与现有技术相比，实现了在复杂场景下，用基于视频图像处理的方法准确分析出道路的拥堵状况，并能及时把相关信息推送至信息发布平台和中控决策平台，提高了基于视频图像处理的道路拥堵检测方法的有效性、准确度及执行效率，给人们出行带来了极大的方面，另一方面，通过对道路信息的实时监督，有助于交管部门在拥堵状况发生前，采取相应的管控措施，避免交通事故的发生。

附图说明

图1是本发明总流程示意图。

图2是本发明对原始图像数据进行处理的流程示意图。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚，下面通过附图和具体实施例，对本发明作进一步详细说明。

实施例1：如图1所示，一种基于视频图像处理的道路拥堵检测方法的具体步骤为：

Step1：从道路监控系统获取原始图像数据R；其中原始图像数据R的获取来源可以是直接架设于道路上的摄像设备(包括但不限于枪机和球机)，也可以是监控中心已经部署好的流媒体平台，更可以是其他道路监控系统中的实时数据；原始数据R包括图片(单张或多张)、视频及网络串流。

Step2：对原始图像数据R进行预处理，得到处理后的数据R′；

Step3：对处理后的数据R′进行特征分析，提取其特征属性Q，特征属性Q包括道路结构化信息Q₁和车辆结构化信息Q₂；是以步骤Step2中处理得到的内部私有数据类型作为原型，利用视频分析算法，对内部私有数据类型进行结构化分析，提取其特征属性Q，得到道路结构化信息Q₁和车辆结构化信息Q₂；

其中道路结构化信息Q₁包括但不限于道路走向、车道数量、道路形状等特性；

其中车辆结构化信息Q₂包括但不限于车辆颜色、车辆所处位置、车辆大小等特性。

Step4：对特征属性Q进行关键值提取及关联性判定，关联性判定指车道和车辆的相关性；步骤Step4是依据Step3中的道路结构化信息Q₁和车辆结构化信息Q₂，以道路结构化信息Q₁为基准，对比车辆结构化信息Q₂的变化，并采用滤波算法，去除因车辆结构化信息Q₂而造成的阴影和鬼影等现象，得出车辆结构化信息Q₂中每辆车辆与车道的关联性，以车辆最后出现的位置确定其对应属于哪个车道。

Step5：依据车道和车辆的相关性计算拥堵指数，并通过阈值系统对拥堵指数进行决策分析得到道路状态；

步骤Step5是先对其拥堵状态进行识别，接着通过阈值系统进行决策分析，具体处理如下：

计算出所有车道在数据帧中所占的像素面积V；

计算出所有车辆在数据帧中所占的像素面积V'；

根据公式(1)计算面积拥堵指数G₁：

计算出车道p在数据帧中所占的周长L_p；

计算出该车道p所对应的所有车辆q在数据帧中所占的周长L_q；

根据公式(2)计算出单车道拥堵指数G_2i，i∈[1,z],其中z为车道总数量；

根据公式(3)计算车道拥堵指数G₂：

依据车道的走向及车辆所处位置信息，两两映射出的每个车道上前后相邻车辆之间的车距S_j,j∈[1,v]，设两相邻的车辆为一组，v为所有车道上相邻车辆的组数，

根据公式(4)计算车距拥堵指数G₃：

G₃即为所有相邻车辆之间的车距的平均值，单位为米。

若面积拥堵指数G₁满足公式(5)的条件，则说明当前道路车辆非常拥堵，不予执行接下来的步骤并直接跳转至Step6；若面积拥堵指数G₁满足公式(6)的条件，则说明当前道路车辆稍为缓行，不予执行接下来的步骤并直接跳转至Step6；若G₁<α₂，则说明道路空间占有率不足，则通过车道拥堵指数G₂继续判断；其中α₁通常赋值为0.9，α₂通常赋值为0.5，可根据具体实施情况进行调整。

G₁≥α₁ (5)

α₁>G₁≥α₂ (6)

若车道拥堵指数G₂满足公式(7)的要求，则说明当前车道已被车辆全部占用，单车道拥堵，不予执行接下来的步骤并直接跳转至Step6；若车道拥堵指数G₂满足公式(8)的要求，则说明单车道车辆稍为缓行，不予执行接下来的步骤并直接跳转至Step6；若G₂<α₄，则通过车距拥堵指数G₃继续判断；其中α₃通常赋值为0.8，α₄通常赋值为0.5，可根据具体实施情况进行调整。

G₂≥α₃ (7)

α₃>G₂≥α₄ (8)

若车距拥堵指数G₃满足公式(9)的要求，则说明当前道路部分存在车辆拥堵，直接跳转至Step6；若车距拥堵指数G₃满足公式(10)的要求，则说明当前道路部分畅通，没有车辆拥堵的情况发生；其中α₅通常赋值为0.5，可根据具体实施情况进行调整。

G₃<α₅ (9)

G₃≥α₅ (10)

Step6：对道路状态中的拥堵状态进行处理。

将处理后的数据R′中相关图片或数据帧按时间顺序生成索引，存储入交通流数据库，并生成相关数据记录；

根据发生拥堵状况的道路信息向信息发布平台推送，并将处理后的数据R′中相关图片或数据帧推送至信息发布平台；

触发事件报警，向中控决策平台推送发生拥堵状况的道路信息，并启动道路拥堵报警，等待调度。

实施例2：如图2所示，步骤Step2中，将根据原始数据R的类型进行不同的预处理方法，具体处理如下：

若获取的原始图像数据R的类型为图片形式，则将图像关联性阈值γ设置为0，即γ＝0，之后将原始图像数据R中所有数据设置为内部私有数据类型，并将其进行Step3及之后操作；

若获取的原始图像数据R的类型为视频形式，则将图像关联性阈值γ设置为1，即γ＝1，之后读取原始图像数据R的每帧数据将其转化为图片形式，设置为内部私有数据类型，并将其进行Step3及之后操作；

若获取的原始图像数据R的类型为网络串流形式，则将图像关联性阈值γ设置为0.5，即γ＝0.5，并开启缓存池；接下来采用并行处理方式，一方面不断接受网络串流数据，将其每帧数据转化为图片形式并写入缓存池，另一方面从缓存池中不断读取数据，设置为内部私有数据类型，并将其进行Step3及之后操作。

图像关联性阈值γ主要是判断图像之间是否存在关联，若关联性阈值γ＝0，则视为图像与图像之间无任何关联；若关联性阈值γ＝1，则视为图像与图像之间有极强的关联，比如对于视频而言，由于图像是由视频每帧所获取，故关联性极强。

实施例3：步骤Step4中判断车辆具体属于哪个车道时会出现多种情况，需要综合道路结构化信息Q₁和车辆结构化信息Q₂来进行考虑，其中关键值的提取就是指在不同情况中进行判定所需要的数据信息，例如以车道为基准来确定车辆的归属，假设车道为一直行道，而车辆出现变道的情况，通过车辆的颜色或者是车牌以及其他车身自带信息来确定是否为同一辆车，若为同一辆车则以车辆最后出现的位置来判定其所属的车道；如果出现车道走向发生变化，例如出现转弯，而一开始行驶在这个车道上的车辆后来出现变道而没有随之转弯，因此需要以车辆最终出现的位置作为判定的标准。

实施例4：本实施例中面积拥堵指数G₁＝0.7，车道拥堵指数G₂＝0.8，车距拥堵指数G₃＝1.2，取α₁＝0.9、α₂＝0.5、α₃＝0.8、α₄＝0.5、α₅＝0.5，则阈值系统进行决策分析后，由于α₁>G₁≥α₂，故判定当前道路车辆稍为缓行，不予执行接下来的步骤并直接跳转至Step6，将处理后的数据R′中相关图片或数据帧按时间顺序生成索引，存储入交通流数据库，并生成相关数据记录；根据发生拥堵状况的道路信息向信息发布平台推送，并将处理后的数据R′中相关图片或数据帧推送至信息发布平台；触发事件报警，向中控决策平台推送发生拥堵状况的道路信息，并启动道路拥堵报警，等待调度。

实施例5：本实施例中面积拥堵指数G₁＝0.3，车道拥堵指数G₂＝0.8，车距拥堵指数G₃＝1.2，取α₁＝0.9、α₂＝0.5、α₃＝0.8、α₄＝0.5、α₅＝0.5，则阈值系统进行决策分析后，由于G₂≥α₃，故判定当前车道已被车辆全部占用，单车道拥堵，不予执行接下来的步骤并直接跳转至Step6，将处理后的数据R′中相关图片或数据帧按时间顺序生成索引，存储入交通流数据库，并生成相关数据记录；根据发生拥堵状况的道路信息向信息发布平台推送，并将处理后的数据R′中相关图片或数据帧推送至信息发布平台；触发事件报警，向中控决策平台推送发生拥堵状况的道路信息，并启动道路拥堵报警，等待调度。

实施例6：本实施例中面积拥堵指数G₁＝0.3，车道拥堵指数G₂＝0.3，车距拥堵指数G₃＝0.4，取α₁＝0.9、α₂＝0.5、α₃＝0.8、α₄＝0.5、α₅＝0.5，则阈值系统进行决策分析后，由于G₃<α₅，故判定当前道路部分存在车辆拥堵，不予执行接下来的步骤并直接跳转至Step6，将处理后的数据R′中相关图片或数据帧按时间顺序生成索引，存储入交通流数据库，并生成相关数据记录；根据发生拥堵状况的道路信息向信息发布平台推送，并将处理后的数据R′中相关图片或数据帧推送至信息发布平台；触发事件报警，向中控决策平台推送发生拥堵状况的道路信息，并启动道路拥堵报警，等待调度。

实施例7：本实施例中面积拥堵指数G₁＝0.3，车道拥堵指数G₂＝0.3，车距拥堵指数G₃＝0.7，取α₁＝0.9、α₂＝0.5、α₃＝0.8、α₄＝0.5、α₅＝0.5，则阈值系统进行决策分析后，由于G₃≥α₅，故判定当前道路部分畅通，没有车辆拥堵的情况发生。

实施例8：在对道路状态进行分析的时候是通过面积拥堵指数G₁、车道拥堵指数G₂和车距拥堵指数G₃层层递进来判定的，这样综合判断出的道路是否拥堵的结果更准确，面积拥堵指数G₁只是对整个路况进行一个初步的判断，例如出现其中某一个车道拥堵，而其余车道不拥堵，其面积拥堵指数G₁可能会小于阈值α₁，被判断为整体不拥堵，此时就需要再通过车道拥堵指数G₂来判断是否出现了车道的拥堵，而由于车道拥堵指数G₂是取的所有车道的平均值，因此也会出现实际拥堵但得出的结果可能是不拥堵或者缓行的情况，需要再通过车距拥堵指数G₃进行最后的判定，其中在计算整体的车道拥堵指数G₂的时候有得出每条单车道的车道拥堵指数，可以分别对每个车道结合其对应的车距来判定每一个车道的拥堵情况，这样中控决策平台可以对道路的拥堵进行更精准的应对方式，即综合不同车道的情况采取更合适的调度措施。

以上所述实施例仅表示本发明的实施方式，其描述较为具体和详细，但并不能理解为对本发明范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变型和改进，这些都属于本发明保护范围。

Claims (8)

1.一种基于视频图像处理的道路拥堵检测方法，其特征在于，该方法具体包括以下步骤：

Step1：从道路监控系统获取原始图像数据R；

Step2：对原始图像数据R进行预处理，得到处理后的数据R′；

Step3：对处理后的数据R′进行特征分析，提取其特征属性Q，特征属性Q包括道路结构化信息Q₁和车辆结构化信息Q₂；

Step4：对特征属性Q进行关键值提取及关联性判定，关联性判定指车道和车辆的相关性；

Step5：依据车道和车辆的相关性计算拥堵指数，并通过阈值系统对拥堵指数进行决策分析得到道路状态；

Step6：对道路状态中的拥堵状态进行处理。

2.根据权利要求1所述的基于视频图像处理的道路拥堵检测方法，其特征在于：所述步骤Step1中，原始数据R的获取来源于直接架设于道路上的摄像设备、监控中心已经部署好的流媒体平台以及其他道路监控系统；原始数据R包括图片、视频和网络串流。

3.根据权利要求1所述的基于视频图像处理的道路拥堵检测方法，其特征在于：所述步骤Step2中，对原始图像数据R依据其类型进行不同的预处理，具体处理如下：

若获取的原始图像数据R的类型为图片形式，则将图像关联性阈值γ设置为0，之后将原始图像数据R中所有数据设置为内部私有数据类型即得到处理后的数据R′；

若获取的原始图像数据R的类型为视频形式，则将图像关联性阈值γ设置为1，之后读取原始图像数据R的每帧数据并将其转化为图片形式，再将数据设置为内部私有数据类型即得到处理后的数据R′；

若获取的原始图像数据R的类型为网络串流形式，则将图像关联性阈值γ设置为0.5，并开启缓存池；接着采用并行处理方式，一方面不断接受网络串流数据，将其每帧数据转化为图片形式并写入缓存池，另一方面从缓存池中不断读取数据，设置为内部私有数据类型即得到处理后的数据R′。

4.根据权利要求1所述的基于视频图像处理的道路拥堵检测方法，其特征在于：所述步骤Step3中具体提取过程如下：以处理后的数据R′即内部私有数据类型作为原型，利用视频分析算法，对处理后的数据R′进行结构化分析，提取其特征属性Q，得到道路结构化信息Q₁和车辆结构化信息Q₂；

其中道路结构化信息Q₁包括车道走向、车道数量和道路形状；

其中车辆结构化信息Q₂包括车辆颜色、车辆所处位置和车辆大小。

5.根据权利要求1所述的基于视频图像处理的道路拥堵检测方法，其特征在于：所述步骤Step4的具体过程如下：以特征属性Q中的道路结构化信息Q₁为基准，对比车辆结构化信息Q₂的变化，并采用滤波算法，去除因车辆结构化信息Q₂而造成的阴影和鬼影现象，得出车辆与车道的关联性，即以车辆最后出现的位置信息判断出车辆对应所处的车道。

6.根据权利要求1所述的基于视频图像处理的道路拥堵检测方法，其特征在于：所述步骤Step5的具体过程如下：

计算面积拥堵指数G₁：

其中，V为所有车道在数据帧中所占的像素面积，V'为所有车辆在数据帧中所占的像素面积；

计算车道拥堵指数G₂：

其中，L_p为车道p在数据帧中所占的周长，L_q为车道p对应的所有车辆q在数据帧中所占的周长，i∈[1,z]，z为车道总数量；

计算车距拥堵指数G₃：

其中，S_j为依据车道的走向及车辆所处位置信息，两两映射出的每个车道上前后相邻车辆之间的车距，j∈[1,v]，设两相邻的车辆为一组，v为所有车道上相邻车辆的组数，G₃即为所有相邻车辆之间的车距的平均值，单位为米；

依据上述拥堵指数对道路状态进行分析，a若面积拥堵指数G₁≥α₁，则说明当前道路车辆非常拥堵；若面积拥堵指数α₁>G₁≥α₂，则说明当前道路车辆缓行；若G₁<α₂，则说明道路空间占有率不足，则进入步骤b通过车道拥堵指数G₂继续判断；

b若G₂≥α₃，则说明当前车道已被车辆全部占用；若α₃>G₂≥α₄，则说明当前车道车辆缓行；若G₂<α₄，则进入步骤c通过车距拥堵指数G₃继续判断；

c若G₃≥α₅，则说明当前道路畅通，没有车辆拥堵的情况发生；若G₃<α₅，则说明当前道路部分存在车辆拥堵。

7.根据权利要求6所述的基于视频图像处理的道路拥堵检测方法，其特征在于：其中α₁＝0.9，α₂＝0.5，α₃＝0.8，α₄＝0.5，α₅＝0.5，α₁、α₂、α₃、α₄和α₅的取值可根据实际情况进行调整。

8.根据权利要求1所述的基于视频图像处理的道路拥堵检测方法，其特征在于：所述步骤Step6中对拥堵状态进行处理的方法如下：

将处理后的数据R′中相关图片或数据帧按时间顺序生成索引，存储入交通流数据库，并生成相关数据记录；

将发生拥堵状况的道路信息向信息发布平台推送，并将处理后的数据R′中相关图片或数据帧推送至信息发布平台；

触发事件报警，向中控决策平台推送发生拥堵状况的道路信息，并启动道路拥堵报警，等待调度。