CN110287905A - 一种基于深度学习的交通拥堵区域实时检测方法 - Google Patents

一种基于深度学习的交通拥堵区域实时检测方法 Download PDF

Info

Publication number
CN110287905A
CN110287905A CN201910570622.0A CN201910570622A CN110287905A CN 110287905 A CN110287905 A CN 110287905A CN 201910570622 A CN201910570622 A CN 201910570622A CN 110287905 A CN110287905 A CN 110287905A
Authority
CN
China
Prior art keywords
congestion
threshold
time
frame
target
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.)
Granted
Application number
CN201910570622.0A
Other languages
English (en)
Other versions
CN110287905B (zh
Inventor
高飞
王金超
葛一粟
李帅
卢书芳
张元鸣
邵奇可
陆佳炜
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Zhejiang University of Technology ZJUT
Original Assignee
Zhejiang University of Technology ZJUT
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Zhejiang University of Technology ZJUT filed Critical Zhejiang University of Technology ZJUT
Priority to CN201910570622.0A priority Critical patent/CN110287905B/zh
Publication of CN110287905A publication Critical patent/CN110287905A/zh
Application granted granted Critical
Publication of CN110287905B publication Critical patent/CN110287905B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/80—Analysis of captured images to determine intrinsic or extrinsic camera parameters, i.e. camera calibration
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/40—Scenes; Scene-specific elements in video content
    • G06V20/41—Higher-level, semantic clustering, classification or understanding of video scenes, e.g. detection, labelling or Markovian modelling of sport events or news items
    • 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
    • G08G1/0133—Traffic data processing for classifying traffic situation

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Computational Linguistics (AREA)
  • Multimedia (AREA)
  • Software Systems (AREA)
  • Biophysics (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Traffic Control Systems (AREA)
  • Image Analysis (AREA)

Abstract

本发明公布了一种基于深度学习的交通拥堵区域实时检测方法，包括有以下步骤：1)相机预置位设置以及相机标定；2)卷积神经网络模型初始化；3)获取当前视频帧与视频帧时间；4)检查相机工作状态；5)使用卷积神经网络模型对兴趣区域ROI进行车辆目标检测；6)维护静止目标跟踪队列；7)拥堵区域检测；8)拥堵状态上报。本发明提出一种拥堵检测区域拥堵判断算法，具有对环境变化较强的鲁棒性，实现了实时的检测效果以及较高的拥堵识别精度。

Description

一种基于深度学习的交通拥堵区域实时检测方法
技术领域
本发明涉及深度学习技术领域，具体涉及一种基于深度学习的交通拥堵区域实时检测方法。
背景技术
近年来，随着汽车的普及，城市道路容量出现不足，且伴随着设计不妥以及道路交会处过多，交通拥堵问题也变得及其突出，交通拥堵问题不仅仅会影响人们的出行效率，甚至更会导致严重的交通事故，严重危害人民的出行安全。因此，准确地检测并实时地通报交通拥堵就显得尤为重要。
现阶段，针对交通拥堵问题研究人员提出的解决方案主要有三种，第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，但该方法需要大量的人力物力；第二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，但这类传统方法的数据采集均依赖于地感线圈等硬件设施。而地感线圈的建设需要对路面造成破坏且施工复杂，易损坏，难修复；第三种是基于视频监控的交通拥堵检测技术，由于具有无需对路面造成破坏且能实时反映和采集大量交通信息的优点，基于视频监控的智慧交通逐渐成为热门的研究领域。但该类检测方法大多采用了传统的图像处理方法，存在着使用的局限性，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。
而当前与本发明相关的交通拥堵检测方法有：发明专利(公开号：CN107705560A，名称：一种融合视觉特征和卷积神经网络的道路拥堵检测方法)公开了一种融合视觉特征和卷积神经网络的道路拥堵检测方法，但该发明专利目的为拥堵状态的检测，无法进行实时拥堵检测，而本发明目的为多级拥堵区域检测，可以进行实时检测，两者存在明显的差别。
发明内容
为克服现有技术上检测精度低、检测速度慢的不足，本发明提供了一种基于深度学习的交通拥堵区域实时检测方法，用深度卷积神经网络CNN特征进行车辆目标检测，并集合视频时空连续性来准确而快速地进行拥堵区域检测。
为实现上述发明，采用的技术方案如下：
一种基于深度学习的交通拥堵区域实时检测方法，其特征在于，包括如下步骤：
1)相机预置位设置以及相机标定；
2)卷积神经网络模型初始化；
3)获取当前视频帧与视频帧时间；
4)检查相机工作状态；
5)使用卷积神经网络模型对兴趣区域ROI进行车辆目标检测；
6)维护静态目标跟踪队列；
7)拥堵区域检测；
8)拥堵状态上报。
所述的一种基于深度学习的交通拥堵区域实时检测方法，其特征在于，步骤1)中，所述的相机预置位为进行拥堵区域检测时相机所处的固定位置。
所述的一种基于深度学习的交通拥堵区域实时检测方法，其特征在于，步骤1)中，所述的相机预置位设置为将摄像头调整到合适的交通拥堵区域检测位置，并将当前相机位置设置为预置位。
所述的一种基于深度学习的交通拥堵区域实时检测方法，其特征在于，步骤1)中，所述的相机标定为截取相机视频流的一帧图像，在其上进行车道线、兴趣区域ROI、多个拥堵检测区域的标定，并且拥堵区域要求单车道上可容纳3辆车。
所述的一种基于深度学习的交通拥堵区域实时检测方法，其特征在于，步骤2)中，所述的卷积神经网络模型为YOLOv3，卷积神经网络模型初始化为卷积网络模型加载到GPU显卡中以及权重参数恢复。
所述的一种基于深度学习的交通拥堵区域实时检测方法，其特征在于，步骤4)中，所述的检查相机工作状态具体包括以下步骤：
4.1:获取当前相机的位置信息，与预置位比较是否相同，若相同则进行拥堵区域检测；否则，不进行拥堵区域检测；
4.2:计算当前视频帧时间Tcur与前一帧时间Tpre的时间间隔Tspace，单位均为秒，根据公式(1)计算：
Tspace＝Tcur-Tpre (1)
若Tspace≥3，则将静态目标跟踪队列重置；否则，进行正常的拥堵区域检测。
所述的一种基于深度学习的交通拥堵区域实时检测方法，其特征在于，步骤(6)中，所述的维护静态目标跟踪队列包含以下步骤：
6.1:得到当前帧的车辆目标检测结果后，过滤掉不在车道线内以及拥堵检测区域内的车辆；
6.2:基于检测的静态目标匹配：
6.2.1:计算当前帧检测到的车辆目标D和跟踪队列中目标Q的IoU和宽高误差Ew、Eh；IoU根据
公式(2)计算：
其中，Dbox为当前帧的车辆目标D的边界框box，Qinit_box为跟踪队列中目标Q的初始边界框init_box，∩为求交集，∪为求并集；
宽高误差Ew、Eh分别根据公式(3)、公式(4)计算：
其中abs()为求绝对值，Dw和Dh分别为当前帧的车辆目标D边界框box的宽高，Qw和Qh分别为跟踪队列中目标Q边界框box的宽高；
6.2.2:如果IoU≥IoUthreshold，Ew≤Ew_threshold，Eh≤Eh_threshold，则认为D和Q是同一辆车且是静止车辆，将Q标记为当前帧已检测；否则，则将该车辆目标D加入跟踪队列中，初始box为当前目标D的box，初始图像为当前视频帧，初始时间Qinit_time为当前视频帧的时间；其中IoUthreshold，Ew_threshold，Eh_threshold为预先设置的阈值，IoUthreshold的取值范围为0～1.0，Ew_threshold和Eh_threshold的取值要求大于等于0；
6.3:维护跟踪队列：若跟踪队列中存在跟踪目标Q在当前帧中没有检测到、且前Errortolerate_frame帧也没有得到更新，则认为该目标已经移动，并将该跟踪目标Q从跟踪队列中移除；其中Errortolerate_frame为预先设置的可调值，其取值范围为Errortolerate_frame≥1。
所述的一种基于深度学习的交通拥堵区域实时检测方法，其特征在于，步骤7)中，所述的拥堵区域检测包含以下步骤：
7.1:判断跟踪队列中的目标是否为拥堵单元：跟踪目标Q的停留时间During≥Thresholdduring，则认为该目标为拥堵单元；其中Thresholdduring为预先设置的可调值，单位为秒，其取值范围为Thresholdduring≥1；
停留时间During根据公式(5)计算：
During＝Tcur-Qinit_time (5)
其中，Tcur为当前视频帧时间，Qinit_time为跟踪目标Q的初始时间；
7.2:拥堵区域检测：如果在拥堵检测区域中同一个车道内存在ThresholdnumPerLoad个拥堵单元，或者该拥堵检测区域总共存在Thresholdtotal个拥堵单元，则判断该拥堵检测区域为拥堵；其中ThresholdnumPerLoad，Thresholdtotal为预先阈值的阈值，其取值范围为ThresholdnumPerLoad≥1，Thresholdtotal≥1；
7.3:多级拥堵判断：如果当前拥堵检测区域堵塞或者存在Thresholdnum个拥堵目标，则进入下一个后方拥堵检测区域拥堵判断，需要上报的拥堵区域集合为P＝{areai|i＜n}；
其中areai表示第i个拥堵检测区域，拥堵检测区域按行驶方向从前往后编号，n为当前检测到的最后方的拥堵区域编号；Thresholdnum为预先阈值的阈值，其取值范围为Thresholdnum≥1。
所述的一种基于深度学习的交通拥堵区域实时检测方法，其特征在于，步骤8)中，所述的拥堵状态上报包含以下步骤：
8.1:得到最后拥堵的拥堵检测区域集合P后，进行拥堵上报条件判断：如果上一帧不拥堵、且当前为拥堵，则进行上报；如果上一帧存在拥堵且和当前拥堵区域集合P相同、且拥堵间隔满足TcongestSpace≥ThresholdsaveInterval，则进行上报；如果上一帧存在拥堵且和当前拥堵区域集合P不相同，若拥堵间隔满足TcongestSpace≥ThresholdtolerantInterval，则进行上报，若拥堵间隔不满足TcongestSpace≥ThresholdtolerantInterval，则将当前拥堵区域集合强行置为上一次拥堵区域集合，但不进行上报；其中ThresholdsaveInterval，ThresholdtolerantInterval为预先阈值的阈值，单位为秒，其取值范围为ThresholdsaveInterval≥1，ThresholdtolerantInterval≥1；
拥堵间隔TcongestSpace根据公式(6)计算：
TcongestSpace＝Tcur-TlastCongest (6)
其中Tcur为当前帧时间，TlastCongest上一次汇报拥堵的时间；
8.2:如果需要进行拥堵状态上报，在拥堵区域arean中选择停留时间最短的拥堵目标Qmin，在Qmin的初始视频帧和当前视频帧上绘制出当前的拥堵区域集合P，并在视频帧底边添加视频帧时间和地点信息后将两张图像左右排列合并，最后将拥堵信息以及合成图进行上报。
与现有技术相比，本发明具有的主要有益效果为：
本发明提出一种拥堵检测区域拥堵判断算法，具有对环境变化较强的鲁棒性，实现了实时的检测效果以及较高的拥堵识别精度，可以极大降低人力资源成本、缓解交通拥堵、减少交通负荷和环境污染、保证交通安全、提高通行效率。
附图说明
图1为本发明方法的步骤流程图；
图2为本发明方法的标定图实例，其中四条实线线段为车道线，两个较小矩形框为拥堵检测区域，最大区域矩形框为兴趣区域ROI；
图3为本发明方法的三张拥堵检测效果图，其中矩形框为拥堵区域。
具体实施方式
为使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例对本发明进行进一步的详细说明。应当理解，此处所描述的具体实施方式仅仅用以解释本发明，并不限定本发明的保护范围。
如图1-3所示，本实施例提供的基于深度学习的交通拥堵区域实时检测方法包括以下步骤：
S1，相机预置位设置以及相机标定。
具体地，将摄像头调整到合适的交通拥堵区域检测位置，并将当前相机位置设置为预置位；之后截取相机视频流的一帧图像，在其上进行车道线、兴趣区域ROI、多个拥堵检测区域的标定，并且拥堵区域要求单车道上可容纳3辆车。
S2，卷积神经网络模型初始化。
具体地，将卷积网络模型加载到GPU显卡中并将权重参数恢复。
S3，获取当前视频帧与视频帧时间。
S4，检查相机工作状态。
具体地，包括以下步骤：
S4.1:获取当前相机的位置信息，与预置位比较是否相同，若相同则进行拥堵区域检测；否则，不进行拥堵区域检测；
S4.2:计算当前视频帧时间Tcur与前一帧时间Tpre的时间间隔Tspace，单位均为秒，根据公式(1)计算：
Tspace＝Tcur-Tpre (1)
若Tspace≥3，则将静态目标跟踪队列重置；否则，进行正常的拥堵区域检测。
S5，使用卷积神经网络模型对兴趣区域ROI进行车辆目标检测。
S6，维护静态目标跟踪队列。
具体地，包括以下步骤：
S6.1:得到当前帧的车辆目标检测结果后，过滤掉不在车道线内以及拥堵检测区域内的车辆；
S6.2:基于检测的静态目标匹配：
S6.2.1:计算当前帧检测到的车辆目标D和跟踪队列中目标Q的IoU和宽高误差Ew、Eh；IoU根据
公式(2)计算：
其中，Dbox为当前帧的车辆目标D的边界框box，Qinit_box为跟踪队列中目标Q的初始边界框init_box，∩为求交集，∪为求并集；
宽高误差Ew、Eh分别根据公式(3)、公式(4)计算：
其中abs()为求绝对值，Dw和Dh分别为当前帧的车辆目标D边界框box的宽高，Qw和Qh分别为跟踪队列中目标Q边界框box的宽高；
S6.2.2:如果IoU≥IoUthreshold，Ew≤Ew_threshold，Eh≤Eh_threshold，则认为D和Q是同一辆车且是静止车辆，将Q标记为当前帧已检测；否则，则将该车辆目标D加入跟踪队列中，初始box为当前目标D的box，初始图像为当前视频帧，初始时间Qinit_time为当前视频帧的时间；其中IoUthreshold，Ew_threshold，Eh_threshold为预先设置的阈值，IoUthreshold的取值范围为0～1.0，Ew_threshold和Eh_threshold的取值要求大于等于0；在本实施例中，IoUthreshold＝0.4，Ew_threshold＝0.5，Eh_threshold＝0.5；
S6.3:维护跟踪队列：若跟踪队列中存在跟踪目标Q在当前帧中没有检测到、且前Errortolerate_frame帧也没有得到更新，则认为该目标已经移动，并将该跟踪目标Q从跟踪队列中移除；其中Errortolerate_frame为预先设置的可调值，其取值范围为Errortolerate_frame≥1；在本实施例中，Errortolerate_frame＝1。
S7，拥堵区域检测。
具体地，包含以下步骤：
S7.1:判断跟踪队列中的目标是否为拥堵单元：跟踪目标Q的停留时间During≥Thresholdduring，则认为该目标为拥堵单元；其中Thresholdduring为预先设置的可调值，单位为秒，其取值范围为Thresholdduring≥1；在本实施例中，Thresholdduring＝20
停留时间During根据公式(5)计算：
During＝Tcur-Qinit_time (5)
其中，Tcur为当前视频帧时间，Qinit_time为跟踪目标Q的初始时间；
S7.2:拥堵区域检测：如果在拥堵检测区域中同一个车道内存在ThresholdnumPerLoad个拥堵单元，或者该拥堵检测区域总共存在Thresholdtotal个拥堵单元，则判断该拥堵检测区域为拥堵；其中ThresholdnumPerLoad，Thresholdtotal为预先阈值的阈值，其取值范围为ThresholdnumPerLoad≥1，Thresholdtotal≥1；在本实施例中，ThresholdnumPerLoad＝2，Thresholdtotal＝4；
S7.3:多级拥堵判断：如果当前拥堵检测区域堵塞或者存在Thresholdnum个拥堵目标，则进入下一个后方拥堵检测区域拥堵判断，需要上报的拥堵区域集合为P＝{areai|i＜n}；
其中areai表示第i个拥堵检测区域，拥堵检测区域按行驶方向从前往后编号，n为当前检测到的最后方的拥堵区域编号；Thresholdnum为预先阈值的阈值，其取值范围为Thresholdnum≥1；在本实施例中，Thresholdnum＝1。
S8，拥堵状态上报。
具体地，包含以下步骤：
S8.1:得到最后拥堵的拥堵检测区域集合P后，进行拥堵上报条件判断：如果上一帧不拥堵、且当前为拥堵，则进行上报；如果上一帧存在拥堵且和当前拥堵区域集合P相同、且拥堵间隔满足TcongestSpace≥ThresholdsaveInterval，则进行上报；如果上一帧存在拥堵且和当前拥堵区域集合P不相同，若拥堵间隔满足TcongestSpace≥ThresholdtolerantInterval，则进行上报，若拥堵间隔不满足TcongestSpace≥ThresholdtolerantInterval，则将当前拥堵区域集合强行置为上一次拥堵区域集合，但不进行上报；其中ThresholdsaveInterval，ThresholdtolerantInterval为预先阈值的阈值，单位为秒，其取值范围为ThresholdsaveInterval≥1，ThresholdtolerantInterval≥1；在本实施例中，ThresholdsaveInterval＝300，ThresholdtolerantInterval＝15。
拥堵间隔TcongestSpace根据公式(6)计算：
TcongestSpace＝Tcur-TlastCongest (6)
其中Tcur为当前帧时间，TlastCongest上一次汇报拥堵的时间；
S8.2:如果需要进行拥堵状态上报，在拥堵区域arean中选择停留时间最短的拥堵目标Qmin，在Qmin的初始视频帧和当前视频帧上绘制出当前的拥堵区域集合P，并在视频帧底边添加视频帧时间和地点信息后将两张图像左右排列合并，最后将拥堵信息以及合成图进行上报。
以上所述的具体实施方式对本发明的技术方案和有益效果进行了详细说明，应理解的是以上所述仅为本发明的最优选实施例，并不用于限制本发明，凡在本发明的原则范围内所做的任何修改、补充和等同替换等，均应包含在本发明的保护范围之内。

Claims (9)

1.一种基于深度学习的交通拥堵区域实时检测方法，其特征在于，包括如下步骤：
1)相机预置位设置以及相机标定；
2)卷积神经网络模型初始化；
3)获取当前视频帧与视频帧时间；
4)检查相机工作状态；
5)使用卷积神经网络模型对兴趣区域ROI进行车辆目标检测；
6)维护静态目标跟踪队列；
7)拥堵区域检测；
8)拥堵状态上报。
2.如权利要求1所述的一种基于深度学习的交通拥堵区域实时检测方法，其特征在于，步骤1)中，所述的相机预置位为进行拥堵区域检测时相机所处的固定位置。
3.如权利要求1所述的一种基于深度学习的交通拥堵区域实时检测方法，其特征在于，步骤1)中，所述的相机预置位设置为将摄像头调整到合适的交通拥堵区域检测位置，并将当前相机位置设置为预置位。
4.如权利要求1所述的一种基于深度学习的交通拥堵区域实时检测方法，其特征在于，步骤1)中，所述的相机标定为截取相机视频流的一帧图像，在其上进行车道线、兴趣区域ROI、多个拥堵检测区域的标定，并且拥堵区域要求单车道上可容纳3辆车。
5.如权利要求1所述的一种基于深度学习的交通拥堵区域实时检测方法，其特征在于，步骤2)中，所述的卷积神经网络模型为YOLOv3，卷积神经网络模型初始化为卷积网络模型加载到GPU显卡中以及权重参数恢复。
6.如权利要求1所述的一种基于深度学习的交通拥堵区域实时检测方法，其特征在于，步骤4)中，所述的检查相机工作状态具体包括以下步骤：
4.1):获取当前相机的位置信息，与预置位比较是否相同，若相同则进行拥堵区域检测；否则，不进行拥堵区域检测；
4.2):计算当前视频帧时间Tcur与前一帧时间Tpre的时间间隔Tspace，单位均为秒，根据公式(1)计算：
Tspace＝Tcur-Tpre (1)
若Tspace≥3，则将静态目标跟踪队列重置；否则，进行正常的拥堵区域检测。
7.如权利要求1所述的一种基于深度学习的交通拥堵区域实时检测方法，其特征在于，步骤6)中，所述的维护静态目标跟踪队列包含以下步骤：
6.1):得到当前帧的车辆目标检测结果后，过滤掉不在车道线内以及拥堵检测区域内的车辆；
6.2):基于检测的静态目标匹配：
6.2.1):计算当前帧检测到的车辆目标D和跟踪队列中目标Q的IoU和宽高误差Ew、Eh；IoU根据公式(2)计算：
其中，Dbox为当前帧的车辆目标D的边界框box，Qinit_box为跟踪队列中目标Q的初始边界框init_box，∩为求交集，∪为求并集；
宽高误差Ew、Eh分别根据公式(3)、公式(4)计算：
其中abs()为求绝对值，Dw和Dh分别为当前帧的车辆目标D边界框box的宽高，Qw和Qh分别为跟踪队列中目标Q边界框box的宽高；
6.2.2):如果IoU≥IoUthreshold，Ew≤Ew_threshold，Eh≤Eh_threshold，则认为D和Q是同一辆车且是静止车辆，将Q标记为当前帧已检测；否则，则将该车辆目标D加入跟踪队列中，初始box为当前目标D的box，初始图像为当前视频帧，初始时间Qinit_time为当前视频帧的时间；其中IoUthreshold，Ew_threshold，Eh_threshold为预先设置的阈值，IoUthreshold的取值范围为0～1.0，Ew_threshold和Eh_threshold的取值要求大于等于0；
6.3):维护跟踪队列：若跟踪队列中存在跟踪目标Q在当前帧中没有检测到、且前Errortolerate_frame帧也没有得到更新，则认为该目标已经移动，并将该跟踪目标Q从跟踪队列中移除；其中Errortolerate_frame为预先设置的可调值，其取值范围为Errortolerate_frame≥1。
8.如权利要求1所述的一种基于深度学习的交通拥堵区域实时检测方法，其特征在于，步骤7)中，所述的拥堵区域检测包含以下步骤：
7.1):判断跟踪队列中的目标是否为拥堵单元：跟踪目标Q的停留时间During≥Thresholdduring，则认为该目标为拥堵单元；其中Thresholdduring为预先设置的可调值，单位为秒，其取值范围为Thresholdduring≥1；
停留时间During根据公式(5)计算：
During＝Tcur-Qinit_time (5)
其中，Tcur为当前视频帧时间，Qinit_time为跟踪目标Q的初始时间；
7.2):拥堵区域检测：如果在拥堵检测区域中同一个车道内存在ThresholdnumPerLoad个拥堵单元，或者该拥堵检测区域总共存在Thresholdtotal个拥堵单元，则判断该拥堵检测区域为拥堵；其中ThresholdnumPerLoad，Thresholdtotal为预先阈值的阈值，其取值范围为ThresholdnumPerLoad≥1，Thresholdtotal≥1；
7.3):多级拥堵判断：如果当前拥堵检测区域堵塞或者存在Thresholdnum个拥堵目标，则进入下一个后方拥堵检测区域拥堵判断，需要上报的拥堵区域集合为P＝{areai|i＜n}；
其中areai表示第i个拥堵检测区域，拥堵检测区域按行驶方向从前往后编号，n为当前检测到的最后方的拥堵区域编号；Thresholdnum为预先阈值的阈值，其取值范围为Thresholdnum≥1。
9.如权利要求1所述的一种基于深度学习的交通拥堵区域实时检测方法，其特征在于，步骤8)中，所述的拥堵状态上报包含以下步骤：
8.1):得到最后拥堵的拥堵检测区域集合P后，进行拥堵上报条件判断：如果上一帧不拥堵、且当前为拥堵，则进行上报；如果上一帧存在拥堵且和当前拥堵区域集合P相同、且拥堵间隔满足TcongestSpace≥ThresholdsaveInterval，则进行上报；如果上一帧存在拥堵且和当前拥堵区域集合P不相同，若拥堵间隔满足TcongestSpace≥ThresholdtolerantInterval，则进行上报，若拥堵间隔不满足TcongestSpace≥ThresholdtolerantInterval，则将当前拥堵区域集合强行置为上一次拥堵区域集合，但不进行上报；其中ThresholdsaveInterval，ThresholdtolerantInterval为预先阈值的阈值，单位为秒，其取值范围为ThresholdsaveInterval≥1，ThresholdtolerantInterval≥1；
拥堵间隔TcongestSpace根据公式(6)计算：
TcongestSpace＝Tcur-TlastCongest (6)
其中Tcur为当前帧时间，TlastCongest上一次汇报拥堵的时间；
8.2):如果需要进行拥堵状态上报，在拥堵区域arean中选择停留时间最短的拥堵目标Qmin，在Qmin的初始视频帧和当前视频帧上绘制出当前的拥堵区域集合P，并在视频帧底边添加视频帧时间和地点信息后将两张图像左右排列合并，最后将拥堵信息以及合成图进行上报。
CN201910570622.0A 2019-06-27 2019-06-27 一种基于深度学习的交通拥堵区域实时检测方法 Active CN110287905B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910570622.0A CN110287905B (zh) 2019-06-27 2019-06-27 一种基于深度学习的交通拥堵区域实时检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910570622.0A CN110287905B (zh) 2019-06-27 2019-06-27 一种基于深度学习的交通拥堵区域实时检测方法

Publications (2)

Publication Number Publication Date
CN110287905A true CN110287905A (zh) 2019-09-27
CN110287905B CN110287905B (zh) 2021-08-03

Family

ID=68019238

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910570622.0A Active CN110287905B (zh) 2019-06-27 2019-06-27 一种基于深度学习的交通拥堵区域实时检测方法

Country Status (1)

Country Link
CN (1) CN110287905B (zh)

Cited By (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110929676A (zh) * 2019-12-04 2020-03-27 浙江工业大学 一种基于深度学习的违章掉头实时检测方法
CN110956823A (zh) * 2020-02-21 2020-04-03 浩鲸云计算科技股份有限公司 一种基于视频分析的交通拥堵检测方法
CN110992693A (zh) * 2019-12-04 2020-04-10 浙江工业大学 一种基于深度学习的交通拥堵程度多维度分析方法
CN111027447A (zh) * 2019-12-04 2020-04-17 浙江工业大学 一种基于深度学习的道路溢出实时检测方法
CN111081012A (zh) * 2019-11-25 2020-04-28 沈阳世纪高通科技有限公司 交通事件的处理方法及装置
CN111597899A (zh) * 2020-04-16 2020-08-28 浙江工业大学 景区地面塑料瓶探测方法
CN111932933A (zh) * 2020-08-05 2020-11-13 杭州像素元科技有限公司 一种城市智能停车位检测方法、设备及可读存储介质
CN112216119A (zh) * 2020-07-15 2021-01-12 遵义同望智能科技有限公司 一种识别高速公路交通工具通行事件的方法
CN112581759A (zh) * 2020-12-09 2021-03-30 张兴莉 一种基于智慧交通的云计算方法及系统
CN112767681A (zh) * 2020-12-16 2021-05-07 济南博观智能科技有限公司 一种交通状态检测方法、装置及相关设备
CN112985439A (zh) * 2021-02-08 2021-06-18 青岛大学 一种基于YOLOv3与卡尔曼滤波的行人堵塞状态预测方法
CN114882709A (zh) * 2022-04-22 2022-08-09 四川云从天府人工智能科技有限公司 车辆拥堵检测方法、装置及计算机存储介质

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101916383A (zh) * 2010-08-25 2010-12-15 浙江师范大学 基于多摄像机的车辆检测跟踪识别系统
CN105513342A (zh) * 2015-11-25 2016-04-20 南京莱斯信息技术股份有限公司 一种基于视频跟踪的车辆排队长度计算方法
CN107644528A (zh) * 2017-08-02 2018-01-30 浙江工业大学 一种基于车辆跟踪的车辆排队长度检测方法
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
CN109272482A (zh) * 2018-07-20 2019-01-25 浙江浩腾电子科技股份有限公司 一种基于序列图像的城市路口车辆排队检测系统
CN109285341A (zh) * 2018-10-31 2019-01-29 中电科新型智慧城市研究院有限公司 一种基于实时视频的城市道路车辆异常停驶检测方法
CN109887276A (zh) * 2019-01-30 2019-06-14 北京同方软件股份有限公司 基于前景提取与深度学习融合的夜间交通拥堵检测方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101916383A (zh) * 2010-08-25 2010-12-15 浙江师范大学 基于多摄像机的车辆检测跟踪识别系统
CN105513342A (zh) * 2015-11-25 2016-04-20 南京莱斯信息技术股份有限公司 一种基于视频跟踪的车辆排队长度计算方法
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
CN107644528A (zh) * 2017-08-02 2018-01-30 浙江工业大学 一种基于车辆跟踪的车辆排队长度检测方法
CN109272482A (zh) * 2018-07-20 2019-01-25 浙江浩腾电子科技股份有限公司 一种基于序列图像的城市路口车辆排队检测系统
CN109285341A (zh) * 2018-10-31 2019-01-29 中电科新型智慧城市研究院有限公司 一种基于实时视频的城市道路车辆异常停驶检测方法
CN109887276A (zh) * 2019-01-30 2019-06-14 北京同方软件股份有限公司 基于前景提取与深度学习融合的夜间交通拥堵检测方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
方勇等: "基于深度学习的道路交通拥堵检测", 《智能城市》 *

Cited By (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111081012A (zh) * 2019-11-25 2020-04-28 沈阳世纪高通科技有限公司 交通事件的处理方法及装置
CN110992693B (zh) * 2019-12-04 2021-08-24 浙江工业大学 一种基于深度学习的交通拥堵程度多维度分析方法
CN110992693A (zh) * 2019-12-04 2020-04-10 浙江工业大学 一种基于深度学习的交通拥堵程度多维度分析方法
CN111027447A (zh) * 2019-12-04 2020-04-17 浙江工业大学 一种基于深度学习的道路溢出实时检测方法
CN110929676A (zh) * 2019-12-04 2020-03-27 浙江工业大学 一种基于深度学习的违章掉头实时检测方法
CN111027447B (zh) * 2019-12-04 2024-01-23 浙江工业大学 一种基于深度学习的道路溢出实时检测方法
CN110956823A (zh) * 2020-02-21 2020-04-03 浩鲸云计算科技股份有限公司 一种基于视频分析的交通拥堵检测方法
CN111597899A (zh) * 2020-04-16 2020-08-28 浙江工业大学 景区地面塑料瓶探测方法
CN111597899B (zh) * 2020-04-16 2023-08-11 浙江工业大学 景区地面塑料瓶探测方法
CN112216119A (zh) * 2020-07-15 2021-01-12 遵义同望智能科技有限公司 一种识别高速公路交通工具通行事件的方法
CN111932933A (zh) * 2020-08-05 2020-11-13 杭州像素元科技有限公司 一种城市智能停车位检测方法、设备及可读存储介质
CN112581759A (zh) * 2020-12-09 2021-03-30 张兴莉 一种基于智慧交通的云计算方法及系统
CN112767681A (zh) * 2020-12-16 2021-05-07 济南博观智能科技有限公司 一种交通状态检测方法、装置及相关设备
CN112985439A (zh) * 2021-02-08 2021-06-18 青岛大学 一种基于YOLOv3与卡尔曼滤波的行人堵塞状态预测方法
CN112985439B (zh) * 2021-02-08 2023-10-17 青岛大学 一种基于YOLOv3与卡尔曼滤波的行人堵塞状态预测方法
CN114882709A (zh) * 2022-04-22 2022-08-09 四川云从天府人工智能科技有限公司 车辆拥堵检测方法、装置及计算机存储介质

Also Published As

Publication number Publication date
CN110287905B (zh) 2021-08-03

Similar Documents

Publication Publication Date Title
CN110287905A (zh) 一种基于深度学习的交通拥堵区域实时检测方法
CN110136447B (zh) 行车变道检测及违法变道识别的方法
CN110992693B (zh) 一种基于深度学习的交通拥堵程度多维度分析方法
CN108615358A (zh) 一种道路拥堵检测方法及装置
CN110929676A (zh) 一种基于深度学习的违章掉头实时检测方法
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
CN110298307A (zh) 一种基于深度学习的异常停车实时检测方法
CN107301776A (zh) 基于视频检测技术的车道路况处理及发布方法
CN102005120A (zh) 基于视频图像分析的交通路口监控技术和系统
CN102867415B (zh) 基于视频检测技术的道路拥堵判别方法
CN111027447B (zh) 一种基于深度学习的道路溢出实时检测方法
CN103295403A (zh) 一种交通流视觉检测方法
CN103164958A (zh) 车辆监控方法及系统
CN105405297B (zh) 一种基于监控视频的交通事故自动检测方法
Pan et al. Traffic surveillance system for vehicle flow detection
JP2019154027A (ja) ビデオ監視システムのパラメータ設定方法、装置及びビデオ監視システム
CN114329074B (zh) 一种匝道路段通行能效检测方法和系统
Tschentscher et al. Comparing image features and machine learning algorithms for real-time parking space classification
CN112329515B (zh) 一种高点视频监控拥堵事件检测方法
Mossi et al. Real-time traffic analysis at night-time
CN104463913A (zh) 违规停车智能检测装置与方法
CN110021174A (zh) 一种基于视频图像的适用多场景的车流量计算方法
Špaňhel et al. Detection of traffic violations of road users based on convolutional neural networks
CN112686956A (zh) 一种城市道路信号灯杆倾斜故障的检测方法
CN107038870A (zh) 一种车辆违章检测方法

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