CN110610118A - 交通参数采集方法及装置 - Google Patents
交通参数采集方法及装置 Download PDFInfo
- Publication number
- CN110610118A CN110610118A CN201810623039.7A CN201810623039A CN110610118A CN 110610118 A CN110610118 A CN 110610118A CN 201810623039 A CN201810623039 A CN 201810623039A CN 110610118 A CN110610118 A CN 110610118A
- Authority
- CN
- China
- Prior art keywords
- target object
- traffic parameters
- traffic
- target
- category
- 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.)
- Pending
Links
Classifications
-
- 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
-
- 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
- G06V20/54—Surveillance or monitoring of activities, e.g. for recognising suspicious objects of traffic, e.g. cars on the road, trains or boats
-
- 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
- G08G1/04—Detecting movement of traffic to be counted or controlled using optical or ultrasonic detectors
Abstract
本申请提供一种交通参数采集方法及装置。该方法包括:根据已学习的检测模型,检测目标对象以及识别所述目标对象的类别;按类别将所述目标对象归类到对应跟踪队列,按跟踪队列分别确定目标对象的属性信息;根据所述属性信息采集所述目标对象运动时的交通参数、以及各个跟踪队列的交通参数。通过深度学习理论,基于视频图像序列采集交通参数,以实现交通参数的及时性和准确性的提高,从而提高了道路交通安全性,缓解道路交通压力,提高出行效率。
Description
技术领域
本申请涉及数据处理技术领域,尤其涉及一种交通参数采集方法及装置。
背景技术
随着经济以及科技的不断发展,道路以及车辆的数量都不断在增加,这给交通管理带来的极大的挑战,尤其是对于道路交叉口这种城市道路的关键节点,极易由于人流、车流等的管理不善,造成交通阻塞,影响出行效率,且还会增加事故率。实时掌握路口的交通参数,以此来分析并采取相应的交通管理手段,能够提高道路的交通效率。
目前,一般使用线圈车辆检测器检测路口的交通流参数和通行状态,该方法基于电磁感应原理工作,埋在路面下线圈并通一定电流,当车辆通过时车辆自身铁质切割磁通线,引起线圈回路电感量变化,检测器通过检测电感量的变化检测车辆,根据车辆通过线圈的情况采集交通参数。从使用情况看,线圈检测器由于损坏率高、设置不灵活等问题,检测数据的可靠性比较差,而且线圈检测主要用于车流量的检测,对其他交通流参数的测量比较少。
发明内容
有鉴于此,本申请提供一种交通参数采集方法及装置。
具体地,本申请是通过如下技术方案实现的:
一方面,本发明实施例提供了一种交通参数采集方法。该方法包括:
根据已学习的检测模型,检测目标对象以及识别所述目标对象的类别;
按类别将所述目标对象归类到对应跟踪队列,按跟踪队列分别确定目标对象的属性信息;
根据所述属性信息采集所述目标对象运动时的交通参数、以及各个跟踪队列的交通参数。
另一方面,本发明实施例提供了一种交通参数采集装置。该装置包括:
检测与识别单元,用于根据已学习的检测模型,检测目标对象以及识别所述目标对象的类别;
确定单元,用于按类别将所述目标对象归类到对应跟踪队列,按跟踪队列分别确定目标对象的属性信息;
采集单元,用于根据所述属性信息采集所述目标对象运动时的交通参数、以及各个跟踪队列的交通参数。
另一方面,本发明实施例提供了一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序。所述处理器执行所述程序时实现以下步骤:根据已学习的检测模型,检测目标对象以及识别所述目标对象的类别;
按类别将所述目标对象归类到对应跟踪队列,按跟踪队列分别确定目标对象的属性信息;
根据所述属性信息采集所述目标对象运动时的交通参数、以及各个跟踪队列的交通参数。
本发明实施例采用深度学习理论,基于视频图像序列采集交通参数,可以提高交通参数的及时性和准确性,大大提高了道路交通安全性,缓解道路交通压力,提高出行效率。
附图说明
图1为本发明实施例中采集设备架设俯视图;
图2为本发明实施例中采集设备架设立面图;
图3为本发明实施例提供的一种交通参数采集方法流程示意图;
图4为本发明实施例交通参数采集的一个示例;
图5为本发明实施例佳通参数采集的另一个示例;
图6为本发明实施例提供的一种交通参数采集装置结构示意图;
图7为本发明实施例提供的一种计算机设备结构示意图。
具体实施方式
这里将详细地对示例性实施例进行说明,其示例表示在附图中。下面的描述涉及附图时,除非另有表示,不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本申请相一致的所有实施方式。相反,它们仅是与如所附权利要求书中所详述的、本申请的一些方面相一致的装置和方法的例子。
在本申请使用的术语是仅仅出于描述特定实施例的目的,而非旨在限制本申请。在本申请和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式,除非上下文清楚地表示其他含义。还应当理解,本文中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。
应当理解,尽管在本申请可能采用术语第一、第二、第三等来描述各种信息,但这些信息不应限于这些术语。这些术语仅用来将同一类型的信息彼此区分开。例如,在不脱离本申请范围的情况下,第一信息也可以被称为第二信息,类似地,第二信息也可以被称为第一信息。取决于语境,如在此所使用的词语“如果”可以被解释成为“在……时”或“当……时”或“响应于确定”。
本发明实施例适用于采集设备,例如视频车辆检测器。该视频车辆检测器是指采用视频图像处理技术实现某项交通流参数检测或者某项交通事件检测的设备,可以捕获以及存储图像。该采集设备基于采集的交通参数,可以控制十字路口信号灯或者实现电子警察功能,还能将其上传至城市交通监控中心。
采集设备包括图像采集部分以及数据处理部分。图像采集部分主要通过摄像头实现,数据处理部分主要通过处理器实现。其中,摄像头和处理器可以是分别设置,也可以设置在一起,成为一体设备,例如摄像机。
下面结合图1以及图2对采集设备架设进行进一步地介绍。图1为本发明实施例中采集设备架设俯视图,图2为本发明实施例中采集设备架设立面图。如图1和图2所示,采集设备被架设在单向四车道的上方6米的位置,该采集设备可以采集前方12米至70米处车道的图像。需要说明的是,图1和图2所示的架设方式仅为示例,本发明实施例还可以适用于同一个摄像头对更多或更少的车道、双向车道以及十字路口的车道的监控。
下面结合附图对本发明实施例进行进一步地介绍。
如图3所示的,图3为本发明实施例提供的一种交通参数采集方法流程示意图。该方法适用于采集设备,例如图1和图2所示的架设方式的采集设备。如图3所示,该方法具体包括如下步骤:
S310,根据已学习的检测模型,检测目标对象以及识别所目标对象的类别。
检测模型可以通过预先训练得到。例如通过训练神经网络得到,具体可以包括如下步骤:
首先,整理不同时间段,不同天气,不同架设,不同场景的路边停车图片样本(例如,可以整理图片样本20多万张),并对图片样本中的车辆(例如,货车、大巴、小型车等)、行人(例如,行人、自行车、三轮车等)、路障等目标进行标定,例如可以标定8类目标。
然后,采用神经网络模型对于已标定的图片样本进行训练,得到检测模型。例如,基于卷积神经网络(Convolutional Architecture for Fast Feature Embedding,Caffe)环境,采用快速目标检测卷积神经网络(Fast Regions with Convolutional NeuralNetwork features,FRCNN)迭代100万次达到收敛,得到检测模型。
在根据已学习的检测模型,检测目标对象以及识别目标对象的类别时,可以先将摄像头采集的当前帧图像发送给检测模型进行检测以及识别。
S320,按类别将目标对象归类到对应跟踪队列,按跟踪队列分别确定目标对象的属性信息。
对S310中检测到的目标对象进行实时跟踪,并记录目标对象的属性信息。例如,该属性信息可以包括目标对象的ID、目标对象的车牌号、目标对象的位置和目标对象的轨迹和目标对象的类别中的一项或多项等等。
具体地,首先,可以对当前帧检测到的目标对象按类别进行归类。例如,可以首先将目标对象归为机动车类和非机动车类,一般机动车需要在机动车道运动,而非机动车类主要在非机动车到和人行道运动,可以进一步根据类别将机动车划分为大型车、中型车以及小型车等等。
接下来,将当前帧图像中检测到的目标对象与跟踪队列中的目标对象进行关联匹配。例如,按类别逐一计算当前帧目标对象与跟踪队列中的目标框重合度以及车牌信息匹配度,若重合度大于阈值,则目标关联匹配成功,认为当前检测到的目标对象与跟踪队列中的目标对象为同一目标对象,若匹配失败,则在跟踪队列中新建目标。基于此,将当前帧图像中检测到的目标对象与跟踪队列中的目标对象进行关联匹配可以通过如下步骤实现:
按类别依次确定当前帧图像中目标对象与目标跟踪队列的目标框重合度;
若当前目标对象与当前目标跟踪队列的目标框重合度大于阈值,则在当前跟踪队列中的车牌信息中匹配当前目标对象的车牌信息;若当前目标对象与当前目标跟踪队列的目标框重合度小于阈值,则继续按类别依次确定当前帧图像中目标对象与目标跟踪队列的目标框重合度;
若匹配失败,则在当前跟踪队列的车牌信息中增加当前目标对象的车牌信息;
若匹配成功,则说明在当前跟踪队列的车牌信息中包括有当前目标对象的车牌信息,此时则无需再增加。
其中,跟踪队列可以根据初始图像中检测到的目标对象生成,并根据当前帧图像更新跟踪队列中的目标对象以及目标对象的属性信息。
S330,根据属性信息采集目标对象运动时的交通参数、以及各个跟踪队列的交通参数。
进一步地,可以根据属性信息采集目标对象运动时的交通参数、各个跟踪队列的交通参数以及目标对象所在车道的交通参数。
在本发明实施例中,目标对象的交通参数包括下述一项或多项:
目标对象的流量,该状态可以统计一段时间内通过的车辆数量;
目标对象的类别;
目标对象之间的时距,即为两辆车计数时(到达)的时间间隔;
目标对象之间的间距,两辆车计数时(到达)的车头间距;
目标对象的速度,车道内每个车辆通过的速度,等等。
在本发明实施例中,目标对象所在车道的交通参数包括下述一项或多项:
目标对象所在车道的拥堵程度,可以包括畅通、缓慢以及拥堵三种程度;
目标对象所在跟踪队列的长度,例如,出现拥挤和堵塞时的车道中目标对象的排队长度;
目标对象所在车道的时间占有率,其中,该时间占有率是指,目标对象所在车道的指定区域单位时间有车的占比;
目标对象所在车道的空间占有率,其中,空间占有率可以指目标对象的车长在其所在车道的指定区域的比值;等等。
在本发明实施例中,各个跟踪队列的交通参数包括下述一项或多项:
各个类别的流量;
各类别的时间占有率;
各类别的空间占有率;等等。
其中,时间占有率和空间占有率是对于车道而言的,根据各个跟踪队列的交通参数,可以进行统计,获取不同类型的车辆对交通的影响。例如,某一类别的对象在车道的时间或空间占有率高,但是对应的流量小,则说明该类型的车对交通效率影响较大,在交通较繁忙的时期,可以限制这类车辆进入公路的数量。
另外,根据各个车道的交通参数,控制交通信号灯;和/或,识别出目标对象的交通参数中违反交通规则的交通参数。从而实现智慧交通,节省人力,提高交通管理效率。
在本发明实施例具体实施过程中,可以通过配置测量线和车道线等辅助线,判断目标对象与这些辅助线的关系,结合目标对象的属性信息采集目标对象运动时的交通参数、各个跟踪队列的交通参数以及目标对象所在车道的交通参数。下面结合具体示例进行进一步介绍。
在一个示例中,辅助线可以包括两个测量线组,分别被设置在图像的远景端和近景端。其中一个测量线组可以为一个虚拟车道线圈,其中该虚拟线圈指示在图像中设定的线框。基于此,具体可以通过如下步骤实现交通参数的采集:
根据预先配置在远景端和近景端的测量线组以及目标对象的属性信息,采集目标对象经过远景端和近景端的测量线组时的交通参数、以及远景端和近景端的测量线组之间各个跟踪队列的交通参数。
在另一个示例中,车流量具体可以通过如下方式采集。主要包括采集目标对象的到达、离开信号以及类别等,根据目标对象的到达、离开信号确定车道的流量。结合如图4所示,具体包括如下:
预先配置车道信息,包括车道线圈以及车道方向;
根据当前目标对象的跟踪框,计算目标对象所属车道,记为idx;
若目标对象所在车道方向为背向,则当满足条件(vir_loop_rect_bot>obj_top)&&(ABS(vir_loop_rect_bot-obj_top)<0.5*vir_loop_rect_h)时,相应的线圈给出达到信号1。同时,给出当前目标对象的类别。其中,vir_loop_rect_bot为虚拟线圈的下边界,obj_top为目标对象的跟踪框的上边界,vir_loop_rect_h为虚拟线圈高度。类别主要包括:ITS_LIGHT_VEHICLE(小型车)、ITS_MIDDLE_VEHICLE(中型车)、ITS_HEAVY_VEHICLE(大型车)、ITS_TWO_WHEEL(二轮车)、ITS_THREE_WHEEL(三轮车)等等。
当loop_trig_up[idx]或者loop_trig_down[idx]值为1时(表示当前车道已经有车辆达到),则触发判断目标对象离开逻辑。当满足(vir_loop_rect_top<obj_bot)&&(ABS(vir_loop_rect_top-obj_bot)<0.5*vir_loop_rect_h)时,则认为目标对象离开,给出离开信号2。
loop_trig_up[idx]或者loop_trig_down[idx]值为1(表示此时有另一个车辆到达(即两个车辆同时压到线圈)),则对当前目标对象给离开信号2,然后再输出下一个目标对象的到达信号1。
在另一个示例中,目标对象的速度具体可以结合目标对象的到达离开信号确定如下方式采集。结合前述配置参数信息,以及目标对象所在车道到达离开信号,计算目标对象当前速度vehicle_speed=dis/dis_stamp,其中dis为目标对象所在线圈的上下边界间隔实际距离,dis_stamp为目标对象到达离开信号时间差。
在另一个示例中,目标对象对应的车头时距即为两辆车计数时(到达)的时间间隔;标对象对应的车头间距即为两辆车计数时(到达)的车头间距;该目标对象对应的车头时距和车头间距可以根据目标对象的到达离开信号确定。
在另一个示例中,目标框与线圈有交叠(即目标在线圈上时),输出100,其余情况输出0,时间占有率由外部统计,time_ratio=occupy_frame/total_frame,occupy_frame为输出为100的帧数,total_frame为实际帧数(统计周期);
在另一个示例中,空间占有率可以根据当前车道内目标对象跟踪框与车道区域的比值确定。如图5所示,遍历当前车道所有目标对象,计算车道内所有车辆累计高度vehicle_h,当前车道高度lane_h,则空间占有率space_ratio=vehicle_h/lane_h。
在另一个示例中,拥堵程度可以通过如下方式确定。其中,目标对象所在车道的拥堵程度:congestion_deg=100*((1.f-v_ratio)*((space_occup_ratio[i])));其中,v_ratio为当前车道内目标对象的平均速度,space_occup_ratio[i]为当前车道的空间占有率;根据预先定义的规则确定拥堵程度,例如,拥堵程度的取值范围为0~100,拥堵等级可按照实际场景或者架设由外部进行动态设置。
在另一个示例中,针对目标对象所在车道内处于静止状态的车辆数,对排队长度进行逐级累加,以得到跟踪队列长度。具体步骤如下:
步骤A:判断当前目标所在车道方向,正向或者背向;
步骤B:若为正向,则判断图像下端是否有车辆静止;若为背向,则判断图像上方是否有静止车辆;
步骤C:若存在静止车辆,则开始统计当前车道内静止车辆数,并统计跟踪队列长度:length=small_vehicle*6+large_vehicle*15,其中small_vehicle为小车个数,large_vehicle为大车个数。
对于下一帧图像,重复步骤A-步骤C,若当前帧跟踪队列长度小于之前帧保存的值,则取之前长度,否则更新当前帧长度(防止因遮挡目标丢失导致跟踪队列长度发生跳变现象)。
若正向车道图像下方或者背向车道图像上方,有多个车辆发生位移现象,则清空当前车道跟踪队列长度。
本发明实施例采用深度学习理论,基于视频图像序列采集交通参数,可以提高交通参数的及时性和准确性,大大提高了道路交通安全性,缓解道路交通压力,提高出行效率。
进一步地,基于目标对象的轨迹以及配置虚拟线圈,实现目标对象到达离开信号的确定,进而实现目标对象速度、空间占有率、时间占有率、跟踪队列长度等的实时统计。相比传统物理线圈,本方案采用虚拟检测区域用图像处理方式分析交通信息,且具有大区域检测、安装方便、后期维护量少的优点,对交通诱导以及道路监控具有极其重要的积极意义。本发明实施例采用深度学习技术,对机非人目标进行实时检测跟踪,可实现按类别统计流量功能;还可支持双线圈以及跟踪队列长度累加功能,可实时判断当前车道拥堵状况,进一步合理控制信号灯,可有效提高道路运行效率。本方案对道路交通参数进行实时采集,不仅能够为道路监管部门提供实时参考信息,方便管理调度,有效提高道路使用效率,而且可以减少交通事故的发生,保证出行者的生命财产安全。
与前述交通参数采集方法的实施例相对应,本申请还提供了交通参数采集装置的实施例。
请参考图6,图6为本发明实施例提供的一种交通参数采集装置结构示意图。如图6所示,该装置包括:
检测与识别单元601,用于根据已学习的检测模型,检测目标对象以及识别所述目标对象的类别;
确定单元602,用于按类别将所述目标对象归类到对应跟踪队列,按跟踪队列分别确定目标对象的属性信息;
采集单元603,用于根据所述属性信息采集所述目标对象运动时的交通参数、以及各个跟踪队列的交通参数。
在一个示例中,确定单元602具体用于:
按类别依次确定当前帧图像中目标对象与目标跟踪队列的目标框重合度;
若当前目标对象与当前目标跟踪队列的目标框重合度大于阈值,则在所述当前跟踪队列中的车牌信息中匹配所述当前目标对象的车牌信息;
若匹配失败,则在当前跟踪队列的车牌信息中增加所述当前目标对象的车牌信息。
在另一个示例中,所述目标对象的属性信息包括下述一项或多项:
目标对象的ID、目标对象的车牌号、目标对象的位置、目标对象的轨迹。
在另一个示例中,所述采集单元603具体用于:
根据所述属性信息采集所述目标对象运动时的交通参数、各个跟踪队列的交通参数以及目标对象所在车道的交通参数。
在另一个示例中,所述目标对象的交通参数包括下述一项或多项:目标对象的流量、目标对象的类别、目标对象之间的时距、目标对象之间的间距、目标对象的速度;
目标对象所在车道的交通参数包括下述一项或多项:目标对象所在车道的拥堵程度、目标对象所在跟踪队列的长度、目标对象所在车道的时间占有率、目标对象所在车道的空间占有率;
以及各个跟踪队列的交通参数包括下述一项或多项:各个类别的流量;各类别的时间占有率;各类别的空间占有率。
在另一个示例中,还包括:
控制单元,用于根据各个车道的交通参数,控制交通信号灯;和/或,
识别单元,用于识别出目标对象的交通参数中违反交通规则的交通参数。
在另一个示例中,所述采集单元603具体用于,根据预先配置在远景端和近景端的测量线组,以及所述属性信息采集所述目标对象经过远景端和近景端的测量线组时的交通参数、以及所述远景端和近景端的测量线组之间各个跟踪队列的交通参数。
上述装置中各个单元的功能和作用的实现过程具体详见上述方法中对应步骤的实现过程,在此不再赘述。
对于装置实施例而言,由于其基本对应于方法实施例,所以相关之处参见方法实施例的部分说明即可。以上所描述的装置实施例仅仅是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本申请方案的目的。本领域普通技术人员在不付出创造性劳动的情况下,即可以理解并实施。
本申请交通参数采集装置的实施例可以应用在计算机设备上。装置实施例可以通过软件实现,也可以通过硬件或者软硬件结合的方式实现。以软件实现为例,作为一个逻辑意义上的装置,是通过其所在计算机设备的处理器将非易失性存储器中对应的计算机程序指令读取到内存中运行形成的。从硬件层面而言,如图7所示,为本申请交通参数采集装置所在计算机设备的一种硬件结构图,除了图7所示的处理器、内存、网络接口、以及非易失性存储器之外,实施例中装置所在的计算机设备通常根据该计算机设备的实际功能,还可以包括其他硬件,对此不再赘述。
本说明书中描述的主题及功能操作的实施例可以在以下中实现:数字电子电路、有形体现的计算机软件或固件、包括本说明书中公开的结构及其结构性等同物的计算机硬件、或者它们中的一个或多个的组合。本说明书中描述的主题的实施例可以实现为一个或多个计算机程序,即编码在有形非暂时性程序载体上以被数据处理装置执行或控制数据处理装置的操作的计算机程序指令中的一个或多个模块。可替代地或附加地,程序指令可以被编码在人工生成的传播信号上,例如机器生成的电、光或电磁信号,该信号被生成以将信息编码并传输到合适的接收机装置以由数据处理装置执行。计算机存储介质可以是机器可读存储设备、机器可读存储基板、随机或串行存取存储器设备、或它们中的一个或多个的组合。
本说明书中描述的处理及逻辑流程可以由执行一个或多个计算机程序的一个或多个可编程计算机执行,以通过根据输入数据进行操作并生成输出来执行相应的功能。所述处理及逻辑流程还可以由专用逻辑电路—例如FPGA(现场可编程门阵列)或ASIC(专用集成电路)来执行,并且装置也可以实现为专用逻辑电路。
适合用于执行计算机程序的计算机包括,例如通用和/或专用微处理器,或任何其他类型的中央处理单元。通常,中央处理单元将从只读存储器和/或随机存取存储器接收指令和数据。计算机的基本组件包括用于实施或执行指令的中央处理单元以及用于存储指令和数据的一个或多个存储器设备。通常,计算机还将包括用于存储数据的一个或多个大容量存储设备,例如磁盘、磁光盘或光盘等,或者计算机将可操作地与此大容量存储设备耦接以从其接收数据或向其传送数据,抑或两种情况兼而有之。然而,计算机不是必须具有这样的设备。此外,计算机可以嵌入在另一设备中,例如移动电话、个人数字助理(PDA)、移动音频或视频播放器、游戏操纵台、全球定位系统(GPS)接收机、或例如通用串行总线(USB)闪存驱动器的便携式存储设备,仅举几例。
适合于存储计算机程序指令和数据的计算机可读介质包括所有形式的非易失性存储器、媒介和存储器设备,例如包括半导体存储器设备(例如EPROM、EEPROM和闪存设备)、磁盘(例如内部硬盘或可移动盘)、磁光盘以及CD ROM和DVD-ROM盘。处理器和存储器可由专用逻辑电路补充或并入专用逻辑电路中。
虽然本说明书包含许多具体实施细节,但是这些不应被解释为限制任何发明的范围或所要求保护的范围,而是主要用于描述特定发明的具体实施例的特征。本说明书内在多个实施例中描述的某些特征也可以在单个实施例中被组合实施。另一方面,在单个实施例中描述的各种特征也可以在多个实施例中分开实施或以任何合适的子组合来实施。此外,虽然特征可以如上所述在某些组合中起作用并且甚至最初如此要求保护,但是来自所要求保护的组合中的一个或多个特征在一些情况下可以从该组合中去除,并且所要求保护的组合可以指向子组合或子组合的变型。
类似地,虽然在附图中以特定顺序描绘了操作,但是这不应被理解为要求这些操作以所示的特定顺序执行或顺次执行、或者要求所有例示的操作被执行,以实现期望的结果。在某些情况下,多任务和并行处理可能是有利的。此外,上述实施例中的各种系统模块和组件的分离不应被理解为在所有实施例中均需要这样的分离,并且应当理解,所描述的程序组件和系统通常可以一起集成在单个软件产品中,或者封装成多个软件产品。
由此,主题的特定实施例已被描述。其他实施例在所附权利要求书的范围以内。在某些情况下,权利要求书中记载的动作可以以不同的顺序执行并且仍实现期望的结果。此外,附图中描绘的处理并非必需所示的特定顺序或顺次顺序,以实现期望的结果。在某些实现中,多任务和并行处理可能是有利的。
以上所述仅为本申请的较佳实施例而已,并不用以限制本申请,凡在本申请的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本申请保护的范围之内。
Claims (16)
1.一种交通参数采集方法,其特征在于,所述方法包括:
根据已学习的检测模型,检测目标对象以及识别所述目标对象的类别;
按类别将所述目标对象归类到对应跟踪队列,按跟踪队列分别确定目标对象的属性信息;
根据所述属性信息采集所述目标对象运动时的交通参数、以及各个跟踪队列的交通参数。
2.根据权利要求1所述的方法,其特征在于,所述按类别将所述目标对象归类到对应跟踪队列包括:
按类别依次确定当前帧图像中目标对象与目标跟踪队列的目标框重合度;
若当前目标对象与当前目标跟踪队列的目标框重合度大于阈值,则在所述当前跟踪队列中的车牌信息中匹配所述当前目标对象的车牌信息;
若匹配失败,则在当前跟踪队列的车牌信息中增加所述当前目标对象的车牌信息。
3.根据权利要求1所述的方法,其特征在于,所述目标对象的属性信息包括下述一项或多项:
目标对象的ID、目标对象的车牌号、目标对象的位置、目标对象的轨迹。
4.根据权利要求1所述的方法,其特征在于,根据所述属性信息采集所述目标对象运动时的交通参数、以及各个跟踪队列的交通参数包括:
根据所述属性信息采集所述目标对象运动时的交通参数、各个跟踪队列的交通参数以及目标对象所在车道的交通参数。
5.根据权利要求4所述的方法,其特征在于,所述目标对象的交通参数包括下述一项或多项:目标对象的流量、目标对象的类别、目标对象之间的时距、目标对象之间的间距、目标对象的速度;
所述目标对象所在车道的交通参数包括下述一项或多项:目标对象所在车道的拥堵程度、目标对象所在跟踪队列的长度、目标对象所在车道的时间占有率、目标对象所在车道的空间占有率;
以及各个跟踪队列的交通参数包括下述一项或多项:各个类别的流量;各类别的时间占有率;各类别的空间占有率。
6.根据权利要求4或5所述的方法,其特征在于,还包括:
根据各个车道的交通参数,控制交通信号灯;和/或,
识别出目标对象的交通参数中违反交通规则的交通参数。
7.根据权利要求1所述的方法,其特征在于,根据所述属性信息采集所述目标对象运动时的交通参数、以及各个跟踪队列的交通参数包括:
根据预先配置在远景端和近景端的测量线组,以及所述属性信息采集所述目标对象经过远景端和近景端的测量线组时的交通参数、以及所述远景端和近景端的测量线组之间各个跟踪队列的交通参数。
8.一种交通参数采集装置,其特征在于,所述装置包括:
检测与识别单元,用于根据已学习的检测模型,检测目标对象以及识别所述目标对象的类别;
确定单元,用于按类别将所述目标对象归类到对应跟踪队列,按跟踪队列分别确定目标对象的属性信息;
采集单元,用于根据所述属性信息采集所述目标对象运动时的交通参数、以及各个跟踪队列的交通参数。
9.根据权利要求8所述的装置,其特征在于,所述确定单元具体用于:
按类别依次确定当前帧图像中目标对象与目标跟踪队列的目标框重合度;
若当前目标对象与当前目标跟踪队列的目标框重合度大于阈值,则在所述当前跟踪队列中的车牌信息中匹配所述当前目标对象的车牌信息;
若匹配失败,则在当前跟踪队列的车牌信息中增加所述当前目标对象的车牌信息。
10.根据权利要求8所述的装置,其特征在于,所述目标对象的属性信息包括下述一项或多项:
目标对象的ID、目标对象的车牌号、目标对象的位置、目标对象的轨迹。
11.根据权利要求8所述的装置,其特征在于,所述采集单元具体用于:
根据所述属性信息采集所述目标对象运动时的交通参数、各个跟踪队列的交通参数以及目标对象所在车道的交通参数。
12.根据权利要求11所述的装置,其特征在于,所述目标对象的交通参数包括下述一项或多项:目标对象的流量、目标对象的类别、目标对象之间的时距、目标对象之间的间距、目标对象的速度;
目标对象所在车道的交通参数包括下述一项或多项:目标对象所在车道的拥堵程度、目标对象所在跟踪队列的长度、目标对象所在车道的时间占有率、目标对象所在车道的空间占有率;
以及各个跟踪队列的交通参数包括下述一项或多项:各个类别的流量;各类别的时间占有率;各类别的空间占有率。
13.根据权利要求11或12所述的装置,其特征在于,还包括:
控制单元,用于根据各个车道的交通参数,控制交通信号灯;和/或,
识别单元,用于识别出目标对象的交通参数中违反交通规则的交通参数。
14.根据权利要求8所述的装置,其特征在于,所述采集单元具体用于,根据预先配置在远景端和近景端的测量线组,以及所述属性信息采集所述目标对象经过远景端和近景端的测量线组时的交通参数、以及所述远景端和近景端的测量线组之间各个跟踪队列的交通参数。
15.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述程序被处理器执行时实现权利要求1-8任意一项所述方法的步骤。
16.一种计算机设备,包括存储器、处理器及存储在存储器上并可在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程序时实现以下步骤:根据已学习的检测模型,检测目标对象以及识别所述目标对象的类别;
按类别将所述目标对象归类到对应跟踪队列,按跟踪队列分别确定目标对象的属性信息;
根据所述属性信息采集所述目标对象运动时的交通参数、以及各个跟踪队列的交通参数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810623039.7A CN110610118A (zh) | 2018-06-15 | 2018-06-15 | 交通参数采集方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810623039.7A CN110610118A (zh) | 2018-06-15 | 2018-06-15 | 交通参数采集方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110610118A true CN110610118A (zh) | 2019-12-24 |
Family
ID=68888598
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810623039.7A Pending CN110610118A (zh) | 2018-06-15 | 2018-06-15 | 交通参数采集方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110610118A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111627241A (zh) * | 2020-05-27 | 2020-09-04 | 北京百度网讯科技有限公司 | 用于生成车辆排队信息的方法和装置 |
CN111640300A (zh) * | 2020-04-28 | 2020-09-08 | 武汉万集信息技术有限公司 | 一种车辆检测处理方法及装置 |
CN113505638A (zh) * | 2021-05-27 | 2021-10-15 | 中国科学院深圳先进技术研究院 | 车流量的监测方法、监测装置及计算机可读存储介质 |
Citations (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101196996A (zh) * | 2007-12-29 | 2008-06-11 | 北京中星微电子有限公司 | 一种图像检测方法及装置 |
CN101339608A (zh) * | 2008-08-15 | 2009-01-07 | 北京中星微电子有限公司 | 一种基于检测的目标跟踪方法及系统 |
CN101364347A (zh) * | 2008-09-17 | 2009-02-11 | 同济大学 | 基于视频的交叉口车辆控制延误的检测方法 |
CN101937614A (zh) * | 2010-06-12 | 2011-01-05 | 北京中科卓视科技有限责任公司 | 一种即插即用的交通综合检测系统 |
CN102509457A (zh) * | 2011-10-09 | 2012-06-20 | 青岛海信网络科技股份有限公司 | 一种车辆跟踪的方法及装置 |
CN102768804A (zh) * | 2012-07-30 | 2012-11-07 | 江苏物联网研究发展中心 | 基于视频的交通信息采集方法 |
CN102810250A (zh) * | 2012-07-31 | 2012-12-05 | 长安大学 | 基于视频的多车型交通信息检测方法 |
CN103116987A (zh) * | 2013-01-22 | 2013-05-22 | 华中科技大学 | 一种基于监控视频处理的车流统计和违规检测的方法 |
CN103208184A (zh) * | 2013-04-03 | 2013-07-17 | 昆明联诚科技有限公司 | 一种高速公路交通事件视频检测方法 |
CN103700261A (zh) * | 2014-01-03 | 2014-04-02 | 河海大学常州校区 | 一种基于视频的道路交通流特征参数监测及交通综合信息服务系统 |
CN104200657A (zh) * | 2014-07-22 | 2014-12-10 | 杭州智诚惠通科技有限公司 | 一种基于视频和传感器的交通流量参数采集方法 |
CN104537360A (zh) * | 2015-01-15 | 2015-04-22 | 上海博康智能信息技术有限公司 | 车辆未让行违章检测方法及其检测系统 |
CN105184271A (zh) * | 2015-09-18 | 2015-12-23 | 苏州派瑞雷尔智能科技有限公司 | 一种基于深度学习的车辆自动检测方法 |
CN106355884A (zh) * | 2016-11-18 | 2017-01-25 | 成都通甲优博科技有限责任公司 | 一种基于车型分类的高速公路车辆引导系统及方法 |
CN106373430A (zh) * | 2016-08-26 | 2017-02-01 | 华南理工大学 | 一种基于计算机视觉的交叉路口通行预警方法 |
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 |
CN107301369A (zh) * | 2017-09-04 | 2017-10-27 | 南京航空航天大学 | 基于航拍图像的道路交通拥堵分析方法 |
-
2018
- 2018-06-15 CN CN201810623039.7A patent/CN110610118A/zh active Pending
Patent Citations (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101196996A (zh) * | 2007-12-29 | 2008-06-11 | 北京中星微电子有限公司 | 一种图像检测方法及装置 |
CN101339608A (zh) * | 2008-08-15 | 2009-01-07 | 北京中星微电子有限公司 | 一种基于检测的目标跟踪方法及系统 |
CN101364347A (zh) * | 2008-09-17 | 2009-02-11 | 同济大学 | 基于视频的交叉口车辆控制延误的检测方法 |
CN101937614A (zh) * | 2010-06-12 | 2011-01-05 | 北京中科卓视科技有限责任公司 | 一种即插即用的交通综合检测系统 |
CN102509457A (zh) * | 2011-10-09 | 2012-06-20 | 青岛海信网络科技股份有限公司 | 一种车辆跟踪的方法及装置 |
CN102768804A (zh) * | 2012-07-30 | 2012-11-07 | 江苏物联网研究发展中心 | 基于视频的交通信息采集方法 |
CN102810250A (zh) * | 2012-07-31 | 2012-12-05 | 长安大学 | 基于视频的多车型交通信息检测方法 |
CN103116987A (zh) * | 2013-01-22 | 2013-05-22 | 华中科技大学 | 一种基于监控视频处理的车流统计和违规检测的方法 |
CN103208184A (zh) * | 2013-04-03 | 2013-07-17 | 昆明联诚科技有限公司 | 一种高速公路交通事件视频检测方法 |
CN103700261A (zh) * | 2014-01-03 | 2014-04-02 | 河海大学常州校区 | 一种基于视频的道路交通流特征参数监测及交通综合信息服务系统 |
CN104200657A (zh) * | 2014-07-22 | 2014-12-10 | 杭州智诚惠通科技有限公司 | 一种基于视频和传感器的交通流量参数采集方法 |
CN104537360A (zh) * | 2015-01-15 | 2015-04-22 | 上海博康智能信息技术有限公司 | 车辆未让行违章检测方法及其检测系统 |
CN105184271A (zh) * | 2015-09-18 | 2015-12-23 | 苏州派瑞雷尔智能科技有限公司 | 一种基于深度学习的车辆自动检测方法 |
CN106373430A (zh) * | 2016-08-26 | 2017-02-01 | 华南理工大学 | 一种基于计算机视觉的交叉路口通行预警方法 |
CN106355884A (zh) * | 2016-11-18 | 2017-01-25 | 成都通甲优博科技有限责任公司 | 一种基于车型分类的高速公路车辆引导系统及方法 |
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 |
CN107301369A (zh) * | 2017-09-04 | 2017-10-27 | 南京航空航天大学 | 基于航拍图像的道路交通拥堵分析方法 |
Non-Patent Citations (1)
Title |
---|
李庆华 等: "一种基于支持矢量机的交叉路口车型分类方法及流量参数的提取", 《中国图象图形学报》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111640300A (zh) * | 2020-04-28 | 2020-09-08 | 武汉万集信息技术有限公司 | 一种车辆检测处理方法及装置 |
CN111627241A (zh) * | 2020-05-27 | 2020-09-04 | 北京百度网讯科技有限公司 | 用于生成车辆排队信息的方法和装置 |
CN111627241B (zh) * | 2020-05-27 | 2024-04-09 | 阿波罗智联(北京)科技有限公司 | 用于生成路口车辆排队信息的方法和装置 |
CN113505638A (zh) * | 2021-05-27 | 2021-10-15 | 中国科学院深圳先进技术研究院 | 车流量的监测方法、监测装置及计算机可读存储介质 |
CN113505638B (zh) * | 2021-05-27 | 2024-04-02 | 中国科学院深圳先进技术研究院 | 车流量的监测方法、监测装置及计算机可读存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11074813B2 (en) | Driver behavior monitoring | |
CN109272756B (zh) | 一种信控交叉口排队长度估计方法 | |
CN110717433A (zh) | 一种基于深度学习的交通违规分析方法及装置 | |
CN102855760B (zh) | 基于浮动车数据的在线排队长度检测方法 | |
CN107301776A (zh) | 基于视频检测技术的车道路况处理及发布方法 | |
WO2017035663A1 (en) | System and method for detecting and tracking objects | |
CN102013159A (zh) | 基于高清视频检测数据的区域动态od矩阵获取方法 | |
WO2022166239A1 (zh) | 一种车辆行驶方案的规划方法、装置和存储介质 | |
CN102024330A (zh) | 基于高清视频技术的智能交通信号控制系统、方法及设备 | |
CN110610118A (zh) | 交通参数采集方法及装置 | |
CN107590999A (zh) | 一种基于卡口数据的交通状态判别方法 | |
CN103236162A (zh) | 一种基于视频分析的信号交叉口通行能力分析方法 | |
CN109637127B (zh) | 一种信号灯近似时长的确定方法及系统 | |
CN105374208A (zh) | 路况提醒和摄像头检测方法及其装置 | |
CN102024331A (zh) | 可用于智能交通信号控制系统的系统 | |
CN114973659A (zh) | 一种高速公路的间接事件检测的方法、装置及系统 | |
CN103903432A (zh) | 用于确定路链拥堵状况的设备和方法 | |
CN101976508A (zh) | 基于车牌识别数据的交通信号干线相位差优化方法 | |
CN114771548A (zh) | 用于高级驾驶辅助系统测试和验证的数据记录 | |
Zhang et al. | Machine learning and computer vision-enabled traffic sensing data analysis and quality enhancement | |
Minh et al. | Traffic state estimation with mobile phones based on the “3R” philosophy | |
Špaňhel et al. | Detection of traffic violations of road users based on convolutional neural networks | |
CN109377759B (zh) | 一种获取间断交通流中车队行程时间的方法 | |
CN102819957A (zh) | 基于上游线圈检测器信息的路段排队上溯识别方法 | |
CN105205500A (zh) | 基于多目标跟踪与级联分类器融合的车辆检测 |
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 |