CN110718061A - 交通路口车流量统计方法、装置、存储介质及电子设备 - Google Patents
交通路口车流量统计方法、装置、存储介质及电子设备 Download PDFInfo
- Publication number
- CN110718061A CN110718061A CN201910986557.XA CN201910986557A CN110718061A CN 110718061 A CN110718061 A CN 110718061A CN 201910986557 A CN201910986557 A CN 201910986557A CN 110718061 A CN110718061 A CN 110718061A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- statistical
- image frame
- image data
- video image
- 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
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
- G06V20/40—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
- 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
- G08G1/01—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
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/08—Detecting or categorising vehicles
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
- Traffic Control Systems (AREA)
Abstract
本申请涉及交通路口车流量统计方法、装置、存储介质及电子设备,属于交通流量统计技术领域,本申请的方法,包括:获取交通路口的视频图像数据;基于视频图像数据,预先将路口道路中每条车道识别划分为独立的统计区域;基于视频图像数据,针对每一统计区域采用基于深度学习的目标检测识别模型对车辆进行检测统计,得到相应统计区域的车辆统计数据;将各统计区域的车辆统计数据进行叠加,以实现交通路口车流量统计。本申请有助于高效实现交通路口车流量统计。
Description
技术领域
本申请属于交通流量统计技术领域,具体涉及一种交通路口车流量统计方法、装置、存储介质及电子设备。
背景技术
目前,进行交通流量统计采用的技术方案主要包括地感线圈检测方案、微波检测方案和视频图像检测方案。地感线圈检测方案属于一种被动接触式的检测方案,该方案在交通流量计算、交通占有率计算等方面精度较高,且受气候条件影响较小。但是该方案施工比较复杂,在安装实施中需要将线圈埋入道路下面,施工过程中不仅影响正常的交通,同时还损坏了道路,且后续设备维护成本较高。微波检测方案是利用红外线或微波等专用探测设备,通过发射电磁波并接收感应信息完成车辆检测,该方案相比地感线圈检测方案,设备安装实施比较简单,但其检测灵敏度不够高,相邻监测点容易相关干扰,存在一定的误检率。
而随着计算机图像处理与识别技术的发展,出现了基于视频图像进行检测的方案。视频图像检测方案属于非接触式检测方案,通过安装在道路上的摄像机、图像采集卡等设备来采集获取车辆视频图像。视频图像中车辆在监控视场下通行时,通过对车辆目标进行检测和跟踪,来实现交通车流量的统计。视频图像检测方案,其硬件安装、维护简单,不影响路面正常交通,相邻监控点之间信号不会相互干扰,且可灵活调整监控范围。
但现有的视频图像检测方案所采用的检测统计方法多为基于背景差分法、帧间差分法、Vibe算法、TLD跟踪、粒子滤波或KCF跟踪的方案,其实现方法较为复杂,效率不高。
发明内容
为至少在一定程度上克服相关技术中存在的问题,本申请提供一种交通路口车流量统计方法、装置、存储介质及电子设备,采用了不同实现形式的视频图像检测方案,有助于高效实现交通路口车流量统计。
为实现以上目的,本申请采用如下技术方案:
第一方面,
本申请提供一种交通路口车流量统计方法,该方法包括:
获取交通路口的视频图像数据;
基于所述视频图像数据,预先将路口道路中每条车道识别划分为独立的统计区域;
基于所述视频图像数据,针对每一统计区域采用基于深度学习的目标检测识别模型对车辆进行检测统计,得到相应统计区域的车辆统计数据;
将各统计区域的车辆统计数据进行叠加,以实现交通路口车流量统计。
可选地,所述基于所述视频图像数据,针对每一统计区域采用基于深度学习的目标检测识别模型对车辆进行检测统计,包括针对每一统计区域对应的区域视频图像数据分别执行如下步骤;
步骤1、读取该区域视频图像数据的初始图像帧作为当前图像帧,设置并初始化该统计区域的车辆统计变量、初始距离变量和移动距离变量;
步骤2、基于目标检测识别模型检测判断当前图像帧是否存在车俩,若判断存在车辆则继续进行步骤3,否则读取该区域视频图像数据的下一图像帧,将该图像帧作为新的当前图像帧,并重复执行步骤2;
步骤3、统计检测出的当前图像帧中车辆的数量,根据得到数量值对车辆统计变量进行累加更新;
步骤4、从检测出的车辆中确认位于车道最后位置的车辆,对车道最后位置的车辆进行特征点提取,以该特征点到统计区域的检查线的距离更新所述初始距离变量;
步骤5、读取该区域视频图像数据的下一图像帧,基于流光追踪算法根据该图像帧和当前图像帧计算所述特征点的移动距离,并以该移动距离对所述移动距离变量进行累加更新,之后将该图像帧作为新的当前图像帧;
步骤6、对所述移动距离变量和初始距离变量进行比较,若所述移动距离变量的值大于初始距离变量的值,则将所述移动距离变量归零并跳转执行步骤2,否则跳转执行步骤5。
可选地,所述统计检测出的当前图像帧中车辆的数量,具体包括,
检测提取出当前图像帧中所有车辆的边界框,并统计得到的边界框的初始个数值;
基于各车辆边界框的坐标值,确定最接近该统计区域的检查线的第一边缘车辆;
判断所述第一边缘车辆的边界框长度是否小于第一预设值,若小于所述第一预设值,则将所述初始个数值减1修正后作为当前图像帧中车辆的数量,否则将所述初始个数值作为当前图像帧中车辆的数量。
可选地,所述从检测出的车辆中确认位于车道最后位置的车辆,对车道最后位置的车辆进行特征点提取,具体包括,
基于各车辆边界框的坐标值,确定最远离该统计区域的检查线的第二边缘车辆;
判断所述第二边缘车辆的边界框长度是否大于等于第二预设值,若大于等于第二预设值,则以所述第二边缘车辆作为车道最后位置车辆,否则将相邻所述第二边缘车辆的车辆作为车道最后位置车辆;
提取车道最后位置车辆的中心坐标点作为所述特征点。
可选地,所述第一预设值和第二预设值均基于一般车辆的平均长度设定。
可选地,所述基于流光追踪算法根据该图像帧和当前图像帧计算所述特征点的移动距离,具体包括,
基于该图像帧和当前图像帧的灰度图像,根据Lucas-Kanade跟踪算法对所述特征点进行金字塔跟踪,确定所述特征点的移动速率;
基于该图像帧和当前图像帧之间的帧间隔,以及所述移动速率计算得到所述特征点的移动距离。
可选地,所述目标检测识别模型包括YOLO模型。
第二方面,
本申请提供一种交通路口车流量统计装置,该装置包括:
获取模块,用于获取交通路口的视频图像数据;
统计区域划分模块,用于基于视频图像数据,预先将路口道路中每条车道识别划分为独立的统计区域;
区域统计模块,用于基于所述视频图像数据,针对每一统计区域采用基于深度学习的目标检测识别模型对车辆进行检测统计,得到相应统计区域的车辆统计数据;
叠加模块,用于将各统计区域的车辆统计数据进行叠加,以实现交通路口车流量统计。
第三方面,
本申请提供一种可读存储介质,其上存储有可执行程序,所述可执行程序被处理器执行时实现上述所述方法的步骤。
第四方面,
本申请提供一种电子设备,包括:
存储器,其上存储有可执行程序;
处理器,用于执行所述存储器中的所述可执行程序,以实现上述所述方法的步骤。
本申请采用以上技术方案,至少具备以下有益效果:
本申请技术方案,对路口区域依照车辆通道进行固定的流量统计区域划分,且采用基于深度学习的目标检测识别模型对各统计区域车辆进行检测统计并叠加,方案实现简单高效。具体方案中,通过相对固定的特征点提取方式、使用车辆坐标替代算法提取特征点,且只提取一个特征点,快速高效实现了特征点提取;根据空间位置关系,对特征点进行移动距离计算,极大的减少了需要统计时刻的计算量,进而整体方案能快速、高效的解决多场景下的交通流量计算问题。
本发明的其他优点、目标,和特征在某种程度上将在随后的说明书中进行阐述,并且在某种程度上,基于对下文的考察研究对本领域技术人员而言将是显而易见的,或者可以从本发明的实践中得到教导。本发明的目标和其他优点可以通过下面的说明书,权利要求书,以及附图中所特别指出的结构来实现和获得。
附图说明
附图用来提供对本申请的技术方案或现有技术的进一步理解,并且构成说明书的一部分。其中,表达本申请实施例的附图与本申请的实施例一起用于解释本申请的技术方案,但并不构成对本申请技术方案的限制。
图1为本申请一个实施例提供的交通路口车流量统计方法的流程示意图;
图2为本申请另一个实施例提供的交通路口车流量统计方法的流程示意图;
图3为本申请一个实施例提供的交通路口车流量统计装置的结构示意图;
图4为本申请一个实施例提供的电子设备的结构示意图。
具体实施方式
为使本申请的目的、技术方案和优点更加清楚,下面将对本申请的技术方案进行详细的描述。显然,所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动的前提下所得到的所有其它实施方式,都属于本申请所保护的范围。
图1为本申请一个实施例提供的交通路口车流量统计方法的流程示意图,如图1所示,该交通路口车流量统计方法,包括以下步骤:
步骤S110,获取交通路口的视频图像数据。
步骤S120,基于视频图像数据,预先将路口道路中每条车道识别划分为独立的统计区域。
实际交通路口道路中,道路路面上包括车道线、靠近斑马线的停止线等标识线,本申请中基于这些实际标识线将每条车道识别划分为独立的统计区域,举例而言,交通路口道路为同向三车道,则可依据车道线、停止线和与停止线相对的人为选定的边界线,来将视频图像划分为三个独立的统计区域,其中将根据停止线生成的区域边缘线标注为区域的检查线(或者称为流量检查线),因为是实际存在的线条,进行标注与处理时相对方便高效。
步骤S130,基于视频图像数据,针对每一统计区域采用基于深度学习的目标检测识别模型对车辆进行检测统计,得到相应统计区域的车辆统计数据。这里的基于深度学习的目标检测识别模型为训练后的模型,例如经过训练的、针对车辆进行检测的YOLO模型。
步骤S140将各统计区域的车辆统计数据进行叠加,以实现交通路口车流量统计。
本申请技术方案,对路口区域依照车辆通道进行固定的流量统计区域划分,每个统计区域仅需考虑单向一车道的车辆统计,无需考虑相邻车道多车识别的问题,方案实现较简单高效。且采用基于深度学习的目标检测识别模型对各统计区域车辆进行检测统计并叠加,现有基于深度学习的目标检测识别模型已相对成熟可靠,易于调用集成,同样有利于方案的简单高效实现。
为进一步理解本申请的技术方案,下面以另一实施例对本申请技术方案进行说明。
基于前文的实施例,在该实施例中,如图2所示,基于视频图像数据,针对每一统计区域采用基于深度学习的目标检测识别模型对车辆进行检测统计,包括针对每一统计区域对应的区域视频图像数据分别执行如下步骤;
步骤1,读取该区域视频图像数据的初始图像帧作为当前图像帧,设置并初始化该统计区域的车辆统计变量、初始距离变量和移动距离变量。
为说明方便,本实施例中车辆统计变量、初始距离变量和移动距离变量分别用count、L0、L表示,这里初始化指将变量赋值为0。
步骤2,基于目标检测识别模型检测判断当前图像帧是否存在车俩,如基于YOLO模型进行有效目标分类来识别检测车辆;若判断存在车辆则继续进行步骤3,
否则读取该区域视频图像数据的下一图像帧,将该图像帧作为新的当前图像帧,并重复执行步骤2;
步骤3,统计检测出的当前图像帧中车辆的数量(或者说统计当前时刻的车辆数量),根据得到数量值对车辆统计变量count进行累加更新,举例而言检测到当前图像帧中有3辆车,则count=count+3;
具体的,步骤3中统计检测出的当前图像帧中车辆的数量的实现过程为:
检测提取出当前图像帧中所有车辆的边界框,将这些边界框的坐标值数据进行存储,并统计得到的边界框的初始个数值;
基于各车辆边界框的坐标值,确定最接近该统计区域检查线的第一边缘车辆;
判断第一边缘车辆的边界框长度是否小于第一预设值,若小于第一预设值,则将初始个数值减1修正后作为当前图像帧中车辆的数量(即为防止重复计数,进行修正),否则将初始个数值作为当前图像帧中车辆的数量。这里的第一预设值基于一般车辆的平均长度设定。
之后继续进行步骤4,从检测出的车辆中确认位于车道最后位置的车辆,对车道最后位置的车辆进行特征点提取,以该特征点到统计区域检查线的距离更新初始距离变量,即若计算得到该特征点到统计区域检查线的距离为5,则令L0=5。
具体的,步骤4中从检测出的车辆中确认位于车道最后位置的车辆,对车道最后位置的车辆进行特征点提取的实现过程为,
基于各车辆边界框的坐标值,确定最远离该统计区域的检查线的第二边缘车辆;
判断第二边缘车辆的边界框长度是否大于等于第二预设值,若大于等于第二预设值,则以该第二边缘车辆作为车道最后位置车辆,否则将相邻第二边缘车辆的车辆(即该统计区域中该图像帧中与第二边缘车辆直接相邻的车辆)作为车道最后位置车辆,同样的,这里的第二预设值也基于一般车辆的平均长度设定;
提取车道最后位置车辆的中心坐标点作为特征点。
该实施例中,通过提取车道中最后一辆车的中心坐标作为跟踪的特征点,不需要整图提取特征点,可减少计算量,也有利于后续光流跟踪算法实现。
如图2所示,之后继续进行步骤5,读取该区域视频图像数据的下一图像帧,基于流光追踪算法根据该图像帧和当前图像帧计算特征点的移动距离,并以该移动距离对移动距离变量进行累加更新,之后将该图像帧作为新的当前图像帧,举例而言计算特征点的移动距离为6,则L=L+6;
具体的,步骤5中基于流光追踪算法根据该图像帧和当前图像帧计算特征点的移动距离的实现过程为:
基于该图像帧和当前图像帧的灰度图像,根据Lucas-Kanade跟踪算法对特征点进行金字塔跟踪,确定特征点的移动速率;下面对特征点移动速率的确定过程进行进一步说明,
假设I和J分别是当前图像帧和该图像帧的二维灰度图像,对于图像上每个像素点的灰度值定义为:I(x)=I(x,y)和J(x)=j(x,y),其中(x,y)是图像上像素点的图像坐标。在实际场景中图像I和图像J代表前后两帧图像,对于图像特征点金字塔跟踪来说图像I上一点u(ux,uy),要在后一帧图J上找到一点v(ux+dx,uy+dy)与之相匹配,即灰度值最接近。那么向量d=[dx,dy]就是图像在点u处的运动速率,或者说像素点u的光流。而dt是我们知道,即相邻前后两帧的帧间隔。
这样基于该图像帧和当前图像帧之间的帧间隔dt,以及移动速率d=[dx,dy]计算得到特征点的移动距离。
之后继续进行步骤6,对移动距离变量L和初始距离变量L0进行比较,
若移动距离变量的值大于初始距离变量的值(说明最后一辆车已越过检查线),则将移动距离变量L归零并跳转执行步骤2,准备进行下一统计时刻。
否则跳转执行步骤5(继续光流跟随)。
本申请该实施例中,通过相对固定的特征点提取方式,使用车辆坐标替代算法提取特征点,且只提取一个特征点,快速高效实现了特征点提取;根据空间位置关系,对特征点进行移动距离计算,极大的减少了需要统计时刻的计算量,进而整体方案能快速、高效的解决多场景下的交通流量计算问题。
此外,容易理解的是,如图2所示的实施例中,车辆统计变量count表示该统计区域的车流量,在相应约定时刻读取变量count的值,即可得到相应时刻的该统计区域的所需的车辆统计数据。
进而类似的,并行的对各统计区域采用同样的计算处理方式,即可得到相应时刻的各统计区域的车辆统计数据,再进行叠加即得到交通路口的车流量统计信息,实现了对交通路口车流量的统计。
图3为本申请一个实施例提供的交通路口车流量统计装置的结构示意图,如图3所示,该交通路口车流量统计装置3包括:
获取模块301,用于获取交通路口的视频图像数据;
统计区域划分模块302,用于基于视频图像数据,预先将路口道路中每条车道识别划分为独立的统计区域;
区域统计模块303,用于基于所述视频图像数据,针对每一统计区域采用基于深度学习的目标检测识别模型对车辆进行检测统计,得到相应统计区域的车辆统计数据;
叠加模块304,用于将各统计区域的车辆统计数据进行叠加,以实现交通路口车流量统计。
关于上述相关实施例中的交通路口车流量统计装置3,其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述,此处将不做详细阐述说明。
在一个实施例中,本申请提供还一种可读存储介质,其上存储有可执行程序,可执行程序被处理器执行时实现上述方法的步骤。
关于上述实施例中的可读存储介质,其存储的执行程序执行操作的具体方式已经在有关该方法的实施例中进行了详细描述,此处将不做详细阐述说明。
图4为本申请一个实施例提供的电子设备的结构示意图,如图4所示,该电子设备4包括:
存储器401,其上存储有可执行程序;
处理器402,用于执行存储器401中的可执行程序,以实现上述方法的步骤。
关于上述实施例中的电子设备4,其处理器402执行存储器401中的程序的具体方式已经在有关该方法的实施例中进行了详细描述,此处将不做详细阐述说明。
可以理解的是,上述各实施例中相同或相似部分可以相互参考,在一些实施例中未详细说明的内容可以参见其他实施例中相同或相似的内容。
需要说明的是,在本申请的描述中,术语“第一”、“第二”等仅用于描述目的,而不能理解为指示或暗示相对重要性。此外,在本申请的描述中,除非另有说明,“多个”的含义是指至少两个。
流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为,表示包括一个或更多个用于实现特定逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分,并且本申请的优选实施方式的范围包括另外的实现,其中可以不按所示出或讨论的顺序,包括根据所涉及的功能按基本同时的方式或按相反的顺序,来执行功能,这应被本申请的实施例所属技术领域的技术人员所理解。
应当理解,本申请的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中,多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如,如果用硬件来实现,和在另一实施方式中一样,可用本领域公知的下列技术中的任一项或他们的组合来实现:具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路,具有合适的组合逻辑门电路的专用集成电路,可编程门阵列(PGA),现场可编程门阵列(FPGA)等。
本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成,所述的程序可以存储于一种计算机可读存储介质中,该程序在执行时,包括方法实施例的步骤之一或其组合。
此外,在本申请各个实施例中的各功能单元可以集成在一个处理模块中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个模块中。上述集成的模块既可以采用硬件的形式实现,也可以采用软件功能模块的形式实现。所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时,也可以存储在一个计算机可读取存储介质中。
上述提到的存储介质可以是只读存储器,磁盘或光盘等。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本申请的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不一定指的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
尽管上面已经示出和描述了本申请的实施例,可以理解的是,上述实施例是示例性的,不能理解为对本申请的限制,本领域的普通技术人员在本申请的范围内可以对上述实施例进行变化、修改、替换和变型。
Claims (10)
1.一种交通路口车流量统计方法,包括:
获取交通路口的视频图像数据;
基于所述视频图像数据,预先将路口道路中每条车道识别划分为独立的统计区域;
基于所述视频图像数据,针对每一统计区域采用基于深度学习的目标检测识别模型对车辆进行检测统计,得到相应统计区域的车辆统计数据;
将各统计区域的车辆统计数据进行叠加,以实现交通路口车流量统计。
2.根据权利要求1所述的方法,其特征在于,所述基于所述视频图像数据,针对每一统计区域采用基于深度学习的目标检测识别模型对车辆进行检测统计,包括针对每一统计区域对应的区域视频图像数据分别执行如下步骤;
步骤1、读取该区域视频图像数据的初始图像帧作为当前图像帧,设置并初始化该统计区域的车辆统计变量、初始距离变量和移动距离变量;
步骤2、基于目标检测识别模型检测判断当前图像帧是否存在车俩,若判断存在车辆则继续进行步骤3,否则读取该区域视频图像数据的下一图像帧,将该图像帧作为新的当前图像帧,并重复执行步骤2;
步骤3、统计检测出的当前图像帧中车辆的数量,根据得到数量值对车辆统计变量进行累加更新;
步骤4、从检测出的车辆中确认位于车道最后位置的车辆,对车道最后位置的车辆进行特征点提取,以该特征点到统计区域的检查线的距离更新所述初始距离变量;
步骤5、读取该区域视频图像数据的下一图像帧,基于流光追踪算法根据该图像帧和当前图像帧计算所述特征点的移动距离,并以该移动距离对所述移动距离变量进行累加更新,之后将该图像帧作为新的当前图像帧;
步骤6、对所述移动距离变量和初始距离变量进行比较,若所述移动距离变量的值大于初始距离变量的值,则将所述移动距离变量归零并跳转执行步骤2,否则跳转执行步骤5。
3.根据权利要求2所述的方法,其特征在于,所述统计检测出的当前图像帧中车辆的数量,具体包括,
检测提取出当前图像帧中所有车辆的边界框,并统计得到的边界框的初始个数值;
基于各车辆边界框的坐标值,确定最接近该统计区域的检查线的第一边缘车辆;
判断所述第一边缘车辆的边界框长度是否小于第一预设值,若小于所述第一预设值,则将所述初始个数值减1修正后作为当前图像帧中车辆的数量,否则将所述初始个数值作为当前图像帧中车辆的数量。
4.根据权利要求3所述的方法,其特征在于,所述从检测出的车辆中确认位于车道最后位置的车辆,对车道最后位置的车辆进行特征点提取,具体包括,
基于各车辆边界框的坐标值,确定最远离该统计区域的检查线的第二边缘车辆;
判断所述第二边缘车辆的边界框长度是否大于等于第二预设值,若大于等于第二预设值,则以所述第二边缘车辆作为车道最后位置车辆,否则将相邻所述第二边缘车辆的车辆作为车道最后位置车辆;
提取车道最后位置车辆的中心坐标点作为所述特征点。
5.根据权利要求4所述的方法,其特征在于,所述第一预设值和第二预设值均基于一般车辆的平均长度设定。
6.根据权利要求2所述的方法,其特征在于,所述基于流光追踪算法根据该图像帧和当前图像帧计算所述特征点的移动距离,具体包括,
基于该图像帧和当前图像帧的灰度图像,根据Lucas-Kanade跟踪算法对所述特征点进行金字塔跟踪,确定所述特征点的移动速率;
基于该图像帧和当前图像帧之间的帧间隔,以及所述移动速率计算得到所述特征点的移动距离。
7.根据权利要求1至6中任一项所述的方法,其特征在于,所述目标检测识别模型包括YOLO模型。
8.一种交通路口车流量统计装置,其特征在于,包括:
获取模块,用于获取交通路口的视频图像数据;
统计区域划分模块,用于基于视频图像数据,预先将路口道路中每条车道识别划分为独立的统计区域;
区域统计模块,用于基于所述视频图像数据,针对每一统计区域采用基于深度学习的目标检测识别模型对车辆进行检测统计,得到相应统计区域的车辆统计数据;
叠加模块,用于将各统计区域的车辆统计数据进行叠加,以实现交通路口车流量统计。
9.一种可读存储介质,其上存储有可执行程序,其特征在于,所述可执行程序被处理器执行时实现权利要求1-7中任一项所述方法的步骤。
10.一种电子设备,其特征在于,包括:
存储器,其上存储有可执行程序;
处理器,用于执行所述存储器中的所述可执行程序,以实现权利要求1-7中任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910986557.XA CN110718061B (zh) | 2019-10-17 | 2019-10-17 | 交通路口车流量统计方法、装置、存储介质及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910986557.XA CN110718061B (zh) | 2019-10-17 | 2019-10-17 | 交通路口车流量统计方法、装置、存储介质及电子设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110718061A true CN110718061A (zh) | 2020-01-21 |
CN110718061B CN110718061B (zh) | 2021-09-28 |
Family
ID=69212781
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910986557.XA Active CN110718061B (zh) | 2019-10-17 | 2019-10-17 | 交通路口车流量统计方法、装置、存储介质及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110718061B (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
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 |
CN113269004A (zh) * | 2020-02-14 | 2021-08-17 | 富士通株式会社 | 交通计数装置及方法、电子设备 |
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 |
CN114120650A (zh) * | 2021-12-15 | 2022-03-01 | 阿波罗智联(北京)科技有限公司 | 用于生成测试结果的方法、装置 |
CN116863711A (zh) * | 2023-07-29 | 2023-10-10 | 广东省交通运输规划研究中心 | 基于公路监控的车道流量检测方法、装置、设备及介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102426785A (zh) * | 2011-11-18 | 2012-04-25 | 东南大学 | 基于轮廓和局部特征点的交通流信息感知方法及系统 |
WO2018187632A1 (en) * | 2017-04-05 | 2018-10-11 | Carnegie Mellon University | Deep learning methods for estimating density and/or flow of objects, and related methods and software |
CN109658688A (zh) * | 2017-10-11 | 2019-04-19 | 深圳市哈工大交通电子技术有限公司 | 基于深度学习的路口交通流的检测方法及装置 |
CN109859468A (zh) * | 2019-01-30 | 2019-06-07 | 淮阴工学院 | 基于YOLOv3的多车道车流量计数及车辆跟踪方法 |
-
2019
- 2019-10-17 CN CN201910986557.XA patent/CN110718061B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102426785A (zh) * | 2011-11-18 | 2012-04-25 | 东南大学 | 基于轮廓和局部特征点的交通流信息感知方法及系统 |
WO2018187632A1 (en) * | 2017-04-05 | 2018-10-11 | Carnegie Mellon University | Deep learning methods for estimating density and/or flow of objects, and related methods and software |
CN109658688A (zh) * | 2017-10-11 | 2019-04-19 | 深圳市哈工大交通电子技术有限公司 | 基于深度学习的路口交通流的检测方法及装置 |
CN109859468A (zh) * | 2019-01-30 | 2019-06-07 | 淮阴工学院 | 基于YOLOv3的多车道车流量计数及车辆跟踪方法 |
Non-Patent Citations (3)
Title |
---|
张润初: "基于视频的交通流参数提取方法及系统实现研究", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》 * |
彭智: "智能交通系统中基于机器视觉的交通流量统计研究", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》 * |
王文华: "基于视频跟踪技术的交通流参数统计方法研究", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》 * |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113269004A (zh) * | 2020-02-14 | 2021-08-17 | 富士通株式会社 | 交通计数装置及方法、电子设备 |
CN113269004B (zh) * | 2020-02-14 | 2024-03-05 | 富士通株式会社 | 交通计数装置及方法、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 |
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 |
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 |
CN114120650A (zh) * | 2021-12-15 | 2022-03-01 | 阿波罗智联(北京)科技有限公司 | 用于生成测试结果的方法、装置 |
CN114120650B (zh) * | 2021-12-15 | 2023-08-08 | 阿波罗智联(北京)科技有限公司 | 用于生成测试结果的方法、装置 |
CN116863711A (zh) * | 2023-07-29 | 2023-10-10 | 广东省交通运输规划研究中心 | 基于公路监控的车道流量检测方法、装置、设备及介质 |
CN116863711B (zh) * | 2023-07-29 | 2024-03-29 | 广东省交通运输规划研究中心 | 基于公路监控的车道流量检测方法、装置、设备及介质 |
Also Published As
Publication number | Publication date |
---|---|
CN110718061B (zh) | 2021-09-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110718061B (zh) | 交通路口车流量统计方法、装置、存储介质及电子设备 | |
CN102073851B (zh) | 一种城市交通事故自动识别方法和系统 | |
Wang et al. | Review on vehicle detection based on video for traffic surveillance | |
Gupte et al. | Detection and classification of vehicles | |
Barcellos et al. | A novel video based system for detecting and counting vehicles at user-defined virtual loops | |
US9008359B2 (en) | Detection of static object on thoroughfare crossings | |
US8970701B2 (en) | System and method for predicting vehicle location | |
EP1817761B1 (en) | Apparatus and method for automatically detecting objects | |
CN107945523B (zh) | 一种道路车辆检测方法、交通参数检测方法及装置 | |
CN110379168B (zh) | 一种基于Mask R-CNN的交通车辆信息获取方法 | |
CN104599502A (zh) | 一种基于视频监控的车流量统计方法 | |
EP2709066A1 (en) | Concept for detecting a motion of a moving object | |
Rodríguez et al. | An adaptive, real-time, traffic monitoring system | |
CN103810717A (zh) | 一种人体行为检测方法及装置 | |
CN110543807A (zh) | 验证障碍物候选的方法 | |
CN106446807A (zh) | 一种井盖失窃检测方法 | |
US20180260964A1 (en) | System and method for detecting moving object in an image | |
CN105374049A (zh) | 一种基于稀疏光流法的多角点跟踪方法及装置 | |
CN112349087B (zh) | 一种基于路口信息全息感知的可视化数据输入方法 | |
CN113505638A (zh) | 车流量的监测方法、监测装置及计算机可读存储介质 | |
CN104267209B (zh) | 一种基于虚拟线圈的高速公路视频测速方法及系统 | |
CN112447060A (zh) | 识别车道的方法、装置及计算设备 | |
Lee et al. | A cumulative distribution function of edge direction for road-lane detection | |
CN112906428B (zh) | 影像侦测区域取得方法及空间使用情况的判定方法 | |
Cheng | Highway traffic flow estimation for surveillance scenes damaged by rain |
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 |