CN110738169A - 车流量监测方法、装置、设备及计算机可读存储介质 - Google Patents

车流量监测方法、装置、设备及计算机可读存储介质 Download PDF

Info

Publication number
CN110738169A
CN110738169A CN201910975456.2A CN201910975456A CN110738169A CN 110738169 A CN110738169 A CN 110738169A CN 201910975456 A CN201910975456 A CN 201910975456A CN 110738169 A CN110738169 A CN 110738169A
Authority
CN
China
Prior art keywords
vehicle
remote sensing
traffic flow
sensing image
information
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
CN201910975456.2A
Other languages
English (en)
Other versions
CN110738169B (zh
Inventor
邹冲
汪飙
李世行
张元梵
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.)
WeBank Co Ltd
Original Assignee
WeBank Co Ltd
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 WeBank Co Ltd filed Critical WeBank Co Ltd
Priority to CN201910975456.2A priority Critical patent/CN110738169B/zh
Publication of CN110738169A publication Critical patent/CN110738169A/zh
Application granted granted Critical
Publication of CN110738169B publication Critical patent/CN110738169B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes
    • G06V20/13—Satellite images
    • 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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • 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
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
    • G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
    • 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
    • G06V20/53—Recognition of crowd images, e.g. recognition of crowd congestion
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Biomedical Technology (AREA)
  • General Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Software Systems (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Remote Sensing (AREA)
  • Astronomy & Astrophysics (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明公开了一种车流量监测方法、装置、设备及计算机可读存储介质，该方法包括：采集检测区域的第一遥感图像，并在预设间隔时间后采集所述检测区域的第二遥感图像；通过训练完成的语义分割模型，分别从所述第一遥感图像中提取第一感兴趣区域、从所述第二遥感图像中提取第二感兴趣区域；通过训练完成的遥感目标检测模型，分别对所述第一感兴趣区域和所述第二感兴趣区域进行目标检测，以获取所述第一感兴趣区域中的第一车辆信息和所述第二感兴趣区域中的第二车辆信息；根据所述第一车辆信息和所述第二车辆信息，确定所述检测区域在所述预设间隔时间内的车流量信息。本发明提升了车流量监测的便利性和准确性。

Description

车流量监测方法、装置、设备及计算机可读存储介质
技术领域
本发明涉及智能交通技术领域，尤其涉及一种车流量监测方法、装置、设备及计算机可读存储介质。
背景技术
随着社会的发展和科技的进步，人民的生活水平得到很大提升，汽车拥有量大幅提升，交通拥堵现象日趋严重，因此，如何高效地进行交通管理，就显得十分重要，其中，车流量是交通管理中的重要交通参数，传统的车流量监测技术，如环形线圈法，需在路面上安装线圈感应器，对路面有损坏，施工和安装不便，且只能感应出经过安装有线圈感应器的固定位置的车辆，不仅便利性差，而且准确性较低。
发明内容
本发明的主要目的在于提供一种车流量监测方法、装置、设备及计算机可读存储介质，旨在解决现有车流量监测技术便利性差且准确性较低的技术问题。
为实现上述目的，本发明提供一种车流量监测方法，所述方法包括以下步骤：
采集检测区域的第一遥感图像，并在预设间隔时间后采集所述检测区域的第二遥感图像；
通过训练完成的语义分割模型，分别从所述第一遥感图像中提取第一感兴趣区域、从所述第二遥感图像中提取第二感兴趣区域；
通过训练完成的遥感目标检测模型，分别对所述第一感兴趣区域和所述第二感兴趣区域进行目标检测，以获取所述第一感兴趣区域中的第一车辆信息和所述第二感兴趣区域中的第二车辆信息；
根据所述第一车辆信息和所述第二车辆信息，确定所述检测区域在所述预设间隔时间内的车流量信息。
可选地，所述通过训练完成的语义分割模型，分别从所述第一遥感图像中提取第一感兴趣区域、从所述第二遥感图像中提取第二感兴趣区域的步骤包括：
将所述第一遥感图像输入至训练完成的语义分割模型，以从所述第一遥感图像中识别出道路骨架，作为第一感兴趣区域；
将所述第二遥感图像输入至训练完成的语义分割模型，以从所述第二遥感图像中识别出道路骨架，作为第二感兴趣区域。
可选地，所述通过训练完成的遥感目标检测模型，分别对所述第一感兴趣区域和所述第二感兴趣区域进行目标检测，以获取所述第一感兴趣区域中的第一车辆信息和所述第二感兴趣区域中的第二车辆信息的步骤包括：
将所述第一感兴趣区域输入至训练完成的遥感目标检测模型中进行目标检测，以从所述第一感兴趣区域中识别出第一车辆及其类型，以及，将所述第二感兴趣区域输入至训练完成的遥感目标检测模型中进行目标检测，以从所述第二感兴趣区域中识别出第二车辆及其类型；
确定第一车辆在所述第一遥感图像中的坐标信息，并统计第一车辆的总数，以及，确定第二车辆在所述第二遥感图像中的坐标信息，并统计第二车辆的总数；
将第一车辆的所述坐标信息和类型、第一车辆的总数确定为第一车辆信息，以及，将第二车辆的所述坐标信息和类型、第二车辆的总数确定为第二车辆信息。
可选地，所述根据所述第一车辆信息和所述第二车辆信息，确定所述检测区域在所述预设间隔时间内的车流量信息的步骤包括：
根据第一车辆的所述坐标信息计算第一车辆在所述第一遥感图像中的中心坐标，以及，根据第二车辆的所述坐标信息计算第二车辆在所述第二遥感图像中的中心坐标；
根据第一车辆的所述中心坐标和第二车辆的所述中心坐标，计算所述检测区域在所述预设间隔时间内的车流速度；
将第一车辆的类型与第二车辆的类型、第一车辆的总数与第二车辆的总数分别进行比对，得到车流变化量；
将所述车流变化量和计算的所述车流速度，确定为所述检测区域在所述预设间隔时间内的车流量信息。
可选地，所述根据第一车辆的所述中心坐标和第二车辆的所述中心坐标，计算所述检测区域在所述预设间隔时间内的车流速度的步骤包括：
根据第一车辆的所述中心坐标，计算所述第一遥感图像中所有第一车辆的整体中心坐标，以及，根据第二车辆的所述中心坐标，计算所述第二遥感图像中所有第二车辆的整体中心坐标；
获取所述第一遥感图像或所述第二遥感图像的缩放比例；
根据第一车辆的所述整体中心坐标和第二车辆的所述整体中心坐标，以及，所述缩放比例，计算所述检测区域在所述预设间隔时间内的车流速度。
可选地，所述采集检测区域的第一遥感图像，并在预设间隔时间后采集所述检测区域的第二遥感图像的步骤之前，包括：
训练语义分割模型，得到训练完成的语义分割模型，以及，训练遥感目标检测模型，得到训练完成的遥感目标检测模型。
可选地，所述根据第一车辆的所述整体中心坐标和第二车辆的所述整体中心坐标，以及，所述缩放比例，计算所述检测区域在所述预设间隔时间内的车流速度的步骤包括：
根据第一车辆的所述整体中心坐标和第二车辆的所述整体中心坐标，计算基于遥感图像的车流速度；
计算所述基于遥感图像的车流速度与所述缩放比例的乘积，得到所述检测区域在所述预设间隔时间内的车流速度。
此外，为实现上述目的，本发明还提供一种车流量监测装置，所述车流量监测装置包括：
采集模块，用于采集检测区域的第一遥感图像，并在预设间隔时间后采集所述检测区域的第二遥感图像；
提取模块，用于通过训练完成的语义分割模型，分别从所述第一遥感图像中提取第一感兴趣区域、从所述第二遥感图像中提取第二感兴趣区域；
检测模块，用于通过训练完成的遥感目标检测模型，分别对所述第一感兴趣区域和所述第二感兴趣区域进行目标检测，以获取所述第一感兴趣区域中的第一车辆信息和所述第二感兴趣区域中的第二车辆信息；
确定模块，用于根据所述第一车辆信息和所述第二车辆信息，确定所述检测区域在所述预设间隔时间内的车流量信息。
此外，为实现上述目的，本发明还提供一种车流量监测设备，所述车流量监测设备包括处理器、存储器、以及存储在所述存储器上并可被所述处理器执行的交通数据的可视化程序，其中所述车流量监测程序被所述处理器执行时，实现如上所述的车流量监测方法的步骤。
此外，为实现上述目的，本发明还提供一种计算机可读存储介质，所述计算机可读存储介质上存储有车流量监测程序，所述车流量监测程序被处理器执行时实现如上所述的车流量监测方法的步骤。
本发明提供一种车流量监测方法、装置、设备及计算机可读存储介质，采集检测区域的第一遥感图像，并在预设间隔时间后采集所述检测区域的第二遥感图像；通过训练完成的语义分割模型，分别从所述第一遥感图像中提取第一感兴趣区域、从所述第二遥感图像中提取第二感兴趣区域；通过训练完成的遥感目标检测模型，分别对所述第一感兴趣区域和所述第二感兴趣区域进行目标检测，以获取所述第一感兴趣区域中的第一车辆信息和所述第二感兴趣区域中的第二车辆信息；根据所述第一车辆信息和所述第二车辆信息，确定所述检测区域在所述预设间隔时间内的车流量信息。本发明通过训练完成的语义分割模型和遥感目标检测模型，对检测区域的遥感图像进行分析，为车流量的监测提供了较为详细的分析依据，提升了车流量监测的便利性和准确性。
附图说明
图1是本发明实施例方案涉及的车流量监测设备的硬件结构示意图；
图2为本发明车流量监测方法第一实施例的流程示意图；
图3为本发明车流量监测方法第一实施例的实现方式示例流程图；
图4为本发明本发明车流量监测装置第一实施例的功能模块示意图。
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
本发明实施例的主要解决方案是：采集检测区域的第一遥感图像，并在预设间隔时间后采集所述检测区域的第二遥感图像；通过训练完成的语义分割模型，分别从所述第一遥感图像中提取第一感兴趣区域、从所述第二遥感图像中提取第二感兴趣区域；通过训练完成的遥感目标检测模型，分别对所述第一感兴趣区域和所述第二感兴趣区域进行目标检测，以获取所述第一感兴趣区域中的第一车辆信息和所述第二感兴趣区域中的第二车辆信息；根据所述第一车辆信息和所述第二车辆信息，确定所述检测区域在所述预设间隔时间内的车流量信息。以解决现有车流量监测技术便利性差且准确性较低的技术问题。
如图1所示，图1是本发明实施例方案涉及的硬件运行环境的终端结构示意图。
本发明实施例涉及的车流量监测方法可以由车流量监测设备实现，该车流量监测设备可以是PC、服务器等具有数据处理功能的设备。
参照图1，图1为本发明实施例方案中涉及的车流量监测设备的硬件结构示意图。本发明实施例中，车流量监测设备可以包括处理器1001(例如中央处理器CentralProcessing Unit、CPU)，通信总线1002，用户接口1003，网络接口1004，存储器1005。其中，通信总线1002用于实现这些组件之间的连接通信；用户接口1003可以包括显示屏(Display)、输入单元比如键盘(Keyboard)；网络接口1004可选的可以包括标准的有线接口、无线接口(如WI-FI接口)；存储器1005可以是高速RAM存储器，也可以是稳定的存储器(non-volatile memory)，例如磁盘存储器，存储器1005可选的还可以是独立于前述处理器1001的存储装置。本领域技术人员可以理解，图1中示出的硬件结构并不构成对本发明的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。
继续参照图1，图1中作为一种可读存储介质的存储器1005可以包括操作系统、网络通信模块以及车流量监测程序。在图1中，网络通信模块主要用于连接服务器，与服务器进行数据通信；而处理器1001可以调用存储器1005中存储的车流量监测程序，并执行本发明实施例提供的车流量监测方法。
本发明实施例提供了一种车流量监测方法。
参照图2，图2为本发明车流量监测方法第一实施例的流程示意图。
本实施例中，该车流量监测方法由车流量监测设备实现，该车流量监测设备可以是PC、服务器等终端设备，可选为图1所示的设备，车流量监测设备与遥感设备建立有通信连接，可对遥感设备进行控制，该车流量监测方法包括以下步骤：
步骤S10，采集检测区域的第一遥感图像，并在预设间隔时间后采集所述检测区域的第二遥感图像；
步骤S20，通过训练完成的语义分割模型，分别从所述第一遥感图像中提取第一感兴趣区域、从所述第二遥感图像中提取第二感兴趣区域；
步骤S30，通过训练完成的遥感目标检测模型，分别对所述第一感兴趣区域和所述第二感兴趣区域进行目标检测，以获取所述第一感兴趣区域中的第一车辆信息和所述第二感兴趣区域中的第二车辆信息；
步骤S40，根据所述第一车辆信息和所述第二车辆信息，确定所述检测区域在所述预设间隔时间内的车流量信息。
在本实施例中，检测区域可以是任意路段。预先在检测区域搭建遥感设备，并建立车流量监测设备与遥感设备的通信连接，那么，车流量监测设备便可随时控制遥感设备采集检测区域的遥感图像，进而，车流量监测设备便可通过训练完成的语义分割模型和遥感目标检测模型，对采集的遥感图像进行分析，为车流量的监测提供较为详细的分析依据，从而提升车流量监测的便利性和准确性。
步骤S10，采集检测区域的第一遥感图像，并在预设间隔时间后采集所述检测区域的第二遥感图像；
由于在实际中，在成像时间较短的两帧影像中，背景是几乎不变的，变化的部分由运动的车辆造成，因此本实施例基于物理运动学，通过分析间隔预设时间的两帧遥感影像，来获得车流量信息。
具体地，车流量监测设备可以实时或定时向遥感设备发送遥感图像采集指令，控制遥感设备采集检测区域的一帧遥感图像(定义为第一遥感图像)，并控制遥感设备在预设间隔时间后再采集检测区域的遥感图像另一帧遥感图像(定义为第二遥感图像)，其中，预设间隔时间可以根据实际需要进行灵活设置，较短即可。将第一遥感图像的采集时刻定义为T1、第二遥感图像的采集时刻定义为T2，可以理解的是，T1＜T2。
步骤S20，通过训练完成的语义分割模型，分别从所述第一遥感图像中提取第一感兴趣区域、从所述第二遥感图像中提取第二感兴趣区域；
之后，通过训练完成的语义分割模型，分别从第一遥感图像中提取第一感兴趣区域、从第二遥感图像中提取第二感兴趣区域。作为一种实施方式，步骤S20包括：
A、将所述第一遥感图像输入至训练完成的语义分割模型，以从所述第一遥感图像中识别出道路骨架，作为第一感兴趣区域；
B、将所述第二遥感图像输入至训练完成的语义分割模型，以从所述第二遥感图像中识别出道路骨架，作为第二感兴趣区域。
即，将T1时刻采集的第一遥感图像输入至训练完成语义分割模型中进行分析，以从T1时刻采集的第一遥感图像中提取道路骨架，作为第一感兴趣区域，以及，将T2时刻采集的第二遥感图像输入至语义分割模型中进行分析，以从T2时刻采集的第二遥感图像中提取道路骨架，作为第二感兴趣区域。
步骤S30，通过训练完成的遥感目标检测模型，分别对所述第一感兴趣区域和所述第二感兴趣区域进行目标检测，以获取所述第一感兴趣区域中的第一车辆信息和所述第二感兴趣区域中的第二车辆信息；
之后，采用训练完成的遥感目标检测模型，分别对第一感兴趣区域和所第二感兴趣区域进行目标检测，以获取第一感兴趣区域中的第一车辆信息和第二感兴趣区域中的第二车辆信息。具体地，步骤S30包括：
C、将所述第一感兴趣区域输入至训练完成的遥感目标检测模型中进行目标检测，以从所述第一感兴趣区域中识别出第一车辆及其类型，以及，将所述第二感兴趣区域输入至训练完成的遥感目标检测模型中进行目标检测，以从所述第二感兴趣区域中识别出第二车辆及其类型；
D、确定第一车辆在所述第一遥感图像中的坐标信息，并统计第一车辆的总数，以及，确定第二车辆在所述第二遥感图像中的坐标信息，并统计第二车辆的总数；
E、将第一车辆的所述坐标信息和类型、第一车辆的总数确定为第一车辆信息，以及，将第二车辆的所述坐标信息和类型、第二车辆的总数确定为第二车辆信息。
即，将T1时刻采集的第一遥感图像中的第一感兴趣区域和T2时刻采集的第二遥感图像中的第二感兴趣区域，分别输入至训练完成的遥感目标检测模型进行目标检测，以分别从第一感兴趣区域中和第二感兴趣区域中识别出车辆及其对应的类型，将从第一感兴趣区域中识别出的车辆定义为第一车辆，将从第二感兴趣区域中识别出的车辆定义为第二车辆。之后，在第一遥感图像中建立坐标系，从而获得每一第一车辆在第一遥感图像中的坐标信息(每一第一车辆对应的矩形框的四个点的坐标)，以及，在第二遥感图像中建立坐标系，从而获得每一第二车辆在第二遥感图像中的坐标信息(每一第二车辆对应的矩形框的四个点的坐标)。此外，还统计第一车辆的总数和第二车辆的总数。将第一车辆在第一遥感图像中的坐标信息和类型、第一车辆的总数作为第一车辆信息，以及，将第二车辆在第二遥感图像中的坐标信息和类型、第一车辆的总数作为第二车辆信息。
步骤S40，根据所述第一车辆信息和所述第二车辆信息，确定所述检测区域在所述预设间隔时间内的车流量信息。
之后，根据第一车辆信息和第二车辆信息，确定检测区域在预设间隔时间内的车流量信息，也即确定检测区域在T1和T2之间的车流量信息。具体地，步骤S40包括：
F、根据第一车辆的所述坐标信息计算第一车辆在所述第一遥感图像中的中心坐标，以及，根据第二车辆的所述坐标信息计算第二车辆在所述第二遥感图像中的中心坐标；
G、根据第一车辆的所述中心坐标和第二车辆的所述中心坐标，计算所述检测区域在所述预设间隔时间内的车流速度；
H、将第一车辆的类型与各第二车辆的类型、第一车辆的总数与第二车辆的总数分别进行比对，得到车流变化量；
I、将所述车流变化量和计算的所述车流速度，确定为所述检测区域在所述预设间隔时间内的车流量信息。
即，根据每一第一车辆在第一遥感图像中的坐标信息，计算每一第一车辆在第一遥感图像的中心坐标，以及，根据每一第二车辆在第二遥感图像中的坐标信息，计算每一第二车辆在第二遥感图像中的中心坐标。以T1时刻的第一遥感图像为例，对于T1时刻遥感图像中的任一第一辆车，设其第一遥感图像中的坐标信息为(x1，y1)、(x2，y2)、(x3，y3)、(x4、y4)，设其在T1时刻的遥感图像中的中心坐标为(Px，Py)，那么计算该车辆中心坐标(Px，Py)的公式如下：
Px＝(x1+x2+x3+x4)/4
Py＝(y1+y2+y3+y4)/4
以此类推，可以分别得到T1时刻的第一遥感图像中每一第一车辆的中心坐标和T2时刻的第二遥感图像中每一第二车辆的中心坐标。由上述计算公式可知，每一第一车辆的中心坐标指的是，每一第一车辆对应的矩形框的中心点坐标，每一第二车辆的中心坐标指的是，每一第二车辆对应的矩形框的中心点坐标。
之后，即可根据各第一车辆的中心坐标和各第二车辆的中心坐标，计算检测区域在预设间隔时间内的车流速度。具体地，步骤H包括：
H1，根据第一车辆的所述中心坐标，计算所述第一遥感图像中所有第一车辆的整体中心坐标，以及，根据第二车辆的所述中心坐标，计算所述第二遥感图像中所有第二车辆的整体中心坐标；
H2，获取所述第一遥感图像或所述第二遥感图像的缩放比例；
H3，根据各第一车辆的所述整体中心坐标和各第二车辆的所述整体中心坐标，以及，所述缩放比例，计算所述检测区域在所述预设间隔时间内的车流速度。
即，根据每一第一车辆的中心坐标，计算第一遥感图像中所有第一车辆的整体中心坐标，以及，根据每一第二车辆的中心坐标，计算第二遥感图像中所有第二车辆的整体中心坐标，计算公式如下：
Figure BDA0002229954720000091
Figure BDA0002229954720000092
由此得到T1时刻的第一遥感遥感图像中所有第一车辆的整体中心坐标(Center_Px1，Center_Py1)，T2时刻的第二遥感图像中所有第二车辆的整体中心坐标(Center_Px2，CenT2er_Py2)。
由物理运动学可知，速度等于单位时间内的位移，即：
Figure BDA0002229954720000101
因此，可以根据T1时刻的第一遥感遥感图像中所有第一车辆的整体中心坐标，以及，T2时刻的第二遥感图像中所有第二车辆的整体中心坐标，计算在遥感图像中，T1时刻与T2时刻之间单位时间内的车流整体速度，计算公式如下：
Figure BDA0002229954720000102
由于遥感影像与真实场景存在比例缩放关系，因此还需获取第一遥感图像的缩放比例，或第二遥感图像的缩放比例，也就是第一遥感图像或第二遥感图像相对于检测区域的实际场景的缩小比例，若缩放比例以N表示，那么实际场景中，T1时刻与T2时刻之间单位时间内的车流整体速度即为vN。
还将第一车辆的类型与第二车辆的类型、第一车辆的总数与第二车辆的总数分别进行比对，得到车流变化量，将车流变化量和计算的车流速度，作为检测区域在预设间隔时间内的车流量信息。如此，利用训练完成的语义分割模型和遥感目标检测模型，来分析间隔预设时间的两帧遥感影像，实现了车流量信息的监测。
在更多的实施中，步骤S之后，包括：
J、将所述车流量信息发送至车辆指挥调度系统，以供所述车辆指挥调度系统将所述车流量信息发布至预定距离内的车辆。
即，车流量监测设备可以将TI时刻和T2时刻之间的车流量信息发送至车辆指挥调度系统，车辆指挥调度系统在接收到该车流量信息后，将该车流量信息发布至预定距离内的车辆，比如发送至车载终端，满足交通控制需求。
为更好理解本实施方式，以下参照图3所示的流程图对本实施例的实现过程进行说明。
如图3所示，车流量监测设备首先获取检测区域的一张遥感图像，并在预设时间间隔后获取检测区域的另一张遥感图像；然后分别对获取的两张遥感图像进行语义分割处理，以分别从两张遥感图像中提取道路骨架；再对从两张遥感图像中提取的道路骨架分别进行遥感目标检测，以获得车辆速度、位置、数量、种类等车流量信息；再将获得的车流量信息发送至车辆指挥调度系统，车辆指挥调度系统在接收到该车流量信息后，可以实时获知当前路面车流量状况，进而进行路况实时通知，也就是将该车流量信息发布至预定距离内车辆的车载终端，供车辆驾驶员规避拥堵路段、合理规划行车路线，进而保证道路畅通，满足交通控制需求。
本实施例提供一种车流量监测方法，采集检测区域的第一遥感图像，并在预设间隔时间后采集所述检测区域的第二遥感图像；通过训练完成的语义分割模型，分别从所述第一遥感图像中提取第一感兴趣区域、从所述第二遥感图像中提取第二感兴趣区域；通过训练完成的遥感目标检测模型，分别对所述第一感兴趣区域和所述第二感兴趣区域进行目标检测，以获取所述第一感兴趣区域中的第一车辆信息和所述第二感兴趣区域中的第二车辆信息；根据所述第一车辆信息和所述第二车辆信息，确定所述检测区域在所述预设间隔时间内的车流量信息。本实施例通过训练完成的语义分割模型和遥感目标检测模型，对检测区域的遥感图像进行分析，为车流量的监测提供了较为详细的分析依据，提升了车流量监测的便利性和准确性。
进一步地，基于上述第一实施例，提出了本发明车流量监测方法的第二实施例，与第一实施例的区别在于，所述步骤S10之前，包括：
训练语义分割模型，得到训练完成的语义分割模型，以及，训练遥感目标检测模型，得到训练完成的遥感目标检测模型。
首先，训练语义分割模型(DeeplabV3)的过程如下：
a、建立训练样本：将用于训练语义分割模型的初始图像调整为符合预设格式和尺寸的训练图像，对训练图像中的道路做标定，并统一分配为相同的初始类别；
b、多尺度图像分辨率获取：采用图像金字塔的方式，对特征图做不同尺度池化操作，以从获取丰富的上下文本信息；
c、编码-解码架构搭建：在编码过程中，采用下采样方式，通过逐步减少特征图的分辨率，获取高级语义信息，进而对图像信息进行编码；在解码阶段，通过上采样卷积转置的方式，逐渐恢复图像空间信息，获取预测结果；
d、误差反馈调整过程：通过预测结果是真实标签对比，计算模型损失函数，并通过BP算法，反馈调整每一层神经网络权重，反复迭代，使得语义分割网络模型达到最优。
训练遥感目标检测模型(R2CNN_Faster_RCNN网络)的过程如下：
e、建立训练样本：从用于训练遥感目标检测模型的图像中获取车辆坐标信息，并对图像做裁剪，对裁剪后图像尺寸归一化，取均值，并转为tfrecord格式数据；
f、骨架网络选择：基于ResNet101基础上，对网络进行微调，第一阶段，通过RPN网络，得到候选框，由于遥感图像中车辆很小，并且方向任意，因此在采用R2CNN_Faster_RCNN做目标检测过程中，需要将锚点尺度改小为(4,8,16,32)，方便对小目标的提取；为了获取更丰富图像信息，将池化大小修改为(7x7，11x3，3x11)三个尺寸，将最后的特征图做连接去预测目标框位置。由于目标检测中经常出现一个目标被多个矩形框标定的情况，同时道路中车辆倾斜原因，需要采用倾斜NMS(非极大值抑制算法，常用于做多矩形融合)进行后处理，得到最后目标检测结果。
由此，得到得到训练完成的语义分割模型和遥感目标检测模型。
此外，本发明实施例还提供一种车流量监测装置。
参照图4，图4为本发明车流量监测装置第一实施例的功能模块示意图。
本实施例中，所述车流量监测装置包括：
采集模块10，用于采集检测区域的第一遥感图像，并在预设间隔时间后采集所述检测区域的第二遥感图像；
提取模块20，用于通过训练完成的语义分割模型，分别从所述第一遥感图像中提取第一感兴趣区域、从所述第二遥感图像中提取第二感兴趣区域；
检测模块30，用于通过训练完成的遥感目标检测模型，分别对所述第一感兴趣区域和所述第二感兴趣区域进行目标检测，以获取所述第一感兴趣区域中的第一车辆信息和所述第二感兴趣区域中的第二车辆信息；
确定模块40，用于根据所述第一车辆信息和所述第二车辆信息，确定所述检测区域在所述预设间隔时间内的车流量信息。
其中，上述车流量监测装置的各虚拟功能模块存储于图1所示车流量监测设备的存储器1005中，用于实现车流量监测程序的所有功能；各模块被处理器1001执行时，能够为车流量的监测提供了较为详细的分析依据，提升了车流量监测的便利性和准确性。
进一步的，所述提取模块20包括：
第一识别单元，用于将所述第一遥感图像输入至训练完成的语义分割模型，以从所述第一遥感图像中识别出道路骨架，作为第一感兴趣区域；
第二识别单元，用于将所述第二遥感图像输入至训练完成的语义分割模型，以从所述第二遥感图像中识别出道路骨架，作为第二感兴趣区域。
进一步的，所述检测模块30包括：
第三识别单元，用于将所述第一感兴趣区域输入至训练完成的遥感目标检测模型中进行目标检测，以从所述第一感兴趣区域中识别出各第一车辆及其类型，以及，将所述第二感兴趣区域输入至训练完成的遥感目标检测模型中进行目标检测，以从所述第二感兴趣区域中识别出各第二车辆及其类型；
第四识别单元，用于确定第一车辆在所述第一遥感图像中的坐标信息，并统计第一车辆的总数，以及，确定第二车辆在所述第二遥感图像中的坐标信息，并统计第二车辆的总数；
第一确定单元，用于将第一车辆的所述坐标信息和类型、第一车辆的总数确定为第一车辆信息，以及，将第二车辆的所述坐标信息和类型、第二车辆的总数确定为第二车辆信息。
进一步的，所述确定模块40包括：
第一计算单元，用于根据各第一车辆的所述坐标信息计算第一车辆在所述第一遥感图像中的中心坐标，以及，根据第二车辆的所述坐标信息计算各第二车辆在所述第二遥感图像中的中心坐标；
第二计算单元，用于根据第一车辆的所述中心坐标和第二车辆的所述中心坐标，计算所述检测区域在所述预设间隔时间内的车流速度；
比对单元，用于将第一车辆的类型与第二车辆的类型、第一车辆的总数与第二车辆的总数分别进行比对，得到车流变化量；
第二确定单元，用于将所述车流变化量和计算的所述车流速度，确定为所述检测区域在所述预设间隔时间内的车流量信息。
进一步的，所述第二计算单元包括：
第一计算子单元，用于根据第一车辆的所述中心坐标，计算所述第一遥感图像中所有第一车辆的整体中心坐标，以及，根据第二车辆的所述中心坐标，计算所述第二遥感图像中所有第二车辆的整体中心坐标；
获取子单元，用于获取所述第一遥感图像或所述第二遥感图像的缩放比例；
第二计算子单元，用于根据第一车辆的所述整体中心坐标和第二车辆的所述整体中心坐标，以及，所述缩放比例，计算所述检测区域在所述预设间隔时间内的车流速度。
进一步的，所述第二计算子单元包括：
第一计算子子单元，用于根据第一车辆的所述整体中心坐标和第二车辆的所述整体中心坐标，计算基于遥感图像的车流速度；
第二计算子子单元，用于计算所述基于遥感图像的车流速度与所述缩放比例的乘积，得到所述检测区域在所述预设间隔时间内的车流速度。
进一步的，所述车流量监测装置还包括：
发送模块，用于将所述车流量信息发送至车辆指挥调度系统，以供所述车辆指挥调度系统将所述车流量信息发布至预定距离内的车辆。
其中，上述车流量监测装置中各个模块的功能实现与上述车流量监测方法实施例中各步骤相对应，其功能和实现过程在此处不再一一赘述。
此外，本发明实施例还提供一种计算机可读存储介质。
本发明计算机可读存储介质上存储有车流量监测程序，其中所述车流量监测程序被处理器执行时，实现如上述的车流量监测方法的步骤。
其中，车流量监测程序被执行时所实现的方法可参照本发明车流量监测方法的各个实施例，此处不再赘述。
需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者系统不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者系统所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者系统中还存在另外的相同要素。
上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，空调器，或者网络设备等)执行本发明各个实施例所述的方法。
以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。

Claims (10)

1.一种车流量监测方法，其特征在于，所述方法包括以下步骤：
采集检测区域的第一遥感图像，并在预设间隔时间后采集所述检测区域的第二遥感图像；
通过训练完成的语义分割模型，分别从所述第一遥感图像中提取第一感兴趣区域、从所述第二遥感图像中提取第二感兴趣区域；
通过训练完成的遥感目标检测模型，分别对所述第一感兴趣区域和所述第二感兴趣区域进行目标检测，以获取所述第一感兴趣区域中的第一车辆信息和所述第二感兴趣区域中的第二车辆信息；
根据所述第一车辆信息和所述第二车辆信息，确定所述检测区域在所述预设间隔时间内的车流量信息。
2.如权利要求1所述的车流量监测方法，其特征在于，所述通过训练完成的语义分割模型，分别从所述第一遥感图像中提取第一感兴趣区域、从所述第二遥感图像中提取第二感兴趣区域的步骤包括：
将所述第一遥感图像输入至训练完成的语义分割模型，以从所述第一遥感图像中识别出道路骨架，作为第一感兴趣区域；
将所述第二遥感图像输入至训练完成的语义分割模型，以从所述第二遥感图像中识别出道路骨架，作为第二感兴趣区域。
3.如权利要求1所述的车流量监测方法，其特征在于，所述通过训练完成的遥感目标检测模型，分别对所述第一感兴趣区域和所述第二感兴趣区域进行目标检测，以获取所述第一感兴趣区域中的第一车辆信息和所述第二感兴趣区域中的第二车辆信息的步骤包括：
将所述第一感兴趣区域输入至训练完成的遥感目标检测模型中进行目标检测，以从所述第一感兴趣区域中识别出第一车辆及其类型，以及，将所述第二感兴趣区域输入至训练完成的遥感目标检测模型中进行目标检测，以从所述第二感兴趣区域中识别出第二车辆及其类型；
确定第一车辆在所述第一遥感图像中的坐标信息，并统计第一车辆的总数，以及，确定第二车辆在所述第二遥感图像中的坐标信息，并统计第二车辆的总数；
将第一车辆的所述坐标信息和类型、第一车辆的总数确定为第一车辆信息，以及，将第二车辆的所述坐标信息和类型、第二车辆的总数确定为第二车辆信息。
4.如权利要求1所述的车流量监测方法，其特征在于，所述根据所述第一车辆信息和所述第二车辆信息，确定所述检测区域在所述预设间隔时间内的车流量信息的步骤包括：
根据第一车辆的所述坐标信息计算第一车辆在所述第一遥感图像中的中心坐标，以及，根据第二车辆的所述坐标信息计算第二车辆在所述第二遥感图像中的中心坐标；
根据第一车辆的所述中心坐标和第二车辆的所述中心坐标，计算所述检测区域在所述预设间隔时间内的车流速度；
将第一车辆的类型与第二车辆的类型、第一车辆的总数与第二车辆的总数分别进行比对，得到车流变化量；
将所述车流变化量和计算的所述车流速度，确定为所述检测区域在所述预设间隔时间内的车流量信息。
5.如权利要求4所述的车流量监测方法，其特征在于，所述根据第一车辆的所述中心坐标和第二车辆的所述中心坐标，计算所述检测区域在所述预设间隔时间内的车流速度的步骤包括：
根据第一车辆的所述中心坐标，计算所述第一遥感图像中所有第一车辆的整体中心坐标，以及，根据第二车辆的所述中心坐标，计算所述第二遥感图像中所有第二车辆的整体中心坐标；
获取所述第一遥感图像或所述第二遥感图像的缩放比例；
根据第一车辆的所述整体中心坐标和第二车辆的所述整体中心坐标，以及，所述缩放比例，计算所述检测区域在所述预设间隔时间内的车流速度。
6.如权利要求5所述的车流量监测方法，其特征在于，所述根据第一车辆的所述整体中心坐标和第二车辆的所述整体中心坐标，以及，所述缩放比例，计算所述检测区域在所述预设间隔时间内的车流速度的步骤包括：
根据第一车辆的所述整体中心坐标和第二车辆的所述整体中心坐标，计算基于遥感图像的车流速度；
计算所述基于遥感图像的车流速度与所述缩放比例的乘积，得到所述检测区域在所述预设间隔时间内的车流速度。
7.如权利要求1所述的车流量监测方法，其特征在于，所述根据所述第一车辆信息和所述第二车辆信息，确定所述检测区域在所述预设间隔时间内的车流量信息的步骤之后，包括：
将所述车流量信息发送至车辆指挥调度系统，以供所述车辆指挥调度系统将所述车流量信息发布至预定距离内的车辆。
8.一种车流量监测装置，其特征在于，所述车流量监测装置包括：
采集模块，用于采集检测区域的第一遥感图像，并在预设间隔时间后采集所述检测区域的第二遥感图像；
提取模块，用于通过训练完成的语义分割模型，分别从所述第一遥感图像中提取第一感兴趣区域、从所述第二遥感图像中提取第二感兴趣区域；
检测模块，用于通过训练完成的遥感目标检测模型，分别对所述第一感兴趣区域和所述第二感兴趣区域进行目标检测，以获取所述第一感兴趣区域中的第一车辆信息和所述第二感兴趣区域中的第二车辆信息；
确定模块，用于根据所述第一车辆信息和所述第二车辆信息，确定所述检测区域在所述预设间隔时间内的车流量信息。
9.一种车流量监测设备，其特征在于，所述车流量监测设备包括处理器、存储器、以及存储在所述存储器上并可被所述处理器执行的交通数据的可视化程序，其中所述车流量监测程序被所述处理器执行时，实现如权利要求1至7中任一项所述的车流量监测方法的步骤。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有车流量监测程序，所述车流量监测程序被处理器执行时实现如权利要求1至7中任一项所述的车流量监测方法的步骤。
CN201910975456.2A 2019-10-11 2019-10-11 车流量监测方法、装置、设备及计算机可读存储介质 Active CN110738169B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910975456.2A CN110738169B (zh) 2019-10-11 2019-10-11 车流量监测方法、装置、设备及计算机可读存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910975456.2A CN110738169B (zh) 2019-10-11 2019-10-11 车流量监测方法、装置、设备及计算机可读存储介质

Publications (2)

Publication Number Publication Date
CN110738169A true CN110738169A (zh) 2020-01-31
CN110738169B CN110738169B (zh) 2023-09-08

Family

ID=69268925

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910975456.2A Active CN110738169B (zh) 2019-10-11 2019-10-11 车流量监测方法、装置、设备及计算机可读存储介质

Country Status (1)

Country Link
CN (1) CN110738169B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112101167A (zh) * 2020-09-08 2020-12-18 广东新禾道信息科技有限公司 一种遥感影像数据处理方法及装置
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 (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20040222904A1 (en) * 2003-05-05 2004-11-11 Transol Pty Ltd Traffic violation detection, recording and evidence processing system
CN101968924A (zh) * 2010-10-19 2011-02-09 北方工业大学 基于高分辨率图像的车流量实时检测方法
CN106780603A (zh) * 2016-12-09 2017-05-31 宇龙计算机通信科技(深圳)有限公司 车辆检测方法、装置及电子设备
CN108986465A (zh) * 2018-07-27 2018-12-11 深圳大学 一种车流量检测的方法、系统及终端设备
CN109492588A (zh) * 2018-11-12 2019-03-19 广西交通科学研究院有限公司 一种基于人工智能的快速车辆检测与分类方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20040222904A1 (en) * 2003-05-05 2004-11-11 Transol Pty Ltd Traffic violation detection, recording and evidence processing system
CN101968924A (zh) * 2010-10-19 2011-02-09 北方工业大学 基于高分辨率图像的车流量实时检测方法
CN106780603A (zh) * 2016-12-09 2017-05-31 宇龙计算机通信科技(深圳)有限公司 车辆检测方法、装置及电子设备
CN108986465A (zh) * 2018-07-27 2018-12-11 深圳大学 一种车流量检测的方法、系统及终端设备
CN109492588A (zh) * 2018-11-12 2019-03-19 广西交通科学研究院有限公司 一种基于人工智能的快速车辆检测与分类方法

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112101167A (zh) * 2020-09-08 2020-12-18 广东新禾道信息科技有限公司 一种遥感影像数据处理方法及装置
CN112101167B (zh) * 2020-09-08 2021-05-14 广东新禾道信息科技有限公司 一种遥感影像数据处理方法及装置
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
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

Also Published As

Publication number Publication date
CN110738169B (zh) 2023-09-08

Similar Documents

Publication Publication Date Title
US11776279B2 (en) Method and apparatus for providing unknown moving object detection
Luo et al. Towards efficient and objective work sampling: Recognizing workers' activities in site surveillance videos with two-stream convolutional networks
Biagioni et al. Easytracker: automatic transit tracking, mapping, and arrival time prediction using smartphones
CN103184719B (zh) 道路表面调查装置
KR20200018612A (ko) 물체 검출을 위한 방법, 장치 및 기기
CN106951830B (zh) 一种基于先验条件约束的图像场景多对象标记方法
EP3937077B1 (en) Lane marking detecting method, apparatus, electronic device, storage medium, and vehicle
Xiao et al. Speed estimation of traffic flow using multiple kernel support vector regression
CN110472599B (zh) 对象数量确定方法、装置、存储介质与电子设备
CN111915583B (zh) 复杂场景中基于车载红外热像仪的车辆和行人检测方法
WO2017200889A1 (en) Classifying entities in digital maps using discrete non-trace positioning data
CN111612489A (zh) 订单量的预测方法、装置及电子设备
CN112766069A (zh) 基于深度学习的车辆违停检测方法、装置及电子设备
CN104167109A (zh) 车辆位置的检测方法和检测装置
CN110738169A (zh) 车流量监测方法、装置、设备及计算机可读存储介质
CN112651266A (zh) 行人检测方法和装置
US20220383075A1 (en) System and method for conditional marginal distributions at flexible evaluation horizons
JP2023064093A (ja) 交通標識検出方法及び交通標識検出モデルのトレーニング方法
JP5878634B2 (ja) 特徴抽出方法、プログラム及びシステム
US20210232862A1 (en) Data providing system and data collection system
CN116823884A (zh) 多目标跟踪方法、系统、计算机设备及存储介质
JP2021033494A (ja) アノテーション支援方法、アノテーション支援装置、及びアノテーション支援プログラム
CN110458459B (zh) 交通数据的可视化分析方法、装置、设备及可读存储介质
CN109063675A (zh) 车流密度计算方法、系统、终端及计算机可读存储介质
Chen et al. Indoor positioning fusion algorithm for smartphones

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