CN110889328B - 检测道路交通状况的方法、装置、电子设备和存储介质 - Google Patents
检测道路交通状况的方法、装置、电子设备和存储介质 Download PDFInfo
- Publication number
- CN110889328B CN110889328B CN201911002020.1A CN201911002020A CN110889328B CN 110889328 B CN110889328 B CN 110889328B CN 201911002020 A CN201911002020 A CN 201911002020A CN 110889328 B CN110889328 B CN 110889328B
- Authority
- CN
- China
- Prior art keywords
- target
- area
- road
- video image
- vehicle
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 66
- 238000001514 detection method Methods 0.000 claims abstract description 88
- 230000011218 segmentation Effects 0.000 claims abstract description 38
- 238000004422 calculation algorithm Methods 0.000 claims description 17
- 238000004590 computer program Methods 0.000 claims description 13
- 238000011144 upstream manufacturing Methods 0.000 claims description 5
- 238000003709 image segmentation Methods 0.000 claims description 4
- 238000012544 monitoring process Methods 0.000 abstract description 21
- 238000010586 diagram Methods 0.000 description 14
- 230000008569 process Effects 0.000 description 8
- 238000012545 processing Methods 0.000 description 6
- 230000003068 static effect Effects 0.000 description 6
- 101100129590 Schizosaccharomyces pombe (strain 972 / ATCC 24843) mcp5 gene Proteins 0.000 description 4
- 230000000903 blocking effect Effects 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 238000012549 training Methods 0.000 description 4
- 238000013527 convolutional neural network Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 230000001174 ascending effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 230000012447 hatching Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 206010033799 Paralysis Diseases 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000010485 coping Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 238000002347 injection Methods 0.000 description 1
- 239000007924 injection Substances 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 239000000243 solution Substances 0.000 description 1
Images
Classifications
-
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
-
- 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
-
- 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
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Theoretical Computer Science (AREA)
- Chemical & Material Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Multimedia (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- Analytical Chemistry (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Traffic Control Systems (AREA)
- Image Analysis (AREA)
Abstract
本发明提供了检测道路交通状况的方法、装置、电子设备和存储介质,涉及交通监控领域。其中,所述方法包括:通过获取视频图像;通过对所述视频图像的识别区域进行车辆目标检测,若检测到所述视频图像有车辆,则对车辆目标进行目标分割,得到每一个车辆的目标掩码;获取同一检测区域中所有目标掩码与该检测区域的像素点总量比值;计算步长时间内所有所述比值的平均值;根据所述平均值和预设道路畅通级的阈值区间,判断所述检测区域的道路畅通等级;能够深度利用视频监控系统中的监控视频数据,辅助了交管人员快速掌握路网运行状况,提高了路网通行能力,防止了二次事故的发生。
Description
技术领域
本发明涉及交通监控领域,特征是涉及检测道路交通状况的方法、装置、电子设备和存储介质。
背景技术
随着交通领域信息化的建设与发展,交通视频监控系统的建设逐渐趋于成熟,目前高清、多功能摄像头正快速替换传统低清、模拟等设备,摄像头覆盖率越来越密集。
目前监控视频数据还停留在需要人员去监看或查看,费时费力,而且由于人的精力有限,容易造成信息错误和遗漏。视频数据的信息量不言而喻,但其数据的价值却未被很好的开发利用。究其原因就是,视频数据属于非结构化的数据,虽然内部含有巨大的信息量,但无法进一步建立索引、检索分析、数据关联等。
发明内容
本发明提供一种检测道路交通状况的方法,以解决现有技术不能基于交通监控视频数据,实时对视频图像进行智能化分析,实现自动识别道路通畅等级及检测出道路拥堵情况并报警的问题。
第一方面,为了解决上述问题,本发明实施例公开了一种检测道路交通状况的方法,包括:
获取视频图像;
对所述视频图像的识别区域进行车辆目标检测;
若检测到所述视频图像有车辆,则对车辆目标进行目标分割,得到每一个车辆的目标掩码;
获取同一检测区域中所有目标掩码与该检测区域的像素点总量比值;
计算步长时间内所有所述比值的平均值;
根据所述平均值和预设道路畅通级的阈值区间,判断所述检测区域的道路畅通等级。
优选的,所述获取同一检测区域中所有目标掩码与该检测区域的像素点总量比值的步骤前,包括:
根据所述目标掩码获得每个目标掩码的质心坐标;
根据所述质心坐标判断对应目标掩码的检测区域。
优选的,所述比值存储在内存队列中;所述计算步长时间所有所述比值的平均值的步骤,包括:
判断计时器当前是否经过所述步长时间;
若是,则计算所述内存队列中所有所述比值的所述平均值。
优选的,所述计算所述内存队列中所有所述比值的所述平均值的步骤后,包括:
复位所述计时器,重新开始计时。
优选的,所述视频图像的识别区域包括上行区域和下行区域;所述获取视频图像的步骤前,包括:
读取配置文件确定所述识别区域、上行区域以及下行区域的图像坐标数据;
根据所述坐标数据确定所述视频图像的所述识别区域、上行区域以及下行区域;
读取所述配置文件的道路通畅等级阀值确定所述预设道路畅通级的阈值区间。
优选的,根据所述平均值和预设道路畅通级的阈值区间,判断所述检测区域的道路畅通等级的步骤后,还包括:
根据所述道路通畅等级判断是否进行拥堵报警,并且清空所述内存队列,重新存储下一所述步长时间内计算得到的同一检测区域中所有目标掩码与该检测区域的像素点总量比值。
第二方面,为了解决上述问题,本发明实施例公开了一种检测道路交通状况的装置,包括:
视频图像获取模块,用于获取视频图像;
车辆目标图像分割模块,用于对所述视频图像的识别区域进行车辆目标检测,若检测到所述视频图像有车辆,则对车辆目标进行目标分割,得到每一个车辆的目标掩码;
图像面积比计算模块,用于获取同一检测区域中所有目标掩码与该检测区域的像素点总量比值;
道路畅通等级判断模块,用于计算步长时间内所有所述比值的平均值,并根据所述平均值和预设道路畅通级的阈值区间,判断所述检测区域的道路畅通等级。
优选的,所述装置还包括:
质心坐标获取模块,用于根据所述目标掩码获得每个目标掩码的质心坐标;
检测区域确定模块,用于根据所述质心坐标判断对应目标掩码的检测区域。
优选的,所述比值存储在内存队列中;所述道路畅通等级判断模块,包括:
步长时间判断子模块,用于判断计时器当前是否经过所述步长时间;
平均值计算子模块,用于若是,则计算所述内存队列中所有所述比值的所述平均值。
优选的,所述装置还包括:
计时器复位模块,用于复位所述计时器,重新开始计时。
优选的,所述视频图像的识别区域包括上行区域和下行区域;所述装置还包括:
算法初始化模块,用于读取配置文件确定所述识别区域、上行区域以及下行区域的图像坐标数据;根据所述坐标数据确定所述视频图像的所述识别区域、上行区域以及下行区域;读取所述配置文件的道路通畅等级阀值确定所述预设道路畅通级的阈值区间。
优选的,所述装置还包括:
拥堵报警模块,用于根据所述道路通畅等级判断是否进行拥堵报警,并且清空所述内存队列,重新存储下一所述步长时间内计算得到的同一检测区域中所有目标掩码与该检测区域的像素点总量比值。
第三方面,为了解决上述问题,本发明实施例公开了一种电子设备,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如第一方面所述的一种检测道路交通状况的方法的步骤。
第四方面,为了解决上述问题,本发明实施例公开了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计算机程序,所述计算机程序被处理器执行时实现如第一方面所述的一种检测道路交通状况的方法的步骤。
本发明实施例的有益效果:
本发明通过获取视频图像;通过对所述视频图像的识别区域进行车辆目标检测,若检测到所述视频图像有车辆,则对车辆目标进行目标分割,得到每一个车辆的目标掩码;获取同一检测区域中所有目标掩码与该检测区域的像素点总量比值;计算步长时间内所有所述比值的平均值;根据所述平均值和预设道路畅通级的阈值区间,判断所述检测区域的道路畅通等级;能够深度利用视频监控系统中的监控视频数据,并提高了视频监控系统的智能化程度,实现了基于交通监控视频数据,采用智能分析算法对道路进行全天候的自动拥堵检测,辅助了交管人员快速掌握路网运行状况,提高了路网通行能力,防止了二次事故的发生。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对本发明实施例的描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1示出了本发明实施例的一种检测道路交通状况的方法的流程图;
图2示出了本发明实施例的一种检测道路交通状况的方法的流程图;
图3示出了本发明实施例的道路检测区域示意图;
图4示出了本发明实施例的一帧实时视频图像示意图;
图5示出了本发明实施例的识别区域中车辆的目标掩码示意图;
图6示出了本发明实施例的上行区域车辆的目标掩码示意图;
图7示出了本发明实施例的一种检测道路交通状况的装置的结构图。
具体实施方式
下面将参照附图更详细地描述本发明的示例性实施例。虽然附图中显示了本发明的示例性实施例,然而应当理解,可以以各种形式实现本发明而不应被这里阐述的实施例所限制。相反,提供这些实施例是为了能够更透彻地理解本发明,并且能够将本发明的范围完整的传达给本领域的技术人员。
目前,检测道路交通状况的方法包括:静态图像检测道路交通状况、光流法检测道路交通状况。下面对于这几种转换方法进行介绍。
一、静态图像检测道路交通状况
该方法直接利用静态图像来检测车辆拥堵,通过静态图像分析,利用训练卷积神经网络算法来检测静态图像中的车辆数量、排队长度、车辆密集度,从而判定车辆拥堵情况。
该方案通过训练卷积神经网络模型,仅通过一张道路抓拍的图像进行道路拥堵检测。其缺点在于:
1、模型训练需要大量的人工参与标定庞大的样本数据,否则算法训练无法完成;
2、通过一张静态图像的车辆检测就做出拥堵判定,不适用于道路各种视角场景,例如视野广到视野近分布着不同的摄像头,其拥堵判定标准各不相同,在实际投入使用中,对成千上万的摄像头不可能依次进行不同阈值的设定。
二、光流法检测道路交通状况
该方法基于深度卷积神经网络算法检测视频图像中车辆,然后结合光流法检测静止的车辆及静止时间,最后通过统计静止车辆进行道路拥堵计算。
该方法通过深度学习检测车辆,再结合光流法检测其中静止的车辆及静止时间,其缺点在于:
1、检测静止的车辆作为判断拥堵的依据,只适用于道路瘫痪的最拥堵状态,对于拥堵但车辆能够低速行驶情况,却判断不了拥堵;
2、该方法对道路的拥堵等级无法做出不同拥堵程度的区分。
针对上述问题,本发明实施例提供了全天候对道路拥堵事件进行检测,并自动报警、实时显示道路交通状况辅助交管人员快速掌握路网运行状况的方法,应对不同拥堵程度的道路情况。本发明实施例的核心原理之一,是将检测区域中所有车辆目标图像的像素点总数与该检测区域图像的像素点总数的比值,相当于检测区域中车辆目标图像区域的面积与检测区域图像面积的比值,最后根据预设的道路畅通等级的阈值区间确定该比值落在哪个区间中,从而确定道路的交通状况。以下对于本发明实施例进行详细介绍。
参照图1,示出了本发明实施例的一种检测道路交通状况的方法的流程图,具体可以包括如下步骤:
步骤101,获取视频图像。
在本发明实施例中,视频图像为视频监控系统对某段道路采集的交通监控视频图像数据。等时间间隔循环获取当前时刻一帧视频图像数据。
步骤102,对所述视频图像的识别区域进行车辆目标检测。
在本发明实施例中,预先针对步骤101中获取的视频图像数据确定了视频图像的识别区域。使用预设实例分割模型对该视频图像的识别区域进行分析是否有车辆,并找出车辆目标的位置。
步骤103,若检测到所述视频图像有车辆,则对车辆目标进行目标分割,得到每一个车辆的目标掩码。
名词解释:
目标分割(实例分割或图像分割):检测出图像中的目标,并对目标进行图像像素级的分割,找出属于该目标的所有像素点,可精确描绘出目标的边缘,最后还可给出该目标的类别。
目标掩码:上述目标分割中,找出属于目标的所有像素点,并构成一张目标图像,称为目标的掩码。
在本发明实施例中,若步骤102中的实例分割模型检测到上述视频图像的识别区域有车辆并找出了车辆的位置,则继续用该实例分割模型对上述视频图像的识别区域中车辆目标进行目标分割,得到每一个车辆的目标掩码。
步骤104,获取同一检测区域中所有目标掩码与该检测区域的像素点总量比值。
在本发明实施例中,步骤103中视频图像的识别区域包括上行区域和下行区域。上述同一检测区域指视频图像的上行区域或下行区域。本发明对视频图像中的车辆进行了位置的划分,具体分为上行区域和下行区域。
分别计算上行区域和下行区域中所有目标掩码的像素点总量值,同时分别计算上行区域和下行区域的区域像素点总量值,再分别用各区域目标掩码的像素点总量值除以对应区域的区域像素点总量值,分别得到上行区域和/或下行区域中所有目标掩码相对各自区域的像素点数量比值。
在本发明实施例中采用视频图像的像素点数量来表示面积,上述像素点数量比值就是面积的比值。
步骤105,计算步长时间内所有所述比值的平均值。
在本发明实施例中,步长时间表示相同时间间隔。在步长时间内本发明获取了多帧视频图像,并对各视频图像中的目标掩码进行了上述步骤104的操作,得到多个上行区域和/或下行区域各自的像素点总量比值,若当前时刻为步长时间的最后时刻时,分别按上述比值对应的区域计算步长时间内所有比值的平均值,得到该步长时间内上行区域中所有目标掩码与该检测区域的像素点总量比值的平均值,和/或下行区域中所有目标掩码与该检测区域的像素点总量比值的平均值。
步骤106,根据所述平均值和预设道路畅通级的阈值区间,判断所述检测区域的道路畅通等级。
在本发明实施例中,预设道路畅通级的阈值区间是根据配置文件中的道路通畅等级阀值确定的,该预设道路畅通级的阈值区间对应道路畅通等级,该道路通畅等级包括:基本畅通、一般、拥堵、阻塞。其中,道路畅通级的阈值区间和道路畅通等级也可以根据实际需要另行设置,本发明实施例对此不加以限制。
在本发明实施例中,将上述步骤105中的平均值和预设道路畅通级的阈值区间进行匹配,判断该平均值所落的阀值区间,以及根据该阀值区间确定该平均值对应检测区域的道路畅通等级,即确定当前时间段内道路上行区域和/或下行区域的交通状况。
在本发明实施例中,通过实时确定当前时间段内视频图像检测区域的道路畅通等级,可辅助交管人员判断视频图像对应道路的当前交通状况,相比目前人力监控的方式,节省了人力成本,提高了监控的准确度。
参照图2,示出了本发明实施例的一种检测道路交通状况的方法的流程图具体可以包括如下步骤:
步骤201,算法初始化。
在本实施例中,算法初始化包括读取识别区域的规则和读取道路通畅等级阀值,如下:
读取识别区域的规则:读取配置文件确定所述识别区域、上行区域以及下行区域的图像坐标数据,根据所述坐标数据确定所述视频图像的所述识别区域、上行区域以及下行区域。
读取道路通畅等级阀值:读取所述配置文件的道路通畅等级阀值确定所述预设道路畅通级的阈值区间。
具体的,在本发明实施例中,配置文件中的数据都是预先配置好的,在准备进行检测道路交通状况监控时,首先读取配置文件中识别区域图像坐标数据、上行区域的图像坐标数据、下行区域的图像坐标数据以及道路通畅等级阀值等数据,然后将上述数据存储到程序内存中,供后续程序或模型运行使用。
在本发明实施例中,根据识别区域的图像坐标数据在实例分割模型中形成对车辆目标检测的边界规则,视频图像中超出该边界的部分,实例分割模型将不会对其进行车辆目标检测。
根据上行区域以及下行区域的图像坐标数据在实例分割模型中确定目标掩码所在检测区域的像素点总量的边界规则,视频图像中超出该边界的部分,实例分割模型将不会对其的像素点计算在目标掩码所在检测区域的像素点总量中。
图3~6表示某段相同道路中不同的两条行车道的示意图;图4~6表示对同一帧视频图像的不同处理的示意图,其中阴影表示车辆的目标掩码,阴影对应的平行四边形表示对应车辆。
举例说明,参照图3,示出了本发明实施例的道路检测区域示意图。该示意图包括:识别区域a、上行区域b、下行区域c。在图3中,用4条实线表示两条行车道路,图中长方形虚线框表示识别区域a,图中左侧类似梯形的虚线框表示上行区域b,图中右侧类似梯形的虚线框表示下行区域c。其中,上述实例分割模型只对识别区域a内区域进行车辆目标检测,并且只计算上行区域b、和/或下行区域c内的各自区域车辆的目标掩码像素点总量,以及各自各检测区域的像素点总量,需说明的是计算各自各检测区域的像素点总量包括对应车辆目标的目标掩码的像素点数量。
在本发明实施例中,根据存储在程序内存中的道路通畅等级阀值确定道路通畅等级。
道路通畅等级分为五个等级,分别为:通畅、基本通畅、一般、拥堵、阻塞,对应的区间阀值为:畅通:[0,h1)、基本畅通:[h1,h2)、一般:[h2,h3)、拥堵:[h3,h4)、阻塞:[h4,1],(注:0<h1<h2<h3<h4<1)。
在本发明实施例中,不需要人工标定拥堵样本数据,设置的阀值适用于所有视角场景。
步骤202,获取视频图像。
在本实施例中,等间隔时间从视频监控系统中获取一帧连续的实时视频图像数据,并实时的将当前获取的视频图像数据传输给实例分割模型。上述间隔时间可以为s秒。其中,该间隔时间可以根据实际需要另行设置,本发明实施例对此不加以限制。参照图4,该图为实时获取的一帧视频图像的示意图。
步骤203,对所述视频图像的识别区域进行车辆目标检测,若检测到所述视频图像有车辆,则对车辆目标进行目标分割,得到每一个车辆的目标掩码。
名词解释:Mask-RCNN实例分割算法:是一种深度卷积神经网络算法,在一个网络中该算法可同时做目标检测(object detection)和目标分割(Target Segmentation)。
在本发明实施例中,预先对Mask-RCNN实例分割算法进行样本图片的车辆目标检测与车辆目标分割的训练学习,得到一个实例分割模型。将上述步骤202中的视频图像数据实时输入到该模型中,该模型根据步骤201中的识别区域图像坐标数据对该坐标数据形成的图像识别区域进行车辆目标检测,若检测到图像中有车辆,则对该图像的识别区域中的车辆进行目标分割,得到该图像中每一个车辆的目标掩码。需要说明的是上述实例分割模型只对图形识别区域内的车辆进行目标分割,得到每个车辆的目标掩码。如图5所示,该图中没有阴影的平行四边形表示未被目标分割的车辆,有阴影的平行四边形表示已被目标分割的车辆,该图只对识别区域a中的车辆进行目标分割,图中识别区域外的车辆并没有进行目标分割。本发明不局限于采用上述Mask-RCNN实例分割算法,可根据实际的应用场景要求,采用不同复杂度或者不同精度的实例分割算法进行车辆目标检测和目标分割,也可根据技术的发展,替换新的、更优越的实例分割算法。
步骤204,判断是否检测到车辆。
在本发明实施例中,根据在视频图像的识别区域是否得到目标掩码,判断视频图像中是否有车辆。若有,则进行下述步骤205;若没有,则跳转下述步骤207。
步骤205,计算每个车辆目标图像的中心点。
名词解释:
图像质心:也称图像的重心,可按图像x轴、y轴分别计算。
在本发明实施例中,根据上述目标掩码获得每个目标掩码的质心坐标。具体的,采用计算图像区域质心的方法,分别计算视频图像识别区域中每个车辆目标图像质心作为目标图像的中心点,即得到该中心点的坐标点数据。
计算图像区域质心的方法:
首先,计算目标掩码内像素点的总量值num;
然后,计算目标掩码所有像素点横坐标的坐标值总和sum_x;
接着,计算目标掩码所有像素点纵坐标的坐标值总和sum_y;
最后,根据目标掩码内像素点的总量值num、目标掩码所有像素点横坐标的坐标值总和sum_x、目标掩码所有像素点纵坐标的坐标值总和sum_y计算该目标掩码的质心坐标(sum_x/num,sum_y/num)。
步骤206,判断每一个车辆目标在上行区域或下行区域。
在本发明实施例中,根据步骤205中的质心坐标判断对应目标掩码的检测区域。
具体的,读取步骤201存储到程序内存中的上行区域和下行区域的图像坐标数据,根据各个目标掩码的质心坐标判断各质心落在上行区域还是下行区域,落在上行区域,则判定该目标掩码属于上行区域;落在下行区域,则判定该目标掩码属于下行区域;其中,一个目标掩码代表一辆车。
步骤207,获取同一检测区域中所有目标掩码与该检测区域的像素点总量比值。
在本发明实施例中,分别计算上行区域和下行区域中所有目标掩码与对应检测区域的像素点总量的比值。具体的,首先计算上行区域和下行区域中所有目标掩码像素点的总量值,同时分别计算视频图像中上行区域和下行区域范围内所有像素点总量值;最后将两个目标掩码像素点总量值分别和对应区域(上行区域或下行区域)的像素点总量值进行比值计算,得到上行区域像素点的比值和下行区域像素点的比值。
举例说明,以计算上行区域像素点的比值为例。参照图6,图中上行区域b中只有两个有阴影的平行四边形,即有两个车辆的目标掩码。首先,计算这两个车各自目标掩码的像素点数量;再将这两个目标掩码的像素点数量相加,得到上行区域中所有目标掩码总数num1;然后,计算该图中方框(上行区域b)内所有像素点的总量num2;最后,计算num1和num2的比值,得到上行区域中所有目标掩码与该检测区域的像素点总量比值value1=num1/num2;注:0≤value1≤1。在本示例中,num1和num2可以同时计算,也可先后计算本发明对此不做要求。
同理,可按照上述计算上行区域像素点比值的方法计算下行区域像素点的比值value2,注:0≤value2≤1。因为过程一样,所以在此不再累述。
在本发明实施例中,以检测区域中所有目标掩码与该检测区域的像素点总量比值,表示同一检测区域中车辆像素面积与道路像素面积之比,不关注车辆是否静止或低速行驶,不仅可以分析和判定不同等级的拥堵,还可以适用于任何摄像头拍摄的不同倾斜度、视野大小等情况的视频图像,鲁棒性更加的强。
步骤208,将比值对应存储到上行/或下行内存队列中。
在本实施例中,像素点总量比值存储在内存队列中,该内存队列分为:上行内存队列和下行内存队列。上述步骤207中,value1存储在上行内存队列中;value2存储在下行内存队列中。
步骤209,判断计时器是否经过步长时间。
在本实施例中,实时判断计时器当前是否经过所述步长时间,即实时判断计时器当前是否经过了步长时间的最后时刻。若是,则进入步骤210;若否,则跳转到步骤202。
步骤210,计算步长时间内所有所述比值的平均值。
在本实施例中,在实时判断计时器当前是否经过所述步长时间时,若是,则计算所述内存队列中所有所述比值的所述平均值;最后,复位所述计时器,重新开始计时。
以计算步长时间m分钟内上行内存队列中比值的平均值为例,用计时器计算步长时间。m分钟内内存队列中有多个比值。具体如下:
如果计时器当前经过了m分钟,则读取上行内存队列中存储的所有像素点总量比值,并对这些比值求平均值。得到平均值后将上行内存队列清空,重新开始存储m~2m分钟内的像素点总量比值,以及将计时器复位到0,重新从0开始计时到m分钟。
同理,可按照上述计算m分钟内上行内存队列中比值的平均值的方法计算m分钟内下行内存队列中比值的平均值。因为过程一样,所以在此不再累述。
在本发明实施例中,分析连续视频图像数据,得到场景内车辆的动态变化过程,从而更精准的分析当前道路拥堵状况。
步骤211,根据所述平均值和预设道路畅通级的阈值区间,判断所述检测区域的道路畅通等级。
在本发明实施例中,首先,读取上述步骤201程序内存中的道路通畅等级阀值,确定道路畅通级的阈值区间;再,用步骤210中的平均值和该区间进行匹配,判断该平均值属于哪个阈值区间;然后,根据判断出来阈值区间确定检测区域的道路畅通等级。
以判断上行区域的道路畅通等级为例,首先,读取程序内存中的道路通畅等级阀值,确定道路畅通级的阈值区间(畅通:[0,h1);基本畅通:[h1,h2);一般:[h2,h3);拥堵:[h3,h4);阻塞:[h4,1]);再用当前上行区域对应的比值的平均值和阈值区间进行匹配,判断该平均值落在哪个区间;若该平均值在[0,h1)则该上行区域的道路畅通等级为畅通;若该平均值在[h1,h2)则该上行区域的道路畅通等级为基本畅通;若该平均值在[h2,h3)则该上行区域的道路畅通等级为一般;若该平均值在[h3,h4)则该上行区域的道路畅通等级为拥堵;若该平均值在[h4,1]则该上行区域的道路畅通等级为阻塞。
同理,可按照上述判断上行区域的道路畅通等级的方法判断下行区域的道路畅通等级。因为过程一样,所以在此不再累述。
步骤212,根据所述道路通畅等级判断是否进行拥堵报警。
在本发明实施例中,根据步骤211确定的道路畅通等级后,进而根据该道路通畅等级判断是否进行拥堵报警;若等级属于拥堵、或阻塞,则对该平均值所属的检测区域进行拥堵报警,若等级属于畅通、/或基本畅通、/或一般,则不做报警处理;最后,清空所述内存队列,重新存储下一所述步长时间内计算得到的同一检测区域中所有目标掩码与该检测区域的像素点总量比值。
接着步骤211中的示例。首先,根据步骤211得到的上行区域的道路畅通等级,判断是否进行上行拥堵报警;若,等级为拥堵或阻塞,则进行上行拥堵报警;若,等级为畅通、/或基本畅通、/或一般,则不做报警处理;然后,清空上行内存队列,重新存储下一步长时间内计算得到的上行区域中所有目标掩码与该检测区域的像素点总量比值;最后,跳转步骤202,重新对下一步长时间内的视频图像进行上述处理。
同理,可按照上述方法处理下行区域。因为过程一样,所以在此不再累述。
上述实施例的有益效果:
本发明通过获取视频图像;通过对所述视频图像的识别区域进行车辆目标检测,若检测到所述视频图像有车辆,则对车辆目标进行目标分割,得到每一个车辆的目标掩码;获取同一检测区域中所有目标掩码与该检测区域的像素点总量比值;计算步长时间内所有所述比值的平均值;根据所述平均值和预设道路畅通级的阈值区间,判断所述检测区域的道路畅通等级;能够深度利用视频监控系统中的监控视频数据,并提高了视频监控系统的智能化程度,实现了基于交通监控视频数据,采用智能分析算法对道路进行全天候的自动拥堵检测,辅助了交管人员快速掌握路网运行状况,提高了路网通行能力,防止了二次事故的发生。
参照图7,示出了本发明实施例的一种检测道路交通状况的装置的结构图,具体可以包括如下装置:
优先的,所述视频图像的识别区域包括上行区域和下行区域;算法初始化模块301,用于读取配置文件确定所述识别区域、上行区域以及下行区域的图像坐标数据;根据所述坐标数据确定所述视频图像的所述识别区域、上行区域以及下行区域;读取所述配置文件的道路通畅等级阀值确定所述预设道路畅通级的阈值区间。
视频图像获取模块302,用于获取视频图像。
车辆目标图像分割模块303,用于对所述视频图像的识别区域进行车辆目标检测,若检测到所述视频图像有车辆,则对车辆目标进行目标分割,得到每一个车辆的目标掩码。
质心坐标获取模块304,用于根据所述目标掩码获得每个目标掩码的质心坐标;
检测区域确定模块305,用于根据所述质心坐标判断对应目标掩码的检测区域。
图像面积比计算模块306,用于获取同一检测区域中所有目标掩码与该检测区域的像素点总量比值。
道路畅通等级判断模块307,用于计算步长时间内所有所述比值的平均值,并根据所述平均值和预设道路畅通级的阈值区间,判断所述检测区域的道路畅通等级。
优选的,所述比值存储在内存队列中;道路畅通等级判断模块307,可包括如下子模块:
步长时间判断子模块3071,用于判断计时器当前是否经过所述步长时间。
平均值计算子模块3072,用于若是,则计算所述内存队列中所有所述比值的所述平均值。
计时器复位模块308,用于复位所述计时器,重新开始计时。
拥堵报警模块309,用于根据所述道路通畅等级判断是否进行拥堵报警,并且清空所述内存队列,重新存储下一所述步长时间内计算得到的同一检测区域中所有目标掩码与该检测区域的像素点总量比值。
基于同一发明构思,本发明另一实施例提供一种电子设备,包括存储器、处理器及存储在存储器上并可再处理器上运行的计算机程序,所述处理器执行时实现本申请上述任一实施例所述的方法中的步骤。
基于同一发明构思,本发明另一实施例提供一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现如本申请上述任一实施例所述的方法中的步骤。
对于装置实施例而言,由于其与方法实施例基本相似,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。本发明书中的各个实施例均采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似的部分互相参见即可。
本领域内的技术人员应明白,本发明实施例的实施例可提供为方法、装置、或计算机程序产品。因此,本发明实施例可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明实施例可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明实施例是参照根据本发明实施例的方法、终端设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理终端设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理终端设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理终端设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理终端设备上,使得在计算机或其他可编程终端设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程终端设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
尽管已描述了本发明实施例的优选实施例,但本领域内的技术人员一旦得知了基本创造性概念,则可对这些实施例做出另外的变更和修改。所以,所附权利要求意欲解释为包括优选实施例以及落入本发明实施例范围的所有变更和修改。
上面结合附图对本发明的实施例进行了描述,但是本发明并不局限于上述的具体实施方式,上述的具体实施方式仅仅是示意性的,而不是限制性的,本领域的普通技术人员在本发明的启示下,在不脱离本发明宗旨和权利要求所保护的范围情况下,还可做出很多形式,均属于本发明的保护之内。
Claims (10)
1.一种检测道路交通状况的方法,其特征在于,包括:
获取视频图像;
根据Mask-RCNN实例分割算法对所述视频图像的识别区域进行车辆目标检测,若检测到所述视频图像有车辆,则对车辆目标进行目标分割,得到每一个车辆的目标掩码;
获取同一检测区域中所有目标掩码与该检测区域的像素点总量比值,包括:分别计算所述视频图像中上行区域和下行区域中所有目标掩码像素点的总量值;分别计算所述上行区域和所述下行区域范围内所有像素点总量值;根据所述上行区域中所有目标掩码像素点的总量值和所述上行区域范围内所有像素点总量值进行计算得到上行区域像素点的比值,以及根据所述下行区域中所有目标掩码像素点的总量值和所述下行区域范围内所有像素点总量值进行计算得到下行区域像素点的比值;
计算步长时间内所有所述比值的平均值;
根据所述平均值和预设道路畅通级的阈值区间,判断所述检测区域的道路畅通等级。
2.根据权利要求1所述的方法,其特征在于,所述获取同一检测区域中所有目标掩码与该检测区域的像素点总量比值的步骤前,包括:
根据所述目标掩码获得每个目标掩码的质心坐标;
根据所述质心坐标判断对应目标掩码的检测区域。
3.根据权利要求1所述的方法,其特征在于,所述比值存储在内存队列中;所述计算步长时间所有所述比值的平均值的步骤,包括:
判断计时器当前是否经过所述步长时间;
若是,则计算所述内存队列中所有所述比值的所述平均值。
4.根据权利要求3所述的方法,其特征在于,所述计算所述内存队列中所有所述比值的所述平均值的步骤后,包括:
复位所述计时器,重新开始计时。
5.根据权利要求1所述的方法,其特征在于,所述视频图像的识别区域包括上行区域和下行区域;所述获取视频图像的步骤前,包括:
读取配置文件确定所述识别区域、上行区域以及下行区域的图像坐标数据;
根据所述坐标数据确定所述视频图像的所述识别区域、上行区域以及下行区域;
读取所述配置文件的道路通畅等级阀值确定所述预设道路畅通级的阈值区间。
6.根据权利要求1所述的方法,其特征在于,根据所述平均值和预设道路畅通级的阈值区间,判断所述检测区域的道路畅通等级的步骤后,还包括:
根据所述道路通畅等级判断是否进行拥堵报警,并且清空内存队列,重新存储下一所述步长时间内计算得到的同一检测区域中所有目标掩码与该检测区域的像素点总量比值。
7.一种检测道路交通状况的装置,其特征在于,包括:
视频图像获取模块,用于获取视频图像;
车辆目标图像分割模块,用于根据Mask-RCNN实例分割算法对所述视频图像的识别区域进行车辆目标检测,若检测到所述视频图像有车辆,则对车辆目标进行目标分割,得到每一个车辆的目标掩码;
图像面积比计算模块,用于获取同一检测区域中所有目标掩码与该检测区域的像素点总量比值,包括:分别计算所述视频图像中上行区域和下行区域中所有目标掩码像素点的总量值;分别计算所述上行区域和所述下行区域范围内所有像素点总量值;根据所述上行区域中所有目标掩码像素点的总量值和所述上行区域范围内所有像素点总量值进行计算得到上行区域像素点的比值,以及根据所述下行区域中所有目标掩码像素点的总量值和所述下行区域范围内所有像素点总量值进行计算得到下行区域像素点的比值;
道路畅通等级判断模块,用于计算步长时间内所有所述比值的平均值,并根据所述平均值和预设道路畅通级的阈值区间,判断所述检测区域的道路畅通等级。
8.根据权利要求7所述的装置,其特征在于,所述装置还包括:
质心坐标获取模块,用于根据所述目标掩码获得每个目标掩码的质心坐标;
检测区域确定模块,用于根据所述质心坐标判断对应目标掩码的检测区域。
9.一种电子设备,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如权利要求1至6中任一项所述的一种检测道路交通状况的方法的步骤。
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计算机程序,所述计算机程序被处理器执行时实现如权利要求1至6中任一项所述的一种检测道路交通状况的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911002020.1A CN110889328B (zh) | 2019-10-21 | 2019-10-21 | 检测道路交通状况的方法、装置、电子设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911002020.1A CN110889328B (zh) | 2019-10-21 | 2019-10-21 | 检测道路交通状况的方法、装置、电子设备和存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110889328A CN110889328A (zh) | 2020-03-17 |
CN110889328B true CN110889328B (zh) | 2023-05-30 |
Family
ID=69746284
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911002020.1A Active CN110889328B (zh) | 2019-10-21 | 2019-10-21 | 检测道路交通状况的方法、装置、电子设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110889328B (zh) |
Families Citing this family (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111369807B (zh) * | 2020-03-24 | 2022-04-12 | 北京百度网讯科技有限公司 | 一种交通事故的检测方法、装置、设备和介质 |
CN111695627A (zh) * | 2020-06-11 | 2020-09-22 | 腾讯科技(深圳)有限公司 | 路况检测方法、装置、电子设备及可读存储介质 |
CN111931587B (zh) * | 2020-07-15 | 2022-10-25 | 重庆邮电大学 | 基于可解释时空自编码器的视频异常检测方法 |
CN112312082B (zh) * | 2020-09-14 | 2021-11-30 | 上海商汤智能科技有限公司 | 道路运行情况确定方法及装置、设备和存储介质 |
CN112784789B (zh) * | 2021-01-29 | 2023-08-18 | 北京百度网讯科技有限公司 | 识别道路的交通流量的方法、装置、电子设备和介质 |
CN112861706A (zh) * | 2021-02-04 | 2021-05-28 | 北京百度网讯科技有限公司 | 一种道路状态的监测方法、装置、设备以及存储介质 |
CN113313950A (zh) * | 2021-07-28 | 2021-08-27 | 长沙海信智能系统研究院有限公司 | 车辆拥堵的检测方法、装置、设备及计算机存储介质 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP4267657B2 (ja) * | 2006-10-31 | 2009-05-27 | 本田技研工業株式会社 | 車両周辺監視装置 |
CN105957077B (zh) * | 2015-04-29 | 2019-01-15 | 国网河南省电力公司电力科学研究院 | 基于视觉显著性分析的输电线路异物检测方法 |
CN108615358A (zh) * | 2018-05-02 | 2018-10-02 | 安徽大学 | 一种道路拥堵检测方法及装置 |
CN109241938B (zh) * | 2018-09-27 | 2022-02-18 | 深圳金三立视频科技股份有限公司 | 道路拥堵检测方法及终端 |
CN110232379A (zh) * | 2019-06-03 | 2019-09-13 | 上海眼控科技股份有限公司 | 一种车辆姿态检测方法及系统 |
-
2019
- 2019-10-21 CN CN201911002020.1A patent/CN110889328B/zh active Active
Non-Patent Citations (1)
Title |
---|
田萱.基于候选区域的图像语义分割方法.《基于深度学习的图像语义分割技术》.2019,第30-33页. * |
Also Published As
Publication number | Publication date |
---|---|
CN110889328A (zh) | 2020-03-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110889328B (zh) | 检测道路交通状况的方法、装置、电子设备和存储介质 | |
CN104392468B (zh) | 基于改进视觉背景提取的运动目标检测方法 | |
CN102542289B (zh) | 一种基于多高斯计数模型的人流量统计方法 | |
CN112052797A (zh) | 基于MaskRCNN的视频火灾识别方法及系统 | |
US9576199B2 (en) | Method and device for calculating number and moving direction of pedestrians | |
CN103632158B (zh) | 森林防火监控方法及森林防火监控系统 | |
WO2021139049A1 (zh) | 检测方法、检测装置、监控设备和计算机可读存储介质 | |
CN106991418A (zh) | 飞虫检测方法、装置及终端 | |
CN105678803A (zh) | 基于w4算法和帧间差分的视频监控目标检测方法 | |
CN104077757B (zh) | 一种融合实时交通状态信息的道路背景提取与更新方法 | |
CN110255318B (zh) | 基于图像语义分割的电梯轿厢闲置物品检测的方法 | |
CN108921099A (zh) | 一种基于深度学习的航道内运动船舶目标检测方法 | |
CN112767681B (zh) | 一种交通状态检测方法、装置及相关设备 | |
CN103096117B (zh) | 视频噪声检测方法及装置 | |
CN111127520A (zh) | 一种基于视频分析的车辆跟踪方法和系统 | |
CN106570440A (zh) | 基于图像分析的人数统计方法和人数统计装置 | |
CN112149471B (zh) | 一种基于语义点云的回环检测方法及装置 | |
CN104318760B (zh) | 一种基于似物性模型的路口违章行为智能检测方法及系统 | |
CN117994987B (zh) | 基于目标检测技术的交通参数提取方法及相关装置 | |
CN111339934A (zh) | 一种融合图像预处理与深度学习目标检测的人头检测方法 | |
KR101690050B1 (ko) | 지능형 영상보안 시스템 및 객체 추적 방법 | |
CN111597992B (zh) | 一种基于视频监控的场景物体异常的识别方法 | |
CN106096554A (zh) | 一种停车位遮挡判定方法和系统 | |
CN108847035B (zh) | 车流量评估方法及装置 | |
CN111325178A (zh) | 警示物检测结果获取方法、装置、计算机设备和存储介质 |
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 |