CN110992693B - 一种基于深度学习的交通拥堵程度多维度分析方法 - Google Patents

Abstract

本发明公布了一种基于深度学习的交通拥堵程度多维度分析方法，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)获取实时视频流；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进行车辆目标检测；6)车辆目标跟踪；7)交通参数采集；8)拥堵勘探初步进行拥堵预测；9)拥堵程度分析；10)拥堵事件上报并设置睡眠状态。本发明采用了道路容纳率、平均速度等多维度的交通参数来进行准确而快速地交通拥堵程度分析，鲁棒性好且检测准确率较高。

Description

一种基于深度学习的交通拥堵程度多维度分析方法

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程度多维度分析方法。

背景技术

近年来，随着城市化发展进程的不断推进，汽车保有量不断增长，这给交通带来便利的同时，也使交通拥堵、交通事故等问题日益突出。其中，交通拥堵问题不仅仅会影响人们的出行效率，甚至会导致严重的交通事故，危害人民的出行安全。因此，准确地检测并实时地进行交通拥堵程度分析就显得尤为重要。

交通拥堵检测最直接的方法是人为观察监控视频上的道路拥堵情况，但必然无法同时观察24小时所有路段的情况，而且需要耗费大量人力。因此依赖于计算机的实时而的拥堵检测算法是实际需要的。当前常见的拥堵检测算法主要分为两类，一种是基于感应线圈等传感设备采集到的拥堵参数结合拥堵的统计特性进行拥堵检测，但感应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，而且该方法预测准确性较低；另一种则是基于交通监控视频，使用计算机视觉相关算法进行拥堵分析，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：CN110287905A，名称：一种基于深度学习的交通拥堵区域实时检测方法)公开了一种基于深度学习的交通拥堵区域实时检测方法，但该发明专利并没有进行拥堵程度的检测，而本发明可以进行拥堵程度分析，且使用了多维度的交通参数进行拥堵程度分析，鲁棒性更好，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、鲁棒性的不足，本发明提供了一种基于深度学习的交通拥堵程度多维度分析方法，用深度卷积神经网络CNN特征进行车辆目标检测，并采用了道路容纳率、平均速度等多维度的交通参数来进行准确而快速地拥堵程度分析。

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程度多维度分析方法，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)获取实时视频流；

4)检查相机工作状态；

5)相机工作状态正常，使用卷积神经网络模型对兴趣区域进行车辆目标检测；

6)车辆目标跟踪；

7)交通参数采集；

8)拥堵勘探初步进行拥堵预测；

9)若存在拥堵，则进行拥堵程度分析；

10)拥堵事件上报并设置睡眠状态。

所述的一种基于深度学习的交通拥堵程度多维度分析方法，其特征在于，步骤1)中，所述的相机预置位为进行拥堵程度分析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程度多维度分析方法，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程度分析位置，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程度多维度分析方法，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、拥堵程度分析区域标定。

所述的一种基于深度学习的交通拥堵程度多维度分析方法，其特征在于，步骤2)中，所述的卷积神经网络模型初始化为将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程度多维度分析方法，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:检查当前是否为休眠状态，如果为休眠状态，则不进行拥堵程度分析；

4.2:获取当前相机的位置信息，与预置位比较是否相同，若相同则进行拥堵程度分析；否则，不进行拥堵程度分析；

4.3:根据公式(1)计算当前视频帧时间T_cur与前一帧时间T_pre的时间间隔T_space，单位均为秒；若T_space≥T₀，则将目标跟踪队列重置；否则，进行正常的拥堵程度分析；T₀表示时间阈值。

T_space＝T_cur-T_pre (1)

所述的一种基于深度学习的交通拥堵程度多维度分析方法，其特征在于，步骤(6)中，所述的车辆目标跟踪包含以下步骤：

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程度分析区域内的车辆；

6.2:基于IoU匹配的车辆目标跟踪：

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E_w、E_h；IoU根据公式(2)计算，宽高误差E_w、E_h分别根据公式(3)、公式(4)计算：

其中，D_box为当前帧的车辆目标D的边界框，Q_TrackingBox为跟踪队列中目标Q的实时跟踪边界框，∩为求交集，∪为求并集；D_w和D_h分别为当前帧的车辆目标D实时跟踪边界框的宽高，Q_w和Q_h分别为跟踪队列中目标Q的实时跟踪边界框的宽高；

6.2.2:如果IoU≥IoU_t，E_w≤E_wt，E_h≤E_ht，则认为D和Q是同一辆车，将D标记为已匹配，将Q标记为已检测，实时跟踪框更新为当前目标D的边界框；其中IoU_t，E_wt，E_ht为预先设置的可调值，IoU_t的取值范围为0～1.0，E_wt和E_ht的取值要求大于等于0；

6.2.3：将处于拥堵程度分析区域且未匹配的车辆目标D加入跟踪队列中，初始边界框以及实时跟踪框为当前目标D的边界框，初始图像为当前视频帧，初始时间Q_{init_time}为当前视频帧的时间；

6.3:维护跟踪队列：

6.3.1:将跟踪队列中不处于拥堵程度分析区域的跟踪目标移除；

6.3.2: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E_{tolerate_frame}帧也没有得到更新，则认为该目标已经驶离，并将该跟踪目标Q从跟踪队列中移除；其中E_{tolerate_frame}为预先设置的可调值，其取值要求为E_{tolerate_frame}≥1。

所述的一种基于深度学习的交通拥堵程度多维度分析方法，其特征在于，步骤7)中，所述的交通参数采集包含以下步骤：

7.1：道路容纳率计算：根据公式(5)-(7)计算拥堵程度分析区域的容纳率R＝{R₁,R₂}；

其中，T_i∈L表示跟踪目标T_i位于拥堵程度分析区域L内，Area(T_i∩L)为计算两者交集的面积，C₁为拥堵分析区域极限容纳面积，C₂为拥堵分析区域极限容纳车辆；极限容纳面积C₁和极限容纳车辆为C₂为预先设定的可调值，单位分别为像素和辆，取值范围分别为C₁≥1，C₂≥1；

7.2：拥堵程度分析区域平均车速计算：

7.2.1:选择跟踪队列中车辆跟踪次数达到T_{TrackingFrame}帧的目标为有效目标；其中T_{TrackingFrame}为预先设置的可调值，单位为帧，其取值要求为T_{TrackingFrame}≥1；

7.2.2:如果不存在有效目标，则将平均像素速度

置为无穷大；否则根据公式(8)-(10)计算平均像素速度计算

表示车辆在单位时间内移动距离为

个车身长度；

其中，

为第i个有效目标的平均车身长度，S_ij为第i有效目标的第j个时刻的车身长度；

为第i有效目标的移动速度，X_end和X_begin分别为该有效目标结束跟踪t_end和开始跟踪t_begin时刻的目标位置，n为该目标跟踪次数，m为有效目标数量。

所述的一种基于深度学习的交通拥堵程度多维度分析方法，其特征在于，步骤8)中，所述的拥堵勘探初步进行拥堵预测为：如果

且

则初步判断之后一段时间

内不会存在拥堵事件，因此拥堵程度分析方法进入睡眠状态并清空跟踪队列，直至

后重新进行拥堵程度分析；其中

和

为预先设定的可调值，取值范围分别为

和

为预先设定的可调值，单位为秒，取值范围为

所述的一种基于深度学习的交通拥堵程度多维度分析方法，其特征在于，步骤9)中，所述的拥堵程度分析包含以下步骤：

9.1:如果

且C≥δ_C，则当前存在瞬时拥堵情况；其中δ_v和δ_C为预先设定的可调值，取值范围分别为δ_v≥0和δ_C≥0；

9.2:如果在前T_jam时间内，都为瞬时拥堵情况，则判断当前存在拥堵现象；其中T_jam为预先设定的可调值，单位为秒，取值范围为T_jam≥1；

9.3:如果当前存在拥堵现象，按如下步骤判断是否为静止拥堵：

9.3.1:判断有效静止目标：将跟踪目标的初始边界框和实时跟踪边界框根据公式(11)计算IoU，并且计算其停留时间Parking，如果其IoU≥IoU_t且Parking≥T_parking，则认为跟踪目标为有效静止目标；其中IoU_t，T_parking为预先设置的可调值，IoU_t的取值范围为0～1.0，T_parking取值要求大于等于0；

其中，Q_initBox为跟踪队列中目标Q的初始边界框，Q_TrackingBox为跟踪队列中目标Q的实时跟踪边界框，∩为求交集，∪为求并集；

9.3.2:如果有效静止目标的数量大于T_JamPark，则认为当前为静止拥堵现象，否则认为当前为缓行拥堵现象；其中T_JamPark为预先设定的可调值，取值要求为T_JamPark≥0；

9.4:如果当前存在拥堵现象，重置跟踪队列。

所述的一种基于深度学习的交通拥堵程度多维度分析方法，其特征在于，步骤10)中，所述的拥堵事件上报并设置睡眠状态包含以下步骤：

10.1:如果当前存在拥堵现象，选择在前T_jam时刻的视频帧和当前视频帧上绘制出当前的拥堵程度分析区域，并在视频帧底边添加视频帧时间、地点信息以及拥堵程度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；

10.2:如果成功将拥堵现象上报，则设置为睡眠状态，直至T_sleep后重新开启道路溢出检测，其中T_sleep为预先设置的可调值，单位为秒，其取值范围为T_sleep≥1。

与现有技术相比，本发明具有的主要有益效果为：

本发明提出一种基于深度学习的交通拥堵程度多维度分析方法，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。由于该方法可以分析出缓行拥堵、静止拥堵等两种拥堵程度，可以进一步地辅助交通调度，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，较小矩形框为拥堵程度分析区域，最大区域矩形框为兴趣区域；

图3为本发明方法的缓行拥堵分析效果图，其中矩形框为缓行拥堵区域；

图4为本发明方法的静止拥堵分析效果图，其中矩形框为禁止拥堵区域。

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，本实施例提供的一种基于深度学习的交通拥堵程度多维度分析方法包括以下步骤：

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程度分析位置，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、拥堵程度分析区域标定；

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，并恢复权重参数。

S3，获取实时视频流；

S4，检查相机工作状态；

具体地，包括以下步骤：

S4.1:检查当前是否为休眠状态，如果为休眠状态，则不进行拥堵程度分析；

S4.2:获取当前相机的位置信息，与预置位比较是否相同，若相同则进行拥堵程度分析；否则，不进行拥堵程度分析；

S4.3:根据公式(1)计算当前视频帧时间T_cur与前一帧时间T_pre的时间间隔T_space，单位均为秒；若T_space≥T₀，则将目标跟踪队列重置；否则，进行正常的拥堵程度分析；T₀表示时间阈值；

T_space＝T_cur-T_pre (1)

S5，使用卷积神经网络模型对兴趣区域进行车辆目标检测；

S6，车辆目标跟踪；

具体地，包含以下步骤：

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程度分析区域内的车辆；

S6.2:基于IoU匹配的车辆目标跟踪：

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E_w、E_h；IoU根据公式(2)计算，宽高误差E_w、E_h分别根据公式(3)、公式(4)计算：

其中，D_box为当前帧的车辆目标D的边界框，Q_TrackingBox为跟踪队列中目标Q的实时跟踪边界框，∩为求交集，∪为求并集；D_w和D_h分别为当前帧的车辆目标D实时跟踪边界框的宽高，Q_w和Q_h分别为跟踪队列中目标Q的实时跟踪边界框的宽高；

S6.2.2:如果IoU≥IoU_t，E_w≤E_wt，E_h≤E_ht，则认为D和Q是同一辆车，将D标记为已匹配，将Q标记为已检测，实时跟踪框更新为当前目标D的边界框；其中IoU_t，E_wt，E_ht为预先设置的可调值，IoU_t的取值范围为0～1.0，E_wt和E_ht的取值要求大于等于0；

S6.2.3：将处于拥堵程度分析区域且未匹配的车辆目标D加入跟踪队列中，初始边界框以及实时跟踪框为当前目标D的边界框，初始图像为当前视频帧，初始时间Q_{init_time}为当前视频帧的时间；

S6.3:维护跟踪队列：

S6.3.1:将跟踪队列中不处于拥堵程度分析区域的跟踪目标移除；

S6.3.2: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E_{tolerate_frame}帧也没有得到更新，则认为该目标已经驶离，并将该跟踪目标Q从跟踪队列中移除；其中E_{tolerate_frame}为预先设置的可调值，其取值要求为E_{tolerate_frame}≥1。

S7，交通参数采集

具体地，包含以下步骤：

S7.1：道路容纳率计算：根据公式(5)-(7)计算拥堵程度分析区域的容纳率R＝{R₁,R₂}；

其中，T_i∈L表示跟踪目标T_i位于拥堵程度分析区域L内，Area(T_i∩L)为计算两者交集的面积，C₁为拥堵分析区域极限容纳面积，C₂为拥堵分析区域极限容纳车辆；极限容纳面积C₁和极限容纳车辆为C₂为预先设定的可调值，单位分别为像素和辆，取值范围分别为C₁≥1，C₂≥1；

S7.2：拥堵程度分析区域平均车速计算：

S7.2.1:选择跟踪队列中车辆跟踪次数达到T_{TrackingFrame}帧的目标为有效目标；其中T_{TrackingFrame}为预先设置的可调值，单位为帧，其取值要求为T_{TrackingFrame}≥1；

S7.2.2:如果不存在有效目标，则将平均像素速度

置为无穷大；否则根据公式(8)-(10)计算平均像素速度计算

表示车辆在单位时间内移动距离为

个车身长度；

其中，

为第i个有效目标的平均车身长度，S_ij为第i有效目标的第j个时刻的车身长度；

为第i有效目标的移动速度，X_end和X_begin分别为该有效目标结束跟踪t_end和开始跟踪t_begin时刻的目标位置；n为该目标跟踪次数，m为有效目标数量；

S8，拥堵勘探初步进行拥堵预测

具体地，如果

且

则初步判断之后一段时间

内不会存在拥堵事件，因此拥堵程度分析方法进入睡眠状态并清空跟踪队列，直至

后重新进行拥堵程度分析；其中

和

为预先设定的可调值，取值范围分别为

和

为预先设定的可调值，单位为秒，取值范围为

S9，拥堵程度分析

具体地，包含以下步骤：

S9.1:如果V≤δ_v且C≥δ_C，则当前存在瞬时拥堵情况；其中δ_v和δ_C为预先设定的可调值，取值范围分别为δ_v≥0和δ_C≥0；

S9.2:如果在前T_jam时间内，都为瞬时拥堵情况，则判断当前存在拥堵现象；其中T_jam为预先设定的可调值，单位为秒，取值范围为T_jam≥1；

S9.3:如果当前存在拥堵现象，按如下步骤判断是否为静止拥堵：

S9.3.1:判断有效静止目标：将跟踪目标的初始边界框和实时跟踪边界框根据公式(11)计算IoU，并且计算其停留时间Parking，如果其IoU≥IoU_t且Parking≥T_parking，则认为跟踪目标为有效静止目标；其中IoU_t，T_parking为预先设置的可调值，IoU_t的取值范围为0～1.0，T_parking取值要求大于等于0；

其中，Q_initBox为跟踪队列中目标Q的初始边界框，Q_TrackingBox为跟踪队列中目标Q的实时跟踪边界框，∩为求交集，∪为求并集；

S9.3.2:如果有效静止目标的数量大于T_JamPark，则认为当前为静止拥堵现象，否则认为当前为缓行拥堵现象；其中T_JamPark为预先设定的可调值，取值要求为T_JamPark≥0；

S9.4:如果当前存在拥堵现象，重置跟踪队列；

S10，拥堵事件上报并设置睡眠状态

具体地，包含以下步骤：

S10.1:如果当前存在拥堵现象，选择在前T_jam时刻的视频帧和当前视频帧上绘制出当前的拥堵程度分析区域，并在视频帧底边添加视频帧时间、地点信息以及拥堵程度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；

S10.2:如果成功将拥堵现象上报，则设置为睡眠状态，直至T_sleep后重新开启道路溢出检测，其中T_sleep为预先设置的可调值，单位为秒，其取值范围为T_sleep≥1。

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 (1)

1.一种基于深度学习的交通拥堵程度多维度分析方法，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，相机预置位为进行拥堵程度分析时相机所处的固定位置；即将摄像头调整到合适的交通拥堵程度分析位置，并将当前相机位置设置为预置位；相机标定具体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、拥堵程度分析区域标定；

2)卷积神经网络模型初始化；其中，卷积神经网络模型为tiny-YOLO v3，卷积神经网络模型初始化为将卷积网络模型加载到GPU显卡中以及权重参数恢复；

3)获取实时视频流；

4)检查相机工作状态；具体包括以下步骤：

4.1):检查当前是否为休眠状态，如果为休眠状态，则不进行拥堵程度分析；

4.2):获取当前相机的位置信息，与预置位比较是否相同，若相同则进行拥堵程度分析；否则，不进行拥堵程度分析；

4.3):根据公式(1)计算当前视频帧时间T_cur与前一帧时间T_pre的时间间隔T_space，单位均为秒；若T_space≥T₀，则将目标跟踪队列重置；否则，进行正常的拥堵程度分析；T₀表示时间阈值；

T_space＝T_cur-T_pre (1)

5)使用卷积神经网络模型对兴趣区域进行车辆目标检测；

6)车辆目标跟踪；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程度分析区域内的车辆；

6.2):基于IoU匹配的车辆目标跟踪：

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E_w、E_h；IoU根据公式(2)计算，宽高误差E_w、E_h分别根据公式(3)、公式(4)计算：

其中，D_box为当前帧的车辆目标D的边界框，Q_TrackingBox为跟踪队列中目标Q的实时跟踪边界框，∩为求交集，∪为求并集；D_w和D_h分别为当前帧的车辆目标D实时跟踪边界框的宽高，Q_w和Q_h分别为跟踪队列中目标Q的实时跟踪边界框的宽高；

6.2.2):如果IoU≥IoU_t，E_w≤E_wt，E_h≤E_ht，则认为D和Q是同一辆车，将D标记为已匹配，将Q标记为已检测，实时跟踪框更新为当前目标D的边界框；其中IoU_t，E_wt，E_ht为预先设置的可调值，IoU_t的取值范围为0～1.0，E_wt和E_ht的取值要求大于等于0；

6.2.3)：将处于拥堵程度分析区域且未匹配的车辆目标D加入跟踪队列中，初始边界框以及实时跟踪框为当前目标D的边界框，初始图像为当前视频帧，初始时间Q_{init_time}为当前视频帧的时间；

6.3):维护跟踪队列：

6.3.1):将跟踪队列中不处于拥堵程度分析区域的跟踪目标移除；

6.3.2):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E_{tolerate_frame}帧也没有得到更新，则认为该目标已经驶离，并将该跟踪目标Q从跟踪队列中移除；其中E_{tolerate_frame}为预先设置的可调值，其取值要求为E_{tolerate_frame}≥1；

7)交通参数采集；包含以下步骤：

7.1)：道路容纳率计算：根据公式(5)-(7)计算拥堵程度分析区域的容纳率R＝{R₁,R₂}；

其中，T_i∈L表示跟踪目标T_i位于拥堵程度分析区域L内，Area(T_i∩L)为计算两者交集的面积，C₁为拥堵分析区域极限容纳车辆，C₂为拥堵分析区域极限容纳面积；极限容纳面积C₁和极限容纳车辆为C₂为预先设定的可调值，单位分别为像素和辆，取值范围分别为C₁≥1，C₂≥1；

7.2)：拥堵程度分析区域平均车速计算：

7.2.1):选择跟踪队列中车辆跟踪次数达到T_{TrackingFrame}帧的目标为有效目标；其中T_{TrackingFrame}为预先设置的可调值，单位为帧，其取值要求为T_{TrackingFrame}≥1；

7.2.2):如果不存在有效目标，则将平均像素速度V置为无穷大；否则根据公式(8)-(10)计算平均像素速度计算

表示车辆在单位时间内移动距离为

个车身长度；

其中，

为第i个有效目标的平均车身长度，S_ij为第i有效目标的第j个时刻的车身长度；

为第i有效目标的移动速度，X_end和X_begin分别为该有效目标结束跟踪t_end和开始跟踪t_begin时刻的目标位置；n为该目标跟踪次数，m为有效目标数量；

8)拥堵勘探初步进行拥堵预测，具体为：如果

且

则初步判断之后一段时间

内不会存在拥堵事件，因此拥堵程度分析方法进入睡眠状态并清空跟踪队列，直至

后重新进行拥堵程度分析；其中

和

为预先设定的可调值，取值范围分别为

和

为预先设定的可调值，单位为秒，取值范围为

9)拥堵程度分析，所述拥堵程度分析包括:如果当前存在拥堵现象，按如下步骤判断是否为静止拥堵：

9.1)判断有效静止目标：将跟踪目标的初始边界框和实时跟踪边界框根据公式(11)计算IoU，并且计算其停留时间Parking，如果其IoU≥IoU_t且Parking≥T_parking，则认为跟踪目标为有效静止目标；其中IoU_t，T_parking为预先设置的可调值，IoU_t的取值范围为0～1.0，T_parking取值要求大于等于0；

其中，Q_initBox为跟踪队列中目标Q的初始边界框，Q_TrackingBox为跟踪队列中目标Q的实时跟踪边界框，∩为求交集，∪为求并集；

9.2)如果有效静止目标的数量大于T_JamPark，则认为当前为静止拥堵现象，否则认为当前为缓行拥堵现象；其中T_JamPark为预先设定的可调值，取值要求为T_JamPark≥0；

10)拥堵事件上报并设置睡眠状态，具体包含以下步骤：

10.1):如果当前存在拥堵现象，选择在前T_jam时刻的视频帧和当前视频帧上绘制出当前的拥堵程度分析区域，并在视频帧底边添加视频帧时间、地点信息以及拥堵程度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；

10.2） :如果成功将拥堵现象上报，则设置为睡眠状态，直至T_sleep后重新开启道路溢出检测，其中T_sleep为预先设置的可调值，单位为秒，其取值范围为T_sleep≥1。

Images