CN111179608A - 一种路口溢出检测方法、系统及存储介质 - Google Patents

一种路口溢出检测方法、系统及存储介质 Download PDF

Info

Publication number
CN111179608A
CN111179608A CN201911352895.4A CN201911352895A CN111179608A CN 111179608 A CN111179608 A CN 111179608A CN 201911352895 A CN201911352895 A CN 201911352895A CN 111179608 A CN111179608 A CN 111179608A
Authority
CN
China
Prior art keywords
vehicle
determining
detected
intersection
overflow detection
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
Application number
CN201911352895.4A
Other languages
English (en)
Inventor
罗东华
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.)
Guangzhou Fangwei Smart Brain Research And Development Co ltd
Original Assignee
Guangzhou Fangwei Smart Brain Research And Development 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 Guangzhou Fangwei Smart Brain Research And Development Co ltd filed Critical Guangzhou Fangwei Smart Brain Research And Development Co ltd
Priority to CN201911352895.4A priority Critical patent/CN111179608A/zh
Publication of CN111179608A publication Critical patent/CN111179608A/zh
Pending legal-status Critical Current

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
    • G08G1/052—Detecting movement of traffic to be counted or controlled with provision for determining speed or overspeed
    • 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
    • G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
    • 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
    • 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
    • G08G1/017—Detecting movement of traffic to be counted or controlled identifying vehicles
    • G08G1/0175—Detecting movement of traffic to be counted or controlled identifying vehicles by photographing vehicles, e.g. when violating traffic rules
    • 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)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Multimedia (AREA)
  • Theoretical Computer Science (AREA)
  • Traffic Control Systems (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种路口溢出检测方法、系统及存储介质，方法包括以下步骤：采集道路交叉口的图像数据；对所述图像数据进行区域标定，确定待检测区域；对待检测区域内的车辆进行统计，确定待检测区域内的车辆密度；通过光流法确定车辆的行车方向和行车速度，并确定车流速度；根据车辆密度和车流速度，确定路口溢出检测结果。本发明无需在道路交叉口的地面安装地感线圈，节约了成本，能够适用于各类路段；另外，本发明仅需在一定时间内通过轮询道路交叉口的摄像头来获取图像数据，即可实时确定路口溢出检测结果，时效性高，可广泛应用于智能交通技术领域。

Description

一种路口溢出检测方法、系统及存储介质
技术领域
本发明涉及智能交通技术领域，尤其是一种路口溢出检测方法、系统及存储介质。
背景技术
随着城市发展，机动车数量增加，路网的交叉路口容易出现排队溢出，若不能有效控制，拥堵现象将会波及到周边其他道路，造成部分城市道路交通的瘫痪。路口的排队溢出是指车辆排队长度超过道路长度，是一种较为严重的交通拥堵现象。通过检测城市交叉路口的车流和方向，可以对于路口是否发生溢出进行判断。
深度学习的概念源于人工神经网络的研究。含多隐层的多层感知器就是一种深度学习结构。深度学习通过组合低层特征形成更加抽象的高层表示属性类别或特征，以发现数据的分布式特征表示。深度学习是机器学习中一种基于对数据进行表征学习的方法。观测值(例如一幅图像)可以使用多种方式来表示，如每个像素强度值的向量，或者更抽象地表示成一系列边、特定形状的区域等。而使用某些特定的表示方法更容易从实例中学习任务(例如，人脸识别或面部表情识别)。深度学习的好处是用非监督式或半监督式的特征学习和分层特征提取高效算法来替代手工获取特征。深度学习是机器学习研究中的一个新的领域，其动机在于建立、模拟人脑进行分析学习的神经网络，它模仿人脑的机制来解释数据，例如图像，声音和文本。YOLOV3作为一个应用广泛的深度学习模型，主要用于目标定位和对象识别，其最大的特点是运行速度很快，可以用于实时系统，满足路口排队溢出报警及时性的需求；同时，相比于传统的图像处理算法和基于机器学习的特征提取与分类器结合的车辆检测算法，深度学习能够直接对原始图像进行识别，提取反映数据本质的隐性特征，具有足够的学习深度。卷积神经网络具有局部权值共享的特性，对于环境复杂、多角度变化等情况都具有一定的实时性和鲁棒性。
光流的概念是Gibson在1950年首先提出来的。它是空间运动物体在观察成像平面上的像素运动的瞬时速度，是利用图像序列中像素在时间域上的变化以及相邻帧之间的相关性来找到上一帧跟当前帧之间存在的对应关系，从而计算出相邻帧之间物体的运动信息的一种方法，使用光流法可以通过基于当前的光流计算出车流方向，同时实时地计算当前路口处的车流速度。
现有技术提出了“基于线圈检测的过饱和交通状态判别”(钱喆,徐建闽,QianZhe,et al.基于线圈检测的过饱和交通状态判别[J].华南理工大学学报(自然科学版),2013,41(8):93-98.)，该研究利用线圈检测数据，运用交通波理论，从交叉口绿灯结束滞留排队长度和下游交叉口溢出两个方面判别过饱和交通状态。针对绿灯结束滞留排队长队，定义了排队消散系数，提出利用排队消散系数判别交叉口过饱和交通状态；针对下游交叉口溢流，定义了溢流阻滞系数，提出利用溢流系数判别过饱和溢流现象。根据线圈检测数据，通过计算排队消散系数和溢流阻滞系数可以准确、有效且快速地判别过饱和交通状态。但是，该技术方案使用线圈检测器来获取交通参数，对于一些没有布置地感线圈的路段并不适用；同时，安装地感线圈成本比较高，不是一种经济的方式；另外，基于交通波理论建立的预测模型在时间上具有滞后性。
目前还没有通过深度学习结合光流法来进行车辆统计，以及检测出当前路口是否发生溢出的技术方案。
发明内容
有鉴于此，本发明实施例提供一种适用范围广、成本低且时效性高的，路口溢出检测方法、系统及存储介质。
第一方面，本发明实施例提供了一种路口溢出检测方法，包括以下步骤：
采集道路交叉口的图像数据；
对所述图像数据进行区域标定，确定待检测区域；
对待检测区域内的车辆进行统计，确定待检测区域内的车辆密度；
通过光流法确定车辆的行车方向和行车速度，并确定车流速度；
根据车辆密度和车流速度，确定路口溢出检测结果。
进一步，所述对所述图像数据进行区域标定，确定待检测区域这一步骤，包括以下步骤：
加载基于深度学习的目标检测模型；
通过所述目标检测模型对图像数据进行车辆识别；
通过所述目标检测模型剔除图像数据中的干扰因素，所述干扰因素包括摩托车、电动车和行人。
进一步，所述对待检测区域内的车辆进行统计，确定待检测区域内的车辆密度这一步骤，包括以下步骤：
对待检测区域内的车辆数量进行统计；
确定待检测区域内的各个车辆的长度和宽度；
根据车辆数据、车辆长度和车辆宽度及待检测区域，计算车辆密度；所述车辆密度的计算公式为：
Figure BDA0002335088570000031
其中，P代表车辆密度；M1代表车辆数量；i代表第i辆车；Cari.W代表第i辆车的车辆宽度；Cari.L代表第i辆车的车辆长度；R代表待检测区域的面积。
进一步，所述通过光流法确定车辆的行车方向和行车速度，并确定车流速度这一步骤，包括以下步骤：
通过opencv库函数调用Shi Tomasi算法对上一帧图像中的车辆进行角点检测，得到上一帧车辆的第一特征角点；
根据上一帧图像中车辆的第一特征角点，通过PyrLk光流算法确定上一帧图像的特征角点在运动后的第二特征角点位置；
根据第一特征角点和第二特征角点，确定车辆的行车方向；
根据第一特征角点和第二特征角点，确定车辆的行车速度；
根据车辆速度确定车流速度。
进一步，所述通过opencv库函数调用Shi Tomasi算法对上一帧图像中的车辆进行角点检测，得到上一帧车辆的第一特征角点这一步骤，包括以下步骤：
将待检测图像转化为8位单通道灰度图像，确定想要检测的角点数目；
配置角点的质量水平，并根据所述质量水平对角点进行筛选；
确定两个角点之间的最短欧氏距离，得到最终的特征角点；
通过opencv函数筛选出用于检测跟踪的角点，进而确定上一帧图像中的车辆的第一特征角点。
进一步，所述根据上一帧车辆的第一特征角点，通过PyrLk光流算法确定上一帧图像的特征角点在运动后的第二特征角点位置这一步骤，包括以下步骤：
将上一帧图像和当前帧图像转化为8位单通道灰度图像，获取所述上一帧图像的第一特征角点；
根据预配置的搜索窗口大小、迭代搜索算法的终止条件和光流的最小特征值，调用opencv库函数确定当前帧的第二特征角点。
进一步，所述根据车辆速度确定车流速度这一步骤，具体为：
若所述车辆速度低于设定的阈值，则确定待检测区域的车流处于停滞状态。
第二方面，本发明实施例还提供了一种路口溢出检测系统，包括：
采集模块，用于采集道路交叉口的图像数据；
标定模块，用于对所述图像数据进行区域标定，确定待检测区域；
统计模块，用于对待检测区域内的车辆进行统计，确定待检测区域内的车辆密度；
计算模块，用于通过光流法确定车辆的行车方向和行车速度，并确定车流速度；
检测模块，用于根据车辆密度和车流速度，确定路口溢出检测结果。
第三方面，本发明实施例还提供了一种路口溢出检测系统，包括：
至少一个处理器；
至少一个存储器，用于存储至少一个程序；
当所述至少一个程序被所述至少一个处理器执行，使得所述至少一个处理器实现所述的路口溢出检测方法。
第四方面，本发明实施例还提供了一种存储介质，其中存储有处理器可执行的指令，所述处理器可执行的指令在由处理器执行时用于执行所述的路口溢出检测方法。
上述本发明实施例中的一个或多个技术方案具有如下优点：本发明首先采集道路交叉口的图像数据，接着对所述图像数据进行区域标定，确定待检测区域，然后对待检测区域内的车辆进行统计，确定待检测区域内的车辆密度，再通过光流法确定车辆的行车方向和行车速度，并确定车流速度，最后根据车辆密度和车流速度，确定路口溢出检测结果；本发明无需在道路交叉口的地面安装地感线圈，节约了成本，能够适用于各类路段；另外，本发明仅需在一定时间内通过轮询道路交叉口的摄像头来获取图像数据，即可实时确定路口溢出检测结果，时效性高。
附图说明
为了更清楚地说明本申请实施例中的技术方案，下面将对实施例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申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例中对待检测区域进行标定的流程示意图；
图2为本发明实施例的完整步骤流程图。
具体实施方式
下面结合说明书附图和具体实施例对本发明作进一步解释和说明。对于本发明实施例中的步骤编号，其仅为了便于阐述说明而设置，对步骤之间的顺序不做任何限定，实施例中的各步骤的执行顺序均可根据本领域技术人员的理解来进行适应性调整。
如图2所示，本发明的目的在于使用深度学习和图像处理的方案自动检测出路口排队溢出的交通状态。具体实现过程分为四步：一、采集摄像头拍摄到的道路交叉口的图片；二、将采集到到道路交叉口进行图像标定，标定的目的是得到算法检测的感兴趣区域；三、继续连接摄像头，使用YLYOv3对道路交叉口中经第二步标定出的感兴趣区域中的车辆进行统计，计算；四、使用光流法进行车辆行车方向的筛选及车辆速度的计算；五、对经过第二步骤标定的感兴趣区域中的车辆密度(这里的车辆密度用感兴趣区域中的所有车辆相对于感兴趣区域的比例和感兴趣区域内的车辆数来表示)及车流速度的综合分析，判别此时是否发生了路口溢出现象。
参照图2，本实施例的路口溢出检测方法包括以下步骤，图2中N1代表设定的检测次数；N2代表溢出次数；M代表设定的车辆数量阈值；S代表设定的车辆速度阈值。
S1、连接摄像头，采集道路交叉口视频图片：
S2、如图1所示，对采集到的图片进行标定，得到道路交叉口的目标检测区域；
S3、再次连接摄像头，加载基于深度学习的目标检测模型YOLOv3对视频当前帧中的城市道路交叉口区域进行车辆识别，同时利用YOLOv3检测可以剔除掉摩托车、电动车和行人等干扰。
具体的，本实施例设车辆标定的检测区域为R，区域内的车辆密度为P，根据识别检测结果，统计出步骤S2中标定的区域内的车辆数量M1，标定区域内各个检测到的车辆在图像中的长度L和宽度W，则车辆密度P的计算公式为：
Figure BDA0002335088570000051
其中，P代表车辆密度；M1代表车辆数量；i代表第i辆车；Cari.W代表第i辆车的车辆宽度；Cari.L代表第i辆车的车辆长度；R代表待检测区域的面积。
S4、连接摄像头，获取摄像头视频中时间先后的两帧图片。
本实施例使用光流法利用的是视频帧图像序列中像素在时间域上的变化及相邻帧之间的相关性。
所述S4具体包括以下步骤：
S41、使用opencv库函数调用Shi Tomasi算法对步骤S2中识别出上一帧的车辆进行角点检测，得到上一帧车辆的特征角点(即第一特征角点)。
具体的，所述步骤S41包括以下步骤：
a.输入待检测图像的32位或8位单通道灰度图像；
b.定义可以检测到的角点数量的最大值；
c.定义计算各个像素的协方差矩阵时的窗口大小，用于计算各个像素的协方差矩阵。(在该步骤中通过对各个像素协方差矩阵的处理可以得到图像相应的最大特征值)
d.设置检测到的角点的质量等级qualtityLevel，角点特征值小于qualtityLevel×Maxval的点将被舍弃，从而粗选出检测的角点地址；
e.设置两个角点间最小间距，以像素为单位，利用设置的角点间的最小间距为对上述粗选出的角点进行进一步筛选，最终存活下来的为最终的强角点；
f.保存算法检测出的位置点向量及prevpts，至此，迭代搜索算法结束。
S42、输入刚刚获取的上一帧的检测车辆的特征prevpts、上一帧道路交叉口图像和当前帧道路交叉口，经使用PyrLk光流算法，得到上一帧图像的特征角点在当前帧经运动后的新的特征点(即第二特征角点)位置nextvpts，该步骤具体包括以下步骤：
a.输入前一帧图像的8位单通道图像；
b.输入当前帧图像的8位单通道图像；
c.输入上一帧检测到的车辆特征点位置prevpts；
d.输入每个金字塔等级的搜索窗口大小；
e.设置迭代搜索算法的终止条件；
f.设置光流的最小特征值；
g.通过以上参数调用opencv库函数中可得到当前帧的新的特征点的位置。
具体的，本实施例首先将待检测图像转化为8位单通道灰度图像，同时确定想要检测的角点数目；接着设置角点的质量水平(0到1之间)，低于质量水平的所有角点将被忽略；然后设置两个角点之间的最短欧氏距离，确定出最终的特征角点；最后根据以上参数，调用opencv函数可最终筛选出用于检测跟踪的角点，进而确定上一帧车辆的第一特征角点。
S43、根据prevpts和nextvpts两个特征点的比较位置的比较，可以获得不同车辆的行驶方向，从而进一步筛选出用于下面计算的车辆，具体筛选公式概括如下：
prevpts>nextvpts表示车辆在视频图像中是往左行驶；
prevpts<nextvpts表示车辆在视频图像中是往右行驶；
本实施例得出的行驶方向的意义在于，每个路口都有四个摄像头，每个摄像头都只负责检测自己范围内向右车流的方向，通过得出的车辆行驶方向，可以筛选掉向左向上和向下的光流，从而使计算出的车辆速度更准确。
S44、车辆实际物理位置换算，具体的，该步骤包括以下步骤：
1、上述步骤经光流法计算出的新特征角点的位置域上一帧的的特征角点位置一一对应，构成矢量，统计车辆前后两帧矢量的模|d|，该模|d|的物理意义为车辆在前后两帧图像的帧间间隔中移动的像素数；
2、车辆实际移动的物理位置s＝car_real.width×|d|/car_pic.width，其中car_pic表示车辆在图像中的像素大小，car_real.width表示车辆实际的标准长度，这是个常数，一般车辆的标准长度均为5米。
S45、车辆实际物理速度换算：v＝s/t，其中，v表示车辆的瞬时速度；s表示帧间间隔时间内行驶过的物理距离；t为帧间间隔。
S5、本实施例通过计算出的车辆数及车辆占有率反应了当前标定区域的车辆密集度，计算出的光流和可以得到车辆当前的行驶方向和当前瞬时速度，若车辆速度低于一定的阈值，则视为车流此时处于近乎停滞的状态，再综合车辆密集度的分析可得知当前路口的交通状态。
本发明实施例提供了提供了一种路口溢出检测系统，包括：
采集模块，用于采集道路交叉口的图像数据；
标定模块，用于对所述图像数据进行区域标定，确定待检测区域；
统计模块，用于对待检测区域内的车辆进行统计，确定待检测区域内的车辆密度；
计算模块，用于通过光流法确定车辆的行车方向和行车速度，并确定车流速度；
检测模块，用于根据车辆密度和车流速度，确定路口溢出检测结果。
本发明实施例还提供了一种路口溢出检测系统，包括：
至少一个处理器；
至少一个存储器，用于存储至少一个程序；
当所述至少一个程序被所述至少一个处理器执行，使得所述至少一个处理器实现所述的路口溢出检测方法。
上述方法实施例中的内容均适用于本系统实施例中，本系统实施例所具体实现的功能与上述方法实施例相同，并且达到的有益效果与上述方法实施例所达到的有益效果也相同。
本发明实施例还提供了一种存储介质，其中存储有处理器可执行的指令，所述处理器可执行的指令在由处理器执行时用于执行所述的路口溢出检测方法
综上所述，本发明的适用性强，无需在地面安装地感线圈，节省了成本；本发明的检测实时性强，只需要在一定时间内通过轮巡当前的摄像头即可实时判断当前路口是否发生了溢出。
在一些可选择的实施例中，在方框图中提到的功能/操作可以不按照操作示图提到的顺序发生。例如，取决于所涉及的功能/操作，连续示出的两个方框实际上可以被大体上同时地执行或所述方框有时能以相反顺序被执行。此外，在本发明的流程图中所呈现和描述的实施例以示例的方式被提供，目的在于提供对技术更全面的理解。所公开的方法不限于本文所呈现的操作和逻辑流程。可选择的实施例是可预期的，其中各种操作的顺序被改变以及其中被描述为较大操作的一部分的子操作被独立地执行。
此外，虽然在功能性模块的背景下描述了本发明，但应当理解的是，除非另有相反说明，所述的功能和/或特征中的一个或多个可以被集成在单个物理装置和/或软件模块中，或者一个或多个功能和/或特征可以在单独的物理装置或软件模块中被实现。还可以理解的是，有关每个模块的实际实现的详细讨论对于理解本发明是不必要的。更确切地说，考虑到在本文中公开的装置中各种功能模块的属性、功能和内部关系的情况下，在工程师的常规技术内将会了解该模块的实际实现。因此，本领域技术人员运用普通技术就能够在无需过度试验的情况下实现在权利要求书中所阐明的本发明。还可以理解的是，所公开的特定概念仅仅是说明性的，并不意在限制本发明的范围，本发明的范围由所附权利要求书及其等同方案的全部范围来决定。
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发明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。
尽管已经示出和描述了本发明的实施例，本领域的普通技术人员可以理解：在不脱离本发明的原理和宗旨的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由权利要求及其等同物限定。
以上是对本发明的较佳实施进行了具体说明，但本发明并不限于所述实施例，熟悉本领域的技术人员在不违背本发明精神的前提下还可做作出种种的等同变形或替换，这些等同的变形或替换均包含在本申请权利要求所限定的范围内。

Claims (10)

1.一种路口溢出检测方法，其特征在于：包括以下步骤：
采集道路交叉口的图像数据；
对所述图像数据进行区域标定，确定待检测区域；
对待检测区域内的车辆进行统计，确定待检测区域内的车辆密度；
通过光流法确定车辆的行车方向和行车速度，并确定车流速度；
根据车辆密度和车流速度，确定路口溢出检测结果。
2.根据权利要求1所述的一种路口溢出检测方法，其特征在于：所述对所述图像数据进行区域标定，确定待检测区域这一步骤，包括以下步骤：
加载基于深度学习的目标检测模型；
通过所述目标检测模型对图像数据进行车辆识别；
通过所述目标检测模型剔除图像数据中的干扰因素，所述干扰因素包括摩托车、电动车和行人。
3.根据权利要求1所述的一种路口溢出检测方法，其特征在于：所述对待检测区域内的车辆进行统计，确定待检测区域内的车辆密度这一步骤，包括以下步骤：
对待检测区域内的车辆数量进行统计；
确定待检测区域内的各个车辆的长度和宽度；
根据车辆数据、车辆长度、车辆宽度及待检测区域，计算车辆密度；所述车辆密度的计算公式为：
Figure FDA0002335088560000011
其中，P代表车辆密度；M1代表车辆数量；i代表第i辆车；Cari.W代表第i辆车的车辆宽度；Cari.L代表第i辆车的车辆长度；R代表待检测区域的面积。
4.根据权利要求1所述的一种路口溢出检测方法，其特征在于：所述通过光流法确定车辆的行车方向和行车速度，并确定车流速度这一步骤，包括以下步骤：
通过opencv库函数调用Shi Tomasi算法对上一帧图像中的车辆进行角点检测，得到上一帧车辆的第一特征角点；
根据上一帧图像中车辆的第一特征角点，通过PyrLk光流算法确定上一帧图像的特征角点在运动后的第二特征角点位置；
根据第一特征角点和第二特征角点，确定车辆的行车方向；
根据第一特征角点和第二特征角点，确定车辆的行车速度；
根据车辆速度确定车流速度。
5.根据权利要求4所述的一种路口溢出检测方法，其特征在于：所述通过opencv库函数调用Shi Tomasi算法对上一帧图像中的车辆进行角点检测，得到上一帧车辆的第一特征角点这一步骤，包括以下步骤：
将待检测图像转化为8位单通道灰度图像，确定想要检测的角点数目；
配置角点的质量水平，并根据所述质量水平对角点进行筛选；
确定两个角点之间的最短欧氏距离，得到最终的特征角点；
通过opencv函数筛选出用于检测跟踪的角点，进而确定上一帧图像中的车辆的第一特征角点。
6.根据权利要求5所述的一种路口溢出检测方法，其特征在于：所述根据上一帧车辆的第一特征角点，通过PyrLk光流算法确定上一帧图像的特征角点在运动后的第二特征角点位置这一步骤，包括以下步骤：
将上一帧图像和当前帧图像转化为8位单通道灰度图像，获取所述上一帧图像的第一特征角点；
根据预配置的搜索窗口大小、迭代搜索算法的终止条件和光流的最小特征值，调用opencv库函数确定当前帧的第二特征角点。
7.根据权利要求4所述的一种路口溢出检测方法，其特征在于：所述根据车辆速度确定车流速度这一步骤，具体为：
若所述车辆速度低于设定的阈值，则确定待检测区域的车流处于停滞状态。
8.一种路口溢出检测系统，其特征在于：包括：
采集模块，用于采集道路交叉口的图像数据；
标定模块，用于对所述图像数据进行区域标定，确定待检测区域；
统计模块，用于对待检测区域内的车辆进行统计，确定待检测区域内的车辆密度；
计算模块，用于通过光流法确定车辆的行车方向和行车速度，并确定车流速度；
检测模块，用于根据车辆密度和车流速度，确定路口溢出检测结果。
9.一种路口溢出检测系统，其特征在于：包括：
至少一个处理器；
至少一个存储器，用于存储至少一个程序；
当所述至少一个程序被所述至少一个处理器执行，使得所述至少一个处理器实现如权利要求1-7中任一项所述的路口溢出检测方法。
10.一种存储介质，其中存储有处理器可执行的指令，其特征在于：所述处理器可执行的指令在由处理器执行时用于执行如权利要求1-7中任一项所述的路口溢出检测方法。
CN201911352895.4A 2019-12-25 2019-12-25 一种路口溢出检测方法、系统及存储介质 Pending CN111179608A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911352895.4A CN111179608A (zh) 2019-12-25 2019-12-25 一种路口溢出检测方法、系统及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911352895.4A CN111179608A (zh) 2019-12-25 2019-12-25 一种路口溢出检测方法、系统及存储介质

Publications (1)

Publication Number Publication Date
CN111179608A true CN111179608A (zh) 2020-05-19

Family

ID=70655683

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911352895.4A Pending CN111179608A (zh) 2019-12-25 2019-12-25 一种路口溢出检测方法、系统及存储介质

Country Status (1)

Country Link
CN (1) CN111179608A (zh)

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112216100A (zh) * 2020-09-04 2021-01-12 广州方纬智慧大脑研究开发有限公司 基于视频轮巡的交通拥堵检测方法、系统、装置及介质
CN112419750A (zh) * 2020-09-11 2021-02-26 博云视觉（北京）科技有限公司 一种静默式低点出口道溢出事件检测方法
CN112669601A (zh) * 2020-12-16 2021-04-16 北京百度网讯科技有限公司 交通溢流检测方法、装置、电子设备及路侧设备
CN113139459A (zh) * 2021-04-22 2021-07-20 青岛图灵科技有限公司 一种基于视频分析的道路出口道车流溢出实时检测方法
CN113465624A (zh) * 2020-07-13 2021-10-01 北京京东乾石科技有限公司 用于自动驾驶车辆识别路口的系统和方法
CN113593242A (zh) * 2021-09-28 2021-11-02 之江实验室 一种基于路口车辆检测器组的在途量估算方法
WO2022178802A1 (zh) * 2021-02-26 2022-09-01 华为技术有限公司 前车起步检测方法及装置

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102496278A (zh) * 2011-12-09 2012-06-13 北京世纪高通科技有限公司 通过图像获取交通状态的方法和装置
CN103021181A (zh) * 2012-12-30 2013-04-03 西安费斯达自动化工程有限公司 基于宏观离散交通流模型的交通拥堵监控预报方法
CN103985250A (zh) * 2014-04-04 2014-08-13 浙江工业大学 轻量级的全息道路交通状态视觉检测装置
CN105575125A (zh) * 2015-12-15 2016-05-11 上海微桥电子科技有限公司 一种车流视频侦测分析系统
JP2018005811A (ja) * 2016-07-08 2018-01-11 トヨタ自動車株式会社 車両の接近物体検出装置
CN107705560A (zh) * 2017-10-30 2018-02-16 福州大学 一种融合视觉特征和卷积神经网络的道路拥堵检测方法
KR101987184B1 (ko) * 2018-11-09 2019-06-11 유수정보통신 주식회사 Vms 및 cctv를 이용하여 위험상황을 관리하는 지능형 교통 시스템

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102496278A (zh) * 2011-12-09 2012-06-13 北京世纪高通科技有限公司 通过图像获取交通状态的方法和装置
CN103021181A (zh) * 2012-12-30 2013-04-03 西安费斯达自动化工程有限公司 基于宏观离散交通流模型的交通拥堵监控预报方法
CN103985250A (zh) * 2014-04-04 2014-08-13 浙江工业大学 轻量级的全息道路交通状态视觉检测装置
CN105575125A (zh) * 2015-12-15 2016-05-11 上海微桥电子科技有限公司 一种车流视频侦测分析系统
JP2018005811A (ja) * 2016-07-08 2018-01-11 トヨタ自動車株式会社 車両の接近物体検出装置
CN107705560A (zh) * 2017-10-30 2018-02-16 福州大学 一种融合视觉特征和卷积神经网络的道路拥堵检测方法
KR101987184B1 (ko) * 2018-11-09 2019-06-11 유수정보통신 주식회사 Vms 및 cctv를 이용하여 위험상황을 관리하는 지능형 교통 시스템

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
朱俊杰 等: "基于金字塔LK算法的运动目标的检测", 《工业控制计算机》 *

Cited By (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113465624A (zh) * 2020-07-13 2021-10-01 北京京东乾石科技有限公司 用于自动驾驶车辆识别路口的系统和方法
US11748999B2 (en) 2020-07-13 2023-09-05 Beijing Jingdong Qianshi Technology Co., Ltd. System and method for recognizing intersection by autonomous vehicles
CN113465624B (zh) * 2020-07-13 2024-04-16 北京京东乾石科技有限公司 用于自动驾驶车辆识别路口的系统和方法
CN112216100A (zh) * 2020-09-04 2021-01-12 广州方纬智慧大脑研究开发有限公司 基于视频轮巡的交通拥堵检测方法、系统、装置及介质
CN112419750A (zh) * 2020-09-11 2021-02-26 博云视觉（北京）科技有限公司 一种静默式低点出口道溢出事件检测方法
CN112419750B (zh) * 2020-09-11 2022-02-22 博云视觉（北京）科技有限公司 一种静默式低点出口道溢出事件检测方法
CN112669601A (zh) * 2020-12-16 2021-04-16 北京百度网讯科技有限公司 交通溢流检测方法、装置、电子设备及路侧设备
CN112669601B (zh) * 2020-12-16 2022-04-15 阿波罗智联(北京)科技有限公司 交通溢流检测方法、装置、电子设备及路侧设备
WO2022178802A1 (zh) * 2021-02-26 2022-09-01 华为技术有限公司 前车起步检测方法及装置
CN113139459A (zh) * 2021-04-22 2021-07-20 青岛图灵科技有限公司 一种基于视频分析的道路出口道车流溢出实时检测方法
CN113139459B (zh) * 2021-04-22 2023-06-23 青岛图灵科技有限公司 一种基于视频分析的道路出口道车流溢出实时检测方法
CN113593242A (zh) * 2021-09-28 2021-11-02 之江实验室 一种基于路口车辆检测器组的在途量估算方法

Similar Documents

Publication Publication Date Title
CN111179608A (zh) 一种路口溢出检测方法、系统及存储介质
CN111368687B (zh) 一种基于目标检测和语义分割的人行道车辆违停检测方法
CN110111335B (zh) 一种自适应对抗学习的城市交通场景语义分割方法及系统
CN109829400B (zh) 一种快速车辆检测方法
CN108983219A (zh) 一种交通场景的图像信息和雷达信息的融合方法及系统
JP2015514278A (ja) マルチキュー・オブジェクトの検出および分析のための方法、システム、製品、およびコンピュータ・プログラム（マルチキュー・オブジェクトの検出および分析）
CN104378582A (zh) 一种基于ptz摄像机巡航的智能视频分析系统及方法
CN110956146B (zh) 一种道路背景建模方法、装置、电子设备和存储介质
WO2023207742A1 (zh) 一种交通异常行为检测方法与系统
Chebrolu et al. Deep learning based pedestrian detection at all light conditions
CN106372619B (zh) 一种车辆鲁棒检测及分车道到达累计曲线估计方法
Choi et al. New preceding vehicle tracking algorithm based on optimal unbiased finite memory filter
CN113111722A (zh) 基于改进Mask R-CNN的自动驾驶目标识别方法
CN112489072B (zh) 一种车载视频感知信息传输负载优化方法及装置
CN109165602A (zh) 一种基于视频分析的黑烟车检测方法
CN116434159A (zh) 一种基于改进YOLO V7和Deep-Sort的交通流量统计方法
CN106384359A (zh) 运动目标跟踪方法和电视
CN116645563A (zh) 一种基于深度学习的典型交通事件检测系统
Bourja et al. Real time vehicle detection, tracking, and inter-vehicle distance estimation based on stereovision and deep learning using YOLOv3
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
CN116343513A (zh) 农村公路超视距风险点安全监测预警方法及其系统
CN115482483A (zh) 一种交通视频目标跟踪装置、方法及存储介质
CN115761667A (zh) 一种基于改进fcos算法的无人车辆搭载摄像头目标检测方法
CN115331162A (zh) 一种跨尺度红外行人检测方法、系统、介质、设备及终端
CN110738113B (zh) 一种基于邻近尺度特征滤除与转移的物体检测方法

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20200519

RJ01 Rejection of invention patent application after publication