CN111341097B - 一种基于无人机视频的交通数据采集方法 - Google Patents
一种基于无人机视频的交通数据采集方法 Download PDFInfo
- Publication number
- CN111341097B CN111341097B CN202010095213.2A CN202010095213A CN111341097B CN 111341097 B CN111341097 B CN 111341097B CN 202010095213 A CN202010095213 A CN 202010095213A CN 111341097 B CN111341097 B CN 111341097B
- Authority
- CN
- China
- Prior art keywords
- unmanned aerial
- aerial vehicle
- 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
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
- G08G1/0108—Measuring and analyzing of parameters relative to traffic conditions based on the source of data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/176—Urban or other man-made structures
-
- 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
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种基于无人机视频的交通数据采集方法:首先进行道路特征点选取和测量;然后进行无人机拍摄,再对无人机拍摄的视频进行图像预处理,将世界坐标与图像坐标进行单应性变换;然后进行图像匹配;再进行车辆目标检测,实现多目标跟踪,最后进行交通参数的计算,得到车辆的交通数据。本发明的基于无人机视频的交通数据采集方法既能发挥无人机机动灵活的优势,又能保证交通参数提取的准确性、可靠性,具有很强的可行性和实用性。
Description
技术领域
本发明涉及交通信息采集领域,具体涉及一种基于无人机视频的交通数据采集方法。
背景技术
交通监测是智慧交通的基础,交通监测主要依赖于各类检测设备,主要分为两类:固定型交通检测器(如微波、雷达等)和移动型交通检测设备(GPS,浮动车等)。然而,固定型交通检测器布设数量有限、且仅能获取断点数据,难以准确评估连续路段的交通状态;移动型检测设备受抽样率的影响,在可靠性方面有一定局限性。
无人机通过搭载高清摄像机和通讯设备,可实现定点、巡航等机动、灵活的交通实时、连续监测。无人机视频监测集成了固定型检测器和移动型检测器的特点,根据应用场景需求,可定点、可移动,且视频信息量大、可溯源;无人机视频结合计算机图像处理技术,可大范围获取交通流量、车辆轨迹、速度等交通参数;因此,利用无人机视频监测提取交通参数信息已经引起了国内外许多学者的注意。但是,基于图像处理技术,将每帧的静态信息检测、跟踪,转变为动态的交通参数,仍存在以下局限:
①无人机视频车辆检测和跟踪的精度不足,通常小于90%;
②无人机视频交通参数提取精度缺乏有效的实地验证;
③运动车辆参数,如速度、轨迹等信息,输出结果可靠性差,难以满足实际交通数据采集需求。
上述局限性问题的存在,使得无人机监测优势难以充分发挥;因此,如何机动灵活、实时准确、高可靠性的获取目标区域的交通参数,是智慧交通需要解决的关键性问题之一。
发明内容
针对现有技术中存在的问题,本发明的目的在于一种基于无人机视频的交通数据采集方法,能发挥无人机机动灵活的优势,又能保证交通参数提取的准确性、可靠性,具有很强的可行性和实用性。
为了达到上述目的,本发明采用以下技术方案予以实现。
一种基于无人机视频的交通数据采集方法,包括以下步骤:
步骤1,道路特征点选取和测量:选取K(K≥20)个特征点,使K(K≥20)个特征点在图像中形成棋盘格;测量每个特征点的世界坐标,记为:Ck=[uk,vk,pk];
步骤2,无人机视频拍摄:根据监测范围场景,无人机在高空进行视频拍摄;
步骤3,对无人机拍摄的视频进行图像预处理:将世界坐标与图像坐标进行单应性变换;
步骤4,对无人机拍摄的视频进行图像匹配:
步骤5,车辆目标检测:采用YOLO v3车辆检测模型,将输入图像分为S×S个网格,当某个检测目标中心落在所述网格中时,所述网格负责预测所述检测目标,得到检测目标结点集N={Ni,i=1,2,...,I}和目标轨迹集T={Tj,j=1,2,...,m};
步骤6,多目标跟踪:采用Deep-Sort多目标跟踪算法,实现数据关联;
步骤7,交通参数计算:根据车辆在不同帧中的位置和时间间隔,得到车辆的交通数据。
本发明技术方案的特点和进一步的改进在于:
(1)步骤1中,所述选取K(K≥20)个特征点为从道路标线中选取或人工粘贴标记。
(2)步骤3包括以下子步骤:
子步骤3.1,根据K(K≥20)个特征点的世界坐标和参考帧中的图像坐标,计算单应性矩阵T:
其中,[u,v,p]为世界坐标,[x0,y0,z0]为参考帧N0的图像坐标;
子步骤3.2,再根据所述单应性矩阵,进行无人机拍摄的视频图像的世界坐标与图像坐标的单应性变换。
(3)步骤4包括以下子步骤:
子步骤4.1,确定旋转位移矩阵W;
子步骤4.2,根据所述旋转位移矩阵W,标定第n帧与参考帧之间的对应关系,完成图像匹配。
进一步的,子步骤4.1具体为:根据K(K≥20)个特征点,采用下式确定旋转位移矩阵W:
其中,[xn,yn,zn]为第n帧的图像坐标,[x0,y0,z0]为参考帧N0的图像坐标。
(4)步骤6包含以下子步骤:
子步骤6.3,通过匈牙利指派算法得到IOU最大的唯一匹配,进行数据关联。
(5)步骤7中,所述车辆的交通数据包含速度和轨迹,其中,
纵向速度采用下式进行计算:
横向速度采用下式进行计算:
[xn,yn]为车辆在第n帧的横向坐标和纵向坐标,θ为间隔帧数,为了保证输出速度的平顺性θ≥5;△t为相邻两帧时间间隔。
与现有技术相比,本发明的有益效果为:
本发明提供的基于无人机视频的交通数据采集方法,既能发挥无人机机动灵活的优势,又能保证交通参数提取的准确性、可靠性,整体准确率达98%,具有很强的可行性和实用性。
附图说明
下面结合附图和具体实施例对本发明做进一步详细说明。
图1为本发明提供的基于无人机视频的交通数据采集方法的一种实施例的流程示意图。
具体实施方式
下面将结合实施例对本发明的实施方案进行详细描述,但是本领域的技术人员将会理解,下列实施例仅用于说明本发明,而不应视为限制本发明的范围。
参考图1,本发明实施例提供一种基于无人机视频的交通数据采集方法,包括以下步骤:
步骤1,道路特征点选取和测量:选取K(K≥20)个特征点,使K(K≥20)个特征点在图像中形成棋盘格;测量每个特征点的世界坐标,记为:Ck=[uk,vk,pk]。
具体的,道路特征点主要是为了实现图像坐标和世界坐标的转换,可从道路标线中选取或采用人工粘贴标记点的方式。
步骤2,无人机视频拍摄:根据监测范围场景,无人机在高空进行视频拍摄。
拍摄时,选择无风、天气良好的时间段进行高空拍摄,飞行高度在100m~300m之间。
步骤3,对无人机拍摄的视频进行图像预处理:将世界坐标与图像坐标进行单应性变换。
该步骤主要是建立世界坐标与图像坐标之间的单应性变换,具体如下:
子步骤3.1,根据K(K≥20)个特征点的世界坐标和参考帧中的图像坐标,计算单应性矩阵T:
其中,[u,v,p]为世界坐标,[x0,y0,z0]为参考帧N0的图像坐标。
由于图像坐标为二维坐标,无人机飞行高度远远大于路面坡度差,此时坐标系转化为单平面转换,故三维坐标中高程方向的参数可取1;此时转换关系变为下式:
然后将已知的K(K≥20)个特征点的世界坐标和参考帧中的图像坐标代入上述公式中,即可求得单应性矩阵T。
子步骤3.2,再根据所述单应性矩阵T,进行无人机拍摄的视频图像的世界坐标与图像坐标的单应性变换。
步骤4,对无人机拍摄的视频进行图像匹配:
理想状态下单应性矩阵T适用于所有帧图像;但是,外业无人机拍摄过程不可避免会发生微小的偏移或抖动,因此,需要旋转位移矩阵W来标定第n帧与参考帧N0之间的对应关系,即为图像匹配过程。具体如下:
子步骤4.1,根据K(K≥20)个特征点,采用下式确定旋转位移矩阵W:
其中,[xn,yn,zn]为第n帧的图像坐标,[x0,y0,z0]为参考帧N0的图像坐标。
根据步骤3可知,三维坐标中高程方向的参数可取1,上述公式即转换为:
根据K(K≥20)个特征点,可得到多个方程组,从而求得第n帧与参考帧N0之间的旋转位移矩阵W。
子步骤4.2,根据所述旋转位移矩阵W,标定第n帧与参考帧N0之间的对应关系,完成图像匹配。
步骤5,车辆目标检测:采用YOLO v3车辆检测模型,将输入图像分为S×S个网格,当某个检测目标中心落在所述网格中时,所述网格负责预测所述检测目标,得到检测目标结点集N={Ni,i=1,2,...,I}和检测目标轨迹集T={Tj,j=1,2,...,m}。
具体的,本发明实施例采用YOLO v3车辆检测模型,将输入图像分为S×S个网格,当某个检测目标中心落在所述网格中时,则该网格就负责预测该目标;然后,对每个网格预测B个边框(Bounding Box),每一个box包含五个信息:中心点坐标(xc,yc)、高度(h)、宽度(w)及可信度(Confidence);同时,在每个网格中预测C个类别概率值;则得到S×S×B个目标预测窗口和S×S×B×(5+C)个预测参数,通过阈值筛选和非最大抑制(NMS)去除多余窗口;得到检测目标结点集N={Ni,i=1,2,...,I}和检测目标轨迹集T={Tj,j=1,2,...,m}。
步骤6,多目标跟踪:采用Deep-Sort多目标跟踪算法,实现数据关联。
子步骤6.3,设置IOU阈值,通过匈牙利指派算法得到IOU最大的唯一匹配,进行数据关联。
具体为:本实施例设置IOU阈值为50%;首先判断子步骤6.2计算得到的IOU与IOU阈值进行对比,对每个大于IOU阈值的检测节点N分配唯一轨迹目标,且优先将检测节点分配给临近几帧连续出现的轨迹目标;其中,每条轨迹均有存储数值δ,(轨迹匹配成功,δ为0,不成功,δ记为1);当某条轨迹δ累计值大于设定的δ阈值(本实施例δ阈值设为30),则认为该条轨迹终止。
步骤7,交通参数计算:根据车辆在不同帧中的位置和时间间隔,得到车辆的交通数据。
具体的,所述车辆的交通数据包含速度和轨迹。
其中,
纵向速度采用下式进行计算:
横向速度采用下式进行计算:
[xn,yn]为车辆在第n帧的横向坐标和纵向坐标,θ为间隔帧数,为了保证输出速度的平顺性θ≥5;△t为相邻两帧时间间隔。
最后,本发明实施例利用高精度GNSS-RTK定位和车载OBD组合验证本发明提供的基于无人机视频的交通数据采集方法的准确性,共进行7组不同飞行高度、不同行驶速度验证试验。验证试验表明:视频识别算法目标检测精度为90.88%、追踪精度为98.9%,提取的车辆速度参数整体绝对误差在±3km/h以内、相对误差在2%以内,整体准确率达98%。结果证明了本发明无人机视频交通数据采集的可靠性和准确性。
虽然,本说明书中已经用一般性说明及具体实施方案对本发明作了详尽的描述,但在本发明基础上,可以对之作一些修改或改进,这对本领域技术人员而言是显而易见的。因此,在不偏离本发明精神的基础上所做的这些修改或改进,均属于本发明要求保护的范围。
Claims (4)
1.一种基于无人机视频的交通数据采集方法,其特征在于,包括以下步骤:
步骤1,道路特征点选取和测量:选取K个特征点,使K个特征点在图像中形成棋盘格;测量每个特征点的世界坐标,记为:Ck=[uk,vk,pk],其中,K≥20;
步骤2,无人机视频拍摄:根据监测范围场景,无人机在高空进行视频拍摄;
步骤3,对无人机拍摄的视频进行图像预处理:将世界坐标与图像坐标进行单应性变换;
子步骤3.1,根据K个特征点的世界坐标和参考帧中的图像坐标,计算单应性矩阵T:
其中,[u,v,p]为世界坐标,[x0,y0,z0]为参考帧N0的图像坐标;
子步骤3.2,再根据所述单应性矩阵,进行无人机拍摄的视频图像的世界坐标与图像坐标的单应性变换;
步骤4,对无人机拍摄的视频进行图像匹配:
子步骤4.1,确定旋转位移矩阵W;
子步骤4.2,根据所述旋转位移矩阵W,标定第n帧与参考帧之间的对应关系,完成图像匹配;
步骤5,车辆目标检测:采用YOLO v3车辆检测模型,将输入图像分为S×S个网格,当某个检测目标中心落在所述网格中时,所述网格负责预测所述检测目标,得到检测目标结点集N={Ni,i=1,2,...,I}和检测目标轨迹集T={Tj,j=1,2,...,m};
根据K个特征点,采用下式确定旋转位移矩阵W:
其中,[xn,yn,zn]为第n帧的图像坐标,[x0,y0,z0]为参考帧N0的图像坐标;
步骤6,多目标跟踪:采用Deep-Sort多目标跟踪算法,实现数据关联;
步骤7,交通参数计算:根据车辆在不同帧中的位置和时间间隔,得到车辆的交通数据。
2.根据权利要求1所述的基于无人机视频的交通数据采集方法,其特征在于,步骤1中,所述选取K个特征点为从道路标线中选取或人工粘贴标记。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010095213.2A CN111341097B (zh) | 2020-02-13 | 2020-02-13 | 一种基于无人机视频的交通数据采集方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010095213.2A CN111341097B (zh) | 2020-02-13 | 2020-02-13 | 一种基于无人机视频的交通数据采集方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111341097A CN111341097A (zh) | 2020-06-26 |
CN111341097B true CN111341097B (zh) | 2022-05-20 |
Family
ID=71186949
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010095213.2A Active CN111341097B (zh) | 2020-02-13 | 2020-02-13 | 一种基于无人机视频的交通数据采集方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111341097B (zh) |
Families Citing this family (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111899568B (zh) * | 2020-07-17 | 2021-09-07 | 广州忘平信息科技有限公司 | 桥梁防撞预警系统、方法、装置和存储介质 |
CN112581795B (zh) * | 2020-12-16 | 2022-04-29 | 东南大学 | 一种基于视频的船桥及船间碰撞实时预警方法与系统 |
CN112735164B (zh) * | 2020-12-25 | 2022-08-05 | 北京智能车联产业创新中心有限公司 | 测试数据构建方法及测试方法 |
CN113052904B (zh) * | 2021-03-19 | 2022-12-13 | 上海商汤临港智能科技有限公司 | 一种定位方法、装置、电子设备及存储介质 |
CN112699854B (zh) * | 2021-03-22 | 2021-07-20 | 亮风台(上海)信息科技有限公司 | 一种识别停止行驶车辆的方法与设备 |
CN113421289B (zh) * | 2021-05-17 | 2022-09-20 | 同济大学 | 一种克服无人机拍摄扰动的高精度车辆轨迹数据提取方法 |
CN115620515B (zh) * | 2022-09-30 | 2023-09-26 | 深圳技术大学 | 基于无人机视频的互通立交交通量的采集方法及相关装置 |
Family Cites Families (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103150908B (zh) * | 2013-02-05 | 2015-05-27 | 长安大学 | 一种基于视频的平均车速检测方法 |
CN106571046B (zh) * | 2016-11-11 | 2021-07-16 | 上海市政工程设计研究总院(集团)有限公司 | 基于路面网格体系的车路协同辅助驾驶方法 |
CN106781476B (zh) * | 2016-12-22 | 2019-08-20 | 中国人民解放军第三军医大学第三附属医院 | 交通事故中车辆动态位置分析方法 |
CN108777070A (zh) * | 2018-06-14 | 2018-11-09 | 浙江希仁通信技术有限公司 | 基于车道网格和车辆采样的道路实时监测方法和系统 |
CN110210384B (zh) * | 2019-05-31 | 2021-10-22 | 北京科技大学 | 一种道路全局信息实时提取与表示系统 |
CN110222667B (zh) * | 2019-06-17 | 2023-04-07 | 南京大学 | 一种基于计算机视觉的开放道路交通参与者数据采集方法 |
CN110472496B (zh) * | 2019-07-08 | 2022-10-11 | 长安大学 | 一种基于目标检测与跟踪的交通视频智能分析方法 |
CN110706286A (zh) * | 2019-10-08 | 2020-01-17 | 浙江吉利新能源商用车集团有限公司 | 一种基于地面标识格的车辆定位方法、定位系统及车辆 |
-
2020
- 2020-02-13 CN CN202010095213.2A patent/CN111341097B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN111341097A (zh) | 2020-06-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111341097B (zh) | 一种基于无人机视频的交通数据采集方法 | |
CN111145545B (zh) | 基于深度学习的道路交通行为无人机监测系统及方法 | |
CN112525162B (zh) | 一种无人机测量输电线路影像距离的系统及方法 | |
CN108109437B (zh) | 一种基于地图特征的无人机自主航线提取生成方法 | |
CN112698302B (zh) | 一种颠簸路况下的传感器融合目标检测方法 | |
CN113485441A (zh) | 结合无人机高精度定位和视觉跟踪技术的配网巡检方法 | |
CN111241988B (zh) | 一种结合定位信息的大场景内运动目标检测识别方法 | |
CN109375177B (zh) | 一种用于机场场面监视雷达系统的运动目标检测方法 | |
CN112687127B (zh) | 一种基于ais与图像分析辅助的船舶定位与抓拍方法 | |
CN107239746B (zh) | 一种面向道路救援安全监控的障碍物识别跟踪方法 | |
CN115331190B (zh) | 一种基于雷视融合的道路隐患识别方法及装置 | |
CN105045276A (zh) | 无人机飞行控制方法及装置 | |
CN114038193B (zh) | 基于无人机和多目标追踪的智能交通流量数据统计方法及系统 | |
US20220383755A1 (en) | Unmanned aerial vehicle positioning method based on millimeter-wave radar | |
CN105096284A (zh) | 一种生成道路正射投影图像的方法、装置及系统 | |
CN114689030A (zh) | 一种基于机载视觉的无人机辅助定位方法及系统 | |
CN110555423B (zh) | 基于多维运动摄像机的航拍视频的交通参数提取方法 | |
CN114841188A (zh) | 一种基于二维码的车辆融合定位方法及装置 | |
CN111950524A (zh) | 一种基于双目视觉和rtk的果园局部稀疏建图方法和系统 | |
CN116977806A (zh) | 一种基于毫米波雷达、激光雷达和高清阵列摄像机的机场目标检测方法及系统 | |
CN115965847A (zh) | 交叉视角下多模态特征融合的三维目标检测方法和系统 | |
CN116297472A (zh) | 一种基于深度学习的无人机桥梁裂缝检测方法及系统 | |
CN111380529A (zh) | 移动设备定位方法、装置、系统及移动设备 | |
CN115123571A (zh) | 智慧机场及智慧机场跑道车辆实时跟踪渲染方法与系统 | |
CN114820768A (zh) | 一种大地坐标系与slam坐标系对齐方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |