CN111369795A - 一种车流量统计方法、装置、设备及存储介质 - Google Patents
一种车流量统计方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN111369795A CN111369795A CN202010159008.8A CN202010159008A CN111369795A CN 111369795 A CN111369795 A CN 111369795A CN 202010159008 A CN202010159008 A CN 202010159008A CN 111369795 A CN111369795 A CN 111369795A
- Authority
- CN
- China
- Prior art keywords
- lane
- state
- vehicle number
- instantaneous vehicle
- driving state
- 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
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
- G08G1/0125—Traffic data processing
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
- G01S13/88—Radar or analogous systems specially adapted for specific applications
-
- 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
-
- 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
Abstract
本发明实施例公开了一种车流量统计方法、装置、设备及存储介质。该方法具体包括:获取训练数据,根据训练数据训练设计好的卷积神经网络得到瞬时车辆数估计模型;获取雷达监测数据,将雷达监测数据输入瞬时车辆数估计模型得到瞬时车辆数并确定车道行车状态;根据瞬时车辆数和车道行车状态判断车道行车状态变化信息,根据车道行车状态变化信息统计车流量。该方法基于雷达进行监测,受光线和天气影响小,也无需对路面进行破坏,由于雷达采集的数据量小其卷积神经网络无需设计的很复杂,对于运算能力要求低,运算也更快速,算法方法复杂度不高,易于在嵌入式设备上实现,可制作成便携式的车流量监测仪。
Description
技术领域
本发明涉及交通领域,尤其涉及一种车流量统计传输方法、装置、设备及存储介质。
背景技术
车流量信息是智能交通系统中最重要的信息,把握好关键路口的车流量信息,对合理分配交通资源起到关键作用。常见的车流量统计方法可以分为地磁检测技术、视频检测技术和本文所使用的基于雷达的检测技术。
地磁检测技术将传感器装置埋在地下,车辆通过传感器探测区域会产生电信号变化,将电信号作为检测系统的输入信号,利用外围电路和算法便可以完成车流量的统计,其检测精度高但安装维护不方便,需要破坏路面从而影响交通。
视频检测技术利用摄像头获取图片或者视频,通过算法检测图像中的目标进而完成车流量信息的获取,使用视频检测技术安装维护方便,算法成熟,良好条件下准确率高,缺点是处理数据量大,对硬件设备要求高,夜间、雨雾天检测效果较差,难以在嵌入式设备上完成实时处理。而基于雷达的车流量检测技术对光线、天气不敏感,且雷达数据量相对较小,适合在嵌入式设备上运行。
关于地磁检测技术、视频检测技术和雷达检测技术,传统的算法流程均为:首先采集数据,然后对数据作预处理,去除噪声信号,然后进行目标检测,识别出数据中的车辆,然后进行目标跟踪,最后进行车辆数统计。其中目标检测的步骤,地磁检测技术和传统的雷达检测技术会利用信号处理的方法完成目标检测,视频检测技术一方面利用传统的图像处理算法完成目标检测,另一方面也会利用近年来兴起的深度学习技术完成目标检测。但是这些技术采用的算法复杂度都较高。
发明内容
有鉴于此,本发明实施例提供了一种车流量统计方法、装置、设备及存储介质,受环境影响程度低且算法复杂度低易于实现。
第一方面,本发明实施例提供了一种车流量统计方法,包括:
获取训练数据,根据训练数据训练设计好的卷积神经网络得到瞬时车辆数估计模型;
获取雷达监测数据,将所述雷达监测数据输入瞬时车辆数估计模型得到瞬时车辆数并确定车道行车状态;
根据所述瞬时车辆数和车道行车状态判断车道行车状态变化信息,根据所述车道行车状态变化信息统计车流量。
更具体的,获取雷达监测数据包括:获取雷达原始数据;对所述雷达原始数据做预处理和特征提取得到雷达监测数据,所述雷达监测数据大小为97*40。
更具体的,将所述雷达监测数据输入瞬时车辆数估计模型得到瞬时车辆数并确定车道行车状态包括:将所述雷达监测数据输入瞬时车辆数估计模型得到瞬时车辆数;根据所述雷达监测数据和瞬时车辆数确定车道行车状态,所述车道行车状态包括第一车道和第二车道均没有车辆的第一状态、仅第一车道有车的第二状态、仅第二车道有车的第三状态以及第一车道和第二车道均有车辆的第四状态。
更具体的,根据所述雷达监测数据和瞬时车辆数确定车道行车状态包括:当所述瞬时车辆数为0,则车道行车状态为第一状态;当所述瞬时车辆数为1,则所述雷达监测数据中面积最大连通域的质心,若质心纵坐标属于区间[1:50],则车道行车状态为第二状态,若质心纵坐标属于区间[51:97],则车道行车状态为第三状态;当所述瞬时车辆数2,则车道行车状态为第四状态。
更具体的,根据所述车道行车状态变化信息统计车流量包括:在车道行车状态自第二状态变为第一状态或第三状态时,将第一车道车辆数加一;在车道行车状态自第三状态变为第一状态或第二状态时,将第二车道车辆数加一;在车道行车状态自第四状态变为第一状态时,将第一车道车辆数加一并将第二车道车辆数加一,在车道行车状态自第四状态变为第二状态时,将第二车道车辆数加一,在车道行车状态自第四状态变为第三状态时,将第一车道车辆数加一;统计第一车道车辆数和第二车道车辆数得到车流量。
更具体的,所述卷积神经网络包括三层卷积层和三层全连接层,所述卷积神经网络的第一层卷积层的输入大小为97*40。
更具体的,根据训练数据训练设计好的卷积神经网络得到瞬时车辆数估计模型包括:
将训练数据中的输入数据输入设计好的卷积神经网络得到训练瞬时车辆数;
将训练数据中的输出数据和所述训练瞬时车辆数比较得到误差并反馈调整所述卷积神经网络;
迭代进行上述步骤到达预设次数后获取调整后的卷积神经网络作为瞬时车辆数估计模型。
第二方面,本发明实施例提供了一种车流量统计装置,包括:
模型训练模块,用于获取训练数据,根据训练数据训练设计好的卷积神经网络得到瞬时车辆数估计模型;
模型应用模块,用于获取雷达监测数据,将所述雷达监测数据输入瞬时车辆数估计模型得到瞬时车辆数并确定车道行车状态;
车流量统计模块,用于根据所述瞬时车辆数和车道行车状态判断车道行车状态变化信息,根据所述车道行车状态变化信息统计车流量。
第三方面,本发明实施例还提供了一种车流量统计设备,包括存储器和处理器,所述存储器上存储有可在处理器运行的计算机程序,所述处理器执行所述计算机程序时实现如前述的车流量统计方法。
第四方面,本发明实施例还提供了一种计算机可读存储介质,所述存储介质存储有计算机程序,该计算机程序被处理器执行时实现如前述的车流量统计方法。
本发明实施例提供的技术方案,通过设计好的卷积神经网络得到瞬时车辆数估计模型,将雷达监测数据输入瞬时车辆数估计模型得到瞬时车辆数并确定车道行车状态,再根据瞬时车辆数和车道行车状态判断车道行车状态变化信息,进而统计出车流量,其基于雷达进行监测,受光线和天气影响小,也无需对路面进行破坏,由于雷达采集的数据量小其卷积神经网络无需设计的很复杂,对于运算能力要求低,运算也更快速,算法方法复杂度不高,易于在嵌入式设备上实现,可制作成便携式的车流量监测仪。
附图说明
图1是本发明实施例一中的车流量统计方法流程图;
图2是本发明实施例一中的卷积神经网络结构示意图;
图3是本发明实施例二中的车流量统计方法子流程图;
图4是本发明实施例二中的车流量统计方法子流程图;
图5是本发明实施例三中的一种车流量统计装置的结构示意图;
图6是本发明实施例四中的一种车流量统计设备的结构示意图。
具体实施方式
下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是,此处所描述的具体实施例仅仅用于解释本发明,而非对本发明的限定。另外还需要说明的是,为了便于描述,附图中仅示出了与本发明相关的部分而非全部结构。
在更加详细地讨论示例性实施例之前应当提到的是,一些示例性实施例被描述成作为流程图描绘的处理或方法。虽然流程图将各步骤描述成顺序的处理,但是其中的许多步骤可以被并行地、并发地或者同时实施。此外,各步骤的顺序可以被重新安排。当其操作完成时处理可以被终止,但是还可以具有未包括在附图中的附加步骤。处理可以对应于方法、函数、规程、子例程、子程序等等。
此外,术语“第一”、“第二”等可在本文中用于描述各种方向、动作、步骤或元件等,但这些方向、动作、步骤或元件不受这些术语限制。这些术语仅用于将第一个方向、动作、步骤或元件与另一个方向、动作、步骤或元件区分。术语“第一”、“第二”等而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。在本发明的描述中,“多个”、“批量”的含义是至少两个,例如两个,三个等,除非另有明确具体的限定。
实施例一
如图1为本发明实施例一的车流量统计方法流程图,本实施例可以适用于制作便携式的移动车流量监测设备。
实施例一步骤如下:
S110、获取训练数据,根据训练数据训练设计好的卷积神经网络得到瞬时车辆数估计模型。
本实施例中设计好的卷积神经网络用于完成一个三分类的功能,其可以根据雷达在探测区域的检测数据确定探测区域的瞬时车辆数,通过卷积神经网络完成这一功能相较于传统算法计算速度更快对设备要求也不高,为了提高通过卷积神经网络确定瞬时车辆数的准确性,本实施例中采用的是训练好的瞬时车辆数估计模型,其可以通过使用训练数据对设计好的卷积神经网络训练得到。此处所指的训练数据可以是实际雷达监测过程中记录的真实数据也可以是人为合理设计的数据,此处不做限制。
示例性的,一种用于确定瞬时车辆数的卷积神经网络结构可以如图2所示:
卷积神经网络包括三层卷积层和三层全连接层,所述卷积神经网络的第一层卷积层的输入大小为97*40,卷积核大小3*3,步长2*2,输入通道为1,输出通道为8,卷积后经过Relu激活函数(The Rectified Linear Unit),采用最大池化;第二层卷积层中,输入通道和输出通道分别为8和16,其余结构和第一层相同,第三层卷积层中,输入通道和输出通道分别为16和32,其余和第一层相同。全连接层三层的神经元个数分别为512、128和32。应当理解的是,卷积神经网络的设计是与输入的数据相对应的,即上述示例中一层卷积层的输入大小为97*40,那么通过雷达采集与处理后输入卷积神经网络的数据大小也为97*40,当通过雷达采集与处理后的数据发生变化时,卷积神经网络也要做相应的调整。
S120、获取雷达监测数据,将所述雷达监测数据输入瞬时车辆数估计模型得到瞬时车辆数并确定车道行车状态。
这里的雷达监测数据是指可以直接输入瞬时车辆数估计模型的数据,其是通过雷达对探测区域的监控获取的,通常情况下雷达原始数据含有一些无用数据或数据缺失等问题,因此本实施例中的获取雷达监测数据包括:获取雷达原始数据;对所述雷达原始数据做预处理和特征提取得到雷达监测数据,所述雷达监测数据大小为97*40。这样得到的数据就可以直接输入上述作具体示例的卷积神经网络(瞬时车辆数估计模型)中。
雷达监测数据输入到瞬时车辆数估计模型后,瞬时车辆数估计模型会得到一个数据,这个数据就是探测区域内的瞬时车辆数,仅根据瞬时车辆数进行车流量统计时不能进行多个车道的车流量统计,因此本实施例中进一步获取了车道行车状态,车道行车状态是指存在多车道时具体车道是否存在车辆。当然此处所指的车道行车状态也是瞬时的,其是与瞬时车辆数对应的(在一个瞬间有对应的瞬时车辆数和车道行车状态)。
S130、根据所述瞬时车辆数和车道行车状态判断车道行车状态变化信息,根据所述车道行车状态变化信息统计车流量。
在通过瞬时车辆数估计模型得到瞬时车辆数并确定对应的车道行车状态后,需要判断车道行车状态变化信息,车道行车状态变化信息可以反映出车辆经过情况,例如在两个连续瞬时车辆数间,一个车道从不存在车辆到存在车辆那么该车道必然有车辆经过,因而可以根据车道行车状态变化信息统计出各个车道的车流量。
本实施例提供的车流量统计方法,通过设计好的卷积神经网络得到瞬时车辆数估计模型,将雷达监测数据输入瞬时车辆数估计模型得到瞬时车辆数并确定车道行车状态,再根据瞬时车辆数和车道行车状态判断车道行车状态变化信息,进而统计出车流量,其基于雷达进行监测,受光线和天气影响小,也无需对路面进行破坏,由于雷达采集的数据量小其卷积神经网络无需设计的很复杂,对于运算能力要求低,运算也更快速,算法方法复杂度不高,易于在嵌入式设备上实现,可制作成便携式的车流量监测仪。
实施例二
本发明实施例二在实施例一的基础上对部分内容作了进一步补充,具体如下:
如图3所示,步骤S110中根据训练数据训练设计好的卷积神经网络得到瞬时车辆数估计模型具体包括:
S111、将训练数据中的输入数据输入设计好的卷积神经网络得到训练瞬时车辆数。
S112、将训练数据中的输出数据和所述训练瞬时车辆数比较得到误差并反馈调整所述卷积神经网络。
S113、迭代进行上述步骤到达预设次数后获取调整后的卷积神经网络作为瞬时车辆数估计模型。
步骤S111-113为卷积神经网络的训练过程,训练数据中包括输入数据和输出数据,输入数据为实际或模拟的雷达监测数据,输出数据为对应的实际或模拟的瞬时车辆数,将输入数据输入到卷积神经网络后,卷积神经网络会得到一个训练瞬时车辆数,训练瞬时车辆数可能与输出数据相同也可能不同,当相同时说明卷积神经网络计算准确,当不同时可以对卷积神经网络进行调整,以使得训练瞬时车辆数更接近、等于输出数据,实际使用中难以保证卷积神经网络计算绝对准确,因而可以设置一个预设次数,当对卷积神经网络进行调整的次数达到预设次数后可以视为训练完成,将此时的卷积神经网络作为瞬时车辆数估计模型使用。
在一些实施例中,探测区域的道路为双车道时,如图4所示,步骤S120中将所述雷达监测数据输入瞬时车辆数估计模型得到瞬时车辆数并确定车道行车状态包括:
S121、将所述雷达监测数据输入瞬时车辆数估计模型得到瞬时车辆数。
S122、根据所述雷达监测数据和瞬时车辆数确定车道行车状态,所述车道行车状态包括第一车道和第二车道均没有车辆的第一状态、仅第一车道有车的第二状态、仅第二车道有车的第三状态以及第一车道和第二车道均有车辆的第四状态。
在双车道道路中,总共存在四种车道行车状态,此处以实施例一中大小为97*40的雷达监测数据为例详细说明,这里的数据大小对应于探测区域的大小(探测区域越大数据越大),97就可以理解为对应双车道道路的宽度,这样当所述瞬时车辆数为0,则车道行车状态为第一状态;当所述瞬时车辆数为1,则所述雷达监测数据中面积最大连通域的质心,若质心纵坐标属于区间[1:50],则车道行车状态为第二状态,若质心纵坐标属于区间[51:97],则车道行车状态为第三状态;当所述瞬时车辆数2,则车道行车状态为第四状态。雷达监测数据中面积最大连通域对应实际经过的车辆,根据其质心纵坐标可以确定车辆位于哪个车道,进而确定车道行车状态。
更具体的,在探测区域为双车道道路时,所述根据所述车道行车状态变化信息统计车流量包括:在车道行车状态自第二状态变为第一状态或第三状态时,将第一车道车辆数加一;在车道行车状态自第三状态变为第一状态或第二状态时,将第二车道车辆数加一;在车道行车状态自第四状态变为第一状态时,将第一车道车辆数加一并将第二车道车辆数加一,在车道行车状态自第四状态变为第二状态时,将第二车道车辆数加一,在车道行车状态自第四状态变为第三状态时,将第一车道车辆数加一;统计第一车道车辆数和第二车道车辆数得到车流量。即在对双车道道路进行车流量统计时,每个车道是否有车辆经过都能够通过车道行车状态变化信息体现出来,因而可以准确进行每个车道的车流量统计。
应当理解的是,上述结合具体数字的具体示例中,是为了便于理解而作的举例,实际不仅仅可以进行双车道的车流量统计,对于其他单车道或多车道进行车流量统计时,在变更车道行车状态、车道行车状态变化信息以及瞬时车辆数估计模型的情况下都是可以实现的。
本实施例提供的车流量统计方法,进一步给出了对双车道道路进行车流量统计的具体实施方式,其基于雷达进行监测,受光线和天气影响小,也无需对路面进行破坏,由于雷达采集的数据量小其卷积神经网络无需设计的很复杂,对于运算能力要求低,运算也更快速,算法方法复杂度不高,易于在嵌入式设备上实现,可制作成便携式的车流量监测仪。
实施例三
图5为本发明实施例三提供的一种车流量统计装置300,具体包括如下模块:
模型训练模块310,用于获取训练数据,根据训练数据训练设计好的卷积神经网络得到瞬时车辆数估计模型。
模型应用模块320,用于获取雷达监测数据,将所述雷达监测数据输入瞬时车辆数估计模型得到瞬时车辆数并确定车道行车状态。
车流量统计模块330,用于根据所述瞬时车辆数和车道行车状态判断车道行车状态变化信息,根据所述车道行车状态变化信息统计车流量。
更具体的,模型训练模块310包括:
数据获取单元,用于获取雷达原始数据;
数据处理单元,用于对所述雷达原始数据做预处理和特征提取得到雷达监测数据,所述雷达监测数据大小为97*40。
更具体的,模型应用模块320用于:将所述雷达监测数据输入瞬时车辆数估计模型得到瞬时车辆数;根据所述雷达监测数据和瞬时车辆数确定车道行车状态,所述车道行车状态包括第一车道和第二车道均没有车辆的第一状态、仅第一车道有车的第二状态、仅第二车道有车的第三状态以及第一车道和第二车道均有车辆的第四状态。
更具体的,根据所述雷达监测数据和瞬时车辆数确定车道行车状态包括:当所述瞬时车辆数为0,则车道行车状态为第一状态;
当所述瞬时车辆数为1,则所述雷达监测数据中面积最大连通域的质心,若质心纵坐标属于区间[1:50],则车道行车状态为第二状态,若质心纵坐标属于区间[51:97],则车道行车状态为第三状态;
当所述瞬时车辆数2,则车道行车状态为第四状态。
更具体的,车流量统计模块330用于:在车道行车状态自第二状态变为第一状态或第三状态时,将第一车道车辆数加一;
在车道行车状态自第三状态变为第一状态或第二状态时,将第二车道车辆数加一;
在车道行车状态自第四状态变为第一状态时,将第一车道车辆数加一并将第二车道车辆数加一,在车道行车状态自第四状态变为第二状态时,将第二车道车辆数加一,在车道行车状态自第四状态变为第三状态时,将第一车道车辆数加一;
统计第一车道车辆数和第二车道车辆数得到车流量。
更具体的,所述卷积神经网络包括三层卷积层和三层全连接层,所述卷积神经网络的第一层卷积层的输入大小为97*40。
更具体的,模型训练模块310包括:
训练执行单元,用于将训练数据中的输入数据输入设计好的卷积神经网络得到训练瞬时车辆数。
调整单元,用于将训练数据中的输出数据和所述训练瞬时车辆数比较得到误差并反馈调整所述卷积神经网络。
迭代单元,用于迭代进行上述步骤到达预设次数后获取调整后的卷积神经网络作为瞬时车辆数估计模型。
本实施例提供的车流量统计装置,其基于雷达进行监测,受光线和天气影响小,也无需对路面进行破坏,由于雷达采集的数据量小其卷积神经网络无需设计的很复杂,对于运算能力要求低,运算也更快速,算法方法复杂度不高,易于在嵌入式设备上实现,可制作成便携式的车流量监测仪。
实施例四
图6为本发明实施例四提供的一种设备的结构示意图,如图6所示,该设备包括处理器60、存储器61、输入装置62和输出装置63;设备中处理器60的数量可以是一个或多个,图中以一个处理器60为例;设备中的处理器60、存储器61、输入装置62和输出装置63可以通过总线或其他方式连接,图6中以通过总线连接为例。
存储器61作为一种计算机可读存储介质,可用于存储软件程序、计算机可执行程序以及模块,如本发明实施例中的车流量统计方法对应的程序指令/模块(例如,车流量统计装置中的获取模块410、解密模块420、执行模块430等)。处理器60通过运行存储在存储器61中的软件程序、指令以及模块,从而执行设备的各种功能应用以及数据处理,即实现上述任一实施例的车流量统计方法。
存储器61可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需的应用程序;存储数据区可存储根据设备的使用所创建的数据等。此外,存储器61可以包括高速随机存取存储器,还可以包括非易失性存储器,例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实例中,存储器61可进一步包括相对于处理器60远程设置的存储器,这些远程存储器可以通过网络连接至设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
输入装置62可用于接收输入的数字或字符信息,以及产生与设备的学员设置以及功能控制有关的键信号输入。输出装置63可包括显示屏等显示设备。
上述设备可执行本发明任意实施例所提供的车流量统计方法,具备执行方法对应的功能能模块和有益效果。
实施例五
本发明实施例五还提供了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发明任意实施例所提供的一种车流量统计方法,该方法可以包括:
获取训练数据,根据训练数据训练设计好的卷积神经网络得到瞬时车辆数估计模型;
获取雷达监测数据,将所述雷达监测数据输入瞬时车辆数估计模型得到瞬时车辆数并确定车道行车状态;
根据所述瞬时车辆数和车道行车状态判断车道行车状态变化信息,根据所述车道行车状态变化信息统计车流量。
本发明实施例的计算机可读存储介质,可以采用一个或多个计算机可读的介质的任意组合。计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质。计算机可读存储介质例如可以是但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本文件中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。
存储介质上包含的程序代码可以用任何适当的介质传输,包括但不限于无线、电线、光缆、RF等等,或者上述的任意合适的组合。
可以以一种或多种程序设计语言或其组合来编写用于执行本发明操作的计算机程序代码,程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++,还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在学员计算机上执行、部分地在学员计算机上执行、作为一个独立的软件包执行、部分在学员计算机上部分在远程计算机上执行、或者完全在远程计算机或设备上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到学员计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
本实施例基于雷达进行监测完成车流量统计,受光线和天气影响小,也无需对路面进行破坏,由于雷达采集的数据量小其卷积神经网络无需设计的很复杂,对于运算能力要求低,运算也更快速,算法方法复杂度不高,易于在嵌入式设备上实现,可制作成便携式的车流量监测仪。
注意,上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解,本发明不限于这里的特定实施例,对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此,虽然通过以上实施例对本发明进行了较为详细的说明,但是本发明不仅仅限于以上实施例,在不脱离本发明构思的情况下,还可以包括更多其他等效实施例,而本发明的范围由所附的权利要求范围决定。
Claims (10)
1.一种车流量统计方法,其特征在于,包括:
获取训练数据,根据训练数据训练设计好的卷积神经网络得到瞬时车辆数估计模型;
获取雷达监测数据,将所述雷达监测数据输入瞬时车辆数估计模型得到瞬时车辆数并确定车道行车状态;
根据所述瞬时车辆数和车道行车状态判断车道行车状态变化信息,根据所述车道行车状态变化信息统计车流量。
2.根据权利要求1所述的方法,其特征在于,所述获取雷达监测数据包括:
获取雷达原始数据;
对所述雷达原始数据做预处理和特征提取得到雷达监测数据,所述雷达监测数据大小为97*40。
3.根据权利要求1所述的方法,其特征在于,所述将所述雷达监测数据输入瞬时车辆数估计模型得到瞬时车辆数并确定车道行车状态包括:
将所述雷达监测数据输入瞬时车辆数估计模型得到瞬时车辆数;
根据所述雷达监测数据和瞬时车辆数确定车道行车状态,所述车道行车状态包括第一车道和第二车道均没有车辆的第一状态、仅第一车道有车的第二状态、仅第二车道有车的第三状态以及第一车道和第二车道均有车辆的第四状态。
4.根据权利要求3所述的方法,其特征在于,所述根据所述雷达监测数据和瞬时车辆数确定车道行车状态包括:
当所述瞬时车辆数为0,则车道行车状态为第一状态;
当所述瞬时车辆数为1,则所述雷达监测数据中面积最大连通域的质心,若质心纵坐标属于区间[1:50],则车道行车状态为第二状态,若质心纵坐标属于区间[51:97],则车道行车状态为第三状态;
当所述瞬时车辆数2,则车道行车状态为第四状态。
5.根据权利要求3所述的方法,其特征在于,所述根据所述车道行车状态变化信息统计车流量包括:
在车道行车状态自第二状态变为第一状态或第三状态时,将第一车道车辆数加一;
在车道行车状态自第三状态变为第一状态或第二状态时,将第二车道车辆数加一;
在车道行车状态自第四状态变为第一状态时,将第一车道车辆数加一并将第二车道车辆数加一,在车道行车状态自第四状态变为第二状态时,将第二车道车辆数加一,在车道行车状态自第四状态变为第三状态时,将第一车道车辆数加一;
统计第一车道车辆数和第二车道车辆数得到车流量。
6.根据权利要求2所述的方法,其特征在于,所述卷积神经网络包括三层卷积层和三层全连接层,所述卷积神经网络的第一层卷积层的输入大小为97*40。
7.根据权利要求1所述的方法,其特征在于,根据训练数据训练设计好的卷积神经网络得到瞬时车辆数估计模型包括:
将训练数据中的输入数据输入设计好的卷积神经网络得到训练瞬时车辆数;
将训练数据中的输出数据和所述训练瞬时车辆数比较得到误差并反馈调整所述卷积神经网络;
迭代进行上述步骤到达预设次数后获取调整后的卷积神经网络作为瞬时车辆数估计模型。
8.一种车流量统计装置,其特征在于,包括:
模型训练模块,用于获取训练数据,根据训练数据训练设计好的卷积神经网络得到瞬时车辆数估计模型;
模型应用模块,用于获取雷达监测数据,将所述雷达监测数据输入瞬时车辆数估计模型得到瞬时车辆数并确定车道行车状态;
车流量统计模块,用于根据所述瞬时车辆数和车道行车状态判断车道行车状态变化信息,根据所述车道行车状态变化信息统计车流量。
9.一种车流量统计设备,其特征在在于,包括存储器和处理器,所述存储器上存储有可在处理器运行的计算机程序,所述处理器执行所述计算机程序时实现如权利要求1-7任意一项所述的车流量统计方法。
10.一种计算机可读存储介质,所述存储介质存储有计算机程序,该计算机程序被处理器执行时实现如权利要求1-7任意一项所述的车流量统计方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010159008.8A CN111369795B (zh) | 2020-03-09 | 2020-03-09 | 一种车流量统计方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010159008.8A CN111369795B (zh) | 2020-03-09 | 2020-03-09 | 一种车流量统计方法、装置、设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111369795A true CN111369795A (zh) | 2020-07-03 |
CN111369795B CN111369795B (zh) | 2022-11-08 |
Family
ID=71208760
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010159008.8A Active CN111369795B (zh) | 2020-03-09 | 2020-03-09 | 一种车流量统计方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111369795B (zh) |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130214962A1 (en) * | 2012-02-22 | 2013-08-22 | Fujitsu Limited | Apparatus and method for traffic lane detection |
CN103730015A (zh) * | 2013-12-27 | 2014-04-16 | 株洲南车时代电气股份有限公司 | 交叉路口车流量检测方法及装置 |
CN105678214A (zh) * | 2015-12-21 | 2016-06-15 | 中国石油大学(华东) | 云环境下基于卷积神经网络车型识别的车流量统计方法 |
CN105787482A (zh) * | 2016-02-26 | 2016-07-20 | 华北电力大学 | 一种基于深度卷积神经网络的特定目标轮廓图像分割方法 |
CN105788295A (zh) * | 2014-12-26 | 2016-07-20 | 中国移动通信集团公司 | 一种交通流量的检测方法及装置 |
CN106650913A (zh) * | 2016-12-31 | 2017-05-10 | 中国科学技术大学 | 一种基于深度卷积神经网络的车流密度估计方法 |
CN108647834A (zh) * | 2018-05-24 | 2018-10-12 | 浙江工业大学 | 一种基于卷积神经网络结构的交通流预测方法 |
CN109377770A (zh) * | 2018-09-05 | 2019-02-22 | 华为技术有限公司 | 统计车流量的方法和装置、计算设备和存储介质 |
CN109658715A (zh) * | 2019-01-31 | 2019-04-19 | 厦门精益远达智能科技有限公司 | 多车道的车流量统计方法、装置、设备和存储介质 |
CN109658694A (zh) * | 2018-12-28 | 2019-04-19 | 中交信息技术国家工程实验室有限公司 | 一种卷积神经网络高危车辆交通流预测方法和系统 |
CN110164129A (zh) * | 2019-04-25 | 2019-08-23 | 浙江工业大学 | 基于gernn的单交叉口多车道交通流量预测方法 |
CN110390822A (zh) * | 2019-05-31 | 2019-10-29 | 东南大学 | 基于fbg传感器及卷积神经网络的桥梁车流量统计方法 |
-
2020
- 2020-03-09 CN CN202010159008.8A patent/CN111369795B/zh active Active
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130214962A1 (en) * | 2012-02-22 | 2013-08-22 | Fujitsu Limited | Apparatus and method for traffic lane detection |
CN103730015A (zh) * | 2013-12-27 | 2014-04-16 | 株洲南车时代电气股份有限公司 | 交叉路口车流量检测方法及装置 |
CN105788295A (zh) * | 2014-12-26 | 2016-07-20 | 中国移动通信集团公司 | 一种交通流量的检测方法及装置 |
CN105678214A (zh) * | 2015-12-21 | 2016-06-15 | 中国石油大学(华东) | 云环境下基于卷积神经网络车型识别的车流量统计方法 |
CN105787482A (zh) * | 2016-02-26 | 2016-07-20 | 华北电力大学 | 一种基于深度卷积神经网络的特定目标轮廓图像分割方法 |
CN106650913A (zh) * | 2016-12-31 | 2017-05-10 | 中国科学技术大学 | 一种基于深度卷积神经网络的车流密度估计方法 |
CN108647834A (zh) * | 2018-05-24 | 2018-10-12 | 浙江工业大学 | 一种基于卷积神经网络结构的交通流预测方法 |
CN109377770A (zh) * | 2018-09-05 | 2019-02-22 | 华为技术有限公司 | 统计车流量的方法和装置、计算设备和存储介质 |
CN109658694A (zh) * | 2018-12-28 | 2019-04-19 | 中交信息技术国家工程实验室有限公司 | 一种卷积神经网络高危车辆交通流预测方法和系统 |
CN109658715A (zh) * | 2019-01-31 | 2019-04-19 | 厦门精益远达智能科技有限公司 | 多车道的车流量统计方法、装置、设备和存储介质 |
CN110164129A (zh) * | 2019-04-25 | 2019-08-23 | 浙江工业大学 | 基于gernn的单交叉口多车道交通流量预测方法 |
CN110390822A (zh) * | 2019-05-31 | 2019-10-29 | 东南大学 | 基于fbg传感器及卷积神经网络的桥梁车流量统计方法 |
Non-Patent Citations (2)
Title |
---|
胡文斌等: "机非划线路段非机动车交通流特征", 《青海交通科技》 * |
蒋玉娥等: "基于双波束雷达的车流量检测系统", 《安庆师范学院学报(自然科学版)》 * |
Also Published As
Publication number | Publication date |
---|---|
CN111369795B (zh) | 2022-11-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111860155B (zh) | 一种车道线的检测方法及相关设备 | |
CN103020978B (zh) | 结合多阈值分割与模糊聚类的sar图像变化检测方法 | |
JP7185811B2 (ja) | 超音波アレイによる障害物検出結果の処理方法、コンピュータデバイス、記憶媒体、プログラム及びシステム | |
US11940803B2 (en) | Method, apparatus and computer storage medium for training trajectory planning model | |
US11210570B2 (en) | Methods, systems and media for joint manifold learning based heterogenous sensor data fusion | |
CN111738037B (zh) | 一种自动驾驶方法及其系统、车辆 | |
CN112085056B (zh) | 目标检测模型生成方法、装置、设备及存储介质 | |
CN111044045A (zh) | 基于神经网络的导航方法、装置及终端设备 | |
CN115616937B (zh) | 自动驾驶仿真测试方法、装置、设备和计算机可读介质 | |
CN111898749A (zh) | 一种基于神经网络的无人机航迹预测方法 | |
US20240062533A1 (en) | Visual enhancement method and system based on fusion of spatially aligned features of multiple networked vehicles | |
CN116453343A (zh) | 智能网联环境下基于流量预测的智能交通信号控制优化算法、软件与系统 | |
CN116861262B (zh) | 一种感知模型训练方法、装置及电子设备和存储介质 | |
Zhao et al. | End‐to‐end autonomous driving decision model joined by attention mechanism and spatiotemporal features | |
CN111369795B (zh) | 一种车流量统计方法、装置、设备及存储介质 | |
Subedi et al. | Development of a multiple‐camera 3D vehicle tracking system for traffic data collection at intersections | |
Rahman et al. | Predicting driver behaviour at intersections based on driver gaze and traffic light recognition | |
US20180157770A1 (en) | Geometric proximity-based logging for vehicle simulation application | |
CN115565148B (zh) | 道路图像的检测方法、装置、存储介质和电子装置 | |
CN116665170A (zh) | 目标检测模型的训练及目标检测方法、装置、设备和介质 | |
CN114385619A (zh) | 一种多通道海洋观测时序标量数据缺失值预测方法及系统 | |
OBrien et al. | Detection of vehicle wheels from images using a pseudo‐wavelet filter for analysis of congested traffic | |
CN112700007A (zh) | 电离层电子含量预报模型的训练方法、预报方法及装置 | |
CN112815959B (zh) | 车辆车道级定位系统、方法、装置和电子设备 | |
CN114925739B (zh) | 目标检测方法、装置和系统 |
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 |