CN111508239A - 基于mask矩阵的车流量智能识别方法、系统 - Google Patents

基于mask矩阵的车流量智能识别方法、系统 Download PDF

Info

Publication number
CN111508239A
CN111508239A CN202010300615.1A CN202010300615A CN111508239A CN 111508239 A CN111508239 A CN 111508239A CN 202010300615 A CN202010300615 A CN 202010300615A CN 111508239 A CN111508239 A CN 111508239A
Authority
CN
China
Prior art keywords
vehicle
lane
pixel point
pixel
matrix
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
Application number
CN202010300615.1A
Other languages
English (en)
Other versions
CN111508239B (zh
Inventor
张峻领
鲍朝莉
董辉
相峥
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.)
Chengdu Yanggu Information Technology Co ltd
Original Assignee
Chengdu Yanggu Information Technology 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 Chengdu Yanggu Information Technology Co ltd filed Critical Chengdu Yanggu Information Technology Co ltd
Priority to CN202010300615.1A priority Critical patent/CN111508239B/zh
Publication of CN111508239A publication Critical patent/CN111508239A/zh
Application granted granted Critical
Publication of CN111508239B publication Critical patent/CN111508239B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/40—Scenes; Scene-specific elements in video content
    • 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
    • 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

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Theoretical Computer Science (AREA)
  • Traffic Control Systems (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种基于mask矩阵的车流量智能识别方法、系统，该方法通过在视频图像中设定与道路横向交叉的虚拟检测线，并构建每一辆车辆的车辆像素点mask矩阵以及虚拟检测线的检测像素点mask矩阵，将每一辆车辆的车辆像素点mask矩阵分别与检测像素点mask矩阵相乘并将结果逐项累加，在每一辆车辆对应的计算结果第一次出现大于零时，累计一次车辆计数，最后统计预定时段内的车辆计数累计值，根据预定时段以及车辆计数累计值计算得到车流量。应用本发明能够快速、准确识别车流量。

Description

基于mask矩阵的车流量智能识别方法、系统
技术领域
本发明涉及图像识别技术领域，特别是涉及一种基于mask矩阵的车流量智能识别方法、系统。
背景技术
交通流量是指在选定时间段内通过道路某一车道的车辆数，从车流量的大小可以判定交通的拥挤状况，从而决定采取何种交通管理措施，因此对交通流量的准确检测在交通工程中占有十分重要的位置。而目前还没有很准确、实时的交通流量监测产品。
发明内容
本发明的目的在于提供一种基于mask矩阵的车流量智能识别方法、系统，能够快速、准确识别车流量。
为解决上述技术问题，本发明采用的一个技术方案是：提供一种基于mask矩阵的车流量智能识别方法，包括以下步骤：S1：实时采集道路的视频图像，并在所述视频图像的预定位置处设定虚拟检测线，所述虚拟检测线与道路横向交叉；S2：对每一张视频图像中出现的同一车辆进行跟踪识别；S3：对于每一张视频图像，根据视频图像中当前车辆的位置生成与视频图像的尺寸相同的当前车辆的车辆像素点mask矩阵，其中，当前车辆在车辆像素点mask矩阵中对应的像素点的像素值与其他像素点的像素值不同；S4：根据视频图像中虚拟检测线的位置生成与所述视频图像的尺寸相同的检测像素点mask矩阵，其中，所述虚拟检测线在检测像素点mask矩阵中对应的像素点的像素值与其他像素点的像素值不同；S5：对于每一张视频图像，将每一辆车辆的车辆像素点mask矩阵分别与检测像素点mask矩阵相乘得到结果矩阵，并将结果矩阵的各项元素逐项累加得到计算结果，并持续预定时段；S6：对于每一辆车辆，仅在其对应的计算结果第一次出现大于零的情形时,累计一次车辆计数；S7：根据所述预定时段以及车辆计数累计值计算得到车流量。
优选的，所述道路包含多条车道，所述步骤S2还包括：对每一张视频图像中同一车辆所在的车道进行识别；所述步骤S5具体为：对于每一张视频图像中的每一车道，将每一车道上每一辆车辆的车辆像素点mask矩阵分别与检测像素点mask矩阵相乘得到结果矩阵，并将结果矩阵的各项元素逐项累加得到计算结果，并持续预定时间；所述步骤S7具体为：根据所述预定时段以及每一车道对应的车辆计数累计值计算得到每一车道的车流量。
优选的，所述对每一张视频图像中同一车辆所在的车道进行识别的步骤具体包括：S201：识别视频图像中的目标车辆以及每条车道的车道线；S202：根据目标车辆在视频图像中的位置生成与所述视频图像尺寸相同的车辆像素点mask矩阵，其中，所述目标车辆在车辆像素点mask矩阵中对应的像素点的像素值与其他像素点的像素值不同；S203：根据每条车道的车道线在视频图像中的位置生成与视频图像尺寸相同的每条车道的车道像素点mask矩阵，其中，对于当前车道，当前车道的车道线在当前车道的车道像素点mask矩阵中对应的像素点的像素值与其他像素点的像素值不同；S204：将所述车辆像素点mask矩阵分别与每条车道的车道像素点mask矩阵相乘得到车道识别矩阵，并将每个车道识别矩阵的各项元素逐项累加得到计算结果；S205：将计算结果最大的车道识别矩阵对应的车道识别为目标车辆所在的车道。
优选的，所述预定时段的起始时间为所有车辆对应的计算结果中第一次出现大于零的情形的时间。
优选的，所述当前车辆在车辆像素点mask矩阵中对应的像素点的像素值为1，其他像素点的像素值为0；虚拟检测线在检测像素点mask矩阵中对应的像素点的像素值为1，其他像素点的像素值为0。
为解决上述技术问题，本发明采用的另一个技术方案是：提供一种基于mask矩阵的车流量智能识别系统，所述车流量智能识别系统包括图像采集模块、图像识别模块、第一矩阵构建模块、第二矩阵构建模块、矩阵计算模块、车辆计数模块和车流量识别模块；所述图像采集模块用于实时采集道路的视频图像，并在所述视频图像的预定位置处设定虚拟检测线，所述虚拟检测线与道路横向交叉；所述图像识别模块用于对每一张视频图像中出现的同一车辆进行跟踪识别；对于每一张视频图像，所述第一矩阵构建模块用于根据视频图像中当前车辆的位置生成与视频图像的尺寸相同的当前车辆的车辆像素点mask矩阵，其中，当前车辆在车辆像素点mask矩阵中对应的像素点的像素值与其他像素点的像素值不同；所述第二矩阵构建模块用于根据视频图像中虚拟检测线的位置生成与所述视频图像的尺寸相同的检测像素点mask矩阵，其中，所述虚拟检测线在检测像素点mask矩阵中对应的像素点的像素值与其他像素点的像素值不同；对于每一张视频图像，所述矩阵计算模块用于将每一辆车辆的车辆像素点mask矩阵分别与检测像素点mask矩阵相乘得到结果矩阵，并将结果矩阵的各项元素逐项累加得到计算结果，并持续预定时段；对于每一辆车辆，所述车辆计数模块用于仅在其对应的计算结果第一次出现大于零的情形时,累计一次车辆计数；所述车流量识别模块用于根据所述预定时段以及车辆计数累计值计算得到车流量。
优选的，所述道路包含多条车道，所述图像识别模块还用于对每一张视频图像中同一车辆所在的车道进行识别；对于每一张视频图像，所述车辆计数模块用于将每一车道上每一辆车辆的车辆像素点mask矩阵分别与检测像素点mask矩阵相乘得到结果矩阵，并将结果矩阵的各项元素逐项累加得到计算结果，并持续预定时间；所述车流量识别模块还用于根据所述预定时段以及每一车道对应的车辆计数累计值计算得到每一车道的车流量。
优选的，所述图像识别模块具体用于识别视频图像中的目标车辆以及每条车道的车道线；根据目标车辆在视频图像中的位置生成与所述视频图像尺寸相同的车辆像素点mask矩阵，其中，所述目标车辆在车辆像素点mask矩阵中对应的像素点的像素值与其他像素点的像素值不同；根据每条车道的车道线在视频图像中的位置生成与视频图像尺寸相同的每条车道的车道像素点mask矩阵，其中，对于当前车道，当前车道的车道线在当前车道的车道像素点mask矩阵中对应的像素点的像素值与其他像素点的像素值不同；将所述车辆像素点mask矩阵分别与每条车道的车道像素点mask矩阵相乘得到车道识别矩阵，并将每个车道识别矩阵的各项元素逐项累加得到计算结果；将计算结果最大的车道识别矩阵对应的车道识别为目标车辆所在的车道。
优选的，所述预定时段的起始时间为所有车辆对应的计算结果中第一次出现大于零的情形的时间。
优选的，所述当前车辆在车辆像素点mask矩阵中对应的像素点的像素值为1，其他像素点的像素值为0；虚拟检测线在检测像素点mask矩阵中对应的像素点的像素值为1，其他像素点的像素值为0。
区别于现有技术的情况，本发明的有益效果是：能够快速、准确识别车流量。
附图说明
图1是本发明实施例提供的基于mask矩阵的车流量智能识别方法的流程示意图；
图2是一种应用场景中的监控区域的视频图像的示意图；
图3是某一辆车辆的车辆像素点mask矩阵示意图；
图4是虚拟检测线的检测像素点mask矩阵示意图；
图5是车流量智能识别方法中对车道进行识别的具体流程示意图；
图6是本发明实施例提供的基于mask矩阵的车流量智能识别系统的原理框图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本发明的一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
参阅图1，本发明实施例的基于mask矩阵的车流量智能识别方法包括以下步骤：
S1：实时采集道路的视频图像，并在视频图像的预定位置处设定虚拟检测线，虚拟检测线与道路横向交叉。
其中，视频图像的采集方式可以是直接通过摄像头采集，也可以是接收从其他设备传输的视频图像。监控区域可以根据实际需要划定，如图2所示，是一种应用场景中的监控区域的视频图像的示意图，图中，监控区域包含道路。通常，每一帧所采集的视频图像包括很多张，在本实施例中，每一帧视频图像仅保留一张。虚拟检测线是采集视频图像后所设定的线，其如图2中虚线所示，需要注意的是，图中以虚线表示虚拟检测线，不代表虚拟检测线对应的像素点是不连续的，实际上，虚拟检测线的所有像素点是连续的。
S2：对每一张视频图像中出现的同一车辆进行跟踪识别。
其中，步骤S2中，车辆通过mask-rcnn算法进行识别。具体而言，通过大量的训练素材(主要是已经标记过的车辆)对mask-rcnn算法进行训练，从而使得mask-rcnn算法能够从视频图像中识别出车辆。对于车辆交通而言，每一张视频图像中会出现多辆车辆，同一辆车会出现在多张视频图像中，所以需要跟踪识别同一辆车在每一张视频图像中的位置。
S3：对于每一张视频图像，根据视频图像中当前车辆的位置生成与视频图像的尺寸相同的当前车辆的车辆像素点mask矩阵，其中，当前车辆在车辆像素点mask矩阵中对应的像素点的像素值与其他像素点的像素值不同。
其中，如果一张视频图像出现五辆车辆，那么对于五辆车辆中的当前一辆车辆，根据当前一辆车辆的位置生成与视频图像的尺寸相同的当前一辆车辆的车辆像素点mask矩阵，当前一辆车辆在车辆像素点mask矩阵中对应的像素点的像素值与其他像素点的像素值不同，其他像素点包括五辆车辆中的其他四辆车辆对应的像素点。
S4：根据视频图像中虚拟检测线的位置生成与视频图像的尺寸相同的检测像素点mask矩阵，其中，虚拟检测线在检测像素点mask矩阵中对应的像素点的像素值与其他像素点的像素值不同。
其中，视频图像包含的像素点有多少列和多少行，则车辆像素点mask矩阵和检测像素点mask矩阵就有多少行和多少列像素点。在本实施例中，当前车辆在车辆像素点mask矩阵中对应的像素点的像素值为1，其他像素点的像素值为0；虚拟检测线在检测像素点mask矩阵中对应的像素点的像素值为1，其他像素点的像素值为0。如图3所示，是某一辆车辆的车辆像素点mask矩阵示意图。该辆车辆对应的是图2中虚线框所标识的车辆，车辆像素点mask矩阵中，只有该辆车辆在车辆像素点mask矩阵中对应的像素点的像素值为1，其他像素点的像素值为0。如图4所示，是虚拟检测线的检测像素点mask矩阵示意图。虚拟检测线的检测像素点mask矩阵中，只有虚拟检测线在检测像素点mask矩阵中对应的像素点的像素值为1，其他像素点的像素值为0。车辆像素点mask矩阵和检测像素点mask矩阵的行的像素点长度为W，列的像素点长度为H，同样，视频图像的像素尺寸也是为W×H。
S5：对于每一张视频图像，将每一辆车辆的车辆像素点mask矩阵分别与检测像素点mask矩阵相乘得到结果矩阵，并将结果矩阵的各项元素逐项累加得到计算结果，并持续预定时段。
其中，以图2所示的视频图像为例，虚线框所标识车辆的车辆像素点mask矩阵以M车表示，检测像素点mask矩阵以M虚拟表示，首先，将M车与M虚拟相乘得到一个结果矩阵，然后分别将结果矩阵的各项元素逐项累加得到计算结果。
S6：对于每一辆车辆，仅在其对应的计算结果第一次出现大于零的情形时,累计一次车辆计数。
其中，图2中，虚线框所标识车辆的车头刚好与虚拟检测线相交，那么虚线框所标识车辆的计算结果第一次出现大于零的情形，此时累计一次车辆计数，对于之后的每一张视频图像，虚线框所标识车辆的任一位置只要与虚拟检测线相交，其对应的计算结果都大于零，直到虚线框所标识车辆的车尾不与虚拟检测线相交。对于其他车辆，同样的，如果其对应的计算结果第一次出现大于零的情形，都累计一次车辆计数。
S7：根据预定时段以及车辆计数累计值计算得到车流量。
其中，车流量的计算公式为车辆计数累计值除以预定时段。在本实施例中，预定时段的起始时间为所有车辆对应的计算结果中第一次出现大于零的情形的时间。例如预定时段设置为10分钟，那么当所有车辆对应的计算结果中第一次出现大于零的情形时，开始计时，计时到10分钟时结束计时。
考虑到当道路为多车道时，存在对单一车道进行车流量识别的需求，在本实施例中，道路包含多条车道，步骤S2还包括：对每一张视频图像中同一车辆所在的车道进行识别；
步骤S5具体为：对于每一张视频图像中的每一车道，将每一车道上每一辆车辆的车辆像素点mask矩阵分别与检测像素点mask矩阵相乘得到结果矩阵，并将结果矩阵的各项元素逐项累加得到计算结果，并持续预定时间；
步骤S7具体为：根据预定时段以及每一车道对应的车辆计数累计值计算得到每一车道的车流量。
其中，由于虚拟检测线与道路横向相交，则会与每条车道的车道线相交，对于某条车道上的所有车辆，可以得到这些车辆的计算结果，从而完成对该条车道的车辆计数。每一车道的车流量的计算公式为每一车道的车辆计数累计值除以预定时段。
进一步的，参阅图5，在本实施例中，对每一张视频图像中同一车辆所在的车道进行识别的步骤具体包括：
S201：识别视频图像中的目标车辆以及每条车道的车道线。
其中，目标车辆通过mask-rcnn算法进行识别。具体而言，通过大量的训练素材(主要是已经标记过的车辆)对mask-rcnn算法进行训练，从而使得mask-rcnn算法能够从视频图像中识别出车辆。如图2所示，目标车辆为虚线框所标识的车辆。
S202：根据目标车辆在视频图像中的位置生成与视频图像尺寸相同的车辆像素点mask矩阵，其中，目标车辆在车辆像素点mask矩阵中对应的像素点的像素值与其他像素点的像素值不同。
其中，目标车辆的车道线在车辆像素点mask矩阵中对应的像素点的像素值为1，其他像素点的像素值为0。
S203：根据每条车道的车道线在视频图像中的位置生成与视频图像尺寸相同的每条车道的车道像素点mask矩阵，其中，对于当前车道，当前车道的车道线在当前车道的车道像素点mask矩阵中对应的像素点的像素值与其他像素点的像素值不同。
其中，当前车道的车道线在车辆像素点mask矩阵中对应的像素点的像素值为1，其他像素点的像素值为0。
S204：将车辆像素点mask矩阵分别与每条车道的车道像素点mask矩阵相乘得到车道识别矩阵，并将每个车道识别矩阵的各项元素逐项累加得到计算结果。
其中，以图2所示的视频图像为例，目标车辆的车辆像素点mask矩阵以M车表示，左车道的车道像素点mask矩阵以M左表示，中车道的车道像素点mask矩阵以M中表示，右车道的车道像素点mask矩阵以M右表示，首先，将M车与M左相乘得到一个车道识别矩阵、将M车与M中相乘得到一个车道识别矩阵，将M车与M右相乘得到一个车道识别矩阵，然后分别将每个车道识别矩阵的各项元素逐项累加得到计算结果。
S205：将计算结果最大的车道识别矩阵对应的车道识别为目标车辆所在的车道。
其中，经过计算得到三个计算结果，这三个计算结果分别对应左车道、中车道和右车道，以图2为例，计算结果最大的车道识别矩阵对应的车道为中车道，那么将中车道识别为目标车辆所在的车道。
参阅图6，本发明实施例的基于mask矩阵的车流量智能识别系统包括图像采集模块10、图像识别模块20、第一矩阵构建模块30、第二矩阵构建模块40、矩阵计算模块50、车辆计数模块60和车流量识别模块70。
图像采集模块10用于实时采集道路的视频图像，并在所述视频图像的预定位置处设定虚拟检测线，所述虚拟检测线与道路横向交叉。其中，视频图像的采集方式可以是直接通过摄像头采集，也可以是接收从其他设备传输的视频图像。监控区域可以根据实际需要划定，通常，每一帧所采集的视频图像包括很多张，在本实施例中，每一帧视频图像仅保留一张。虚拟检测线是采集视频图像后所设定的线，并且虚拟检测线的所有像素点是连续的。
图像识别模块20用于对每一张视频图像中出现的同一车辆进行跟踪识别。其中，车辆通过mask-rcnn算法进行识别。具体而言，通过大量的训练素材(主要是已经标记过的车辆)对mask-rcnn算法进行训练，从而使得mask-rcnn算法能够从视频图像中识别出车辆。对于车辆交通而言，每一张视频图像中会出现多辆车辆，同一辆车会出现在多张视频图像中，所以需要跟踪识别同一辆车在每一张视频图像中的位置。
对于每一张视频图像，第一矩阵构建模块30用于根据视频图像中当前车辆的位置生成与视频图像的尺寸相同的当前车辆的车辆像素点mask矩阵，其中，当前车辆在车辆像素点mask矩阵中对应的像素点的像素值与其他像素点的像素值不同。其中，如果一张视频图像出现五辆车辆，那么对于五辆车辆中的当前一辆车辆，根据当前一辆车辆的位置生成与视频图像的尺寸相同的当前一辆车辆的车辆像素点mask矩阵，当前一辆车辆在车辆像素点mask矩阵中对应的像素点的像素值与其他像素点的像素值不同，其他像素点包括五辆车辆中的其他四辆车辆对应的像素点。
第二矩阵构建模块40用于第二矩阵构建模块用于根据视频图像中虚拟检测线的位置生成与所述视频图像的尺寸相同的检测像素点mask矩阵，其中，所述虚拟检测线在检测像素点mask矩阵中对应的像素点的像素值与其他像素点的像素值不同。其中，视频图像包含的像素点有多少列和多少行，则车辆像素点mask矩阵和检测像素点mask矩阵就有多少行和多少列像素点。在本实施例中，当前车辆在车辆像素点mask矩阵中对应的像素点的像素值为1，其他像素点的像素值为0；虚拟检测线在检测像素点mask矩阵中对应的像素点的像素值为1，其他像素点的像素值为0。对于某一辆车辆，车辆像素点mask矩阵中，只有该辆车辆在车辆像素点mask矩阵中对应的像素点的像素值为1，其他像素点的像素值为0。
对于每一张视频图像，矩阵计算模块50用于将每一辆车辆的车辆像素点mask矩阵分别与检测像素点mask矩阵相乘得到结果矩阵，并将结果矩阵的各项元素逐项累加得到计算结果，并持续预定时段。其中，以图2所示的视频图像为例，虚线框所标识车辆的车辆像素点mask矩阵以M车表示，检测像素点mask矩阵以M虚拟表示，首先，将M车与M左相乘得到一个结果矩阵，然后分别将结果矩阵的各项元素逐项累加得到计算结果。
对于每一辆车辆，车辆计数模块60用于仅在其对应的计算结果第一次出现大于零的情形时,累计一次车辆计数。其中，如果某一辆车辆的车头刚好与虚拟检测线相交，那么该辆车辆的计算结果第一次出现大于零的情形，此时累计一次车辆计数，对于之后的每一张视频图像，该辆车辆的任一位置只要与虚拟检测线相交，其对应的计算结果都大于零，直到该辆车辆车辆的车尾不与虚拟检测线相交。对于其他车辆，同样的，如果其对应的计算结果第一次出现大于零的情形，都累计一次车辆计数。
车流量识别模块70用于根据预定时段以及车辆计数累计值计算得到车流量。其中，车流量的计算公式为车辆计数累计值除以预定时段。在本实施例中，预定时段的起始时间为所有车辆对应的计算结果中第一次出现大于零的情形的时间。例如预定时段设置为10分钟，那么当所有车辆对应的计算结果中第一次出现大于零的情形时，开始计时，计时到10分钟时结束计时。
通过上述方式，本发明的基于mask矩阵的车流量智能识别方法、系统通过构建车辆的车辆像素点mask矩阵以及虚拟检测线的检测像素点mask矩阵，将车辆像素点mask矩阵与检测像素点mask矩阵相乘并将结果逐项累加，在计算结果第一次出现大于零时，累计一次车辆计数，最后统计预定时段内的车辆计数得到车流量，从而能够快速、准确识别车流量。
以上所述仅为本发明的实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。

Claims (10)

1.一种基于mask矩阵的车流量智能识别方法，其特征在于，包括以下步骤：
S1：实时采集道路的视频图像，并在所述视频图像的预定位置处设定虚拟检测线，所述虚拟检测线与道路横向交叉；
S2：对每一张视频图像中出现的同一车辆进行跟踪识别；
S3：对于每一张视频图像，根据视频图像中当前车辆的位置生成与视频图像的尺寸相同的当前车辆的车辆像素点mask矩阵，其中，当前车辆在车辆像素点mask矩阵中对应的像素点的像素值与其他像素点的像素值不同；
S4：根据视频图像中虚拟检测线的位置生成与所述视频图像的尺寸相同的检测像素点mask矩阵，其中，所述虚拟检测线在检测像素点mask矩阵中对应的像素点的像素值与其他像素点的像素值不同；
S5：对于每一张视频图像，将每一辆车辆的车辆像素点mask矩阵分别与检测像素点mask矩阵相乘得到结果矩阵，并将结果矩阵的各项元素逐项累加得到计算结果，并持续预定时段；
S6：对于每一辆车辆，仅在其对应的计算结果第一次出现大于零的情形时,累计一次车辆计数；
S7：根据所述预定时段以及车辆计数累计值计算得到车流量。
2.根据权利要求1所述的车流量智能识别方法，其特征在于，所述道路包含多条车道，所述步骤S2还包括：对每一张视频图像中同一车辆所在的车道进行识别；
所述步骤S5具体为：
对于每一张视频图像中的每一车道，将每一车道上每一辆车辆的车辆像素点mask矩阵分别与检测像素点mask矩阵相乘得到结果矩阵，并将结果矩阵的各项元素逐项累加得到计算结果，并持续预定时间；
所述步骤S7具体为：
根据所述预定时段以及每一车道对应的车辆计数累计值计算得到每一车道的车流量。
3.根据权利要求2所述的车流量智能识别方法，其特征在于，所述对每一张视频图像中同一车辆所在的车道进行识别的步骤具体包括：
S201：识别视频图像中的目标车辆以及每条车道的车道线；
S202：根据目标车辆在视频图像中的位置生成与所述视频图像尺寸相同的车辆像素点mask矩阵，其中，所述目标车辆在车辆像素点mask矩阵中对应的像素点的像素值与其他像素点的像素值不同；
S203：根据每条车道的车道线在视频图像中的位置生成与视频图像尺寸相同的每条车道的车道像素点mask矩阵，其中，对于当前车道，当前车道的车道线在当前车道的车道像素点mask矩阵中对应的像素点的像素值与其他像素点的像素值不同；
S204：将所述车辆像素点mask矩阵分别与每条车道的车道像素点mask矩阵相乘得到车道识别矩阵，并将每个车道识别矩阵的各项元素逐项累加得到计算结果；
S205：将计算结果最大的车道识别矩阵对应的车道识别为目标车辆所在的车道。
4.根据权利要求1所述的车流量智能识别方法，其特征在于，所述预定时段的起始时间为所有车辆对应的计算结果中第一次出现大于零的情形的时间。
5.根据权利要求1所述的车流量智能识别方法，其特征在于，所述当前车辆在车辆像素点mask矩阵中对应的像素点的像素值为1，其他像素点的像素值为0；虚拟检测线在检测像素点mask矩阵中对应的像素点的像素值为1，其他像素点的像素值为0。
6.一种基于mask矩阵的车流量智能识别系统，其特征在于，所述车流量智能识别系统包括图像采集模块、图像识别模块、第一矩阵构建模块、第二矩阵构建模块、矩阵计算模块、车辆计数模块和车流量识别模块；
所述图像采集模块用于实时采集道路的视频图像，并在所述视频图像的预定位置处设定虚拟检测线，所述虚拟检测线与道路横向交叉；
所述图像识别模块用于对每一张视频图像中出现的同一车辆进行跟踪识别；
对于每一张视频图像，所述第一矩阵构建模块用于根据视频图像中当前车辆的位置生成与视频图像的尺寸相同的当前车辆的车辆像素点mask矩阵，其中，当前车辆在车辆像素点mask矩阵中对应的像素点的像素值与其他像素点的像素值不同；
所述第二矩阵构建模块用于根据视频图像中虚拟检测线的位置生成与所述视频图像的尺寸相同的检测像素点mask矩阵，其中，所述虚拟检测线在检测像素点mask矩阵中对应的像素点的像素值与其他像素点的像素值不同；
对于每一张视频图像，所述矩阵计算模块用于将每一辆车辆的车辆像素点mask矩阵分别与检测像素点mask矩阵相乘得到结果矩阵，并将结果矩阵的各项元素逐项累加得到计算结果，并持续预定时段；
对于每一辆车辆，所述车辆计数模块用于仅在其对应的计算结果第一次出现大于零的情形时,累计一次车辆计数；
所述车流量识别模块用于根据所述预定时段以及车辆计数累计值计算得到车流量。
7.根据权利要求6所述的车流量智能识别系统，其特征在于，所述道路包含多条车道，所述图像识别模块还用于对每一张视频图像中同一车辆所在的车道进行识别；
对于每一张视频图像，所述车辆计数模块用于将每一车道上每一辆车辆的车辆像素点mask矩阵分别与检测像素点mask矩阵相乘得到结果矩阵，并将结果矩阵的各项元素逐项累加得到计算结果，并持续预定时间；
所述车流量识别模块还用于根据所述预定时段以及每一车道对应的车辆计数累计值计算得到每一车道的车流量。
8.根据权利要求7所述的车流量智能识别系统，其特征在于，所述图像识别模块具体用于识别视频图像中的目标车辆以及每条车道的车道线；根据目标车辆在视频图像中的位置生成与所述视频图像尺寸相同的车辆像素点mask矩阵，其中，所述目标车辆在车辆像素点mask矩阵中对应的像素点的像素值与其他像素点的像素值不同；根据每条车道的车道线在视频图像中的位置生成与视频图像尺寸相同的每条车道的车道像素点mask矩阵，其中，对于当前车道，当前车道的车道线在当前车道的车道像素点mask矩阵中对应的像素点的像素值与其他像素点的像素值不同；将所述车辆像素点mask矩阵分别与每条车道的车道像素点mask矩阵相乘得到车道识别矩阵，并将每个车道识别矩阵的各项元素逐项累加得到计算结果；将计算结果最大的车道识别矩阵对应的车道识别为目标车辆所在的车道。
9.根据权利要求6所述的车流量智能识别系统，其特征在于，所述预定时段的起始时间为所有车辆对应的计算结果中第一次出现大于零的情形的时间。
10.根据权利要求6所述的车流量智能识别系统，其特征在于，所述当前车辆在车辆像素点mask矩阵中对应的像素点的像素值为1，其他像素点的像素值为0；虚拟检测线在检测像素点mask矩阵中对应的像素点的像素值为1，其他像素点的像素值为0。
CN202010300615.1A 2020-04-16 2020-04-16 基于mask矩阵的车流量智能识别方法、系统 Active CN111508239B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010300615.1A CN111508239B (zh) 2020-04-16 2020-04-16 基于mask矩阵的车流量智能识别方法、系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010300615.1A CN111508239B (zh) 2020-04-16 2020-04-16 基于mask矩阵的车流量智能识别方法、系统

Publications (2)

Publication Number Publication Date
CN111508239A true CN111508239A (zh) 2020-08-07
CN111508239B CN111508239B (zh) 2022-03-01

Family

ID=71877693

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010300615.1A Active CN111508239B (zh) 2020-04-16 2020-04-16 基于mask矩阵的车流量智能识别方法、系统

Country Status (1)

Country Link
CN (1) CN111508239B (zh)

Citations (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
ITMI962154A1 (it) * 1996-10-17 1998-04-17 Sgs Thomson Microelectronics Metodo per l'identificazione di strisce segnaletiche di corsie stradali
CN101064011A (zh) * 2006-04-26 2007-10-31 电子科技大学 基于小波变换的复杂背景中的车牌提取方法
US20130094717A1 (en) * 2011-10-13 2013-04-18 Pioneer Hi-Bred International, Inc. Automatic detection of object pixels for hyperspectral analysis
CN103116987A (zh) * 2013-01-22 2013-05-22 华中科技大学 一种基于监控视频处理的车流统计和违规检测的方法
CN103986910A (zh) * 2014-05-20 2014-08-13 中国科学院自动化研究所 一种基于智能分析摄像机的客流统计方法和系统
CN104077779A (zh) * 2014-07-04 2014-10-01 中国航天科技集团公司第五研究院第五一三研究所 高斯背景模型与均值漂移跟踪结合的运动目标统计方法
CN105426903A (zh) * 2015-10-27 2016-03-23 航天恒星科技有限公司 一种遥感卫星图像的云判方法及系统
CN109241871A (zh) * 2018-08-16 2019-01-18 北京此时此地信息科技有限公司 一种基于视频数据的公共区域人流跟踪方法
CN109409300A (zh) * 2018-10-30 2019-03-01 大连海事大学 一种基于fpga的高光谱目标检测osp算法的实现系统
CN109657543A (zh) * 2018-11-09 2019-04-19 深圳英飞拓科技股份有限公司 人流量监控方法、装置及终端设备
CN110020572A (zh) * 2018-01-08 2019-07-16 比亚迪股份有限公司 基于视频图像的人数统计方法和装置
CN110379168A (zh) * 2019-06-24 2019-10-25 东南大学 一种基于Mask R-CNN的交通车辆信息获取方法
WO2019206252A1 (en) * 2018-04-27 2019-10-31 Shanghai Truthvision Information Technology Co., Ltd. Systems and methods for monitoring traffic sign violation
CN110516524A (zh) * 2019-06-26 2019-11-29 东南大学 一种交通场景中基于Mask R-CNN的车辆轴数识别方法
CN110958398A (zh) * 2018-09-27 2020-04-03 浙江宇视科技有限公司 运动点光源抑制方法及装置

Patent Citations (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
ITMI962154A1 (it) * 1996-10-17 1998-04-17 Sgs Thomson Microelectronics Metodo per l'identificazione di strisce segnaletiche di corsie stradali
CN101064011A (zh) * 2006-04-26 2007-10-31 电子科技大学 基于小波变换的复杂背景中的车牌提取方法
US20130094717A1 (en) * 2011-10-13 2013-04-18 Pioneer Hi-Bred International, Inc. Automatic detection of object pixels for hyperspectral analysis
CN103116987A (zh) * 2013-01-22 2013-05-22 华中科技大学 一种基于监控视频处理的车流统计和违规检测的方法
CN103986910A (zh) * 2014-05-20 2014-08-13 中国科学院自动化研究所 一种基于智能分析摄像机的客流统计方法和系统
CN104077779A (zh) * 2014-07-04 2014-10-01 中国航天科技集团公司第五研究院第五一三研究所 高斯背景模型与均值漂移跟踪结合的运动目标统计方法
CN105426903A (zh) * 2015-10-27 2016-03-23 航天恒星科技有限公司 一种遥感卫星图像的云判方法及系统
CN110020572A (zh) * 2018-01-08 2019-07-16 比亚迪股份有限公司 基于视频图像的人数统计方法和装置
WO2019206252A1 (en) * 2018-04-27 2019-10-31 Shanghai Truthvision Information Technology Co., Ltd. Systems and methods for monitoring traffic sign violation
CN109241871A (zh) * 2018-08-16 2019-01-18 北京此时此地信息科技有限公司 一种基于视频数据的公共区域人流跟踪方法
CN110958398A (zh) * 2018-09-27 2020-04-03 浙江宇视科技有限公司 运动点光源抑制方法及装置
CN109409300A (zh) * 2018-10-30 2019-03-01 大连海事大学 一种基于fpga的高光谱目标检测osp算法的实现系统
CN109657543A (zh) * 2018-11-09 2019-04-19 深圳英飞拓科技股份有限公司 人流量监控方法、装置及终端设备
CN110379168A (zh) * 2019-06-24 2019-10-25 东南大学 一种基于Mask R-CNN的交通车辆信息获取方法
CN110516524A (zh) * 2019-06-26 2019-11-29 东南大学 一种交通场景中基于Mask R-CNN的车辆轴数识别方法

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
EDUARDO JR PIEDAD: "《Vehicle Count System based on Time Interval Image Capture Method and Deep Learning Mask R-CNN》", 《TENCON 2019 - 2019 IEEE REGION 10 CONFERENCE (TENCON)》 *
SHAOQING REN: "Faster r-cnn: Towards realtime object detection with region proposal networks", 《ADVANCES IN NEURAL INFORMATION PROCESSING SYSTEMS》 *
XXXY502: "基于Mask-rcnn的人流量统计", 《CSDN》 *
ZAYNAB AL-ARINY: "An Efficient Vehicle Counting Method Using Mask R-CNN", 《2020 INTERNATIONAL CONFERENCE ON INNOVATIVE TRENDS IN COMMUNICATION AND COMPUTER ENGINEERING (ITCE)》 *
翟志强: "基于智能视频监控的人流量统计系统设计", 《中国优秀博硕士学位论文全文数据库(硕士)信息科技辑》 *

Also Published As

Publication number Publication date
CN111508239B (zh) 2022-03-01

Similar Documents

Publication Publication Date Title
KR102197946B1 (ko) 딥러닝 인공지능 기술을 이용한 객체인식 및 카운팅 방법
CN113139482A (zh) 交通异常检测的方法和装置
CN112017437B (zh) 路口交通信息感知控制系统和方法
CN104599502A (zh) 一种基于视频监控的车流量统计方法
KR20200132714A (ko) 불법 주차를 검출하는 방법과 장치, 전자 기기, 컴퓨터 판독가능 매체
CN111027447B (zh) 一种基于深度学习的道路溢出实时检测方法
EP4020428A1 (en) Method and apparatus for recognizing lane, and computing device
CN113505638B (zh) 车流量的监测方法、监测装置及计算机可读存储介质
CN112349087B (zh) 一种基于路口信息全息感知的可视化数据输入方法
CN111489380B (zh) 一种目标物体轨迹分析方法
CN111540217B (zh) 基于mask矩阵的平均车速智能监测方法、系统
CN112149471B (zh) 一种基于语义点云的回环检测方法及装置
CN115909240A (zh) 一种基于车道线和车辆识别的道路拥堵检测方法
CN110969864A (zh) 一种车速检测方法、车辆行驶事件检测方法及电子设备
CN104616317B (zh) 一种视频车辆跟踪有效性验证方法
CN105405297A (zh) 一种基于监控视频的交通事故自动检测方法
CN111508239B (zh) 基于mask矩阵的车流量智能识别方法、系统
CN111428688B (zh) 基于mask矩阵的车辆的行驶车道智能识别方法、系统
CN116363628A (zh) 标志检测方法、装置、非易失性存储介质及计算机设备
CN115240432A (zh) 交通拥堵检测方法、装置及电子设备、存储介质
CN114241373A (zh) 一种端到端的车辆行为检测方法、系统、设备及存储介质
CN111652143B (zh) 一种车辆检测方法、装置以及计算机存储介质
CN107901907B (zh) 一种基于色块统计的车道线检测方法
CN109063675B (zh) 车流密度计算方法、系统、终端及计算机可读存储介质
CN112907978A (zh) 基于监控视频的交通流量监控方法

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