CN111967451B - 一种道路拥堵检测方法及装置 - Google Patents
一种道路拥堵检测方法及装置 Download PDFInfo
- Publication number
- CN111967451B CN111967451B CN202011129270.4A CN202011129270A CN111967451B CN 111967451 B CN111967451 B CN 111967451B CN 202011129270 A CN202011129270 A CN 202011129270A CN 111967451 B CN111967451 B CN 111967451B
- Authority
- CN
- China
- Prior art keywords
- vehicle
- speed
- road
- acquiring
- congestion
- 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
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/217—Validation; Performance evaluation; Active pattern learning techniques
-
- 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
- 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
- G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle
- G06V20/58—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads
- G06V20/584—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads of vehicle lights or traffic lights
-
- 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
- G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle
- G06V20/588—Recognition of the road, e.g. of lane markings; Recognition of the vehicle driving pattern in relation to the road
-
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Multimedia (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Traffic Control Systems (AREA)
- Image Analysis (AREA)
Abstract
本发明实施例提供一种道路拥堵检测方法及装置,该方法包括:利用本车的图像采集模块实时采集前方道路图像,利用车辆检测模型进行车辆检测得到前方道路图像中各个前方车辆;使用目标跟踪算法对各个前方车辆进行跟踪,根据跟踪框对应于不同时间的位置得到各个前方车辆相对于本车的相对速度,根据本车速度和相对速度获取各个前方车辆的实际速度;根据实际速度超过预设速度的车辆数量获取拥堵情况。本发明实施例提供的道路拥堵检测方法及装置,通过图像采集、车辆检测、车辆跟踪、速度获取等步骤,实现了利用道路实际行驶的车辆进行实时的道路拥堵检测,不再局限于特定的路段,灵活性强,车辆拥堵信息获取全面,并且道路拥堵检测速度高、资源消耗低。
Description
技术领域
本发明涉及图像处理技术领域,具体涉及一种道路拥堵检测方法及装置。
背景技术
在现有技术中,检测道路交通拥堵情况的方法多种多样,如通过雷达在检测点检测单位内通过的车流量;又如对交通摄像头拍摄的图像进行分析从而获取拥堵情况的方法。
现有技术的方法通常只能在几个有限的检测点进行检测,因此检测结果通常只能反映部分路段的拥堵情况。
发明内容
为解决现有技术中的问题,本发明实施例提供一种道路拥堵检测方法及装置。
第一方面,本发明实施例提供一种道路拥堵检测方法,该方法包括:利用本车的图像采集模块实时采集前方道路图像,并利用预先训练好的车辆检测模型对所述前方道路图像进行车辆检测,得到所述前方道路图像中的各个前方车辆;使用目标跟踪算法对检测出的所述各个前方车辆进行跟踪,根据跟踪框对应于不同时间的位置得到所述各个前方车辆相对于本车的相对速度,根据本车速度和所述相对速度获取所述各个前方车辆的实际速度;根据所述各个前方车辆的实际速度超过预设速度的车辆数量获取拥堵情况。
进一步地,所述根据跟踪框对应于不同时间的位置得到所述各个前方车辆相对于本车的相对速度,具体包括:获取第一采样时间采集的所述前方道路图像中所述各个前方车辆的所述跟踪框的第一位置,以及获取所述第二采样时间采集的所述前方道路图像中所述各个前方车辆的所述跟踪框的第二位置;根据预先标定好的图像像素和实际距离的对应关系获取所述跟踪框位于所述第一位置时所述各个前方车辆距离本车的第一距离,以及获取所述跟踪框位于所述第二位置时所述各个前方车辆距离本车的第二距离;根据所述第一距离、所述第二距离、所述第一采样时间及所述第二采样时间获取所述各个前方车辆相对于本车的相对速度;其中,所述第二采样时间大于所述第一采样时间;所述实际距离是指所述图像像素对应的实际采集点与本车之间的距离。
进一步地,所述根据所述第一距离、所述第二距离、所述第一采样时间及所述第二采样时间获取所述各个前方车辆相对于本车的相对速度,具体包括:根据所述第二距离和所述第一距离得到距离变化值;根据所述第二采样时间和所述第一采样时间得到时间变化值;根据所述距离变化值和所述时间变化值得到所述各个前方车辆相对于本车的相对速度。
进一步地,在所述利用本车的图像采集模块实时采集前方道路图像之前,所述方法还包括:采集原始道路图像样本,并手工标注出所述原始道路图像样本中车头朝向前方的车辆,得到标注后道路图像样本;以所述原始道路图像样本作为输入,所述标注后道路图像样本作为输出标签,利用深度学习目标检测算法进行训练,得到所述车辆检测模型。
进一步地,所述深度学习目标检测算法采用CenterNet、YOLO、SSD或FaterRCNN算法,所述目标跟踪算法采用ECO、C-COT或KCF算法。
进一步地,在所述根据所述各个前方车辆的实际速度超过预设速度的车辆数量获取拥堵情况之后,所述方法还包括:将所述拥堵情况发送至远程服务器,以供所述远程服务器根据所述拥堵情况进行综合分析得到汇总结果并进行交通预警。
进一步地,在所述根据本车速度和所述相对速度获取所述各个前方车辆的实际速度之前,所述方法还包括:利用定位系统的数据获取所述本车速度。
第二方面,本发明实施例提供一种道路拥堵检测装置,该装置包括:车辆检测模块,用于:利用本车的图像采集模块实时采集前方道路图像,并利用预先训练好的车辆检测模型对所述前方道路图像进行车辆检测,得到所述前方道路图像中的各个前方车辆;车速计算模块,用于:使用目标跟踪算法对检测出的所述各个前方车辆进行跟踪,根据跟踪框对应于不同时间的位置得到所述各个前方车辆相对于本车的相对速度,根据本车速度和所述相对速度获取所述各个前方车辆的实际速度;拥堵判断模块,用于:根据所述各个前方车辆的实际速度超过预设速度的车辆数量获取拥堵情况。
第三方面,本发明实施例提供一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现如第一方面所提供的方法的步骤。
第四方面,本发明实施例提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现如第一方面所提供的方法的步骤。
本发明实施例提供的道路拥堵检测方法及装置,通过图像采集、车辆检测、车辆跟踪、速度获取等步骤,实现了利用道路实际行驶的车辆进行实时的道路拥堵检测,不再局限于特定的路段,灵活性强,车辆拥堵信息获取全面,并且道路拥堵检测速度高、资源消耗低。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施例,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是本发明一实施例提供的道路拥堵检测方法流程图;
图2是本发明一实施例提供的道路拥堵检测装置的结构示意图;
图3示例了一种电子设备的实体结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,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、完整的描述,显然,所描述的实施例是本发明一部分实施例,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作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。
图1是本发明一实施例提供的道路拥堵检测方法流程图。如图1所示,所述方法包括:
步骤101、利用本车的图像采集模块实时采集前方道路图像,并利用预先训练好的车辆检测模型对所述前方道路图像进行车辆检测,得到所述前方道路图像中的各个前方车辆。
本发明实施例提供的道路拥堵检测方法可以应用于车载设备中,本发明实施例中将运行道路拥堵检测方法的车载设备称为道路拥堵检测装置。道路拥堵检测装置可以集成于已有的车载设备,如行车记录仪等,也可以作为独立的车载设备使用。用于采集前方道路图像的图像采集模块可以和道路拥堵检测装置集成在一起,也可是独立模块。
在进行道路拥堵检测时,首先利用本车的图像采集模块实时采集前方道路图像,得到前方道路的各帧图像。前方道路图像一般包括机动车、行人等。车辆检测模型用于实现图像中的车辆检测,即在图像中识别出车辆。利用预先训练好的车辆检测模型对前方道路图像进行车辆检测,得到前方道路图像中的各个前方车辆。其中,前方车辆可以是同向行驶的、位于本车前方的机动车辆。
步骤102、使用目标跟踪算法对检测出的所述各个前方车辆进行跟踪,根据跟踪框对应于不同时间的位置得到所述各个前方车辆相对于本车的相对速度,根据本车速度和所述相对速度获取所述各个前方车辆的实际速度。
目标跟踪算法可以实现图像中目标物的跟踪,可以使用现有技术中的目标跟踪算法对检测出的各个前方车辆进行跟踪,跟踪过程中每个被跟踪的前方车辆具有跟踪框,并且随着前方车辆的位移,跟踪框在道路图像中的位置发生变化,跟踪框在道路图像中的位置可以利用跟踪框的中心像素的位置进行表示。跟踪框在道路图像中的位置可以反映实际采集点与本车之间的距离,由此,可以根据跟踪框对应于不同时间的位置得到各个前方车辆相对于本车的相对速度。得到各个前方车辆相对于本车的相对速度后,将各个相对速度与本车速度求和,即可得到各个前方车辆的实际速度。
步骤103、根据所述各个前方车辆的实际速度超过预设速度的车辆数量获取拥堵情况。
车辆速度可以反映拥堵情况。若很多车辆的速度都较慢,则可以确定发生了拥堵。因此,可以根据各个前方车辆的实际速度超过预设速度的车辆数量获取拥堵情况。在各个前方车辆的实际速度超过预设速度的车辆数量大于预设数量时,可以获知发生拥堵。比如,若移动速度小于5Km/h的前方车辆的数量大于5辆,可以判断发生拥堵;若不满足此条件,则认为行驶畅通。
本发明实施例提供的道路拥堵检测方法,可以在安装有道路拥堵检测装置的所有车辆上使用,由此可以获得各个车辆所在道路的拥堵情况,即不再局限于特定的路段。
本发明实施例提供的道路拥堵检测方法,通过图像采集、车辆检测、车辆跟踪、速度获取等步骤,实现了利用道路实际行驶的车辆进行实时的道路拥堵检测,不再局限于特定的路段,灵活性强,车辆拥堵信息获取全面,并且道路拥堵检测速度高、资源消耗低。
进一步地,基于上述实施例,所述根据跟踪框对应于不同时间的位置得到所述各个前方车辆相对于本车的相对速度,具体包括:获取第一采样时间采集的所述前方道路图像中所述各个前方车辆的所述跟踪框的第一位置,以及获取所述第二采样时间采集的所述前方道路图像中所述各个前方车辆的所述跟踪框的第二位置;根据预先标定好的图像像素和实际距离的对应关系获取所述跟踪框位于所述第一位置时所述各个前方车辆距离本车的第一距离,以及获取所述跟踪框位于所述第二位置时所述各个前方车辆距离本车的第二距离;根据所述第一距离、所述第二距离、所述第一采样时间及所述第二采样时间获取所述各个前方车辆相对于本车的相对速度;其中,所述第二采样时间大于所述第一采样时间;所述实际距离是指所述图像像素对应的实际采集点与本车之间的距离。
在根据跟踪框对应于不同时间的位置得到各个前方车辆相对于本车的相对速度时,首先获取第一采样时间采集的前方道路图像中各个前方车辆的跟踪框的第一位置,以及获取第二采样时间采集的前方道路图像中各个前方车辆的跟踪框的第二位置。其中,第二采样时间大于第一采样时间。跟踪框的第一位置和跟踪框的第二位置表示跟踪框在道路图像的像素点的位置,可以用跟踪框的中心像素点的位置进行表示。
道路图像的图像像素可以反映对应的实际采集点与本车之间的距离。具体地,可以预先标定好图像像素和实际距离的对应关系,其中实际距离即指图像像素对应的实际采集点与本车之间的距离。由此可以根据前方道路的某个目标物在道路图像中的像素的位置获取目标物距本车的距离。因此,可以根据预先标定好的图像像素和实际距离的对应关系获取跟踪框位于第一位置时各个前方车辆距离本车的第一距离,以及获取跟踪框位于第二位置时各个前方车辆距离本车的第二距离。
第一距离可以反映前方车辆在第一采样时间时距离本车的距离,第二距离可以反映前方车辆在第二采样时间时距离本车的距离。因此,第一距离和第二距离可以反映距离变化,第一采样时间和第二采样时间可以反映时间变化。根据第一距离、第二距离、第一采样时间及第二采样时间可以获取各个前方车辆相对于本车的相对速度。
在进行道路拥堵检测时,可以根据设定的检测周期进行。比如,每5分钟一次。并在实际检测时,可以设定检测时长,如1分钟。这样,在每次检测时,第一采样时间可以设置为本次检测中获取的第一个前方道路图像的采集时间,第二采样时间可以设置为本次检测中获取的最后一个前方道路图像的采集时间。
在上述实施例的基础上,本发明实施例通过根据不同时间跟踪框的位置以及预先标定好的图像像素和实际距离的对应关系获取各个前方车辆相对于本车的相对速度,提高了相对速度获取的准确性,由此提高了车辆拥堵检测的准确性。
进一步地,基于上述实施例,所述根据所述第一距离、所述第二距离、所述第一采样时间及所述第二采样时间获取所述各个前方车辆相对于本车的相对速度,具体包括:根据所述第二距离和所述第一距离得到距离变化值;根据所述第二采样时间和所述第一采样时间得到时间变化值;根据所述距离变化值和所述时间变化值得到所述各个前方车辆相对于本车的相对速度。
在根据第一距离、第二距离、第一采样时间和第二采样时间获取各个前方车辆相对于本车的相对速度时,将第二距离和第一距离做差得到距离变化值,将第二采样时间和第一采样时间做差得到时间变化值,将距离变化值和时间变化值做商得到各个前方车辆相对于本车的相对速度。
在上述实施例的基础上,本发明实施例通过根据第二距离和第一距离得到距离变化值,根据第二采样时间和第一采样时间得到时间变化值,根据距离变化值和时间变化值得到各个前方车辆相对于本车的相对速度,提高了相对速度的获取效率和简便性。
进一步地,基于上述实施例,在所述利用本车的图像采集模块实时采集前方道路图像之前,所述方法还包括:采集原始道路图像样本,并手工标注出所述原始道路图像样本中车头朝向前方的车辆,得到标注后道路图像样本;以所述原始道路图像样本作为输入,所述标注后道路图像样本作为输出标签,利用深度学习目标检测算法进行训练,得到所述车辆检测模型。
如前所述,车辆检测模型可以在前方道路图像中识别出前方车辆。而前方车辆可能包括同向行驶的前方车辆,也可能包括逆向行驶的前方车辆。如果识别出的前方车辆也包括逆向行驶的前方车辆的话,需要在后续进行拥堵判断的时候去除这些车辆的数据。比如,这些车辆的实际速度与本车速度的符号相反,可以根据这点将逆向行驶的车辆数据去除后再进行拥堵判断。
为了减少后续不必要的计算和资源浪费,本发明实施例中直接训练出可以识别出同向行驶的前方车辆的车辆检测模型。具体训练过程包括:采集原始道路图像样本,并手工标注出原始道路图像样本中车头朝向前方的车辆(只标注机动车辆,本发明实施例中的车辆均指机动车辆),得到标注后道路图像样本;以原始道路图像样本作为输入,标注后道路图像样本作为输出标签,利用深度学习目标检测算法进行训练,得到车辆检测模型。在利用此种训练方法得到的车辆检测模型进行车辆检测时,即可识别出同向行驶的前方车辆,而不对逆向行驶的前方车辆进行识别,由此在车辆检测阶段即保留了有用数据,去除了无用数据。
在上述实施例的基础上,本发明实施例通过在训练车辆检测模型时标注出车头朝向前方的车辆,不标注逆向行驶车辆,由此可以得到只识别同向行驶的前方车辆的车辆检测模型,减少了后续冗余计算,节约了资源。
进一步地,基于上述实施例,所述深度学习目标检测算法采用CenterNet、YOLO、SSD或FaterRCNN算法,所述目标跟踪算法采用ECO、C-COT或KCF算法。
本发明实施例中所采用的深度学习目标检测算法可以是CenterNet、YOLO、SSD或FaterRCNN算法,也可以采用其他现有的深度学习目标检测算法。本发明实施例中所采用的目标跟踪算法可以是ECO、C-COT或KCF算法,也可以采用其他现有的目标跟踪算法。
在上述实施例的基础上,本发明实施例通过采用现有的深度学习目标检测算法进行车辆检测模型训练,采用现有的目标跟踪算法进行车辆跟踪,节约了开发成本。
进一步地,基于上述实施例,在所述根据所述各个前方车辆的实际速度超过预设速度的车辆数量获取拥堵情况之后,所述方法还包括:将所述拥堵情况发送至远程服务器,以供所述远程服务器根据所述拥堵情况进行综合分析得到汇总结果并进行交通预警。
每个道路拥堵检测装置可以与远程服务器相连接,并在根据各个前方车辆的实际速度超过预设速度的车辆数量获取拥堵情况之后,将拥堵情况发送至远程服务器。远程服务器可以将接收到的各个道路拥堵检测装置发送来的拥堵情况进行汇总分析,并进行交通提醒。
在上述实施例的基础上,本发明实施例通过在根据各个前方车辆的实际速度超过预设速度的车辆数量获取拥堵情况之后,将拥堵情况发送至远程服务器,有利于得到全面的拥堵数据,提高了实用性。
进一步地,基于上述实施例,在所述根据本车速度和所述相对速度获取所述各个前方车辆的实际速度之前,所述方法还包括:利用定位系统的数据获取所述本车速度。
在根据本车速度和相对速度获取各个前方车辆的实际速度之前,需要预先获取本车速度。具体地,可以利用定位系统的数据获取本车速度,如利用北斗或GPS定位系统的数据计算出本车速度。
在上述实施例的基础上,本发明实施例通过在根据本车速度和相对速度获取各个前方车辆的实际速度之前,利用定位系统的数据获取本车速度,提高了本车速度的获取效率,便于了后续计算。
下面再通过一具体实例说明本发明实施例提供的道路拥堵检测方法。本发明实施例公开了一种基于图像中车辆数目与自身车辆行驶速度的道路拥堵检测方法。该方法包括如下步骤:
(1)采集大量道路图像,并手工标注道路图像中的车辆;
该步骤中,可通过车辆上的摄像头获得道路图像,道路图像一般包括车辆、行人等。
(2)使用深度学习目标检测算法CenterNet(或YOLO、SSD、FaterRCNN)对标注数据进行训练,得到车辆检测模型;
该步骤中,训练数据是前一步骤得到的道路图像,已经标注车辆的道路图像是训练时的标签。
(3)使用模型对行车记录仪中实时图像做车辆检测,得到本车前方3个车道中的车辆位置、大小、数量;
(4)使用目标跟踪算法ECO(或C-COT、KCF)对检测出的每辆车做跟踪;
(5)利用北斗或GPS定位系统的数据计算出自身车辆行驶的速度,再根据跟踪框移动的距离可得到各辆车的相对自身的速度(移动距离是由图像像素标定为实际距离的关系求得的),再将前方车的相对速度与自身车速度相加可得出前方车的绝对速度;
(6)前方各个车辆的移动速度小于5Km/h,数量大于5辆,即可判断为拥堵。
本步骤中,拥堵判断标准可根据实际需要调整,但总体上需要综合车辆的速度和车辆的数量两个因素。
本发明实施例提供的道路拥堵检测方法,通过图像采集、车辆检测、车辆跟踪、速度获取等步骤,实现了利用道路实际行驶的车辆进行实时的道路拥堵检测,不再局限于特定的路段,灵活性强,车辆拥堵信息获取全面,并且道路拥堵检测速度高、资源消耗低。
图2是本发明一实施例提供的道路拥堵检测装置的结构示意图。如图2所示,所述装置包括车辆检测模块10、车速计算模块20及拥堵判断模块30,其中:车辆检测模块10用于:利用本车的图像采集模块实时采集前方道路图像,并利用预先训练好的车辆检测模型对所述前方道路图像进行车辆检测,得到所述前方道路图像中的各个前方车辆;车速计算模块20用于:使用目标跟踪算法对检测出的所述各个前方车辆进行跟踪,根据跟踪框对应于不同时间的位置得到所述各个前方车辆相对于本车的相对速度,根据本车速度和所述相对速度获取所述各个前方车辆的实际速度;拥堵判断模块30用于:根据所述各个前方车辆的实际速度超过预设速度的车辆数量获取拥堵情况。
本发明实施例提供的道路拥堵检测方法,通过图像采集、车辆检测、车辆跟踪、速度获取等步骤,实现了利用道路实际行驶的车辆进行实时的道路拥堵检测,不再局限于特定的路段,灵活性强,车辆拥堵信息获取全面,并且道路拥堵检测速度高、资源消耗低。
进一步地,车速计算模块20在用于根据跟踪框对应于不同时间的位置得到所述各个前方车辆相对于本车的相对速度时,具体用于:获取第一采样时间采集的所述前方道路图像中所述各个前方车辆的所述跟踪框的第一位置,以及获取所述第二采样时间采集的所述前方道路图像中所述各个前方车辆的所述跟踪框的第二位置;根据预先标定好的图像像素和实际距离的对应关系获取所述跟踪框位于所述第一位置时所述各个前方车辆距离本车的第一距离,以及获取所述跟踪框位于所述第二位置时所述各个前方车辆距离本车的第二距离;根据所述第一距离、所述第二距离、所述第一采样时间及所述第二采样时间获取所述各个前方车辆相对于本车的相对速度;其中,所述第二采样时间大于所述第一采样时间;所述实际距离是指所述图像像素对应的实际采集点与本车之间的距离。
在上述实施例的基础上,本发明实施例通过根据不同时间跟踪框的位置以及预先标定好的图像像素和实际距离的对应关系获取各个前方车辆相对于本车的相对速度,提高了相对速度获取的准确性,由此提高了车辆拥堵检测的准确性。
进一步地,基于上述实施例,车速计算模块20在用于根据所述第一距离、所述第二距离、所述第一采样时间及所述第二采样时间获取所述各个前方车辆相对于本车的相对速度时,具体用于:根据所述第二距离和所述第一距离得到距离变化值;根据所述第二采样时间和所述第一采样时间得到时间变化值;根据所述距离变化值和所述时间变化值得到所述各个前方车辆相对于本车的相对速度。
在上述实施例的基础上,本发明实施例通过根据第二距离和第一距离得到距离变化值,根据第二采样时间和第一采样时间得到时间变化值,根据距离变化值和时间变化值得到各个前方车辆相对于本车的相对速度,提高了相对速度的获取效率和简便性。
进一步地,基于上述实施例,所述装置还包括训练模块,所述训练模块用于在车辆检测模块10利用本车的图像采集模块实时采集前方道路图像之前,采集原始道路图像样本,并手工标注出所述原始道路图像样本中车头朝向前方的车辆,得到标注后道路图像样本;以所述原始道路图像样本作为输入,所述标注后道路图像样本作为输出标签,利用深度学习目标检测算法进行训练,得到所述车辆检测模型。
在上述实施例的基础上,本发明实施例通过在训练车辆检测模型时标注出车头朝向前方的车辆,不标注逆向行驶车辆,由此可以得到只识别同向行驶的前方车辆的车辆检测模型,减少了后续冗余计算,节约了资源。
进一步地,基于上述实施例,所述深度学习目标检测算法采用CenterNet、YOLO、SSD或FaterRCNN算法,所述目标跟踪算法采用ECO、C-COT或KCF算法。
在上述实施例的基础上,本发明实施例通过采用现有的深度学习目标检测算法进行车辆检测模型训练,采用现有的目标跟踪算法进行车辆跟踪,节约了开发成本。
进一步地,基于上述实施例,所述装置还包括通信模块,所述通信模块用于在拥堵判断模块30根据所述各个前方车辆的实际速度超过预设速度的车辆数量获取拥堵情况之后,将所述拥堵情况发送至远程服务器,以供所述远程服务器根据所述拥堵情况进行综合分析得到汇总结果并进行交通预警。
在上述实施例的基础上,本发明实施例通过在根据各个前方车辆的实际速度超过预设速度的车辆数量获取拥堵情况之后,将拥堵情况发送至远程服务器,有利于得到全面的拥堵数据,提高了实用性。
进一步地,基于上述实施例,车速计算模块20还用于在根据本车速度和所述相对速度获取所述各个前方车辆的实际速度之前,利用定位系统的数据获取所述本车速度。
在上述实施例的基础上,本发明实施例通过在根据本车速度和相对速度获取各个前方车辆的实际速度之前,利用定位系统的数据获取本车速度,提高了本车速度的获取效率,便于了后续计算。
本发明实施例提供的装置是用于上述方法的,具体功能可参照上述方法流程,此处不再赘述。
图3示例了一种电子设备的实体结构示意图,如图3所示,该电子设备可以包括:处理器(processor)310、通信接口(Communications Interface)320、存储器(memory)330和通信总线340,其中,处理器310,通信接口320,存储器330通过通信总线340完成相互间的通信。处理器310可以调用存储器330中的逻辑指令,以执行道路拥堵检测方法,该方法包括:利用本车的图像采集模块实时采集前方道路图像,并利用预先训练好的车辆检测模型对所述前方道路图像进行车辆检测,得到所述前方道路图像中的各个前方车辆;使用目标跟踪算法对检测出的所述各个前方车辆进行跟踪,根据跟踪框对应于不同时间的位置得到所述各个前方车辆相对于本车的相对速度,根据本车速度和所述相对速度获取所述各个前方车辆的实际速度;根据所述各个前方车辆的实际速度超过预设速度的车辆数量获取拥堵情况。
此外,上述的存储器330中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
另一方面,本发明实施例还提供一种计算机程序产品,所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序,所述计算机程序包括程序指令,当所述程序指令被计算机执行时,计算机能够执行上述各方法实施例所提供的道路拥堵检测方法,该方法包括:利用本车的图像采集模块实时采集前方道路图像,并利用预先训练好的车辆检测模型对所述前方道路图像进行车辆检测,得到所述前方道路图像中的各个前方车辆;使用目标跟踪算法对检测出的所述各个前方车辆进行跟踪,根据跟踪框对应于不同时间的位置得到所述各个前方车辆相对于本车的相对速度,根据本车速度和所述相对速度获取所述各个前方车辆的实际速度;根据所述各个前方车辆的实际速度超过预设速度的车辆数量获取拥堵情况。
又一方面,本发明实施例还提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现以执行上述各实施例提供的道路拥堵检测方法,该方法包括:利用本车的图像采集模块实时采集前方道路图像,并利用预先训练好的车辆检测模型对所述前方道路图像进行车辆检测,得到所述前方道路图像中的各个前方车辆;使用目标跟踪算法对检测出的所述各个前方车辆进行跟踪,根据跟踪框对应于不同时间的位置得到所述各个前方车辆相对于本车的相对速度,根据本车速度和所述相对速度获取所述各个前方车辆的实际速度;根据所述各个前方车辆的实际速度超过预设速度的车辆数量获取拥堵情况。
以上所描述的装置实施例仅仅是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下,即可以理解并实施。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件。基于这样的理解,上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,如ROM/RAM、磁碟、光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种道路拥堵检测方法,其特征在于,包括:
利用本车的车载设备中的图像采集模块实时采集前方道路图像,并利用预先训练好的车辆检测模型对所述前方道路图像进行车辆检测,得到所述前方道路图像中的各个前方车辆;
使用目标跟踪算法对检测出的所述各个前方车辆进行跟踪,根据跟踪框对应于不同时间的位置得到所述各个前方车辆相对于本车的相对速度,其中,预先标定好图像像素和实际距离的对应关系,所述实际距离包括图像像素对应的实际采集点与本车之间的距离;根据前方道路的目标车辆在道路图像中的像素的位置获取目标车辆距本车的距离;
根据不同时间跟踪框的位置以及预先标定好的所述图像像素和实际距离的对应关系获取各个前方车辆相对于本车的相对速度;
根据本车速度和所述相对速度获取所述各个前方车辆的实际速度;
根据所述各个前方车辆的实际速度小于预设速度的车辆数量获取拥堵情况;如果所述实际速度小于所述预设速度的前方车辆的数量大于预设数量,判断发生拥堵。
2.根据权利要求1所述的道路拥堵检测方法,其特征在于,所述根据不同时间跟踪框的位置以及预先标定好的所述图像像素和实际距离的对应关系获取各个前方车辆相对于本车的相对速度,具体包括:
获取第一采样时间采集的所述前方道路图像中所述各个前方车辆的所述跟踪框的第一位置,以及获取第二采样时间采集的所述前方道路图像中所述各个前方车辆的所述跟踪框的第二位置;
根据预先标定好的图像像素和实际距离的对应关系获取所述跟踪框位于所述第一位置时所述各个前方车辆距离本车的第一距离,以及获取所述跟踪框位于所述第二位置时所述各个前方车辆距离本车的第二距离;
根据所述第一距离、所述第二距离、所述第一采样时间及所述第二采样时间获取所述各个前方车辆相对于本车的相对速度;
其中,所述第二采样时间大于所述第一采样时间。
3.根据权利要求2所述的道路拥堵检测方法,其特征在于,所述根据所述第一距离、所述第二距离、所述第一采样时间及所述第二采样时间获取所述各个前方车辆相对于本车的相对速度,具体包括:
根据所述第二距离和所述第一距离得到距离变化值;
根据所述第二采样时间和所述第一采样时间得到时间变化值;
根据所述距离变化值和所述时间变化值得到所述各个前方车辆相对于本车的相对速度。
4.根据权利要求1所述的道路拥堵检测方法,其特征在于,在所述利用本车的图像采集模块实时采集前方道路图像之前,所述方法还包括:
采集原始道路图像样本,并手工标注出所述原始道路图像样本中车头朝向前方的车辆,得到标注后道路图像样本;
以所述原始道路图像样本作为输入,所述标注后道路图像样本作为输出标签,利用深度学习目标检测算法进行训练,得到所述车辆检测模型。
5.根据权利要求4所述的道路拥堵检测方法,其特征在于,所述深度学习目标检测算法采用CenterNet、YOLO、SSD或FaterRCNN算法,所述目标跟踪算法采用ECO、C-COT或KCF算法。
6.根据权利要求1所述的道路拥堵检测方法,其特征在于,在所述根据所述各个前方车辆的实际速度超过预设速度的车辆数量获取拥堵情况之后,所述方法还包括:
将所述拥堵情况发送至远程服务器,以供所述远程服务器根据所述拥堵情况进行综合分析得到汇总结果并进行交通预警。
7.根据权利要求1所述的道路拥堵检测方法,其特征在于,在所述根据本车速度和所述相对速度获取所述各个前方车辆的实际速度之前,所述方法还包括:
利用定位系统的数据获取所述本车速度。
8.一种道路拥堵检测装置,其特征在于,包括:
车辆检测模块,用于:利用本车的车载设备中的图像采集模块实时采集前方道路图像,并利用预先训练好的车辆检测模型对所述前方道路图像进行车辆检测,得到所述前方道路图像中的各个前方车辆;
车速计算模块,用于:使用目标跟踪算法对检测出的所述各个前方车辆进行跟踪,根据跟踪框对应于不同时间的位置得到所述各个前方车辆相对于本车的相对速度,其中,预先标定好图像像素和实际距离的对应关系,所述实际距离包括图像像素对应的实际采集点与本车之间的距离;根据前方道路的目标车辆在道路图像中的像素的位置获取目标车辆距本车的距离;根据不同时间跟踪框的位置以及预先标定好的所述图像像素和实际距离的对应关系获取各个前方车辆相对于本车的相对速度;根据本车速度和所述相对速度获取所述各个前方车辆的实际速度;
拥堵判断模块,用于:根据所述各个前方车辆的实际速度小于预设速度的车辆数量获取拥堵情况;如果所述实际速度小于所述预设速度的前方车辆的数量大于预设数量,判断发生拥堵。
9.一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1至7任一项所述道路拥堵检测方法的步骤。
10.一种非暂态计算机可读存储介质,其上存储有计算机程序,其特征在于,该计算机程序被处理器执行时实现如权利要求1至7任一项所述道路拥堵检测方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011129270.4A CN111967451B (zh) | 2020-10-21 | 2020-10-21 | 一种道路拥堵检测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011129270.4A CN111967451B (zh) | 2020-10-21 | 2020-10-21 | 一种道路拥堵检测方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111967451A CN111967451A (zh) | 2020-11-20 |
CN111967451B true CN111967451B (zh) | 2021-01-22 |
Family
ID=73387575
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011129270.4A Active CN111967451B (zh) | 2020-10-21 | 2020-10-21 | 一种道路拥堵检测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111967451B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112885130B (zh) * | 2021-01-22 | 2023-03-31 | 北京嘀嘀无限科技发展有限公司 | 呈现道路信息的方法和装置 |
CN114999150A (zh) * | 2022-05-23 | 2022-09-02 | 雄狮汽车科技(南京)有限公司 | 路段拥堵判别方法、装置、车辆及存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106327863A (zh) * | 2015-07-06 | 2017-01-11 | 北京文安智能技术股份有限公司 | 一种车辆拥堵检测预警方法、装置及系统 |
CN109466551A (zh) * | 2018-11-22 | 2019-03-15 | 深圳市元征科技股份有限公司 | 一种车辆控制方法、系统及电子设备和存储介质 |
CN110992693A (zh) * | 2019-12-04 | 2020-04-10 | 浙江工业大学 | 一种基于深度学习的交通拥堵程度多维度分析方法 |
CN111583668A (zh) * | 2020-05-27 | 2020-08-25 | 北京百度网讯科技有限公司 | 交通拥堵检测方法、装置、电子设备和存储介质 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP4539666B2 (ja) * | 2007-03-19 | 2010-09-08 | アイシン・エィ・ダブリュ株式会社 | 渋滞状況演算システム |
-
2020
- 2020-10-21 CN CN202011129270.4A patent/CN111967451B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106327863A (zh) * | 2015-07-06 | 2017-01-11 | 北京文安智能技术股份有限公司 | 一种车辆拥堵检测预警方法、装置及系统 |
CN109466551A (zh) * | 2018-11-22 | 2019-03-15 | 深圳市元征科技股份有限公司 | 一种车辆控制方法、系统及电子设备和存储介质 |
CN110992693A (zh) * | 2019-12-04 | 2020-04-10 | 浙江工业大学 | 一种基于深度学习的交通拥堵程度多维度分析方法 |
CN111583668A (zh) * | 2020-05-27 | 2020-08-25 | 北京百度网讯科技有限公司 | 交通拥堵检测方法、装置、电子设备和存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN111967451A (zh) | 2020-11-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108986465B (zh) | 一种车流量检测的方法、系统及终端设备 | |
CN102765365B (zh) | 基于机器视觉的行人检测方法及行人防撞预警系统 | |
CN111967451B (zh) | 一种道路拥堵检测方法及装置 | |
EP3751480A1 (en) | System and method for detecting on-street parking violations | |
CN108932849B (zh) | 一种记录多台机动车低速行驶违法行为的方法及装置 | |
CN110942038A (zh) | 基于视觉的交通场景识别方法、装置、介质及电子设备 | |
CN112071084A (zh) | 一种利用深度学习判断违章停车的方法和系统 | |
CN111209880A (zh) | 车辆行为识别方法、装置 | |
CN113469115A (zh) | 用于输出信息的方法和装置 | |
CN113658427A (zh) | 基于视觉与雷达的路况监控方法及系统、设备 | |
Kotha et al. | Potsense: Pothole detection on indian roads using smartphone sensors | |
CN111009136A (zh) | 一种高速公路行驶速度异常车辆检测方法、装置及系统 | |
CN113723273A (zh) | 一种车辆轨迹信息确定方法、装置及计算机设备 | |
CN112991769A (zh) | 基于视频的交通量调查方法和装置 | |
CN114693722B (zh) | 一种车辆行驶行为检测方法、检测装置及检测设备 | |
CN115762153A (zh) | 倒车检测方法及装置 | |
Das et al. | Why slammed the brakes on? auto-annotating driving behaviors from adaptive causal modeling | |
CN107452230B (zh) | 一种障碍物检测方法、装置、终端设备及存储介质 | |
CN114170798B (zh) | 消息提醒系统以及方法 | |
US20220101025A1 (en) | Temporary stop detection device, temporary stop detection system, and recording medium | |
CN116311901A (zh) | 一种智能交通实时监控系统 | |
CN112990117B (zh) | 基于智能驾驶系统的安装数据处理方法及装置 | |
CN115019511A (zh) | 基于自动驾驶车辆的识别机动车违规变道的方法和装置 | |
CN112861701B (zh) | 违章停车识别方法、装置、电子设备以及计算机可读介质 | |
CN114684197A (zh) | 避障场景的检测方法、装置、设备及存储介质 |
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 |