CN112069944A - 一种道路拥堵等级确定方法 - Google Patents

一种道路拥堵等级确定方法 Download PDF

Info

Publication number
CN112069944A
CN112069944A CN202010861158.3A CN202010861158A CN112069944A CN 112069944 A CN112069944 A CN 112069944A CN 202010861158 A CN202010861158 A CN 202010861158A CN 112069944 A CN112069944 A CN 112069944A
Authority
CN
China
Prior art keywords
vehicle
detection frame
frame image
determining
traffic
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
CN202010861158.3A
Other languages
English (en)
Other versions
CN112069944B (zh
Inventor
杜伟
王雯雯
刘发辉
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.)
Hisense TransTech Co Ltd
Original Assignee
Hisense TransTech 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 Hisense TransTech Co Ltd filed Critical Hisense TransTech Co Ltd
Priority to CN202010861158.3A priority Critical patent/CN112069944B/zh
Publication of CN112069944A publication Critical patent/CN112069944A/zh
Application granted granted Critical
Publication of CN112069944B publication Critical patent/CN112069944B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • 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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • G06Q50/26—Government or public services
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/20—Analysis of motion
    • G06T7/292—Multi-camera tracking
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/70—Determining position or orientation of objects or cameras
    • 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
    • G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
    • G08G1/0137—Measuring and analyzing of parameters relative to traffic conditions for specific applications
    • 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
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10016—Video; Image sequence
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30232—Surveillance
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30236—Traffic on road, railway or crossing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30241—Trajectory
    • 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
    • G06V2201/07—Target detection
    • 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)
  • Theoretical Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • Multimedia (AREA)
  • Analytical Chemistry (AREA)
  • Tourism & Hospitality (AREA)
  • Chemical & Material Sciences (AREA)
  • Marketing (AREA)
  • Development Economics (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • Primary Health Care (AREA)
  • Strategic Management (AREA)
  • General Business, Economics & Management (AREA)
  • Health & Medical Sciences (AREA)
  • Educational Administration (AREA)
  • General Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Traffic Control Systems (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种道路拥堵等级确定方法，用以解决现有技术中确定道路拥堵时，一定程度上存在确定不准确地问题。由于本发明实施例通过当前检测帧图像中每个第一车辆的第一位置信息及上一检测帧图像中每个第二车辆的第二位置信息，确定上一检测帧图像中与当前检测帧图像的每个第一车辆对应的第二车辆以及当前检测帧图像中每个车流方向的第一车辆，并针对不同车流方向，确定每个车流方向的拥堵等级，因为本发明实施例采用的是每个车流方向上每个车辆的位置信息，确定的该车流方向上的平均车速及车流密度，因此可以准确地确定每个车流方向的拥堵等级，提高了路况确定的准确性。

Description

一种道路拥堵等级确定方法
技术领域
本发明涉及智能监控技术领域，尤其涉及一种道路拥堵等级确定方法。
背景技术
随着社会的不断发展，人们生活水平逐渐提高，方便人们出行的车辆也越来越多，随之而来的交通拥堵也越来越严重，通常在假日或上下班高峰等人群密集出行的时刻，道路上车辆拥挤且车速缓慢。近些年，我国城市化进程快速推进，而城市基础设施建设以及城市管理方面没有跟上城市规模的增长，导致全国各地城市交通拥堵问题突出。
现有技术中，确定道路拥堵的方法包括：
一、通过部署大量地磁线图等通过交通信号控制系统感知道路交通状态，并且在关键路段路口部署交通监控摄像机，由城市交通控制中心执勤指挥人员通过视频巡检查看交通道路拥堵情况，并指挥疏导交通。该方法由于地磁线圈的损坏率非常高，无法为交通信号控制系统提供准确稳定的感知数据源。并且城市交通控制中心的视频人工巡检由于受限于人力资源限制，很难全面覆盖道路交通。
二、通过图像视频分析技术确定道路是否拥堵，若获得的车辆速度低于预设的速度，则确定该道路拥堵。该方法由于视频通常情况下无法感知速度、距离这方面的信息，即使通过人工标定等方式解决了这一技术问题，但是该方法依然受到人工标定的限制。
三、通过GPS感知路况，该方法采样最多达到10％左右车辆，并需要结合历史交通流数据以及地图数据库，判断实际路况，路况的准确性受到采样车辆的影响非常大，而且使用10％的车辆代表路段上所有的车辆，代表性不足得到的路况数据不准确。
由此可知，现有的技术在确定道路拥堵时，一定程度上存在确定不准确地问题。
发明内容
本发明提供了一种道路拥堵等级确定的方法，用以解决现有技术中道路拥堵确定不准确的问题。
第一方面，本发明实施例提供了一种道路拥堵等级确定方法，所述方法包括：
通过训练完成的多目标检测模型，获取当前检测帧图像中每个第一车辆的第一位置信息；
根据所述当前检测帧图像中每个第一车辆的第一位置信息及所述当前检测帧图像的上一检测帧图像中每个第二车辆的第二位置信息，确定所述上一检测帧图像中与所述当前检测帧图像的每个第一车辆对应的第二车辆；
根据所述每个第一车辆和对应的第二车辆的位置信息，确定当前检测帧图像中每个车流方向的第一车辆；并针对每个车流方向，根据位于该车流方向的每个第一车辆的位置信息，确定该车流方向的车流密度和平均车速；根据该车流方向的车流密度和平均车速，确定该车流方向的拥堵等级。
第二方面，本发明实施例还提供了一种道路拥堵等级确定装置，所述装置包括：
多目标检测模型模块，用于通过训练完成的多目标检测模型，获取当前检测帧图像中每个第一车辆的第一位置信息；
处理模块，用于根据所述当前检测帧图像中每个第一车辆的第一位置信息及所述当前检测帧图像的上一检测帧图像中每个第二车辆的第二位置信息，确定所述上一检测帧图像中与所述当前检测帧图像的每个第一车辆对应的第二车辆；
确定模块，用于根据所述每个第一车辆和对应的第二车辆的位置信息，确定当前检测帧图像中每个车流方向的第一车辆；并针对每个车流方向，根据位于该车流方向的每个第一车辆的位置信息，确定该车流方向的车流密度和平均车速；根据该车流方向的车流密度和平均车速，确定该车流方向的拥堵等级。
第三方面，本发明还提供了一种电子设备，所述电子设备至少包括处理器和存储器，所述处理器用于执行存储器中存储的计算机程序时实现如上述任一所述道路拥堵等级确定方法的步骤。
第四方面，本发明还提供了一种计算机可读存储介质，其存储有计算机程序，所述计算机程序被处理器执行时实现如上述任一所述道路拥堵等级确定方法的步骤。
由于本发明实施例通过当前检测帧图像中每个第一车辆的第一位置信息及上一检测帧图像中每个第二车辆的第二位置信息，确定上一检测帧图像中与当前检测帧图像的每个第一车辆对应的第二车辆以及当前检测帧图像中每个车流方向的第一车辆，并针对不同车流方向，确定每个车流方向的拥堵等级，因为本发明实施例采用的是每个车流方向上每个车辆的位置信息，确定的该车流方向上的平均车速及车流密度，因此可以准确地确定每个车流方向的拥堵等级，提高了路况确定的准确性。
附图说明
为了更清楚地说明本发明的技术方案，下面将对实施例描述中所需要使用的附图作简要介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域的普通技术人员来讲，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为本发明实施例提供的一种道路拥堵等级确定过程示意图；
图2为本发明实施例提供的余弦值与角度的对应关系示意图；
图3为本发明实施例提供的获取每帧图像的摄像头获取的一帧图像的示意图；
图4为本发明实施例提供的交通监控中同一车辆距离在不同检测帧的位置示意图；
图5为本发明实施例提供的道路拥堵等级确定过程的流程图；
图6为本发明实施例提供的一种道路拥堵等级确定装置结构示意图；
图7为本发明实施例提供的一种电子设备。
具体实施方式
为了使本发明的目的、技术方案和优点更加清楚，下面将结合附图本发明作进一步地详细描述，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。
为了提高道路拥堵等级确定的准确性，本发明实施例提供了一种道路拥堵等级确定方法。
实施例1：
图1为本发明实施例提供的一种道路拥堵等级确定过程示意图，该过程包括以下步骤：
S101：通过训练完成的多目标检测模型，获取当前检测帧图像中每个第一车辆的第一位置信息。
本发明实施例提供的道路拥堵等级确定应用于电子设备，该电子设备可以是图像采集设备，PC或者服务器等智能设备。
本发明实施例为了准确地识别当前检测帧图像中每个第一车辆的第一位置信息，将图像采集设备采集的视频中每一帧图像或间隔设定数量的视频帧的图像输入到多目标检测模型，将输入到多目标检测模型中的图像称为检测帧图像。
其中，图像采集设备采集的视频可以通过RTSP、GB28181、ONVIF等协议接入到交警的视频管理中心，通过对接收到的视频进行解码，得到每一帧图像。
该多目标检测模型基于输入的图像，输出该图像中包含的每个目标的类别标识信息，以及每个目标的位置信息，其中类别标识信息标识目标的类型，其中该类别可以包括：行人、自行车、摩托车、车辆、飞机等，位置信息可以为目标在图像中对应的检测框的位置，具体的，该检测框可以是矩形框，可以用该矩形框的左上角以及右下角的坐标表示。为了保证可以准确地确定目标的位置，可以预先规定确定位置参考的坐标系，该坐标系可以以图像左上角为原点，方向向右为x轴正方向，垂直向下为y轴正方向确定坐标系。
具体的，多目标将测模型输出的对每个目标的识别结果可以通过多目标预测数组表示：
[image_id,ymin,xmin,ymax,xmax,score,class]
其中，mage_id表示输入到多目标检测模型中的图片的唯一ID；ymin,xmin,ymax,xmax，为该目标的位置信息，score该目标为该类别的置信度分值，class，目标所属于的类别ID，比如：1为行人、2为自行车、3为摩托车、4为车辆、5为飞机……
因为本发明实施例要进行交通拥堵等级的确定，因此基于多目标检测模型输出的检测结果，获取类别标识信息为车辆的目标的位置信息。
本发明实施例所采用的多目标检测模型，以采用以EfficientNet模型为骨干网络的EfficientDet检测模型，EfficientDet检测模型使用更少参数、更低的计算成本，可以获取精度最高的成果。当然在选择检测模型时，也可以采用其他的神经网络模型，具体可以根据自身需求进行选取，在本发明实施例中对选择的多目标检测模型不做限制。
S102：根据所述当前检测帧图像中每个第一车辆的第一位置信息及所述当前检测帧图像的上一检测帧图像中每个第二车辆的第二位置信息，确定所述上一检测帧图像中与所述当前检测帧图像的每个第一车辆对应的第二车辆。
为了准确地确定上一检测帧图像中与当前检测帧图像的每个第一车辆对应的第二车辆，当得到当前检测帧图像中每个第一车辆的第一位置信息后，因为当前检测帧图像的上一检测帧图像中对应的每个车辆的位置信息已经获取到，为了进行区别将上一检测帧图像中包含的车辆称为第二车辆，第二车辆的位置信息称为第二位置信息，根据每个第一车辆的第一位置信息，和每个第二车辆的第二位置信息，可以确定上一检测帧图像中与当前检测帧图像中每个第一车辆对应的第二车辆。
具体的，因为当前检测帧图像之前的每一帧图像中的车辆的位置信息都可以确定，因此可以确定每个车辆的轨迹，因此根据每个车辆的轨迹，及当前检测帧图像中每个第一车辆的位置，可以确定该第一车辆与哪个第二车辆对应，也就是可以在不同检测帧图像中识别出同一车辆。
S103：根据所述每个第一车辆和对应的第二车辆的位置信息，确定当前检测帧图像中每个车流方向的第一车辆；并针对每个车流方向，根据位于该车流方向的每个第一车辆的位置信息，确定该车流方向的车流密度和平均车速；根据该车流方向的车流密度和平均车速，确定该车流方向的拥堵等级。
当确定了当前检测帧图像中的每个第一车辆对应的第二车辆后，为了保证确定的拥堵等级的准确性，本发明实施例中针对不同的车流方向进行拥堵等级的确定。
因为第一车辆及与该第一车辆对应的第二车辆的位置信息已经确定，而且每个车辆的轨迹也可以确定，因此基本上可以确定当前道路包含几个车流方向，并确定当前检测帧图像中的每个第一车辆位于哪个车流方向。
当确定了每个车流方向的第一车辆后，针对每个车流方向，根据该车流方向上每个第一车辆的位置信息，可以确定该车流方向的车流密度，根据每个第一车辆的第一位置信息，及每个第一车辆对应的第二车辆的第二位置信息，可以确定该车流方向上第一车辆的平均速度。
当确定了每个车流方向的车流密度以及平均车速后，可以基于车流密度以及平均车速确定该车流方向的拥堵等级。
由于本发明实施例通过当前检测帧图像中每个第一车辆的第一位置信息及上一检测帧图像中每个第二车辆的第二位置信息，确定上一检测帧图像中与当前检测帧图像的每个第一车辆对应的第二车辆以及当前检测帧图像中每个车流方向的第一车辆，并针对不同车流方向，确定每个车流方向的拥堵等级，因为本发明实施例采用的是每个车流方向上每个车辆的位置信息，确定的该车流方向上的平均车速及车流密度，因此可以准确地确定每个车流方向的拥堵等级，提高了路况确定的准确性。
实施例2：
为了准确地确定上一检测帧图像中与当前检测帧图像中的第一车辆对应的第二车辆，在上述实施例的基础上，在本发明实施例中，所述根据所述当前检测帧图像中每个第一车辆的第一位置信息及所述当前检测帧图像的上一检测帧图像中每个第二车辆的第二位置信息，确定所述上一检测帧图像中与所述当前检测帧图像的每个第一车辆对应的第二车辆包括：
根据所述当前检测帧图像中每个第一车辆的第一位置信息及所述上一检测帧图像中每个第二车辆的第二位置信息，确定所述当前检测帧图像中每个第一车辆与所述上一检测帧图像中每个第二车辆之间的距离；
针对所述每个第一车辆，确定与该第一车辆距离最小的第二车辆，将所述距离最小的第二车辆确定为所述上一检测帧图像中与该第一车辆对应的第二车辆。
在本发明实施例中为了准确地确定上一检测帧图像中与当前检测帧图像的第一车辆对应的第二车辆，因为当前检测帧图像中每个第一车辆的第一位置信息、上一检测帧图像中每个第二车辆的第二位置信息已知，因此可以确定每个第一车辆与每个第二车辆之间的距离。
在确定每个第一车辆与每个第二车辆之间的距离时，可以根据每个第一车辆及第二车辆的位置信息，确定每个第一车辆及第二车辆的质心，根据质心之间的距离，确定每个第一车辆与每个第二车辆之间的距离。
例如，在本发明实施例中，可以通过左上角及右下角的坐标确定第一位置信息及第二位置信息，以某一车辆为例进行说明，xmin为该车辆检测框左上角的横坐标，xmax为该车辆检测框右下角的横坐标，ymin为该车辆检测框左上角的纵坐标，ymax为该车辆检测框右下角的纵坐标，则该车辆的质心的坐标以(x，y)表示，其中，x＝(xmin+xmax)/2，y＝(ymin+ymax)/2。由于图像采集设备的位置固定，因此图像采集设备采集的图像中每个像素点代表的实际位置是确定的。
当得到每个第一车辆与每个第二车辆之间的距离后，由于对于第一车辆而言，所有的第二车辆中与该第一车辆对应的第二车辆与该第一车辆之间的距离是最小的，因此基于该原理，在得到每个第一车辆和每个第二车辆之间的距离后，针对每个第一车辆，在该第一车辆与每个第二车辆之间的距离中，选取与该第一车辆距离最小的第二车辆，该距离最小的车辆即为上一检测帧图像中与该第一车辆对应的第二车辆。针对每个第一车辆进行上述操作，即可得到当前检测帧图像中每个第一车辆对应的第二车辆。
具体的，当确定当前检测帧图像中每个第一车辆的质心坐标后，可以将每个第一车辆的质心坐标放入同一个数组之中，centroidt：[[x1,y1]，[x2,y2]，[x3,y3]，…]，centroidt表示第t检测帧图像的质心数组。根据第t检测帧图像的质心数组及第t-1检测帧图像的质心数组，即可得到第t检测帧图像中每个车辆的质心与第t-1检测帧图像中每个车辆的质心之间的距离，该距离可以通过矩阵形式来表示，具体见表1：
Figure BDA0002648149810000061
表1
表1中第一行表示第t-1检测帧图像中每个车辆的质心坐标，第一列表示第t检测帧图像中每个车辆的质心坐标，其中第t-1检测帧图像中共m个车辆，第t检测帧图像中共n个车辆，第i+1行和第j+1列交叉位置表示第t-1检测帧图像中第j个车辆的质心与第t检测帧图像中第i个车辆的质心之间的距离，具体的可以根据以下公式确定：
Figure BDA0002648149810000062
其中x(t，i)表示第t检测帧图像中第i个车辆质心的横坐标，y(t，i)表示第t检测帧图像中第i个车辆质心的纵坐标，x(t-1，j)表示第t-1检测帧图像中第j个车辆质心的横坐标，y(t-1，j)表示第t-1检测帧图像中第j个车辆质心的纵坐标。
第t检测帧图像中每个车辆的质心与第t-1检测帧图像中每个车辆的质心之间的距离将会得到矩阵：
D(t,t-1)＝[
[d(t,1,t-1,1)],[d(t,1,t-1,2)],[d(t,1,t-1,3)],…,,
[d(t,2,t-1,1)],[d(t,2,t-1,2),)],[d(t,2,t-1,3),],…,,
....
]
其中矩阵中第i行表示第t检测帧图像中第i个车辆与第t-1检测帧图像中每个车辆之间的距离，其中矩阵中第j列表示第t-1检测帧图像中第j个车辆与第t检测帧图像中每个车辆之间的距离。
具体的，基于上述矩阵在选取每个第t检测帧图像中车辆对应的第t-1检测帧图像中车辆时，针对得到的矩阵每一行，选择出距离最小值的对应列，即得到该车辆对应的哪一个第t-1检测帧图像的车辆，例如得到的列向量为D′＝[9,3,5，....]，其中9,3,5等是举例说明的行向量对应的第几列向量，这里指第一行的向量中，第9个元素的距离值是最小的，第二行的向量中，第3个元素的距离值是最小的，也就是说第t检测帧图像中第一个车辆与第t-1检测帧图像中第9个车辆对应，也就是说第t检测帧图像中第二个车辆与第t-1检测帧图像中第3个车辆对应。
如果系统同时处理多路摄像头视频帧图像，则对每路摄像头视频帧图像单独计算。
为了进一步保证确定上一检测帧图像中与当前检测帧图像的第一车辆对应的第二车辆，在上述各实施例的基础上，在本发明实施例中，所述确定与该第一车辆距离最小的第二车辆之前，所述方法还包括：
识别与该第一车辆的距离大于设定距离阈值的距离，将识别到的该距离删除。
在本发明实施例中，由于道路限速等情况，通常情况下在当前检测帧图像对应的时刻的第一车辆与对应的在上一检测帧图像对应的时刻的第二车辆距离不会太大，因此若识别到与某一第二车辆与该第一车辆的距离大于设定距离阈值，则将识别到的该距离删除，在确定该第一车辆对应的第二车辆时，不考虑该距离，也就是说该第二车辆不可能是该第一车辆对应的第二车辆。
例如，一车辆按照150Km/h的速度行驶，按照25帧/秒采集视频中的图像，车辆在当前检测帧图像与上一检测帧图像的移动距离会小于(120×1000)/(3600×25)＝1.3米/帧，由于图像并不是采用距离值测量，因此可以通过与车辆的相对大小来确定该距离阈值，以普通私家车5米来判断，1.3米相当于1/4个车辆在图像中的长度，可以根据该距离设定距离阈值，过滤掉超过该距离阈值的距离，也就是在选择与第一车辆距离最小的第二车辆时，不参考超过该距离阈值的距离，从而可以更准确地确定上一检测帧图像中与该第一车辆对应的第二车辆。
为了进一步确定上一检测帧图像中与当前检测帧图像的第一车辆对应的第二车辆，在上述各实施例的基础上，在本发明实施例中，所述将所述距离最小的第二车辆确定为所述上一检测帧图像中与该第一车辆对应的第二车辆之后，所述方法还包括：
针对每个第一车辆，判断该第一车辆对应的第二车辆是否与其他第一车辆对应的第二车辆相同，若相同，则为该第一车辆及与该第一车辆存在相同的第二车辆的其他第一车辆重新确定第二车辆。
由于可能存在超车情况，因此可能存在一个第一车辆对应多个第二车辆的情况，也就是可能出现一个第二车辆与多个第一车辆的距离最小，因此若该第一车辆对应的第二车辆与其他第一车辆对应的第二车辆相同，则过滤掉对应多个第一车辆的第二车辆，也就是在选择与该第一车辆距离最小的第二车辆时，不参考该第二车辆，并且在选择其他第一车辆对应的第二车辆时，也不再考虑该第二车辆，在其余的第二车辆中重新进行选择。
实施例3：
为了准确地确定不同车流方向的拥堵等级，在上述各实施例的基础上，在本实施例中，所述根据所述每个第一车辆和对应的第二车辆的位置信息，确定当前检测帧图像中每个车流方向的第一车辆包括：
针对每个第一车辆，根据该第一车辆的第一位置信息及与其对应的第二车辆的第二位置信息，确定该第一车辆与第二车辆之间的角度；
对确定的每个角度进行聚类，针对每个聚类结果，将该聚类结果中包含的每个角度对应的第一车辆划分到一个车流方向。
图像采集设备采集的图像中可能包含有多个车道的信息，并且每个车道可能归属于不同的车流方向，一般可能包含有两个车流方向，或者有三个、四个或者更多个车流方向，而每个车流方向的拥堵情况可能是不同的。因此为了保证确定的拥堵等级的准确性，在本发明实施例中确定位于每个车流方向的第一车辆。
具体的为了准确地确定当前检测帧图像的每个第一车辆属于哪个车流方向，在本发明实施例中可以根据每个第一车辆的行驶方向进行确定。
当确定上一检测帧图像中与当前检测帧图像的第一车辆对应的第二车辆之后，针对每个第一车辆，根据该第一车辆的第一位置信息及与其对应的第二车辆的第二位置信息，确定该第一车辆与第二车辆之间的角度，该角度也可以理解为该第一车辆针对预设角度确定方法对应的行驶角度。具体的，在确定第一车辆与第二车辆的角度时，可以根据车辆的质心坐标确定，根据该第一车辆的质心坐标(x(t，i)，y(t，i))和第二车辆的质心坐标(x(t-1，j)，y(t-1，j))，确定第一车辆与该第一车辆对应的第二车辆之间连线方向角的余弦：
Figure BDA0002648149810000081
其中，其中x(t，i)表示当前检测帧图像中该第一车辆的质心的横坐标，y(t，i)表示当前检测帧图像中该第一车辆的质心的纵坐标，x(t-1，j)表示上一检测帧图像中与该第一车辆对应的第二车辆的质心的横坐标，y(t-1，j)表示上一检测帧图像中与该第一车辆对应的第二车辆的质心的纵坐标。
图2为本发明实施例提供的余弦值与角度的对应关系示意图。由图2可知，如果以图像中水平横轴为角度零点，顺时针计算角度，同一个余弦值对应两个象限中的两个角度，第一象限与第四象限中两个角度会对应同一个余弦值，第二象限与第三象限中两个角度会对应同一个余弦值，需要分开计算角度。并且由于第一车辆的质心坐标与坐标原点连线会构成第一向量、第一车辆对应的第二车辆的质心坐标与坐标原点的连线会构成第二向量，其中第一车辆与该第二车辆连线的方向角可以通过第一向量减去第二向量得到的向量v表示，并且向量v会有对应的向量坐标，根据向量v对应的向量纵坐标y值来校正由余弦值确定的角度，如果y为正，则Θ值不变，如果y为负，则Θ值调整为360-Θ并重新保存该确定的角度Θ。
在本发明实施例中，根据cosΘ的值统一将角度划分到[0°,180°]内，之后根据向量v的y值的正负重新校正角度Θ，例如cosΘ的值为1/2时，对应的角度可能为60°也可能为300°，首先统一根据cosΘ＝1/2，确定Θ为60°，之后判断向量v对应的向量纵坐标y为正，还是y为负，若为正，则确定该角度Θ为60°，若为负，则确定该角度Θ为360°-60°＝300°。
图3为本发明实施例提供的获取每帧图像的摄像头获取的一帧图像的示意图，由图3可知，不同车流方向的第一车辆与该第一车辆对应的第二车辆的角度不同，例如，图3左半部分的车流方向的第一车辆与该第一车辆确定的第二车辆的角度会与图3右半部分的车流方向的第一车辆与该第一车辆确定的第二车辆的角度相差接近180°。
当得到每个第一车辆对应的角度后，对确定的每个角度进行聚类，可以根据采集的图像中包含的车流方向的信息，确定聚类中心的数量，如果只有两个车流方向，则聚类中心的数量可以是2个，如果是4个车流方向，则聚类中心的数量可以是4个，针对每个聚类结果，将该聚类结果中包含的每个角度对应的第一车辆划分到一个车流方向。
由于车辆在固定时间内行驶方向变化不会太大，即角度变化不会太大，因此判断第一车辆与对应的第二车辆之间的角度是否位于角度阈值范围内，若位于角度阈值范围内，则说明确定的该第一车辆对应的第二车辆是正确的。若不位于角度阈值范围内，则说明确定的该第一车辆对应的第二车辆是不正确的，则重新确定该第一车辆对应的第二车辆，并且不参考该第二车辆，进一步保证了拥堵等级确定的准确性。例如，在
Figure BDA0002648149810000091
秒的时间内，如果不翻车不漂移的话车辆即使掉头，速度不会超过60Km/h，行驶的距离不会超过0.5米，角度Θ变化不会超过20度，具体的角度阈值ω的设置在此不做限制。
实施例4：
为了更准确地确定不同车流方向的拥堵等级，在上述各实施例的基础上，在本发明实施例中，所述根据位于该车流方向的每个第一车辆的第一位置信息，确定该车流方向的车流密度包括：
根据该车流方向的每个第一车辆的第一位置信息，确定每个第一车辆在所述当前检测帧图像中的面积；
根据所述每个第一车辆在所述当前检测帧图像中的面积，确定当前检测帧图像中第一车辆的面积和；
根据所述面积和及该车流方向的区域总面积，确定该车流方向的车流密度。
由于可能存在有的车辆在没有车的道路上缓慢行驶，因此若只基于平均速度确定车流方向拥堵状况则会导致确定的拥堵状况并不准确，为了提高车流方向拥堵状况确定的准确性，在本发明实施例中可以结合车流密度综合判断。
在确定车流密度时，针对每个车流方向，根据当前检测帧图像中位于该车流方向的第一车辆的第一位置信息，确定该车流方向第一车辆的面积和，并根据该面积和与该车流方向的面积的比值，确定该车流方向的车流密度。
其中，在确定该车流方向第一车辆的面积和时，首先确定当前检测帧图像中该车流方向的每个第一车辆的面积，第一车辆的面积的方法可以通过下式确定：
S(t，i)＝|(xmin-xmax)|×|(ymin-ymax)|
其中，xmin为该第一车辆对应检测框左上角的横坐标，xmax为该第一车辆对应检测框右下角的横坐标，ymin为该第一车辆对应检测框左上角的纵坐标，ymax为该第一车辆对应检测框右下角的纵坐标，根据该车流方向每个第一车辆对应检测框在当前检测帧图像中的面积，确定当前检测帧图像中该车流方向第一车辆的面积和为：
Figure BDA0002648149810000101
其中Scars为该车流方向当前检测帧图像中第一车辆对应检测框的面积和，N为该车流方向当前检测帧图像中第一车辆的个数，S(t，i)为该车流方向当前检测帧图像中第i个第一车辆对应检测框的面积，根据确定的面积和与该车流方向的区域总面积的比值，确定该车流方向的车流密度。
为了确定地准确该车流方向的区域总面积，本发明实施例采用根据该车流方向所有边缘凸点确定该车流方向的区域总面积，由于当前检测帧图像中所有位于边缘的车辆与其他车辆的夹角是最大或最小的，基于该原理，确定当前检测帧图像中该车流方向的边缘凸点的第一车辆，根据确定的当前检测帧图像中该车流方向边缘凸点的轮廓确定该车流方向的区域总面积。
为了进一步准确确定该车流方向的拥堵等级，在上述各实施例的基础上，在本发明实施例中，所述根据所述每个第一车辆在所述当前检测帧图像中的面积，确定当前检测帧图像中第一车辆的面积和包括：
根据确定的每个第一车辆的第一位置信息，及所述当前检测帧之前的视频检测帧中确定的每个车辆的轨迹，确定当前检测帧中该车流方向被遮挡的第三车辆；
根据当前检测帧之前的视频检测帧中每个车辆的轨迹及速度，确定该第三车辆在当前检测帧图像中的第三位置信息；
根据该第三位置信息，确定第三车辆在当前检测帧图像中的面积；
根据确定的该面积，对确定的面积和进行更新。
由于当前检测帧图像中可能存在被遮挡的第三车辆，为了更准确地确定该车流方向的车流密度，需要确定被遮挡的第三车辆的面积。
因为车辆行驶的速度一般是固定的，并且获取每帧图像的摄像头的位置是固定的，因此摄像头每帧图像对应的采集范围是固定的，车辆从进入采集范围到出采集范围的时长基本上是固定的，而该时长内存在几个检测帧图像也是确定的，因此可以基于该时长设置车辆的timeout的最大时长，并根据该最大时长内可以处理的检测帧数量，确定该最大时长每次的减幅。当在检测帧图像中识别到之前不存在轨迹的第一车辆时，则确定该第一车辆为刚进入采集范围的车辆，则基于该第一车辆，将该车辆的timeout时长设置为最大时长，这样每辆进入采集范围的车辆都将对应一个timeout时长，每检测一帧图像，timeout时长减少预设的减幅，当车辆的timeout时长不为0时，说明车辆已经驶出采集范围。
因此根据保存的每个第一车辆的timeout时长，可以确定在采集范围内的车辆数量，根据确定的第一车辆的数量，可以确定被遮挡的车辆的数量，根据当前检测帧之前确定的每个车辆的轨迹，及第一车辆的第一位置信息，可以确定被遮挡的第三车辆的第三位置信息。
因为第三车辆的轨迹可以基于当前检测帧图像之前的检测帧图像确定，并且第三车辆的车速也可以基于之前的分析确定，因此可以预测当前检测帧该第三车辆的位置信息及车速。
当确定了每个第三车辆的第三位置信息后，若某一第三车辆也是当前检测帧该车流方向存在的车辆，为了进一步准确地确定该车流方向的拥堵等级，可以基于第三车辆的第三位置信息，确定第三车辆的面积。
根据由第三车辆确定的面积和与之前由第一车辆确定的面积和，对该车流方向车辆的面积和进行更新，即将第三车辆确定的面积和与由第一车辆确定的面积和的和作为该车流方向的面积和。
其中，第三车辆的第三位置信息可以根据下述方式进行预测：根据上一检测帧图像中该第三车辆的质心位置，预测当前帧图像中该第三车辆的质心位置，根据上一检测帧图像中该第三车辆对应的检测框的大小，及当前质心位置每个像素点对应的实际距离，确定该当前帧图像中该第三车辆对应的检测框的大小，例如上一检测帧图像中该第三车辆对应的检测框为B，则当前帧检测图像中该第三车辆对应的检测框的大小为对B等比缩放后的B’。
截取上一检测帧图像中该第三车辆对应的检测框B所在的区域，及当前检测帧图像中检测框B’所在的区域，得到两张图像I和I’，取图像I和I’像素数目的最小值，通过图像缩放技术，将图像像素数目大的图像缩小为与图像像素数目小的图像大小相同的图像，得到图像C和C’(因为不知道对哪张图像进行处理，为了方便描述这里将图像I和I’中，被处理后的图像和未经处理的图像称为图像C和C’)，对图像C和C’上每个对应的像素点计算曼哈顿距离，得到曼哈顿距离：
Figure BDA0002648149810000111
N表示缩放处理后的图像C和C’的像素数目，p和p’表示图像C和C’中对应的像素点。如果曼卡顿距离低于特定阈值，并且相应位置不存在与其他车辆关联的检测框，则在当前检测帧之间的检测帧增加跟踪轨迹，并根据增加后的跟踪轨迹，进一步确定第三车辆的第三位置信息。
实施例5：
为了更准确地确定不同车流方向的拥堵等级，在上述各实施例的基础上，在本发明实施例中，所述根据位于该车流方向的每个第一车辆的第一位置信息，确定该车流方向的平均车速：
针对每个第一车辆，根据该第一车辆的第一位置信息及与该第一车辆对应的第二车辆的第二位置信息，确定该第一车辆的车速；
根据确定的每个第一车辆的车速，确定该车流方向的平均车速。
为了准确确定车流方向的拥堵状况，在本发明实施例中可以综合该车流方向的平均车速进行确定。
在确定平均车速时，针对该车流方向上每个第一车辆，根据该第一车辆对应的第二车辆的第二位置信息，及该第一车辆的第一位置信息，确定该第一车辆的车速，
其中在确定该第一车辆的车速时，可以将该第一车辆与该第一车辆对应的第二车辆的距离与该当前检测帧时间和上一检测帧时间差值的比值，确定为该第一车辆的车速。
但为了进一步保证确定的车速的准确性，距离图像采集设备越远，车辆的面积越小，车辆以相同的速度在图像中表现出来的行驶距离不同，因此在确定第一车辆的车速时，可以基于第一车辆在当前检测帧中的面积和对应的第二车辆在上一检测帧中的面积对车速进行补偿，进一步确定第一车辆的车速，具体的车速可以基于以下公式确定：
Figure BDA0002648149810000121
其中，x2为上一检测帧图像中该第一车辆对应的第二车辆质心的横坐标，y2为上一检测帧图像中该第一车辆对应的第二车辆质心的纵坐标，x1为当前检测帧图像中该第一车辆对应的第二车辆质心的横坐标，则Sb1为当前检测帧图像中该第一车辆检测框在图像中的面积，Sb2为上一检测帧图像中与该第一车辆对应的第二车辆检测框在图像中的面积。
图4为本发明实施例提供的交通监控中同一车辆距离在不同检测帧的位置示意图，由图4可知，T1检测帧对应的时刻车辆位置p1，此时车辆在检测帧图像对应的面积较小，T2检测帧对应的时刻车辆位置p2，此时车辆在检测帧图像对应的面积较大。
为了更准确的确定该车流方向的拥堵等级，在上述各实施例的基础上，在本发明实施例中，所述根据确定的每个第一车辆的车速，确定该车流方向的平均车速包括：
根据确定的每个第一车辆的第一位置信息，及所述当前检测帧之前的视频检测帧中确定的每个车辆的轨迹，确定当前检测帧中该车流方向被遮挡的第三车辆；
根据当前检测帧之前的视频检测帧中每个车辆的轨迹及速度，预测所述第三车辆的车速；
根据的每个第一车辆及第三车辆的车速，确定该车流方向的平均车速。
同样的，为了保证确定的拥堵等级的准确性，确定了被遮挡的第三车辆后，基于第三车辆的轨迹，可以预测第三车辆的车速。
当确定了第三车辆的车速后，若某一第三车辆也是当前检测帧该车流方向存在的车辆，为了进一步准确地确定该车流方向的拥堵等级，根据第三车辆的车速与之前由第一车辆确定的平均车速，以及已知的第一车辆的数量及根据timeout确定的被遮挡的第三车辆的数量，对该车流方向的平均车速进行更新，即将所有第三车辆的车速与所有第一车速的车速的和与第一车辆及第三车辆的车辆数量的比值作为该车流方向的平均车速。
其中，第三车辆是否存在的确定过程与上述实施例相同，在此不再赘述。
实施例6：
在本发明实施例中为了准确地确定车流方向的拥堵等级，在上述各实施例的基础上，在本发明实施例中，所述根据该车流方向的车流密度和平均车速，确定该车流方向的拥堵等级包括：
若该车流方向的车流密度大于预设的阈值，则根据该车流方向的平均车速与预先获取的该车流方向的预设车速的比值，以及每种拥堵等级对应的比例范围，确定该车流方向的拥堵等级。
由于可能存在有的车辆在没有车的道路上缓慢行驶，因此若只基于平均速度确定车流方向拥堵状况则会导致确定的拥堵状况并不准确，为了提高车流方向拥堵状况确定的准确性，在本发明实施例中可以结合车流密度与平均车速综合判断该车流方向的拥堵等级。
首先判断该车流方向的车流密度是否大于预先设置的阈值，若大于，则根据该车流方向的平均车速与预先获取的该车流方向的预设车速的比值，及每种拥堵等级对应的比例范围，确定该车流方向的拥堵等级。若小于，则确定该车流方向的车况为不拥堵。
其中当该车流方向的车流密度大于设置的阈值时拥堵等级的确定可以通过表格形式来表示：
Figure BDA0002648149810000131
表2
其中表2的第一列表示该车流方向的基本情况，及不同拥堵等级对应的交通拥堵度、表示的颜色及交通拥堵度等级，表2的第二列表示该车流方向的平均速度与该车流方向的预设车速的比值为[55％,100％]时，该车流方向的交通拥堵度为畅通，用绿色表示，并且交通拥堵度等级为IV级，表2的第三列表示该车流方向的平均速度与该车流方向的预设车速的比值为[40％,55％]时，该车流方向的交通拥堵度为轻度拥堵，用黄色表示，并且交通拥堵度等级为Ⅲ级，表2的第四列表示该车流方向的平均速度与该车流方向的预设车速的比值为[30％,40％]时，该车流方向的交通拥堵度为中度拥堵，用橙色表示，并且交通拥堵度等级为Ⅱ级，表2的第五列表示该车流方向的平均速度与该车流方向的预设车速的比值为[0％,30％]时，该车流方向的交通拥堵度为严重拥堵，用红色表示，并且交通拥堵度等级为I级。其中具体的比值范围在此不做限制。
为了更加准确的确定不同车流方向的拥堵等级，在上述各实施例的基础上，在本发明实施例中，所述预设速度通过以下方式确定：
针对每个车流方向，统计工作日早高峰前设定时间段内每辆车的车速，将车速按照由快到慢排序，根据排序在前的设定数量的车辆的车速确定平均车速，将该平均车速作为该车流方向的预设车速。
在本发明实施例中，为了精准的确定该车流方向的拥堵等级，会预先获取该车流方向的预设速度，其中该预设速度指的是，车辆不受影响行驶的速度，其中预设速度针对每个车流方向进行确定。
例如可以针对每个车流方向，统计正常白天早高峰前2小时前的一段时间内，例如城市正常上班时间为8：30～9：00的城市，选取早晨5：30～6：30为统计的时间，取此时段内车辆速度集V＝{Vi},将车辆速度按顺序排序，取速度在Top 20％车辆的平均速度，将该平均速度确定为该车流方向的预设速度。其中具体统计工作日早高峰前设定时间段、排序在前的设定数量在此不做限制。
为了更加准确的确定不同车流方向的拥堵等级，在上述各实施例的基础上，在本发明实施例中，所述预设速度也可以通过以下方式确定：
针对每个车流方向，统计一天中不同时间段车辆数，取统计的不同时间段中通过车辆数量最多的时间段，获取该时间段通过的车辆数量，将该段时间平均分为多个子时间段，获取每个子时间段内车辆数少于子时间段对应的车辆平均值的子时间段，将获取的每个子时间段作为目标子时间段，将每个目标子时间段对应的车速的最大值确定为该车流方向的预设的车速。其中，子时间段对应的车辆平均值为该时间段通过的车辆数量Nmax与子时间段数量的比值。
例如可以统计一天中不同时间段车辆数，若统计的不同时间段车辆最多的时间段通过的车辆数量为Nmax，可以将该时间段平均分为10个子时间段，取子时间段内车辆数少于
Figure BDA0002648149810000141
的子时间段，将此子时段时车辆速度集全V＝{Vi},将车辆速度按顺序排序，取Top 20％车辆取平均值，作为该车流方向的预设车速。
图5为本发明实施例提供的道路拥堵等级确定过程的流程图，具体过程如下：
首先将视频帧图像输入多目标检测模型中，生成视频检测帧图像。根据生成的视频检测帧图像中每个车辆的位置信息确定每个当前检测帧的车辆在之间的检测帧中对应的车辆，根据每个当前检测帧的车辆在之间的检测帧中对应的车辆，确定当前检测帧每个第一车辆与上一检测帧中对应的第二车辆之间的角度，确定当前检测帧图像中每个车辆归属的车流方向。
根据每个当前检测帧的车辆在之间的检测帧中对应的车辆，确定当前检测帧每个第一车辆的车速，进而确定每个车流方向的平均车速；根据每个当前检测帧的车辆在之间的检测帧中对应的车辆，确定每个车流方向的第一车辆的面积和，进而确定每个车流方向的车流密度；针对每个车流方向，根据该车流方向的平均车速、车流密度和及预先获取的该车流方向的预设车速，确定该车流方向的拥堵等级。
实施例7：
图6为本发明实施例提供的一种道路拥堵等级确定装置结构示意图，该装置包括：
多目标检测模型模块601，用于通过训练完成的多目标检测模型，获取当前检测帧图像中每个第一车辆的第一位置信息；
处理模块602，用于根据所述当前检测帧图像中每个第一车辆的第一位置信息及所述当前检测帧图像的上一检测帧图像中每个第二车辆的第二位置信息，确定所述上一检测帧图像中与所述当前检测帧图像的每个第一车辆对应的第二车辆；
确定模块603，用于根据所述每个第一车辆和对应的第二车辆的位置信息，确定当前检测帧图像中每个车流方向的第一车辆；并针对每个车流方向，根据位于该车流方向的每个第一车辆的位置信息，确定该车流方向的车流密度和平均车速；根据该车流方向的车流密度和平均车速，确定该车流方向的拥堵等级。
在一种可能的实施方式中，所述处理模块602，具体用于根据所述当前检测帧图像中每个第一车辆的第一位置信息及所述上一检测帧图像中每个第二车辆的第二位置信息，确定所述当前检测帧图像中每个第一车辆与所述上一检测帧图像中每个第二车辆之间的距离；针对所述每个第一车辆，确定与该第一车辆距离最小的第二车辆，将所述距离最小的第二车辆确定为所述上一检测帧图像中与该第一车辆对应的第二车辆。
在一种可能的实施方式中，所述处理模块602，具体还用于识别与该第一车辆的距离大于设定距离阈值的距离，将识别到的该距离删除。
在一种可能的实施方式中，所述处理模块602，具体还用于针对每个第一车辆，判断该第一车辆对应的第二车辆是否与其他第一车辆对应的第二车辆相同，若相同，则为该第一车辆及与该第一车辆存在相同的第二车辆的其他第一车辆重新确定第二车辆。
在一种可能的实施方式中，所述确定模块603，具体用于针对每个第一车辆，根据该第一车辆的第一位置信息及与其对应的第二车辆的第二位置信息，确定该第一车辆与第二车辆之间的角度；对确定的每个角度进行聚类，针对每个聚类结果，将该聚类结果中包含的每个角度对应的第一车辆划分到一个车流方向。
在一种可能的实施方式中，所述确定模块603，具体还用于根据该车流方向的每个第一车辆的第一位置信息，确定每个第一车辆在所述当前检测帧图像中的面积；根据所述每个第一车辆在所述当前检测帧图像中的面积，确定当前检测帧图像中第一车辆的面积和；根据所述面积和及该车流方向的区域总面积，确定该车流方向的车流密度。
在一种可能的实施方式中，所述确定模块603，所述确定模块，具体还用于根据确定的每个第一车辆的第一位置信息，及所述当前检测帧之前的视频检测帧中确定的每个车辆的轨迹，确定当前检测帧中该车流方向被遮挡的第三车辆；根据当前检测帧之前的视频检测帧中每个车辆的轨迹及速度，确定该第三车辆在当前检测帧图像中的第三位置信息；根据该第三位置信息，确定第三车辆在当前检测帧图像中的面积；根据确定的该面积，对确定的面积和进行更新。
在一种可能的实施方式中，所述确定模块603，具体还用于针对每个第一车辆，根据该第一车辆的第一位置信息及与该第一车辆对应的第二车辆的第二位置信息，确定该第一车辆的车速；根据确定的每个第一车辆的车速，确定该车流方向的平均车速。
在一种可能的实施方式中，所述确定模块603，具体还用于根据确定的每个第一车辆的第一位置信息，及所述当前检测帧之前的视频检测帧中确定的每个车辆的轨迹，确定当前检测帧中该车流方向被遮挡的第三车辆；根据当前检测帧之前的视频检测帧中每个车辆的轨迹及速度，预测所述第三车辆的车速；根据确定的每个第一车辆及第三车辆的车速，确定该车流方向的平均车速。
在一种可能的实施方式中，所述确定模块603，具体还用于若该车流方向的车流密度大于预设的阈值，则根据该车流方向的平均车速与预先获取的该车流方向的预设车速的比值，以及每种拥堵等级对应的比例范围，确定该车流方向的拥堵等级。
由于本发明实施例通过当前检测帧图像中每个第一车辆的第一位置信息及上一检测帧图像中每个第二车辆的第二位置信息，确定上一检测帧图像中与当前检测帧图像的每个第一车辆对应的第二车辆以及当前检测帧图像中每个车流方向的第一车辆，并针对不同车流方向，确定每个车流方向的拥堵等级，因为本发明实施例采用的是每个车流方向上每个车辆的位置信息，确定的该车流方向上的平均车速及车流密度，因此可以准确地确定每个车流方向的拥堵等级，提高了路况确定的准确性。
实施例8：
在上述各实施例的基础上，本发明实施例还提供了一种电子设备，如图7所示，包括：处理器701、通信接口702、存储器703和通信总线704，其中，处理器701，通信接口702，存储器703通过通信总线704完成相互间的通信。
所述存储器703中存储有计算机程序，当所述程序被所述处理器701执行时，使得所述处理器701执行如下步骤：
通过训练完成的多目标检测模型，获取当前检测帧图像中每个第一车辆的第一位置信息；
根据所述当前检测帧图像中每个第一车辆的第一位置信息及所述当前检测帧图像的上一检测帧图像中每个第二车辆的第二位置信息，确定所述上一检测帧图像中与所述当前检测帧图像的每个第一车辆对应的第二车辆；
根据所述每个第一车辆和对应的第二车辆的位置信息，确定当前检测帧图像中每个车流方向的第一车辆；并针对每个车流方向，根据位于该车流方向的每个第一车辆的位置信息，确定该车流方向的车流密度和平均车速；根据该车流方向的车流密度和平均车速，确定该车流方向的拥堵等级。
进一步地，所述处理器701，还用于根据所述当前检测帧图像中每个第一车辆的第一位置信息及所述上一检测帧图像中每个第二车辆的第二位置信息，确定所述当前检测帧图像中每个第一车辆与所述上一检测帧图像中每个第二车辆之间的距离；
针对所述每个第一车辆，确定与该第一车辆距离最小的第二车辆，将所述距离最小的第二车辆确定为所述上一检测帧图像中与该第一车辆对应的第二车辆。
进一步地，所述处理器701，还用于识别与该第一车辆的距离大于设定距离阈值的距离，将识别到的该距离删除。
进一步地，所述处理器701，还用于针对每个第一车辆，判断该第一车辆对应的第二车辆是否与其他第一车辆对应的第二车辆相同，若相同，则为该第一车辆及与该第一车辆存在相同的第二车辆的其他第一车辆重新确定第二车辆。
进一步地，所述处理器701，还用于针对每个第一车辆，根据该第一车辆的第一位置信息及与其对应的第二车辆的第二位置信息，确定该第一车辆与第二车辆之间的角度；
对确定的每个角度进行聚类，针对每个聚类结果，将该聚类结果中包含的每个角度对应的第一车辆划分到一个车流方向。
进一步地，所述处理器701，还用于根据该车流方向的每个第一车辆的第一位置信息，确定每个第一车辆在所述当前检测帧图像中的面积；
根据所述每个第一车辆在所述当前检测帧图像中的面积，确定当前检测帧图像中第一车辆的面积和；
根据所述面积和及该车流方向的区域总面积，确定该车流方向的车流密度。
进一步地，所述处理器701，还用于根据确定的每个第一车辆的第一位置信息，及所述当前检测帧之前的视频检测帧中确定的每个车辆的轨迹，确定当前检测帧中该车流方向被遮挡的第三车辆；
根据当前检测帧之前的视频检测帧中每个车辆的轨迹及速度，确定该第三车辆在当前检测帧图像中的第三位置信息；
根据该第三位置信息，确定第三车辆在当前检测帧图像中的面积；
根据确定的该面积，对确定的面积和进行更新。
进一步地，所述处理器701，还用于针对每个第一车辆，根据该第一车辆的第一位置信息及与该第一车辆对应的第二车辆的第二位置信息，确定该第一车辆的车速；
根据确定的每个第一车辆的车速，确定该车流方向的平均车速。
进一步地，所述处理器701，还用于根据确定的每个第一车辆的第一位置信息，及所述当前检测帧之前的视频检测帧中确定的每个车辆的轨迹，确定当前检测帧中该车流方向被遮挡的第三车辆；
根据当前检测帧之前的视频检测帧中每个车辆的轨迹及速度，预测所述第三车辆的车速；
根据确定的每个第一车辆及第三车辆的车速，确定该车流方向的平均车速。
进一步地，所述处理器701，还用于若该车流方向的车流密度大于预设的阈值，则根据该车流方向的平均车速与预先获取的该车流方向的预设车速的比值，以及每种拥堵等级对应的比例范围，确定该车流方向的拥堵等级。
进一步地，所述处理器701，针对每个车流方向，统计工作日早高峰前设定时间段内每辆车的车速，将车速按照由快到慢排序，根据排序在前的设定数量的车辆的车速确定平均车速，将该平均车速作为该车流方向的预设车速；或
针对每个车流方向，统计一天中不同时间段车辆数，取统计的不同时间段中通过车辆数量最多的时间段，获取该时间段通过的车辆数量，将该段时间平均分为多个子时间段，获取每个子时间段内车辆数少于子时间段对应的车辆平均值的子时间段，将获取的每个子时间段作为目标子时间段，将每个目标子时间段对应的车速的最大值确定为该车流方向的预设的车速。
上述服务器提到的通信总线可以是外设部件互连标准(Peripheral ComponentInterconnect，PCI)总线或扩展工业标准结构(Extended Industry StandardArchitecture，EISA)总线等。该通信总线可以分为地址总线、数据总线、控制总线等。为便于表示，图中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。
通信接口702用于上述电子设备与其他设备之间的通信。
存储器可以包括随机存取存储器(Random Access Memory，RAM)，也可以包括非易失性存储器(Non-Volatile Memory，NVM)，例如至少一个磁盘存储器。可选地，存储器还可以是至少一个位于远离前述处理器的存储装置。
上述处理器可以是通用处理器，包括中央处理器、网络处理器(NetworkProcessor，NP)等；还可以是数字指令处理器(Digital Signal Processing，DSP)、专用集成电路、现场可编程门陈列或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。
实施例9：
在上述各实施例的基础上，本发明实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质内存储有可由电子设备执行的计算机程序，当所述程序在所述电子设备上运行时，使得所述电子设备执行时实现如下步骤：
所述存储器中存储有计算机程序，当所述程序被所述处理器执行时，使得所述处理器执行如下步骤：
通过训练完成的多目标检测模型，获取当前检测帧图像中每个第一车辆的第一位置信息；
根据所述当前检测帧图像中每个第一车辆的第一位置信息及所述当前检测帧图像的上一检测帧图像中每个第二车辆的第二位置信息，确定所述上一检测帧图像中与所述当前检测帧图像的每个第一车辆对应的第二车辆；
根据所述每个第一车辆和对应的第二车辆的位置信息，确定当前检测帧图像中每个车流方向的第一车辆；并针对每个车流方向，根据位于该车流方向的每个第一车辆的位置信息，确定该车流方向的车流密度和平均车速；根据该车流方向的车流密度和平均车速，确定该车流方向的拥堵等级。
进一步地，所述根据所述当前检测帧图像中每个第一车辆的第一位置信息及所述当前检测帧图像的上一检测帧图像中每个第二车辆的第二位置信息，确定所述上一检测帧图像中与所述当前检测帧图像的每个第一车辆对应的第二车辆包括：
根据所述当前检测帧图像中每个第一车辆的第一位置信息及所述上一检测帧图像中每个第二车辆的第二位置信息，确定所述当前检测帧图像中每个第一车辆与所述上一检测帧图像中每个第二车辆之间的距离；
针对所述每个第一车辆，确定与该第一车辆距离最小的第二车辆，将所述距离最小的第二车辆确定为所述上一检测帧图像中与该第一车辆对应的第二车辆。
进一步地，所述确定与该第一车辆距离最小的第二车辆之前，所述方法还包括：
识别与该第一车辆的距离大于设定距离阈值的距离，将识别到的该距离删除。
进一步地，所述将所述距离最小的第二车辆确定为所述上一检测帧图像中与该第一车辆对应的第二车辆之后，所述方法还包括：
针对每个第一车辆，判断该第一车辆对应的第二车辆是否与其他第一车辆对应的第二车辆相同，若相同，则为该第一车辆及与该第一车辆存在相同的第二车辆的其他第一车辆重新确定第二车辆。
进一步地，所述根据所述每个第一车辆和对应的第二车辆的位置信息，确定当前检测帧图像中每个车流方向的第一车辆包括：
针对每个第一车辆，根据该第一车辆的第一位置信息及与其对应的第二车辆的第二位置信息，确定该第一车辆与第二车辆之间的角度；
对确定的每个角度进行聚类，针对每个聚类结果，将该聚类结果中包含的每个角度对应的第一车辆划分到一个车流方向。
进一步地，所述根据位于该车流方向的每个第一车辆的第一位置信息，确定该车流方向的车流密度包括：
根据该车流方向的每个第一车辆的第一位置信息，确定每个第一车辆在所述当前检测帧图像中的面积；
根据所述每个第一车辆在所述当前检测帧图像中的面积，确定当前检测帧图像中第一车辆的面积和；
根据所述面积和及该车流方向的区域总面积，确定该车流方向的车流密度。
进一步地，所述根据所述每个第一车辆在所述当前检测帧图像中的面积，确定当前检测帧图像中第一车辆的面积和包括：
根据确定的每个第一车辆的第一位置信息，及所述当前检测帧之前的视频检测帧中确定的每个车辆的轨迹，确定当前检测帧中该车流方向被遮挡的第三车辆；
根据当前检测帧之前的视频检测帧中每个车辆的轨迹及速度，确定该第三车辆在当前检测帧图像中的第三位置信息；
根据该第三位置信息，确定第三车辆在当前检测帧图像中的面积；
根据确定的该面积，对确定的面积和进行更新。
进一步地，所述根据位于该车流方向的每个第一车辆的第一位置信息，确定该车流方向的平均车速：
针对每个第一车辆，根据该第一车辆的第一位置信息及与该第一车辆对应的第二车辆的第二位置信息，确定该第一车辆的车速；
根据确定的每个第一车辆的车速，确定该车流方向的平均车速。
进一步地，所述根据确定的每个第一车辆的车速，确定该车流方向的平均车速包括：
根据确定的每个第一车辆的第一位置信息，及所述当前检测帧之前的视频检测帧中确定的每个车辆的轨迹，确定当前检测帧中该车流方向被遮挡的第三车辆；
根据当前检测帧之前的视频检测帧中每个车辆的轨迹及速度，预测所述第三车辆的车速；
根据确定的每个第一车辆及第三车辆的车速，确定该车流方向的平均车速。
进一步地，所述根据该车流方向的车流密度和平均车速，确定该车流方向的拥堵等级包括：
若该车流方向的车流密度大于预设的阈值，则根据该车流方向的平均车速与预先获取的该车流方向的预设车速的比值，以及每种拥堵等级对应的比例范围，确定该车流方向的拥堵等级。
进一步地，所述预设速度通过以下方式确定：
针对每个车流方向，统计工作日早高峰前设定时间段内每辆车的车速，将车速按照由快到慢排序，根据排序在前的设定数量的车辆的车速确定平均车速，将该平均车速作为该车流方向的预设车速；或
针对每个车流方向，统计一天中不同时间段车辆数，取统计的不同时间段中通过车辆数量最多的时间段，获取该时间段通过的车辆数量，将该段时间平均分为多个子时间段，获取每个子时间段内车辆数少于子时间段对应的车辆平均值的子时间段，将获取的每个子时间段作为目标子时间段，将每个目标子时间段对应的车速的最大值确定为该车流方向的预设的车速。
由于本发明实施例通过当前检测帧图像中每个第一车辆的第一位置信息及上一检测帧图像中每个第二车辆的第二位置信息，确定上一检测帧图像中与当前检测帧图像的每个第一车辆对应的第二车辆以及当前检测帧图像中每个车流方向的第一车辆，并针对不同车流方向，确定每个车流方向的拥堵等级，因为本发明实施例采用的是每个车流方向上每个车辆的位置信息，确定的该车流方向上的平均车速及车流密度，因此可以准确地确定每个车流方向的拥堵等级，提高了路况确定的准确性。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
对于系统/装置实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
本申请是参照根据本申请的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
尽管已描述了本发明的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例做出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。
显然，本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的精神和范围。这样，倘若本申请的这些修改和变型属于本申请权利要求及其等同技术的范围之内，则本申请也意图包含这些改动和变型在内。

Claims (10)

1.一种道路拥堵等级确定方法，其特征在于，所述方法包括：
通过训练完成的多目标检测模型，获取当前检测帧图像中每个第一车辆的第一位置信息；
根据所述当前检测帧图像中每个第一车辆的第一位置信息及所述当前检测帧图像的上一检测帧图像中每个第二车辆的第二位置信息，确定所述上一检测帧图像中与所述当前检测帧图像的每个第一车辆对应的第二车辆；
根据所述每个第一车辆和对应的第二车辆的位置信息，确定当前检测帧图像中每个车流方向的第一车辆；并针对每个车流方向，根据位于该车流方向的每个第一车辆的位置信息，确定该车流方向的车流密度和平均车速；根据该车流方向的车流密度和平均车速，确定该车流方向的拥堵等级。
2.根据权利要求1所述的方法，其特征在于，所述根据所述当前检测帧图像中每个第一车辆的第一位置信息及所述当前检测帧图像的上一检测帧图像中每个第二车辆的第二位置信息，确定所述上一检测帧图像中与所述当前检测帧图像的每个第一车辆对应的第二车辆包括：
根据所述当前检测帧图像中每个第一车辆的第一位置信息及所述上一检测帧图像中每个第二车辆的第二位置信息，确定所述当前检测帧图像中每个第一车辆与所述上一检测帧图像中每个第二车辆之间的距离；
针对所述每个第一车辆，确定与该第一车辆距离最小的第二车辆，将所述距离最小的第二车辆确定为所述上一检测帧图像中与该第一车辆对应的第二车辆。
3.根据权利要求2所述的方法，其特征在于，所述将所述距离最小的第二车辆确定为所述上一检测帧图像中与该第一车辆对应的第二车辆之后，所述方法还包括：
针对每个第一车辆，判断该第一车辆对应的第二车辆是否与其他第一车辆对应的第二车辆相同，若相同，则为该第一车辆及与该第一车辆存在相同的第二车辆的其他第一车辆重新确定第二车辆。
4.根据权利要求1所述的方法，其特征在于，所述根据所述每个第一车辆和对应的第二车辆的位置信息，确定当前检测帧图像中每个车流方向的第一车辆包括：
针对每个第一车辆，根据该第一车辆的第一位置信息及与其对应的第二车辆的第二位置信息，确定该第一车辆与第二车辆之间的角度；
对确定的每个角度进行聚类，针对每个聚类结果，将该聚类结果中包含的每个角度对应的第一车辆划分到一个车流方向。
5.根据权利要求1所述的方法，其特征在于，所述根据位于该车流方向的每个第一车辆的第一位置信息，确定该车流方向的车流密度包括：
根据该车流方向的每个第一车辆的第一位置信息，确定每个第一车辆在所述当前检测帧图像中的面积；
根据所述每个第一车辆在所述当前检测帧图像中的面积，确定当前检测帧图像中第一车辆的面积和；
根据所述面积和及该车流方向的区域总面积，确定该车流方向的车流密度。
6.根据权利要求5所述的方法，其特征在于，所述根据所述每个第一车辆在所述当前检测帧图像中的面积，确定当前检测帧图像中第一车辆的面积和包括：
根据确定的每个第一车辆的第一位置信息，及所述当前检测帧之前的视频检测帧中确定的每个车辆的轨迹，确定当前检测帧中该车流方向被遮挡的第三车辆；
根据当前检测帧之前的视频检测帧中每个车辆的轨迹及速度，确定该第三车辆在当前检测帧图像中的第三位置信息；
根据该第三位置信息，确定第三车辆在当前检测帧图像中的面积；
根据确定的该面积，对确定的面积和进行更新。
7.根据权利要求1所述的方法，其特征在于，所述根据位于该车流方向的每个第一车辆的第一位置信息，确定该车流方向的平均车速：
针对每个第一车辆，根据该第一车辆的第一位置信息及与该第一车辆对应的第二车辆的第二位置信息，确定该第一车辆的车速；
根据确定的每个第一车辆的车速，确定该车流方向的平均车速。
8.根据权利要求7所述的方法，其特征在于，所述根据确定的每个第一车辆的车速，确定该车流方向的平均车速包括：
根据确定的每个第一车辆的第一位置信息，及所述当前检测帧之前的视频检测帧中确定的每个车辆的轨迹，确定当前检测帧中该车流方向被遮挡的第三车辆；
根据当前检测帧之前的视频检测帧中每个车辆的轨迹及速度，预测所述第三车辆的车速；
根据确定的每个第一车辆及第三车辆的车速，确定该车流方向的平均车速。
9.根据权利要求1所述的方法，其特征在于，所述根据该车流方向的车流密度和平均车速，确定该车流方向的拥堵等级包括：
若该车流方向的车流密度大于预设的阈值，则根据该车流方向的平均车速与预先获取的该车流方向的预设车速的比值，以及每种拥堵等级对应的比例范围，确定该车流方向的拥堵等级。
10.根据权利要求9所述的方法，其特征在于，所述预设速度通过以下方式确定：
针对每个车流方向，统计工作日早高峰前设定时间段内每辆车的车速，将车速按照由快到慢排序，根据排序在前的设定数量的车辆的车速确定平均车速，将该平均车速作为该车流方向的预设车速；或
针对每个车流方向，统计一天中不同时间段车辆数，取统计的不同时间段中通过车辆数量最多的时间段，获取该时间段通过的车辆数量，将该段时间平均分为多个子时间段，获取每个子时间段内车辆数少于子时间段对应的车辆平均值的子时间段，将获取的每个子时间段作为目标子时间段，将每个目标子时间段对应的车速的最大值确定为该车流方向的预设的车速。
CN202010861158.3A 2020-08-25 2020-08-25 一种道路拥堵等级确定方法 Active CN112069944B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010861158.3A CN112069944B (zh) 2020-08-25 2020-08-25 一种道路拥堵等级确定方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010861158.3A CN112069944B (zh) 2020-08-25 2020-08-25 一种道路拥堵等级确定方法

Publications (2)

Publication Number Publication Date
CN112069944A true CN112069944A (zh) 2020-12-11
CN112069944B CN112069944B (zh) 2024-04-05

Family

ID=73658833

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010861158.3A Active CN112069944B (zh) 2020-08-25 2020-08-25 一种道路拥堵等级确定方法

Country Status (1)

Country Link
CN (1) CN112069944B (zh)

Cited By (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112598907A (zh) * 2020-12-17 2021-04-02 东风商用车有限公司 拥堵预测方法、装置、设备及可读存储介质
CN113343905A (zh) * 2021-06-28 2021-09-03 山东理工大学 道路异常智能识别模型训练、道路异常识别的方法及系统
CN113470353A (zh) * 2021-06-17 2021-10-01 新奇点智能科技集团有限公司 一种交通等级确定方法、装置、存储介质及电子设备
CN113487650A (zh) * 2021-06-08 2021-10-08 中移(上海)信息通信科技有限公司 一种道路拥堵检测方法、装置及检测设备
CN113553955A (zh) * 2021-07-23 2021-10-26 上海商汤科技开发有限公司 交通检测方法、装置、电子设备及存储介质
CN113870564A (zh) * 2021-10-26 2021-12-31 安徽百诚慧通科技有限公司 一种封闭路段交通拥堵分类方法、系统、电子设备及存储介质
CN114078328A (zh) * 2021-12-02 2022-02-22 中国联合网络通信集团有限公司 路况确定方法、装置及计算机可读存储介质
CN114241752A (zh) * 2021-12-01 2022-03-25 湖南湘江智芯云途科技有限公司 场端拥堵提示方法、装置、设备及计算机可读存储介质
CN114495509A (zh) * 2022-04-08 2022-05-13 四川九通智路科技有限公司 基于深度神经网络监控隧道运行状态的方法
CN115830562A (zh) * 2022-12-12 2023-03-21 昆易电子科技(上海)有限公司 车道信息的确定方法、计算机设备及介质
CN117649772A (zh) * 2024-01-26 2024-03-05 江苏嘉和天盛信息科技有限公司 一种道路交通监控系统

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH07210795A (ja) * 1994-01-24 1995-08-11 Babcock Hitachi Kk 画像式交通流計測方法と装置
CN102254428A (zh) * 2011-04-28 2011-11-23 崔志明 一种基于视频处理的交通拥塞检测方法
CN105513354A (zh) * 2015-12-22 2016-04-20 电子科技大学 基于视频的城市道路交通拥堵检测系统
WO2018068317A1 (zh) * 2016-10-14 2018-04-19 富士通株式会社 车辆逆行检测装置及方法、电子设备
WO2018153211A1 (zh) * 2017-02-22 2018-08-30 中兴通讯股份有限公司 获取交通路况信息的方法及装置、计算机存储介质
CN110598511A (zh) * 2018-06-13 2019-12-20 杭州海康威视数字技术股份有限公司 一种对闯绿灯事件检测方法、装置、电子设备及系统
CN110782654A (zh) * 2019-02-22 2020-02-11 北京嘀嘀无限科技发展有限公司 拥堵区域通行能力估测方法、装置及数据处理设备
CN111275960A (zh) * 2018-12-05 2020-06-12 杭州海康威视系统技术有限公司 一种交通路况分析方法、系统及摄像机

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH07210795A (ja) * 1994-01-24 1995-08-11 Babcock Hitachi Kk 画像式交通流計測方法と装置
CN102254428A (zh) * 2011-04-28 2011-11-23 崔志明 一种基于视频处理的交通拥塞检测方法
CN105513354A (zh) * 2015-12-22 2016-04-20 电子科技大学 基于视频的城市道路交通拥堵检测系统
WO2018068317A1 (zh) * 2016-10-14 2018-04-19 富士通株式会社 车辆逆行检测装置及方法、电子设备
WO2018153211A1 (zh) * 2017-02-22 2018-08-30 中兴通讯股份有限公司 获取交通路况信息的方法及装置、计算机存储介质
CN110598511A (zh) * 2018-06-13 2019-12-20 杭州海康威视数字技术股份有限公司 一种对闯绿灯事件检测方法、装置、电子设备及系统
CN111275960A (zh) * 2018-12-05 2020-06-12 杭州海康威视系统技术有限公司 一种交通路况分析方法、系统及摄像机
CN110782654A (zh) * 2019-02-22 2020-02-11 北京嘀嘀无限科技发展有限公司 拥堵区域通行能力估测方法、装置及数据处理设备

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
刘政;李浩澜;康海洋;: "基于YOLOv3的城市公路交叉口车道拥堵实时判别算法实现", 电子制作, no. 08 *
李大成;李树立;李金红;: "基于视频检测算法的交通密度计算方法", 中国公共安全, no. 24 *
黄磊磊;汤一平;孟焱;: "基于机器视觉的道路拥堵状态检测的研究", 小型微型计算机系统, no. 01 *

Cited By (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112598907A (zh) * 2020-12-17 2021-04-02 东风商用车有限公司 拥堵预测方法、装置、设备及可读存储介质
CN113487650A (zh) * 2021-06-08 2021-10-08 中移(上海)信息通信科技有限公司 一种道路拥堵检测方法、装置及检测设备
CN113487650B (zh) * 2021-06-08 2023-09-19 中移(上海)信息通信科技有限公司 一种道路拥堵检测方法、装置及检测设备
CN113470353A (zh) * 2021-06-17 2021-10-01 新奇点智能科技集团有限公司 一种交通等级确定方法、装置、存储介质及电子设备
CN113343905B (zh) * 2021-06-28 2022-06-14 山东理工大学 道路异常智能识别模型训练、道路异常识别的方法及系统
CN113343905A (zh) * 2021-06-28 2021-09-03 山东理工大学 道路异常智能识别模型训练、道路异常识别的方法及系统
CN113553955A (zh) * 2021-07-23 2021-10-26 上海商汤科技开发有限公司 交通检测方法、装置、电子设备及存储介质
CN113870564A (zh) * 2021-10-26 2021-12-31 安徽百诚慧通科技有限公司 一种封闭路段交通拥堵分类方法、系统、电子设备及存储介质
CN114241752A (zh) * 2021-12-01 2022-03-25 湖南湘江智芯云途科技有限公司 场端拥堵提示方法、装置、设备及计算机可读存储介质
CN114078328A (zh) * 2021-12-02 2022-02-22 中国联合网络通信集团有限公司 路况确定方法、装置及计算机可读存储介质
CN114495509A (zh) * 2022-04-08 2022-05-13 四川九通智路科技有限公司 基于深度神经网络监控隧道运行状态的方法
CN114495509B (zh) * 2022-04-08 2022-07-12 四川九通智路科技有限公司 基于深度神经网络监控隧道运行状态的方法
CN115830562A (zh) * 2022-12-12 2023-03-21 昆易电子科技(上海)有限公司 车道信息的确定方法、计算机设备及介质
CN115830562B (zh) * 2022-12-12 2024-05-24 昆易电子科技(上海)有限公司 车道信息的确定方法、计算机设备及介质
CN117649772A (zh) * 2024-01-26 2024-03-05 江苏嘉和天盛信息科技有限公司 一种道路交通监控系统
CN117649772B (zh) * 2024-01-26 2024-04-05 江苏嘉和天盛信息科技有限公司 一种道路交通监控系统

Also Published As

Publication number Publication date
CN112069944B (zh) 2024-04-05

Similar Documents

Publication Publication Date Title
CN112069944B (zh) 一种道路拥堵等级确定方法
CN108986465B (zh) 一种车流量检测的方法、系统及终端设备
CN109284674B (zh) 一种确定车道线的方法及装置
CN109583280A (zh) 车道线识别方法、装置、设备及存储介质
CN110929655B (zh) 一种行驶过程中车道线识别方法、终端设备及存储介质
CN111898491B (zh) 一种车辆逆向行驶的识别方法、装置及电子设备
CN111915883A (zh) 一种基于车载摄像的道路交通状况检测方法
CN111325187B (zh) 一种车道位置的识别方法及装置
EP4020428A1 (en) Method and apparatus for recognizing lane, and computing device
CN115240471B (zh) 一种基于图像采集的智慧厂区避撞预警方法和系统
CN107516423B (zh) 一种基于视频的车辆行驶方向检测方法
CN113238209B (zh) 基于毫米波雷达的道路感知方法、系统、设备及存储介质
CN113158922A (zh) 基于yolo神经网络的车流量统计方法、装置及设备
CN112232257B (zh) 一种交通异常确定方法、装置、设备及介质
CN113850237A (zh) 基于视频和轨迹数据的网联车目标检测评价方法及系统
CN112017213B (zh) 一种目标对象的位置更新方法及系统
CN117727182A (zh) 一种交叉路口的车流量检测方法、装置、设备和介质
CN113435350A (zh) 一种交通标线检测方法、装置、设备和介质
CN113468911A (zh) 一种车载闯红灯检测方法、装置、电子设备及存储介质
CN114783181B (zh) 一种基于路侧感知的交通流量统计方法和装置
CN115619873A (zh) 一种基于轨迹溯源的雷视自动标定方法
CN114373001B (zh) 一种雷达和图像的联合标定方法及装置
CN113269004B (zh) 交通计数装置及方法、电子设备
CN118015567B (zh) 适用于高速公路路侧监控的车道划分方法及相关装置
CN117853975B (zh) 一种多车道的车速检测线生成方法、系统及存储介质

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