CN112312082B - 道路运行情况确定方法及装置、设备和存储介质 - Google Patents

道路运行情况确定方法及装置、设备和存储介质 Download PDF

Info

Publication number
CN112312082B
CN112312082B CN202010963859.8A CN202010963859A CN112312082B CN 112312082 B CN112312082 B CN 112312082B CN 202010963859 A CN202010963859 A CN 202010963859A CN 112312082 B CN112312082 B CN 112312082B
Authority
CN
China
Prior art keywords
road
vehicles
monitored
congestion
suspected
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
Application number
CN202010963859.8A
Other languages
English (en)
Other versions
CN112312082A (zh
Inventor
阚宇衡
马子安
白帅
朱铖恺
武伟
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.)
Shanghai Sensetime Intelligent Technology Co Ltd
Original Assignee
Shanghai Sensetime Intelligent 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 Shanghai Sensetime Intelligent Technology Co Ltd filed Critical Shanghai Sensetime Intelligent Technology Co Ltd
Priority to CN202010963859.8A priority Critical patent/CN112312082B/zh
Publication of CN112312082A publication Critical patent/CN112312082A/zh
Priority to KR1020227002921A priority patent/KR20220036366A/ko
Priority to PCT/CN2021/083433 priority patent/WO2022052446A1/zh
Priority to JP2021576340A priority patent/JP2022545322A/ja
Priority to TW110123620A priority patent/TW202211178A/zh
Application granted granted Critical
Publication of CN112312082B publication Critical patent/CN112312082B/zh
Priority to US17/648,931 priority patent/US20220148316A1/en
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
    • G06V20/50—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
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • 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
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • 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
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
    • G08G1/0108—Measuring and analyzing of parameters relative to traffic conditions based on the source of data
    • G08G1/0116—Measuring and analyzing of parameters relative to traffic conditions based on the source of data from roadside infrastructure, e.g. beacons
    • 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
    • G08G1/0125—Traffic data processing
    • G08G1/0133—Traffic data processing for classifying traffic situation
    • 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
    • G08G1/04—Detecting movement of traffic to be counted or controlled using optical or ultrasonic detectors
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N7/00—Television systems
    • H04N7/18—Closed-circuit television [CCTV] systems, i.e. systems in which the video signal is not broadcast
    • 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
    • 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)
  • Multimedia (AREA)
  • Analytical Chemistry (AREA)
  • Chemical & Material Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Software Systems (AREA)
  • Computing Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Medical Informatics (AREA)
  • Signal Processing (AREA)
  • Databases & Information Systems (AREA)
  • Mathematical Physics (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Molecular Biology (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Traffic Control Systems (AREA)
  • Closed-Circuit Television Systems (AREA)
  • Image Analysis (AREA)

Abstract

本申请实施例提供一种道路运行情况确定方法及装置、设备和存储介质，其中，所述方法包括：获取待监测道路的图像；其中，所述图像为对所述监测道路进行拍摄得到的；获取所述待监测道路的车辆数，并基于所述图像和所述待监测道路的车辆数将所述待监测道路划分为上行道路和下行道路；获取所述上行道路的车辆数和所述下行道路的车辆数，并基于所述待监测道路的车辆数、所述上行道路的车辆数、所述下行道路的车辆数和所述待监测道路的交通波，确定目标域值；在所述待监测道路的车辆数大于所述目标域值的情况下，确定所述待监测道路发生拥堵。

Description

道路运行情况确定方法及装置、设备和存储介质
技术领域
本申请涉及计算机视觉技术领域，涉及但不限于一种道路运行情况确定方法及装置、设备和存储介质。
背景技术
随着机动车交通需求的迅速增长，城市快速路和城际高速公路存在出现严重交通拥堵的情况。为了利于交通管理部门实时，且全方位地感知路网运行状态，做出管控预判，及时且准确地识别拥堵对于交通管理部门来说尤为重要。
相关技术中，一般是基于传统检测器识别道路拥堵或基于视频检测识别道路拥堵。其中，基于传统检测器识别道路拥堵的方案中，多是通过车辆回传的GPS数据或雷达等检测器，确定道路运行车辆的速度的；基于视频检测识别道路拥堵的方案中，人工绘制观测区域进而确定车辆在观测区域中的速度，以推测观测区域的拥堵状态，或采用深度神经网络直接预测观测区域的拥堵状态。但是，相关技术中确定道路拥堵的方案因为受到不同因素的影响，存在对道路的拥堵情况判断不准确的问题。
发明内容
有鉴于此，本申请实施例期望提供一种道路运行情况确定方法及装置、设备和存储介质。
本申请实施例的技术方案是这样实现的：
本申请实施例提供一种道路运行情况确定方法，所述方法包括：
获取待监测道路的图像；其中，所述图像为对所述监测道路进行拍摄得到的；
获取所述待监测道路的车辆数，并基于所述图像和所述待监测道路的车辆数将所述待监测道路划分为上行道路和下行道路；
获取所述上行道路的车辆数和所述下行道路的车辆数，并基于所述待监测道路的车辆数、所述上行道路的车辆数、所述下行道路的车辆数和所述待监测道路的交通波，确定目标域值；
在所述待监测道路的车辆数大于所述目标域值的情况下，确定所述待监测道路发生拥堵。
上述方案中，所述获取所述待监测道路的车辆数，包括：
采用神经网络算法对所述图像进行分析，将所述待监测道路分为不同方向道路；
分别获取所述待监测道路的每一方向道路的车辆数；
相应的，所述基于所述图像和所述待监测道路的车辆数，将所述待监测道路划分为上行道路和下行道路，包括：
基于所述图像和所述每一方向道路的车辆数，分别将每一方向道路划分为上行道路和下行道路。
上述方案中，所述基于所述图像和所述每一方向道路的车辆数，分别将每一方向道路划分为上行道路和下行道路，包括：
分别将所述每一方向道路离散成J个部分；其中，J为大于1的正整数；
对所述图像和所述每一方向道路的车辆数进行分析，分别确定每一方向道路的所述J个部分中每个部分在第一预设时间段内的车辆数；
对第一预设时间段内所述每一方向道路的每个部分的车辆数进行运算，并基于运算结果分别将所述每一方向道路划分为上行道路和下行道路。
上述方案中，所述对第一预设时间段内所述每一方向道路的每个部分的车辆数进行运算，并基于运算结果分别将所述每一方向道路划分为上行道路和下行道路，包括：
基于所述第一预设时间段内所述每一方向道路的每个部分的车辆数进行计算，得到切割点k；
按照所述车辆的行驶方向，确定所述每一方向道路中前k个部分对应的道路为上行道路，并确定所述每一方向道路中除前k个部分外剩余部分对应的道路为下行道路。
上述方案中，所述获取所述待监测道路的车辆数，包括：
获取第二预设时间段内每个时刻所述待监测道路的每一方向道路的车辆的第一数量；
相应的，所述获取所述上行道路的车辆数和所述下行道路的车辆数，并基于所述待监测道路的车辆数、所述上行道路的车辆数、所述下行道路的车辆数和所述待监测道路的交通波，确定目标域值，包括：
基于所述第二预设时间段内每个时刻所述待监测道路的每一方向道路的车辆的第一数量进行计算，确定所述每一方向道路的疑似拥堵时刻和疑似拥堵数量；
获取第一预设时间段内每个时刻所述每一方向道路的上行道路的车辆数和下行道路的车辆数；
针对每一方向道路，基于所述第一预设时间段内每个时刻所述每一方向道路的上行道路的车辆数和下行道路的车辆数，确定所述待监测道路在所述疑似拥堵时刻的交通波存在拥堵交通波时，确定目标域值为所述疑似拥堵数量。
上述方案中，所述基于第二预设时间段内每个时刻所述待监测道路的每一方向道路的车辆的第一数量进行计算，确定所述每一方向道路的疑似拥堵时刻和疑似拥堵数量，包括：
获取所述第二预设时间段内每个时刻间隔预设间隔时间后，所述每一方向道路的车辆的第二数量；
获取所述第二预设时间段内每个时刻间隔预设间隔时间前，所述每一方向道路的车辆的第三数量；
针对每一方向道路，确定所述第一数量小于所述第二数量，且所述第一数量大于所述第三数量的时刻为所述疑似拥堵时刻，并确定所述疑似拥堵时刻的车辆的数量为所述疑似拥堵数量。
上述方案中，所述针对每一方向道路，基于所述第一预设时间段内每个时刻所述每一方向道路的上行道路的车辆数和下行道路的车辆数，确定所述待监测道路在所述疑似拥堵时刻的交通波存在拥堵交通波时，确定目标域值为所述疑似拥堵数量，包括：
基于所述第一预设时间段内每个时刻每一方向道路的上行道路的车辆数和下行道路的车辆数，计算得到所述每一方向道路的运行时间；其中，所述运行时间为车从上行道路运行到下行道路的时间；
计算所述疑似拥堵时刻的待监测道路的每一方向道路的上行道路的第一增长率，和与所述疑似拥堵时刻间隔所述运行时间后的所述每一方向道路的下行道路的第二增长率；
针对每一方向道路，基于所述第一增长率和所述第二增长率计算待判定数值；
针对每一方向道路，在所述待判定数值大于预设阈值的情况下，确定所述待监测道路在所述疑似拥堵时刻的交通波存在拥堵交通波，并确定所述目标阈值为所述疑似拥堵数量。
上述方案中，所述计算所述疑似拥堵时刻的待监测道路的每一方向道路的上行道路的增长率，和与所述疑似拥堵时刻间隔所述运行时间后的所述每一方向道路的下行道路的增长率，包括：
获取每一方向道路的上行道路在疑似拥堵时刻的车辆数，和每一方向道路的下行道路在与所述疑似拥堵时刻间隔所述运行时间后的时刻的车辆数；
计算第三预设时间段内每一方向道路的上行道路的第一平均车辆数和下行道路的第二平均车辆数；
基于每一方向道路的上行道路在疑似拥堵时刻的车辆数和所述每一方向道路的第一平均车辆数，计算所述第一增长率；
基于所述每一方向道路的下行道路在与所述疑似拥堵时刻间隔所述运行时间后的时刻的车辆数和所述每一方向道路的第二平均车辆数，计算所述第二增长率。
上述方案中，所述针对每一方向道路，基于所述第一增长率和所述第二增长率计算待判定数值，包括：
基于每一方向道路的所述第一增长率和所述第二增长率，计算每一方向道路的上行道路和下行道路增长率的第一差值；
计算所述疑似拥堵时刻的每一方向道路的车辆的数量，与疑似拥堵时刻的上一时刻的每一方向道路的车辆的数量之间的第二差值；
针对每一方向道路，基于所述第一差值和第二差值计算所述待判定数值。
上述方案中，所述在所述待监测道路的车辆数大于所述目标域值的情况下，确定所述待监测道路发生拥堵，包括：
获取所述待监测道路的车辆数大于所述目标域值的持续时间；
在所述待监测道路的车辆数大于所述目标域值，且所述持续时间大于预设时间阈值的情况下，确定所述待监测道路发生拥堵。
本申请实施例提供一种道路运行情况确定装置，所述装置包括：
获取单元，用于获取待监测道路的图像；其中，所述图像为对所述监测道路进行拍摄得到的；
划分单元，用于获取所述待监测道路的车辆数，并基于所述图像和所述待监测道路的车辆数将所述待监测道路划分为上行道路和下行道路；
第一确定单元，用于获取所述上行道路的车辆数和所述下行道路的车辆数，并基于所述待监测道路的车辆数、所述上行道路的车辆数、所述下行道路的车辆数和所述待监测道路的交通波，确定目标域值；
第二确定单元，用于在所述待监测道路的车辆数大于所述目标域值的情况下，确定所述待监测道路发生拥堵。
上述方案中，所述划分单元包括：
第一确定模块，用于采用神经网络算法对所述图像进行分析，将所述待监测道路分为不同方向道路；
第一获取模块，用于分别获取所述待监测道路的每一方向道路的车辆数；
相应的，所述划分单元还包括：
第二划分模块，还用于基于所述图像和所述每一方向道路的车辆数，分别将每一方向道路划分为上行道路和下行道路。
上述方案中，所述第二划分模块还用于：
分别将所述每一方向道路离散成J个部分；其中，J为大于1的正整数；
对所述图像和所述每一方向道路的车辆数进行分析，分别确定每一方向道路的所述J个部分中每个部分在第一预设时间段内的车辆数；
对第一预设时间段内所述每一方向道路的每个部分的车辆数进行运算，并基于运算结果分别将所述每一方向道路划分为上行道路和下行道路。
上述方案中，所述第二划分模块还用于：
基于所述第一预设时间段内所述每一方向道路的每个部分的车辆数进行计算，得到切割点k；
按照所述车辆的行驶方向，确定所述每一方向道路中前k个部分对应的道路为上行道路，并确定所述每一方向道路中除前k个部分外剩余部分对应的道路为下行道路。
上述方案中，所述划分单元，还包括：
第二获取模块，用于获取第二预设时间段内每个时刻所述待监测道路的每一方向道路的车辆的第一数量；
相应的，所述第一确定单元包括：
第二确定模块，用于基于所述第二预设时间段内每个时刻所述待监测道路的每一方向道路的车辆的第一数量进行计算，确定所述每一方向道路的疑似拥堵时刻和疑似拥堵数量；
第二获取模块，用于获取第一预设时间段内每个时刻所述每一方向道路的上行道路的车辆数和下行道路的车辆数；
第三确定模块，用于针对每一方向道路，基于所述第一预设时间段内每个时刻所述每一方向道路的上行道路的车辆数和下行道路的车辆数，确定所述待监测道路在所述疑似拥堵时刻的交通波存在拥堵交通波时，确定目标域值为所述疑似拥堵数量。
上述方案中，所述第二确定模块还用于：
获取所述第二预设时间段内每个时刻间隔预设间隔时间后，所述每一方向道路的车辆的第二数量；
获取所述第二预设时间段内每个时刻间隔预设间隔时间前，所述每一方向道路的车辆的第三数量；
针对每一方向道路，确定所述第一数量小于所述第二数量，且所述第一数量大于所述第三数量的时刻为所述疑似拥堵时刻，并确定所述疑似拥堵时刻的车辆的数量为所述疑似拥堵数量。
上述方案中，所述第三确定模块还用于：
基于所述第一预设时间段内每个时刻每一方向道路的上行道路的车辆数和下行道路的车辆数，计算得到所述每一方向道路的运行时间；其中，所述运行时间为车从上行道路运行到下行道路的时间；
计算所述疑似拥堵时刻的待监测道路的每一方向道路的上行道路的第一增长率，和与所述疑似拥堵时刻间隔所述运行时间后的所述每一方向道路的下行道路的第二增长率；
针对每一方向道路，基于所述第一增长率和所述第二增长率计算待判定数值；
针对每一方向道路，在所述待判定数值大于预设阈值的情况下，确定所述待监测道路在所述疑似拥堵时刻的交通波存在拥堵交通波，并确定所述目标阈值为所述疑似拥堵数量。
上述方案中，所述第三确定模块还用于：
获取每一方向道路在疑似拥堵时刻的车辆数和与所述疑似拥堵时刻间隔所述运行时间后的时刻的车辆数；
计算第三预设时间段内每一方向道路的上行方向道路的第一平均车辆数和下行方向道路的第二平均车辆数；
基于每一方向道路的上行方向道路在疑似拥堵时刻的车辆数和所述每一方向道路的第一平均车辆数，计算所述第一增长率；
基于所述每一方向道路的下行方向道路在与所述疑似拥堵时刻间隔所述运行时间后的时刻的车辆数和所述每一方向道路的第二平均车辆数，计算所述第二增长率。
上述方案中，所述第三确定模块还用于：
基于每一方向道路的所述第一增长率和所述第二增长率，计算每一方向道路的上行道路和下行道路增长率的第一差值；
计算所述疑似拥堵时刻的每一方向道路的车辆的数量，与疑似拥堵时刻的上一时刻的每一方向道路的车辆的数量之间的第二差值；
针对每一方向道路，基于所述第一差值和第二差值计算所述待判定数值。
上述方案中，所述第二确定单元还用于：
获取所述待监测道路的车辆数大于所述目标域值的持续时间；
在所述待监测道路的车辆数大于所述目标域值，且所述持续时间大于预设时间阈值的情况下，确定所述待监测道路发生拥堵。
本申请实施例提供一种道路运行情况确定设备，所述设备至少包括：存储器、通信总线和处理器，其中：
所述存储器，用于存储道路运行情况确定程序；
所述通信总线，用于实现处理器和存储器之间的连接通信；
所述处理器，用于执行存储器中存储的道路运行情况确定程序，以实现上述的道路运行情况确定方法的步骤。
本申请实施例提供一种存储介质，所述存储介质上存储有计算机程序，所述计算机程序被处理器执行时，实现上述的道路运行情况确定方法的步骤。
本申请实施例所提供的道路运行情况确定方法及装置、设备和存储介质，获取待监测道路的图像和待监测道路的车辆数，图像为对所述监测道路进行拍摄得到的，基于图像和待监测道路的车辆数将待监测道路划分为上行道路和下行道路，获取待监测道路的上行道路的车辆数和下行道路的车辆数，并基于待监测道路的车辆数、上行道路的车辆数、下行道路的车辆数和待监测道路的交通波，确定目标域值，最终，在待监测道路的车辆的数量大于目标域值的情况下，确定待监测道路发生拥堵；如此，直接根据待监测道路的图像确定的目标阈值以及道路的车辆数，就可以确定待监测道路是否发生拥堵，不需要人工设定监测区域，也不需要确定车辆速度，相关技术中确定道路拥堵的方案存在对道路的拥堵情况判断不准确的问题，提高了对道路拥堵情况判断的准确性。
附图说明
图1为本申请实施例提供的道路运行情况确定方法的一种实现流程示意图；
图2为本申请实施例提供的道路运行情况确定方法的另一种实现流程示意图；
图3为本申请实施例的道路运行情况确定方法中划分待监测道路为不同方向道路所采用的划分模型的示意图；
图4为本申请实施例提供的相邻两个元胞的示意图；
图5a-5d为本申请实施例提供的道路运行情况确定方法中的待监测道路划分示意图；
图6a-6b为本申请实施例提供的道路运行情况确定方法中的待监测道路形成拥堵的示意图；
图7为本申请实施例提供的道路运行情况确定方法的再一种实现流程示意图；
图8为本申请实施例提供的道路运行情况确定方法中的待监测道路的拥堵向上行道路传播的示意图；
图9a-9d为本申请实施例提供的摄像头转动前后待监测道路示意图；
图10为本申请实施例提供的道路运行情况确定方法的又一种实现流程示意图；
图11为本申请实施例道路运行情况确定装置的组成结构示意图；
图12为本申请实施例道路运行情况确定设备的组成结构示意图。
具体实施方式
为了使本申请的目的、技术方案和优点更加清楚，下面将结合附图对本申请作进一步地详细描述，所描述的实施例不应视为对本申请的限制，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它实施例，都属于本申请保护的范围。
在以下的描述中，涉及到“一些实施例”，其描述了所有可能实施例的子集，但是可以理解，“一些实施例”可以是所有可能实施例的相同子集或不同子集，并且可以在不冲突的情况下相互结合。
本申请的实施例提供一种道路运行情况确定方法，该方法可以应用于道路运行情况确定设备中，参照图1所示，该方法包括以下步骤：
步骤101、获取待监测道路的图像。
其中，图像为对监测道路进行拍摄得到的。
在本申请实施例中，待监测道路的图像可以是通过对待监测道路的实施例画面进行采集得到的；在一种可行的实现方式中，实时拍摄待监测道路的视频，从待监测道路的视频中获取多帧图像得到待监测道路的图像。
步骤102、获取待监测道路的车辆数，并基于图像和待监测道路的车辆数将待监测道路划分为上行道路和下行道路。
其中，对图像进行分析后确定待监测道路中车辆的行驶方向，之后可以根据车辆的行驶方向、图像和待监测道路的车辆数将待监测道路划分为上行道路和下行道路。需要说明的是，可以是针对同一方向的待监测道路划分上行道路和下行道路的；获取的可以是待监测道路在一段时间内的车辆数。
步骤103、获取待监测道路的上行道路的车辆数和下行道路的车辆数，并基于待监测道路的车辆数、上行道路的车辆数、下行道路的车辆数和待监测道路的交通波，确定目标域值。
其中，获取的可以是待监测道路的上行道路在一段时间内的车辆数，和待监测道路的下行道路在一段时间内的车辆数；待监测道路的交通波可以是待监测道路在疑似拥堵时刻的交通波；获取到相应的车辆数后，可以是先根据待监测道路的车辆数确定疑似拥堵时刻和疑似拥堵数量，然后根据待监测道路的上行道路的车辆数、待监测道路的上行道路的车辆数和疑似拥堵时刻，确定待监测道路在疑似拥堵时刻的交通波存下拥堵交通波时，则设定目标阈值为疑似拥堵数量。需要说明的是，疑似拥堵数量为待监测道路在疑似拥堵时刻的车辆的数量。
步骤104、在待监测道路的车辆数大于目标域值的情况下，确定待监测道路发生拥堵。
其中，待监测道路的车辆的数量大于目标阈值，此时可以认为待监测道路该时刻的车辆数比较大，待监测道路在该时刻存在拥堵；在一种可行的实现方式中，为了避免因为某种突发事件，例如有车辆突然掉头等导致的暂时性拥堵，可以进一步在待监测道路的车辆的数量大于目标阈值的持续时间超过预设时间阈值时，才确定待监测道路发生拥堵；此时，可以将拥堵路段的信息上报交通管理部门。
本申请的实施例所提供的道路运行情况确定方法，获取待监测道路的图像和待监测道路的车辆数，图像为对监测道路进行拍摄得到的，基于图像和待监测道路的车辆数将待监测道路划分为上行道路和下行道路，获取待监测道路的上行道路的车辆数和下行道路的车辆数，并基于待监测道路的车辆数、上行道路的车辆数、下行道路的车辆数和待监测道路的交通波，确定目标域值，最终，在待监测道路的车辆的数量大于目标域值的情况下，确定待监测道路发生拥堵；如此，直接根据待监测道路的图像确定的目标阈值以及道路的车辆数，就可以确定待监测道路是否发生拥堵，不需要人工设定监测区域，也不需要确定车辆速度，相关技术中确定道路拥堵的方案存在对道路的拥堵情况判断不准确的问题，提高了对道路拥堵情况判断的准确性。
基于前述实施例，本申请的实施例提供一种道路运行情况确定方法，参照图2所示，该方法包括以下步骤：
步骤201、道路运行情况确定设备获取待监测道路的图像。
其中，图像为对监测道路进行拍摄得到的。
需要说明的是，待监测道路的图像可以是从实时拍摄得到的针对待监测道路的视频中，每间隔一定帧数采集图像来得到的。在一种可行的实现方式中，待监测道路可以是不分车辆运行方向的一段需要监测的道路，即待监测道路中包括不同行驶方向的道路；当然，待监测道路也可以是按照车辆运行方向分开的一段需要监测的道路，即待监测道路中包括一固定行驶方向的道路。若待监测道路中只包括一固定行驶方向的道路，在实际执行中不需要执行将待监测道路划分不同方向道路的步骤。
步骤202、道路运行情况确定设备对图像进行分析，采用神经网络算法将待监测道路分为不同方向道路。
其中，划分待监测道路为不同方向道路可以采用神经网络算法对图像进行分析来实现的；在一种可行的实现方式中，可以采用图3中所示的划分模型，采用神经网络算法中的残差神经网络(ResNet)算法和Deeplab v3神经网络算法对图像进行分析，进而确定出待监测道路的不同方向道路的。需要说明的是，待监测道路的不同方向道路是按照车辆行驶方向划分的；一般，可以将待监测道路划分为两个方向道路，即第一方向道路和第二方向道路。
步骤203、道路运行情况确定设备分别获取待监测道路的每一方向道路的车辆数。
步骤204、道路运行情况确定设备基于图像和每一方向道路的车辆数，分别将待监测道路的每一方向道路划分为上行道路和下行道路。
其中，在实际应用中可以是沿着车辆行驶方向，根据待监测道路的车辆数将待监测道路的每一方向道路划分成上行道路和下行道路两段道路。如果待监测道路中只包括一种方向道路，那直接沿着车辆行驶方向待监测道路划分成上行道路和下行道路就行，不需要分别针对每一方向道路来划分。
需要说明的是，步骤204道路运行情况确定设备基于图像和每一方向道路的车辆数，分别将每一方向道路划分为上行道路和下行道路可以通过以下方式来实现：
步骤204a、道路运行情况确定设备分别将每一方向道路离散成J个部分。
其中，J为大于1的正整数；每个部分对应的路段的距离相等。
其中，实际应用中可以使用元胞传输模型(cell transmission model,CTM)将待监测道路的路段空间离散成距离相等的J个小格子(cell),将时间平均划分成数量上与cell数量相同的T个时间段。在某一时刻，任意一个小格子内部交通状态认为是均质的，相邻小格子之间的交通状态可用于模拟交通激波、排队形成和排队消散等现象。如图4所示为两个相邻的cell的示意图，其中
Figure BDA0002681510000000132
表示元胞celli对应的道路的路段上的车辆数，
Figure BDA0002681510000000131
表示元胞celli+1对应的道路的路段上的车辆数。需要说明的是，可以根据多个cell仅确认球机或枪机对应的拍摄场景中，每一方向的道路的车流波的分界线，将每一方向道路划分为上行道路和下行道路；且，可以理解的是每个cell可以认为是一个车流波。
步骤204b、道路运行情况确定设备对图像和每一方向道路的车辆数进行分析，分别确定每一方向道路的J个部分中每个部分在第一预设时间段内的车辆数。
在本申请实施例中，车辆数的确定包括自纠正模型训练和深度卷积网络预测两部分；其中，自纠正模型训练分为两个阶段，1)采用固定的高斯密度图标签来监督训练深度计数网络。训练过程包括：输入图像，网络前馈得到密度图，计算密度图和标签的欧式距离作为损失函数，反向梯度传播更新网络的参数；2)结合模型的预测纠正密度图标签，并采用与模型对应的损失函数。深度卷积网络预测部分，输入图像后，输出为反应车辆位置的密度图，将密度图中所有像素值求和的和值作为图像中所包含的车辆的数量。其中，第一预设时间段可以是预设的一个时间段；在一种可行的实现方式中，第一预设时间段的取值可以是120-300秒之间。
步骤204c、道路运行情况确定设备对第一预设时间段内每一方向道路的每个部分的车辆数进行运算，并基于运算结果分别将每一方向道路划分为上行道路和下行道路。
其中，道路运行情况确定设备可以根据第一预设时间段内每一方向道路的每个部分的车辆数确定切割点，之后根据切割点将待监测道路的每一方向道路划分为上行道路和下行道路。
在一种可行的实现方式中，如图5a至图5d所示为示例性的说明将待监测道路的每一方向道路的上行道路和下行道路，在待监测道路中的区域。
步骤205、道路运行情况确定设备获取第二预设时间段内每个时刻待监测道路的每一方向道路的车辆的第一数量。
步骤206、道路运行情况确定设备基于第二预设时间段内每个时刻待监测道路的每一方向道路的车辆的第一数量进行计算，确定每一方向道路的疑似拥堵时刻和疑似拥堵数量。
在本申请实施例中，可以获取第二预设时间段内每个时刻间隔预设间隔时间后，每一方向道路的车辆的第二数量，并获取第二预设时间段内每个时刻间隔预设间隔时间前，每一方向道路的车辆的第三数量，之后比较第一数量与第二数量和第三数量的关系，确定疑似拥堵时刻和疑似拥堵数量。
其中，步骤206道路运行情况确定设备基于第二预设时间段内每个时刻待监测道路的每一方向道路的车辆的第一数量进行计算，确定每一方向道路的疑似拥堵时刻和疑似拥堵数量，可以通过以下方式来实现：
步骤206a、道路运行情况确定设备获取第二预设时间段内每个时刻间隔预设间隔时间后，每一方向道路的车辆的第二数量。
步骤206b、道路运行情况确定设备获取第二预设时间段内每个时刻间隔预设间隔时间前，每一方向道路的车辆的第三数量。
步骤206c、道路运行情况确定设备针对每一方向道路，确定第一数量小于第二数量，且第一数量大于第三数量的时刻为疑似拥堵时刻，并确定疑似拥堵时刻的车辆的数量为疑似拥堵数量。
其中，可以通过比较第一数量与第二数量和第三数量的大小关系，来确定疑似拥堵时刻；在一种可行的待监测道路实现方式中，可以采用如下数学表达式(1)和(2)来确定疑似拥堵时刻，若第二预设时间段内某一时刻待监测道路的每一方向道路的第一数量大于第三数量，且第一数量小于第二数量的时刻为疑似拥堵时刻。
Figure BDA0002681510000000151
Figure BDA0002681510000000152
其中，
Figure BDA0002681510000000153
表示元胞celli在t-Δt时刻对应的道路的路段上的车辆数，
Figure BDA0002681510000000154
表示元胞celli在t+Δt时刻对应的道路的路段上的车辆数。需要说明的是，第一数量、第二数量和第三数量计算的是待监测道路的上行道路的车辆数和下行道路的车辆数的总和。
需要说明的是，第二预设时间段可以是经过平滑处理后设置的一个值，可以通过过去T个时刻的待监测道路的历史车辆数值进行平滑，比较路段在拥堵发生前后两个时刻的车辆数差值，若T值取值过大，则会弱化在拥堵发生时，车辆数骤增的过程；若T值取值过小，则会使路段实际车辆数过于波动，较难分析得出交通流变化的实际趋势；在一种可行的实现方式中，第二预设时间段的取值可以为120-300秒之间；Δt的取值可以为2-5分钟。
如图6a中所示，当道路发生拥堵时，交通流密度会上升，拥堵发生前道路上的车辆数明显因为拥堵形成的排队而增多；如图6b中所示，相应的，拥堵发生时车辆数随着时间的推移也在急剧上升。
步骤207、道路运行情况确定设备获取第一预设时间段内每个时刻每一方向道路的上行道路的车辆数和下行道路的车辆数。
步骤208、道路运行情况确定设备针对每一方向道路，基于第一预设时间段内每个时刻每一方向道路的上行道路的车辆数和下行道路的车辆数，确定待监测道路在疑似拥堵时刻的交通波存在拥堵交通波时，确定目标域值为疑似拥堵数量。
其中，道路运行情况确定设备可以计算车从上行道路运行到下行道路的时间，并计算疑似拥堵时刻的待监测道路的每一方向道路的上行道路的第一增长率，和与疑似拥堵时刻间隔运行时间后的每一方向道路的下行道路的第二增长率，之后，基于第一增长率和第二增长率计算得到一个待判定数值，最终根据待判定数值与预设阈值的关系确定目标阈值。
需要说明的是，步骤208针对每一方向道路，基于第一预设时间段内每个时刻每一方向道路的上行道路的车辆数和下行道路的车辆数，确定待监测道路在疑似拥堵时刻的交通波存在拥堵交通波时，确定目标域值为疑似拥堵数量，可以通过以下方式来实现：
步骤208a、道路运行情况确定设备基于第一预设时间段内每个时刻每一方向道路的上行道路的车辆数和下行道路的车辆数，计算得到每一方向道路的运行时间。
其中，运行时间为车从上行道路运行到下行道路的时间。
需要说明的是，可以采用公式
Figure BDA0002681510000000161
来计算运行时间；其中，τ表示运行时间，
Figure BDA0002681510000000162
表示上行道路在t时刻的车辆数，
Figure BDA0002681510000000163
表示下行道路在t+Δt时刻的车辆数；Δt是未知数。在一种可行的实现方式中，τ的值可以是
Figure BDA0002681510000000164
取最小值时对应的Δt的取值。
步骤208b、道路运行情况确定设备计算疑似拥堵时刻的待监测道路的每一方向道路的上行道路的第一增长率，和与疑似拥堵时刻间隔运行时间后的每一方向道路的下行道路的第二增长率。
其中，第一增长率可以是根据疑似拥堵时刻的待监测道路的每一方向道路的上行道路的车辆数和上行道路在一段时间内的平均车辆数计算得到的；相应的，第二增长率根据疑似拥堵时刻的待监测道路的每一方向道路的下行道路的车辆数和下行道路的平均车辆数计算得到的。
步骤208c、道路运行情况确定设备针对每一方向道路，基于第一增长率和第二增长率计算待判定数值。
其中，可以计算第一增长率与第二增长率的第一差值，并计算疑似拥堵时刻的每一方向道路的车辆的数量，与疑似拥堵时刻的上一时刻的每一方向道路的车辆的数量之间的第二差值，之后基于该第一差值和第二差值计算待判定数值。
步骤208d、道路运行情况确定设备针对每一方向道路，在待判定数值的值大于预设阈值的情况下，确定待监测道路在疑似拥堵时刻的交通波存在拥堵交通波，并确定目标阈值为疑似拥堵数量。
步骤209、道路运行情况确定设备获取待监测道路的车辆数大于目标域值的持续时间。
步骤210、道路运行情况确定设备在待监测道路的车辆数大于目标域值，且持续时间大于预设时间阈值的情况下，确定待监测道路发生拥堵。
需要说明的是，本实施例中待监测道路的车辆数的获取方法均可以采用步骤204b中所示出的获取车辆数的方法；本实施例中与其它实施例中相同步骤和相同内容的说明，可以参照其它实施例中的描述，此处不再赘述。
本申请的实施例所提供的道路运行情况确定方法，获取待监测道路的图像和待监测道路的车辆数，图像为对监测道路进行拍摄得到的，基于图像和待监测道路的车辆数将待监测道路划分为上行道路和下行道路，获取待监测道路的上行道路的车辆数和下行道路的车辆数，并基于待监测道路的车辆数、上行道路的车辆数、下行道路的车辆数和待监测道路的交通波，确定目标域值，最终，在待监测道路的车辆的数量大于目标域值的情况下，确定待监测道路发生拥堵；如此，直接根据待监测道路的图像确定的目标阈值以及道路的车辆数，就可以确定待监测道路是否发生拥堵，不需要人工设定监测区域，也不需要确定车辆速度，相关技术中确定道路拥堵的方案存在对道路的拥堵情况判断不准确的问题，提高了对道路拥堵情况判断的准确性。
基于前述实施例，本申请实施例提供一种道路运行情况确定方法，参照图7所示，该方法包括以下步骤：
步骤301、道路运行情况确定设备获取待监测道路的图像。
其中，图像为对监测道路进行拍摄得到的。
步骤302、道路运行情况确定设备对图像进行分析，采用神经网络算法将待监测道路分为不同方向道路。
步骤303、道路运行情况确定设备分别获取待监测道路的每一方向道路的车辆数。
步骤304、道路运行情况确定设备分别将每一方向道路离散成J个部分。
其中，J为大于1的正整数；
步骤305、道路运行情况确定设备对图像和每一方向道路的车辆数进行分析，分别确定每一方向道路的J个部分中每个部分在第一预设时间段内的车辆数。
步骤306、道路运行情况确定设备基于第一预设时间段内每一方向道路的每个部分的车辆数进行计算，得到切割点k。
需要说明的是，可以采用公式
Figure BDA0002681510000000181
其中，
Figure BDA0002681510000000182
表示每一方向道路的每个部分在t时刻的车辆数；k是未知数；在一种可行的实现方式中，k的值可以是
Figure BDA0002681510000000183
取最小值时对应的k的取值。
步骤307、道路运行情况确定设备按照车辆的行驶方向，确定每一方向道路中前k个部分对应的道路为上行道路，并确定每一方向道路中除前k个部分外剩余部分对应的道路为下行道路。
在一种可行的实现方式中，可以分别针对每一方向道路，沿着车辆的行驶方向，将前k个部分对应的道路为上行道路划分为上行道路，将除前k个部分外剩余部分对应的道路划为下行道路。
步骤308、道路运行情况确定设备获取第二预设时间段内每个时刻待监测道路的每一方向道路的车辆的第一数量。
步骤309、道路运行情况确定设备获取第二预设时间段内每个时刻间隔预设间隔时间后，每一方向道路的车辆的第二数量。
步骤310、道路运行情况确定设备获取第二预设时间段内每个时刻间隔预设间隔时间前，每一方向道路的车辆的第三数量。
步骤311、道路运行情况确定设备针对每一方向道路，确定第一数量小于第二数量，且第一数量大于第三数量的时刻为疑似拥堵时刻，并确定疑似拥堵时刻的车辆的数量为疑似拥堵数量。
步骤312、道路运行情况确定设备获取第一预设时间段内每个时刻每一方向道路的上行道路的车辆数和下行道路的车辆数。
步骤313、道路运行情况确定设备基于第一预设时间段内每个时刻每一方向道路的上行道路的车辆数和下行道路的车辆数，计算得到每一方向道路的运行时间。
其中，运行时间为车从上行道路运行到下行道路的时间。
步骤314、道路运行情况确定设备计算疑似拥堵时刻的待监测道路的每一方向道路的上行道路的第一增长率，和与疑似拥堵时刻间隔运行时间后的每一方向道路的下行道路的第二增长率。
其中，步骤314道路运行情况确定设备计算疑似拥堵时刻的待监测道路的每一方向道路的上行道路的第一增长率，和与疑似拥堵时刻间隔运行时间后的每一方向道路的下行道路的第二增长率，可以通过以下方式来实现：
步骤314a、道路运行情况确定设备获取每一方向道路的上行道路在疑似拥堵时刻的车辆数，和每一方向道路的下行道路在与疑似拥堵时刻间隔运行时间后的时刻的车辆数。
步骤314b、道路运行情况确定设备计算第三预设时间段内每一方向道路的上行道路的第一平均车辆数和下行道路的第二平均车辆数。
步骤314c、道路运行情况确定设备基于每一方向道路的上行道路在疑似拥堵时刻的车辆数和每一方向道路的第一平均车辆数，计算第一增长率。
步骤314d、道路运行情况确定设备基于每一方向道路的下行道路在与疑似拥堵时刻间隔运行时间后的时刻的车辆数和每一方向道路的第二平均车辆数，计算第二增长率。
在一种可行的实现方式中，可以采用公式
Figure BDA0002681510000000201
来计算第一增长率和第二增长率；其中，xi∈[xup,xdown]；
Figure BDA0002681510000000202
表示每一方向道路的上行道路在疑似拥堵时刻的车辆数，或每一方向道路的下行道路在疑似拥堵时刻的车辆数，
Figure BDA0002681510000000203
表示第一平均车辆数或第二平均车辆数；
Figure BDA0002681510000000204
表示上行道路或下行道路的增长率。需要说明的是，在计算第二增长率的时候，t替换为t+Δt。
在本申请实施例中，每一时刻的取值可以是5-10秒。
步骤315、道路运行情况确定设备针对每一方向道路，基于第一增长率和第二增长率计算待判定数值。
其中，步骤315道路运行情况确定设备针对每一方向道路基于第一增长率和第二增长率计算待判定数值，可以通过以下方式来实现：
步骤315a、道路运行情况确定设备基于每一方向道路的第一增长率和第二增长率，计算每一方向道路的上行道路和下行道路增长率的第一差值。
需要说明的是，可以采用公式
Figure BDA0002681510000000205
来计算第一差值；其中，Δspace_ratet表示第一差值，
Figure BDA0002681510000000206
表示第二增长率，
Figure BDA0002681510000000207
表示第一增长率。
步骤315b、道路运行情况确定设备计算疑似拥堵时刻的每一方向道路的车辆的数量，与疑似拥堵时刻的上一时刻的每一方向道路的车辆的数量之间的第二差值。
需要说明的是，可以采用公式
Figure BDA0002681510000000208
来计算第二差值；其中，
Figure BDA0002681510000000209
表示第二差值，
Figure BDA00026815100000002010
表示t-1时刻的车辆的数量。
步骤315c、道路运行情况确定设备针对每一方向道路，基于第一差值和第二差值计算待判定数值。
其中，在基于第一差值和第二差值计算待判定数值的时候，可以是先基于第一差值和第二差值生成一个识别函数，之后计算识别函数的值得到待判定数值；在一种可行的实现方式中，若第二差值大于零，识别函数可以是第二差值的平方与第一差值的乘积；若第二差值小于或等于零，识别函数可以是第一差值；在一种可行的实现方式中，可以采用f(t)来表示识别函数；
Figure BDA0002681510000000211
其中，如果
Figure BDA0002681510000000212
Figure BDA0002681510000000213
如果
Figure BDA0002681510000000214
步骤316、道路运行情况确定设备针对每一方向道路，在待判定数值大于预设阈值的情况下，确定待监测道路在疑似拥堵时刻的交通波存在拥堵交通波，并确定目标阈值为疑似拥堵数量。
需要说明的是，预设阈值可以是
Figure BDA0002681510000000215
α为一系数，α的取值可以是[0,1]；预设阈值可以是根据历史车辆数设置的；若
Figure BDA0002681510000000216
表明存在交通波传播。其中，Δspace_ratet>0，表明下游的增长率大于上游的增长率，交通波有向上游传播的趋势，
Figure BDA0002681510000000217
表示当前时刻车辆数大于过去车辆数，区域内车辆数有增加趋势，两者均满足表明会发生拥堵。
在一种可行的实现方式中，当道路发生拥堵时，必然产生交通波，根据交通波理论，如图8中所示，拥堵形成的交通波(集结波)将随车辆排队队尾向上游道路传播，即从下游道路向上游道路传播；并且，如图8所示，拥堵开始时下游道路车辆数急剧增加，拥堵形成后，上游道路车辆数急剧增加；也就是说，先是下游道路车辆数急剧增加，之后是上游道路车辆数急剧增加。
在一种可行的实现方式中，在进行待监测道路的拥堵判断的时候可以是间隔30秒判断一次。
步骤317、道路运行情况确定设备获取待监测道路的车辆数大于目标域值的持续时间。
在一种可行的实现方式中，持续时间可以2-5分钟。
步骤318、道路运行情况确定设备在待监测道路的车辆数大于目标域值，且持续时间大于预设时间阈值的情况下，确定待监测道路发生拥堵。
本申请实施例在执行的时候，每次进行拥堵判别之前可以先判断采集待监测道路图像的摄像头是否发生转动；如果摄像头发生转动，可以采用本申请中的道路运行情况确定方法重新判断待监测道路是否发生拥堵。其中，摄像头是否发生转动可以是利用孪生网络比较前后两帧所示图片场景是否相同来实现的；其中，图9a和图9b为摄像头发生转动前拍摄的图像，图9c和图9d为摄像头发生转动前拍摄的图像。
其中，第一预设时间段、第二预设时间段和第三预设时间段可以不同。
需要说明的是，本实施例中与其它实施例中相同步骤和相同内容的说明，可以参照其它实施例中的描述，此处不再赘述。
本申请的实施例所提供的道路运行情况确定方法，直接根据待监测道路的图像确定的目标阈值以及道路的车辆数，就可以确定待监测道路是否发生拥堵，不需要人工设定监测区域，也不需要确定车辆速度，相关技术中确定道路拥堵的方案存在对道路的拥堵情况判断不准确的问题，提高了对道路拥堵情况判断的准确性。
基于前述实施例，如图10所示，在进行道路运行情况确定时可以是采用视频检测器采集待监测道路的图像，之后对待监测道路进行摄像头是否转动和行驶方向划分，之后经过待监测道路的车辆计数，待监测道路的路段上下行分幅，检测数据平滑与降噪，之后判断是否完成目标阈值的自学习算法，如果完成直接确定出目标阈值，如果未完成进行目标阈值自学习算法，之后确定目标阈值，进而确定待监测道路的交通状态。其中，检测数据平滑与降噪指的是上述实施例中描述的关于第一预设时间段、第二预设时间段、第三预设时间段、时刻、拥堵持续时间、拥堵判断时间和图像采集间隔帧数的限定说明。目标阈值的学习算法可以包括确定疑似拥堵数量和交通波传播识别两部分。
基于前述实施例，本申请的实施例提供一种道路运行情况确定装置，该装置可以应用于图1、图2和图7对应的实施例提供的道路运行情况确定方法中，参照图11所示，该装置4可以包括：
获取单元41，用于获取待监测道路的图像；
其中，图像为对监测道路进行拍摄得到的；
划分单元42，用于获取待监测道路的车辆数，并基于图像和待监测道路的车辆数将待监测道路划分为上行道路和下行道路；
第一确定单元43，用于获取待监测道路的上行道路的车辆数和下行道路的车辆数，并基于待监测道路的车辆数、上行道路的车辆数、下行道路的车辆数和待监测道路的交通波，确定目标域值；
第二确定单元44，用于在待监测道路的车辆数大于目标域值的情况下，确定待监测道路发生拥堵。
在本申请的其他实施例中，划分单元42可以包括：
第一确定模块，用于采用神经网络算法对图像进行分析，将待监测道路分为不同方向道路；
第一获取模块，用于分别获取待监测道路的每一方向道路的车辆数；
相应的，划分单元42还包括：
第二划分模块，还用于基于图像和每一方向道路的车辆数，分别将每一方向道路划分为上行道路和下行道路。
在本申请的其他实施例中，第二划分模块还用于执行以下步骤：
分别将每一方向道路离散成J个部分；
其中，J为大于1的正整数；
对图像和每一方向道路的车辆数进行分析，分别确定每一方向道路的J个部分中每个部分在第一预设时间段内的车辆数；
对第一预设时间段内每一方向道路的每个部分的车辆数进行运算，并基于运算结果分别将每一方向道路划分为上行道路和下行道路。
在本申请的其他实施例中，第二划分模块还用于执行以下步骤：
基于第一预设时间段内每一方向道路的每个部分的车辆数进行计算，得到切割点k；
按照车辆的行驶方向，确定每一方向道路中前k个部分对应的道路为上行道路，并确定每一方向道路中除前k个部分外剩余部分对应的道路为下行道路。
在本申请的其他实施例中，划分单元42，还包括：
第二获取模块，用于获取第二预设时间段内每个时刻待监测道路的每一方向道路的车辆的第一数量；
相应的，第一确定单元43包括：
第二确定模块，用于基于第二预设时间段内每个时刻待监测道路的每一方向道路的车辆的第一数量进行计算，确定每一方向道路的疑似拥堵时刻和疑似拥堵数量；
第二获取模块，用于获取第一预设时间段内每个时刻每一方向道路的上行道路的车辆数和下行道路的车辆数；
第三确定模块，用于针对每一方向道路，基于第一预设时间段内每个时刻每一方向道路的上行道路的车辆数和下行道路的车辆数，确定待监测道路在疑似拥堵时刻的交通波存在拥堵交通波时，确定目标域值为疑似拥堵数量。
在本申请的其他实施例中，第二确定模块还用于执行以下步骤：
获取第二预设时间段内每个时刻间隔预设间隔时间后，每一方向道路的车辆的第二数量；
获取第二预设时间段内每个时刻间隔预设间隔时间前，每一方向道路的车辆的第三数量；
针对每一方向道路，确定第一数量小于第二数量，且第一数量大于第三数量的时刻为疑似拥堵时刻，并确定疑似拥堵时刻的车辆的数量为疑似拥堵数量。
在本申请的其他实施例中，第三确定模块还用于执行以下步骤：
基于第一预设时间段内每个时刻每一方向道路的上行道路的车辆数和下行道路的车辆数，计算得到每一方向道路的运行时间；
其中，运行时间为车从上行道路运行到下行道路的时间；
计算疑似拥堵时刻的待监测道路的每一方向道路的上行道路的第一增长率，和与疑似拥堵时刻间隔运行时间后的每一方向道路的下行道路的第二增长率；
针对每一方向道路，基于第一增长率和第二增长率计算待判定数值；
针对每一方向道路，在待判定数值大于预设阈值的情况下，确定待监测道路在疑似拥堵时刻的交通波存在拥堵交通波，并确定目标阈值为疑似拥堵数量。
在本申请的其他实施例中，第三确定模块还用于执行以下步骤：
获取每一方向道路在疑似拥堵时刻的车辆数和与疑似拥堵时刻间隔运行时间后的时刻的车辆数；
计算第三预设时间段内每一方向道路的上行方向道路的第一平均车辆数和下行方向道路的第二平均车辆数；
基于每一方向道路的上行方向道路在疑似拥堵时刻的车辆数和每一方向道路的第一平均车辆数，计算第一增长率；
基于每一方向道路的下行方向道路在与疑似拥堵时刻间隔运行时间后的时刻的车辆数和每一方向道路的第二平均车辆数，计算第二增长率。
在本申请的其他实施例中，第三确定模块还用于执行以下步骤：
基于每一方向道路的第一增长率和第二增长率，计算每一方向道路的上行道路和下行道路增长率的第一差值；
计算疑似拥堵时刻的每一方向道路的车辆的数量，与疑似拥堵时刻的上一时刻的每一方向道路的车辆的数量之间的第二差值；
针对每一方向道路，基于第一差值和第二差值计算待判定数值。
在本申请的其他实施例中，第二确定单元还用于执行以下步骤：
获取待监测道路的车辆数大于目标域值的持续时间；
在待监测道路的车辆数大于目标域值，且持续时间大于预设时间阈值的情况下，确定待监测道路发生拥堵。
需要说明的是，本发明实施例中各个单元和模块之间的信息交互实现过程可以参照图1、图2、图7对应的实施例提供的道路运行情况确定方法中的描述，此处不再赘述。
本申请的实施例所提供的道路运行情况确定装置，直接根据待监测道路的图像确定的目标阈值以及道路的车辆数，就可以确定待监测道路是否发生拥堵，不需要人工设定监测区域，也不需要确定车辆速度，相关技术中确定道路拥堵的方案存在对道路的拥堵情况判断不准确的问题，提高了对道路拥堵情况判断的准确性。
本申请的实施例提供一种道路运行情况确定设备，该设备可以应用于图1、图2和图7对应的实施例提供的道路运行情况确定方法中，参照图12所示，该设备5至少可以包括：存储器51、通信总线52和处理器53，其中：
存储器51，用于存储道路运行情况确定程序；
通信总线52，用于实现处理器53和存储器51之间的连接通信；
处理器53，用于执行存储器51中存储的道路运行情况确定程序，以实现以下步骤：
获取待监测道路的图像；其中，图像为对监测道路进行拍摄得到的；
获取待监测道路的车辆数，并基于图像和待监测道路的车辆数将待监测道路划分为上行道路和下行道路；
获取待监测道路的上行道路的车辆数和下行道路的车辆数，并基于待监测道路的车辆数、上行道路的车辆数、下行道路的车辆数和待监测道路的交通波，确定目标域值；
在待监测道路的车辆数大于目标域值的情况下，确定待监测道路发生拥堵。
在本申请的其他实施例中，处理器53用于执行存储器51中存储的道路运行情况确定程序的基于图像，将待监测道路划分为上行道路和下行道路，以实现以下步骤：
采用神经网络算法对图像进行分析，分别将每一方向道路划分为上行道路和下行道路；
分别获取待监测道路的每一方向道路的车辆数；
基于图像和每一方向道路的车辆数，分别将每一方向道路划分为上行道路和下行道路。
在本申请的其他实施例中，处理器53用于执行存储器51中存储的道路运行情况确定程序的基于图像和每一方向道路的车辆数，分别将每一方向道路划分为上行道路和下行道路，以实现以下步骤：
分别将每一方向道路离散成J个部分；其中，J为大于1的正整数；
对图像和每一方向道路的车辆数进行分析，分别确定每一方向道路的J个部分中每个部分在第一预设时间段内的车辆数；
对第一预设时间段内每一方向道路的每个部分的车辆数进行运算，并基于运算结果分别将每一方向道路划分为上行道路和下行道路。
在本申请的其他实施例中，处理器53用于执行存储器51中存储的道路运行情况确定程序的获取待监测道路的车辆数、上行道路的车辆数和下行道路的车辆数，并基于待监测道路的车辆数、上行道路的车辆数、下行道路的车辆数和待监测道路的交通波，确定目标域值，以实现以下步骤：
获取第二预设时间段内每个时刻待监测道路的每一方向道路的车辆的第一数量；
基于第二预设时间段内每个时刻待监测道路的每一方向道路的车辆的第一数量进行计算，确定每一方向道路的疑似拥堵时刻和疑似拥堵数量；
获取第一预设时间段内每个时刻每一方向道路的上行道路的车辆数和下行道路的车辆数；
针对每一方向道路，基于第一预设时间段内每个时刻每一方向道路的上行道路的车辆数和下行道路的车辆数，确定待监测道路在疑似拥堵时刻的交通波存在拥堵交通波时，确定目标域值为疑似拥堵数量。
在本申请的其他实施例中，处理器53用于执行存储器51中存储的道路运行情况确定程序的基于第二预设时间段内每个时刻待监测道路的每一方向道路的车辆的第一数量进行计算，确定每一方向道路的疑似拥堵时刻和疑似拥堵数量，以实现以下步骤：
获取第二预设时间段内每个时刻间隔预设间隔时间后，每一方向道路的车辆的第二数量；
获取第二预设时间段内每个时刻间隔预设间隔时间前，每一方向道路的车辆的第三数量；
针对每一方向道路，确定第一数量小于第二数量，且第一数量大于第三数量的时刻为疑似拥堵时刻，并确定疑似拥堵时刻的车辆的数量为疑似拥堵数量。
在本申请的其他实施例中，处理器53用于执行存储器51中存储的道路运行情况确定程序的针对每一方向道路，确定第一数量小于第二数量，且第一数量大于第三数量的时刻为疑似拥堵时刻，并确定疑似拥堵时刻的车辆的数量为疑似拥堵数量，以实现以下步骤：
基于第一预设时间段内每个时刻每一方向道路的上行道路的车辆数和下行道路的车辆数，计算得到每一方向道路的运行时间；
其中，运行时间为车从上行道路运行到下行道路的时间；
计算疑似拥堵时刻的待监测道路的每一方向道路的上行道路的第一增长率，和与疑似拥堵时刻间隔运行时间后的每一方向道路的下行道路的第二增长率；
针对每一方向道路，基于第一增长率和第二增长率计算待判定数值；
针对每一方向道路，在待判定数值大于预设阈值的情况下，确定待监测道路在疑似拥堵时刻的交通波存在拥堵交通波，并确定目标阈值为疑似拥堵数量。
在本申请的其他实施例中，处理器53用于执行存储器51中存储的道路运行情况确定程序的计算疑似拥堵时刻的待监测道路的每一方向道路的上行道路的第一增长率，和与疑似拥堵时刻间隔运行时间后的每一方向道路的下行道路的第二增长率，以实现以下步骤：
获取每一方向道路在疑似拥堵时刻的车辆数和与疑似拥堵时刻间隔运行时间后的时刻的车辆数；
计算第三预设时间段内每一方向道路的上行方向道路的第一平均车辆数和下行方向道路的第二平均车辆数；
基于每一方向道路的上行方向道路在疑似拥堵时刻的车辆数和每一方向道路的第一平均车辆数，计算第一增长率；
基于每一方向道路的下行方向道路在与疑似拥堵时刻间隔运行时间后的时刻的车辆数和每一方向道路的第二平均车辆数，计算第二增长率。
在本申请的其他实施例中，处理器53用于执行存储器51中存储的道路运行情况确定程序的针对每一方向道路，基于第一增长率和第二增长率计算待判定数值，以实现以下步骤：
基于每一方向道路的第一增长率和第二增长率，计算每一方向道路的上行道路和下行道路增长率的第一差值；
计算疑似拥堵时刻的每一方向道路的车辆的数量，与疑似拥堵时刻的上一时刻的每一方向道路的车辆的数量之间的第二差值；
针对每一方向道路，基于第一差值和第二差值计算待判定数值。
在本申请的其他实施例中，处理器53用于执行存储器51中存储的道路运行情况确定程序的在待监测道路的车辆数大于目标域值的情况下，确定待监测道路发生拥堵，以实现以下步骤：
获取待监测道路的车辆数大于目标域值的持续时间；
在待监测道路的车辆数大于目标域值，且持续时间大于预设时间阈值的情况下，确定待监测道路发生拥堵。
需要说明的是，本实施例中处理器所执行的步骤的具体实现过程，可以参照图1、图2和图7对应的实施例提供的道路运行情况确定方法中的实现过程，此处不再赘述。
本申请的实施例所提供的道路运行情况确定设备，直接根据待监测道路的图像确定的目标阈值以及道路的车辆数，就可以确定待监测道路是否发生拥堵，不需要人工设定监测区域，也不需要确定车辆速度，相关技术中确定道路拥堵的方案存在对道路的拥堵情况判断不准确的问题，提高了对道路拥堵情况判断的准确性。
基于前述实施例，本申请的实施例提供一种计算机可读存储介质，该计算机可读存储介质存储有一个或者多个程序，该一个或者多个程序可被一个或者多个处理器执行，以实现上述实施例中道路运行情况确定方法的步骤。
应理解，说明书通篇中提到的“一个实施例”或“一实施例”意味着与实施例有关的特定特征、结构或特性包括在本申请的至少一个实施例中。因此，在整个说明书各处出现的“在一个实施例中”或“在一实施例中”未必一定指相同的实施例。此外，这些特定的特征、结构或特性可以任意适合的方式结合在一个或多个实施例中。应理解，在本申请的各种实施例中，上述各过程的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本申请实施例的实施过程构成任何限定。上述本申请实施例序号仅仅为了描述，不代表实施例的优劣。
需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者装置不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者装置所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素。
在本申请所提供的几个实施例中，应该理解到，所揭露的设备和方法，可以通过其它的方式实现。以上所描述的设备实施例仅仅是示意性的，例如，单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，如：多个单元或组件可以结合，或可以集成到另一个系统，或一些特征可以忽略，或不执行。另外，所显示或讨论的各组成部分相互之间的耦合、或直接耦合、或通信连接可以是通过一些接口，设备或单元的间接耦合或通信连接，可以是电性的、机械的或其它形式的。
另外，在本申请各实施例中的各功能单元可以全部集成在一个处理单元中，也可以是各单元分别单独作为一个单元，也可以两个或两个以上单元集成在一个单元中；上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能单元的形式实现。
本领域普通技术人员可以理解：实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成，前述的程序可以存储于计算机可读取存储介质中，该程序在执行时，执行包括上述方法实施例的步骤；而前述的存储介质包括：移动存储设备、只读存储器(Read Only Memory，ROM)、磁碟或者光盘等各种可以存储程序代码的介质。
或者，本申请上述集成的单元如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也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，本申请实施例的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)执行本申请各个实施例所述方法的全部或部分。而前述的存储介质包括：移动存储设备、ROM、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述，仅为本申请的具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应以所述权利要求的保护范围为准。

Claims (13)

1.一种道路运行情况确定方法，其特征在于，所述方法包括：
获取待监测道路的图像；其中，所述图像为对所述监测道路进行拍摄得到的；
获取所述待监测道路的车辆数，并基于所述图像和所述待监测道路的车辆数将所述待监测道路划分为上行道路和下行道路；
获取所述上行道路的车辆数和所述下行道路的车辆数，并基于所述待监测道路的车辆数、所述上行道路的车辆数、所述下行道路的车辆数和所述待监测道路的交通波，确定目标域值；
在所述待监测道路的车辆数大于所述目标域值的情况下，确定所述待监测道路发生拥堵。
2.根据权利要求1所述的方法，其特征在于，所述获取所述待监测道路的车辆数，包括：
采用神经网络算法对所述图像进行分析，将所述待监测道路分为不同方向道路；
分别获取所述待监测道路的每一方向道路的车辆数；
相应的，所述基于所述图像和所述待监测道路的车辆数，将所述待监测道路划分为上行道路和下行道路，包括：
基于所述图像和所述每一方向道路的车辆数，分别将每一方向道路划分为上行道路和下行道路。
3.根据权利要求2所述的方法，其特征在于，所述基于所述图像和所述每一方向道路的车辆数，分别将每一方向道路划分为上行道路和下行道路，包括：
分别将所述每一方向道路离散成J个部分；其中，J为大于1的正整数；
对所述图像和所述每一方向道路的车辆数进行分析，分别确定每一方向道路的所述J个部分中每个部分在第一预设时间段内的车辆数；
对第一预设时间段内所述每一方向道路的每个部分的车辆数进行运算，并基于运算结果分别将所述每一方向道路划分为上行道路和下行道路。
4.根据权利要求3所述的方法，其特征在于，所述对第一预设时间段内所述每一方向道路的每个部分的车辆数进行运算，并基于运算结果分别将所述每一方向道路划分为上行道路和下行道路，包括：
基于所述第一预设时间段内所述每一方向道路的每个部分的车辆数进行计算，得到切割点k；
按照所述车辆的行驶方向，确定所述每一方向道路中前k个部分对应的道路为上行道路，并确定所述每一方向道路中除前k个部分外剩余部分对应的道路为下行道路。
5.根据权利要求1所述的方法，其特征在于，所述获取所述待监测道路的车辆数，包括：
获取第二预设时间段内每个时刻所述待监测道路的每一方向道路的车辆的第一数量；
相应的，所述获取所述上行道路的车辆数和所述下行道路的车辆数，并基于所述待监测道路的车辆数、所述上行道路的车辆数、所述下行道路的车辆数和所述待监测道路的交通波，确定目标域值，包括：
基于所述第二预设时间段内每个时刻所述待监测道路的每一方向道路的车辆的第一数量进行计算，确定所述每一方向道路的疑似拥堵时刻和疑似拥堵数量；
获取第一预设时间段内每个时刻所述每一方向道路的上行道路的车辆数和下行道路的车辆数；
针对每一方向道路，基于所述第一预设时间段内每个时刻所述每一方向道路的上行道路的车辆数和下行道路的车辆数，确定所述待监测道路在所述疑似拥堵时刻的交通波存在拥堵交通波时，确定目标域值为所述疑似拥堵数量。
6.根据权利要求5所述的方法，其特征在于，所述基于第二预设时间段内每个时刻所述待监测道路的每一方向道路的车辆的第一数量进行计算，确定所述每一方向道路的疑似拥堵时刻和疑似拥堵数量，包括：
获取所述第二预设时间段内每个时刻间隔预设间隔时间后，所述每一方向道路的车辆的第二数量；
获取所述第二预设时间段内每个时刻间隔预设间隔时间前，所述每一方向道路的车辆的第三数量；
针对每一方向道路，确定所述第一数量小于所述第二数量，且所述第一数量大于所述第三数量的时刻为所述疑似拥堵时刻，并确定所述疑似拥堵时刻的车辆的数量为所述疑似拥堵数量。
7.根据权利要求5或6所述的方法，其特征在于，所述针对每一方向道路，基于所述第一预设时间段内每个时刻所述每一方向道路的上行道路的车辆数和下行道路的车辆数，确定所述待监测道路在所述疑似拥堵时刻的交通波存在拥堵交通波时，确定目标域值为所述疑似拥堵数量，包括：
基于所述第一预设时间段内每个时刻每一方向道路的上行道路的车辆数和下行道路的车辆数，计算得到所述每一方向道路的运行时间；其中，所述运行时间为车从上行道路运行到下行道路的时间；
计算所述疑似拥堵时刻的待监测道路的每一方向道路的上行道路的第一增长率，和与所述疑似拥堵时刻间隔所述运行时间后的所述每一方向道路的下行道路的第二增长率；
针对每一方向道路，基于所述第一增长率和所述第二增长率计算待判定数值；
针对每一方向道路，在所述待判定数值大于预设阈值的情况下，确定所述待监测道路在所述疑似拥堵时刻的交通波存在拥堵交通波，并确定所述目标域值 为所述疑似拥堵数量。
8.根据权利要求7所述的方法，其特征在于，所述计算所述疑似拥堵时刻的待监测道路的每一方向道路的上行道路的增长率，和与所述疑似拥堵时刻间隔所述运行时间后的所述每一方向道路的下行道路的增长率，包括：
获取每一方向道路的上行道路在疑似拥堵时刻的车辆数，和每一方向道路的下行道路在与所述疑似拥堵时刻间隔所述运行时间后的时刻的车辆数；
计算第三预设时间段内每一方向道路的上行道路的第一平均车辆数和下行道路的第二平均车辆数；
基于每一方向道路的上行道路在疑似拥堵时刻的车辆数和所述每一方向道路的第一平均车辆数，计算所述第一增长率；
基于所述每一方向道路的下行道路在与所述疑似拥堵时刻间隔所述运行时间后的时刻的车辆数和所述每一方向道路的第二平均车辆数，计算所述第二增长率。
9.根据权利要求7所述的方法，其特征在于，所述针对每一方向道路，基于所述第一增长率和所述第二增长率计算待判定数值，包括：
基于每一方向道路的所述第一增长率和所述第二增长率，计算每一方向道路的上行道路和下行道路增长率的第一差值；
计算所述疑似拥堵时刻的每一方向道路的车辆的数量，与疑似拥堵时刻的上一时刻的每一方向道路的车辆的数量之间的第二差值；
针对每一方向道路，基于所述第一差值和第二差值计算所述待判定数值。
10.根据权利要求1所述的方法，其特征在于，所述在所述待监测道路的车辆数大于所述目标域值的情况下，确定所述待监测道路发生拥堵，包括：
获取所述待监测道路的车辆数大于所述目标域值的持续时间；
在所述待监测道路的车辆数大于所述目标域值，且所述持续时间大于预设时间阈值的情况下，确定所述待监测道路发生拥堵。
11.一种道路运行情况确定装置，其特征在于，所述装置包括：
获取单元，用于获取待监测道路的图像；其中，所述图像为对所述监测道路进行拍摄得到的；
划分单元，用于获取所述待监测道路的车辆数，并基于所述图像和所述待监测道路的车辆数将所述待监测道路划分为上行道路和下行道路；
第一确定单元，用于获取所述上行道路的车辆数和所述下行道路的车辆数，并基于所述待监测道路的车辆数、所述上行道路的车辆数、所述下行道路的车辆数和所述待监测道路的交通波，确定目标域值；
第二确定单元，用于在所述待监测道路的车辆数大于所述目标域值的情况下，确定所述待监测道路发生拥堵。
12.一种道路运行情况确定设备，其特征在于，所述设备至少包括：存储器、通信总线和处理器，其中：
所述存储器，用于存储道路运行情况确定程序；
所述通信总线，用于实现处理器和存储器之间的连接通信；
所述处理器，用于执行存储器中存储的道路运行情况确定程序，以实现权利要求1至10任一项中所述的道路运行情况确定方法的步骤。
13.一种存储介质，所述存储介质上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时，实现权利要求1至10任一项中所述的道路运行情况确定方法的步骤。
CN202010963859.8A 2020-09-14 2020-09-14 道路运行情况确定方法及装置、设备和存储介质 Active CN112312082B (zh)

Priority Applications (6)

Application Number Priority Date Filing Date Title
CN202010963859.8A CN112312082B (zh) 2020-09-14 2020-09-14 道路运行情况确定方法及装置、设备和存储介质
KR1020227002921A KR20220036366A (ko) 2020-09-14 2021-03-26 도로 운행 상황 결정 방법 및 장치, 기기, 저장 매체 및 프로그램
PCT/CN2021/083433 WO2022052446A1 (zh) 2020-09-14 2021-03-26 道路运行情况确定方法及装置、设备、存储介质和程序
JP2021576340A JP2022545322A (ja) 2020-09-14 2021-03-26 道路運行状況決定方法及び装置、デバイス、記憶媒体並びにプログラム
TW110123620A TW202211178A (zh) 2020-09-14 2021-06-28 道路運行情況確定方法、設備和儲存介質
US17/648,931 US20220148316A1 (en) 2020-09-14 2022-01-25 Method and device for determining road operation condition, and storage medium

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010963859.8A CN112312082B (zh) 2020-09-14 2020-09-14 道路运行情况确定方法及装置、设备和存储介质

Publications (2)

Publication Number Publication Date
CN112312082A CN112312082A (zh) 2021-02-02
CN112312082B true CN112312082B (zh) 2021-11-30

Family

ID=74484025

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010963859.8A Active CN112312082B (zh) 2020-09-14 2020-09-14 道路运行情况确定方法及装置、设备和存储介质

Country Status (6)

Country Link
US (1) US20220148316A1 (zh)
JP (1) JP2022545322A (zh)
KR (1) KR20220036366A (zh)
CN (1) CN112312082B (zh)
TW (1) TW202211178A (zh)
WO (1) WO2022052446A1 (zh)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112312082B (zh) * 2020-09-14 2021-11-30 上海商汤智能科技有限公司 道路运行情况确定方法及装置、设备和存储介质
CN113449135B (zh) * 2021-08-31 2021-11-19 阿里巴巴达摩院(杭州)科技有限公司 图像生成系统与方法
CN114782896B (zh) * 2022-04-27 2024-10-18 工银科技有限公司 道路自动巡视方法、装置、电子设备、介质和程序产品
CN115240406B (zh) * 2022-05-31 2023-12-29 厦门路桥信息股份有限公司 道路拥堵的管理方法、装置、计算机可读介质及电子设备
CN115188186B (zh) * 2022-06-28 2024-02-20 公安部交通管理科学研究所 一种区域内交通流量监测方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2002063568A (ja) * 2000-08-21 2002-02-28 Toshiba Corp 道路監視装置および道路監視方法
JP2013080445A (ja) * 2011-10-05 2013-05-02 Sumitomo Electric Ind Ltd 先詰判定装置、コンピュータプログラム及び先詰判定方法
CN110766948A (zh) * 2019-11-06 2020-02-07 星云互联(湖南)科技有限公司 一种道路变限速引导方法、设备、系统及存储介质
CN110889328A (zh) * 2019-10-21 2020-03-17 大唐软件技术股份有限公司 检测道路交通状况的方法、装置、电子设备和存储介质
CN111145544A (zh) * 2019-12-25 2020-05-12 北京交通大学 一种基于拥堵蔓延消散模型的行程时间及路径预测方法
CN111523482A (zh) * 2020-04-24 2020-08-11 深圳市商汤科技有限公司 车道拥挤检测方法及装置、电子设备和存储介质

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CA3034700A1 (en) * 2016-09-29 2018-04-05 Cubic Corporation Systems and methods for using autonomous vehicles in traffic
CN109410598B (zh) * 2018-11-09 2021-01-15 浙江浩腾电子科技股份有限公司 一种基于计算机视觉的交通路口拥堵检测方法
US11232705B2 (en) * 2018-11-28 2022-01-25 Toyota Jidosha Kabushiki Kaisha Mitigation of traffic oscillation on roadway
CN110782669B (zh) * 2019-10-31 2021-03-02 北京星云互联科技有限公司 一种交通管理方法及交通管理系统
CN112312082B (zh) * 2020-09-14 2021-11-30 上海商汤智能科技有限公司 道路运行情况确定方法及装置、设备和存储介质

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2002063568A (ja) * 2000-08-21 2002-02-28 Toshiba Corp 道路監視装置および道路監視方法
JP2013080445A (ja) * 2011-10-05 2013-05-02 Sumitomo Electric Ind Ltd 先詰判定装置、コンピュータプログラム及び先詰判定方法
CN110889328A (zh) * 2019-10-21 2020-03-17 大唐软件技术股份有限公司 检测道路交通状况的方法、装置、电子设备和存储介质
CN110766948A (zh) * 2019-11-06 2020-02-07 星云互联(湖南)科技有限公司 一种道路变限速引导方法、设备、系统及存储介质
CN111145544A (zh) * 2019-12-25 2020-05-12 北京交通大学 一种基于拥堵蔓延消散模型的行程时间及路径预测方法
CN111523482A (zh) * 2020-04-24 2020-08-11 深圳市商汤科技有限公司 车道拥挤检测方法及装置、电子设备和存储介质

Also Published As

Publication number Publication date
KR20220036366A (ko) 2022-03-22
US20220148316A1 (en) 2022-05-12
TW202211178A (zh) 2022-03-16
CN112312082A (zh) 2021-02-02
WO2022052446A1 (zh) 2022-03-17
JP2022545322A (ja) 2022-10-27

Similar Documents

Publication Publication Date Title
CN112312082B (zh) 道路运行情况确定方法及装置、设备和存储介质
US11222532B2 (en) Traffic control support system, traffic control support method, and program recording medium
KR102161147B1 (ko) 이상운항 선박 식별 장치 및 방법
CN108091132B (zh) 一种交通流量预测方法及装置
CN111461319A (zh) 可适应用户要求的基于cnn的对象检测方法及装置
CN112435469A (zh) 车辆预警控制方法、装置、计算机可读介质及电子设备
KR101255736B1 (ko) 단일편파 레이더를 이용한 기상 및 비기상 에코 분류 방법
CN113276874B (zh) 一种车辆行驶轨迹处理方法及相关装置
CN113673311A (zh) 一种交通异常事件检测方法、设备及计算机存储介质
CN114862916A (zh) 基于ConvNeXt网络和DSST算法的交通车辆跟踪方法及系统
CN109493606A (zh) 一种高速公路上违停车辆的识别方法及系统
US20230213633A1 (en) Aggregation-based lidar data alignment
CN117668737B (zh) 一种管道检测数据故障预警查验方法以及相关装置
JP2003303390A (ja) 旅行時間予測方法、装置及びプログラム
CN117116096A (zh) 基于多通道交通图像与深度cnn的机场延误预测方法及系统
JP2018112824A (ja) 情報処理装置、情報処理システム、及びプログラム
CN116030400A (zh) 基于深度学习的道路落叶检测方法、装置及相关组件
CN116503440A (zh) 一种基于多模板自适应更新的目标跟踪方法及装置
CN113643529B (zh) 基于大数据分析的停车场车道拥堵预测方法及系统
CN113297294B (zh) 一种基于大数据和云计算的高速公路监控管理方法及云监控管理平台
CN106448163B (zh) 道路监控方法及道路监控装置
CN114802284A (zh) 车辆感知性能评价方法及系统
KR102611726B1 (ko) 결빙 노면 상의 교통 사고 발생 예측 시스템 및 방법
CN112017446B (zh) 雷达测量数据与车辆轨迹关联方法、装置、介质和电子装置
CN114475653B (zh) 一种车辆应急转向仿真场景配置方法和装置

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
REG Reference to a national code

Ref country code: HK

Ref legal event code: DE

Ref document number: 40036433

Country of ref document: HK

GR01 Patent grant
GR01 Patent grant