CN112507844B - 基于视频分析的交通拥堵检测方法 - Google Patents
基于视频分析的交通拥堵检测方法 Download PDFInfo
- Publication number
- CN112507844B CN112507844B CN202011390717.3A CN202011390717A CN112507844B CN 112507844 B CN112507844 B CN 112507844B CN 202011390717 A CN202011390717 A CN 202011390717A CN 112507844 B CN112507844 B CN 112507844B
- Authority
- CN
- China
- Prior art keywords
- traffic
- state
- congestion
- convolution
- frame
- 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
- G06V20/40—Scenes; Scene-specific elements in video content
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/20—Analysis of motion
- G06T7/277—Analysis of motion involving stochastic approaches, e.g. using Kalman filters
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
-
- 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
- G06V10/267—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 by performing operations on regions, e.g. growing, shrinking or watersheds
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- 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
- G06T2207/30242—Counting objects in image
-
- 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
Abstract
本发明涉及计算机图像领域、智能交通领域,提出了一种基于视频分析的交通拥堵检测方法。包括配置摄像头进行剪裁、目标检测、卡尔曼预测目标跟踪框、级联匹配器进行特征提取、通过匈牙利算法进行检测框与跟踪框匹配、计算交通参数、判断短时交通状态、拥堵判定的参数自适应调整方案、根据反馈的短时的交通状态进行长时间的统计判断和对交通拥堵状态结果推送给平台接口。对于实时流交通拥堵进行判定检测,通过输入的图像反馈交通拥堵状态,便捷交管部门方便的调用该模块进行拥堵判断,大量节省人力成本、提高效率。
Description
技术领域
本发明涉及计算机图像领域、智能交通领域,提出了一种基于视频分析的交通拥堵检测方法。
背景技术
在随着我国社会经济的持续发展,城镇化进程不断加快,道路交通发生变化,我国汽车保有量已经达到了2.6亿辆,汽车增加数量迅猛。巨大汽车数量和落后的交通基础设施导致交通拥堵、混合交通、事故多发等诸多问题,其中城市交通拥堵日益严重,已呈现常态化发展趋势,停车难、行路难已成为影响民生和社会经济发展的热点问题,亟待强有力的管理设施与对策来解决当前遭遇的难题。
近几年,信息处理技术获得突飞猛进的发展,特别是深度学习,对城市交通管理进行科学决策及管理优化,提高城市的运转效率,其中拥堵指数作为一种十分重要的路网运行评价指标,因此对交通复杂场景下拥堵状态判别的技术研究具有重要的理论和实际价值。
发明内容
为解决背景技术中提到交通拥堵的检测问题,提高城市运转效率,本发明展示了一种基于视频分析的交通拥堵检测方法。
为实现上述目的,现提供技术方案如下:一种基于视频分析的交通拥堵检测方法,包括
步骤一、配置路口摄像头,接通实时流的交通拥堵视频,逐帧或跳帧的获取图像地址并解码重编码成所需格式图像后,对图像进行剪裁出网络的输入大小的图像;
步骤二、目标检测,根据传入的拥堵检测的输入视频,利用自构建的网络进行目标检测,其中目标检测网络利用特征增强模块与特征融合网络,将特征增强模块与特征融合网络的加入单步检测器中,使得目标检测在复杂情景下具有较高的精度;
步骤三、卡尔曼预测目标跟踪框,根据每一帧生成的检测框,通过卡尔曼滤波器进行初步的跟踪预测,生成不同的跟踪链,利用表示目标检测框中心的位置、纵横比、高度以及对应图形坐标中的速度信息,其中x:检测框x坐标;y:检测框y坐标;r:检测框纵横比;h:检测框高度;卡尔曼跟踪器更新轨迹,该卡尔曼滤波器采用匀速模型和线性观测模型,其观测变量为(u,v,r,h);
步骤四、级联匹配器进行特征提取,首先对所有生产的检测框构建一个级联匹配器用来提取特征,对不同的检出车辆目标都转换成一个128的特征向量,计算不同特征间的角度距离,通过不同的角度距离,可以对不同的检测框与跟踪框进行匹配,对不同的跟踪框可以通过深度学习的方法进行的特征提取,就可以在遮挡的时候产生准确的跟踪链,尽量避免了IDSwitch的影响;
步骤五、通过匈牙利算法进行检测框与跟踪框匹配,对生成的IOU匹配矩阵与级联匹配器生成的匹配矩阵通过匈牙利算法对前一帧中的跟踪框与当前帧中的检测框进行关联,至此生成图像中的所有跟踪目标;
步骤六、计算交通参数,通过目标检测跟踪之后的结果获取的跟踪链的各目标的坐标信息,统计各交通参数:a.车辆数目,在图像的画取的的区域中所有覆盖的车辆目标的总数;b.静止车辆数目,通过跟踪链跟踪每一条车的运动,当某一辆车始终在一个区域内维持相对静止,则判定该车为静止车辆,统计所有的在图像画面中的静止车辆;c.空间占有率,空间占有率指图像中的车辆像素与空间的整体区域的面积之和之比;d.IOU重合度,车辆之间遮挡的面积与两车面积之和的占比,对全图的中的相交的车辆进行统计相交占比,求取相交的平均值;
步骤七、判断短时交通状态,四种交通拥堵参数进行组合判定,
状态A:拥堵,步骤六中的四个交通参数均大于设定阈值则条件均满足,为拥堵状态;
状态B:中间状态,步骤六中的四个交通参数满足任意两个交通参数,或者满足除b以外的任意一个;
状态C:不拥堵,不满足“拥堵“和”中间状态“条件的都是非拥堵状态;
步骤八、拥堵判定的参数自适应调整方案,在捕捉到拥堵事件后,对判断拥堵所依赖的四个交通参数统计求取各自的最大值,采用以下的计算公式计算下次判断的参数值:
new=conf*0.75+max*0.25,可调整
以上new表示新参数,conf表示配置的初始参数,max是拥堵时参数最大值,通过返回的状态与报出的拥堵状态对参数进行更新,让参数更加适合对应的路口,对不同的路口分别采用不同的参数配比;
步骤九、根据反馈的短时的交通状态进行长时间的统计判断,对车辆的短时交通状态进行累计,当到达拥堵状态时,开启拥堵状态计时,当时域大于阈值时爆出拥堵状态信息,当累计交通拥堵的状态未达到阈值,并恢复非拥堵状态,则此时交通拥堵消散开始计时,如在消散未达到阈值前又重新拥堵,则拥堵继续计时,如发散状态持续超过阈值,则判定拥堵消散,对拥堵震荡问题提出专门的对应策略,统计控制时域时采用的都是多阈值判定的组合逻辑判定;
步骤十、对交通拥堵状态结果推送给平台接口。
进一步的,步骤二中,特征增强模块,应对复杂的交通拥堵场景下的车辆检测任务,对不同的车辆目标的特征进行区分;CFE++特征增强模块:包括一些卷积层、批标准化层、激活层,以合理的串联、并联连接;它具有三个分支,其中一个分支为残差结构,直接连接输入层和输出层以实现更好的收敛性,右边两个分支是对称的,分支包括全局卷积层、扩张卷积层、组卷积层;每个卷积模块依次是:k×1卷积模块、1×1卷积模块、3×3卷积模块、1×k卷积模块、1×1卷积模块,每个卷积模块中都包含一个批标准化层和激活层,其中为了减少参数量,在第一、四个卷积模块中将卷积层扩展成组卷积层引入组参数g,在第三个卷积模块中引入组数参数g/2;为了进一步扩大特征感受野,在第三个卷积模块中将卷积层扩展扩张卷积层,将卷积的扩张率参数设置为2,中间特征的通道数从第二个卷积模块开始变成输入时的1/t,之后直到拼接操作之前不会改变;如果模块需要实现特征下采样的功能,需要将第三个卷积模块的卷积步长参数设置成对应的下采样倍数,同时在左分支1×1卷积中也设置同样的参数;CFE++特征增强模块一共有三个超参数,分别是卷积核的大小k、中间特征通道数的下降倍数t和组卷积层组数参数g;卷积核大小k控制整个CFE++模块的感受野,通过CFE++特征增强模块实现了特征感受野的扩张;
特征融合网络结构包括一些卷积层、池化层和上采样层,不断变化特征层的尺度,并将不同尺度的特征进行融合,从而生成表达能力更强的特征;其中CFENet网络采用的是CFE++特征增强模块,结合SSD网络结构,在SSD的基础上融合CFE++特征增强模块进行网络设计,SSD单步检测器提出的多层特征平面可以使得特征在多个尺度上进行不同的目标检测,并且特征增强模块的加入对特征的增强使得复杂情况下的交通拥堵目标检测可以具有更高的检出精度,通过这些分支的拼接,可以实现特征的扩展;
进一步的,步骤六中,采样间隔和判定周期为:以25帧/秒计算,每25帧一个采样间隔,计算25帧内,四个交通参数的最大值,通过组合条件,判断这1秒内的交通拥堵状态,并将这一秒内的状态放入队列中,当队列中积累了连续5秒内的拥堵状态样本时,根据这5个样本统计,判断该周期内的拥堵状态,然后从样本队列中移除前3个样本,后续样本继续放入队列,当队列内样本数满5时,进行下一次拥堵状态判定。
本发明的有益效果:
1、本发明设计的基于视频分析的交通拥堵检测方法,对于实时流交通拥堵进行判定检测,通过目标检测、目标跟踪、拥堵判定逻辑组合而成,通过输入的图像反馈交通拥堵状态,便捷交管部门方便的调用该模块进行拥堵判断,大量节省人力成本、提高效率。
2、本发明设计的基于视频分析的交通拥堵检测方法,利用了自设计的目标检测网络,以及目标跟踪算法,通过组合自主设计的拥堵判定逻辑,为交管部门提供了一款可以使用的基于实时视频流接入的拥堵判定解决方案,提高了交管部门对拥堵的即时发现,大大减轻交通压力,实时掌控各道路交通状态,对城市交通管理进行科学决策以及管理优化,提高城市的运转效率。
附图说明
图1为拥堵判定流程示意图;
图2为特征增强模块结构图;
图3为特征融合网路结构图。
具体实施方式
为使本领域技术人员更加清楚和明确本发明技术方案,下面结合附图对本发明技术方案进行详细描述,但本发明的实施方式不限于此。
如图1-3所示,一种基于视频分析的交通拥堵检测方法,包括
步骤一、配置路口摄像头,接通实时流的交通拥堵视频,逐帧或跳帧的获取图像地址并解码重编码成所需格式图像后,对图像进行剪裁出网络的输入大小的图像;
步骤二、目标检测,根据传入的拥堵检测的输入视频,利用自构建的网络进行目标检测,其中目标检测网络利用特征增强模块与特征融合网络,将特征增强模块与特征融合网络的加入单步检测器中,使得目标检测在复杂情景下具有较高的精度;
特征增强模块,应对复杂的交通拥堵场景下的车辆检测任务,对不同的车辆目标的特征进行区分;CFE++特征增强模块:包括一些卷积层、批标准化层、激活层,以合理的串联、并联连接;它具有三个分支,其中一个分支为残差结构,直接连接输入层和输出层以实现更好的收敛性,右边两个分支是对称的,分支包括全局卷积层、扩张卷积层、组卷积层;每个卷积模块依次是:k×1卷积模块、1×1卷积模块、3×3卷积模块、1×k卷积模块、1×1卷积模块,每个卷积模块中都包含一个批标准化层和激活层,其中为了减少参数量,在第一、四个卷积模块中将卷积层扩展成组卷积层引入组参数g,在第三个卷积模块中引入组数参数g/2;为了进一步扩大特征感受野,在第三个卷积模块中将卷积层扩展扩张卷积层,将卷积的扩张率参数设置为2,中间特征的通道数从第二个卷积模块开始变成输入时的1/t,之后直到拼接操作之前不会改变;如果模块需要实现特征下采样的功能,需要将第三个卷积模块的卷积步长参数设置成对应的下采样倍数,同时在左分支1×1卷积中也设置同样的参数;CFE++特征增强模块一共有三个超参数,分别是卷积核的大小k、中间特征通道数的下降倍数t和组卷积层组数参数g;卷积核大小k控制整个CFE++模块的感受野,通过CFE++特征增强模块实现了特征感受野的扩张;
特征融合网络结构包括一些卷积层、池化层和上采样层,不断变化特征层的尺度,并将不同尺度的特征进行融合,从而生成表达能力更强的特征;其中CFENet网络采用的是CFE++特征增强模块,结合SSD网络结构,在SSD的基础上融合CFE++特征增强模块进行网络设计,SSD单步检测器提出的多层特征平面可以使得特征在多个尺度上进行不同的目标检测,并且特征增强模块的加入对特征的增强使得复杂情况下的交通拥堵目标检测可以具有更高的检出精度,通过这些分支的拼接,可以实现特征的扩展;
步骤三、卡尔曼预测目标跟踪框,根据每一帧生成的检测框,通过卡尔曼滤波器进行初步的跟踪预测,生成不同的跟踪链,利用表示目标检测框中心的位置、纵横比、高度以及对应图形坐标中的速度信息,其中x:检测框x坐标;y:检测框y坐标;r:检测框纵横比;h:检测框高度;卡尔曼跟踪器更新轨迹,该卡尔曼滤波器采用匀速模型和线性观测模型,其观测变量为(u,v,r,h);
步骤四、级联匹配器进行特征提取,首先对所有生产的检测框构建一个级联匹配器用来提取特征,对不同的检出车辆目标都转换成一个128的特征向量,计算不同特征间的角度距离,通过不同的角度距离,可以对不同的检测框与跟踪框进行匹配,对不同的跟踪框可以通过深度学习的方法进行的特征提取,就可以在遮挡的时候产生准确的跟踪链,尽量避免了IDSwitch的影响;
步骤五、通过匈牙利算法进行检测框与跟踪框匹配,对生成的IOU匹配矩阵与级联匹配器生成的匹配矩阵通过匈牙利算法对前一帧中的跟踪框与当前帧中的检测框进行关联,至此生成图像中的所有跟踪目标;
步骤六、计算交通参数,通过目标检测跟踪之后的结果获取的跟踪链的各目标的坐标信息,统计各交通参数:a.车辆数目,在图像的画取的的区域中所有覆盖的车辆目标的总数;b.静止车辆数目,通过跟踪链跟踪每一条车的运动,当某一辆车始终在一个区域内维持相对静止,则判定该车为静止车辆,统计所有的在图像画面中的静止车辆;c.空间占有率,空间占有率指图像中的车辆像素与空间的整体区域的面积之和之比;d.IOU重合度,车辆之间遮挡的面积与两车面积之和的占比,对全图的中的相交的车辆进行统计相交占比,求取相交的平均值;
采样间隔和判定周期为:以25帧/秒计算,每25帧一个采样间隔,计算25帧内,四个交通参数的最大值,通过组合条件,判断这1秒内的交通拥堵状态,并将这一秒内的状态放入队列中,当队列中积累了连续5秒内的拥堵状态样本时,根据这5个样本统计,判断该周期内的拥堵状态,然后从样本队列中移除前3个样本,后续样本继续放入队列,当队列内样本数满5时,进行下一次拥堵状态判定。
步骤七、判断短时交通状态,四种交通拥堵参数进行组合判定,
状态A:拥堵,步骤六中的四个交通参数均大于设定阈值则条件均满足,为拥堵状态;
状态B:中间状态,步骤六中的四个交通参数满足任意两个交通参数,或者满足除b以外的任意一个;
状态C:不拥堵,不满足“拥堵“和”中间状态“条件的都是非拥堵状态;
步骤八、拥堵判定的参数自适应调整方案,在捕捉到拥堵事件后,对判断拥堵所依赖的四个交通参数统计求取各自的最大值,采用以下的计算公式计算下次判断的参数值:
new=conf*0.75+max*0.25,可调整
以上new表示新参数,conf表示配置的初始参数,max是拥堵时参数最大值,通过返回的状态与报出的拥堵状态对参数进行更新,让参数更加适合对应的路口,对不同的路口分别采用不同的参数配比;
步骤九、根据反馈的短时的交通状态进行长时间的统计判断,对车辆的短时交通状态进行累计,当到达拥堵状态时,开启拥堵状态计时,当时域大于阈值时爆出拥堵状态信息,当累计交通拥堵的状态未达到阈值,并恢复非拥堵状态,则此时交通拥堵消散开始计时,如在消散未达到阈值前又重新拥堵,则拥堵继续计时,如发散状态持续超过阈值,则判定拥堵消散,对拥堵震荡问题提出专门的对应策略,统计控制时域时采用的都是多阈值判定的组合逻辑判定;
步骤十、对交通拥堵状态结果推送给平台接口。
以上所述,仅是本发明的最佳实施例而已,并非对本发明的任何形式的限制,任何熟悉本领域的技术人员,在不脱离本发明技术方案范围的情况下利用上述揭示的方法和内容对本发明做出的许多可能的变动和修饰,均属于权利要求书保护的范围。
Claims (3)
1.一种基于视频分析的交通拥堵检测方法,其特征在于:包括
步骤一、配置路口摄像头,接通实时流的交通拥堵视频,逐帧或跳帧的获取图像地址并解码重编码成所需格式图像后,对图像进行剪裁出网络的输入大小的图像;
步骤二、目标检测,根据传入的拥堵检测的输入视频,利用自构建的网络进行目标检测,其中目标检测网络利用特征增强模块与特征融合网络,将特征增强模块与特征融合网络的加入单步检测器中,使得目标检测在复杂情景下具有较高的精度;
步骤三、卡尔曼预测目标跟踪框,根据每一帧生成的检测框,通过卡尔曼滤波器进行初步的跟踪预测,生成不同的跟踪链,利用表示目标检测框中心的位置、纵横比、高度以及对应图形坐标中的速度信息,其中x:检测框x坐标;y:检测框y坐标;r:检测框纵横比;h:检测框高度;卡尔曼跟踪器更新轨迹,该卡尔曼滤波器采用匀速模型和线性观测模型,其观测变量为(u,v,r,h);
步骤四、级联匹配器进行特征提取,首先对所有生产的检测框构建一个级联匹配器用来提取特征,对不同的检出车辆目标都转换成一个128的特征向量,计算不同特征间的角度距离,通过不同的角度距离,可以对不同的检测框与跟踪框进行匹配,对不同的跟踪框可以通过深度学习的方法进行的特征提取,就可以在遮挡的时候产生准确的跟踪链,尽量避免了IDSwitch的影响;
步骤五、通过匈牙利算法进行检测框与跟踪框匹配,对生成的IOU匹配矩阵与级联匹配器生成的匹配矩阵通过匈牙利算法对前一帧中的跟踪框与当前帧中的检测框进行关联,至此生成图像中的所有跟踪目标;
步骤六、计算交通参数,通过目标检测跟踪之后的结果获取的跟踪链的各目标的坐标信息,统计各交通参数:a.车辆数目,在图像的画取的的区域中所有覆盖的车辆目标的总数;b.静止车辆数目,通过跟踪链跟踪每一条车的运动,当某一辆车始终在一个区域内维持相对静止,则判定该车为静止车辆,统计所有的在图像画面中的静止车辆;c.空间占有率,空间占有率指图像中的车辆像素与空间的整体区域的面积之和之比;d.IOU重合度,车辆之间遮挡的面积与两车面积之和的占比,对全图的中的相交的车辆进行统计相交占比,求取相交的平均值;
步骤七、判断短时交通状态,四种交通拥堵参数进行组合判定,
状态A:拥堵,步骤六中的四个交通参数均大于设定阈值则条件均满足,为拥堵状态;
状态B:中间状态,步骤六中的四个交通参数满足任意两个交通参数,或者满足除b以外的任意一个;
状态C:不拥堵,不满足“拥堵“和”中间状态“条件的都是非拥堵状态;
步骤八、拥堵判定的参数自适应调整方案,在捕捉到拥堵事件后,对判断拥堵所依赖的四个交通参数统计求取各自的最大值,采用以下的计算公式计算下次判断的参数值:
new=conf*0.75+max*0.25,可调整
以上new表示新参数,conf表示配置的初始参数,max是拥堵时参数最大值,通过返回的状态与报出的拥堵状态对参数进行更新,让参数更加适合对应的路口,对不同的路口分别采用不同的参数配比;
步骤九、根据反馈的短时的交通状态进行长时间的统计判断,对车辆的短时交通状态进行累计,当到达拥堵状态时,开启拥堵状态计时,当时域大于阈值时爆出拥堵状态信息,当累计交通拥堵的状态未达到阈值,并恢复非拥堵状态,则此时交通拥堵消散开始计时,如在消散未达到阈值前又重新拥堵,则拥堵继续计时,如发散状态持续超过阈值,则判定拥堵消散,对拥堵震荡问题提出专门的对应策略,统计控制时域时采用的都是多阈值判定的组合逻辑判定;
步骤十、对交通拥堵状态结果推送给平台接口。
2.根据权利要求1所述的基于视频分析的交通拥堵检测方法,其特征在于:步骤二中,特征增强模块,应对复杂的交通拥堵场景下的车辆检测任务,对不同的车辆目标的特征进行区分;CFE++特征增强模块:包括一些卷积层、批标准化层、激活层,以合理的串联、并联连接;它具有三个分支,其中一个分支为残差结构,直接连接输入层和输出层以实现更好的收敛性,右边两个分支是对称的,分支包括全局卷积层、扩张卷积层、组卷积层;每个卷积模块依次是:k×1卷积模块、1×1卷积模块、3×3卷积模块、1×k卷积模块、1×1卷积模块,每个卷积模块中都包含一个批标准化层和激活层,其中为了减少参数量,在第一、四个卷积模块中将卷积层扩展成组卷积层引入组参数g,在第三个卷积模块中引入组数参数g/2;为了进一步扩大特征感受野,在第三个卷积模块中将卷积层扩展扩张卷积层,将卷积的扩张率参数设置为2,中间特征的通道数从第二个卷积模块开始变成输入时的1/t,之后直到拼接操作之前不会改变;如果模块需要实现特征下采样的功能,需要将第三个卷积模块的卷积步长参数设置成对应的下采样倍数,同时在左分支1×1卷积中也设置同样的参数;CFE++特征增强模块一共有三个超参数,分别是卷积核的大小k、中间特征通道数的下降倍数t和组卷积层组数参数g;卷积核大小k控制整个CFE++模块的感受野,通过CFE++特征增强模块实现了特征感受野的扩张;
特征融合网络结构包括一些卷积层、池化层和上采样层,不断变化特征层的尺度,并将不同尺度的特征进行融合,从而生成表达能力更强的特征;其中CFENet网络采用的是CFE++特征增强模块,结合SSD网络结构,在SSD的基础上融合CFE++特征增强模块进行网络设计,SSD单步检测器提出的多层特征平面可以使得特征在多个尺度上进行不同的目标检测,并且特征增强模块的加入对特征的增强使得复杂情况下的交通拥堵目标检测可以具有更高的检出精度,通过这些分支的拼接,可以实现特征的扩展。
3.根据权利要求1所述的基于视频分析的交通拥堵检测方法,其特征在于:步骤六中,采样间隔和判定周期为:以25帧/秒计算,每25帧一个采样间隔,计算25帧内,四个交通参数的最大值,通过组合条件,判断这1秒内的交通拥堵状态,并将这一秒内的状态放入队列中,当队列中积累了连续5秒内的拥堵状态样本时,根据这5个样本统计,判断该周期内的拥堵状态,然后从样本队列中移除前3个样本,后续样本继续放入队列,当队列内样本数满5时,进行下一次拥堵状态判定。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011390717.3A CN112507844B (zh) | 2020-12-02 | 2020-12-02 | 基于视频分析的交通拥堵检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011390717.3A CN112507844B (zh) | 2020-12-02 | 2020-12-02 | 基于视频分析的交通拥堵检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112507844A CN112507844A (zh) | 2021-03-16 |
CN112507844B true CN112507844B (zh) | 2022-12-20 |
Family
ID=74969135
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011390717.3A Active CN112507844B (zh) | 2020-12-02 | 2020-12-02 | 基于视频分析的交通拥堵检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112507844B (zh) |
Families Citing this family (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN113269768B (zh) * | 2021-06-08 | 2022-07-22 | 中移智行网络科技有限公司 | 一种交通拥堵分析方法、装置及分析设备 |
CN113393679B (zh) * | 2021-06-10 | 2022-09-06 | 中南大学 | 基于交通路口车流识别与统计的区域交通诱导方法及系统 |
CN113936458B (zh) * | 2021-10-12 | 2022-12-20 | 中国联合网络通信集团有限公司 | 高速公路拥堵判别方法、装置、设备及介质 |
CN114494357B (zh) * | 2022-04-07 | 2022-07-12 | 长沙海信智能系统研究院有限公司 | 目标跟踪方法及其装置、设备、可读存储介质、程序产品 |
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 |
CN114627659B (zh) * | 2022-05-13 | 2023-06-16 | 青岛图灵科技有限公司 | 基于行人视频分析的安全过街智能控制系统的控制方法 |
CN115019242B (zh) * | 2022-08-05 | 2022-11-04 | 中电科新型智慧城市研究院有限公司 | 一种交通场景的异常事件检测方法、装置和处理设备 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
AU2013213561A1 (en) * | 2012-01-27 | 2014-08-21 | Siemens Plc | Method for state estimation of a road network |
KR20170039465A (ko) * | 2015-10-01 | 2017-04-11 | 부산대학교 산학협력단 | 실시간 목표 탐지에 의한 교통 정보 수집 시스템 및 방법 |
CN110009023A (zh) * | 2019-03-26 | 2019-07-12 | 杭州电子科技大学上虞科学与工程研究院有限公司 | 智慧交通中的车流统计方法 |
CN110472496A (zh) * | 2019-07-08 | 2019-11-19 | 长安大学 | 一种基于目标检测与跟踪的交通视频智能分析方法 |
CN111340855A (zh) * | 2020-03-06 | 2020-06-26 | 电子科技大学 | 一种基于轨迹预测的道路移动目标检测方法 |
CN111723854A (zh) * | 2020-06-08 | 2020-09-29 | 杭州像素元科技有限公司 | 一种高速公路交通拥堵检测方法、设备及可读存储介质 |
CN111931582A (zh) * | 2020-07-13 | 2020-11-13 | 中国矿业大学 | 基于图像处理的高速公路交通事件检测方法 |
-
2020
- 2020-12-02 CN CN202011390717.3A patent/CN112507844B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
AU2013213561A1 (en) * | 2012-01-27 | 2014-08-21 | Siemens Plc | Method for state estimation of a road network |
KR20170039465A (ko) * | 2015-10-01 | 2017-04-11 | 부산대학교 산학협력단 | 실시간 목표 탐지에 의한 교통 정보 수집 시스템 및 방법 |
CN110009023A (zh) * | 2019-03-26 | 2019-07-12 | 杭州电子科技大学上虞科学与工程研究院有限公司 | 智慧交通中的车流统计方法 |
CN110472496A (zh) * | 2019-07-08 | 2019-11-19 | 长安大学 | 一种基于目标检测与跟踪的交通视频智能分析方法 |
CN111340855A (zh) * | 2020-03-06 | 2020-06-26 | 电子科技大学 | 一种基于轨迹预测的道路移动目标检测方法 |
CN111723854A (zh) * | 2020-06-08 | 2020-09-29 | 杭州像素元科技有限公司 | 一种高速公路交通拥堵检测方法、设备及可读存储介质 |
CN111931582A (zh) * | 2020-07-13 | 2020-11-13 | 中国矿业大学 | 基于图像处理的高速公路交通事件检测方法 |
Non-Patent Citations (7)
Title |
---|
"Abnormal Traffic Congestion Recognition Based on Video Analysis";Xueli Liu.et al;《2020 IEEE Conference on Multimedia Information Processing and Retrieval (MIPR)》;20200831;第39-42页 * |
"Research on campus traffic congestion detection using BP neural network and Markov model";XiaohanYu.et al;《Journal of Information Security and Applications》;20161231;第31卷;第54-60页 * |
"Urban traffic congestion estimation and prediction based on floating car trajectory data";XiangjieKong.et al;《Future Generation Computer Systems》;20160831;第61卷;第97-107页 * |
"基于YOLOv3与卡尔曼滤波的多目标跟踪算法";任珈民等;《计算机应用与软件》;20200512(第05期);第169-176页 * |
"基于YOLOv3的城市公路交叉口车道拥堵实时判别算法实现";刘政等;《电子制作》;20200415(第08期);第40-42页 * |
"基于深度学习框架的装配机器人零件实时检测方法";余永维等;《兵工学报》;20201031;第41卷(第10期);第2122-2130页 * |
"基于长短期记忆模型的交通拥堵预测方法";吕鲜等;《南京理工大学学报》;20200229;第44卷(第1期);第26-48页 * |
Also Published As
Publication number | Publication date |
---|---|
CN112507844A (zh) | 2021-03-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112507844B (zh) | 基于视频分析的交通拥堵检测方法 | |
CN112750150B (zh) | 基于车辆检测和多目标跟踪的车流量统计方法 | |
CN108304808A (zh) | 一种基于时空信息与深度网络的监控视频对象检测方法 | |
CN111554105B (zh) | 一种复杂交通路口的智能流量识别与统计方法 | |
CN112016461A (zh) | 一种多目标的行为识别方法及系统 | |
Chebrolu et al. | Deep learning based pedestrian detection at all light conditions | |
WO2022142417A1 (zh) | 目标跟踪方法、装置、电子设备及存储介质 | |
CN113763427B (zh) | 一种基于从粗到精遮挡处理的多目标跟踪方法 | |
CN116434159A (zh) | 一种基于改进YOLO V7和Deep-Sort的交通流量统计方法 | |
Prasad et al. | HOG, LBP and SVM based traffic density estimation at intersection | |
Xiong et al. | Vehicle re-identification with image processing and car-following model using multiple surveillance cameras from urban arterials | |
CN109063630B (zh) | 一种基于可分离卷积技术和帧差补偿策略的快速车辆检测方法 | |
Liu et al. | Abnormal traffic congestion recognition based on video analysis | |
CN109816003A (zh) | 一种基于改进hog-lbp特征的智能车辆前方多目标分类方法 | |
CN117237867A (zh) | 基于特征融合的自适应场面监视视频目标检测方法和系统 | |
CN116798015A (zh) | 交通信息提取方法、装置、终端设备及存储介质 | |
CN115512263A (zh) | 一种面向高空坠物的动态视觉监测方法及装置 | |
CN114187606B (zh) | 一种采用分支融合网络轻量化的车库行人检测方法及系统 | |
Jiangzhou et al. | Research on real-time object detection algorithm in traffic monitoring scene | |
Yang et al. | SPDNet: a real-time passenger detection method based on attention mechanism in subway station scenes | |
CN114998879A (zh) | 一种基于事件相机的模糊车牌识别方法 | |
CN114387310A (zh) | 一种基于深度学习的城市主干道路车流量统计方法 | |
Grigoropoulos et al. | Detection and Classification of Bicyclist Group Behavior for Automated Vehicle Applications | |
Li et al. | Lightweight deeplearning method for multi-vehicle object recognition | |
Jarunakarint et al. | Survey and Experimental Comparison of Machine Learning Models for Motorcycle Detection |
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 |