CN113034916B - 一种多任务的交通事件及交通参数计算方法 - Google Patents
一种多任务的交通事件及交通参数计算方法 Download PDFInfo
- Publication number
- CN113034916B CN113034916B CN202110344544.XA CN202110344544A CN113034916B CN 113034916 B CN113034916 B CN 113034916B CN 202110344544 A CN202110344544 A CN 202110344544A CN 113034916 B CN113034916 B CN 113034916B
- Authority
- CN
- China
- Prior art keywords
- target
- height
- sampling
- congestion
- data
- 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
- 238000004364 calculation method Methods 0.000 title claims abstract description 32
- 238000005070 sampling Methods 0.000 claims abstract description 52
- 238000000034 method Methods 0.000 claims abstract description 42
- 238000001514 detection method Methods 0.000 claims abstract description 41
- 238000012549 training Methods 0.000 claims abstract description 9
- 238000013135 deep learning Methods 0.000 claims abstract description 8
- 238000004422 calculation algorithm Methods 0.000 claims description 15
- 238000013507 mapping Methods 0.000 claims description 12
- 238000010586 diagram Methods 0.000 claims description 11
- 230000008569 process Effects 0.000 claims description 8
- 230000006870 function Effects 0.000 claims description 6
- 230000011218 segmentation Effects 0.000 claims description 4
- 239000004576 sand Substances 0.000 claims 1
- 238000012544 monitoring process Methods 0.000 abstract description 7
- 238000004458 analytical method Methods 0.000 abstract description 2
- 239000002245 particle Substances 0.000 description 9
- 230000000694 effects Effects 0.000 description 8
- 238000001914 filtration Methods 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 230000006698 induction Effects 0.000 description 3
- 238000010276 construction Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000005286 illumination Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000000342 Monte Carlo simulation Methods 0.000 description 1
- 238000012952 Resampling Methods 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000007429 general method Methods 0.000 description 1
- 238000011900 installation process Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Images
Classifications
-
- 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
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
- G06T3/4038—Image mosaicing, e.g. composing plane images from plane sub-images
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/80—Analysis of captured images to determine intrinsic or extrinsic camera parameters, i.e. camera calibration
-
- 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
- G08G1/052—Detecting movement of traffic to be counted or controlled with provision for determining speed or overspeed
- G08G1/054—Detecting movement of traffic to be counted or controlled with provision for determining speed or overspeed photographing overspeeding vehicles
-
- 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
- G06T2207/20081—Training; Learning
-
- 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
- G06T2207/30248—Vehicle exterior or interior
- G06T2207/30252—Vehicle exterior; Vicinity of vehicle
- G06T2207/30256—Lane; Road marking
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Analytical Chemistry (AREA)
- Chemical & Material Sciences (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Traffic Control Systems (AREA)
Abstract
一种多任务的交通事件及交通参数计算方法,涉及基于视频图像的目标检测、应用于交通场景下的视频监控数据的智能事件分析系统以及交通参数计算系统。本发明的方法步骤为:一、输入视频图像,提取生成路面区域,并根据路面区域生成采样线。二、提取视频每一帧图像采样线的数据,按时间先后顺序拼接生成新的采样图。三、针对细长条形图形变目标进行深度学习的方法训练。四、根据识别结果信息进行车速计算、拥堵判断、等级和方向判断。同现有技术相比,本发明通过视频数据和流量统计的本质特征,解决多场景下、不同天气情况下、不同路面状态下的道路情况统计,具有准确、高效、适应性广的特点。
Description
技术领域
本发明涉及基于视频图像的目标检测、应用于交通场景下的视频监控数据的智能事件分析系统以及交通参数计算系统,特别是将视频数据进行时空信息转换生成单张采样图并将拥堵和车流量及车速计算问题通过深度学习进行计算,实现一个模型完成多个任务的功能,快速高效精确地完成拥堵判断、车流量和车速计算。
背景技术
目前计算交通流量应用比较多的方案主要有地感线圈检测器、微波检测器和智能视频检测法等。地感线圈检测属于一种被动接触式的检测技术,该方案在交通流量计算、交通占有率等方面精度较高,同时受气候条件影响较小。但是此方案施工比较复杂,在安装过程中需要将线圈埋入道路下面,因此需要挖开道路中断交通,施工过程中不仅影响正常的交通,同时还损坏了道路,而且设备维护成本较高。微波检测器利用红外线、超声波或者微波等专用设备,通过发射电磁波并接收感应信息完成车辆检测。该方案对气候条件的变化不敏感,同时设备安装比较简单。但是该方案灵敏度不够高,也存在一定的误检率。
智能视频图像检测法属于一种非接触式检测技术,车辆视频图像是通过安装在道路上的摄像机或者图像采集卡等设备采集获取。当车辆在监控场景下通行时,通过对车辆目标进行检测和跟踪,当车辆目标跨过拌线时,完成车流量个数的统计。视频图像检测法与其他方案相比,具有以下优点:
1.硬件安装、维护简单,不影响路面正常交通;
2.通过视频装置可以实时监控交通情况,实时直观掌握交通情况;
3.采集的车辆信息比较丰富,方便交通管理人员管理;
4.相邻监控点之间信号不会相互干扰;
5.可调整扩大监控范围;
但是该方案同样也存在一些缺点,尤其是对图像质量、天气情况、光照等因素比较敏感,但是由于该方案的整体效果,使得该方案是目前车流量统计的主流方案。目前基于图像处理的车流量检测方案中,主要的流程是车辆检测+目标跟踪。由于车流量计算需要针对视频实时处理,所以要求车辆检测的方案具有较高的实时性;同时由于车辆一般会出现多个相邻的目标共同运动的情况,因此对目标跟踪算法具有较高的要求。
目前主要的车辆检测方法包括背景差分法、帧间差分法、Vibe算法等,这些方法的主要问题在于摄像机抖动、光线变换、阴影等情况,检测结果会受到很大的影响。主要的跟踪算法包括TLD跟踪、粒子滤波、KCF跟踪等,这些跟踪算法对于理想场景的目标跟踪具有较好的效果,但是对于目标较多同时遮挡比较严重的情况,跟踪的效果就会受到比较大的影响。
基于视频图像的目标检测和跟踪的方法主要包括以下方法:
1.背景差分法是一种对静止场景进行运动分割的通用方法,它将当前获取的图像帧与背景图像做差分运算,得到目标运动区域的灰度图,对灰度图进行阈值化提取运动区域,而且为避免环境光照变化影响,背景图像根据当前获取图像帧进行更新。
2.帧间差分法是将视频流中相邻两帧或相隔几帧图像的两幅图像像素值相减,并对相减后的图像进行阈值化来提取图像中的运动区域。
3.Vibe算法为所有像素点存储了一个样本集,样本集里面保存的采样值是该像素点过去的像素值与其邻居点的像素值。后面每一帧的新像素值和样本集里的样本历史值进行比较,判断是否属于背景点。
4.TLD跟踪其运行机制为:检测模块和跟踪模块互补干涉的并行进行处理。首先,跟踪模块假设相邻视频帧之间物体的运动是有限的,且被跟踪目标是可见的,以此来估计目标的运动。如果目标在相机视野中消失,将造成跟踪失败。检测模块假设每一个视帧都是彼此独立的,并且根据以往检测和学习到的目标模型,对每一帧图片进行全图搜索以定位目标可能出现的区域。同其它目标检测方法一样,TLD中的检测模块也有可能出现错误,且错误分为错误的负样例和错误的正样例这两种情况。而学习模块则根据跟踪模块的结果对检测模块的这两种错误进行评估,并根据评估结果生成训练样本对检测模块的目标模型进行更新,同时对跟踪模块的“关键特征点”进行更新,以此来避免以后出现类似的错误。
5.粒子滤波是一种基于蒙特卡洛模拟的非线性滤波方法,其核心思想是用随机采样的粒子表达概率密度分布。粒子滤波的三个重要步骤为:1)粒子采样,从建议分布中抽取一组粒子;2) 粒子加权,根据观测概率分布,重要性分布以及贝叶斯公式计算每个粒子的权值;3)估计输出,输出系统状态的均值协方差等。此外 ,为了应对粒子退化现象,还采用了重采样等策略。
6.KCF是一种鉴别式追踪方法,这类方法一般都是在追踪过程中训练一个目标检测器,使用目标检测器去检测下一帧预测位置是否是目标,然后再使用新检测结果去更新训练集进而更新目标检测器。而在训练目标检测器时一般选取目标区域为正样本,目标的周围区域为负样本,当然越靠近目标的区域为正样本的可能性越大
上述现有技术存在的问题:
1.前景提取方法,对图像质量、光线、摄像机抖动特别敏感,同时对于粘连的车辆目标,不能区分单个目标;
2.传统目标检测方法,对大场景下的车辆目标检测效果不理想,存在大量的误检和漏检情况;
3.基于深度学习的目标检测方法,检测效果比较好,但是在CPU模式下检测比较费时间,无法达到实时的效果;
4.跟踪方案,对于多目标跟踪目前有较多的方法,但是交错和遮挡一直是跟踪中的难题,尤其是对于大场景下多个车辆目标,会出现跟错或者跟丢的情况,跟踪的效果不太理想;
5.检测+跟踪的车流量计算方案,目前绝大部分的车流量计算方案都是采用该流程,检测和跟踪的效果直接决定了车流量统计的精度,由于上述的单一的检测和跟踪模块都存在一定的问题,因此两者组合起来的方案也具有较大问题;同时对每一帧数据都需要进行检测和跟踪处理,算法的效率较低;
6.基于传统方法的拥堵判断算法,根据前景面积大小判断拥堵事件误报较多,基于深度学习的方法判断单张图片上车辆个数,根据个数大小判断是否为拥堵,没有充分利用时间信息;
7.常用的车速计算方法是对车辆进行连续跟踪,根据车辆运动距离以及通过的时间,计算车速,同时该方案需要标定虚实对应关系,因此计算效率较低同时实施难度较大。
通拥堵事件和交通参数信息对于交通智能视频监控系统具有重要的意义,对于管理部门掌握道路使用情况以及交通事件的检测具有重要的意义。但是由于公路摄像机监控场景比较复杂,不同场景和天气情况下的交通参与对象具有不确定性,白天和夜晚的场景也差别比较大,传统的交通事件判断和车流量检测方案很难将众多场景统一起来。
发明内容
针对上述现有技术中存在的问题,本发明的目的是提供一种多任务的交通事件及交通参数计算方法。它通过视频数据和流量统计的本质特征,解决多场景下、不同天气情况下、不同路面状态下的道路情况统计,具有准确、高效、适应性广的特点。
为了达到上述发明目的,本发明的技术方案以如下方式实现:
一种多任务的交通事件及交通参数计算方法,其方法步骤为:
一、输入视频图像,提取生成路面区域,并根据路面区域生成采样线。
二、提取视频每一帧图像采样线的数据,按时间先后顺序拼接生成新的采样图,方法为:
计算采样线覆盖的所有点集的数据,根据采样线的宽度,结合采样时间创建一个高度与采样线的宽度相同、高度为3000的RGB图,记为Sample。
2.1对于第1帧数据,将该帧数据上对应的点集数据,放入Sample图第1行。
2.2对于第2帧数据,将该帧数据上对应的点集数据,放入Sample图第2行。
2.3对于第N帧数据,判断N是否大于Sample图的高度,如果不大于则继续放入Sample图第N行,如果N大于Sample图的高度,则记录此时的采样图为Sample_Ok。
2.4并重新记录放置采样图数据的采样高度为1,将采集数据放入Sample图的第一行。
2.5循环执行步骤2.3、2.4,完成一系列采样图记为FlowSample。
三、针对细长条形图形变目标进行深度学习的方法训练。
FlowSample图像里的目标形变成细长条形,设计的特定形变目标关注度提升检测算法,方法为:
模型训练:在通用的loss计算函数中,提高特定类别目标的权重:
四、根据识别结果信息进行车速计算、拥堵判断、等级和方向判断。
4.1车速计算
4.1.1统计学习车速映射关系
4.1.2目标车速
4.1.3更新映射关系
大车:
小车:
4.1.4循环更新
循环执行4.1.3和4.1.4,计算得到当前目标的速度,并不断更新映射关系。
4.2拥堵及等级判断
根据FlowSample图的特点,目标的高度与目标的速度相关,同时目标的宽度是统一的,拥堵事件判断的过程为:
4.2.1 定性判断
在FlowSample图中由于采集数据丢帧情况,正常行驶车辆的小车高宽比为1.5:1,大车高宽比为2.5:1。若出现目标高宽比小于该阈值的情况,说明该目标通过采样线的时刻车速较快,当前比较畅通。若出现目标高宽比大于该阈值的情况,说明该目标通过采样线的时刻车速比较慢,根据不同的数据区间可以判定拥堵的不同级别,并确定拥堵方向。
4.2.2 定量判断
使用4.1步骤中计算的车速信息,并根据相应的设置信息,判断车速是否低于拥堵条件,从而进行拥堵事件和等级的定量判断。
在上述计算方法中,所述提取生成路面区域并根据路面区域生成采样线,使用的是路面分割和摄像机定位算法;生成的采样线垂直于路面方向,宽度与路面区域相同,高度位于路面高度的1/2。
在上述计算方法中,所述采样线的宽度为1,采样时间为2分钟。
在上述计算方法中,所述根据不同的数据区间可以判定拥堵的不同级别,其方法为:如果该目标高宽比大于1.5小于2.5,当前发生轻度拥堵;如果该目标高宽比大于2.5小于3.5,当前发生中度拥堵;如果该目标高宽比大于3.5小于5.5,当前发生重度拥堵;如果该目标高宽比大于5.5,或者出现目标的高度接近FlowSample图高度的情况,则目标发生停车,速度为0,当前发生重度拥堵接近堵死情况。
在上述计算方法中,所述拥堵情况如果同时出现5个及以上的目标,则判断为拥堵事件。
同现有技术相比,本发明的优点如下:
1.将视频数据信息进行时空转换生成采样图。
2.车流量的精准计算。
3.车速计算不需要标定。
4.拥堵事件及等级的双判断方法。
5.流程简单,不需要进行目标跟踪。
6.效率高,2分钟进行一次深度学习运算,且流量和车速、拥堵事件计算简单。
7.适应性广,可适用于白天和夜晚场景;可适用于高速和市内交通、隧道场景;可适用于不同天气情况。
下面结合附图和具体实施方式对本发明做进一步说明。
附图说明
图1为本发明的计算流程图。
具体实施方式
参看图1,本发明多任务的交通事件及交通参数计算方法,其步骤为:
一、输入视频图像,使用路面分割和摄像机定位算法提取生成路面区域,并根据路面区域生成采样线。生成的采样线垂直于路面方向,宽度与路面区域相同,高度位于路面高度的1/2。
二、提取视频每一帧图像采样线的数据,按时间先后顺序拼接生成新的采样图,方法为:
计算采样线覆盖的所有点集的数据,根据采样线的宽度为1,结合采样时间(2分钟)创建一个高度与采样线的宽度相同、高度为3000的RGB图,记为Sample。
2.1对于第1帧数据,将该帧数据上对应的点集数据,放入Sample图第1行。
2.2对于第2帧数据,将该帧数据上对应的点集数据,放入Sample图第2行。
2.3对于第N帧数据,判断N是否大于Sample图的高度,如果不大于则继续放入Sample图第N行,如果N大于Sample图的高度,则记录此时的采样图为Sample_Ok。
2.4并重新记录放置采样图数据的采样高度为1,将采集数据放入Sample图的第一行。
2.5循环执行步骤2.3、2.4,完成一系列采样图记为FlowSample。
三、针对细长条形图形变目标进行深度学习的方法训练。
FlowSample图像里的目标形变成细长条形,设计的特定形变目标关注度提升检测算法,方法为:
模型训练:在通用的loss计算函数中,提高特定类别目标的权重:
四、根据识别结果信息进行车速计算、拥堵判断、等级和方向判断。
4.1车速计算
4.1.1统计学习车速映射关系
4.1.2目标车速
4.1.3更新映射关系
大车:
小车:
4.1.4循环更新
循环执行4.1.3和4.1.4,计算得到当前目标的速度,并不断更新映射关系。
4.2拥堵及等级判断
根据FlowSample图的特点,目标的高度与目标的速度相关,同时目标的宽度是统一的,拥堵事件判断的过程为:
4.2.1 定性判断
在FlowSample图中由于采集数据丢帧情况,正常行驶车辆的小车高宽比为1.5:1,大车高宽比为2.5:1。若出现目标高宽比小于该阈值的情况,说明该目标通过采样线的时刻车速较快,当前比较畅通。若出现目标高宽比大于该阈值的情况,说明该目标通过采样线的时刻车速比较慢,根据不同的数据区间可以判定拥堵的不同级别,并确定拥堵方向。判定不同级别拥堵的方法为:如果该目标高宽比大于1.5小于2.5,当前发生轻度拥堵;如果该目标高宽比大于2.5小于3.5,当前发生中度拥堵;如果该目标高宽比大于3.5小于5.5,当前发生重度拥堵;如果该目标高宽比大于5.5,或者出现目标的高度接近FlowSample图高度的情况,则目标发生停车,速度为0,当前发生重度拥堵接近堵死情况。
4.2.2 定量判断
使用4.1步骤中计算的车速信息,并根据相应的设置信息,判断车速是否低于拥堵条件,从而进行拥堵事件和等级的定量判断。
上述只是本发明的一个具体实施例,凡是采用下述可替代技术的方案亦属于本发明的保护范围:
1.本发明特定形变目标关注度提升检测算法可以替换为普通的目标检测算法。
2.本发明车流量计算问题可替换为根据虚拟拌线像素和特征变化情况计算的车流量方案。
3.本发明车速计算方法可替换为利用标注的虚实关系计算车速的方案。
4.本发明拥堵事件和等级判断方案可替换为只进行定性或者定量计算的方案。
5.本发明一个模型同时完成拥堵和车流量、车速计算的方法可替换只实现一个或者两个功能或者其他功能叠加的方案。
Claims (5)
1.一种多任务的交通事件及交通参数计算方法,其步骤为:
一、输入视频图像,提取生成路面区域,并根据路面区域生成采样线;
二、提取视频每一帧图像采样线的数据,按时间先后顺序拼接生成新的采样图,方法为:
计算采样线覆盖的所有点集的数据,根据采样线的宽度,结合采样时间创建一个高度与采样线的宽度相同、高度为3000的RGB图,记为Sample;
2.1对于第1帧数据,将该帧数据上对应的点集数据,放入Sample图第1行;
2.2对于第2帧数据,将该帧数据上对应的点集数据,放入Sample图第2行;
2.3对于第N帧数据,判断N是否大于Sample图的高度,如果不大于则继续放入Sample图第N行,如果N大于Sample图的高度,则记录此时的采样图为Sample_Ok;
2.4并重新记录放置采样图数据的采样高度为1,将采集数据放入Sample图的第一行;
2.5循环执行步骤2.3、2.4,完成一系列采样图记为FlowSample;
三、针对细长条形图形变目标进行深度学习的方法训练;
FlowSample图像里的目标形变成细长条形,设计的特定形变目标关注度提升检测算法,方法为:
模型训练:在通用的loss计算函数中,提高特定类别目标的权重:
四、根据识别结果信息进行车速计算、拥堵判断、等级和方向判断;
4.1车速计算
4.1.1统计学习车速映射关系
4.1.2目标车速
4.1.3更新映射关系
大车:
小车:
4.1.4循环更新
循环执行步骤4.1.3和4.1.4,计算得到当前目标的速度,并不断更新映射关系;
4.2拥堵及等级判断
根据FlowSample图的特点,目标的高度与目标的速度相关,同时目标的宽度是统一的,拥堵事件判断的过程为:
4.2.1 定性判断
在FlowSample图中由于采集数据丢帧情况,正常行驶车辆的小车高宽比为1.5:1, 大车高宽比为2.5:1;若出现目标高宽比小于该阈值的情况,说明该目标通过采样线的时刻车速较快,当前比较畅通;若出现目标高宽比大于该阈值的情况,说明该目标通过采样线的时刻车速比较慢,根据不同的数据区间可以判定拥堵的不同级别,并确定拥堵方向;
4.2.2 定量判断
使用4.1步骤中计算的车速信息,并根据相应的设置信息,判断车速是否低于拥堵条件,从而进行拥堵事件和等级的定量判断。
2.根据权利要求1所述多任务的交通事件及交通参数计算方法,其特征在于,所述提取生成路面区域并根据路面区域生成采样线,使用的是路面分割和摄像机定位算法;生成的采样线垂直于路面方向,宽度与路面区域相同,高度位于路面高度的1/2。
3.根据权利要求1或2所述多任务的交通事件及交通参数计算方法,其特征在于,所述采样线的宽度为1,采样时间为2分钟。
4.根据权利要求3所述多任务的交通事件及交通参数计算方法,其特征在于,所述根据不同的数据区间可以判定拥堵的不同级别,其方法为:如果该目标高宽比大于1.5小于2.5,当前发生轻度拥堵;如果该目标高宽比大于2.5小于3.5,当前发生中度拥堵;如果该目标高宽比大于3.5小于5.5,当前发生重度拥堵;如果该目标高宽比大于5.5,或者出现目标的高度接近FlowSample图高度的情况,则目标发生停车,速度为0,当前发生重度拥堵接近堵死情况。
5.根据权利要求4所述多任务的交通事件及交通参数计算方法,其特征在于,所述拥堵情况如果同时出现5个及以上的目标,则判断为拥堵事件。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110344544.XA CN113034916B (zh) | 2021-03-31 | 2021-03-31 | 一种多任务的交通事件及交通参数计算方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110344544.XA CN113034916B (zh) | 2021-03-31 | 2021-03-31 | 一种多任务的交通事件及交通参数计算方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113034916A CN113034916A (zh) | 2021-06-25 |
CN113034916B true CN113034916B (zh) | 2022-07-01 |
Family
ID=76452887
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110344544.XA Active CN113034916B (zh) | 2021-03-31 | 2021-03-31 | 一种多任务的交通事件及交通参数计算方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113034916B (zh) |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110633678A (zh) * | 2019-09-19 | 2019-12-31 | 北京同方软件有限公司 | 一种基于视频图像的快速高效的车流量计算方法 |
CN212009589U (zh) * | 2020-04-15 | 2020-11-24 | 华南理工大学 | 一种基于深度学习的视频识别行车车轨迹获取装置 |
-
2021
- 2021-03-31 CN CN202110344544.XA patent/CN113034916B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110633678A (zh) * | 2019-09-19 | 2019-12-31 | 北京同方软件有限公司 | 一种基于视频图像的快速高效的车流量计算方法 |
CN212009589U (zh) * | 2020-04-15 | 2020-11-24 | 华南理工大学 | 一种基于深度学习的视频识别行车车轨迹获取装置 |
Non-Patent Citations (4)
Title |
---|
基于ARM11的单目视觉车距监测系统;郗瑶颖 等;《计算机系统应用》;20121231;第21卷(第12期);第33-37页 * |
基于列车前向运动视频的全景图拼接算法;高大龙 等;《山东大学学报( 工学版)》;20131231;第43卷(第6期);第1-6页 * |
大学图书馆成效评估及其指标体系构建分析;裴妍;《现代商贸工业》;20131231(第04期);第148页 * |
山地高密度城市热环境评价与影响机制研究;杨春 等;《城市营造》;20171231;第214-216页 * |
Also Published As
Publication number | Publication date |
---|---|
CN113034916A (zh) | 2021-06-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110472496B (zh) | 一种基于目标检测与跟踪的交通视频智能分析方法 | |
CN108596129B (zh) | 一种基于智能视频分析技术的车辆越线检测方法 | |
CN106910203B (zh) | 一种视频监测中运动目标的快速检测方法 | |
US8457360B2 (en) | Detection of vehicles in an image | |
CN101458871B (zh) | 一种智能交通分析系统及其应用系统 | |
CN106845364B (zh) | 一种快速自动目标检测方法 | |
CN112800860B (zh) | 一种事件相机和视觉相机协同的高速抛撒物检测方法和系统 | |
CN114419825B (zh) | 基于毫米波雷达和摄像头的高铁周界入侵监测装置及方法 | |
Pan et al. | Traffic surveillance system for vehicle flow detection | |
CN110633678B (zh) | 一种基于视频图像的快速高效的车流量计算方法 | |
CN109684996A (zh) | 基于视频的实时车辆进出识别方法 | |
Makhmutova et al. | Object tracking method for videomonitoring in intelligent transport systems | |
CN104239905A (zh) | 运动目标识别方法及具有该功能的电梯智能计费系统 | |
CN106778540A (zh) | 停车检测准确的基于双层背景的停车事件检测方法 | |
CN111695545A (zh) | 一种基于多目标追踪的单车道逆行检测方法 | |
Minnikhanov et al. | Detection of traffic anomalies for a safety system of smart city | |
Lee | An accident detection system on highway using vehicle tracking trace | |
Li et al. | Intelligent transportation video tracking technology based on computer and image processing technology | |
CN117636268A (zh) | 一种面向冰雪环境的无人机航拍自然驾驶数据集构建方法 | |
CN113034916B (zh) | 一种多任务的交通事件及交通参数计算方法 | |
CN110021174A (zh) | 一种基于视频图像的适用多场景的车流量计算方法 | |
Muniruzzaman et al. | Deterministic algorithm for traffic detection in free-flow and congestion using video sensor | |
CN115457237A (zh) | 基于雷视融合的车辆目标快速检测方法 | |
Špaňhel et al. | Detection of traffic violations of road users based on convolutional neural networks | |
CN106781498A (zh) | 一种高速公路的车流量统计方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |