CN113177504B - 车辆排队信息检测方法、装置、电子设备以及存储介质 - Google Patents
车辆排队信息检测方法、装置、电子设备以及存储介质 Download PDFInfo
- Publication number
- CN113177504B CN113177504B CN202110523127.1A CN202110523127A CN113177504B CN 113177504 B CN113177504 B CN 113177504B CN 202110523127 A CN202110523127 A CN 202110523127A CN 113177504 B CN113177504 B CN 113177504B
- Authority
- CN
- China
- Prior art keywords
- vehicle
- area
- queuing
- target
- video stream
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 95
- 238000000034 method Methods 0.000 claims abstract description 37
- 230000007704 transition Effects 0.000 claims description 22
- 238000004590 computer program Methods 0.000 claims description 12
- 238000012545 processing Methods 0.000 claims description 3
- 230000000007 visual effect Effects 0.000 description 17
- 230000008569 process Effects 0.000 description 11
- 238000010586 diagram Methods 0.000 description 8
- 238000004422 calculation algorithm Methods 0.000 description 7
- 230000007246 mechanism Effects 0.000 description 6
- 230000015572 biosynthetic process Effects 0.000 description 5
- 230000008859 change Effects 0.000 description 5
- 230000000694 effects Effects 0.000 description 5
- 238000002372 labelling Methods 0.000 description 5
- 238000007726 management method Methods 0.000 description 5
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 2
- 239000003086 colorant Substances 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000009434 installation Methods 0.000 description 2
- 230000009191 jumping Effects 0.000 description 2
- 239000003550 marker Substances 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 1
- 238000012790 confirmation Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000004438 eyesight Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 230000016776 visual perception Effects 0.000 description 1
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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- 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
- G08G1/017—Detecting movement of traffic to be counted or controlled identifying vehicles
-
- 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
本发明提供一种车辆排队信息检测方法、装置、电子设备以及计算机可读存储介质。该方法包括:获取视频流,所述视频流包括道路路口对应的检测区域的图像画面,检测区域包括入口区域、排队区域和出口区域,第一出口边界线用于调整入口区域和排队区域的大小,第二出口边界线用于调整出口区域的大小;基于第一标识跳变率确定第一出口边界线的第一位置;基于第二标识跳变率确定第二出口边界线的第二位置;基于目标入口区域和目标出口区域,对目标排队区域的车辆排队信息进行检测,目标入口区域和目标排队区域为第一位置确定的区域,目标出口区域为第二位置确定的出口区域。本发明实施例能够提高道路路口的车辆排队信息的检测准确性。
Description
技术领域
本发明实施例涉及智慧交通技术领域,尤其涉及一种车辆排队信息检测方法、装置、电子设备以及计算机可读存储介质。
背景技术
在智慧交通技术领域,基于路侧视觉感知的交通人工智能应用研究中,可以对道路路口的车辆排队信息如车辆排队数量和车辆排队长度等进行实时检测,以确定道路路口的排队时长和道路拥堵的情况。
传统的车辆排队信息检测方式通常是在道路路口的特定区域设置检测器,根据检测器的信号变化周期以及车辆轨迹模拟确定车辆排队信息。然而,由于车辆排队情况复杂,其检测的准确性比较低。
发明内容
本发明实施例提供一种车辆排队信息检测方法、装置、电子设备以及计算机可读存储介质,以解决现有技术中车辆排队信息检测方式存在检测的准确性比较低的问题。
第一方面,本发明实施例提供一种车辆排队信息检测方法,所述方法包括:
获取视频流,所述视频流包括道路路口对应的检测区域的图像画面,所述检测区域包括入口区域、排队区域和出口区域,所述入口区域的第一出口边界线用于调整所述入口区域和排队区域的大小,所述出口区域的第二出口边界线用于调整所述出口区域的大小;
基于第一标识跳变率确定所述第一出口边界线的第一位置,所述第一标识跳变率为在第一预设大小的入口区域跟踪的车辆标识的跳变概率;
基于第二标识跳变率确定所述第二出口边界线的第二位置,所述第二标识跳变率为在第二预设大小的出口区域跟踪的车辆标识的跳变概率;
基于目标入口区域和目标出口区域,对目标排队区域的车辆排队信息进行检测,所述目标入口区域和目标排队区域为基于所述第一位置确定的区域,所述目标出口区域为基于所述第二位置确定的出口区域。
第二方面,本发明实施例提供一种车辆排队信息检测装置,所述装置包括:
获取模块,用于获取视频流,所述视频流包括道路路口对应的检测区域的图像画面,所述检测区域包括入口区域、排队区域和出口区域,所述入口区域的第一出口边界线用于调整所述入口区域和排队区域的大小,所述出口区域的第二出口边界线用于调整所述出口区域的大小;
第一确定模块,用于基于第一标识跳变率确定所述第一出口边界线的第一位置,所述第一标识跳变率为在第一预设大小的入口区域跟踪的车辆标识的跳变概率;
第二确定模块,用于基于第二标识跳变率确定所述第二出口边界线的第二位置,所述第二标识跳变率为在第二预设大小的出口区域跟踪的车辆标识的跳变概率;
检测模块,用于基于目标入口区域和目标出口区域,对目标排队区域的车辆排队信息进行检测,所述目标入口区域和目标排队区域为基于所述第一位置确定的区域,所述目标出口区域为基于所述第二位置确定的出口区域。
第三方面,本发明实施例提供一种电子设备,包括处理器,存储器,存储在所述存储器上并可在所述处理器上运行的计算机程序,所述计算机程序被所述处理器执行时实现上述车辆排队信息检测方法的步骤。
第四方面,本发明实施例提供一种计算机可读存储介质,所述计算机可读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车辆排队信息检测方法的步骤。
本发明实施例中,通过获取视频流,所述视频流包括道路路口对应的检测区域的图像画面,所述检测区域包括入口区域、排队区域和出口区域,所述入口区域的第一出口边界线用于调整所述入口区域和排队区域的大小,所述出口区域的第二出口边界线用于调整所述出口区域的大小;基于第一标识跳变率确定所述第一出口边界线的第一位置,所述第一标识跳变率为在第一预设大小的入口区域跟踪的车辆标识的跳变概率;基于第二标识跳变率确定所述第二出口边界线的第二位置,所述第二标识跳变率为在第二预设大小的出口区域跟踪的车辆标识的跳变概率;并基于目标入口区域和目标出口区域,对目标排队区域的车辆排队信息进行检测,所述目标入口区域和目标排队区域为基于所述第一位置确定的区域,所述目标出口区域为基于所述第二位置确定的出口区域。
如此,能够根据入口区域和出口区域跟踪的车辆标识的跳变概率,基于滑动窗口机制自动调整车辆的检测区域,从而可以结合道路路口的实际车辆行驶情况对车辆排队信息进行检测,进而可以提高道路路口的车辆排队信息的检测准确性。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对本发明实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获取其他的附图。
图1是本发明实施例提供的车辆排队信息检测方法的流程示意图;
图2是为道路路口划定的检测区域的结构示意图;
图3是两个摄像头在道路路口的安装方式示意图;
图4是队尾位置和队首位置的检测逻辑实例示意图;
图5是本发明实施例提供的车辆排队信息检测装置的结构示意图;
图6是本发明实施例提供的电子设备的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获取的所有其他实施例,都属于本发明保护的范围。
下面首先对本发明实施例提供的车辆排队信息检测方法进行说明。
需要说明的是,本发明实施例提供的车辆排队信息检测方法涉及智慧交通技术领域,具体涉及计算机视觉等人工智能领域,其可以广泛应用于自动驾驶的道路预判和道路规划等诸多场景中。
比如,其可以应用在路侧道路路口的车辆排队时长计算,以及道路路口的拥堵情况的检测,从而为整个市区监控区域的路段的拥堵情况,进行数字化管理,为交管道路管理和车流管理,以及道路上车辆导流,提供精准的数据支撑。
又比如,其可以对未来的自动驾驶领域,提供更多基于路侧的感知数据,提高自动驾驶道路路径选择的有效性和准确性。
该方法可以由本发明实施例的车辆排队信息检测装置执行。而车辆排队信息检测装置可以配置在任意电子设备中,以执行车辆排队信息检测方法,该电子设备可以服务器,也可以为终端,这里不做具体限定。
参见图1,图中示出了本发明实施例提供的车辆排队信息检测方法的流程示意图。如图1所示,该方法可以包括如下步骤:
步骤101,获取视频流,所述视频流包括道路路口对应的检测区域的图像画面,所述检测区域包括入口区域、排队区域和出口区域,所述入口区域的第一出口边界线用于调整所述入口区域和排队区域的大小,所述出口区域的第二出口边界线用于调整所述出口区域的大小。
这里,所述视频流为在道路路口的车辆行驶过程中采集的视频流,其可以包括很多图像,其图像内包括所述道路路口对应的检测区域的图像画面。其中,所述道路路口可以为单向道的道路路口,该道路路口可以包括至少一个单行车道。而单向道是指车辆运行在同一方向上的车道,其可以包括多条单行车道,如左转、右转和直行三条单行车道,这多条单行车道共同组成单向道。
该视频流可以为一个摄像头采集的视频流,该摄像头的视野可以包括所述道路路口的入口区域、排队区域和出口区域的全部范围,且入口区域、排队区域和出口区域依次相邻,即可以拍摄到车辆从驶入至该道路路口开始至离开该道路路口的全部行驶过程。该视频流也可以包括由多个摄像头采集的多个视频流,如包括第一摄像头采集的第一视频流和第二摄像头采集的第二视频流,这多个视频流的视角重点可能不一样。这些摄像头均可以安装在所述道路路口的路侧。
在摄像头的拍摄视角下且获取到该摄像头拍摄的视频流的情况下,可以对视频流中图像进行背景识别,以为道路路口划定检测区域,相应的,该视频流即可以包括道路路口对应的检测区域的图像画面。
其中,参见图2,图2是为道路路口划定的检测区域的结构示意图,如图2所示,划定的检测区域可以包括按照车辆的行驶方向,依次相邻的入口区域201、排队区域202和出口区域203。
其划定的规则是:入口区域201包括第一入口边界线2011和第一出口边界线2012,第一入口边界线2011为固定线,其可以为划分道路路口的入口起始分界线,而第一出口边界线2012为滑动线,其可以用于调整入口区域201和排队区域202的大小。排队区域202的入口边界线即为入口区域201的第一出口边界线2012,其为一条线,而出口边界线可以为道路路口的停车线。出口区域203可以包括第二入口边界线2031和第二出口边界线2032,第二入口边界线2031与排队区域202的出口边界线为同一条线,而第二出口边界线2032为滑动线,其可以用于调整出口区域203的大小。
在对道路路口对应的检测区域进行初始划分时,可以将第一出口边界线2012处于第一预设位置时的预设入口区域和预设排队区域,以及第二出口边界线2032处于第二预设位置时的预设出口区域作为视觉车辆跟踪的输入,并根据车辆跟踪的实际情况来自动调整第一出口边界线2012和第二出口边界线2032的位置,以调整区域的大小。
也就是说,入口区域和出口区域的一端是固定不变的,一端会根据在预设入口区域的车辆跟踪的实际情况进行变动,排队区域靠近入口区域的边随入口区域的滑动边移动,为同一条线。出口区域靠近排队区域的一端是固定不变的,出口区域的滑动边也是根据在预设出口区域的车辆跟踪的实际情况来动态滑动的。
另外,如图2所示,入口区域、排队区域和出口区域可以用掩膜mask进行标注,且不同区域可以设定不同的掩膜灰度图值,可以用于目标跟踪过程中,目标物体的像素位置坐标所对应的mask灰度值,从而可以更加准确地判断其所处的区域位置信息。mask标注后的视频流中图像,可以作为视觉车辆跟踪的输入。
其中,mask标注指的是生产一张与摄像头像素大小一样的灰度图,根据视觉图像中业务场景所需的检测区域划分情况,在该灰度图上创建检测区域的像素值分布,该灰度图即为mask标注,能够过滤掉所有无关区域的干扰影响。
步骤102,基于第一标识跳变率确定所述第一出口边界线的第一位置,所述第一标识跳变率为在第一预设大小的入口区域跟踪的车辆标识的跳变概率。
步骤103,基于第二标识跳变率确定所述第二出口边界线的第二位置,所述第二标识跳变率为在第二预设大小的出口区域跟踪的车辆标识的跳变概率。
步骤102和步骤103中,其目的是为了确定入口区域内跟踪和出口区域内跟踪的感兴趣区域,即基于滑动窗口机制,根据车辆的实际行驶情况所确定的用于进行车辆排队信息检测的目标入口区域和目标出口区域。其中,滑动窗口机制指的是滑动可以调整区域大小的边界线,以确定最终用于车辆排队信息的检测区域的布局。
所述第一标识跳变率可以为在预设入口区域内,发生车辆标识跳变的概率,所述预设入口区域为第一预设大小的入口区域,即第一出口边界线处于第一预设位置时的入口区域。所述第二标识跳变率可以为在预设出口区域内,发生车辆标识跳变的概率,所述预设出口区域为第二预设大小的出口区域,即第二出口边界线处于第二预设位置时的出口区域。
具体的,可以基于所述视频流中相邻两张图像,采用目标追踪算法跟踪车辆标识跳变时最后的位置框,若该位置框落入在预设入口区域或预设出口区域,则在该预设入口区域或预设出口区域内跟踪丢失的车辆标识的数量加1,用sum_switch_trackID(i)=sum_switch_trackID(i)+1表示。同时,记录在该预设入口区域或预设出口区域内所有跟踪到的车辆标识的数量,用sum_trackID(i)=sum_trackID(i)+1表示。
其中,可以采用多目标追踪deepsort算法对车辆进行跟踪,deepsort算法指的是在目标追踪Sort算法基础上的改进,其引入了在行人重识别数据集上离线训练的深度学习模型,在实时目标追踪过程中,提取目标的表观特征进行最近邻匹配,改善有遮挡情况下的目标追踪效果。同时,也可以减少目标的标识误跳变的问题,从而可以提高标识跳变率的检测准确性。
若道路路口为单向道,且单向道包括多条单行车道,则每条单行车道也可以采用相同的滑动窗口机制,确定每条单行车道对应的检测区域的布局。
其中,在程序实现逻辑中,i=1时表示入口区域,i=0时表示出口区域。而i=1.1时表示第1车道对应的入口区域,i=1.2时表示第2车道对应的入口区域,以此类推,i=1.n时表示第n车道对应的入口区域。而i=0.1时表示第1车道对应的出口区域,i=0.2时表示第2车道对应的出口区域,以此类推,i=0.n时表示第n车道对应的出口区域。即i=m.n,当m为1或0且n不存在时,i代表出入口区域,表示的是整个入口区域或出口区域;当n存在时,i代表出入口区域中一条单行车道对应的出入口区域。
每个区域的标识跳变率可以用W(i)表示,而区域的最大长度可以用L_max(i),区域的长度指的是区域的入口边界线至滑动的出口边界线的长度,而区域的最大长度指的是出口边界线在预设位置时区域的长度。
可以通过公式W(i)=sum_switch_trackID(i)/sum_trackID(i)来计算区域的标识跳变率,并基于公式L_ROI(i)=L_max(i)*(1-W(i)),来计算区域的可滑动的出口边界线与固定的入口边界线的实际距离,以确定出口边界线的位置,最终基于该方式确定的出口边界线的位置,即可以得到相应的感兴趣区域。
比如,针对入口区域,即i=1时,可以通过公式W(1)=sum_switch_trackID(1)/sum_trackID(1),计算第一标识跳变率,并基于公式L_ROI(0)=L_max(0)*(1-W(0)),确定第一出口边界线的第一位置,即可以确定入口区域对应的感兴趣区域,该感兴趣区域即为基于所述第一位置确定的区域。
而针对出口区域,即i=0时,可以通过公式W(0)=sum_switch_trackID(0)/sum_trackID(0),计算第二标识跳变率,并基于公式L_ROI(0)=L_max(0)*(1-W(0)),确定第二出口边界线的第二位置,即可以确定出口区域对应的感兴趣区域,该感兴趣区域即为基于所述第二位置确定的区域。
最终,车辆排队信息检测装置可以根据区域内跟踪的车辆标识的跳变概率,利用滑动窗口机制自动调节可滑动的出口边界线,得到用于进行车辆排队信息检测的感兴趣区域。
步骤104,基于目标入口区域和目标出口区域,对目标排队区域的车辆排队信息进行检测,所述目标入口区域和目标排队区域为基于所述第一位置确定的区域,所述目标出口区域为基于所述第二位置确定的出口区域。
该步骤中,目标入口区域和目标出口区域均为感兴趣区域,基于感兴趣区域对目标排队区域的车辆排队信息进行检测。
具体的,可以基于所述目标入口区域,对驶入至所述目标入口区域的车辆进行跟踪,以确定驶入所述目标排队区域的车辆数量;同时,基于所述目标出口区域,对驶入至所述目标出口区域的车辆进行跟踪,以确定驶出所述目标排队区域的车辆数量,统计驶入和驶出所述目标排队区域的车辆数量,即可得到在所述目标排队区域内排队的车辆信息。
本实施例中,通过获取视频流,所述视频流包括道路路口对应的检测区域的图像画面,所述检测区域包括入口区域、排队区域和出口区域,所述入口区域的第一出口边界线用于调整所述入口区域和排队区域的大小,所述出口区域的第二出口边界线用于调整所述出口区域的大小;基于第一标识跳变率确定所述第一出口边界线的第一位置,所述第一标识跳变率为在第一预设大小的入口区域跟踪的车辆标识的跳变概率;基于第二标识跳变率确定所述第二出口边界线的第二位置,所述第二标识跳变率为在第二预设大小的出口区域跟踪的车辆标识的跳变概率;并基于目标入口区域和目标出口区域,对目标排队区域的车辆排队信息进行检测,所述目标入口区域和目标排队区域为基于所述第一位置确定的区域,所述目标出口区域为基于所述第二位置确定的出口区域。
如此,能够根据入口区域和出口区域跟踪的车辆标识的跳变概率,基于滑动窗口机制自动调整车辆的检测区域,从而可以结合道路路口的实际车辆行驶情况对车辆排队信息进行检测,进而可以提高道路路口的车辆排队信息的检测准确性。
并且,利用mask标注以不同像素灰度值划分不同区域,并将mask标注后的视频流中图像作为视觉车辆跟踪的输入,可有效提高感兴趣区域的检测和车辆跟踪准确度。
可选的,所述视频流包括第一摄像头采集的第一视频流和第二摄像头采集的第二视频流;所述步骤102之前,所述方法还包括:
基于所述第一视频流对驶入至第一预设大小的入口区域的车辆进行跟踪,以确定所述第一标识跳变率;
基于所述第二视频流对驶入至第二预设大小的出口区域的车辆进行跟踪,以确定所述第二标识跳变率。
本实施方式中,所述视频流包括两个摄像头分别采集的第一视频流和第二视频流,参见图3,图3是两个摄像头在道路路口的安装方式示意图,如图3所示,第一摄像头301拍摄的第一视频流中图像的视角重点主要在道路路口的入口区域,即第一摄像头的视角对准入口区域,相应的,其可以安装在道路路口中靠近道路路口的入口临近的位置。而第二摄像头302拍摄的第二视频流中图像的视角重点主要在道路路口的出口区域,即第二摄像头的视角对准出口区域,相应的,其可以安装在道路路口中靠近道路路口的出口临近的位置。
在这两个摄像头的拍摄视角下且获取到第一视频流和第二视频流的情况下,可以基于第一视频流对驶入至预设入口区域的车辆进行跟踪,以确定所述第一标识跳变率;并基于第二视频流对驶入至预设出口区域的车辆进行跟踪,以确定所述第二标识跳变率。其中,区域的标识跳变率已经在实施例一中进行了详细说明,这里不再对其进行赘述。
由于第一视频流为靠近入口区域且视角重点在入口区域的第一摄像头拍摄的视频流,因此,其可以用来检测入口区域内的车辆跟踪情况,跟踪准确率高。第二视频流为靠近出口区域且视角重点在出口区域的第二摄像头拍摄的视频流,用来检测出口区域内的车辆跟踪情况,跟踪准确性高。
相应的,分别基于第一视频流和第二视频流进行不同区域的车辆跟踪,以确定不同区域内车辆跟踪的标识跳变率,可以提高标识跳变率的检测准确性。
并且,利用路侧的两路摄像头,根据区域位置与摄像头的距离和角度,可以采用不同像素灰度值的mask来标注不同区域以过滤检测结果,并将标注后的图像作为视觉车辆跟踪的输入,从而可以提高视觉跟踪的精度,进而可以提高道路路口车辆和车型的检测精度。
可选的,所述步骤104具体包括:
基于所述第一视频流对驶入至所述目标入口区域的车辆进行跟踪,以统计驶入所述目标排队区域内车辆的第一数量信息;
基于所述第二视频流对驶入至所述目标出口区域的车辆进行跟踪,以统计驶出所述目标排队区域内车辆的第二数量信息;
基于所述第一数量信息和第二数量信息,确定所述目标排队区域内的车辆排队数量信息,所述车辆排队信息包括所述车辆排队数量信息。
本实施方式中,在这两个摄像头的拍摄视角下且获取到第一视频流和第二视频流的情况下,可以基于第一视频流和第二视频流,采用生产者消费者模式来统计目标排队区域的车流量,生产者是目标入口区域的车辆检测统计情况;消费者是目标出口区域的车辆检测统计情况。
具体的,可以启动deepsort结合备案查询centNet进行目标跟踪,在目标入口区域和目标出口区域,复杂场景下,由于摄像头视角较近,车距较远,因此,分别基于第一视频流和第二视频流进行跟踪的车辆标识的丢帧情况比较少,用于跟踪计数的准确度高。其中,centNet的作用是对视频流中图像的车辆进行检测时,获取车辆的类别、车型、车标、颜色和框体坐标和置信度等。
通过centNet算法识别车型、车标等车体上的信息,依据车型信息配置表,进行确认,从而确定车型的大小、颜色和车辆的详细配置信息。同时,mask标注对于车辆检测结果进行过滤,仅保留mask标注的区域内的车体检测框,作为视觉跟踪的输入,排除其他无关因素的干扰,提高跟踪精度和车辆车型统计数据精确性。
当车辆驶入目标入口区域时,可以基于第一视频流对驶入至所述目标入口区域的车辆进行跟踪,根据跟踪的车辆标识轨迹,确定新入了一个车辆标识的情况下,则单向道的目标排队区域的车辆数量waiting_area_car=waiting_area_car+1,此过程为生产者。
其中,跟踪的车辆标识的获取方式,对视频流中图像进行目标物体识别,对前后相邻的两个图像识别的目标物体进行特征匹配,结合位置预测模型和运动模型进行跟踪,在后帧图像与前一帧图像的识别物体没有匹配上时,可以给该识别物体附加一个新的标识即车辆标识。
也就是说,在目标入口区域跟踪到一个新的车辆标识的情况下,则可以说明驶入了一辆新的车辆将要驶入所述目标排队区域。
在单向道包括多条单行车道的情况下,可以对每条单行车道进行初始化掩膜mask标注,如图2所示,不同单行车道可以设定不同的恒定像素值,其范围在0-255之间,单行车道和单向道的重叠区域的mask的像素值,需要进行累加予以区分,以确定车辆所在具体车道的位置。
具体的,可以根据跟踪的车辆标识轨迹,利用初始化配置的单行车道的mask标注,检测出车辆所在的单行车道,并在对应单行车道对应的目标排队区域的车辆数量waiting_area_car_road=waiting_area_car_road+1,此过程也为生产者。
当车辆驶入目标出口区域时,该区域在第二摄像头的近侧区域,因此,视觉角度和清晰度较好,跟踪效果好。可以基于第二视频流对驶入至所述目标出口区域的车辆进行跟踪,根据跟踪的车辆标识轨迹,确定存在车辆标识跟踪丢失的情况下,则确定存在车辆驶离目标出口区域,相应的,可以统计驶出所述目标排队区域内的车辆数量。此时,单向道的车辆计数和车型计数做消减操作,此过程为消费者。
同时,在单向道包括多条单行车道的情况下,当跟踪到车辆由目标排队区域的停车线,驶入目标出口区域,即跟踪到单行车道对应的目标出口区域新入了一个车辆标识,或者跟踪到单行车道对应的目标排队区域存在车辆标识跟踪丢失的情况,其所在单行车道的车辆计数和车型计数做消减操作,此过程也为消费者。
本实施方式中,通过基于所述第一视频流,采用生产者模式统计所述目标排队区域内车辆的第一数量信息,同时基于所述第二视频流,采用消费者模式统计所述目标排队区域内车辆的第二数量信息,这样可以基于所述第一数量信息和第二数量信息,确定所述目标排队区域内的车辆排队数量信息。如此,可以避免对所述目标排队区域内车辆变道等复杂场景下的车辆跟踪检测,从而可以有效提高单向道对应的目标排队区域和各单行车道对应的排队区域的车辆和车型分布情况,同时对各单行车道的排队车辆和车型分布具有纠正参考价值。
可选的,所述道路路口为单向道,所述第一数量信息包括驶入所述单向道对应的所述目标排队区域内的第一车辆数量,所述第二数量信息包括驶出所述单向道对应的所述目标排队区域内的第二车辆数量,所述车辆排队数量信息包括所述单向道对应的所述目标排队区域内的第一车辆排队数量;
所述基于所述第一数量信息和第二数量信息,确定所述目标排队区域内的车辆排队数量信息的步骤包括:
基于所述第一车辆数量和第二车辆数量,确定所述第一车辆排队数量。
本实施方式中,当车辆驶入目标入口区域时,可以基于第一视频流对驶入至所述目标入口区域的车辆进行跟踪,根据跟踪的车辆标识轨迹,确定新入了一个车辆标识的情况下,则单向道的目标排队区域的车辆数量waiting_area_car=waiting_area_car+1,最终得到驶入所述单向道对应的所述目标排队区域内的第一车辆数量。
当车辆驶出目标出口区域时,可以基于第二视频流对所述目标出口区域的车辆进行跟踪,根据跟踪的车辆标识轨迹,确定存在车辆标识跟踪丢失的情况下,则确定存在车辆驶离目标出口区域,最终得到驶出所述单向道对应的所述目标排队区域内的第二车辆数量。
之后,可以基于所述第一车辆数量和第二车辆数量,确定所述单向道对应的所述目标排队区域内的第一车辆排队数量。其中,其确定方式可以有多种,比如,可以将第一车辆数据减去第二车辆数量,得到停留在所述目标排队区域内的第一车辆排队数量。
又比如,在单向道包括多条单行车道的情况下,可以获取这多条单行车道对应的排队区域内排队的车辆数量的总和,该总和与单向道对应的目标排队区域内排队的车辆数量进行加权,得到停留在所述目标排队区域内的第一车辆排队数量。
可选的,所述单向道包括M条单行车道,每条单行车道对应的检测区域包括排队区域,所述单向道对应的所述目标排队区域包括所述M条单行车道对应的排队区域,M为大于1的整数,所述第一数量信息还包括驶入所述单向道中每条单行车道对应的排队区域内的第三车辆数量,所述第二数量信息还包括驶出所述单向道中每条单行车道对应的排队区域内的第四车辆数量,所述车辆排队数量信息还包括所述单向道中每条单行车道对应的排队区域内的第二车辆排队数量;
所述基于所述第一数量信息和第二数量信息,确定所述目标排队区域内的车辆排队数量信息的步骤还包括:
基于所述第三车辆数量和第四车辆数量,确定所述第二车辆排队数量。
本实施方式中,在单向道包括多条单行车道的情况下,可以对每条单行车道进行初始化掩膜mask标注,如图2所示,不同单行车道可以设定不同的恒定像素值,其范围在0-255之间,单行车道和单向道的重叠区域的mask的像素值,需要进行累加予以区分,以确定车辆所在具体车道的位置。
具体的,可以根据跟踪的车辆标识轨迹,利用初始化配置的单行车道的mask标注,检测出车辆所在的单行车道,并在对应单行车道对应的目标排队区域的车辆数量waiting_area_car_road=waiting_area_car_road+1,最终得到驶入所述单向道中每条单行车道对应的排队区域内的第三车辆数量。
同时,在单向道包括多条单行车道的情况下,当跟踪到车辆由目标排队区域的停车线,驶入目标出口区域,即跟踪到单行车道对应的目标出口区域新入了一个车辆标识,或者跟踪到单行车道对应的目标排队区域存在车辆标识跟踪丢失的情况,其所在单行车道的车辆计数和车型计数做消减操作,最终得到驶出所述单向道中每条单行车道对应的排队区域内的第四车辆数量。
另外,在目标排队区域,由于摄像头视角较远,车距较远,因此,基于第一视频流和第二视频流进行车辆跟踪会存在普遍的丢帧现象。然而,当车辆发生变道的情况下,车辆外貌信息暴露较多,识别较好,基于跟踪的车辆标识的相邻车道切换,以及车辆类别、颜色、车标和车型等检测,可以更新相关的两条单行车道的车辆数据。
同时,针对目标排队区域的车辆跟踪,两个摄像头在目标排队区域的图像存在交叠,可以计算两个摄像头的视角下,分别基于第一视频流和第二视频流对所述目标排队区域内的车辆进行跟踪,分别得到跟踪的车辆标识的置信度,计算车辆标识的置信度的均值,并以均值最大的视角为准,起到互备的作用,能够提高目标排队区域的车辆跟踪准确度,适应不同复杂场景下的应用能力。
比如,单向道包括三条单行车道,分别为单行车道A、单行车道B和单行车道C,单行车道A对应的排队区域内排队的车辆数量为15辆,单行车道B对应的排队区域内排队的车辆数量为10辆,当检测到单行车道A的车辆进入至单行车道B中,且通过车辆类别、颜色、车标和车型等检测,确定是同一辆车,此时,更新单行车道A和单行车道B对应的排队区域内排队的车辆数量,分别更新为14辆和11辆。
本实施方式中,基于第一视频流和第二视频流对区域内的车辆进行跟踪,并采用生产者消费者模式,可以实现对每条单行车道对应的检测区域内车辆的排队数量进行检测。
可选的,所述基于所述第一车辆数量和第二车辆数量,确定所述第一车辆排队数量的步骤包括:
将所述第一车辆数量和第二车辆数量进行相减操作,得到第三车辆排队数量;
将所述第三车辆排队数量和目标数量进行加权操作,得到所述第一车辆排队数量,所述目标数量为所述M条单行车道对应的排队区域的第二车辆排队数量的总和。
本实施方式中,可以将所述单向道对应的目标排队区域内车辆的排队数量即第三车辆排队数量与所述单向道的M条单行车道对应的排队区域内车辆的排队数量的总和即目标数量进行加权操作,从而得到所述目标排队区域最终的车辆排队数量。如此,可以校正目标排队区域中由于车辆变道情况而导致的检测误差,进一步提高车辆排队信息的检测准确性。
其中,加权操作的权重可以根据实现或经验得出,这里不做具体介绍。
可选的,每条单行车道对应的检测区域还包括入口区域,所述单行车道对应的入口区域的第三出口边界线用于调整所述单行车道对应的入口区域和排队区域的大小;所述方法还包括:
基于第三标识跳变率确定所述第三出口边界线的第三位置,所述第三标识跳变率为在所述单行车道对应的第三预设大小的入口区域跟踪的车辆标识的跳变概率;
基于所述第一视频流对所述单行车道对应的所述第三位置确定的入口区域的车辆进行跟踪,得到目标车辆的跟踪框,所述目标车辆为基于所述第一视频流跟踪到的车辆中,最后驶入所述单行车道对应的所述第三位置确定的入口区域的车辆;
基于所述目标车辆的跟踪框确定所述单行车道的队尾位置;
基于所述队尾位置,确定所述单行车道的车辆排队长度,所述车辆排队信息包括所述车辆排队长度。
本实施方式中,针对各个单行车道对应的排队区域的车辆排队信息的检测也可以使用入口区域对应的感兴趣区域。如图2所示,每个单行车道的入口区域的第三出口边界线2013为滑动线,以任一单行车道为例,可以基于第三标识跳变率确定所述第三出口边界线的第三位置,所述第三标识跳变率为在所述单行车道对应的第三预设大小的入口区域跟踪的车辆标识的跳变概率,基于所述第三位置确定的入口区域即为单行车道的入口区域对应的感兴趣区域。
可以基于所述第一视频流对所述单行车道对应的入口感兴趣区域内的车辆进行跟踪,得到目标车辆的跟踪框,该目标车辆可以为入口感兴趣区域内最新跟踪到的车辆的跟踪框。
可以采用所述目标车辆的跟踪框的行驶方向的相反方向的框边,作为最新跟踪到的队尾线,用L_MOVER表示,用来更新待更新队尾线,用L_REAR表示。
其中,待更新队尾线作为跟踪到所述目标车辆之前,所述单行车道对应的排队区域内排队车辆的队尾线,若L_MOVER和L_REAR之间没有检测道车辆,则这两条线处于同一位置。
而若检测到车辆,可以基于L_MOVER去更新L_REAR的位置,得到所述单行车道的队尾位置。
之后,可以基于所述队尾位置,确定所述单行车道的车辆排队长度。具体的,可以将排队队首设定在停车线处,基于排队队首和确定的队尾位置,即可以确定所述单行车道的车辆排队长度。
另外,通过centnet目标识别算法模型,进行大型车、中型车和小型车等车型的识别,并自动实时计算出排队区域内总的排队车数量和车辆类别、颜色、车标及车型分布,以及各个单行车道内的排队车数量和车辆类别、颜色、车标及车型分布。如此,可以基于这些车辆排队信息对道路路口的排队时长和拥堵情况进行准确预估。
可选的,所述基于所述目标车辆的跟踪框确定所述单行车道的队尾位置的步骤包括:
在所述单行车道中的目标队尾线与待更新队尾线之间存在车辆,且存在车辆跟踪丢失的情况下,基于所述单向道对应的所述目标入口区域内跟踪到的车辆配置信息更新所述待更新队尾线的位置,得到所述单行车道的队尾位置;
其中,所述目标队尾线为所述目标车辆的跟踪框的行驶方向的相反方向的框边,所述待更新队尾线为跟踪到所述目标车辆之前,所述单行车道对应的排队区域内排队车辆的队尾线。
本实施方式中,参见图4,图4是队尾位置和队首位置的检测逻辑实例示意图,如图4所示,若L_MOVER即目标队尾线和L_REAR即待更新队尾线之间存在车辆且存在车辆跟丢时,则根据入口感兴趣区域内检测的车型与车长配置信息,通过车道实际长度与像素长度的标定定位,预估出L_MOVER的更新位置,并调整该L_MOVER的位置预估值。
下面对本发明实施例提供的车辆排队信息检测装置进行说明。
参见图5,图中示出了本发明实施例提供的车辆排队信息检测装置的结构示意图。如图5所示,车辆排队信息检测装置500包括:
获取模块501,用于获取视频流,所述视频流包括道路路口对应的检测区域的图像画面,所述检测区域包括入口区域、排队区域和出口区域,所述入口区域的第一出口边界线用于调整所述入口区域和排队区域的大小,所述出口区域的第二出口边界线用于调整所述出口区域的大小;
第一确定模块502,用于基于第一标识跳变率确定所述第一出口边界线的第一位置,所述第一标识跳变率为在第一预设大小的入口区域跟踪的车辆标识的跳变概率;
第二确定模块503,用于基于第二标识跳变率确定所述第二出口边界线的第二位置,所述第二标识跳变率为在第二预设大小的出口区域跟踪的车辆标识的跳变概率;
检测模块504,用于基于目标入口区域和目标出口区域,对目标排队区域的车辆排队信息进行检测,所述目标入口区域和目标排队区域为基于所述第一位置确定的区域,所述目标出口区域为基于所述第二位置确定的出口区域。
可选的,所述视频流包括第一摄像头采集的第一视频流和第二摄像头采集的第二视频流,所述装置还包括:
第一车辆跟踪模块,用于基于所述第一视频流对驶入至第一预设大小的入口区域的车辆进行跟踪,以确定所述第一标识跳变率;
第二车辆跟踪模块,用于基于所述第二视频流对驶入至第二预设大小的出口区域的车辆进行跟踪,以确定所述第二标识跳变率。
可选的,所述检测模块504包括:
第一车辆跟踪单元,用于基于所述第一视频流对驶入至所述目标入口区域的车辆进行跟踪,以统计驶入所述目标排队区域内车辆的第一数量信息;
第二车辆跟踪单元,用于基于所述第二视频流对驶入至所述目标出口区域的车辆进行跟踪,以统计驶出所述目标排队区域内车辆的第二数量信息;
确定单元,用于基于所述第一数量信息和第二数量信息,确定所述目标排队区域内的车辆排队数量信息,所述车辆排队信息包括所述车辆排队数量信息。
可选的,所述道路路口为单向道,所述第一数量信息包括驶入所述单向道对应的所述目标排队区域内的第一车辆数量,所述第二数量信息包括驶出所述单向道对应的所述目标排队区域内的第二车辆数量,所述车辆排队数量信息包括所述单向道对应的所述目标排队区域内的第一车辆排队数量;所述确定单元,具体用于基于所述第一车辆数量和第二车辆数量,确定所述第一车辆排队数量。
可选的,所述单向道包括M条单行车道,每条单行车道对应的检测区域包括排队区域,所述单向道对应的所述目标排队区域包括所述M条单行车道对应的排队区域,M为大于1的整数,所述第一数量信息还包括驶入所述单向道中每条单行车道对应的排队区域内的第三车辆数量,所述第二数量信息还包括驶出所述单向道中每条单行车道对应的排队区域内的第四车辆数量,所述车辆排队数量信息还包括所述单向道中每条单行车道对应的排队区域内的第二车辆排队数量;所述确定单元,还用于基于所述第三车辆数量和第四车辆数量,确定所述第二车辆排队数量。
可选的,所述确定单元,具体用于将所述第一车辆数量和第二车辆数量进行相减操作,得到第三车辆排队数量;将所述第三车辆排队数量和目标数量进行加权操作,得到所述第一车辆排队数量,所述目标数量为所述M条单行车道对应的排队区域的第二车辆排队数量的总和。
可选的,每条单行车道对应的检测区域还包括入口区域,所述单行车道对应的入口区域的第三出口边界线用于调整所述单行车道对应的入口区域和排队区域的大小;所述装置还包括:
第三确定模块,用于基于第三标识跳变率确定所述第三出口边界线的第三位置,所述第三标识跳变率为在所述单行车道对应的第三预设大小的入口区域跟踪的车辆标识的跳变概率;
第三车辆跟踪模块,用于基于所述第一视频流对所述单行车道对应的所述第三位置确定的入口区域的车辆进行跟踪,得到目标车辆的跟踪框,所述目标车辆为基于所述第一视频流跟踪到的车辆中,最后驶入所述单行车道对应的所述第三位置确定的入口区域的车辆;
第四确定模块,用于基于所述目标车辆的跟踪框确定所述单行车道的队尾位置;
第五确定模块,用于基于所述队尾位置,确定所述单行车道的车辆排队长度,所述车辆排队信息包括所述车辆排队长度。
可选的,所述第四确定模块,具体用于在所述单行车道中的目标队尾线与待更新队尾线之间存在车辆,且存在车辆跟踪丢失的情况下,基于所述单向道对应的所述目标入口区域内跟踪到的车辆配置信息更新所述待更新队尾线的位置,得到所述单行车道的队尾位置;其中,所述目标队尾线为所述目标车辆的跟踪框的行驶方向的相反方向的框边,所述待更新队尾线为跟踪到所述目标车辆之前,所述单行车道对应的排队区域内排队车辆的队尾线。
车辆排队信息检测装置500能够实现上述方法实施例中实现的各个过程,为避免重复,这里不再赘述。
下面对本发明实施例提供的电子设备进行说明。
参见图6,图中示出了本发明实施例提供的电子设备的结构示意图。如图6所示,电子设备600包括:处理器601、存储器602、用户接口603和总线接口604。
处理器601,用于读取存储器602中的程序,执行下列过程:
获取视频流,所述视频流包括道路路口对应的检测区域的图像画面,所述检测区域包括入口区域、排队区域和出口区域,所述入口区域的第一出口边界线用于调整所述入口区域和排队区域的大小,所述出口区域的第二出口边界线用于调整所述出口区域的大小;
基于第一标识跳变率确定所述第一出口边界线的第一位置,所述第一标识跳变率为在第一预设大小的入口区域跟踪的车辆标识的跳变概率;
基于第二标识跳变率确定所述第二出口边界线的第二位置,所述第二标识跳变率为在第二预设大小的出口区域跟踪的车辆标识的跳变概率;
基于目标入口区域和目标出口区域,对目标排队区域的车辆排队信息进行检测,所述目标入口区域和目标排队区域为基于所述第一位置确定的区域,所述目标出口区域为基于所述第二位置确定的出口区域。
在图6中,总线架构可以包括任意数量的互联的总线和桥,具体由处理器601代表的一个或多个处理器和存储器602代表的存储器的各种电路链接在一起。总线架构还可以将诸如外围设备、稳压器和功率管理电路等之类的各种其他电路链接在一起,这些都是本领域所公知的,因此,本文不再对其进行进一步描述。总线接口604提供接口。针对不同的用户设备,用户接口603还可以是能够外接内接需要设备的接口,连接的设备包括但不限于小键盘、显示器、扬声器、麦克风、操纵杆等。
处理器601负责管理总线架构和通常的处理,存储器602可以存储处理器601在执行操作时所使用的数据。
可选的,所述视频流包括第一摄像头采集的第一视频流和第二摄像头采集的第二视频流;处理器601,还用于:
基于所述第一视频流对驶入至第一预设大小的入口区域的车辆进行跟踪,以确定所述第一标识跳变率;
基于所述第二视频流对驶入至第二预设大小的出口区域的车辆进行跟踪,以确定所述第二标识跳变率。
可选的,处理器601,具体用于:
基于所述第一视频流对驶入至所述目标入口区域的车辆进行跟踪,以统计驶入所述目标排队区域内车辆的第一数量信息;
基于所述第二视频流对驶入至所述目标出口区域的车辆进行跟踪,以统计驶出所述目标排队区域内车辆的第二数量信息;
基于所述第一数量信息和第二数量信息,确定所述目标排队区域内的车辆排队数量信息,所述车辆排队信息包括所述车辆排队数量信息。
可选的,所述道路路口为单向道,所述第一数量信息包括驶入所述单向道对应的所述目标排队区域内的第一车辆数量,所述第二数量信息包括驶出所述单向道对应的所述目标排队区域内的第二车辆数量,所述车辆排队数量信息包括所述单向道对应的所述目标排队区域内的第一车辆排队数量;处理器601,具体用于:
基于所述第一车辆数量和第二车辆数量,确定所述第一车辆排队数量。
可选的,所述单向道包括M条单行车道,每条单行车道对应的检测区域包括排队区域,所述单向道对应的所述目标排队区域包括所述M条单行车道对应的排队区域,M为大于1的整数,所述第一数量信息还包括驶入所述单向道中每条单行车道对应的排队区域内的第三车辆数量,所述第二数量信息还包括驶出所述单向道中每条单行车道对应的排队区域内的第四车辆数量,所述车辆排队数量信息还包括所述单向道中每条单行车道对应的排队区域内的第二车辆排队数量;处理器601,具体用于:
基于所述第三车辆数量和第四车辆数量,确定所述第二车辆排队数量。
可选的,处理器601,具体用于:
将所述第一车辆数量和第二车辆数量进行相减操作,得到第三车辆排队数量;
将所述第三车辆排队数量和目标数量进行加权操作,得到所述第一车辆排队数量,所述目标数量为所述M条单行车道对应的排队区域的第二车辆排队数量的总和。
可选的,每条单行车道对应的检测区域还包括入口区域,所述单行车道对应的入口区域的第三出口边界线用于调整所述单行车道对应的入口区域和排队区域的大小;处理器601,还用于:
基于第三标识跳变率确定所述第三出口边界线的第三位置,所述第三标识跳变率为在所述单行车道对应的第三预设大小的入口区域跟踪的车辆标识的跳变概率;
基于所述第一视频流对所述单行车道对应的所述第三位置确定的入口区域的车辆进行跟踪,得到目标车辆的跟踪框,所述目标车辆为基于所述第一视频流跟踪到的车辆中,最后驶入所述单行车道对应的所述第三位置确定的入口区域的车辆;
基于所述目标车辆的跟踪框确定所述单行车道的队尾位置;
基于所述队尾位置,确定所述单行车道的车辆排队长度,所述车辆排队信息包括所述车辆排队长度。
可选的,处理器601,具体用于:
在所述单行车道中的目标队尾线与待更新队尾线之间存在车辆,且存在车辆跟踪丢失的情况下,基于所述单向道对应的所述目标入口区域内跟踪到的车辆配置信息更新所述待更新队尾线的位置,得到所述单行车道的队尾位置;
其中,所述目标队尾线为所述目标车辆的跟踪框的行驶方向的相反方向的框边,所述待更新队尾线为跟踪到所述目标车辆之前,所述单行车道对应的排队区域内排队车辆的队尾线。
优选的,本发明实施例还提供一种电子设备,包括处理器601,存储器602,存储在存储器602上并可在所述处理器601上运行的计算机程序,该计算机程序被处理器601执行时实现上述车辆排队信息检测方法实施例的各个过程,且能达到相同的技术效果,为避免重复,这里不再赘述。
本发明实施例还提供一种计算机可读存储介质,计算机可读存储介质上存储有计算机程序,该计算机程序被处理器执行时实现上述车辆排队信息检测方法实施例的各个过程,且能达到相同的技术效果,为避免重复,这里不再赘述。其中,所述的计算机可读存储介质,如只读存储器(Read-Only Memory,简称ROM)、随机存取存储器(Random AccessMemory,简称RAM)、磁碟或者光盘等。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的系统、装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在本申请所提供的实施例中,应该理解到,所揭露的系统和方法,可以通过其它的方式实现。例如,以上所描述的系统实施例仅仅是示意性的,例如,所述单元的划分,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,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的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,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本发明实施例方案的目的。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述,仅为本发明的具体实施方式,但本发明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发明揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以权利要求的保护范围为准。
Claims (14)
1.一种车辆排队信息检测方法,其特征在于,所述方法包括:
获取视频流,所述视频流包括道路路口对应的检测区域的图像画面,所述检测区域包括入口区域、排队区域和出口区域,所述入口区域的第一出口边界线用于调整所述入口区域和排队区域的大小,所述出口区域的第二出口边界线用于调整所述出口区域的大小,所述视频流包括第一摄像头采集的第一视频流和第二摄像头采集的第二视频流;
基于第一标识跳变率确定所述第一出口边界线的第一位置,所述第一标识跳变率为在第一预设大小的入口区域跟踪的车辆标识的跳变概率;
基于第二标识跳变率确定所述第二出口边界线的第二位置,所述第二标识跳变率为在第二预设大小的出口区域跟踪的车辆标识的跳变概率;
基于目标入口区域和目标出口区域,对目标排队区域的车辆排队信息进行检测,所述目标入口区域和目标排队区域为基于所述第一位置确定的区域,所述目标出口区域为基于所述第二位置确定的出口区域;
所述基于目标入口区域和目标出口区域,对目标排队区域的车辆排队信息进行检测的步骤包括:
基于所述第一视频流对驶入至所述目标入口区域的车辆进行跟踪,以统计驶入所述目标排队区域内车辆的第一数量信息;
基于所述第二视频流对驶入至所述目标出口区域的车辆进行跟踪,以统计驶出所述目标排队区域内车辆的第二数量信息;
基于所述第一数量信息和第二数量信息,确定所述目标排队区域内的车辆排队数量信息,所述车辆排队信息包括所述车辆排队数量信息;
在所述道路路口为包括M条单行车道的第一单向道的情况下,每条单行车道对应的检测区域包括排队区域,所述第一单向道对应的所述目标排队区域包括所述M条单行车道对应的排队区域,M为大于1的整数,所述第一数量信息还包括驶入所述第一单向道中每条单行车道对应的排队区域内的第三车辆数量,所述第二数量信息还包括驶出所述第一单向道中每条单行车道对应的排队区域内的第四车辆数量,所述车辆排队数量信息还包括所述第一单向道中每条单行车道对应的排队区域内的第二车辆排队数量;
所述基于所述第一数量信息和第二数量信息,确定所述目标排队区域内的车辆排队数量信息的步骤还包括:
基于所述第三车辆数量和第四车辆数量,确定所述第二车辆排队数量。
2.根据权利要求1所述的方法,其特征在于,所述基于第一标识跳变率确定所述第一出口边界线的第一位置之前,所述方法还包括:
基于所述第一视频流对驶入至第一预设大小的入口区域的车辆进行跟踪,以确定所述第一标识跳变率;
基于所述第二视频流对驶入至第二预设大小的出口区域的车辆进行跟踪,以确定所述第二标识跳变率。
3.根据权利要求1所述的方法,其特征在于,所述道路路口为第二单向道,所述第一数量信息包括驶入所述第二单向道对应的所述目标排队区域内的第一车辆数量,所述第二数量信息包括驶出所述第二单向道对应的所述目标排队区域内的第二车辆数量,所述车辆排队数量信息包括所述第二单向道对应的所述目标排队区域内的第一车辆排队数量;
所述基于所述第一数量信息和第二数量信息,确定所述目标排队区域内的车辆排队数量信息的步骤包括:
基于所述第一车辆数量和第二车辆数量,确定所述第一车辆排队数量。
4.根据权利要求3所述的方法,其特征在于,所述基于所述第一车辆数量和第二车辆数量,确定所述第一车辆排队数量的步骤包括:
将所述第一车辆数量和第二车辆数量进行相减操作,得到第三车辆排队数量;
将所述第三车辆排队数量和目标数量进行加权操作,得到所述第一车辆排队数量,所述目标数量为所述M条单行车道对应的排队区域的第二车辆排队数量的总和。
5.根据权利要求1所述的方法,其特征在于,每条单行车道对应的检测区域还包括入口区域,所述单行车道对应的入口区域的第三出口边界线用于调整所述单行车道对应的入口区域和排队区域的大小;所述方法还包括:
基于第三标识跳变率确定所述第三出口边界线的第三位置,所述第三标识跳变率为在所述单行车道对应的第三预设大小的入口区域跟踪的车辆标识的跳变概率;
基于所述第一视频流对所述单行车道对应的所述第三位置确定的入口区域的车辆进行跟踪,得到目标车辆的跟踪框,所述目标车辆为基于所述第一视频流跟踪到的车辆中,最后驶入所述单行车道对应的所述第三位置确定的入口区域的车辆;
基于所述目标车辆的跟踪框确定所述单行车道的队尾位置;
基于所述队尾位置,确定所述单行车道的车辆排队长度,所述车辆排队信息包括所述车辆排队长度。
6.根据权利要求5所述的方法,其特征在于,所述基于所述目标车辆的跟踪框确定所述单行车道的队尾位置的步骤包括:
在所述单行车道中的目标队尾线与待更新队尾线之间存在车辆,且存在车辆跟踪丢失的情况下,基于所述单向道对应的所述目标入口区域内跟踪到的车辆配置信息更新所述待更新队尾线的位置,得到所述单行车道的队尾位置;
其中,所述目标队尾线为所述目标车辆的跟踪框的行驶方向的相反方向的框边,所述待更新队尾线为跟踪到所述目标车辆之前,所述单行车道对应的排队区域内排队车辆的队尾线。
7.一种车辆排队信息检测装置,其特征在于,所述装置包括:
获取模块,用于获取视频流,所述视频流包括道路路口对应的检测区域的图像画面,所述检测区域包括入口区域、排队区域和出口区域,所述入口区域的第一出口边界线用于调整所述入口区域和排队区域的大小,所述出口区域的第二出口边界线用于调整所述出口区域的大小,所述视频流包括第一摄像头采集的第一视频流和第二摄像头采集的第二视频流;
第一确定模块,用于基于第一标识跳变率确定所述第一出口边界线的第一位置,所述第一标识跳变率为在第一预设大小的入口区域跟踪的车辆标识的跳变概率;
第二确定模块,用于基于第二标识跳变率确定所述第二出口边界线的第二位置,所述第二标识跳变率为在第二预设大小的出口区域跟踪的车辆标识的跳变概率;
检测模块,用于基于目标入口区域和目标出口区域,对目标排队区域的车辆排队信息进行检测,所述目标入口区域和目标排队区域为基于所述第一位置确定的区域,所述目标出口区域为基于所述第二位置确定的出口区域;
所述视频流包括第一摄像头采集的第一视频流和第二摄像头采集的第二视频流,
所述检测模块包括:
第一车辆跟踪单元,用于基于所述第一视频流对驶入至所述目标入口区域的车辆进行跟踪,以统计驶入所述目标排队区域内车辆的第一数量信息;
第二车辆跟踪单元,用于基于所述第二视频流对驶入至所述目标出口区域的车辆进行跟踪,以统计驶出所述目标排队区域内车辆的第二数量信息;
确定单元,用于基于所述第一数量信息和第二数量信息,确定所述目标排队区域内的车辆排队数量信息,所述车辆排队信息包括所述车辆排队数量信息;
在所述道路路口为包括M条单行车道的第一单向道的情况下,每条单行车道对应的检测区域包括排队区域,所述第一单向道对应的所述目标排队区域包括所述M条单行车道对应的排队区域,M为大于1的整数,所述第一数量信息还包括驶入所述第一单向道中每条单行车道对应的排队区域内的第三车辆数量,所述第二数量信息还包括驶出所述第一单向道中每条单行车道对应的排队区域内的第四车辆数量,所述车辆排队数量信息还包括所述第一单向道中每条单行车道对应的排队区域内的第二车辆排队数量;
所述确定单元,还用于基于所述第三车辆数量和第四车辆数量,确定所述第二车辆排队数量。
8.根据权利要求7所述的装置,其特征在于,所述装置还包括:
第一车辆跟踪模块,用于基于所述第一视频流对驶入至第一预设大小的入口区域的车辆进行跟踪,以确定所述第一标识跳变率;
第二车辆跟踪模块,用于基于所述第二视频流对驶入至第二预设大小的出口区域的车辆进行跟踪,以确定所述第二标识跳变率。
9.根据权利要求7所述的装置,其特征在于,所述道路路口为第二单向道,所述第一数量信息包括驶入所述第二单向道对应的所述目标排队区域内的第一车辆数量,所述第二数量信息包括驶出所述第二单向道对应的所述目标排队区域内的第二车辆数量,所述车辆排队数量信息包括所述第二单向道对应的所述目标排队区域内的第一车辆排队数量;所述确定单元,具体用于基于所述第一车辆数量和第二车辆数量,确定所述第一车辆排队数量。
10.根据权利要求7所述的装置,其特征在于,所述确定单元,具体用于将所述第一车辆数量和第二车辆数量进行相减操作,得到第三车辆排队数量;将所述第三车辆排队数量和目标数量进行加权操作,得到所述第一车辆排队数量,所述目标数量为所述M条单行车道对应的排队区域的第二车辆排队数量的总和。
11.根据权利要求7所述的装置,其特征在于,每条单行车道对应的检测区域还包括入口区域,所述单行车道对应的入口区域的第三出口边界线用于调整所述单行车道对应的入口区域和排队区域的大小;所述装置还包括:
第三确定模块,用于基于第三标识跳变率确定所述第三出口边界线的第三位置,所述第三标识跳变率为在所述单行车道对应的第三预设大小的入口区域跟踪的车辆标识的跳变概率;
第三车辆跟踪模块,用于基于所述第一视频流对所述单行车道对应的所述第三位置确定的入口区域的车辆进行跟踪,得到目标车辆的跟踪框,所述目标车辆为基于所述第一视频流跟踪到的车辆中,最后驶入所述单行车道对应的所述第三位置确定的入口区域的车辆;
第四确定模块,用于基于所述目标车辆的跟踪框确定所述单行车道的队尾位置;
第五确定模块,用于基于所述队尾位置,确定所述单行车道的车辆排队长度,所述车辆排队信息包括所述车辆排队长度。
12.根据权利要求11所述的装置,其特征在于,所述第四确定模块,具体用于在所述单行车道中的目标队尾线与待更新队尾线之间存在车辆,且存在车辆跟踪丢失的情况下,基于所述单向道对应的所述目标入口区域内跟踪到的车辆配置信息更新所述待更新队尾线的位置,得到所述单行车道的队尾位置;其中,所述目标队尾线为所述目标车辆的跟踪框的行驶方向的相反方向的框边,所述待更新队尾线为跟踪到所述目标车辆之前,所述单行车道对应的排队区域内排队车辆的队尾线。
13.一种电子设备,其特征在于,所述电子设备包括:包括处理器,存储器,存储在所述存储器上并可在所述处理器上运行的计算机程序,所述计算机程序被所述处理器执行时实现如权利要求1至6中任一项所述的车辆排队信息检测方法的步骤。
14.一种计算机可读存储介质,其特征在于,所述计算机可读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如权利要求1至6中任一项所述的车辆排队信息检测方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110523127.1A CN113177504B (zh) | 2021-05-13 | 2021-05-13 | 车辆排队信息检测方法、装置、电子设备以及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110523127.1A CN113177504B (zh) | 2021-05-13 | 2021-05-13 | 车辆排队信息检测方法、装置、电子设备以及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113177504A CN113177504A (zh) | 2021-07-27 |
CN113177504B true CN113177504B (zh) | 2022-07-29 |
Family
ID=76929109
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110523127.1A Active CN113177504B (zh) | 2021-05-13 | 2021-05-13 | 车辆排队信息检测方法、装置、电子设备以及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113177504B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114067573B (zh) * | 2022-01-11 | 2022-04-12 | 成都宜泊信息科技有限公司 | 一种停车场值守方法、系统、存储介质及电子设备 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111578964A (zh) * | 2020-04-13 | 2020-08-25 | 河北德冠隆电子科技有限公司 | 基于时空轨迹重构高精地图道路信息快速生成系统及方法 |
CN111781600A (zh) * | 2020-06-18 | 2020-10-16 | 重庆工程职业技术学院 | 一种适用于信号交叉口场景的车辆排队长度检测方法 |
Family Cites Families (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN201203419Y (zh) * | 2007-12-26 | 2009-03-04 | 河海大学常州校区 | 城市交叉路口车辆排队长度的单帧图像检测装置 |
US9483838B2 (en) * | 2014-04-24 | 2016-11-01 | Xerox Corporation | Method and system for automated sequencing of vehicles in side-by-side drive-thru configurations via appearance-based classification |
CN205899805U (zh) * | 2016-07-18 | 2017-01-18 | 中国科学院地理科学与资源研究所 | 户外便携式交通信息视频检测与采集系统 |
CN106781493B (zh) * | 2016-12-30 | 2020-09-18 | 迈锐数据(北京)有限公司 | 一种车辆排队长度模拟系统、方法和装置 |
CN109426788B (zh) * | 2017-08-31 | 2020-08-28 | 浙江宇视科技有限公司 | 排队长度检测方法、装置及服务器 |
CN108053649A (zh) * | 2017-12-14 | 2018-05-18 | 迈锐数据(北京)有限公司 | 一种车辆排队长度检测系统、方法和装置 |
CN108109380B (zh) * | 2018-01-31 | 2020-12-15 | 迈锐数据(北京)有限公司 | 一种车辆排队长度的检测系统、方法及装置 |
CN110751829B (zh) * | 2019-09-26 | 2021-06-04 | 同济大学 | 一种基于图像自学习的车辆排队消散时间预测方法 |
CN112489427B (zh) * | 2020-11-26 | 2022-04-15 | 招商华软信息有限公司 | 一种车辆轨迹跟踪方法、装置、设备及存储介质 |
-
2021
- 2021-05-13 CN CN202110523127.1A patent/CN113177504B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111578964A (zh) * | 2020-04-13 | 2020-08-25 | 河北德冠隆电子科技有限公司 | 基于时空轨迹重构高精地图道路信息快速生成系统及方法 |
CN111781600A (zh) * | 2020-06-18 | 2020-10-16 | 重庆工程职业技术学院 | 一种适用于信号交叉口场景的车辆排队长度检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113177504A (zh) | 2021-07-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Krajewski et al. | The round dataset: A drone dataset of road user trajectories at roundabouts in germany | |
CN108986064B (zh) | 一种人流量统计方法、设备及系统 | |
US9607402B1 (en) | Calibration of pedestrian speed with detection zone for traffic intersection control | |
US9449506B1 (en) | Pedestrian counting and detection at a traffic intersection based on location of vehicle zones | |
US20210042592A1 (en) | Object detection device, object detection method, and computer program for object detection | |
KR20180046798A (ko) | 실시간 교통 정보 제공 방법 및 장치 | |
Chang et al. | Video analytics in smart transportation for the AIC'18 challenge | |
CN112750150A (zh) | 基于车辆检测和多目标跟踪的车流量统计方法 | |
Rodríguez et al. | An adaptive, real-time, traffic monitoring system | |
AU2021255130B2 (en) | Artificial intelligence and computer vision powered driving-performance assessment | |
CN109766867A (zh) | 车辆运行状态确定方法、装置、计算机设备和存储介质 | |
CN105744223A (zh) | 视频数据处理方法和装置 | |
CN113011371A (zh) | 目标检测方法、装置、设备及存储介质 | |
CN113177504B (zh) | 车辆排队信息检测方法、装置、电子设备以及存储介质 | |
KR20220032681A (ko) | 노상 주차장의 주차 관리 방법 | |
US20220237919A1 (en) | Method, Apparatus, and Computing Device for Lane Recognition | |
CN112447060A (zh) | 识别车道的方法、装置及计算设备 | |
CN111145211A (zh) | 单目摄像机直立行人头部像素高度获取方法 | |
US20200394435A1 (en) | Distance estimation device, distance estimation method, and distance estimation computer program | |
CN112562315A (zh) | 一种获取车流信息的方法、终端及存储介质 | |
CN110458017B (zh) | 目标跟踪的尺度估计方法以及相关装置 | |
CN117152949A (zh) | 一种基于无人机的交通事件识别方法及系统 | |
CN114078319A (zh) | 一种检测交通事故隐患地点的方法及装置 | |
Suttiponpisarn et al. | Detection of wrong direction vehicles on two-way traffic | |
CN113420726B (zh) | 基于俯视图像的区域去重客流统计方法 |
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 |