CN113313950A - 车辆拥堵的检测方法、装置、设备及计算机存储介质 - Google Patents
车辆拥堵的检测方法、装置、设备及计算机存储介质 Download PDFInfo
- Publication number
- CN113313950A CN113313950A CN202110854140.5A CN202110854140A CN113313950A CN 113313950 A CN113313950 A CN 113313950A CN 202110854140 A CN202110854140 A CN 202110854140A CN 113313950 A CN113313950 A CN 113313950A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- mask image
- determining
- image
- preset area
- 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.)
- Pending
Links
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
- G08G1/0125—Traffic data processing
- G08G1/0133—Traffic data processing for classifying traffic situation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
-
- G—PHYSICS
- 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
- 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
- G08G1/0175—Detecting movement of traffic to be counted or controlled identifying vehicles by photographing vehicles, e.g. when violating traffic rules
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/052—Detecting movement of traffic to be counted or controlled with provision for determining speed or overspeed
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- 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
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Multimedia (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Traffic Control Systems (AREA)
- Image Analysis (AREA)
Abstract
本申请公开了一种车辆拥堵的检测方法、装置、设备及计算机存储介质。该方法包括:对第一图像进行车辆识别,确定位于预设区域内的目标车辆、车辆掩膜图像和地理位置掩膜图像,预设区域为第一图像对应的至少部分车道的地理位置;基于车辆掩膜图像和地理位置掩膜图像,确定预设区域内的车辆密度;基于跟踪目标车辆得到的多张第二图像,确定预设区域内的车流速度;在车辆密度达到第一阈值以及车流速度达到第二阈值的情况下,确定预设区域内发生车辆拥堵。采用本申请提供的车辆拥堵的检测方法、装置、设备及计算机存储介质,可以使对车辆拥堵的检测更加精准,降低出现错误的概率,提升用户体验。
Description
技术领域
本申请属于安防技术领域,尤其涉及一种车辆拥堵的检测方法、装置、设备及计算机存储介质。
背景技术
随着汽车的普及,路面交通压力越来越大,各路段车辆拥堵现象时有发生,为了在发生车辆拥堵时能够及时进行疏通,需要一种能够检测是否发生车辆拥堵的方法,来帮助用户及时发现车辆拥堵的发生。
目前,在判断某路段是否发生车辆拥堵时所采用的方法是检测和计算通过该路段的车辆的平均速度,在平均速度较低时,判定发生车辆拥堵。
但是,如果车辆因某些特殊因素停车或启动时车速过低,可能会导致平均速度过低,而发生错误报警,例如,因车辆故障引起车辆绕行导致的车速过低,或者该路段内设有红绿灯,车辆在红灯时停车等待导致的车速过低等,因此现有技术中,针对车辆拥堵的检测方法不够准确,容易出现错误,给用户造成困扰。
发明内容
本申请实施例提供一种车辆拥堵的检测方法、装置、设备及计算机存储介质,能够至少解决现有技术中车辆拥堵的检测方法不够准确的问题。
第一方面,本申请实施例提供一种车辆拥堵的检测方法,该方法包括:
对第一图像进行车辆识别,确定位于预设区域内的目标车辆、车辆掩膜图像和地理位置掩膜图像,预设区域为第一图像对应的至少部分车道的地理位置;
基于车辆掩膜图像和地理位置掩膜图像,确定预设区域内的车辆密度;
基于跟踪目标车辆得到的多张第二图像,确定预设区域内的车流速度;
在车辆密度达到第一阈值以及车流速度达到第二阈值的情况下,确定预设区域内发生车辆拥堵。
第二方面,本申请实施例提供了一种车辆拥堵的检测装置,该装置包括:
识别模块,用于对第一图像进行车辆识别,确定位于预设区域内的目标车辆、车辆掩膜图像和地理位置掩膜图像,预设区域为第一图像对应的至少部分车道的地理位置;
车辆密度确定模块,用于基于车辆掩膜图像和地理位置掩膜图像,确定预设区域内的车辆密度;
车流速度确定模块,用于基于跟踪目标车辆得到的多张第二图像,确定预设区域内的车流速度;
拥堵确定模块,用于在车辆密度达到第一阈值以及车流速度达到第二阈值的情况下,确定预设区域内发生车辆拥堵。
第三方面,本申请实施例提供了一种电子设备,设备包括:处理器以及存储有计算机程序指令的存储器;
处理器执行计算机程序指令时实现如第一方面的任一项实施例中所示的车辆拥堵的检测方法。
第四方面,本申请实施例提供了一种计算机存储介质,计算机存储介质上存储有计算机程序指令,计算机程序指令被处理器执行时实现第一方面的任一项实施例中所示的车辆拥堵的检测方法。
本申请实施例的车辆拥堵的检测方法、装置、设备及计算机存储介质,通过对第一图像进行车辆识别,确定位于预设区域内的目标车辆、车辆掩膜图像和地理位置掩膜图像,并基于车辆掩膜图像和地理位置掩膜图像,确定预设区域内的车辆密度,再基于跟踪目标车辆得到的多张第二图像,确定预设区域内的车流速度,然后在车辆密度达到第一阈值以及车流速度达到第二阈值的情况下,确定预设区域内发生车辆拥堵,如此,通过车辆密度和车流速度两个信息来检测是否发生车辆拥堵,可以使对车辆拥堵的检测更加精准,降低出现错误的概率,提升用户体验。
附图说明
为了更清楚地说明本申请实施例的技术方案,下面将对本申请实施例中所需要使用的附图作简单的介绍,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是根据一示例性实施例示出的一种车辆拥堵的检测方法的流程图;
图2是根据一示例性实施例示出的一种第一图像;
图3是根据一示例性实施例示出的一种车辆掩膜图像;
图4是根据一示例性实施例示出的一种地理位置掩膜图像;
图5是根据一示例性实施例示出的另一种车辆拥堵的检测方法的流程图;
图6是根据一示例性实施例示出的再一种车辆拥堵的检测方法的流程图;
图7是根据一示例性实施例示出的一种车辆拥堵的检测装置的结构示意图;
图8是根据一示例性实施例示出的一种电子设备的结构示意图。
具体实施方式
下面将详细描述本申请的各个方面的特征和示例性实施例,为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及具体实施例,对本申请进行进一步详细描述。应理解,此处所描述的具体实施例仅意在解释本申请,而不是限定本申请。对于本领域技术人员来说,本申请可以在不需要这些具体细节中的一些细节的情况下实施。下面对实施例的描述仅仅是为了通过示出本申请的示例来提供对本申请更好的理解。
需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,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、物品或者设备不仅包括那些要素,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、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
下面结合附图,通过具体的实施例及其应用场景对本申请实施例提供的车辆拥堵的检测方法、装置、电子设备及计算机存储介质进行详细地说明。
本申请所提供的车辆拥堵的检测方法,可应用在判断预设区域内是否发生车辆拥堵的场景中。另外,本申请实施例提供的车辆拥堵的检测方法,执行主体可以为车辆拥堵检测系统中的车辆拥堵检测模块。本申请实施例中以车辆拥堵检测模块执行车辆拥堵的检测方法为例,说明本申请实施例提供的车辆拥堵的检测方法。
图1示出了本申请一个实施例提供的一种车辆拥堵的检测方法的流程示意图。
如图1所示,该车辆拥堵的检测方法可以包括如下步骤:
首先,S110,对第一图像进行车辆识别,确定位于预设区域内的目标车辆、车辆掩膜图像和地理位置掩膜图像;
其次,S120,基于车辆掩膜图像和地理位置掩膜图像,确定预设区域内的车辆密度;
再次,S130,基于跟踪目标车辆得到的多张第二图像,确定预设区域内的车流速度;
然后,S140,在车辆密度达到第一阈值以及车流速度达到第二阈值的情况下,确定预设区域内发生车辆拥堵。
由此,通过对第一图像进行车辆识别,确定位于预设区域内的目标车辆、车辆掩膜图像和地理位置掩膜图像,并基于车辆掩膜图像和地理位置掩膜图像,确定预设区域内的车辆密度,再基于跟踪目标车辆得到的多张第二图像,确定预设区域内的车流速度,然后在车辆密度达到第一阈值以及车流速度达到第二阈值的情况下,确定预设区域内发生车辆拥堵,如此,通过车辆密度和车流速度两个信息来检测是否发生车辆拥堵,可以使对车辆拥堵的检测更加精准,降低出现错误的概率,提升用户体验。
下面对上述步骤进行详细说明,具体如下所示:
首先,涉及S110,本申请实施例中第一图像可以是包括预设区域图像的图像,该第一图像可以是直接拍摄得到的,也可以是从视频中截取的,在此不做限定。预设区域可以为第一图像对应的至少部分车道的地理位置,该预设区域可以是需要进行车辆拥堵检测的区域,可以由人工预先标记出来。该第一图像可用于确定车辆的地理位置,从而可以通过车辆的地理位置确定位于预设区域内的目标车辆。目标车辆可以为第一图像中位于预设区域内的车辆。第一图像还可以用于确定车辆掩膜图像和地理位置掩膜图像。可以通过卷积神经网络模型对第一图像进行车辆识别。
上述通过车辆的地理位置确定位于预设区域内的目标车辆的过程中,车辆的地理位置可以是车辆的坐标,当然也可以是其他能够表征车辆位置的信息,该地理位置可用于确定车辆的具体位置,并基于预设区域的位置,进一步确定位于预设区域内的目标车辆。
在一个具体例子中,第一图像中包括A、B、C共3辆车,车辆A的坐标为(15,13),车辆B的坐标为(12,17),车辆C的坐标为(5,8),预设区域为矩形,四个顶点的坐标分别为(10,10)、(10,20)、(20,10)、(20,20),则可以确定位于预设区域内的目标车辆为车辆A和车辆B。
基于此,在一种可选的实施方式中,S110具体可以包括:
根据车辆在第一图像中对应的成像区域,生成与第一图像对应的车辆掩膜图像;
根据预设区域,生成与第一图像对应的地理位置掩膜图像。
这里,车辆掩膜图像中成像区域的像素可以为1,除成像区域外的区域的像素可以为0;地理位置掩膜图像中预设区域的像素可以为1,除预设区域外的区域的像素可以为0。车辆掩膜图像可以显示车辆在第一图像中对应的成像区域,地理位置掩膜图像可以显示预设区域。该车辆掩膜图像和地理位置掩膜图像均可以与第一图像的尺寸相同。
具体的,可以初始化两张与第一图像尺寸相同的全黑图像,然后将第一张全黑图像中与车辆的成像区域对应的区域的像素置为1,得到车辆掩膜图像;将第二张全黑图像中与预设区域对应的区域的像素置为1,得到地理位置掩膜图像。
当然,也可以先确定位于预设区域内的车辆,再计算目标车辆的面积和预设区域的面积,然后通过计算目标车辆的面积和预设区域的面积的商,来确定车辆密度,在此不做限定。
在一个具体例子中,如图2所示,根据车辆在第一图像210中对应的成像区域211,可以生成如图3所示的车辆掩膜图像310,该车辆掩膜图像310与第一图像210尺寸相同,车辆掩膜图像310中与成像区域211对应的区域311的像素为1,其他区域像素为0。根据第一图像210中的预设区域212,可以生成如图4所示的地理位置掩膜图像410,该地理位置掩膜图像410与第一图像210尺寸相同,地理位置掩膜图像410中与预设区域212对应的区域412的像素为1,其他区域像素为0。根据该车辆掩膜图像310和地理位置掩膜图像410可以确定预设区域212的车辆密度。
如此,通过生成掩膜图像即可直接确定预设区域的车辆密度,无需先确定位于预设区域内的车辆,再计算车辆密度,降低了计算复杂度。
基于此,在一种可选的实施方式中,基于车辆掩膜图像和地理位置掩膜图像,确定预设区域内的车辆密度,具体可以包括:
计算车辆掩膜图像和地理位置掩膜图像的乘积,得到目标车辆掩膜图像;
确定目标车辆掩膜图像中像素为1的像素点的个数和地理位置掩膜图像中像素为1的像素点的个数;
计算目标车辆掩膜图像中像素为1的像素点的个数和地理位置掩膜图像中像素为1的像素点的个数的商,得到车辆密度。
这里,计算车辆掩膜图像和地理位置掩膜图像的乘积,即可得到目标车辆掩膜图像,在该目标车辆掩膜图像中,目标车辆区域的像素为1,其他区域像素为0。该目标车辆掩膜图像可用于计算车辆密度。
在一个具体例子中,车辆密度的计算公式可以为:
如此,通过车辆掩膜图像和地理位置掩膜图像来确定预设区域的车辆密度,可以提高工作效率。
其次,涉及S120,预设区域的车辆密度可以是衡量预设区域内是否发生车辆拥堵的指标,该车辆密度可用于确定预设区域内是否发生车辆拥堵。由于获取第一图像的摄像头的安装角度和拍摄角度的多样性,以及预设区域大小的随机性,通过目标车辆的数目来确定预设区域是否发生车辆拥堵不够准确,因此,可以通过车辆密度来确定预设区域是否发生车辆拥堵。这里可以基于车辆掩膜图像和地理位置掩膜图像进行计算,确定预设区域内的车辆密度。
再次,涉及S130,通过跟踪算法对目标车辆进行跟踪,可以得到多张第二图像,该第二图像中可以包括目标车辆,车流速度可以是目标车辆速度的平均值,也可以是目标车辆速度的加权平均值,在此不做限定。车流速度可以是衡量预设区域内是否发生车辆拥堵的指标,该车流速度可用于确定预设区域内是否发生车辆拥堵。
然后,涉及S140,可以预先设置车辆密度对应的第一阈值和车流速度对应的第二
阈值,在车辆密度大于或等于第一阈值以及车流速度小于或等于第二阈值的情况下,确定
预设区域内发生车辆拥堵。例如,第一阈值可以为0.7,第二阈值 可以为30km/h,若D
区域内的车辆密度为0.8且车流速度为25km/h,则可以确定D区域内发生车辆拥堵。
此外,在确定预设区域内发生车辆拥堵之后,还可以输出车辆拥堵报警信息。这里,报警信息可以包括车辆拥堵发生的位置,也即预设区域的位置,还可以包括预设区域内的车流速度和车辆密度,当然也可以包括其他信息,在此不做限定。另外,还可以通过语音、铃声等方式进行报警。例如,检测到预设区域D内发生车辆拥堵,则可以显示“预设区域D内发生车辆拥堵,车辆密度为0.8,车流速度为25km/h”等信息,来提醒用户。
如此,通过输出车辆报警信息,可以提醒工作人员预设区域发生了车辆拥堵,以便工作人员能够及时采取措施进行疏导。
基于上述S110-S140,在一种可能的实施例中,如图5所示,上述S130具体可以包括:S1301-S1303,其中:
S1301,基于多张第二图像,确定目标车辆在不同时刻的多个位置信息。
这里,可以根据多张第二图像来获取目标车辆在不同时刻的多个位置信息,该位置信息可以是车辆的坐标,当然也可以是其他表示车辆位置的信息,在此不做限定。
在一个具体例子中,可以获取到目标车辆X在9:35:30的坐标为(10,30),在9:37:30的坐标为(10,60),坐标的单位长度可以为50m。
S1302,根据不同时刻的多个位置信息,确定目标车辆的速度。
这里,可以根据目标车辆的至少两个位置信息及其对应的时刻,来计算目标车辆的速度。
在一个具体例子中,获取到目标车辆X在9:35:30的坐标为(10,30),在9:37:30的坐标为(10,60),坐标的单位长度可以为50m,则可以确定目标车辆X的速度为30km/h。
S1303,根据多个目标车辆的速度,确定车流速度。
这里,可以确定多个目标车辆的速度,再根据多个目标车辆的速度的平均值或者加权平均值,来确定车流速度。当然,也可以只有一个目标车辆,这种情况下,可以将这一个目标车辆的速度作为车流速度。
在一个具体例子中,目标车辆X的速度为30km/h,目标车辆Y的速度为20km/h,目标车辆Z的速度为10km/h,计算得到3个目标车辆的速度的平均值为20km/h,则可以确定车流速度为20km/h。
如此,通过目标车辆不同时刻的多个位置信息,可以确定目标车辆的速度,继而确定车流速度,便于后续根据车流速度确定预设区域是否发生拥堵。
基于此,在一种可选的实施方式中,S1303具体可以包括:
基于目标权重,对多个目标车辆的速度进行加权平均,得到车流速度。
这里,为了避免目标车辆因停车等待红灯或红灯结束起步以及车流故障导致的速度过低,影响对车流拥堵的检测,可以计算多个目标车辆的速度的加权平均值,得到车流速度,并且可以设置目标权重与目标车辆的速度成正相关。
具体的,可以对多个目标车辆的速度进行升序排序,然后以单调递增函数为目标权重,进行加权平均计算,得到车流速度;也可以对多个目标车辆的速度进行降序排序,然后以单调递减函数为目标权重,进行加权平均计算,得到车流速度。
在一个具体例子中,车流速度的计算公式可以为:
如此,通过计算多个目标车辆的速度的加权平均值得到车流速度,可以为高速车辆配置较大的权重,为低速车辆配置较小的权重,从而扩大了高速车辆的影响,降低了低速车辆的影响,有效防止了因停车等待红灯或因绿灯亮起而刚起步的车辆速度过低,导致的检测错误。
为了更好地描述整个方案,基于上述各实施例,举一个具体例子,如图6所示,该车辆拥堵的检测方法可以包括S610-S660,下面对此进行详细解释。
S610,获取第一图像。
在一个具体例子中,可以从视频中截取出第一图像M,从第一图像M中人工标记出需要进行车辆拥堵检测的预设区域D,预设区域D可以为矩形,四个顶点的坐标分别为(10,10)、(10,20)、(20,10)、(20,20)。
S620,进行车辆识别。
在一个具体例子中,可以对第一图像M进行车辆识别,得到车辆A的坐标为(15,13),车辆B的坐标为(12,17),车辆C的坐标为(5,8),还可以得到车辆A在第一图像中对应的成像区域A1,车辆B在第一图像中对应的成像区域B1,车辆C在第一图像中对应的成像区域C1。从而确定出位于预设区域D内的车辆,也即目标车辆,为车辆A和车辆B,还可以基于车辆在第一图像M中对应的成像区域生成车辆掩膜图像P,并基于预设区域D生成地理位置掩膜图像Q
S630,跟踪目标车辆。
在一个具体例子中,跟踪车辆A和车辆B,分别获取车辆A和车辆B在不同时刻的3个位置信息,计算得出车辆A的速度可以为25km/h和车辆B的速度可以为20km/h,具体的速度计算方法在此不再赘述。
S640,确定车辆密度和车流速度。
在一个具体例子中,可以对车辆A的速度25km/h和车辆B的速度20km/h进行加权平
均计算,得到车流速度 为23km/h。此外,还可以根据车辆掩膜图像P和地理位置掩膜图像
计算出车辆密度 为0.8。具体的车流速度和车辆密度计算方法在此不再赘述。
S650,判断是否发生车辆拥堵。
在一个具体例子中,可以预先设置车辆密度对应的第一阈值为0.7,车流速度对
应的第二阈值为30km/h,由于上述计算出的预设区域D内的车流速度为23km/h,车辆
密度为0.8,<且>,因此,可以判断预设区域D内发生车辆拥堵,于是执行
S660。此外,若判断预设区域内D未发生车辆拥堵,则返回执行S610,进入下一周期的检测。
S660,报警。
如此,通过对第一图像进行车辆识别,确定位于预设区域内的目标车辆、车辆掩膜图像和地理位置掩膜图像,并基于车辆掩膜图像和地理位置掩膜图像,确定预设区域内的车辆密度,再基于跟踪目标车辆得到的多张第二图像,确定预设区域内的车流速度,然后在车辆密度达到第一阈值以及车流速度达到第二阈值的情况下,确定预设区域内发生车辆拥堵,如此,通过车辆密度和车流速度两个信息来检测是否发生车辆拥堵,可以使对车辆拥堵的检测更加精准,降低出现错误的概率,提升用户体验。
基于相同的发明构思,本申请还提供了一种车辆拥堵的检测装置。下面结合图7对本申请实施例提供的车辆拥堵的检测装置进行详细说明。
图7是根据一示例性实施例示出的一种车辆拥堵的检测装置的结构框图。
如图7所示,该车辆拥堵的检测装置700可以包括:
识别模块701,用于对第一图像进行车辆识别,确定位于预设区域内的目标车辆、车辆掩膜图像和地理位置掩膜图像,预设区域为第一图像对应的至少部分车道的地理位置;
车辆密度确定模块702,用于基于车辆掩膜图像和地理位置掩膜图像,确定预设区域内的车辆密度;
车流速度确定模块703,用于基于跟踪目标车辆得到的多张第二图像,确定预设区域内的车流速度;
拥堵确定模块704,用于在车辆密度达到第一阈值以及车流速度达到第二阈值的情况下,确定预设区域内发生车辆拥堵。
在其中一个实施例中,识别模块701,可以包括:
第一生成子模块,用于根据车辆在第一图像中对应的成像区域,生成与第一图像对应的车辆掩膜图像,车辆掩膜图像中成像区域的像素为1,除成像区域外的区域的像素为0;
第二生成子模块,用于根据预设区域,生成与第一图像对应的地理位置掩膜图像,地理位置掩膜图像中预设区域的像素为1,除预设区域外的区域的像素为0。
在其中一个实施例中,车辆密度确定模块702,具体可以包括:
第一计算子模块,用于计算车辆掩膜图像和地理位置掩膜图像的乘积,得到目标车辆掩膜图像;
个数确定子模块,用于确定目标车辆掩膜图像中像素为1的像素点的个数和地理位置掩膜图像中像素为1的像素点的个数;
第二计算子模块,用于计算目标车辆掩膜图像中像素为1的像素点的个数和地理位置掩膜图像中像素为1的像素点的个数的商,得到车辆密度。
在其中一个实施例中,车流速度确定模块703,可以包括:
位置确定子模块,用于基于张第二图像,确定目标车辆在不同时刻的多个位置信息;
车辆速度确定子模块,用于根据不同时刻的多个位置信息,确定目标车辆的速度;
车流速度确定子模块,用于根据多个目标车辆的速度,确定车流速度。
在其中一个实施例中,车流速度确定子模块,具体可以包括:
车流速度确定单元,用于基于目标权重,对多个目标车辆的速度进行加权平均,得到车流速度,目标权重与目标车辆的速度成正相关。
由此,通过对第一图像进行车辆识别,确定位于预设区域内的目标车辆、车辆掩膜图像和地理位置掩膜图像,并基于车辆掩膜图像和地理位置掩膜图像,确定预设区域内的车辆密度,再基于跟踪目标车辆得到的多张第二图像,确定预设区域内的车流速度,然后在车辆密度达到第一阈值以及车流速度达到第二阈值的情况下,确定预设区域内发生车辆拥堵,如此,通过车辆密度和车流速度两个信息来检测是否发生车辆拥堵,可以使对车辆拥堵的检测更加精准,降低出现错误的概率,提升用户体验。
图8是根据一示例性实施例示出的一种电子设备的结构示意图。
如图8所示,该电子设备8能够实现根据本申请实施例中的车辆拥堵的检测方法以及车辆拥堵的检测装置的电子设备的示例性硬件架构的结构图。该电子设备可以指代本申请实施例中的电子设备。
该电子设备8可以包括处理器801以及存储有计算机程序指令的存储器802。
具体地,上述处理器801可以包括中央处理器(CPU),或者特定集成电路(application specific integrated circuit,ASIC),或者可以被配置成实施本申请实施例的一个或多个集成电路。
存储器802可以包括用于信息或指令的大容量存储器。举例来说而非限制,存储器802可包括硬盘驱动器(hard disk drive,HDD)、软盘驱动器、闪存、光盘、磁光盘、磁带或通用串行总线(universal serial bus,USB)驱动器或者两个及其以上这些的组合。在合适的情况下,存储器802可包括可移除或不可移除(或固定)的介质。在合适的情况下,存储器802可在综合网关设备的内部或外部。在特定实施例中,存储器802是非易失性固态存储器。在特定实施例中,存储器802包括只读存储器(ROM)。在合适的情况下,该ROM可以是掩模编程的ROM、可编程ROM(PROM)、可擦除PROM(EPROM)、电可擦除PROM(EEPROM)、电可改写ROM(EAROM)或闪存,或者两个或及其以上这些的组合。
处理器801通过读取并执行存储器802中存储的计算机程序指令,以实现图1或图6所示实施例中的方法,并达到相应技术效果,为简洁描述在此不再赘述。
在一个实施例中,该电子设备8还可包括收发器803和总线804。其中,如图8所示,处理器801、存储器802和收发器803通过总线804连接并完成相互间的通信。
总线804包括硬件、软件或两者。举例来说而非限制,总线可包括加速图形端口(AGP)或其他图形总线、增强工业标准架构(EISA)总线、前端总线(FSB)、超传输(HT)互连、工业标准架构(ISA)总线、无限带宽互连、低引脚数(LPC)总线、存储器总线、微信道架构(MCA)总线、外围控件互连(PCI)总线、PCI-Express(PCI-X)总线、串行高级技术附件(SATA)总线、视频电子标准协会局部(VLB)总线或其他合适的总线或者两个或更多个以上这些的组合。在合适的情况下,总线804可包括一个或多个总线。尽管本申请实施例描述和示出了特定的总线,但本申请考虑任何合适的总线或互连。
本申请实施例还提供了一种计算机存储介质,所述计算机存储介质中存储有计算机可执行指令,所述计算机可执行指令用于实现本申请实施例所记载的车辆拥堵的检测方法。
在一些可能的实施方式中,本申请提供的方法的各个方面还可以实现为一种程序产品的形式,其包括程序代码,当所述程序产品在计算机设备上运行时,所述程序代码用于使所述计算机设备执行本说明书上述描述的根据本申请各种示例性实施方式的方法中的步骤,例如,所述计算机设备可以执行本申请实施例所记载的车辆拥堵的检测方法。
所述程序产品可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以是但不限于:电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括:具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。
本申请是参照根据本申请的方法、设备和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程信息处理设备的处理器以产生一个机器,使得通过计算机或其他可编程信息处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程信息处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程信息处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
显然,本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的精神和范围。这样,倘若本申请的这些修改和变型属于本申请权利要求及其等同技术的范围之内,则本申请也意图包含这些改动和变型在内。
Claims (10)
1.一种车辆拥堵的检测方法,其特征在于,所述方法包括:
对第一图像进行车辆识别,确定位于预设区域内的目标车辆、车辆掩膜图像和地理位置掩膜图像,所述预设区域为所述第一图像对应的至少部分车道的地理位置;
基于所述车辆掩膜图像和所述地理位置掩膜图像,确定所述预设区域内的车辆密度;
基于跟踪目标车辆得到的多张第二图像,确定所述预设区域内的车流速度;
在所述车辆密度达到第一阈值以及所述车流速度达到第二阈值的情况下,确定所述预设区域内发生车辆拥堵。
2.根据权利要求1所述的方法,其特征在于,对第一图像进行车辆识别,确定车辆掩膜图像和地理位置掩膜图像,包括:
根据车辆在所述第一图像中对应的成像区域,生成与所述第一图像对应的车辆掩膜图像,所述车辆掩膜图像中所述成像区域的像素为1,除所述成像区域外的区域的像素为0;
根据所述预设区域,生成与所述第一图像对应的地理位置掩膜图像,所述地理位置掩膜图像中所述预设区域的像素为1,除所述预设区域外的区域的像素为0。
3.根据权利要求2所述的方法,其特征在于,所述基于所述车辆掩膜图像和所述地理位置掩膜图像,确定所述预设区域内的车辆密度,包括:
计算所述车辆掩膜图像和所述地理位置掩膜图像的乘积,得到目标车辆掩膜图像;
确定所述目标车辆掩膜图像中像素为1的像素点的个数和所述地理位置掩膜图像中像素为1的像素点的个数;
计算所述目标车辆掩膜图像中像素为1的像素点的个数和所述地理位置掩膜图像中像素为1的像素点的个数的商,得到所述车辆密度。
4.根据权利要求1所述的方法,其特征在于,所述基于跟踪目标车辆得到的多张第二图像,确定所述预设区域内的车流速度,包括:
基于所述多张第二图像,确定所述目标车辆在不同时刻的多个位置信息;
根据所述不同时刻的多个位置信息,确定所述目标车辆的速度;
根据多个所述目标车辆的速度,确定所述车流速度。
5.根据权利要求4所述的方法,其特征在于,所述根据多个所述目标车辆的速度,确定所述车流速度,包括:
基于目标权重,对多个所述目标车辆的速度进行加权平均,得到所述车流速度,所述目标权重与所述目标车辆的速度成正相关。
6.一种车辆拥堵的检测装置,其特征在于,所述装置包括:
识别模块,用于对第一图像进行车辆识别,确定位于预设区域内的目标车辆、车辆掩膜图像和地理位置掩膜图像,所述预设区域为所述第一图像对应的至少部分车道的地理位置;
车辆密度确定模块,用于基于所述车辆掩膜图像和所述地理位置掩膜图像,确定所述预设区域内的车辆密度;
车流速度确定模块,用于基于跟踪目标车辆得到的多张第二图像,确定所述预设区域内的车流速度;
拥堵确定模块,用于在所述车辆密度达到第一阈值以及所述车流速度达到第二阈值的情况下,确定所述预设区域内发生车辆拥堵。
7.根据权利要求6所述的装置,其特征在于,所述识别模块,包括:
第一生成子模块,用于根据车辆在所述第一图像中对应的成像区域,生成与所述第一图像对应的车辆掩膜图像,所述车辆掩膜图像中所述成像区域的像素为1,除所述成像区域外的区域的像素为0;
第二生成子模块,用于根据所述预设区域,生成与所述第一图像对应的地理位置掩膜图像,所述地理位置掩膜图像中所述预设区域的像素为1,除所述预设区域外的区域的像素为0。
8.根据权利要求6所述的装置,其特征在于,所述车流速度确定模块,包括:
位置确定子模块,用于基于所述多张第二图像,确定所述目标车辆在不同时刻的多个位置信息;
车辆速度确定子模块,用于根据所述不同时刻的多个位置信息,确定所述目标车辆的速度;
车流速度确定子模块,用于根据多个所述目标车辆的速度,确定所述车流速度。
9.一种电子设备,其特征在于,所述设备包括:处理器以及存储有计算机程序指令的存储器;
所述处理器执行所述计算机程序指令时实现如权利要求1-5任意一项所述的车辆拥堵的检测方法。
10.一种计算机存储介质,其特征在于,所述计算机存储介质上存储有计算机程序指令,所述计算机程序指令被处理器执行时实现如权利要求1-5任意一项所述的车辆拥堵的检测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110854140.5A CN113313950A (zh) | 2021-07-28 | 2021-07-28 | 车辆拥堵的检测方法、装置、设备及计算机存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110854140.5A CN113313950A (zh) | 2021-07-28 | 2021-07-28 | 车辆拥堵的检测方法、装置、设备及计算机存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113313950A true CN113313950A (zh) | 2021-08-27 |
Family
ID=77381819
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110854140.5A Pending CN113313950A (zh) | 2021-07-28 | 2021-07-28 | 车辆拥堵的检测方法、装置、设备及计算机存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113313950A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113870564A (zh) * | 2021-10-26 | 2021-12-31 | 安徽百诚慧通科技有限公司 | 一种封闭路段交通拥堵分类方法、系统、电子设备及存储介质 |
CN114202941A (zh) * | 2022-02-18 | 2022-03-18 | 长沙海信智能系统研究院有限公司 | 交通信号灯的控制方法及装置 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101650876A (zh) * | 2009-08-26 | 2010-02-17 | 重庆大学 | 城市路段交通流平均速度获取方法 |
CN106710217A (zh) * | 2017-03-01 | 2017-05-24 | 青岛海澄知识产权事务有限公司 | 一种道路拥堵警示方法 |
CN107274668A (zh) * | 2016-04-06 | 2017-10-20 | 北京瑞拓电子技术发展有限公司 | 一种基于车辆检测的道路拥堵建模方法 |
CN110009634A (zh) * | 2019-04-22 | 2019-07-12 | 苏州海赛人工智能有限公司 | 一种基于全卷积网络的车道内车辆计数方法 |
CN110335465A (zh) * | 2019-07-10 | 2019-10-15 | 北京维联众诚科技有限公司 | 基于ai深度学习的监控视频中交通拥堵检测方法和系统 |
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 |
US20200104605A1 (en) * | 2018-10-02 | 2020-04-02 | Toyota Jidosha Kabushiki Kaisha | Image processing device, non-transitory readable recording medium storing program, information processing system, and control method of image processing device |
CN111754772A (zh) * | 2020-06-28 | 2020-10-09 | 蘑菇车联信息科技有限公司 | 交通路况确定方法及电子设备 |
US20210020034A1 (en) * | 2018-02-14 | 2021-01-21 | Tomtom Traffic B.V. | Methods and Systems for Generating Traffic Volume or Traffic Density Data |
-
2021
- 2021-07-28 CN CN202110854140.5A patent/CN113313950A/zh active Pending
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101650876A (zh) * | 2009-08-26 | 2010-02-17 | 重庆大学 | 城市路段交通流平均速度获取方法 |
CN107274668A (zh) * | 2016-04-06 | 2017-10-20 | 北京瑞拓电子技术发展有限公司 | 一种基于车辆检测的道路拥堵建模方法 |
CN106710217A (zh) * | 2017-03-01 | 2017-05-24 | 青岛海澄知识产权事务有限公司 | 一种道路拥堵警示方法 |
US20210020034A1 (en) * | 2018-02-14 | 2021-01-21 | Tomtom Traffic B.V. | Methods and Systems for Generating Traffic Volume or Traffic Density Data |
US20200104605A1 (en) * | 2018-10-02 | 2020-04-02 | Toyota Jidosha Kabushiki Kaisha | Image processing device, non-transitory readable recording medium storing program, information processing system, and control method of image processing device |
CN110009634A (zh) * | 2019-04-22 | 2019-07-12 | 苏州海赛人工智能有限公司 | 一种基于全卷积网络的车道内车辆计数方法 |
CN110335465A (zh) * | 2019-07-10 | 2019-10-15 | 北京维联众诚科技有限公司 | 基于ai深度学习的监控视频中交通拥堵检测方法和系统 |
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 |
CN111754772A (zh) * | 2020-06-28 | 2020-10-09 | 蘑菇车联信息科技有限公司 | 交通路况确定方法及电子设备 |
Non-Patent Citations (4)
Title |
---|
杨林泉: "《系统工程方法与应用》", 30 September 2018, 冶金工业出版社 * |
王颖: "基于机器学习的遥感影像车辆信息提取研究", 《中国优秀博硕士学位论文全文数据库(硕士)·信息科技辑》 * |
胡章芳: "《MATLAB仿真及其在光学课程中的应用》", 30 April 2018, 北京航空航天大学出版社 * |
陈刚 等: "《数字地形建模与地学分析》", 31 January 2019, 东南大学出版社 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113870564A (zh) * | 2021-10-26 | 2021-12-31 | 安徽百诚慧通科技有限公司 | 一种封闭路段交通拥堵分类方法、系统、电子设备及存储介质 |
CN113870564B (zh) * | 2021-10-26 | 2022-09-06 | 安徽百诚慧通科技股份有限公司 | 一种封闭路段交通拥堵分类方法、系统、电子设备及存储介质 |
CN114202941A (zh) * | 2022-02-18 | 2022-03-18 | 长沙海信智能系统研究院有限公司 | 交通信号灯的控制方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
EP3806064A1 (en) | Method and apparatus for detecting parking space usage condition, electronic device, and storage medium | |
CN108764042B (zh) | 一种异常路况信息识别方法、装置及终端设备 | |
CN113313950A (zh) | 车辆拥堵的检测方法、装置、设备及计算机存储介质 | |
CN107798688B (zh) | 运动目标识别方法、预警方法以及汽车防追尾预警装置 | |
JP2006329776A (ja) | 車両位置検出方法、並びに車両速度検出方法及び装置 | |
CN112749622B (zh) | 应急车道占用识别方法和装置 | |
CN115049993B (zh) | 一种基于深度学习的车辆异常停止监测方法 | |
JP2003044859A (ja) | 動き追跡装置及び人物追跡方法 | |
CN116205948A (zh) | 车辆跟踪匹配方法、装置、电子设备和存储介质 | |
CN113569812A (zh) | 未知障碍物的识别方法、装置和电子设备 | |
WO2024098992A1 (zh) | 倒车检测方法及装置 | |
CN112183206B (zh) | 一种基于路侧单目摄像头的交通参与者定位方法和系统 | |
CN112528944A (zh) | 一种图像识别方法、装置、电子设备及存储介质 | |
CN110634120B (zh) | 一种车辆损伤判别方法及装置 | |
CN111985304A (zh) | 巡防告警方法、系统、终端设备及存储介质 | |
CN116935631A (zh) | 基于雷视融合的异常交通态势检测方法、装置及系统 | |
CN113642521B (zh) | 红绿灯识别质量的评价方法、装置和电子设备 | |
CN107622667B (zh) | 一种变造车牌号码检测方法及系统 | |
CN115359443A (zh) | 交通事故检测方法和装置、电子设备和存储介质 | |
WO2023044656A1 (zh) | 车辆通行提醒方法、装置及车载终端 | |
CN113902999A (zh) | 一种跟踪方法、装置、设备及介质 | |
CN113128264B (zh) | 一种车辆区域确定方法、装置及电子设备 | |
CN112597924A (zh) | 电动自行车轨迹追踪方法、摄像机装置和服务器 | |
CN114463416A (zh) | 车辆变道检测方法、装置、电子设备和存储介质 | |
JPH1166490A (ja) | 車両検出方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210827 |