CN113393676A - 一种基于无人机视觉和毫米波雷达的交通检测方法及装置 - Google Patents

Abstract

本发明涉及一种基于无人机视觉和毫米波雷达的交通检测方法及装置。该方法用于目标路段的交通信息检测，目标路段包括连续的第一/第二目标路段，方法包括：利用毫米波雷达检测历史时段内第一目标路段的目标车辆数量以及每辆目标车辆的速度，得到标准车流密度与标准车流速的关系曲线；分别利用毫米波雷达和无人机采集当前时刻第一目标路段的目标车辆信息，判断两者是否匹配；若匹配，则利用毫米波雷达采集的当前时刻的目标车辆信息得到第一目标路段的车流密度以及车流速；利用无人机采集的当前时刻第二目标路段的目标车辆信息，结合关系曲线，计算得到第二目标路段的车流密度以及车流速。实现了交通信息数据的精确性检测。

Description

一种基于无人机视觉和毫米波雷达的交通检测方法及装置

技术领域

本发明涉及交通检测技术领域，尤其涉及一种基于无人机视觉和毫米波雷达的交通检测方法及装置。

背景技术

近年来我国机动车保有量不断上升，经济发展加速城市化和出行机动化进程，人们利用机动车出行已经成为生活的常态，日益增多的交通出行需求使有限的道路空间资源更加贫乏，由此导致了如交通拥堵、交通事故发生率升高等一系列交通问题。国内外的实践表明有效的解决交通问题应从其发生的源头即交通流入手，得知交通流的运行状态，获取道路交通数据的演化规律，通过对交通数据演化规律进行分析，制定合理的交通改善方案，进而对交通流进行合理的管控以及引导来解决城市中各种交通问题，达到提高交通运行效率、交通安全，引导车辆合理规划行驶路径，合理利用城市道路时空资源的目的，因此获取道路全面有效的交通流信息及其数据演化规律变得尤为重要。

获取交通流信息及其演变规律需要应用交通采集技术，目前国内在交通信息采集上有多种方法，毫米波雷达基于其自身可以穿透烟雾、在夜间以及极端天气下检测几乎不受影响、系统敏感性高、很强的成像能力等优势被广泛应用在交通信息采集领域，但是单一的毫米波雷达具有获取的目标信息范围小、获取目标信息少、采集的信息不完整、鲁棒性无法满足要求、因拍摄角度固定会造成大车遮挡小车导致车辆辨识困难等问题，在采集交通数据过程中存在较大的能源与资源浪费。而视觉传感器如无人机利用航拍获取交通影像，在检测时可对大范围内的目标进行检测，获取的目标比较全面丰富，但是对天气和光照等影响比较敏感，需要大量的计算保证数据获取的精度。

基于上述分析，急需寻求一种交通检测方法及装置。

发明内容

鉴于上述的分析，本发明实施例旨在提供一种基于无人机视觉和毫米波雷达的交通检测方法及装置，用以解决现有交通检测方法无法同时满足检测范围以及检测精度的需求的问题。

一方面，本发明实施例提供了一种基于无人机视觉和毫米波雷达的交通检测方法，所述方法用于目标路段的交通信息检测，所述目标路段包括连续的第一目标路段以及第二目标路段，所述方法包括：

利用毫米波雷达检测历史时段内第一目标路段的目标车辆数量以及每辆目标车辆的速度，得到标准车流密度与标准车流速的关系曲线；

分别利用毫米波雷达和无人机采集当前时刻第一目标路段的目标车辆信息，判断两者是否匹配；

若匹配，则利用毫米波雷达采集的当前时刻的目标车辆信息得到第一目标路段的车流密度以及车流速；并利用无人机采集的当前时刻第二目标路段的目标车辆信息，结合所述关系曲线，计算得到第二目标路段的车流密度以及车流速。

进一步，所述得到标准车流密度与标准车流速的关系曲线，包括：

基于历史时段内每一时刻第一目标路段的目标车辆数量以及每辆目标车辆的速度，计算每一时刻第一目标路段的车流密度以及车流速；

基于每一时刻第一目标路段的车流密度以及车流速，结合二阶傅里叶函数，拟合得到标准车流密度与标准车流速的关系曲线。

进一步，所述计算每一时刻第一目标路段的车流密度以及车流速，包括：

根据下述公式，计算每一时刻第一目标路段的车流密度以及车流速：

其中，ρ表示第一目标路段的车流密度，n表示第一目标路段的目标车辆数量，L表示第一目标路段的长度；V表示第一目标路段的车流速，V₁…V_n分别表示第一个目标车辆至第n个目标车辆的速度。

进一步，所述拟合得到标准车流密度与标准车流速的关系曲线，包括：

根据下述公式，对历史时段内每一时刻的车流密度以及车流速进行拟合，得到标准车流密度与标准车流速关系曲线：

V＝a₀+a₁*cos(ρ*w)+b₁*sin(ρ*w)+a₂*cos(2*ρ*w)+b₂*sin(2*ρ*w)

其中，a₀、a₁、b₁、a₂、b₂、w为二阶傅里叶函数的参数，由历史时段内每一时刻的车流密度以及车流速拟合得到。

进一步，所述目标车辆信息包括车型、颜色以及目标车辆的位置，所述判断两者是否匹配，包括：

若判断无人机与毫米波雷达采集的当前时刻第一目标路段的目标车辆中的至少一辆目标车辆车型、颜色以及位置相同；则无人机与毫米波雷达采集的当前时刻第一目标路段的目标车辆信息匹配成功。

进一步，所述计算得到第二目标路段的车流密度以及车流速，包括：

基于无人机采集的当前时刻第二目标路段的每辆目标车辆的位置以及速度，计算得到第二目标路段的车流密度以及初始车流速；

基于所述车流密度，结合所述标准车流密度与标准车流速的关系曲线，得到第二目标路段的优化车流速；

基于第二目标路段的所述初始车流速以及所述优化车流速，得到第二目标路段的车流速。

进一步，所述基于第二目标路段的所述初始车流速以及所述优化车流速，得到第二目标路段的车流速，包括：

计算所述初始车流速以及所述优化车流速的平均值，所述平均值为第二目标路段的车流速。

进一步，当所述第二目标路段的长度大于第一目标路段的长度时，将所述第二目标路段划分为多个子目标路段，所述计算得到第二目标路段的车流密度以及车流速，包括：

基于无人机采集的当前时刻第二目标路段的每辆目标车辆的位置以及速度，计算得到每个子目标路段的车流密度以及初始车流速；

基于每个子目标路段的车流密度，结合所述标准车流密度与标准车流速的关系曲线，得到每个子目标路段的优化车流速；

基于每个子目标路段的所述初始车流速以及所述优化车流速，得到每个子目标路段的车流速。

进一步，计算得到每个子目标路段的车流密度以及初始车流速，包括：

基于无人机采集的当前时刻第二目标路段的每辆目标车辆的位置以及速度，分别得到各个子目标路段的目标车辆的数量以及每个目标车辆的速度；

基于各个子目标路段的目标车辆的数量以及每个目标车辆的速度，计算得到每个子目标路段的车流密度以及初始车流速。

另一方面，本发明实施例提供了一种基于无人机视觉和毫米波雷达的交通检测装置，所述装置用于目标路段的交通信息检测，所述目标路段包括连续的第一目标路段以及第二目标路段，所述装置包括：

标准车流密度与标准车流速关系曲线生成模块，用于根据毫米波雷达检测的历史时段内第一目标路段的目标车辆数量以及每辆目标车辆的速度，得到标准车流密度与标准车流速的关系曲线；

匹配模块，用于分别利用毫米波雷达和无人机采集当前时刻第一目标路段的目标车辆信息，判断两者是否匹配；

交通信息生成模块，用于若匹配，则利用毫米波雷达采集的当前时刻的目标车辆信息得到第一目标路段的车流密度以及车流速；并利用无人机采集的当前时刻第二目标路段的目标车辆信息，结合所述关系曲线，计算得到第二目标路段的车流密度以及车流速。

与现有技术相比，本发明至少可实现如下有益效果：

本申请通过利用毫米波雷达精准检测历史时段第一目标路段的目标车辆数据以及每辆目标车辆的速度，得到标准车流密度与标准车流速的关系曲线，利用毫米波雷达以及无人机采集当前时刻第一目标路段的目标车辆信息，若两者匹配，则根据毫米波雷达采集的当前时刻的目标车辆信息得到第一目标路段的车流密度以及车流速；并利用无人机采集的当前时刻第二目标路段的目标车辆信息，结合所述关系曲线，计算得到第二目标路段的车流密度以及车流速。通过将无人机视觉以及毫米波雷达结合，可直接得到精确的交通信息数据，满足了检测范围以及检测精度的需求，同时减少了人工参与，节约了成本。

本发明中，上述各技术方案之间还可以相互组合，以实现更多的优选组合方案。本发明的其他特征和优点将在随后的说明书中阐述，并且，部分优点可从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点可通过说明书以及附图中所特别指出的内容中来实现和获得。

附图说明

附图仅用于示出具体实施例的目的，而并不认为是对本发明的限制，在整个附图中，相同的参考符号表示相同的部件。

图1为本申请一实施例中一种基于无人机视觉和毫米波雷达的交通检测方法流程示意图

图2为本申请一实施例中一种基于无人机视觉和毫米波雷达的交通检测装置结构示意图

具体实施方式

下面结合附图来具体描述本发明的优选实施例，其中，附图构成本申请一部分，并与本发明的实施例一起用于阐释本发明的原理，并非用于限定本发明的范围。

本发明的一个具体实施例，公开了一种基于无人机视觉和毫米波雷达的交通检测方法，具体流程示意图如图1所示，所述方法用于目标路段的交通信息检测，所述目标路段包括连续的第一目标路段以及第二目标路段，该方法包括：

步骤S10：利用毫米波雷达检测历史时段内第一目标路段的目标车辆数量以及每辆目标车辆的速度，得到标准车流密度与标准车流速的关系曲线；

步骤S20：分别利用毫米波雷达和无人机采集当前时刻第一目标路段的目标车辆信息，判断两者是否匹配；

步骤S30：若匹配，则利用毫米波雷达采集的当前时刻的目标车辆信息得到第一目标路段的车流密度以及车流速；并利用无人机采集的当前时刻第二目标路段的目标车辆信息，结合所述关系曲线，计算得到第二目标路段的车流密度以及车流速。

与现有技术相比，本实施例提供的交通检测方法，通过利用毫米波雷达精准检测历史时段第一目标路段的目标车辆数据以及每辆目标车辆的速度，得到标准车流密度与标准车流速的关系曲线，利用毫米波雷达以及无人机采集当前时刻第一目标路段的目标车辆信息，若两者匹配，则根据毫米波雷达采集的当前时刻的目标车辆信息得到第一目标路段的车流密度以及车流速；并利用无人机采集的当前时刻第二目标路段的目标车辆信息，结合所述关系曲线，计算得到第二目标路段的车流密度以及车流速。通过将无人机视觉以及毫米波雷达结合，可直接得到精确的交通信息数据，满足了检测范围以及检测精度的需求，同时减少了人工参与，节约了成本。

具体的，目标路段分为连续的第一目标路段以及第二目标路段，毫米波雷达安装在第一目标路段的上方，用于检测第一目标路段的车辆信息；无人机可以实时的拍摄第一目标路段以及第二目标路段的车辆信息；即上述当前时刻第一目标路段的目标车辆信息以及当前时刻第二目标路段的目标车辆信息由无人机同时采集得到。进一步地，第一目标路段与第二目标路段的结构以及周围干扰因素相同，例如：车道数、限速、红绿灯、汇流等。可选地，目标路段应选取地面标志线清晰、路侧障碍物少的路段。由于毫米波雷达安装成本、安装路段的限制，通过本申请的方法，可以通过无人机与毫米波雷达联合实现未安装毫米波雷达路段的车辆信息的精确检测。

第一目标路段与第二目标路段连续，可以最大程度上保证影响交通流变化的干扰因素差别特别小，即保证第一目标路段与第二目标路段的结构以及周围干扰因素相同，且可以获得更准确的交通信息检测结果。

在一个具体的实施例中，步骤S10包括：

步骤S11：基于历史时段内每一时刻第一目标路段的目标车辆数量以及每辆目标车辆的速度，计算每一时刻第一目标路段的车流密度以及车流速。

具体的，毫米波雷达采集历史时段内每一时刻的第一目标路段的目标车辆数量以及每辆目标车辆的速度，从而得到多个时刻的第一目标路段的目标车辆数量以及每辆目标车辆的速度，为计算历史时段内每一时刻第一目标路段的车流密度以及车流速做准备。

在一个具体的实施例中，步骤S11包括：

根据公式(1)，计算每一时刻第一目标路段的车流密度以及车流速：

其中，ρ表示第一目标路段的车流密度，n表示第一目标路段的目标车辆数量，L表示第一目标路段的长度；V表示第一目标路段的车流速，V₁…V_n分别表示第一个目标车辆至第n个目标车辆的速度。

具体的，历史时段内每一时刻都可以计算得到一组车流密度以及车流速，进而得到多组车流密度以及车流速。历史时段为当前时刻之前选定的时间段，该历史时段(选定的时间段)的起始时刻、结束时刻以及时段长度可根据需求确定。

步骤S12：基于每一时刻第一目标路段的车流密度以及车流速，结合二阶傅里叶函数，拟合得到标准车流密度与标准车流速的关系曲线。

在一个具体的实施例中，步骤S12包括：

根据公式(2)，对历史时段内每一时刻的车流密度以及车流速进行拟合，得到标准车流密度与标准车流速关系曲线：

V＝a₀+a₁*cos(ρ*w)+b₁*sin(ρ*w)+a₂*cos(2*ρ*w)+b₂*sin(2*ρ*w) (2)

其中，a₀、a₁、b₁、a₂、b₂、w为二阶傅里叶函数的参数，由历史时段内每一时刻的车流密度以及车流速拟合得到。

在一个具体的实施例中，所述目标车辆信息包括车型、颜色以及目标车辆的位置，步骤S20包括：

若判断无人机与毫米波雷达采集的当前时刻第一目标路段的目标车辆中的至少一辆目标车辆车型、颜色以及位置相同；则无人机与毫米波雷达采集的当前时刻第一目标路段的目标车辆信息匹配成功。

具体的，在得到标准车流密度与标准车流速的关系曲线之后，利用毫米波雷达采集当前时刻第一目标路段的目标车辆信息，该目标车辆信息包括目标车辆的车型、颜色、位置、辆数以及速度；利用无人机采集当前时刻第一目标路段以及第二目标路段的目标车辆信息，该目标车辆信息包括车辆的车型、颜色、位置、数量以及速度；通过判断毫米波雷达采集的第一目标路段的目标车辆信息与无人机采集的第一目标路段的目标车辆信息中的至少一辆目标车辆的车型、颜色以及位置相同，则可认为无人机与毫米波雷达采集的当前时刻第一目标路段的目标车辆信息匹配成功。即可认为，毫米波雷达采集当前时刻第一目标路段的目标车辆的信息与无人机采集当前时刻的第一目标路段与第二目标路段的目标车辆的信息时，毫米波雷达与无人机的时钟同步，这样可以保证，采集到同一时刻整个目标路段的交通信息状况，采集到的数据比较准确。

具体的，在目标路段的路侧设置固定长宽的标志物，对目标路段进行标定，无人机在对目标路段进行航拍的过程中，首先对目标路段的标志物进行检测，确定目标路段的基本信息，以检测到的标志物长宽及其位置作为度量标准对后续无人机拍摄到的目标车辆信息进行标定。例如，无人机拍摄到当前时刻第二目标路段中目标车辆信息，即可根据目标车辆中的某一辆与标志物之间的相对距离来判断该目标车辆当前时刻的位置；根据某一辆目标车辆在这一时刻与上一时刻无人机航拍采集到的该目标车辆与标志物之间的相对距离，即可判断出这一时刻与上一时刻该目标车辆所处的位置，进而得到该目标车辆在这一时刻与上一时刻之间行进的距离，结合两个时刻之间的时间长度，即可得到这一时刻该目标车辆的速度，进而得到当前时刻无人机航拍到的所有目标车辆的位置以及速度。

在一个具体的实施例中，在步骤S20之前还包括：

无人机采集当前时刻第一目标路段以及第二目标路段的车辆信息；

对该车辆信息进行筛选，得到目标车辆信息。

具体的，当无人机采集的当前时刻第一目标路段以及第二目标路段对应的移动物体的宽度大于车道宽度的三分之一，且该移动物体的长宽比在1.5-4.5之间，将满足上述条件的移动物体筛选出来作为目标车辆，进而得到无人机采集的第一目标路段以及第二目标路段的目标车辆信息。

在一个具体的实施例中，步骤S30包括：

步骤S31：基于无人机采集的当前时刻第二目标路段的每辆目标车辆的位置以及速度，计算得到第二目标路段的车流密度以及初始车流速。

具体的，根据公式(3)，计算得到第二目标路段的车流密度以及初始车流速：

其中，ρ′表示第二目标路段的车流密度，n′表示第二目标路段的目标车辆数量，L′表示第二目标路段的长度；V′表示第二目标路段的初始车流速，Vv₁…V′_n′分别表示第一个目标车辆至第n′个目标车辆的速度。

步骤S32：基于所述车流密度，结合所述标准车流密度与标准车流速的关系曲线，得到第二目标路段的优化车流速。

具体的，将计算出的第二目标路段的车流密度代入标准车流密度与标准车流速的关系曲线，得到第二目标路段的优化车流速。

步骤S33：基于第二目标路段的所述初始车流速以及所述优化车流速，得到第二目标路段的车流速。

具体的，计算初始车流速与优化车流速的平均值，该平均值即为第二目标路段的车流速。

根据上述过程，可以根据毫米波雷达采集当前时刻第一目标路段的目标车辆信息，得到第一目标路段的交通信息(车流密度以及车流速)；根据无人机采集当前时刻第二目标路段的目标车辆信息，结合关系曲线，得到第二目标路段的交通信息(车流密度以及车流速)，进而得到整个目标路段的交通信息并进行实时检测。

在一个具体的实施例中，当所述第二目标路段的长度大于第一目标路段的长度时，将所述第二目标路段划分为多个子目标路段，步骤S30包括：

步骤S31’：基于无人机采集的当前时刻第二目标路段的每辆目标车辆的位置以及速度，计算得到每个子目标路段的车流密度以及初始车流速；

进一步的，步骤S31’包括：

S311’：基于无人机采集的当前时刻第二目标路段的每辆目标车辆的位置以及速度，分别得到各个子目标路段的目标车辆的数量以及每个目标车辆的速度；

具体的，第二目标路段的子目标路段的划分可以参照第一目标路段的长度，例如目标路段为100m，第一目标路段为0至25m所在的路段，则可以将第二目标路段(25至100m)划分为三个子目标路段，分别为25至50m、50至75m以及75至100m；根据无人机采集的当前时刻第二目标路段的每辆目标车辆的位置、速度以及第二目标路段的子目标路段的划分，可以对数据进行归类得到各个子目标路段的目标车辆的数量以及每个目标车辆的速度。

S312’：基于各个子目标路段的目标车辆的数量以及每个目标车辆的速度，计算得到每个子目标路段的车流密度以及初始车流速。

具体的，每个子目标路段的车流密度以及初始车流速的计算过程请参见公式(3)，原理相同，此处不再一一赘述。

步骤S32’：基于每个子目标路段的车流密度，结合所述标准车流密度与标准车流速的关系曲线，得到每个子目标路段的优化车流速；

具体的，将每个自目标路段的车流密度代入标准车流密度与标准车流速的关系曲线，进而得到每个子目标路段的优化车流速。

步骤S33’：基于每个子目标路段的所述初始车流速以及所述优化车流速，得到每个子目标路段的车流速。

具体的，分别计算每个子目标路段的初始车流速与优化车流速的平均值，该平均值即为各个子目标路段的车流速。

在第二目标路段长度大于第一目标路段时，将第二目标路段划分为多个自目标路段，针对每个子目标路段都会计算得到一组车流密度以及车流速用来表征子目标路段的交通信息状态。这种方式，可以提高检测到的交通信息的精确度，使得检测结果更加准确。

本发明的一个实施例提供了一种基于无人机视觉和毫米波雷达的交通检测装置，所述装置用于目标路段的交通信息检测，所述目标路段包括连续的第一目标路段以及第二目标路段，所述装置包括：

标准车流密度与标准车流速关系曲线生成模块，用于根据毫米波雷达检测的历史时段内第一目标路段的目标车辆数量以及每辆目标车辆的速度，得到标准车流密度与标准车流速的关系曲线；

匹配模块，用于分别利用毫米波雷达和无人机采集当前时刻第一目标路段的目标车辆信息，判断两者是否匹配；

交通信息生成模块，用于若匹配，则利用毫米波雷达采集的当前时刻的目标车辆信息得到第一目标路段的车流密度以及车流速；并利用无人机采集的当前时刻第二目标路段的目标车辆信息，结合所述关系曲线，计算得到第二目标路段的车流密度以及车流速。

与现有技术相比，本实施例提供的交通检测装置，将标准车流密度与标准车流速关系曲线生成模块、匹配模块以及交通信息生成模块结合使用，通过利用毫米波雷达精准检测历史时段第一目标路段的目标车辆数据以及每辆目标车辆的速度，得到标准车流密度与标准车流速的关系曲线，利用毫米波雷达以及无人机采集当前时刻第一目标路段的目标车辆信息，若两者匹配，则根据毫米波雷达采集的当前时刻的目标车辆信息得到第一目标路段的车流密度以及车流速；并利用无人机采集的当前时刻第二目标路段的目标车辆信息，结合所述关系曲线，计算得到第二目标路段的车流密度以及车流速。通过将无人机视觉以及毫米波雷达结合，可直接得到精确的交通信息数据，满足了检测范围以及检测精度的需求，同时减少了人工参与，节约了成本。

上述方法实施例和装置实施例，基于相同的原理实现，其相关之处可相互借鉴，且能达到相同的技术效果。

本领域技术人员可以理解，实现上述实施例方法的全部或部分流程，可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于计算机可读存储介质中。其中，所述计算机可读存储介质为磁盘、光盘、只读存储记忆体或随机存储记忆体等。

以上所述，仅为本发明较佳的具体实施方式，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，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。

Claims (10)

1.一种基于无人机视觉和毫米波雷达的交通检测方法，其特征在于，所述方法用于目标路段的交通信息检测，所述目标路段包括连续的第一目标路段以及第二目标路段，所述方法包括：

利用毫米波雷达检测历史时段内第一目标路段的目标车辆数量以及每辆目标车辆的速度，得到标准车流密度与标准车流速的关系曲线；

分别利用毫米波雷达和无人机采集当前时刻第一目标路段的目标车辆信息，判断两者是否匹配；

若匹配，则利用毫米波雷达采集的当前时刻的目标车辆信息得到第一目标路段的车流密度以及车流速；并利用无人机采集的当前时刻第二目标路段的目标车辆信息，结合所述关系曲线，计算得到第二目标路段的车流密度以及车流速。

2.根据权利要求1所述的方法，其特征在于，所述得到标准车流密度与标准车流速的关系曲线，包括：

基于历史时段内每一时刻第一目标路段的目标车辆数量以及每辆目标车辆的速度，计算每一时刻第一目标路段的车流密度以及车流速；

基于每一时刻第一目标路段的车流密度以及车流速，结合二阶傅里叶函数，拟合得到标准车流密度与标准车流速的关系曲线。

3.根据权利要求2所述的方法，其特征在于，所述计算每一时刻第一目标路段的车流密度以及车流速，包括：

根据下述公式，计算每一时刻第一目标路段的车流密度以及车流速：

其中，ρ表示第一目标路段的车流密度，n表示第一目标路段的目标车辆数量，L表示第一目标路段的长度；V表示第一目标路段的车流速，V₁…V_n分别表示第一个目标车辆至第n个目标车辆的速度。

4.根据权利要求3所述的方法，其特征在于，所述拟合得到标准车流密度与标准车流速的关系曲线，包括：

根据下述公式，对历史时段内每一时刻的车流密度以及车流速进行拟合，得到标准车流密度与标准车流速关系曲线：

V＝a₀+a₁*cos(ρ*w)+b₁*sin(ρ*w)+a₂*cos(2*ρ*w)+b₂*sin(2*ρ*w)

其中，a₀、a₁、b₁、a₂、b₂、w为二阶傅里叶函数的参数，由历史时段内每一时刻的车流密度以及车流速拟合得到。

5.根据权利要求1所述的方法，其特征在于，所述目标车辆信息包括车型、颜色以及目标车辆的位置，所述判断两者是否匹配，包括：

若判断无人机与毫米波雷达采集的当前时刻第一目标路段的目标车辆中的至少一辆目标车辆车型、颜色以及位置相同；则无人机与毫米波雷达采集的当前时刻第一目标路段的目标车辆信息匹配成功。

6.根据权利要求1所述的方法，其特征在于，所述计算得到第二目标路段的车流密度以及车流速，包括：

基于无人机采集的当前时刻第二目标路段的每辆目标车辆的位置以及速度，计算得到第二目标路段的车流密度以及初始车流速；

基于所述车流密度，结合所述标准车流密度与标准车流速的关系曲线，得到第二目标路段的优化车流速；

基于第二目标路段的所述初始车流速以及所述优化车流速，得到第二目标路段的车流速。

7.根据权利要求6所述的方法，其特征在于，所述基于第二目标路段的所述初始车流速以及所述优化车流速，得到第二目标路段的车流速，包括：

计算所述初始车流速以及所述优化车流速的平均值，所述平均值为第二目标路段的车流速。

8.根据权利要求1所述的方法，其特征在于，当所述第二目标路段的长度大于第一目标路段的长度时，将所述第二目标路段划分为多个子目标路段，所述计算得到第二目标路段的车流密度以及车流速，包括：

基于无人机采集的当前时刻第二目标路段的每辆目标车辆的位置以及速度，计算得到每个子目标路段的车流密度以及初始车流速；

基于每个子目标路段的车流密度，结合所述标准车流密度与标准车流速的关系曲线，得到每个子目标路段的优化车流速；

基于每个子目标路段的所述初始车流速以及所述优化车流速，得到每个子目标路段的车流速。

9.根据权利要求8所述的方法，其特征在于，计算得到每个子目标路段的车流密度以及初始车流速，包括：

基于无人机采集的当前时刻第二目标路段的每辆目标车辆的位置以及速度，分别得到各个子目标路段的目标车辆的数量以及每个目标车辆的速度；

基于各个子目标路段的目标车辆的数量以及每个目标车辆的速度，计算得到每个子目标路段的车流密度以及初始车流速。

10.一种基于无人机视觉和毫米波雷达的交通检测装置，其特征在于，所述装置用于目标路段的交通信息检测，所述目标路段包括连续的第一目标路段以及第二目标路段，所述装置包括：

标准车流密度与标准车流速关系曲线生成模块，用于根据毫米波雷达检测的历史时段内第一目标路段的目标车辆数量以及每辆目标车辆的速度，得到标准车流密度与标准车流速的关系曲线；

匹配模块，用于分别利用毫米波雷达和无人机采集当前时刻第一目标路段的目标车辆信息，判断两者是否匹配；

交通信息生成模块，用于若匹配，则利用毫米波雷达采集的当前时刻的目标车辆信息得到第一目标路段的车流密度以及车流速；并利用无人机采集的当前时刻第二目标路段的目标车辆信息，结合所述关系曲线，计算得到第二目标路段的车流密度以及车流速。

Images