CN113505638A - 车流量的监测方法、监测装置及计算机可读存储介质 - Google Patents
车流量的监测方法、监测装置及计算机可读存储介质 Download PDFInfo
- Publication number
- CN113505638A CN113505638A CN202110587569.2A CN202110587569A CN113505638A CN 113505638 A CN113505638 A CN 113505638A CN 202110587569 A CN202110587569 A CN 202110587569A CN 113505638 A CN113505638 A CN 113505638A
- Authority
- CN
- China
- Prior art keywords
- road image
- vehicle
- frame road
- information
- current 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 56
- 238000012544 monitoring process Methods 0.000 title claims abstract description 21
- 238000012806 monitoring device Methods 0.000 title claims abstract description 10
- 238000001514 detection method Methods 0.000 claims abstract description 49
- 238000013528 artificial neural network Methods 0.000 claims abstract description 48
- 238000002372 labelling Methods 0.000 claims description 13
- 238000012549 training Methods 0.000 claims description 13
- 238000000605 extraction Methods 0.000 claims description 6
- 238000010586 diagram Methods 0.000 description 12
- 238000013527 convolutional neural network Methods 0.000 description 5
- 239000013598 vector Substances 0.000 description 5
- 238000009825 accumulation Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- HPTJABJPZMULFH-UHFFFAOYSA-N 12-[(Cyclohexylcarbamoyl)amino]dodecanoic acid Chemical compound OC(=O)CCCCCCCCCCCNC(=O)NC1CCCCC1 HPTJABJPZMULFH-UHFFFAOYSA-N 0.000 description 1
- PXFBZOLANLWPMH-UHFFFAOYSA-N 16-Epiaffinine Natural products C1C(C2=CC=CC=C2N2)=C2C(=O)CC2C(=CC)CN(C)C1C2CO PXFBZOLANLWPMH-UHFFFAOYSA-N 0.000 description 1
- 241001622623 Coeliadinae Species 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000000284 resting effect Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- 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
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Traffic Control Systems (AREA)
Abstract
本申请涉及车辆监测技术领域,公开了车流量的监测方法、监测装置及计算机可读存储介质。该方法包括:在预设时间段内获取道路图像,道路图像通过对道路拍摄得到;将当前帧道路图像输入至目标检测神经网络,以得到当前帧道路图像对应的车辆类型信息;基于车辆类型信息,将当前帧道路图像与历史帧道路图像进行对比,以对车辆数量进行累计;根据预设时间段内累计的车辆数量确定车流量。通过上述方式,能够提高车流量的监测效率。
Description
技术领域
本申请涉及车辆监测技术领域,特别是涉及车流量的监测方法、监测装置及计算机可读存储介质。
背景技术
随着现在汽车工业和社会经济的发展,人们生活水平的提高,汽车数量急剧增加,交通运输压力将越来越大,所以智能化交通管理的要求也越来越高。然而交通管理是全局性的,对实时性要求很高。近年来人们加强了基于图像技术的智能交通参数检测的研究,提出了智能交通系统,从而建立起一种在大范围内,全方位发挥作用的实时、准确、高效的综合管理系统。
智能交通系统主要采用计算机视觉技术、图像识别技术等,为交通系统的管理提供更为直观方便的分析手段。它能应用于常规路面车辆管理、高速公路车辆管理、停车场管理等方面,具有广阔的应用前景。
基于视频的车流量检测算法,安装和后期维修都非常方便且能对整个路面进行拍摄,可视范围很广,获取到的路面信息比较齐全,工作人员可以随时从监管中心观测各路段的通行情况,减轻交警人员巡查的辛苦,降低了人力的投入,当某路段的车流量出现异常时可以第一时间确定事发地点并调取现场录像,为采取何种应急措施做准备,而且随着中国天网工程的建立,各路段的交通信息大数据汇聚到综合交通信息平台,对交通管理和城市发展具有巨大作用。
常用的交通车流量检测技术包括基于压电回路的永久埋入式系统和悬挂式系统。前者一般使用环形地埋式线圈检测,这类系统虽然可靠,但是费用较高。而且因为需将传感器永久性埋入地下,其设立和维护都需要挖掘路面,所以费时费力且影响交通。后者一般是基于闭路电视、微波、雷达、红外线或超声波传感器的检测系统。如超声波检测,其容易受车辆遮挡和行人的影响,检测的精度不高,检测距离短;还如红外线检测等,其受到车辆本身热源的影响,抗噪声的能力不强,检测精度也不高。
发明内容
本申请主要解决的技术问题是提供车流量的监测方法、监测装置及计算机可读存储介质,能够提高车流量的监测效率。
为了解决上述问题,本申请采用的一种技术方案是提供一种车流量的监测方法,该方法包括:在预设时间段内获取道路图像,道路图像通过对道路拍摄得到;将当前帧道路图像输入至目标检测神经网络,以得到当前帧道路图像对应的车辆类型信息;基于车辆类型信息,将当前帧道路图像与历史帧道路图像进行对比,以对车辆数量进行累计;根据预设时间段内累计的车辆数量确定车流量。
其中,基于车辆类型信息,将当前帧道路图像与历史帧道路图像进行对比,以对车辆数量进行累计,包括:在当前帧道路图像中确定目标车辆;基于车辆类型信息,将目标车辆与历史帧道路图像中的同类型车辆进行特征匹配;若历史帧道路图像中没有与目标车辆相匹配的车辆,则对车辆数量进行累计。
其中,基于车辆类型信息,将目标车辆与历史帧道路图像中的同类型车辆进行特征匹配,包括:对目标车辆进行特征提取,以得到特征信息;基于车辆类型信息,将目标车辆的特征信息与历史帧道路图像中的同类型车辆的特征信息进行特征匹配。
其中,对目标车辆进行特征提取,以得到特征信息,包括:采用SIFT算法对目标车辆进行特征提取,以得到第一特征信息,以及采用灰度直方图算法对目标车辆进行特征提取,以得到第二特征信息;将目标车辆的特征信息与历史帧道路图像中的同类型车辆的特征信息进行特征匹配,包括:分别将目标车辆的第一特征信息和第二特征信息,与历史帧道路图像中的同类型车辆的第一特征信息和第二特征信息进行特征匹配。
其中,将当前帧道路图像输入至目标检测神经网络,以得到当前帧道路图像对应的车辆类型信息,包括:将当前帧道路图像输入至目标检测神经网络,以得到当前帧道路图像对应的车辆类型信息和车辆定位信息;该方法还包括:若历史帧道路图像中有与目标车辆相匹配的车辆,则基于车辆定位信息,确定目标车辆的车速。
其中,目标检测神经网络为yolo神经网络。
其中,该方法还包括:获取待训练的图像数据集;对图像数据集进行标注,以生成文本数据集;将图像数据集和对应的文本数据集输入至yolo神经网络,以对yolo神经网络进行训练。
其中,对图像数据集进行标注,以生成文本数据集,包括:对图像数据集进行标注,以得到标注信息,标注信息包括车辆类型信息和位置信息;根据车辆类型信息和位置信息,生成文本数据集。
为了解决上述问题,本申请采用的另一种技术方案是提供一种车流量监测装置,该车流量监测装置包括处理器和存储器,存储器中存储有程序数据,处理器用于执行程序数据以实现如上述技术方案提供的方法。
为了解决上述问题,本申请采用的另一种技术方案是提供一种计算机可读存储介质,该计算机可读存储介质中存储有程序数据,程序数据在被处理器执行时,用于实现如上述技术方案提供的方法。
本申请的有益效果是:区别于现有技术的情况,本申请提供的车流量的监测方法、监测装置及计算机可读存储介质。该方法通过将当前帧道路图像输入至目标检测神经网络,可快速识别出该当前帧道路图像中的车辆以及对应的车辆类型。然后利用车辆类型与历史帧道路图像进行对比的方式,进行车辆数量的累计,能够避免与历史帧道路图像中所有车辆进行对比,减少车辆的对比次数,进而提高对比效率,加速车辆数量的累计,从而能够提高车流量的监测效率。
附图说明
为了更清楚地说明本申请实施例中的技术方案,下面将对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申请的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。其中:
图1是本申请提供的车流量的监测方法一实施例的流程示意图;
图2是本申请提供的当前帧道路图像的示意图;
图3是本申请提供的当前帧道路图像的示意图;
图4是本申请提供的车流量的监测方法另一实施例的流程示意图;
图5是本申请提供的步骤44一实施例的流程示意图;
图6是本申请提供的yolo神经网络训练的一实施例的流程示意图;
图7是本申请提供的步骤62一实施例的流程示意图;
图8是本申请提供的txt文本文件一实施例的示意图;
图9是本申请提供的车流量的监测方法的一应用场景的流程示意图;
图10是本申请提供的车流量监测装置一实施例的结构示意图;
图11是本申请提供的计算机可读存储介质一实施例的结构示意图。
具体实施方式
下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述。可以理解的是,此处所描述的具体实施例仅用于解释本申请,而非对本申请的限定。另外还需要说明的是,为了便于描述,附图中仅示出了与本申请相关的部分而非全部结构。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
本申请中的术语“第一”、“第二”等是用于区别不同对象,而不是用于描述特定顺序。此外,术语“包括”和“具有”以及它们任何变形,意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元,而是可选地还包括没有列出的步骤或单元,或可选地还包括对于这些过程、方法、产品或设备固有的其它步骤或单元。
在本文中提及“实施例”意味着,结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例,也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是,本文所描述的实施例可以与其它实施例相结合。
参阅图1,图1是本申请提供的车流量的监测方法一实施例的流程示意图。该方法包括:
步骤11:在预设时间段内获取道路图像,道路图像通过对道路拍摄得到。
在一些实施例中,用于道路图像拍摄的摄像头设置于对应的道路区域。如设置于红路灯装置上,设置于人行天桥上,拍摄视野为道路区域。
可以理解,预设时间段内的道路图像可以是存在车辆的道路图像,也可以是不存在的车辆的道路图像。
在一些实施例中,可以对预设时间段进行设置。如以早高峰八时至九时作为一预设时间段,如以晚高峰傍晚五至七时作为一预设时间段。
在其他实施例中,还可以以固定的时间长度作为预设时间段。如一小时或者两小时、或者以工作日和休息日作为预设时间段。
步骤12:将当前帧道路图像输入至目标检测神经网络,以得到当前帧道路图像对应的车辆类型信息。
可以理解,目标检测神经网络是预先基于预先采集的道路图像进行训练得到的。
目标检测神经网络可以是基于R-CNN系列的目标检测网络训练得到。如R-CNN、Fast R-CNN、Faster R-CNN和Mask R-CNN其中任一种。
目标检测神经网络也可以是基于YOLO系列的目标检测网络训练得到。如YOLOv1、YOLOv2、YOLOv3、YOLOv4和YOLOv5中的任一种。
在一些实施例中,若当前帧道路图像中没有车辆,则输入至目标检测神经网络得到对应的车辆类型信息为无车辆。
步骤13:基于车辆类型信息,将当前帧道路图像与历史帧道路图像进行对比,以对车辆数量进行累计。
可以理解,当前帧道路图像和历史帧道路图像均是预设时间段内获取到的帧道路图像。
在一些实施例中,因获取了车辆类型,则可以按照车辆类型在历史帧道路图像中确定是否存在该类型的车辆。可以理解,历史帧道路图像在当前帧道路图像之前,也输入至目标检测神经网络,以得到历史帧道路图像对应的车辆类型信息。
结合图2-图3进行说明:图2为当前帧道路图像,图3为历史帧道路图像。将图2的当前帧道路图像输入至目标检测神经网络,得到的当前帧道路图像对应的车辆类型信息分别为A和B。将图3的历史帧道路图像输入至目标检测神经网络,得到的历史帧道路图像对应的车辆类型信息分别为A和C。则说明在当前帧图像中出现了车辆类型信息为B的车辆,则可对车辆类型信息为B的车辆数量进行累计。
在一些实施例中,因当前帧道路图像和历史帧道路图像之间的时间间隔较短,则会出现同一车辆同时出现在当前帧道路图像和历史帧道路图像的情况,则为了准确的进行车辆数量统计,需要对当前帧道路图像和历史帧道路图像中属于同一车辆类型信息的车辆进行对比,以确认是否为同一辆车,若是,则无需对当前帧道路图像中的该车辆进行统计。若否,则需要对当前帧道路图像中的该车辆进行统计。
在一些实施例中,历史帧道路图像的数量可以根据实际需要进行选择。如根据不同的摄像头的采集图像的频率进行选择。如历史帧道路图像的数量可以为1、2、2、4或5。在历史帧道路图像的数量大于1时,需要将当前帧道路图像与历史帧道路图像进行遍历对比,以对车辆数量进行累计。
通过将当前帧道路图像与历史帧道路图像进行对比可以进行重复车辆的排除,以提高对车辆数量累计的准确性。
步骤14:根据预设时间段内累计的车辆数量确定车流量。
车流量表示单位时间内通过的车辆。其中,单位时间可以是5分钟、10分钟、1小时等。可根据实际情况进行设置。如早高峰或晚高峰时,单位时间可以设置为10分钟。夜间可以设置为2小时。
在步骤14中,可以对预设时间段进行分段,得到多个预设子时间段,按照每一预设子时间段进行车辆数量的累计,从而确定每一预设子时间段内的车流量。在预设时间段到达后,可以根据每一预设子时间段内统计的车辆数量,得到预设时间段内的车流量。
在本实施例中,通过将当前帧道路图像输入至目标检测神经网络,可快速识别出该当前帧道路图像中的车辆以及对应的车辆类型。然后利用车辆类型与历史帧道路图像进行对比的方式,进行车辆数量的累计,能够避免与历史帧道路图像中所有车辆进行对比,减少车辆的对比次数,进而提高对比效率,加速车辆数量的累计,从而能够提高车流量的监测效率。
参阅图4,图4是本申请提供的车流量的监测方法另一实施例的流程示意图。该方法包括:
步骤41:在预设时间段内获取道路图像,道路图像通过对道路拍摄得到。
步骤42:将当前帧道路图像输入至目标检测神经网络,以得到当前帧道路图像对应的车辆类型信息。
步骤41-42与上述实施例具有相同或相似的技术方案,这里不做赘述。
步骤43:在当前帧道路图像中确定目标车辆。
在一些实施例中,在目标检测神经网络中,会利用矩形框对当前帧道路图像中的车辆进行区域选定。在步骤43中就可以直接获取由矩形框选定的车辆为目标车辆。
步骤44:基于车辆类型信息,将目标车辆与历史帧道路图像中的同类型车辆进行特征匹配。
在步骤44中,若该目标车辆的车辆类型信息在历史帧道路中未出现,历史帧道路图像中则没有同类型车辆,因此可直接进行车辆数量累计。
在一些实施例中,参阅图5,步骤44可以是如下流程:
步骤441:对目标车辆进行特征提取,以得到特征信息。
在一些实施例中,可以采用SIFT(Scale-invariant feature transform,尺度不变特征转换)算法对目标车辆进行特征提取,以得到第一特征信息,以及采用灰度直方图算法对目标车辆进行特征提取,以得到第二特征信息。
SIFT算法对旋转、尺度缩放、亮度变化保持不变,对视角变化、仿射变换、噪声也保持一定程度的稳定性。并且独特性好,信息量丰富,适用于海量特征库进行快速、准确的匹配。多量性,即使是很少几个物体也可以产生大量的SIFT特征。SIFT算法的计算速度快,具有更高的实时性。
步骤442:基于车辆类型信息,将目标车辆的特征信息与历史帧道路图像中的同类型车辆的特征信息进行特征匹配。
在一些实施例中,分别将目标车辆的第一特征信息和第二特征信息,与历史帧道路图像中的同类型车辆的第一特征信息和第二特征信息进行特征匹配。
在一些实施例中,因为采用了两种方法分别进行特征提取,因此需要对两种方法的提取的特征进行加权,得到最后的匹配结果。其中,第一特征信息的特征匹配可以使用FLANN(Fast Approximate Nearest Neighbor Search Library,快速最近邻逼近搜索函数库)计算目标车辆的第一特征信息与历史帧道路图像中的同类型车辆的第一特征信息之间能匹配的特征点的比例,根据比例值进行匹配程度评分,得到第一评分。对于第二特征信息的特征匹配,可先将灰度直方图提取的特征看成一个N*1的向量,N则为灰度划分的数目。例如,若将0~255的灰度空间划分成32个灰度小区域,则每一个小区域的灰度跨度为8,此时N=32。计算图像中灰度范围在这些小区域的像素点的个数,即为对应N*1向量中元素的值。首先对N*1向量进行归一化,然后计算目标车辆的第二特征信息与历史帧道路图像中的同类型车辆的第二特征信息的N*1向量的欧式距离,便可得出第二特征信息之间的匹配程度(目标车辆的匹配程度),同样,对于会对匹配程度进行评分,得到第二评分。
然后根据第一评分和第二评分进行加权求和,得到匹配的最终得分。如按照第一特征信息占比40%,第二特征信息占比60%来进行加权求和。若最终得分高于设定的阈值,则说明当前帧道路图像中的目标车辆在历史帧道路图像中有出现。若最终得分低于设定的阈值,则说明当前帧道路图像中的目标车辆在历史帧道路图像中没有出现,则可执行步骤45。
通过利用两种不同的特征提取算法进行特征提取,并根据对比后进行加权求和,能够利用不同的算法多尺度的提取不同的特征,能够提高特征的多样性,能够提高在特征比对时比对结果的准确性。
步骤45:若历史帧道路图像中没有与目标车辆相匹配的车辆,则对车辆数量进行累计。
可以理解,在当前帧道路图像中存在多个目标车辆时,则需要对每一目标车辆与历史帧道路图像中的同类型车辆按照上述实施例的方式进行特征匹配。
步骤46:根据预设时间段内累计的车辆数量确定车流量。
在上述任一实施例中的目标检测神经网络可以是yolo神经网络。
通过利用目标检测神经网络进行车辆类型识别,能够提高识别速度,然后利用车辆类型与历史帧道路图像进行对比的方式,进行车辆数量的累计,能够避免与历史帧道路图像中所有车辆进行对比,减少车辆的对比次数,进而提高对比效率,加速车辆数量的累计,从而能够提高车流量的监测效率。
在其他实施例中,步骤42还可以是将当前帧道路图像输入至目标检测神经网络,以得到当前帧道路图像对应的车辆类型信息和车辆定位信息。
得到车辆类型信息的方式可参考上述实施例中,这里不做赘述。这里介绍下如何获得车辆定位信息。
可以理解,在当前帧道路图像输入至目标检测神经网络后,目标检测神经网络会会以候选框的方式对当前帧道路图像中的物体进行框选,然后对框选的物体进行识别。因此,当前帧道路图像中对应识别出的车辆则会对应有一个候选框,可将次候选框的坐标作为该车辆的车辆定位信息。
若历史帧道路图像中有与目标车辆相匹配的车辆,则基于车辆定位信息,确定目标车辆的车速。可以理解,历史帧道路图像中与目标车辆相匹配的车辆,同样也拥有其对应的车辆定位信息。则可以根据当前帧道路图像中的定位信息和历史帧道路图像中的定位信息,再结合每一帧的所用的时间。则可以计算出目标车辆的速度。具体地,利用历史帧道路图像中的定位信息和当前帧道路图像中的定位信息可计算出车辆移动的距离,再结合每一帧的所用的时间,则可以计算出目标车辆的速度。
通过这种方式,不仅可以对车流量进行计算,还可以针对每一车辆进行速度计算,可以检测出当前车辆此时的行驶速度,可应用于限速拍照场景中。
在其他实施例中,可以将车流量数据进行可视化,便于用户实时查看车流量数据。
参阅图6,以目标检测神经网络为yolo神经网络为例,对目标检测神经网络的训练进行说明,具体可以是如下流程:
步骤61:获取待训练的图像数据集。
在本实施例中,待训练的图像数据集可以是采用道路监控视频中随机抽取的数据帧道路图像作为原始的图像数据。其中,因为是目标检测,所以采用的数据集大小可以不用太大。如选取200张图像数据作为图像数据集用于训练,60张图像数据作为测试集。其中,需要保证图像数据中拥有车辆。车辆的类型可以包括轿车、公交车和货车等类型。
步骤62:对图像数据集进行标注,以生成文本数据集。
在一些实施例中,可以利用图像标注工具对图像数据集中的每一图像数据上的车辆进行标注。如采用LabelImg图像标注工具。其中,使用该工具前需配置环境python+lxml。生成的XML文件是遵循PASCAL VOC格式的。标注内容可以是该车辆的车辆类型信息和在图中的位置。
参阅图7,步骤62可以是如下流程:
步骤621:对图像数据集进行标注,以得到标注信息,标注信息包括车辆类型信息和位置信息。
步骤622:根据车辆类型信息和位置信息,生成文本数据集。
在一些实施例中,当标注好图像数据集后,每一张图片数据都会生成相应的PASCAL VOC格式的同名XML文件,但是使用darknet框架下的YOLO神经网络的数据需要txt文本文件,则需要先将XML文件转化为txt文本文件。因此图像数据集中所有的图像数据生成了文本数据集。
参阅图8进行说明:
图8为txt文本文件的示意图。txt文本文件中的每一行代表了对应标注的图像数据中的一个目标车辆。第一列代表了该目标车辆的车辆类型:0代表轿车,1代表公交车,2代表货车。剩下的四列,分别代表了目标车辆对应的标注框的左上角边缘和右下角边缘的坐标。其中,这个坐标是相对坐标,也就是图像数据中的坐标值除以整个图像数据中的总尺寸。如图8的txt文本文件中的第2行“2 0.340277777777777730.4538574218750.09722222222222221 0.18017578125”,第一个“2”代表该目标车辆的车辆类型编号为2;“0.34027777777777773”代表左上角边缘的x坐标的相对位置,“0.453857421875”代表左上角边缘的y坐标的相对位置,同理,“0.09722222222222221”和“0.18017578125”分别对应右上角边缘的y坐标的相对位置。
所以,通过这几个坐标值,就能确定目标车辆的标注框。
步骤63:将图像数据集和对应的文本数据集输入至yolo神经网络,以对yolo神经网络进行训练。
其中,目标检测神经网络的训练是在NVIDIA GPU和CUDA 10.0下实现的。采用的是yolov3神经网络框架。其中,yolov3.cfg的classes参数设置成训练过程中所需的车辆类型的数量,如车辆类型为3,则classes=3,为了得到YOLO中的最终向量,所以需要将filters(过滤器)同步修改。其中,Filter的计算公式如下:
filter=(classes+5)*3。
同时,还需要新建后缀为“.data”的配置文件,其内容主要是说明待训练的图像数据集的位置,测试集路径、标签文件路径以及backup文件夹的位置。训练集的位置包括txt文本文件以及图像数据的文件夹路径。标签文件是“.names”后缀的文件,里面存放了需要检测的车辆类型的名称。如:car(轿车)、bus(公交车)、truck(货车)。并且每一个车辆类型的名称单独放一行。backup文件夹是用于存放每一轮训练的权重文件的。同时使用在训练时,可以使用预训练权重文件提高训练效率,减少训练时间。
将训练好的目标检测神经网络作为上述任一实施例中的目标检测神经网络,以对当前帧道路图像进行车辆类型识别。
参阅图9,在一应用场景中,首先通过网络摄像头对道路进行拍摄实时传输当前帧道路图像。然后将当前帧道路图像输入至yolo神经网络。yolo神经网络对当前帧道路图像进行处理,输出该当前帧道路图像中车辆对应的车辆类型和定位信息。然后对识别出的当前帧道路图像中车辆进行特征提取。将提取到的特征与历史帧道路图像中对应该车辆类型的特征进行对比匹配。若匹配成功,则说明在历史帧道路图像中出现过该车辆,则可根据当前帧道路图像中的定位信息和历史帧道路图像中的定位信息进行出该车辆的速度。若匹配不成功,则说明在历史帧道路图像中未出现过该车辆,则车流量累计加1。然后输出当前帧道路图像对应的车流量和车辆的车速。在未到达预设时间段时,一直重复上述检测步骤,在到达预设时间后,停止检测。
参阅图10,图10是本申请提供的车流量监测装置一实施例的结构示意图。该车流量监测装置100包括处理器101和存储器102,存储器102中存储有程序数据,处理器101用于执行程序数据以实现如下方法:
在预设时间段内获取道路图像,道路图像通过对道路拍摄得到;将当前帧道路图像输入至目标检测神经网络,以得到当前帧道路图像对应的车辆类型信息;基于车辆类型信息,将当前帧道路图像与历史帧道路图像进行对比,以对车辆数量进行累计;根据预设时间段内累计的车辆数量确定车流量。
可以理解地,本实施例中的处理器101还可以实现上述任一实施例中的方法,这里不再赘述。
参阅图11,图11是本申请提供的计算机可读存储介质一实施例的结构示意图。该计算机可读存储介质110中存储有程序数据111,程序数据111在被处理器执行时,用于实现如下方法:
在预设时间段内获取道路图像,道路图像通过对道路拍摄得到;将当前帧道路图像输入至目标检测神经网络,以得到当前帧道路图像对应的车辆类型信息;基于车辆类型信息,将当前帧道路图像与历史帧道路图像进行对比,以对车辆数量进行累计;根据预设时间段内累计的车辆数量确定车流量。
可以理解地,本实施例中的计算机可读存储介质110还可以实现上述任一实施例的方法,这里不再赘述。
综上,在本申请上述的任一实施例相比于基于压电回路的永久埋入式系统的车流量检测方法,本申请的实施方式只需要在道路上固定网络摄像头。从而减少了材料成本,并易于维护,同时降低了人力成本。而相比于基于红外线或超声波的测距系统,网路摄像头的视频的覆盖范围高,受天气和噪声的影响小,能够提升识别的效果。而相对于传统的视频车流量方法,本申请的技术方案的功能性更强。
在本申请所提供的几个实施方式中,应该理解到,所揭露的方法以及设备,可以通过其它的方式实现。例如,以上所描述的设备实施方式仅仅是示意性的,例如,所述模块或单元的划分,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。
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实施方式方案的目的。
另外,在本申请各个实施方式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。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
上述其他实施方式中的集成的单元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,本申请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全部或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)或处理器(processor)执行本申请各个实施方式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、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,RandomAccess Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述仅为本申请的实施方式,并非因此限制本申请的专利范围,凡是利用本申请说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本申请的专利保护范围内。
Claims (10)
1.一种车流量的监测方法,其特征在于,所述方法包括:
在预设时间段内获取道路图像,所述道路图像通过对道路拍摄得到;
将当前帧道路图像输入至目标检测神经网络,以得到所述当前帧道路图像对应的车辆类型信息;
基于所述车辆类型信息,将所述当前帧道路图像与历史帧道路图像进行对比,以对车辆数量进行累计;
根据所述预设时间段内累计的车辆数量确定车流量。
2.根据权利要求1所述的方法,其特征在于,
所述基于所述车辆类型信息,将所述当前帧道路图像与历史帧道路图像进行对比,以对车辆数量进行累计,包括:
在所述当前帧道路图像中确定目标车辆;
基于所述车辆类型信息,将所述目标车辆与历史帧道路图像中的同类型车辆进行特征匹配;
若所述历史帧道路图像中没有与所述目标车辆相匹配的车辆,则对车辆数量进行累计。
3.根据权利要求2所述的方法,其特征在于,
所述基于所述车辆类型信息,将所述目标车辆与历史帧道路图像中的同类型车辆进行特征匹配,包括:
对所述目标车辆进行特征提取,以得到特征信息;
基于所述车辆类型信息,将所述目标车辆的特征信息与历史帧道路图像中的同类型车辆的特征信息进行特征匹配。
4.根据权利要求3所述的方法,其特征在于,
所述对所述目标车辆进行特征提取,以得到特征信息,包括:
采用SIFT算法对所述目标车辆进行特征提取,以得到第一特征信息,以及采用灰度直方图算法对所述目标车辆进行特征提取,以得到第二特征信息;
所述将所述目标车辆的特征信息与历史帧道路图像中的同类型车辆的特征信息进行特征匹配,包括:
分别将所述目标车辆的所述第一特征信息和所述第二特征信息,与历史帧道路图像中的同类型车辆的所述第一特征信息和所述第二特征信息进行特征匹配。
5.根据权利要求2所述的方法,其特征在于,
所述将当前帧道路图像输入至目标检测神经网络,以得到所述当前帧道路图像对应的车辆类型信息,包括:
将当前帧道路图像输入至目标检测神经网络,以得到所述当前帧道路图像对应的车辆类型信息和车辆定位信息;
所述方法还包括:
若所述历史帧道路图像中有与所述目标车辆相匹配的车辆,则基于所述车辆定位信息,确定所述目标车辆的车速。
6.根据权利要求1-5任一项所述的方法,其特征在于,
所述目标检测神经网络为yolo神经网络。
7.根据权利要求6所述的方法,其特征在于,
所述方法还包括:
获取待训练的图像数据集;
对所述图像数据集进行标注,以生成文本数据集;
将所述图像数据集和对应的文本数据集输入至所述yolo神经网络,以对所述yolo神经网络进行训练。
8.根据权利要求7所述的方法,其特征在于,
所述对所述图像数据集进行标注,以生成文本数据集,包括:
对所述图像数据集进行标注,以得到标注信息,所述标注信息包括车辆类型信息和位置信息;
根据所述车辆类型信息和位置信息,生成文本数据集。
9.一种车流量监测装置,其特征在于,所述车流量监测装置包括处理器和存储器,所述存储器中存储有程序数据,所述处理器用于执行所述程序数据以实现如权利要求1-8任一项所述的方法。
10.一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中存储有程序数据,所述程序数据在被处理器执行时,用于实现如权利要求1-8任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110587569.2A CN113505638B (zh) | 2021-05-27 | 2021-05-27 | 车流量的监测方法、监测装置及计算机可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110587569.2A CN113505638B (zh) | 2021-05-27 | 2021-05-27 | 车流量的监测方法、监测装置及计算机可读存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113505638A true CN113505638A (zh) | 2021-10-15 |
CN113505638B CN113505638B (zh) | 2024-04-02 |
Family
ID=78008564
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110587569.2A Active CN113505638B (zh) | 2021-05-27 | 2021-05-27 | 车流量的监测方法、监测装置及计算机可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113505638B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115294776A (zh) * | 2022-06-23 | 2022-11-04 | 北京北大千方科技有限公司 | 基于时间切片统计车辆通行量的方法、装置、设备及介质 |
CN116403421A (zh) * | 2023-04-11 | 2023-07-07 | 深圳技术大学 | 一种红绿灯调控系统、方法、终端设备和存储介质 |
CN117523858A (zh) * | 2023-11-24 | 2024-02-06 | 邯郸市鼎舜科技开发有限公司 | 道路电子卡口检测方法和装置 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR100590841B1 (ko) * | 2004-12-31 | 2006-06-19 | 유일정보시스템(주) | 기준차량정보의 추가를 수반하는 영상기반의 교통량 분석시스템 및 그 방법 |
CN109544907A (zh) * | 2018-10-23 | 2019-03-29 | 大唐软件技术股份有限公司 | 一种车辆计数方法、装置 |
CN109919072A (zh) * | 2019-02-28 | 2019-06-21 | 桂林电子科技大学 | 基于深度学习和轨迹跟踪的精细车型识别与流量统计方法 |
CN110610118A (zh) * | 2018-06-15 | 2019-12-24 | 杭州海康威视数字技术股份有限公司 | 交通参数采集方法及装置 |
CN110718061A (zh) * | 2019-10-17 | 2020-01-21 | 长沙理工大学 | 交通路口车流量统计方法、装置、存储介质及电子设备 |
CN110738169A (zh) * | 2019-10-11 | 2020-01-31 | 深圳前海微众银行股份有限公司 | 车流量监测方法、装置、设备及计算机可读存储介质 |
CN111523447A (zh) * | 2020-04-22 | 2020-08-11 | 北京邮电大学 | 车辆跟踪方法、装置、电子设备及存储介质 |
CN111833598A (zh) * | 2020-05-14 | 2020-10-27 | 山东科技大学 | 一种高速公路无人机交通事件自动监测方法及系统 |
-
2021
- 2021-05-27 CN CN202110587569.2A patent/CN113505638B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR100590841B1 (ko) * | 2004-12-31 | 2006-06-19 | 유일정보시스템(주) | 기준차량정보의 추가를 수반하는 영상기반의 교통량 분석시스템 및 그 방법 |
CN110610118A (zh) * | 2018-06-15 | 2019-12-24 | 杭州海康威视数字技术股份有限公司 | 交通参数采集方法及装置 |
CN109544907A (zh) * | 2018-10-23 | 2019-03-29 | 大唐软件技术股份有限公司 | 一种车辆计数方法、装置 |
CN109919072A (zh) * | 2019-02-28 | 2019-06-21 | 桂林电子科技大学 | 基于深度学习和轨迹跟踪的精细车型识别与流量统计方法 |
CN110738169A (zh) * | 2019-10-11 | 2020-01-31 | 深圳前海微众银行股份有限公司 | 车流量监测方法、装置、设备及计算机可读存储介质 |
CN110718061A (zh) * | 2019-10-17 | 2020-01-21 | 长沙理工大学 | 交通路口车流量统计方法、装置、存储介质及电子设备 |
CN111523447A (zh) * | 2020-04-22 | 2020-08-11 | 北京邮电大学 | 车辆跟踪方法、装置、电子设备及存储介质 |
CN111833598A (zh) * | 2020-05-14 | 2020-10-27 | 山东科技大学 | 一种高速公路无人机交通事件自动监测方法及系统 |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115294776A (zh) * | 2022-06-23 | 2022-11-04 | 北京北大千方科技有限公司 | 基于时间切片统计车辆通行量的方法、装置、设备及介质 |
CN115294776B (zh) * | 2022-06-23 | 2024-04-12 | 北京北大千方科技有限公司 | 基于时间切片统计车辆通行量的方法、装置、设备及介质 |
CN116403421A (zh) * | 2023-04-11 | 2023-07-07 | 深圳技术大学 | 一种红绿灯调控系统、方法、终端设备和存储介质 |
CN117523858A (zh) * | 2023-11-24 | 2024-02-06 | 邯郸市鼎舜科技开发有限公司 | 道路电子卡口检测方法和装置 |
CN117523858B (zh) * | 2023-11-24 | 2024-05-14 | 邯郸市鼎舜科技开发有限公司 | 道路电子卡口检测方法和装置 |
Also Published As
Publication number | Publication date |
---|---|
CN113505638B (zh) | 2024-04-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108345822B (zh) | 一种点云数据处理方法及装置 | |
CN103324930B (zh) | 一种基于灰度直方图二值化的车牌字符分割方法 | |
CN113505638A (zh) | 车流量的监测方法、监测装置及计算机可读存储介质 | |
CN110619279B (zh) | 一种基于跟踪的路面交通标志实例分割方法 | |
Huang et al. | Vehicle detection and inter-vehicle distance estimation using single-lens video camera on urban/suburb roads | |
Tae-Hyun et al. | Detection of traffic lights for vision-based car navigation system | |
Šegvić et al. | A computer vision assisted geoinformation inventory for traffic infrastructure | |
CN110298300B (zh) | 一种检测车辆违章压线的方法 | |
CN111626277A (zh) | 一种基于治超站交调指标分析的车辆跟踪方法及装置 | |
CN111008574A (zh) | 一种基于形体识别技术的重点人员轨迹分析方法 | |
CN104978567A (zh) | 基于场景分类的车辆检测方法 | |
CN111127507A (zh) | 一种抛洒物的确定方法和系统 | |
Lee et al. | Clustering learning model of CCTV image pattern for producing road hazard meteorological information | |
CN114170580A (zh) | 一种面向高速公路的异常事件检测方法 | |
Zhang et al. | Automatic detection of road traffic signs from natural scene images based on pixel vector and central projected shape feature | |
CN107808524A (zh) | 一种基于无人机的道路交叉口车辆检测方法 | |
Avramović et al. | Real-time large scale traffic sign detection | |
CN114329074B (zh) | 一种匝道路段通行能效检测方法和系统 | |
CN115797910A (zh) | 一种长尾目标识别方法、计算机可读存储介质及车辆 | |
CN114926791A (zh) | 一种路口车辆异常变道检测方法、装置、存储介质及电子设备 | |
Zhang et al. | A front vehicle detection algorithm for intelligent vehicle based on improved gabor filter and SVM | |
CN112562315A (zh) | 一种获取车流信息的方法、终端及存储介质 | |
KR20150002040A (ko) | 호그 연속기법에 기반한 칼만 필터와 클러스터링 알고리즘을 이용하여 실시간으로 보행자를 인식하고 추적하는 방법 | |
CN114693722B (zh) | 一种车辆行驶行为检测方法、检测装置及检测设备 | |
CN116246308A (zh) | 基于视觉识别的多目标跟踪预警方法、装置及终端设备 |
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 |