CN113538916B - 交通路口检测方法、装置、电子设备及存储介质 - Google Patents

Abstract

本公开提供了一种交通路口检测方法、装置、电子设备及存储介质，该方法包括：获取采集的交通路口的视频帧序列；对所述视频帧序列中的视频帧进行车辆检测，得到车辆检测信息；基于所述车辆检测信息，确定所述交通路口的交通信号信息；基于所述交通路口的交通信号信息和所述车辆检测信息，确定所述交通路口的拥堵状态。

Description

交通路口检测方法、装置、电子设备及存储介质

技术领域

本公开涉及图像处理技术领域，具体而言，涉及一种交通路口检测方法、装置、电子设备及存储介质。

背景技术

随着我国综合实力和国民收入水平的不断提高，机动车保有量迅速增加，致使城市交通状况不断恶化。具体的，由于城市道路资源有限，机动车保有量的迅速增加，导致城市道路拥堵不断加剧，交通效率下降，给人们的生活和工作造成了巨大的影响。

因此提出一种对交通路口进行检测的方法尤为重要。

发明内容

有鉴于此，本公开至少提供一种交通路口检测方法、装置、电子设备及存储介质。

第一方面，本公开提供了一种交通路口检测方法，包括：

获取采集的交通路口的视频帧序列；

对所述视频帧序列中的视频帧进行车辆检测，得到车辆检测信息；

基于所述车辆检测信息，确定所述交通路口的交通信号信息；

基于所述交通路口的交通信号信息和所述车辆检测信息，确定所述交通路口的拥堵状态。

上述方法中，通过对获取的视频帧序列进行车辆检测，确定车辆检测信息，并基于车辆检测信息，实时的确定交通路口的交通信息号信息，无需人工获取交通信号信息，提高了交通信号信息的确定效率。进而，可以基于交通路口的交通信号信息和车辆检测信息，确定交通路口的拥堵状态，实现了交通路口拥堵状态的自动确定，拥堵状态的确定效率较高。同时，由于视频帧序列中包含有较准确的车辆信息，故使用视频帧序列，可以较准确的确定交通路口的拥堵状态。

一种可能的实施方式中，对所述视频帧序列中的视频帧进行车辆检测，得到车辆检测信息，包括：

对所述视频帧序列中的各个视频帧进行跟踪检测，得到各个视频帧中的检测对象的检测框信息以及检测对象的类别信息；

基于所述检测对象的类别信息，从所述检测对象的检测框信息中，筛选出车辆的检测框信息；其中，所述检测框信息包含用于区分不同车辆的标识信息，同一车辆在所述视频帧序列的不同视频帧中的标识信息相同。

由于检测框信息包含用于区分不同车辆的标识信息，同一车辆在视频帧序列的不同视频帧中的标识信息相同，实现了对同一车辆的追踪，为后续基于车辆检测信息，确定交通信号信息提高了数据支持。以及使用检测对象的类别信息，从检测对象的检测框信息中，筛选出车辆的检测框信息，避免除车辆之外的其他类型的检测对象的检测框信息，对确定交通信号信息产生干扰，可以提高确定的交通信号信息的准确性。

一种可能的实施方式中，所述基于所述车辆检测信息，确定所述交通路口的交通信号信息，包括：

获取停车基准线在所述视频帧中的第一位置信息；

基于所述停车基准线的第一位置信息、所述车辆检测信息、以及每个所述视频帧对应的采集时间，确定所述交通路口的交通信号灯对应的周期时长和红灯信号时长；

基于所述交通路口的交通信号灯的周期时长和所述红灯信号时长，确定绿灯信号时长。

这里，可以根据车辆检测信息、第一位置信息、和视频帧的采集时间，确定交通信号灯的周期时长和红灯信号时长，再可以确定绿灯信号时长，实现交通信号信息的自动确定，与使用人工确定交通信号信息的方式相比，提高了交通信号信息的确定效率。

一种可能的实施方式中，基于所述停车基准线的第一位置信息、所述车辆检测信息、以及每个所述视频帧对应的采集时间，确定所述交通路口的交通信号灯对应的周期时长，包括：基于所述停车基准线的第一位置信息、所述车辆检测信息、以及每个所述视频帧对应的采集时间，确定关键车辆经过所述停车基准线的时间；所述关键车辆为在所述交通路口的绿灯开启时，第一个经过所述停车基准线的车辆；

基于确定的多个关键车辆分别经过所述停车基准线的时间，确定所述交通路口的交通信号灯对应的周期时长。

上述方法中，可以确定关键车辆经过停车基准线的时间，该关键车辆为在交通路口的绿灯开启时，第一个经过停车基准线的车辆；通过基于确定的多个关键车辆分别经过停车基准线的时间，确定交通路口的交通信号灯对应的周期时长，为后续确定交通路口的拥堵状态提供数据支持。

一种可能的实施方式中，基于确定的多个关键车辆分别经过所述停车基准线的时间，确定所述交通路口的交通信号灯对应的周期时长，包括：

确定相邻次绿灯的每两个关键车辆，经过所述停车基准线的第一时刻差；

对确定的多个所述第一时刻差进行聚类，得到聚类后的至少一个第一集合；

基于聚类后的所述第一集合中的第一时刻差，确定所述交通路口的交通信号灯对应的周期时长。

上述方法中，由于相邻次绿灯的每两个关键车辆，经过停车基准线的第一时刻差可能存在误差，为了提高周期时长的准确率，可以对确定的多个第一时刻差进行聚类，得到聚类后的至少一个第一集合，基于第一集合中的各第一时刻差，确定交通路口的交通信号灯对应的周期时长。

一种可能的实施方式中，所述基于聚类后的所述第一集合中的第一时刻差，确定所述交通路口的交通信号灯对应的周期时长，包括：

获取本次聚类的第一轮廓系数；其中，所述第一轮廓系数用于表征聚类结果的可信程度；

在所述第一轮廓系数大于设置的第一系数阈值的情况下，确定包含的所述第一时刻差的数量最多的第一集合；

基于包含的所述第一时刻差的数量最多的第一集合中的各第一时刻差，确定所述交通路口的交通信号灯对应的周期时长。

一种可能的实施方式中，所述方法还包括：

在所述第一轮廓系数小于或等于设置的第一系数阈值的情况下，按照所述多个关键车辆经过所述停车基准线的时间顺序，删除第一数量的关键车辆；

重新确定第二数量的关键车辆经过所述停车基准线的时间；

基于所述多个关键车辆中剩余关键车辆经过所述停车基准线的时间，以及在所述多个关键车辆之后、重新确定的所述第二数量的关键车辆经过所述停车基准线的时间，确定所述交通路口的交通信号灯对应的周期时长。

考虑到第一轮廓系数可以用于表征聚类结果的可信程度，在第一轮廓系数大于设置的第一系数阈值时，表征本次聚类结果的可信程度较高，故可以基于包含的第一时刻差的数量最多的第一集合中的各第一时刻差，较准确的确定交通路口的交通信号灯对应的周期时长。

而在第一轮廓系数小于或等于设置的第一系数阈值时，表征本次聚类结果的可信程度较低，故需要重新确定第二数量的关键车辆经过停车基准线的时间，并基于多个关键车辆中剩余关键车辆经过停车基准线的时间，以及在多个关键车辆之后、重新确定的第二数量的关键车辆经过停车基准线的时间，较准确的确定交通路口的交通信号灯对应的周期时长。

一种可能的实施方式中，基于所述停车基准线的第一位置信息、所述车辆检测信息、以及每个所述视频帧对应的采集时间，确定所述交通路口的红灯信号时长，包括：

基于所述停车基准线的第一位置信息、所述车辆检测信息、以及每个所述视频帧对应的采集时间，确定关键车辆的停车时刻和启动时刻；所述关键车辆为在所述交通路口的绿灯开启时，第一个经过所述停车基准线的车辆，所述停车时刻为所述关键车辆停止在所述停车基准线位置处的时刻，所述启动时刻为所述关键车辆在所述停车基准线位置处启动的时刻；

基于确定的多个关键车辆的停车时刻和启动时刻，确定所述多个关键车辆分别对应的第二时刻差；

对确定的多个所述第二时刻差进行聚类，得到聚类后的至少一个第二集合；

基于包含的所述第二时刻差的数量最多的第二集合中的各第二时刻差，确定所述交通路口的红灯信号时长。

为了较准确的确定交通路口的红灯信号时长，可以对确定的多个第二时刻差进行聚类，得到聚类后的至少一个第二集合；基于包含的第二时刻差的数量最多的第二集合中的各第二时刻差，确定交通路口的红灯信号时长。

一种可能的实施方式中，根据以下步骤确定所述关键车辆：

基于所述停车基准线的第一位置信息、所述车辆检测信息、以及多个视频帧的采集时间，确定每一车辆经过所述停车基准线的目标时刻；

基于每一车辆对应的所述目标时刻、和每一前一车辆经过所述停车基准线的目标时刻，确定所述每一车辆与前一车辆的过线时刻差；其中，所述每一前一车辆为所述每一车辆之前，经过所述停车基准线的车辆，以及

确定所述每一车辆在所述目标时刻视频帧和前一视频帧中的检测框的第一交并比，其中，所述前一视频帧为与所述目标时刻间隔预设时长的视频帧；

在所述过线时刻差大于设置的第一阈值、且所述第一交并比大于设置的第二阈值的情况下，确定车辆属于关键车辆。

本公开实施方式中，确定的关键车辆为绿灯开启后，第一个经过停车基准线的车辆，可知该关键车辆存在以下特征：关键车辆与前一车辆经过停车基准线的时刻相差会较大，以及关键车辆在间隔预设时长的两个视频帧中的第一交并比会较大。因此，可以在过线时刻差大于设置的第一阈值、且第一交并比大于设置的第二阈值时，较准确的确定关键车辆。

一种可能的实施方式中，所述基于所述交通路口的所述交通信号信息和所述车辆检测信息，确定所述交通路口的拥堵状态，包括：

基于所述交通路口的所述交通信号信息和所述车辆检测信息，确定所述交通路口对应的拥堵参数信息；其中，所述拥堵参数信息包括从绿灯信号开启时刻至红灯信号开启时刻之间的绿灯利用率、从绿灯信号结束时刻起的预设时长内的预设区域的空间占有率、从绿灯信号结束时刻至红灯信号结束时刻之间的预设区域填充时长、和从绿灯信号开启时刻至红灯信号开启时刻之间经过设置的停车基准线的目标车辆数量中的至少一种；

基于所述交通路口对应的所述拥堵参数信息，确定所述交通路口的拥堵状态。

这里，设置至少一种拥堵参数信息，通过设置的至少一种拥堵参数信息，可以较灵活、较准确的确定交通路口的拥堵状态。

一种可能的实施方式中，在所述拥堵参数信息包括所述绿灯利用率的情况下，所述基于所述交通路口的所述交通信号信息和所述车辆检测信息，确定所述交通路口对应的拥堵参数信息，包括：

基于所述交通路口的所述交通信号信息和所述车辆检测信息，确定从绿灯信号开启时刻至红灯信号开启时刻之间，经过设置的停车基准线的车辆的第三数量；

基于确定的所述第三数量、设置的饱和车头时距、以及从绿灯信号开启时刻至红灯信号开启时刻之间的时长，确定所述绿灯利用率，其中，所述饱和车头时距用于表征相邻车辆经过所述停车基准线的最短时间差。

这里，可以利用第三数量，确定绿灯利用率，比如绿灯利用率可以为绿灯开启后通过交通路口的车辆数量与能够通过的最大车辆数量之间的比值；为后续确定交通路口的拥堵状态提供数据支持。

一种可能的实施方式中，在所述拥堵参数信息包括所述预设区域的空间占有率的情况下，所述基于所述交通路口的所述交通信号信息和所述车辆检测信息，确定所述交通路口对应的拥堵参数信息，包括：

从所述视频帧序列中，提取位于绿灯信号结束时刻起的预设时长内的部分视频帧序列；

基于所述部分视频帧序列的各视频帧中，位于目标检测区域内的车辆的数量，确定所述部分视频帧序列的所述各视频帧的目标检测区域中包含的所述车辆的平均数量；

基于所述平均数量、和所述目标检测区域对应的最大可容纳车辆数量，确定所述预设区域的空间占有率。

这里，可以确定预设区域的空间占有率，通过确定的预设区域的空间占有率，为后续确定交通路口的拥堵状态提供数据支持。

一种可能的实施方式中，在所述拥堵参数信息包括所述预设区域填充时长的情况下，所述基于所述交通路口的所述交通信号信息和所述车辆检测信息，确定所述交通路口对应的拥堵参数信息，包括：

基于所述视频帧序列，确定从绿灯信号结束时刻至红灯信号结束时刻之间，所述交通路口对应的目标检测区域内包含的车辆数量达到目标数量的最短时长；

将确定的所述最短时长，确定为所述预设区域填充时长。

这里，可以确定预设区域填充时长，通过确定的预设区域填充时长，为后续确定交通路口的拥堵状态提供数据支持。

一种可能的实施方式中，在所述拥堵参数信息包括所述目标车辆数量的情况下，所述基于所述交通路口的所述交通信号信息和所述车辆检测信息，确定所述交通路口对应的拥堵参数信息，包括：

确定所述交通路口对应的目标检测区域内包含的每个车辆经过设置的停车基准线的时刻；

基于每个车辆经过设置的停车基准线的时刻与前一车辆经过停车基准线的时刻之间的第三时刻差，确定所述第三时刻差连续小于设置的时刻阈值的目标车辆数量。

这里，可以确定目标车辆数量，通过确定的目标车辆数量，为后续确定交通路口的拥堵状态提供数据支持。

一种可能的实施方式中，在所述拥堵参数信息包括所述绿灯利用率、所述预设区域的空间占有率、所述预设区域填充时长和所述目标车辆数量的情况下，所述基于所述交通路口对应的所述拥堵参数信息，确定所述交通路口的拥堵状态，包括：

在满足以下至少一条件的情况下：所述绿灯利用率大于设置的第一参数阈值、所述预设区域的空间占有率大于设置的第二参数阈值、所述预设区域填充时长小于设置的第三参数阈值，基于所述目标车辆数量、和所述交通路口的所述交通信号信息指示的周期时长，确定最大排队时间；

基于所述最大排队时间，确定所述交通路口的拥堵状态。

这里，可以确定最大排队时间，通过最大排队时间，较准确的确定交通路口的拥堵状态，比如最大排队时间较大时，交通路口较为拥堵。

一种可能的实施方式中，基于所述最大排队时间，确定所述交通路口的拥堵状态，包括：

基于所述最大排队时间，以及所述交通信号信息指示的周期时长，确定表征所述拥堵状态的最大排队指数；

基于所述最大排队指数，确定所述交通路口的交通拥堵等级。

这里，可以确定最大排队指数，不同的最大排队指数对应不同的交通拥堵等级，通过该最大排队指数，能够较准确的确定交通路口的交通拥堵等级。

一种可能的实施方式中，所述方法还包括：

基于所述交通路口的所述拥堵状态，生成与所述拥堵状态匹配的预警信息，和/或，生成与所述拥堵状态匹配的疏导策略。

上述方法中，可以基于交通路口的所述拥堵状态，生成与拥堵状态匹配的预警信息，和/或，生成与拥堵状态匹配的疏导策略，以便使用预警信息对其他车辆进行预警，或者，以便使用生成的疏导策略，对拥堵路段进行疏导，保障交通道路的通行效率。

以下装置、电子设备等的效果描述参见上述方法的说明，这里不再赘述。

第二方面，本公开提供了一种交通路口检测装置，包括：

获取模块，用于获取采集的交通路口的视频帧序列；

检测模块，用于对所述视频帧序列中的视频帧进行车辆检测，得到车辆检测信息；

第一确定模块，用于基于所述车辆检测信息，确定所述交通路口的交通信号信息；

第二确定模块，用于基于所述交通路口的交通信号信息和所述车辆检测信息，确定所述交通路口的拥堵状态。

一种可能的实施方式中，所述检测模块，在对所述视频帧序列中的视频帧进行车辆检测，得到车辆检测信息时，用于：

对所述视频帧序列中的各个视频帧进行跟踪检测，得到各个视频帧中的检测对象的检测框信息以及检测对象的类别信息；

基于所述检测对象的类别信息，从所述检测对象的检测框信息中，筛选出车辆的检测框信息；其中，所述检测框信息包含用于区分不同车辆的标识信息，同一车辆在所述视频帧序列的不同视频帧中的标识信息相同。

一种可能的实施方式中，所述第一确定模块，在基于所述车辆检测信息，确定所述交通路口的交通信号信息时，用于：

获取停车基准线在所述视频帧中的第一位置信息；

基于所述停车基准线的第一位置信息、所述车辆检测信息、以及每个所述视频帧对应的采集时间，确定所述交通路口的交通信号灯对应的周期时长和红灯信号时长；

基于所述交通路口的交通信号灯的周期时长和所述红灯信号时长，确定绿灯信号时长。

一种可能的实施方式中，所述第一确定模块，在基于所述停车基准线的第一位置信息、所述车辆检测信息、以及每个所述视频帧对应的采集时间，确定所述交通路口的交通信号灯对应的周期时长时，用于：

基于所述停车基准线的第一位置信息、所述车辆检测信息、以及每个所述视频帧对应的采集时间，确定关键车辆经过所述停车基准线的时间；所述关键车辆为在所述交通路口的绿灯开启时，第一个经过所述停车基准线的车辆；

基于确定的多个关键车辆分别经过所述停车基准线的时间，确定所述交通路口的交通信号灯对应的周期时长。

一种可能的实施方式中，所述第一确定模块，在基于确定的多个关键车辆分别经过所述停车基准线的时间，确定所述交通路口的交通信号灯对应的周期时长时，用于：

确定相邻次绿灯的每两个关键车辆，经过所述停车基准线的第一时刻差；

对确定的多个所述第一时刻差进行聚类，得到聚类后的至少一个第一集合；

基于聚类后的所述第一集合中的第一时刻差，确定所述交通路口的交通信号灯对应的周期时长。

一种可能的实施方式中，所述第一确定模块，在基于聚类后的所述第一集合中的第一时刻差，确定所述交通路口的交通信号灯对应的周期时长时，用于：

获取本次聚类的第一轮廓系数；其中，所述第一轮廓系数用于表征聚类结果的可信程度；

在所述第一轮廓系数大于设置的第一系数阈值的情况下，确定包含的所述第一时刻差的数量最多的第一集合；

基于包含的所述第一时刻差的数量最多的第一集合中的各第一时刻差，确定所述交通路口的交通信号灯对应的周期时长。

一种可能的实施方式中，所述第一确定模块，还包括：

在所述第一轮廓系数小于或等于设置的第一系数阈值的情况下，按照所述多个关键车辆经过所述停车基准线的时间顺序，删除第一数量的关键车辆；

重新确定第二数量的关键车辆经过所述停车基准线的时间；

基于所述多个关键车辆中剩余关键车辆经过所述停车基准线的时间，以及在所述多个关键车辆之后、重新确定的所述第二数量的关键车辆经过所述停车基准线的时间，确定所述交通路口的交通信号灯对应的周期时长。

一种可能的实施方式中，所述第一确定模块，在基于所述停车基准线的第一位置信息、所述车辆检测信息、以及每个所述视频帧对应的采集时间，确定所述交通路口的红灯信号时长时，用于：

基于所述停车基准线的第一位置信息、所述车辆检测信息、以及每个所述视频帧对应的采集时间，确定关键车辆的停车时刻和启动时刻；所述关键车辆为在所述交通路口的绿灯开启时，第一个经过所述停车基准线的车辆，所述停车时刻为所述关键车辆停止在所述停车基准线位置处的时刻，所述启动时刻为所述关键车辆在所述停车基准线位置处启动的时刻；

基于确定的多个关键车辆的停车时刻和启动时刻，确定所述多个关键车辆分别对应的第二时刻差；

对确定的多个所述第二时刻差进行聚类，得到聚类后的至少一个第二集合；

基于包含的所述第二时刻差的数量最多的第二集合中的各第二时刻差，确定所述交通路口的红灯信号时长。

一种可能的实施方式中，所述装置还包括第三确定模块，用于根据以下步骤确定所述关键车辆：

基于所述停车基准线的第一位置信息、所述车辆检测信息、以及多个视频帧的采集时间，确定每一车辆经过所述停车基准线的目标时刻；

基于每一车辆对应的所述目标时刻、和每一前一车辆经过所述停车基准线的目标时刻，确定所述每一车辆与前一车辆的过线时刻差；其中，所述每一前一车辆为所述每一车辆之前，经过所述停车基准线的车辆，以及

确定所述每一车辆在所述目标时刻视频帧和前一视频帧中的检测框的第一交并比，其中，所述前一视频帧为与所述目标时刻间隔预设时长的视频帧；

在所述过线时刻差大于设置的第一阈值、且所述第一交并比大于设置的第二阈值的情况下，确定车辆属于关键车辆。

一种可能的实施方式中，所述第二确定模块，在基于所述交通路口的所述交通信号信息和所述车辆检测信息，确定所述交通路口的拥堵状态时，用于：

基于所述交通路口的所述交通信号信息和所述车辆检测信息，确定所述交通路口对应的拥堵参数信息；其中，所述拥堵参数信息包括从绿灯信号开启时刻至红灯信号开启时刻之间的绿灯利用率、从绿灯信号结束时刻起的预设时长内的预设区域的空间占有率、从绿灯信号结束时刻至红灯信号结束时刻之间的预设区域填充时长、和从绿灯信号开启时刻至红灯信号开启时刻之间经过设置的停车基准线的目标车辆数量中的至少一种；

基于所述交通路口对应的所述拥堵参数信息，确定所述交通路口的拥堵状态。

一种可能的实施方式中，在所述拥堵参数信息包括所述绿灯利用率的情况下，所述第二确定模块，在基于所述交通路口的所述交通信号信息和所述车辆检测信息，确定所述交通路口对应的拥堵参数信息时，用于：

基于所述交通路口的所述交通信号信息和所述车辆检测信息，确定从绿灯信号开启时刻至红灯信号开启时刻之间，经过设置的停车基准线的车辆的第三数量；

基于确定的所述第三数量、设置的饱和车头时距、以及从绿灯信号开启时刻至红灯信号开启时刻之间的时长，确定所述绿灯利用率，其中，所述饱和车头时距用于表征相邻车辆经过所述停车基准线的最短时间差。

一种可能的实施方式中，在所述拥堵参数信息包括所述预设区域的空间占有率的情况下，所述第二确定模块，在基于所述交通路口的所述交通信号信息和所述车辆检测信息，确定所述交通路口对应的拥堵参数信息时，用于：

从所述视频帧序列中，提取位于绿灯信号结束时刻起的预设时长内的部分视频帧序列；

基于所述部分视频帧序列的各视频帧中，位于目标检测区域内的车辆的数量，确定所述部分视频帧序列的所述各视频帧的目标检测区域中包含的所述车辆的平均数量；

基于所述平均数量、和所述目标检测区域对应的最大可容纳车辆数量，确定所述预设区域的空间占有率。

一种可能的实施方式中，在所述拥堵参数信息包括所述预设区域填充时长的情况下，所述第二确定模块，在基于所述交通路口的所述交通信号信息和所述车辆检测信息，确定所述交通路口对应的拥堵参数信息时，用于：

基于所述视频帧序列，确定从绿灯信号结束时刻至红灯信号结束时刻之间，所述交通路口对应的目标检测区域内包含的车辆数量达到目标数量的最短时长；

将确定的所述最短时长，确定为所述预设区域填充时长。

一种可能的实施方式中，在所述拥堵参数信息包括所述目标车辆数量的情况下，所述第二确定模块，在基于所述交通路口的所述交通信号信息和所述车辆检测信息，确定所述交通路口对应的拥堵参数信息时，用于：

确定所述交通路口对应的目标检测区域内包含的每个车辆经过设置的停车基准线的时刻；

基于每个车辆经过设置的停车基准线的时刻与前一车辆经过停车基准线的时刻之间的第三时刻差，确定所述第三时刻差连续小于设置的时刻阈值的目标车辆数量。

一种可能的实施方式中，在所述拥堵参数信息包括所述绿灯利用率、所述预设区域的空间占有率、所述预设区域填充时长和所述目标车辆数量的情况下，所述第二确定模块，在所述基于所述交通路口对应的所述拥堵参数信息，确定所述交通路口的拥堵状态时，用于：

在满足以下至少一条件的情况下：所述绿灯利用率大于设置的第一参数阈值、所述预设区域的空间占有率大于设置的第二参数阈值、所述预设区域填充时长小于设置的第三参数阈值，基于所述目标车辆数量、和所述交通路口的所述交通信号信息指示的周期时长，确定最大排队时间；

基于所述最大排队时间，确定所述交通路口的拥堵状态。

一种可能的实施方式中，所述第二确定模块，在基于所述最大排队时间，确定所述交通路口的拥堵状态时，用于：

基于所述最大排队时间，以及所述交通信号信息指示的周期时长，确定表征所述拥堵状态的最大排队指数；

基于所述最大排队指数，确定所述交通路口的交通拥堵等级。

一种可能的实施方式中，所述装置还包括：生成模块，用于：

基于所述交通路口的所述拥堵状态，生成与所述拥堵状态匹配的预警信息，和/或，生成与所述拥堵状态匹配的疏导策略。

第三方面，本公开提供一种电子设备，包括：处理器、存储器和总线，所述存储器存储有所述处理器可执行的机器可读指令，当电子设备运行时，所述处理器与所述存储器之间通过总线通信，所述机器可读指令被所述处理器执行时执行如上述第一方面或任一实施方式所述的交通路口检测方法的步骤。

第四方面，本公开提供一种计算机可读存储介质，该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运行时执行如上述第一方面或任一实施方式所述的交通路口检测方法的步骤。

为使本公开的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。

附图说明

为了更清楚地说明本公开实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，此处的附图被并入说明书中并构成本说明书中的一部分，这些附图示出了符合本公开的实施例，并与说明书一起用于说明本公开的技术方案。应当理解，以下附图仅示出了本公开的某些实施例，因此不应被看作是对范围的限定，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相关的附图。

图1示出了本公开实施例所提供的一种交通路口检测方法的流程示意图；

图2示出了本公开实施例所提供的一种交通路口检测方法中，基于车辆检测信息，确定交通路口的交通信号信息的具体方法的流程示意图；

图3示出了本公开实施例所提供的一种交通路口检测方法中，包括停车基准线的交通路口的示意图；

图4示出了本公开实施例所提供的一种交通路口检测方法中，视频帧的示意图；

图5示出了本公开实施例所提供的一种交通路口检测装置的架构示意图；

图6示出了本公开实施例所提供的一种电子设备的结构示意图。

具体实施方式

为使本公开实施例的目的、技术方案和优点更加清楚，下面将结合本公开实施例中的附图，对本公开实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本公开一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本公开实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本公开的实施例的详细描述并非旨在限制要求保护的本公开的范围，而是仅仅表示本公开的选定实施例。基于本公开的实施例，本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本公开保护的范围。

经研究，可以在交叉口各个进口道上安装线圈，获取交叉口流量和车流饱和度等信息，并基于交叉口流量和车流饱和度等信息，确定车均延误等指标，进而判断交通道路是否拥堵。但是通过安装线圈的方式对交通道路进行检测的方式存在以下几个问题：第一会对路面造成一定的破坏；第二会导致安装成本和运维成本较高；第三线圈的安装位置有限，降低了道路检测的效率。

或者，还可以通过浮动车技术估计最大排队时间等指标，并根据最大排队时间等指标，判断交通道路是否拥堵，但是该方法容易受样本抽样率的影响，使得道路检测的精度和鲁棒性较差。为了缓解上述问题，本公开实施例提供了一种交通路口检测方法、装置、电子设备以及存储介质。

针对以上方案所存在的缺陷，均是发明人在经过实践并仔细研究后得出的结果，因此，上述问题的发现过程以及下文中本公开针对上述问题所提出的解决方案，都应该是发明人在本公开过程中对本公开做出的贡献。

应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。

为便于对本公开实施例进行理解，首先对本公开实施例所公开的一种交通路口检测方法进行详细介绍。本公开实施例所提供的交通路口检测方法的执行主体一般为具有一定计算能力的计算机设备，该计算机设备例如包括：终端设备或服务器或其它处理设备，终端设备可以为用户设备(User Equipment，UE)、移动设备、用户终端、终端、蜂窝电话、无绳电话、个人数字助理(Personal Digital Assistant，PDA)、手持设备、计算设备、车载设备、可穿戴设备等。在一些可能的实现方式中，该交通路口检测方法可以通过处理器调用存储器中存储的计算机可读指令的方式来实现。

参见图1所示，为本公开实施例所提供的交通路口检测方法的流程示意图，该方法包括S101-S104，其中：

S101，获取采集的交通路口的视频帧序列；

S102，对视频帧序列中的视频帧进行车辆检测，得到车辆检测信息；

S103，基于车辆检测信息，确定交通路口的交通信号信息；

S104，基于交通路口的交通信号信息和车辆检测信息，确定交通路口的拥堵状态。

上述方法中，通过对获取的视频帧序列进行车辆检测，确定车辆检测信息，并基于车辆检测信息，实时的确定交通路口的交通信号信息，无需人工获取交通信号信息，提高了交通信号信息的确定效率。进而，可以基于交通路口的交通信号信息和车辆检测信息，确定交通路口的拥堵状态，实现了交通路口拥堵状态的自动确定，拥堵状态的确定效率较高。同时，由于视频帧序列中包含有较准确的车辆信息，故使用视频帧序列，可以较准确的确定交通路口的拥堵状态。

下述针对S101-S104进行具体说明。

针对S101和S102：

这里，可以通过交通路口设置的摄像头采集交通路口对应的道路视频，并从采集的道路视频中获取多帧连续的视频图像(视频帧)，作为视频帧序列，比如，可以每间隔一秒从道路视频中采集一帧视频图像，得到视频帧序列。再可以对视频序列中的视频帧进行车辆检测，得到车辆检测信息。

一种可选实施方式中，S102中，对视频帧序列中的视频帧进行车辆检测，得到车辆检测信息，包括：对视频帧序列中的各个视频帧进行跟踪检测，得到各个视频帧中的检测对象的检测框信息以及检测对象的类别信息；基于检测对象的类别信息，从检测对象的检测框信息中，筛选出车辆的检测框信息；其中，检测框信息包含用于区分不同车辆的标识信息，同一车辆在视频帧序列的不同视频帧中的标识信息相同。该车辆检测信息中包括车辆的检测框信息。

由于检测框信息包含用于区分不同车辆的标识信息，同一车辆在视频帧序列的不同视频帧中的标识信息相同，实现了对同一车辆的追踪，为后续基于车辆检测信息，确定交通信号信息提高了数据支持。以及使用检测对象的类别信息，从检测对象的检测框信息中，筛选出车辆的检测框信息，避免除车辆之外的其他类型的检测对象的检测框信息，对确定交通信号信息产生干扰，可以提高确定的交通信号信息的准确性。

实施时，可以将视频帧序列中的各个视频帧输入至训练后的第一神经网络中，对各个视频帧进行跟踪检测，确定每个视频帧中包括的检测对象的检测框信息、并将不同视频帧中同一检测对象的检测框进行关联(比如，可以为不同视频帧中的同一检测对象设置相同的标识信息)。其中，检测框信息中可以包括检测对象对应的检测框的位置信息、尺寸信息、置信度、标识信息等，比如，检测框的信息可以包括检测框的中心点的位置信息、和检测框的尺寸、检测框的四个顶点的位置信息等。

示例性的，可以基于快速卷积神经网络Faster RCNN对视频帧序列中的各个视频帧进行跟踪检测，比如可以先使用深度卷积网络，对各个视频帧进行特征提取，并基于特征提取得到的特征数据，通过区域提取层Region Proposal Layer提取候选目标区域；再基于得到的候选目标区域，对特征进行感兴趣区域池化ROI Pooling，进行类别分类和坐标回归，得到检测对象的置信度和检测框的位置信息。最后通过极大值抑制算法，将交并比大于阈值的检测框进行合并，得到视频帧中的检测对象的检测框信息。

再可以使用训练的第二神经网络，对视频帧序列中的每个视频帧进行检测，确定视频帧中的检测对象的类别信息。其中，类别信息可以根据需要进行设置，比如，类别信息可以包括机动车、非机动车、行人、动物等；或者，类别信息也可以包括非机动车、行人、小汽车、面包车、小卡车、大卡车、SUV、巴士、其他等。

示例性的，可以将每个视频帧分别输入至第二神经网络中，利用第二神经网络中包括的骨干网络(比如，该骨干网络可以为resnet18)对视频帧进行提取特征，再可以基于特征提取后得到的特征数据，使用两层全连接full-connection网络预测该视频帧中包括的检测对象的检测框的类别信息。

在得到视频帧中的检测对象的检测框信息以及检测对象的类别信息之后，可以基于检测对象的类别信息，从检测对象的检测框信息中，筛选出车辆的检测框信息，将除车辆之外的其他检测对象的检测框信息删除，得到了视频帧序列中包括的车辆检测信息；比如，可以将类别信息为非机动车的检测框信息、行人的检测框信息、其他的检测框信息删除。

其中，筛选后车辆的检测框信息中可以包含用于区分不同车辆的标识信息，且同一车辆在视频帧序列的不同视频帧中的标识信息相同。通过设置标识信息以实现对不同车辆进行区分，实现了对同一车辆的追踪。

其中，标识信息可以为文字信息、颜色信息等，比如，可以为同一车辆设置一个身份标识号(Identity document，ID)，不同车辆对应不同的ID。或者，还可以将同一车辆的检测框的颜色设置为同一颜色，不同车辆对应的检测框的颜色不同。

针对S103：

交通信号灯包括红灯、黄灯、绿灯，可知交通信号信息可以包括交通信号灯对应的周期时长C、绿灯信号时长T_green、红灯信号时长T_red和黄灯信号时长T_yellow。其中，周期时长等于绿灯信号时长、红灯信号时长和黄灯信号时长的时长和。其中，交通路口的黄灯信号时长可以根据交通规定进行确定，比如，交通路口的黄灯信号时长可以为3秒。

一种可选实施方式中，参见图2所示，在S103中，基于车辆检测信息，确定交通路口的交通信号信息，包括：

S201，获取停车基准线在视频帧中的第一位置信息；

S202，基于停车基准线的第一位置信息、车辆检测信息、以及每个视频帧对应的采集时间，确定交通路口的交通信号灯对应的周期时长和红灯信号时长；

S203，基于交通路口的交通信号灯的周期时长和红灯信号时长，确定绿灯信号时长。

这里，可以根据车辆检测信息、第一位置信息、和视频帧的采集时间，确定交通信号灯的周期时长和红灯信号时长，再可以确定绿灯信号时长，实现交通信号信息的自动确定，与使用人工确定交通信号信息的方式相比，提高了交通信号信息的确定效率。

在S201中，实施时，用户可以在视频帧中进行划线操作，得到视频帧中的停车基准线，响应于用户触发的划线操作，获取划线操作对应的停车基准线在视频帧中的第一位置信息，或者，也可以使用检测算法对视频帧进行检测，确定停车基准线在视频帧中的第一位置信息。

由于交通路口设置的摄像头的安装位置和安装角度一般不会发生改变，故停车基准线在各个视频帧中的第一位置信息不会发生改变，因此可以基于视频帧序列的任一视频帧，确定停车基准线在视频帧中的第一位置信息。

参见图3所示的一种交通路口检测方法中，包括停车基准线的交通路口的示意图。该图中包括斑马线32，以及位于斑马线前的停车基准线31。

在S202中，可以分别基于停车基准线的第一位置信息、车辆检测信息、以及每个视频帧对应的采集时间，确定交通路口的交通信号灯对应的周期时长C、和红灯信号时长T_red。在S203中，可以使用周期时长C减去红灯信号时长T_red，将得到的差值减去黄灯信号时长T_yellow，得到绿灯信号时长T_green。

首先对基于停车基准线的第一位置信息、车辆检测信息、以及每个视频帧对应的采集时间，确定交通路口的交通信号灯对应的周期时长的过程进行具体说明。

一种可选实施方式中，在S202中，基于停车基准线的第一位置信息、车辆检测信息、以及每个视频帧对应的采集时间，确定交通路口的交通信号灯对应的周期时长，包括：

步骤A1，基于停车基准线的第一位置信息、车辆检测信息、以及每个视频帧对应的采集时间，确定关键车辆经过停车基准线的时间；关键车辆为在交通路口的绿灯开启时，第一个经过停车基准线的车辆；

步骤A2，基于确定的多个关键车辆分别经过停车基准线的时间，确定交通路口的交通信号灯对应的周期时长。

上述方法中，可以确定关键车辆经过停车基准线的时间，该关键车辆为在交通路口的绿灯开启时，第一个经过停车基准线的车辆；通过基于确定的多个关键车辆分别经过停车基准线的时间，确定交通路口的交通信号灯对应的周期时长，为后续确定交通路口的拥堵状态提供数据支持。

在步骤A1中，可以先确定视频帧序列中包括的关键车辆，再可以基于停车基准线的第一位置信息、车辆检测信息、以及每个视频帧对应的采集时间，确定关键车辆经过停车基准线的时间。其中，关键车辆为在交通路口的绿灯开启时，第一个经过停车基准线的车辆；在交通路口对应的车道数为多个时，关键车辆可以为在交通路口的绿灯开启时，目标车道上第一个经过停车基准线的车辆。该目标车道可以为选择的交通路口上的任一车道。或者，也可以分别将每个车道分别作为目标车道，确定各个目标车道上的关键车辆。

一种可选实施方式中，可以根据以下步骤确定关键车辆：

步骤B1、基于停车基准线的第一位置信息、车辆检测信息、以及多个视频帧的采集时间，确定每一车辆经过停车基准线的目标时刻；

步骤B2、基于每一车辆对应的所述目标时刻、和每一前一车辆经过所述停车基准线的目标时刻，确定所述每一车辆与前一车辆的过线时刻差；其中，所述每一前一车辆为所述每一车辆之前，经过所述停车基准线的车辆；

步骤B3、确定所述每一车辆在所述目标时刻视频帧和前一视频帧中的检测框的第一交并比，其中，所述前一视频帧为与所述目标时刻间隔预设时长的视频帧；

步骤B4、在过线时刻差大于设置的第一阈值、且第一交并比大于设置的第二阈值的情况下，确定车辆属于关键车辆。

在步骤B1中，可以根据停车基准线的第一位置信息、车辆检测信息、以及多个视频帧的采集时间，确定为每一车辆经过停车基准线的目标时刻。

在步骤B2中，针对每个车辆，可以确定在该车辆之前，经过停车基准线的前一车辆。在车道数为多个时，可以确定与每一车辆处于同一车道内、最近一次经过停车基准线的前一车辆对应的目标时刻。再可以基于每一车辆经过停车基准线的目标时刻、和与该车辆对应的前一车辆进过停车基准线的目标时刻，确定每一车辆与前一车辆的过线时刻差。即根据下述公式(1)确定每一车辆对应的过线时刻差：

其中，

为处于车道n(目标车道)上的车辆i的过线时刻差，即车辆i的车头时距；

为车道n上的车辆i对应的经过停车基准线的目标时刻；

为车道n上的前一车辆i-1对应的经过停车基准线的目标时刻。

在步骤B3中，可以确定相隔预设时长的、包含有相同车辆的两帧视频帧，即相隔预设时长的第一视频帧和第二视频帧，比如，预设时长为1秒时，可以确定相隔1秒的第一视频帧和第二视频帧；其中，第一视频帧可以为目标时刻视频帧，第二视频帧可以为目标时刻之前的、与目标时刻间隔预设时长的视频帧。并基于第一视频帧中车辆检测信息指示的车辆一的检测框信息、和第二视频帧中车辆检测信息指示的车辆一的检测框信息，确定车辆一的检测框的第一交并比(Intersection over Union，IOU)。即可以根据下述公式(2)确定第一交并比：

其中，

为车辆i对应的在t时刻的第一交并比，

为车辆i在t-1时刻时对应的检测框的面积，

为车辆i在t时刻时对应的检测框的面积。其中，t时刻与t-1时刻之间间隔了预设时长，可知此处预设时长为1秒。实施时，可以根据车辆i在t-1时刻采集到的视频帧中的检测框信息，确定

以及根据车辆i在t时刻采集到的视频帧中的检测框信息，确定

参见图4所示的一种交通路口检测方法中，视频帧的示意图；图4中包括第一视频帧中车辆对应的第一检测框41、和第二视频帧中车辆对应的第二检测框42，确定第一检测框41和第二检测框42的面积交集和面积并集的比值。

在步骤B4中，在过线时刻差大于设置的第一阈值，且第一交并比大于设置的第二阈值时，确定当前车辆属于关键车辆；在过线时刻差小于或等于设置的第一阈值，或者第一交并比小于或等于设置的第二阈值时，确定当前车辆不属于关键车辆。其中，第一阈值的设置与红灯信号时长相关，比如，该第一阈值可以为小于红灯信号时长的任一值。具体的，第一阈值和第二阈值可以根据实际需要进行设置，比如，第一阈值可以为30秒，第二阈值可以为0.5。

在现实场景中，在过线时刻差较大时，第一种情况，可能是在第一车辆经过停车基准线之后，第二车辆遇到了红灯，无法短时间段通过停车基准线，造成的第一车辆和第二车辆之间的过线时刻差较大；第二种情况，可能是第一车辆与第二车辆之间的行车距离较远，使得第一车辆与第二车辆之间的过线时刻差较大；故为了筛掉第二种情况、较准确的确定关键车辆，可以判断车辆对应的第一交并比。在过线时刻差大于设置的第一阈值时，若第一交并比较大，则确定车辆的移动较为缓慢，该车辆可能属于第一种情况，即该车辆属于关键车辆；在第一交并比较小时，则确定车辆的移动较为快速，则该车辆可能属于第二种情况，此时该车辆不属于关键车辆。

在车辆i属于关键车辆时，可以将t-1时刻确定为车辆i的停车时刻t_stop_i；以及当检测到关键车辆i对应的第一交并比由大于第二阈值，变为小于或等于设置的第二阈值时，即当

时，说明关键车辆从停车基准线处启动，可以将t′时刻确定为关键车辆i的启动时刻t_start_i；进而可以得到各个关键车辆对应的停车时刻和启动时刻。其中，交通信号信息中还可以包括绿灯启亮时刻，可以将多个关键车辆中的任一关键车辆对应的启动时刻，确定为绿灯启亮时刻T_{green_begin}。

本公开实施方式中，确定的关键车辆为绿灯开启后，第一个经过停车基准线的车辆，可知该关键车辆存在以下特征：关键车辆与前一车辆经过停车基准线的时刻相差会较大，以及关键车辆在间隔预设时长的两个视频帧中的第一交并比会较大。因此，可以在过线时刻差大于设置的第一阈值、且第一交并比大于设置的第二阈值时，较准确的确定关键车辆。

在步骤A2中，可以基于确定的多个关键车辆分别经过停车基准线的时间，确定交通路口的交通信号灯对应的周期时长。比如，可以将同一车道上的多个关键车辆按照经过停车基准线的时间从早到晚进行排序，针对同一车道上的关键车辆，在关键车辆的数量为两个时，可以计算前一关键车辆与下一关键车辆分别经过停车基准线的时间之间的第一差值，将各个车道分别对应的第一差值的平均值，确定为交通路口的交通信号灯对应的周期时长C。

或者，针对同一车道上的关键车辆，在关键车辆的数量大于两个时，可以分别计算前一关键车辆与下一关键车辆分别经过停车基准线的时间之间的第一差值，将得到的多个第一差值求平均，即得到了每个车道对应的第一差值平均值；并将各个车道分别对应的第一差值平均值再求平均，将得到的第一差值平均值对应的平均值确定为交通路口的交通信号灯对应的周期时长。比如，在关键车辆的数量为n时，则可以得到n-1个差值，将n-1个差值求平均，得到交通路口的交通信号灯对应的周期时长。

一种可选实施方式中，在步骤A2中，基于确定的多个关键车辆分别经过停车基准线的时间，确定交通路口的交通信号灯对应的周期时长，包括：

步骤C1，确定相邻次绿灯的每两个关键车辆，经过停车基准线的第一时刻差；

步骤C2，对确定的多个第一时刻差进行聚类，得到聚类后的至少一个第一集合；

步骤C3，基于聚类后的第一集合中的第一时刻差，确定交通路口的交通信号灯对应的周期时长。

上述方法中，由于相邻次绿灯的每两个关键车辆，经过停车基准线的第一时刻差可能存在误差，为了提高周期时长的准确率，可以对确定的多个第一时刻差进行聚类，得到聚类后的至少一个第一集合，基于聚类后的第一集合中的各第一时刻差，确定交通路口的交通信号灯对应的周期时长。在本实施方式中，以包含的第一时刻差的数量最多的第一集合中的各第一时刻差，确定交通路口的交通信号灯对应的周期时长。

在步骤C1中，针对同一车道，可以基于多个关键车辆分别经过停车基准线的时间，将多个关键车辆从早到晚排序，比如，关键车辆一对应的经过停车基准线的时间为10:10:10，关键车辆二对应的经过停车基准线的时间为10:10:30，关键车辆三对应的经过停车基准线的时间为10:10:52，则关键车辆的排序为关键车辆一、关键车辆二、关键车辆三，并将关键车辆一和关键车辆二确定为相邻次绿灯开启时对应的两个关键车辆；将关键车辆二和关键车辆三确定为相邻次绿灯开启时对应的两个关键车辆。再可以计算关键车辆一和关键车辆二之间的第一时刻差，和关键车辆二与关键车辆三之间的第一时刻差。

在步骤C2中，可以对步骤C1中得到的多个第一时刻差进行聚类，得到聚类后的至少一个第一集合，每个第一集合中包括至少一个第一时刻差。其中，对第一时刻进行聚类的聚类算法可以为任一密度聚类算法，比如，可以使用密度聚类法DBSCAN，对多个第一时刻差进行聚类。

在步骤C3中，实施时，可以从至少一个第一集合中，确定包含的第一时刻差的数量最大的第一集合；并基于包含的第一时刻差的数量最大的第一集合中的各个第一时刻差，确定交通路口的交通信号灯对应的周期时长。比如，可以将包含的第一时刻差的数量最大的第一集合中的各个第一时刻差求平均，将得到的各个第一时刻差对应的平均值确定为交通路口的交通信号灯对应的周期时长。

一种可选实施方式中，在步骤C3中，基于聚类后的第一集合中的第一时刻差，确定交通路口的交通信号灯对应的周期时长，包括：

步骤D1，获取本次聚类的第一轮廓系数；其中，第一轮廓系数用于表征聚类结果的可信程度；

步骤D2，在第一轮廓系数大于设置的第一系数阈值的情况下，确定包含的第一时刻差的数量最多的第一集合；基于包含的第一时刻差的数量最多的第一集合中的各第一时刻差，确定交通路口的交通信号灯对应的周期时长。

步骤D3，在第一轮廓系数小于或等于设置的第一系数阈值的情况下，按照多个关键车辆经过停车基准线的时间顺序，删除第一数量的关键车辆；重新确定第二数量的关键车辆经过停车基准线的时间；基于多个关键车辆中剩余关键车辆经过停车基准线的时间，以及在多个关键车辆之后、重新确定的第二数量的关键车辆经过停车基准线的时间，确定交通路口的交通信号灯对应的周期时长。

这里，可以获取本次聚类的第一轮廓系数，在第一轮廓系数大于设置的第一系数阈值时，执行步骤D2；在第一轮廓系数小于或等于设置的第一系数阈值时，执行步骤D3。其中，第一轮廓系数可以为聚类算法输出的判断聚类效果好坏的指标，在第一轮廓系数较大时，则本次聚类的聚类效果较好，即本次聚类结果的可信程度较高；反之，在第一轮廓系数较小时，则本次聚类的聚类效果较差，即本次聚类结果的可信程度较低。

在步骤D2中，在第一轮廓系数大于设置的第一系数阈值时，可以确定包含的第一时刻差的数量最多的第一集合，将包含的第一时刻差的数量最多的第一集合中的各第一时刻差求平均、并将平均值取整，将取整后的平均值，确定为交通路口的交通信号灯对应的周期时长。

在步骤D3中，实施时，第一数量小于多个关键车辆的数量，第一数量和第二数量的值可以相同也可以不同。其中，第一数量和第二数量的值可以根据需要进行设置；或者，也可以基于多个关键车辆的数量、和设置的比值，确定第一数量和第二数量，比如，第一数量可以为多个关键车辆的数量的三分之一；第二数量可以为多个关键车辆的数量的二分之一。

示例性的，若多个关键车辆的数量为20个，第一数量为10个，第二数量为15个，在第一轮廓系数小于或等于设置的第一系数阈值时，可以按照多个关键车辆经过停车基准线的从早到晚的时间顺序，从20个关键车辆中筛掉10个关键车辆；再重新确定第二数量的关键车辆经过停车基准线的时间；并基于多个关键车辆中剩余关键车辆经过停车基准线的时间，以及在多个关键车辆之后、15个新的关键车辆经过停车基准线的时间，确定交通路口的交通信号灯对应的周期时长。即基于25个关键车辆经过停车基准线的时间，确定交通路口的交通信号灯对应的周期时长。

具体的，基于25个关键车辆经过停车基准线的时间，确定交通路口的交通信号灯对应的周期时长的过程，可以参考步骤C1至步骤C3的过程，此处不再进行详细说明。

考虑到第一轮廓系数可以用于表征聚类结果的可信程度，在第一轮廓系数大于设置的第一系数阈值时，表征本次聚类结果的可信程度较高，故可以基于包含的第一时刻差的数量最多的第一集合中的各第一时刻差，较准确的确定交通路口的交通信号灯对应的周期时长。

而在第一轮廓系数小于或等于设置的第一系数阈值时，表征本次聚类结果的可信程度较低，故需要重新确定第二数量的关键车辆经过停车基准线的时间，并基于多个关键车辆中剩余关键车辆经过停车基准线的时间，以及在多个关键车辆之后、重新确定的第二数量的关键车辆经过停车基准线的时间，较准确的确定交通路口的交通信号灯对应的周期时长。

其次对基于停车基准线的第一位置信息、车辆检测信息、以及每个视频帧对应的采集时间，确定交通路口的红灯信号时长的过程进行具体说明。

一种可选实施方式中，在S202中，基于停车基准线的第一位置信息、车辆检测信息、以及每个视频帧对应的采集时间，确定交通路口的红灯信号时长，包括：

步骤E1，基于停车基准线的第一位置信息、车辆检测信息、以及每个视频帧对应的采集时间，确定关键车辆的停车时刻和启动时刻；关键车辆为在交通路口的绿灯开启时，第一个经过停车基准线的车辆，停车时刻为关键车辆停止在停车基准线位置处的时刻，启动时刻为关键车辆在停车基准线位置处启动的时刻；

步骤E2，基于确定的多个关键车辆的停车时刻和启动时刻，确定多个关键车辆分别对应的第二时刻差；

步骤E3，对确定的多个第二时刻差进行聚类，得到聚类后的至少一个第二集合；

步骤E4，基于聚类后的第二集合中的各第二时刻差，确定交通路口的红灯信号时长。

为了较准确的确定交通路口的红灯信号时长，可以对确定的多个第二时刻差进行聚类，得到聚类后的至少一个第二集合；基于聚类后的第二集合中的各第二时刻差，确定交通路口的红灯信号时长。

可以基于停车基准线的第一位置信息、车辆检测信息、以及每个视频帧对应的采集时间，确定视频帧序列中包括的关键车辆、以及每个关键车辆对应的停车时刻t_stop_i和启动时刻t_start_i。停车时刻为关键车辆停止在停车基准线位置处的时刻，启动时刻为关键车辆在停车基准线位置处启动的时刻。其中，关键车辆、以及关键车辆对应的停车时刻t_stop_i和启动时刻t_start_i的确定过程可以参考上述描述。

在关键车辆为一个时，可以将计算得到的该关键车辆的启动时刻t_start_i与停车时刻t_stop_i之间的第二差值，确定为交通路口的红灯信号时长。

或者，在关键车辆为多个时，可以计算每个关键车辆的启动时刻t_start_i与停车时刻t_stop_i之间的第二差值，将各个关键车辆对应的启动时刻t_start_i与停车时刻t_stop_i之间的第二差值求平均，并将得到的第二差值平均值，确定为交通路口的红灯信号时长。

再或者，还可以计算多个关键车辆中每个关键车辆的启动时刻与停车时刻之间的第二时刻差。使用聚类算法对多个第二时刻差进行聚类，得到聚类后的至少一个第二集合，每个第二集合中包括至少一个第二时刻差。其中，对第二时刻进行聚类的聚类算法可以为任一密度聚类算法，比如，可以为密度聚类法DBSCAN。

接着，可以从聚类后得到的多个第二集合中，随机选择一个第二集合，确定选择的第二集合中的各个第二时刻差的平均值，将该平均值，确定为交通路口的红灯信号时长。

优选的，可以从至少一个第二集合中，确定包含的第二时刻差的数量最大的第二集合；并基于包含的第二时刻差的数量最大的第二集合中的各个第二时刻差，确定交通路口的红灯信号时长。比如，可以将包含的第二时刻差的数量最大的第二集合中的各个第二时刻差求平均，将得到的各个第二时刻差对应的平均值确定为交通路口的红灯信号时长。

示例性的，还可以包括：步骤a1：获取针对第二时刻差的、本次聚类的第二轮廓系数；其中，第二轮廓系数用于表征聚类结果的可信程度；步骤a2，在第二轮廓系数大于设置的第二系数阈值的情况下，基于包含的第二时刻差的数量最多的第二集合中的各第二时刻差，确定交通路口的红灯信号时长。

步骤a3，在第二轮廓系数小于或等于设置的第二系数阈值的情况下，按照多个关键车辆经过停车基准线的从早到晚的时间顺序，从多个关键车辆中筛掉第四数量的关键车辆，并重新确定第五数量的关键车辆对应的停车时刻和启动时刻；基于多个关键车辆中剩余关键车辆、以及在多个关键车辆之后、重新确定的第五数量的关键车辆中，每个关键车辆对应的停车时刻和启动时刻，确定交通路口的交通信号灯对应的红灯信号时长。

上述步骤a1、步骤a2、步骤a3的具体过程，可以参考步骤D1-D3的过程，此处不再进行具体说明。

针对S104：

这里，交通路口的拥堵状态可以包括畅通、轻度拥堵、中度拥堵、严重拥堵等；或者，交通路口的拥堵状态可以包括畅通、第一级拥堵、第二级拥堵、第三级拥堵等。具体的，拥堵状态可以根据需要进行设置。

一种可选实施方式中，S104中，基于交通路口的交通信号信息和车辆检测信息，确定交通路口的拥堵状态，可以包括：

S1041，基于交通路口的交通信号信息和车辆检测信息，确定交通路口对应的拥堵参数信息；其中，拥堵参数信息包括从绿灯信号开启时刻至红灯信号开启时刻之间的绿灯利用率、从绿灯信号结束时刻起的预设时长内的预设区域的空间占有率、和从绿灯信号结束时刻至红灯信号结束时刻之间的预设区域填充时长、和从绿灯信号开启时刻至红灯信号开启时刻之间经过设置的停车基准线的目标车辆数量中的至少一种；

S1042，基于交通路口对应的拥堵参数信息，确定交通路口的拥堵状态。

这里，设置至少一种拥堵参数信息，通过设置的至少一种拥堵参数信息，可以较灵活、较准确的确定交通路口的拥堵状态。

一种可选实施方式中，在拥堵参数信息包括绿灯利用率的情况下，S1041中，基于交通路口的交通信号信息、和车辆检测信息，确定交通路口对应的拥堵参数信息，可以包括：

步骤一、基于交通路口的交通信号信息和车辆检测信息，确定从绿灯信号开启时刻至红灯信号开启时刻之间，经过设置的停车基准线的车辆的第三数量；

步骤二、基于确定的第三数量、设置的饱和车头时距、以及从绿灯信号开启时刻至红灯信号开启时刻之间的时长，确定绿灯利用率，其中，饱和车头时距用于表征相邻车辆经过停车基准线的最短时间差。

示例性的，可以基于交通路口的交通信号信息和车辆检测信息，确定从绿灯信号开启时刻(即绿灯启亮时刻)至红灯信号开启时刻之间，经过设置的停车基准线的车辆的第三数量。即可以确定[T_{green_begin}，T_{green_begin}+T_green+T_yellow]之间，经过设置的停车基准线的车辆的第三数量。其中，T_{green_begin}为绿灯信号开启时刻，T_{green_begin}+T_green+T_yellow为红灯信号开启时刻。比如，若绿灯信号开启时刻T_{green_begin}为12:00:00，周期时长C为53秒，红灯信号时长T_red为20秒，绿灯信号时长T_green为30秒，黄灯信号时长T_yellow为3秒，则红灯信号开启时刻12：00：33，则可以确定12：00：00至12：00：33之间，经过设置的停车基准线的车辆的第三数量。

再可以根据下述公式(3)，确定绿灯利用率Green_use：

其中，Num_green为确定的第三数量；headway_saturation为饱和车头时距，其中，饱和车头时距的值可以根据多个车辆经过停车基准线的时间差确定得到，比如，饱和车头时距可以为2秒；T_{green_end}-T_{green_begin}的值为绿灯信号时长加黄灯信号时长的和。

进而，可以基于绿灯利用率，确定交通路口的拥堵状态，比如，可以设置利用率阈值，在确定的绿灯利用率大于设置的利用率阈值，确定交通路口拥堵；在确定的绿灯利用率小于或等于设置的利用率阈值，确定交通路口畅通。

这里，可以利用第三数量，确定绿灯利用率，比如绿灯利用率可以为绿灯开启后通过交通路口的车辆数量与能够通过的最大车辆数量之间的比值；为后续确定交通路口的拥堵状态提供数据支持。

一种可选实施方式中，在拥堵参数信息包括预设区域的空间占有率的情况下，S1041中，基于交通路口的交通信号信息和车辆检测信息，确定交通路口对应的拥堵参数信息，可以包括：

步骤一、从视频帧序列中，提取位于绿灯信号结束时刻起的预设时长内的部分视频帧序列；

步骤二、基于部分视频帧序列的各视频帧中，位于目标检测区域内的车辆的数量，确定部分视频帧序列的各视频帧的目标检测区域中包含的车辆的平均数量；

步骤三、基于平均数量、和目标检测区域对应的最大可容纳车辆数量，确定预设区域的空间占有率。

预设时长可以根据需要进行设置，比如，预设时长可以为3秒，则可以从视频帧序列中，提取位于绿灯信号结束时刻起的预设时长内的部分视频帧序列；即确定[T_{green_begin}+T_green，T_{green_begin}+T_green+3]之间的部分视频帧序列。比如，若绿灯信号结束时刻为12:00:30，预设时长可以为3秒，则可以从视频帧序列中，提取采集时间位于12:00:30-12:00:33之间的部分视频帧序列。

确定部分视频帧序列中各视频帧中位于目标检测区域内的车辆的数量。将部分视频帧序列中各个视频帧中，位于目标检测区域内的车辆的数量求平均，得到了各视频帧的目标检测区域中包含的车辆的平均数量。其中，目标检测区域即为预设区域。

其中，目标检测区域可以为设置的任一感兴趣区域(region of interest，ROI)。比如，可以响应于区域确定操作，确定目标检测区域在视频帧中的第二位置信息。再可以基于目标感兴趣区域的第二位置信息，确定部分视频帧序列中各视频帧中位于目标检测区域内的车辆的数量。

可以根据下述公式(4)确定预设区域的空间占有率Space_use：

其中，

为确定的部分视频帧序列的各视频帧的目标检测区域中包含的车辆的平均数量；ROI_max为目标检测区域对应的最大可容纳车辆数量；ROI_max可以根据确定的目标检测区域进行确定。

进而，可以基于预设区域的空间占有率，确定交通路口的拥堵状态，比如，可以设置占有率阈值，在确定的预设区域的空间占有率大于设置的占有率阈值，确定交通路口拥堵；在确定的预设区域的空间占有率小于或等于设置的占有率阈值，确定交通路口畅通。

这里，可以确定预设区域的空间占有率，通过确定的预设区域的空间占有率，为后续确定交通路口的拥堵状态提供数据支持。

一种可选实施方式中，在拥堵参数信息包括预设区域填充时长的情况下，基于交通路口的交通信号信息和车辆检测信息，确定交通路口对应的拥堵参数信息，包括：

步骤一、基于视频帧序列，确定从绿灯信号结束时刻至红灯信号结束时刻之间，交通路口对应的目标检测区域内包含的车辆数量达到目标数量的最短时长；

步骤二、将确定的最短时长，确定为预设区域填充时长。

这里，绿灯信号结束时刻至红灯信号结束时刻，可以为[T_{green_begin}+T_green，T_{green_begin}+T_green+T_yellow+T_red]。即可以基于视频帧序列，确定[T_{green_begin}+T_green，T_{green_begin}+T_green+T_yellow+T_red]之间，交通路口对应的目标检测区域内包含的车辆数量达到目标数量的最短时长。其中，目标数量可以根据需要进行设置，比如，目标数量可以为目标检测区域对应的最大可停放车辆数量。

示例性的，可以确定T_{green_begin}+T_green之后，T_{green_begin}+T_green+T_yellow+T_red之前，交通路口对应的目标检测区域内包含的车辆数量达到目标数量的填充时刻，将该填充时刻与T_{green_begin}+T_green相减，得到最短时长。即确定目标检测区域内包含目标数量的车辆的预设区域填充时长t_{roi_fill}。

若在[T_{green_begin}+T_green，T_{green_begin}+T_green+T_yellow+T_red]之间，交通路口对应的目标检测区域内包含的车辆数量一直未达到目标数量，则可以将红灯信号时长T_red，确定为预设区域填充时长。

进而，可以基于预设区域填充时长，确定交通路口的拥堵状态，比如，可以设置填充时长阈值，在确定的预设区域填充时长小于设置的填充时长阈值，确定交通路口拥堵；在确定的预设区域填充时长大于或等于设置的填充时长阈值，确定交通路口畅通。

这里，可以确定预设区域填充时长，通过确定的预设区域填充时长，为后续确定交通路口的拥堵状态提供数据支持。

一种可选实施方式中，在拥堵参数信息包括目标车辆数量的情况下，基于交通路口的交通信号信息和车辆检测信息，确定交通路口对应的拥堵参数信息，包括：

步骤一，确定交通路口对应的目标检测区域内包含的每个车辆经过设置的停车基准线的时刻；

步骤二，基于每个车辆经过设置的停车基准线的时刻与前一车辆经过设置的停车基准线的时刻之间的第三时刻差，确定第三时刻差连续小于设置的时刻阈值的目标车辆数量。

确定交通路口对应的目标检测区域内包含的每个车辆经过设置的停车基准线的时刻；并基于每个车辆经过设置的停车基准线的时刻与前一车辆经过设置的停车基准线的时刻之间的第三时刻差，该第三时刻差为当前车辆与前一车辆之间的车头时距，进而基于各个第三时刻差，确定第三时刻差连续小于设置的时刻阈值的目标车辆数量Num_gueue。其中，时刻阈值与饱和车头时距相关，比如，可以将饱和车头时距的1.2倍，确定为时刻阈值。

比如，若连续M个目标车辆与前一车辆之间的第三时刻差均小于设置的时刻阈值，则确定目标车辆数量为M。其中，该目标车辆数量可以表征从绿灯信号开启时刻至红灯信号开启时刻之间，属于同一车队的目标车辆的车辆数，同一车队内的车辆为车辆i与前一车辆i-1之间的车头时距小于设置的时刻阈值的车辆。

进而，可以基于目标车辆数量，确定交通路口的拥堵状态，比如，可以设置数量阈值，在确定的目标车辆数量小于设置的数量阈值、且不为零时，确定交通路口拥堵；在确定的目标车辆数量大于或等于设置的数量阈值，确定交通路口畅通。在目标车辆数量为0时，表征任意相邻两车辆对应的第三时刻差大于或等于设置时刻阈值，则相邻两车辆之间的距离较远，该路段上车辆较少，交通路口较为通畅。

这里，可以确定目标车辆数量，通过确定的目标车辆数量，为后续确定交通路口的拥堵状态提供数据支持。

一种可选实施方式中，在拥堵参数信息包括绿灯利用率、预设区域的空间占有率、预设区域填充时长和目标车辆数量时，可以在满足：绿灯利用率大于设置的第一参数阈值、预设区域的空间占有率大于设置的第二参数阈值、预设区域填充时长小于设置的第三参数阈值中的至少一个条件时，基于目标车辆数量、和交通路口的交通信号信息指示的周期时长，确定最大排队时间；基于最大排队时间，确定交通路口的拥堵状态。

优选的，可以在绿灯利用率大于设置的第一参数阈值、预设区域的空间占有率大于设置的第二参数阈值、以及预设区域填充时长小于设置的第三参数阈值时，基于目标车辆数量、和交通路口的交通信号信息指示的周期时长，确定最大排队时间；基于最大排队时间，确定交通路口的拥堵状态。

优选的，在拥堵参数信息包括预设区域填充时长t_{roi_fill}、预设区域的空间占有率Space_use、和绿灯利用率Green_use时，可以设置绿灯利用率对应的第一参数阈值K₁，预设区域的空间占有率对应的第二参数阈值K₂，以及预设区域填充时长对应的第三参数阈值K₃，在Green_use＞K₁、Space_use＞K₂、且t_{roi_fill}＜K₃时，确定最大排队时间，并基于最大排队时间，确定交通路口的拥堵状态。

在Green_use＜K₁、Space_use＜K₂、t_{roi_fill}＞K₃时，无需确定最大排队时间，或者可以确定交通路口畅通。

其中，第三参数阈值与目标数量N_m相关，比如，可以根据下述公式(5)确定第三参数阈值K₃：

K₃＝a₁×Nm×headway_saturation+T_s； (5)

其中，a₁为设置的第一放大系数，比如a₁可以为1.2，headway_saturation为设置的饱和车头时距；T_s为设置的安全阈值，比如，该T_s可以为3秒。

可以根据下述公式(6)确定最大排队时间T_queue：

T_queue＝c+a₂×headway_saturation×Num_queue； (6)

其中，headway_saturation为饱和车头时距；Num_queue为目标车辆数量；其中，a₂为设置的第二方法系数，比如a₂可以为1.2。

进而可以基于最大排队时间、以及设置的拥堵状态中包括的每个拥堵等级对应的排队时间范围，确定交通路口的拥堵状态。比如，若交通路口的拥堵状态包括畅通、轻度拥堵、中度拥堵、严重拥堵，畅通对应的排队时间范围为[0，40秒)；轻度拥堵对应的排队时间范围为[40秒，75秒)；中度拥堵对应的排队时间范围为[75秒，105秒)，严重拥堵对应的排队时间范围为105秒以上，包括105秒；则在确定的最大排队时间为50秒时，确定交通路口的拥堵状态为轻度拥堵；若在确定的最大排队时间为120秒时，则确定交通路口的拥堵状态为严重拥堵。

这里，可以确定最大排队时间，通过最大排队时间，较准确的确定交通路口的拥堵状态，比如最大排队时间较大时，交通路口较为拥堵。

一种可选实施方式中，基于最大排队时间，确定交通路口的拥堵状态，可以包括：基于最大排队时间，以及交通信号信息指示的周期时长，确定表征拥堵状态的最大排队指数；基于最大排队指数，确定交通路口的交通拥堵等级。

可以根据下述公式(7)确定最大排队指数QTI_max：

其中，C为周期时长，T_queue为最大排队时间。

接着，可以基于最大排队指数、以及设置的拥堵状态中包括的每个交通拥堵等级对应的排队指数范围，确定交通路口的交通拥堵等级。比如，若交通路口的交通拥堵等级包括拥堵等级IV(畅通)、拥堵等级III(轻度拥堵)、拥堵等级II(中度拥堵)、拥堵等级I(严重拥堵)，拥堵等级IV对应的排队指数范围为[0，0.8)；拥堵等级III对应的排队指数范围为[0.8，1.5)；拥堵等级II对应的排队指数范围为[1.5，2.1)，拥堵等级I对应的排队指数范围为2.1以上，包括2.1。比如，若确定的最大排队指数为2，确定交通路口的拥堵状态为中度拥堵，交通拥堵等级为拥堵等级II。

这里，可以确定最大排队指数，不同的最大排队指数对应不同的交通拥堵等级，通过该最大排队指数，能够较准确的确定交通路口的交通拥堵等级。

一种可选实施方式中，该方法还包括：基于交通路口的拥堵状态，生成与拥堵状态匹配的预警信息，和/或，生成与拥堵状态匹配的疏导策略。

其中，预警信息可以为文字信息、语音信息、图像信息、颜色信息等，不同的拥堵状态可以对应不同的预警信息。比如，若交通路口的拥堵状态为严重拥堵时，生成的预警信息可以“注意，xx路段发生严重拥堵”。

疏导策略可以根据拥堵状态进行灵活设置。比如，在拥堵状态为严重拥堵时，生成的拥堵策略可以包括控制疏导人员在现场对车辆进行疏导，或者，控制其他车辆避免行驶拥堵路段等。在拥堵状态为轻度拥堵时，可以为在拥堵路段上的车辆发送拥堵提示。

上述方法中，可以基于交通路口的所述拥堵状态，生成与拥堵状态匹配的预警信息，和/或，生成与拥堵状态匹配的疏导策略，以便使用预警信息对其他车辆进行预警，或者，以便使用生成的疏导策略，对拥堵路段进行疏导，保障交通道路的通行效率。

本领域技术人员可以理解，在具体实施方式的上述方法中，各步骤的撰写顺序并不意味着严格的执行顺序而对实施过程构成任何限定，各步骤的具体执行顺序应当以其功能和可能的内在逻辑确定。

基于相同的构思，本公开实施例还提供了一种交通路口检测装置，参见图5所示，为本公开实施例提供的交通路口检测装置的架构示意图，包括获取模块501、检测模块502、第一确定模块503、第二确定模块504，具体的：

获取模块501，用于获取采集的交通路口的视频帧序列；

检测模块502，用于对所述视频帧序列中的视频帧进行车辆检测，得到车辆检测信息；

第一确定模块503，用于基于所述车辆检测信息，确定所述交通路口的交通信号信息；

第二确定模块504，用于基于所述交通路口的交通信号信息和所述车辆检测信息，确定所述交通路口的拥堵状态。

一种可能的实施方式中，所述检测模块502，在对所述视频帧序列中的视频帧进行车辆检测，得到车辆检测信息时，用于：

对所述视频帧序列中的各个视频帧进行跟踪检测，得到各个视频帧中的检测对象的检测框信息以及检测对象的类别信息；

基于所述检测对象的类别信息，从所述检测对象的检测框信息中，筛选出车辆的检测框信息；其中，所述检测框信息包含用于区分不同车辆的标识信息，同一车辆在所述视频帧序列的不同视频帧中的标识信息相同。

一种可能的实施方式中，所述第一确定模块503，在基于所述车辆检测信息，确定所述交通路口的交通信号信息时，用于：

获取停车基准线在所述视频帧中的第一位置信息；

基于所述停车基准线的第一位置信息、所述车辆检测信息、以及每个所述视频帧对应的采集时间，确定所述交通路口的交通信号灯对应的周期时长和红灯信号时长；

基于所述交通路口的交通信号灯的周期时长和所述红灯信号时长，确定绿灯信号时长。

一种可能的实施方式中，所述第一确定模块503，在基于所述停车基准线的第一位置信息、所述车辆检测信息、以及每个所述视频帧对应的采集时间，确定所述交通路口的交通信号灯对应的周期时长时，用于：

基于所述停车基准线的第一位置信息、所述车辆检测信息、以及每个所述视频帧对应的采集时间，确定关键车辆经过所述停车基准线的时间；所述关键车辆为在所述交通路口的绿灯开启时，第一个经过所述停车基准线的车辆；

基于确定的多个关键车辆分别经过所述停车基准线的时间，确定所述交通路口的交通信号灯对应的周期时长。

一种可能的实施方式中，所述第一确定模块503，在基于确定的多个关键车辆分别经过所述停车基准线的时间，确定所述交通路口的交通信号灯对应的周期时长时，用于：

确定相邻次绿灯的每两个关键车辆，经过停车基准线的第一时刻差；

对确定的多个所述第一时刻差进行聚类，得到聚类后的至少一个第一集合；

基于聚类后的所述第一集合中的第一时刻差，确定所述交通路口的交通信号灯对应的周期时长。

一种可能的实施方式中，所述第一确定模块503，在基于聚类后的所述第一集合中的第一时刻差，确定所述交通路口的交通信号灯对应的周期时长时，用于：

获取本次聚类的第一轮廓系数；其中，所述第一轮廓系数用于表征聚类结果的可信程度；

在所述第一轮廓系数大于设置的第一系数阈值的情况下，确定包含的所述第一时刻差的数量最多的第一集合；

基于包含的所述第一时刻差的数量最多的第一集合中的各第一时刻差，确定所述交通路口的交通信号灯对应的周期时长。

一种可能的实施方式中，所述第一确定模块503，还包括：

在所述第一轮廓系数小于或等于设置的第一系数阈值的情况下，按照所述多个关键车辆经过所述停车基准线的时间顺序，删除第一数量的关键车辆；

重新确定第二数量的关键车辆经过所述停车基准线的时间；

基于所述多个关键车辆中剩余关键车辆经过所述停车基准线的时间，以及在所述多个关键车辆之后、重新确定的所述第二数量的关键车辆经过所述停车基准线的时间，确定所述交通路口的交通信号灯对应的周期时长。

一种可能的实施方式中，所述第一确定模块503，在基于所述停车基准线的第一位置信息、所述车辆检测信息、以及每个所述视频帧对应的采集时间，确定所述交通路口的红灯信号时长时，用于：

基于所述停车基准线的第一位置信息、所述车辆检测信息、以及每个所述视频帧对应的采集时间，确定关键车辆的停车时刻和启动时刻；所述关键车辆为在所述交通路口的绿灯开启时，第一个经过所述停车基准线的车辆，所述停车时刻为所述关键车辆停止在所述停车基准线位置处的时刻，所述启动时刻为所述关键车辆在所述停车基准线位置处启动的时刻；

基于确定的多个关键车辆的停车时刻和启动时刻，确定所述多个关键车辆分别对应的第二时刻差；

对确定的多个所述第二时刻差进行聚类，得到聚类后的至少一个第二集合；

基于包含的所述第二时刻差的数量最多的第二集合中的各第二时刻差，确定所述交通路口的红灯信号时长。

一种可能的实施方式中，所述装置还包括第三确定模块505，用于根据以下步骤确定所述关键车辆：

基于所述停车基准线的第一位置信息、所述车辆检测信息、以及多个视频帧的采集时间，确定每一车辆经过所述停车基准线的目标时刻；

基于每一车辆对应的所述目标时刻、和每一前一车辆经过所述停车基准线的目标时刻，确定所述每一车辆与前一车辆的过线时刻差；其中，所述每一前一车辆为所述每一车辆之前，经过所述停车基准线的车辆，以及

确定所述每一车辆在所述目标时刻视频帧和前一视频帧中的检测框的第一交并比，其中，前一视频帧为与所述目标时刻间隔预设时长的视频帧；

在所述过线时刻差大于设置的第一阈值、且所述第一交并比大于设置的第二阈值的情况下，确定车辆属于关键车辆。

一种可能的实施方式中，所述第二确定模块504，在基于所述交通路口的所述交通信号信息和所述车辆检测信息，确定所述交通路口的拥堵状态时，用于：

基于所述交通路口的所述交通信号信息和所述车辆检测信息，确定所述交通路口对应的拥堵参数信息；其中，所述拥堵参数信息包括从绿灯信号开启时刻至红灯信号开启时刻之间的绿灯利用率、从绿灯信号结束时刻起的预设时长内的预设区域的空间占有率、从绿灯信号结束时刻至红灯信号结束时刻之间的预设区域填充时长、和从绿灯信号开启时刻至红灯信号开启时刻之间经过设置的停车基准线的目标车辆数量中的至少一种；

基于所述交通路口对应的所述拥堵参数信息，确定所述交通路口的拥堵状态。

一种可能的实施方式中，在所述拥堵参数信息包括所述绿灯利用率的情况下，所述第二确定模块504，在基于所述交通路口的所述交通信号信息和所述车辆检测信息，确定所述交通路口对应的拥堵参数信息时，用于：

基于所述交通路口的所述交通信号信息和所述车辆检测信息，确定从绿灯信号开启时刻至红灯信号开启时刻之间，经过设置的停车基准线的车辆的第三数量；

基于确定的所述第三数量、设置的饱和车头时距、以及从绿灯信号开启时刻至红灯信号开启时刻之间的时长，确定所述绿灯利用率，其中，所述饱和车头时距用于表征相邻车辆经过所述停车基准线的最短时间差。

一种可能的实施方式中，在所述拥堵参数信息包括所述预设区域的空间占有率的情况下，所述第二确定模块504，在基于所述交通路口的所述交通信号信息和所述车辆检测信息，确定所述交通路口对应的拥堵参数信息时，用于：

从所述视频帧序列中，提取位于绿灯信号结束时刻起的预设时长内的部分视频帧序列；

基于所述部分视频帧序列的各视频帧中，位于目标检测区域内的车辆的数量，确定所述部分视频帧序列的所述各视频帧的目标检测区域中包含的所述车辆的平均数量；

基于所述平均数量、和所述目标检测区域对应的最大可容纳车辆数量，确定所述预设区域的空间占有率。

一种可能的实施方式中，在所述拥堵参数信息包括所述预设区域填充时长的情况下，所述第二确定模块504，在基于所述交通路口的所述交通信号信息和所述车辆检测信息，确定所述交通路口对应的拥堵参数信息时，用于：

基于所述视频帧序列，确定从绿灯信号结束时刻至红灯信号结束时刻之间，所述交通路口对应的目标检测区域内包含的车辆数量达到目标数量的最短时长；

将确定的所述最短时长，确定为所述预设区域填充时长。

一种可能的实施方式中，在所述拥堵参数信息包括目标车辆数量的情况下，所述第二确定模块504，在基于所述交通路口的所述交通信号信息和所述车辆检测信息，确定所述交通路口对应的拥堵参数信息时，用于：

确定所述交通路口对应的目标检测区域内包含的每个车辆经过设置的停车基准线的时刻；

基于每个车辆经过设置的停车基准线的时刻与前一车辆经过停车基准线的时刻之间的第三时刻差，确定所述第三时刻差连续小于设置的时刻阈值的目标车辆数量。

一种可能的实施方式中，在所述拥堵参数信息包括所述绿灯利用率、所述预设区域的空间占有率、所述预设区域填充时长和所述目标车辆数量的情况下，所述第二确定模块504，在所述基于所述交通路口对应的所述拥堵参数信息，确定所述交通路口的拥堵状态时，用于：

在满足以下至少一条件的情况下：所述绿灯利用率大于设置的第一参数阈值、所述预设区域的空间占有率大于设置的第二参数阈值、以及所述预设区域填充时长小于设置的第三参数阈值，基于所述第四数量、和所述交通路口的所述交通信号信息指示的周期时长，确定最大排队时间；

基于所述最大排队时间，确定所述交通路口的拥堵状态。

一种可能的实施方式中，所述第二确定模块504，在基于所述最大排队时间，确定所述交通路口的拥堵状态时，用于：

基于所述最大排队时间，以及所述交通信号信息指示的周期时长，确定表征所述拥堵状态的最大排队指数；

基于所述最大排队指数，确定所述交通路口的交通拥堵等级。

一种可能的实施方式中，所述装置还包括：生成模块506，用于：

基于所述交通路口的所述拥堵状态，生成与所述拥堵状态匹配的预警信息，和/或，生成与所述拥堵状态匹配的疏导策略。

在一些实施例中，本公开实施例提供的装置具有的功能或包含的模板可以用于执行上文方法实施例描述的方法，其具体实现可以参照上文方法实施例的描述，为了简洁，这里不再赘述。

基于同一技术构思，本公开实施例还提供了一种电子设备。参照图6所示，为本公开实施例提供的电子设备的结构示意图，包括处理器601、存储器602、和总线603。其中，存储器602用于存储执行指令，包括内存6021和外部存储器6022；这里的内存6021也称内存储器，用于暂时存放处理器601中的运算数据，以及与硬盘等外部存储器6022交换的数据，处理器601通过内存6021与外部存储器6022进行数据交换，当电子设备600运行时，处理器601与存储器602之间通过总线603通信，使得处理器601在执行以下指令：

获取采集的交通路口的视频帧序列；

对所述视频帧序列中的视频帧进行车辆检测，得到车辆检测信息；

基于所述车辆检测信息，确定所述交通路口的交通信号信息；

基于所述交通路口的交通信号信息和所述车辆检测信息，确定所述交通路口的拥堵状态。

此外，本公开实施例还提供一种计算机可读存储介质，该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运行时执行上述方法实施例中所述的交通路口检测方法的步骤。其中，该存储介质可以是易失性或非易失的计算机可读取存储介质。

本公开实施例还提供一种计算机程序产品，该计算机程序产品承载有程序代码，所述程序代码包括的指令可用于执行上述方法实施例中所述的交通路口检测方法的步骤，具体可参见上述方法实施例，在此不再赘述。

其中，上述计算机程序产品可以具体通过硬件、软件或其结合的方式实现。在一个可选实施例中，所述计算机程序产品具体体现为计算机存储介质，在另一个可选实施例中，计算机程序产品具体体现为软件产品，例如软件开发包(Software Development Kit，SDK)等等。

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，上述描述的系统和装置的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。在本公开所提供的几个实施例中，应该理解到，所揭露的系统、装置和方法，可以通过其它的方式实现。以上所描述的装置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，又例如，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通信接口，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实施例方案的目的。

另外，在本公开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，可以存储在一个处理器可执行的非易失的计算机可读取存储介质中。基于这样的理解，本公开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)执行本公开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、只读存储器(Read-OnlyMemory，ROM)、随机存取存储器(Random Access Memory，RAM)、磁碟或者光盘等各种可以存储程序代码的介质。

以上仅为本公开的具体实施方式，但本公开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公开揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本公开的保护范围之内。因此，本公开的保护范围应以权利要求的保护范围为准。

Claims (20)

1.一种交通路口检测方法，其特征在于，包括：

获取采集的交通路口的视频帧序列；

对所述视频帧序列中的视频帧进行车辆检测，得到车辆检测信息；

基于所述车辆检测信息，确定所述交通路口的交通信号信息；

基于所述交通路口的交通信号信息和所述车辆检测信息，确定所述交通路口的拥堵状态；

基于所述车辆检测信息，确定所述交通路口的交通信号信息，包括：

获取停车基准线在所述视频帧中的第一位置信息；

基于所述停车基准线的第一位置信息、所述车辆检测信息、以及每个所述视频帧对应的采集时间，确定所述交通路口的交通信号信息。

2.根据权利要求1所述的方法，其特征在于，所述对所述视频帧序列中的视频帧进行车辆检测，得到车辆检测信息，包括：

对所述视频帧序列中的各个视频帧进行跟踪检测，得到各个视频帧中的检测对象的检测框信息以及检测对象的类别信息；

基于所述检测对象的类别信息，从所述检测对象的检测框信息中，筛选出车辆的检测框信息；其中，所述检测框信息包含用于区分不同车辆的标识信息，同一车辆在所述视频帧序列的不同视频帧中的标识信息相同。

3.根据权利要求1或2所述的方法，其特征在于，所述基于所述车辆检测信息，确定所述交通路口的交通信号信息，包括：

获取停车基准线在所述视频帧中的第一位置信息；

基于所述停车基准线的第一位置信息、所述车辆检测信息、以及每个所述视频帧对应的采集时间，确定所述交通路口的交通信号灯对应的周期时长和红灯信号时长；

基于所述交通路口的交通信号灯的周期时长和所述红灯信号时长，确定绿灯信号时长。

4.根据权利要求3所述的方法，其特征在于，所述基于所述停车基准线的第一位置信息、所述车辆检测信息、以及每个所述视频帧对应的采集时间，确定所述交通路口的交通信号灯对应的周期时长，包括：

基于所述停车基准线的第一位置信息、所述车辆检测信息、以及每个所述视频帧对应的采集时间，确定关键车辆经过所述停车基准线的时间；所述关键车辆为在所述交通路口的绿灯开启时，第一个经过所述停车基准线的车辆；

基于确定的多个关键车辆分别经过所述停车基准线的时间，确定所述交通路口的交通信号灯对应的周期时长。

5.根据权利要求4所述的方法，其特征在于，所述基于确定的多个关键车辆分别经过所述停车基准线的时间，确定所述交通路口的交通信号灯对应的周期时长，包括：

确定相邻次绿灯的每两个关键车辆，经过所述停车基准线的第一时刻差；

对确定的多个所述第一时刻差进行聚类，得到聚类后的至少一个第一集合；

基于聚类后的所述第一集合中的第一时刻差，确定所述交通路口的交通信号灯对应的周期时长。

6.根据权利要求5所述的方法，其特征在于，所述基于聚类后的所述第一集合中的第一时刻差，确定所述交通路口的交通信号灯对应的周期时长，包括：

获取本次聚类的第一轮廓系数；其中，所述第一轮廓系数用于表征聚类结果的可信程度；

在所述第一轮廓系数大于设置的第一系数阈值的情况下，确定包含的所述第一时刻差的数量最多的第一集合；

基于包含的所述第一时刻差的数量最多的第一集合中的各第一时刻差，确定所述交通路口的交通信号灯对应的周期时长。

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：

在所述第一轮廓系数小于或等于设置的第一系数阈值的情况下，按照所述多个关键车辆经过所述停车基准线的时间顺序，删除第一数量的关键车辆；

重新确定第二数量的关键车辆经过所述停车基准线的时间；

基于所述多个关键车辆中剩余关键车辆经过所述停车基准线的时间，以及在所述多个关键车辆之后、重新确定的所述第二数量的关键车辆经过所述停车基准线的时间，确定所述交通路口的交通信号灯对应的周期时长。

8.根据权利要求3～7任一所述的方法，其特征在于，基于所述停车基准线的第一位置信息、所述车辆检测信息、以及每个所述视频帧对应的采集时间，确定所述交通路口的红灯信号时长，包括：

基于所述停车基准线的第一位置信息、所述车辆检测信息、以及每个所述视频帧对应的采集时间，确定关键车辆的停车时刻和启动时刻；所述关键车辆为在所述交通路口的绿灯开启时，第一个经过所述停车基准线的车辆，所述停车时刻为所述关键车辆停止在所述停车基准线位置处的时刻，所述启动时刻为所述关键车辆在所述停车基准线位置处启动的时刻；

基于确定的多个关键车辆的停车时刻和启动时刻，确定所述多个关键车辆分别对应的第二时刻差；

对确定的多个所述第二时刻差进行聚类，得到聚类后的至少一个第二集合；

基于包含的所述第二时刻差的数量最多的第二集合中的第二时刻差，确定所述交通路口的红灯信号时长。

9.根据权利要求4～8任一所述的方法，其特征在于，根据以下步骤确定所述关键车辆：

基于所述停车基准线的第一位置信息、所述车辆检测信息、以及多个视频帧的采集时间，确定每一车辆经过所述停车基准线的目标时刻；

基于每一车辆对应的所述目标时刻、和每一前一车辆经过所述停车基准线的目标时刻，确定所述每一车辆与前一车辆的过线时刻差；其中，所述每一前一车辆为所述每一车辆之前，经过所述停车基准线的车辆，以及

确定所述每一车辆在所述目标时刻视频帧和前一视频帧中的检测框的第一交并比，其中，所述前一视频帧为与所述目标时刻间隔预设时长的视频帧；

在所述过线时刻差大于设置的第一阈值、且所述第一交并比大于设置的第二阈值的情况下，确定车辆属于关键车辆。

10.根据权利要求1～9任一所述的方法，其特征在于，所述基于所述交通路口的所述交通信号信息和所述车辆检测信息，确定所述交通路口的拥堵状态，包括：

基于所述交通路口的所述交通信号信息和所述车辆检测信息，确定所述交通路口对应的拥堵参数信息；其中，所述拥堵参数信息包括以下中的至少一种：从绿灯信号开启时刻至红灯信号开启时刻之间的绿灯利用率、从绿灯信号结束时刻起的预设时长内的预设区域的空间占有率、从绿灯信号结束时刻至红灯信号结束时刻之间的预设区域填充时长、和从绿灯信号开启时刻至红灯信号开启时刻之间经过设置的停车基准线的目标车辆数量；

基于所述交通路口对应的所述拥堵参数信息，确定所述交通路口的拥堵状态。

11.根据权利要求10所述的方法，其特征在于，在所述拥堵参数信息包括所述绿灯利用率的情况下，所述基于所述交通路口的所述交通信号信息和所述车辆检测信息，确定所述交通路口对应的拥堵参数信息，包括：

基于所述交通路口的所述交通信号信息和所述车辆检测信息，确定从绿灯信号开启时刻至红灯信号开启时刻之间，经过设置的停车基准线的车辆的第三数量；

基于确定的所述第三数量、设置的饱和车头时距、以及从绿灯信号开启时刻至红灯信号开启时刻之间的时长，确定所述绿灯利用率，其中，所述饱和车头时距用于表征相邻车辆经过所述停车基准线的最短时间差。

12.根据权利要求10所述的方法，其特征在于，在所述拥堵参数信息包括所述预设区域的空间占有率的情况下，所述基于所述交通路口的所述交通信号信息和所述车辆检测信息，确定所述交通路口对应的拥堵参数信息，包括：

从所述视频帧序列中，提取位于绿灯信号结束时刻起的预设时长内的部分视频帧序列；

基于所述部分视频帧序列的各视频帧中，位于目标检测区域内的车辆的数量，确定所述部分视频帧序列的所述各视频帧的目标检测区域中包含的所述车辆的平均数量；

基于所述平均数量、和所述目标检测区域对应的最大可容纳车辆数量，确定所述预设区域的空间占有率。

13.根据权利要求10所述的方法，其特征在于，在所述拥堵参数信息包括所述预设区域填充时长的情况下，所述基于所述交通路口的所述交通信号信息和所述车辆检测信息，确定所述交通路口对应的拥堵参数信息，包括：

基于所述视频帧序列，确定从绿灯信号结束时刻至红灯信号结束时刻之间，所述交通路口对应的目标检测区域内包含的车辆数量达到目标数量的最短时长；

将确定的所述最短时长，确定为所述预设区域填充时长。

14.根据权利要求10所述的方法，其特征在于，在所述拥堵参数信息包括所述目标车辆数量的情况下，所述基于所述交通路口的所述交通信号信息和所述车辆检测信息，确定所述交通路口对应的拥堵参数信息，包括：

确定所述交通路口对应的目标检测区域内包含的每个车辆经过设置的停车基准线的时刻；

基于每个车辆经过设置的停车基准线的时刻与前一车辆经过停车基准线的时刻之间的第三时刻差，确定所述第三时刻差连续小于设置的时刻阈值的目标车辆数量。

15.根据权利要求10所述的方法，其特征在于，在所述拥堵参数信息包括所述绿灯利用率、所述预设区域的空间占有率、所述预设区域填充时长和所述目标车辆数量的情况下，所述基于所述交通路口对应的所述拥堵参数信息，确定所述交通路口的拥堵状态，包括：

在满足以下至少一条件的情况下：所述绿灯利用率大于设置的第一参数阈值、所述预设区域的空间占有率大于设置的第二参数阈值、所述预设区域填充时长小于设置的第三参数阈值，基于所述目标车辆数量、和所述交通路口的所述交通信号信息指示的周期时长，确定最大排队时间；

基于所述最大排队时间，确定所述交通路口的拥堵状态。

16.根据权利要求15所述的方法，其特征在于，所述基于所述最大排队时间，确定所述交通路口的拥堵状态，包括：

基于所述最大排队时间，以及所述交通信号信息指示的周期时长，确定表征所述拥堵状态的最大排队指数；

基于所述最大排队指数，确定所述交通路口的交通拥堵等级。

17.根据权利要求1～16任一所述的方法，其特征在于，所述方法还包括：

基于所述交通路口的所述拥堵状态，生成与所述拥堵状态匹配的预警信息，和/或，生成与所述拥堵状态匹配的疏导策略。

18.一种交通路口检测装置，其特征在于，包括：

获取模块，用于获取采集的交通路口的视频帧序列；

检测模块，用于对所述视频帧序列中的视频帧进行车辆检测，得到车辆检测信息；

第一确定模块，用于基于所述车辆检测信息，确定所述交通路口的交通信号信息；

第二确定模块，用于基于所述交通路口的交通信号信息和所述车辆检测信息，确定所述交通路口的拥堵状态；

所述检测模块，在基于所述车辆检测信息，确定所述交通路口的交通信号信息时，用于：

获取停车基准线在所述视频帧中的第一位置信息；

基于所述停车基准线的第一位置信息、所述车辆检测信息、以及每个所述视频帧对应的采集时间，确定所述交通路口的交通信号信息。

19.一种电子设备，其特征在于，包括：处理器、存储器和总线，所述存储器存储有所述处理器可执行的机器可读指令，当电子设备运行时，所述处理器与所述存储器之间通过总线通信，所述机器可读指令被所述处理器执行时执行如权利要求1至17任一所述的交通路口检测方法的步骤。

20.一种计算机可读存储介质，其特征在于，该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运行时执行如权利要求1至17任一所述的交通路口检测方法的步骤。

Images