CN113706889A - 基于目标检测分析的高速公路团雾测量系统及方法 - Google Patents
基于目标检测分析的高速公路团雾测量系统及方法 Download PDFInfo
- Publication number
- CN113706889A CN113706889A CN202110879137.9A CN202110879137A CN113706889A CN 113706889 A CN113706889 A CN 113706889A CN 202110879137 A CN202110879137 A CN 202110879137A CN 113706889 A CN113706889 A CN 113706889A
- Authority
- CN
- China
- Prior art keywords
- fog
- cluster
- measuring
- visibility
- monitoring
- 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
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
- G08G1/048—Detecting movement of traffic to be counted or controlled with provision for compensation of environmental or other condition, e.g. snow, vehicle stopped at detector
-
- 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
-
- 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
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
- Traffic Control Systems (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了基于目标检测分析的高速公路团雾测量系统及方法,属于高速公路、桥梁等区域的团雾识别和团雾测量领域,本发明要解决的技术问题为传统团雾检测有效距离短、精度差及速度慢,采用的技术方案为该团雾测量系统包括初始化模块、监控摄像头视频数据采集模块、车辆目标检测模块、车辆目标分析模块、团雾判定模块、团雾浓度测量模块、团雾范围测量模块及团雾告警模块。该方法是通过对检测到的车辆目标分布情况进行分析,识别是否存在团雾,测量监控区域内团雾的相对浓度;再通过对多个摄像机的监控区域的联动分析,测量团雾的扩散范围。
Description
技术领域
本发明涉及高速公路、桥梁等区域的团雾识别和团雾测量领域,具体地说是一种基于目标检测分析的高速公路团雾测量系统及方法。
背景技术
随着我国高速公路网建设的不断发展,在高速公路的雾区,尤其是团雾区,因雾对能见度的误判引起的重特大交通事故的数量都在不断增加。目前高速公路管理部门通常利用人工目测和气象设备监测两种方式获取雾区能见度的值。
人员目测及时性最差,且估测出来的数据缺乏规范性和可持续追溯性。气象设备监测主要使用能见度检测仪,一般基于红外光或激光,设备昂贵,可测量消光系数或能见度值。能见度检测仪测量的数据较为准确,但该设备架设间隔一般非常稀疏(20km左右),难以满足在团雾(一般在5km以内范围)等天气时对能见度检测的需求。
近些年也陆续出现了一些基于监控视频的团雾识别方法,核心部分是对数字视频图像的分析和处理,根据视频和图像的特征判定团雾的存在。随着近年来高速公路视频监控系统的不断建设和发展,高速公路上的摄像机布设密度和精度不断提升,利用监控视频检测能见度已成为相关领域的研究热点,并取得了一些成果,包括基于运动检测识别团雾、基于图像对比度计算能见度、通过计算图像熵来检测雾现象以及利用多种团雾识别方法投票的方法等,上述方法具有一定的效果,但基于运动检测的方法由于背景建模对光照变化太敏感,容易产生噪声;基于图像对比度和计算图像熵同样存在因噪声引起的误差,而利用多种团雾识别方法投票的计算速度较慢。故如何解决传统团雾检测有效距离短、精度差及速度慢,确保成本低、布点密度高且高效的团雾识别是目前亟待解决的问题。
发明内容
本发明的技术任务是提供一种基于目标检测分析的高速公路团雾测量系统及方法,来解决传统团雾检测有效距离短、精度差及速度慢的问题。
本发明的技术任务是按以下方式实现的,一种基于目标检测分析的高速公路团雾测量系统,该团雾测量系统包括,
初始化模块,用于加载目标检测模型,并获取高速公路沿线摄像机码流地址,同时设定相关参数;
监控摄像头视频数据采集模块,用于采集监控摄像机的监控区域的视频图像,并将视频图像解码为图像;
车辆目标检测模块,用于检测白天和夜间行驶在监控区域的车辆目标;
车辆目标分析模块,用于分析检测到的车辆目标分布情况,计算监控区域内的能见度;
团雾判定模块,用于判定监控区域里是否存在团雾;
团雾浓度测量模块,用于测量监控区域中的团雾相对浓度等级;
团雾范围测量模块,用于结合高速公路上相连的多个监控摄像机的团雾测量结果,测量团雾的扩散范围;
团雾告警模块,用于向交通视频监控系统的管理模块推送团雾测量的结果及出现团雾的告警信息。
作为优选,所述初始化模块中的相关参数包括设定分析时间周期T(单位为秒)、目标数量衰减因子k、有效监控距离S以及相对浓度测量区间L;其中,分析时间周期T为持续收集车辆目标检测结果并进行分析的时间长度,t0时刻的分析时间段为(t0-T,t0],t0+1时刻的分析时间段为(t0+1-T,t0+1];相对浓度测量区间L基于摄像机监控场景的有效能见度进行设定,以高速公路69线为度量,由近到远,每m组69线设置一段相对浓度测量区间,共设置M个相对浓度测量区间,记为L0,L1,…,LM,该M个相对浓度测量区间对应M个相对浓度等级C0,C1,…,CM。
作为优选,所述车辆目标检测模块包括白天检测子模块和夜间检测子模块;天检测子模块使用深度学习的目标检测算法检测车辆目标;夜间检测子模块利用车辆灯光特征检测车辆目标;
其中,基于深度学习的目标检测算法包括模型训练和推理检测;具体如下:
离线进行模型训练,模型训练包括图像采集、车辆目标标注、训练样本预处理、模型训练及模型测试;
推理检测:将监控区域分割成远景区域和近景区域,对远景区域保留大尺寸的锚定框,对近景区域保留小尺寸的锚定框;
运用模型训练得到的模型分别检测远景区域和近景区域的车辆目标。
作为优选,所述车辆目标分析模块基于车辆目标检测结果进行车辆目标分布情况的统计分析和能见度的计算;具体如下:
(1)、收集分析时间周期T内的每一帧的车辆目标检测结果,并计算车辆目标区域的中心点坐标;
(2)、统计所有车辆目标区域的中心点落在各个相对浓度测量区间的数量,记为N0,N1,…,NM;
(3)、判断N0是否为0:
①、若N0为0,则记能见度为0,则跳转至步骤(5);
②、若N0不为0,执行步骤(4);
(4)、对于相对浓度测量区间Lx和相邻的下一个相对浓度测量区间Lx+1,判断Lx+1/Lx与k的关系:
①、若Lx+1/Lx<k,则能见度为(x+1)*m*15,则跳转至步骤(5);
②、若Nx+1/Nx<k,则x=x+1,返回步骤(3);
(5)、结束计算。
作为优选,所述团雾判定模块是根据能见度来判断监控区域内是否存在团雾,若能见度为0或者能见度小于监控有效距离S,则认为监控区域内存在团雾。
作为优选,所述团雾浓度测量模块是根据能见度测量监控区域内的团雾相对浓度等级,具体如下:
若能见度为0,则团雾相对浓度等级为C0;
若能见度为(x+1)*m*15,则团雾相对浓度等级为Cx+1。
更优地,所述团雾范围测量模块是结合高速公路沿线的多个摄像机的团雾判定结果和团雾相对浓度等级测量结果,计算团雾的覆盖范围;具体如下:
(Ⅰ)、对于高速公路沿线摄像机,每个摄像机间隔记为LV,按照车辆行驶方向组成摄像机序列,记为V1,V2,…,Vn;
(Ⅱ)、获取各摄像机的团雾判定及团雾浓度结果,并转换为团雾识别结果,分别为F1,F2,…,Fn;其中,若Fi=0,表示无雾;Fi≠0,则表示有不同等级的雾;
(Ⅲ)、遍历F1至Fn,计算团雾扩散距离L=LV*|j-i|;其中,若Fi-1=0且Fi>0,则Vi为团雾起点;若Fj-1>0且Fj=0,则Vj为团雾终点。
一种基于目标检测分析的高速公路团雾测量方法,该方法是通过对检测到的车辆目标分布情况进行分析,识别是否存在团雾,测量监控区域内团雾的相对浓度;再通过对多个摄像机的监控区域的联动分析,测量团雾的扩散范围。
作为优选,该方法具体如下:
S1、初始化团雾测量系统:加载目标检测模型、获取高速公路沿线摄像机码流地址并设定相关参数,下一步执行步骤S2;
S2、获取视频码流,下一步执行步骤S3;
S3、监控摄像机视频数据采集和解码:采集监控摄像机的监控区域的视频图像,并将视频图像解码为逐帧图像,下一步执行步骤S4;
S4、根据团雾测量系统时间判定当前时间为白天还是夜间:
①、若判断当前时间为白天,则执行步骤S5;
②、若判断当前时间为夜间,则跳转至步骤S6;
S5、基于深度学习的目标检测算法检测车辆目标,下一步执行步骤S7;
S6、基于车辆灯光特征检测车辆目标,下一步执行步骤S7;
S7、汇总及预处理检测到的车辆目标信息(去除极大值及极小值),下一步执行步骤S8;
S8、分析车辆目标分布情况,并计算监控区域内的能见度,下一步执行步骤S9;
S9、基于能见度计算结果,判定监控区域内是否存在团雾:
若能见度为0或者能见度小于监控有效距离S,则认为监控区域内存在团雾,下一步执行步骤S10;
S10、基于能见度计算结果,测量监控区域内的团雾相对浓度等级,下一步执行步骤S11;其中,团雾相对浓度等级具体如下:
若能见度为0,则团雾相对浓度等级为C0;
若能见度为(x+1)*m*15,则团雾相对浓度等级为Cx+1;
S11、结合高速公路上相连的多个监控摄像机的团雾测量结果,测量团雾的扩散范围,下一步执行步骤S12;
S12、向交通视频监控系统的管理模块推送团雾测量的结果及出现团雾的告警信息。
更优地,步骤S8中分析车辆目标分布情况,并计算监控区域内的能见度具体如下:
S801、收集分析时间周期T内的每一帧的车辆目标检测结果,并计算车辆目标区域的中心点坐标;
S802、统计所有车辆目标区域的中心点落在各个相对浓度测量区间的数量,记为N0,N1,…,NM;
S803、判断N0是否为0:
①、若N0为0,则记能见度为0,则跳转至步骤S805;
②、若N0不为0,执行步骤S804;
S804、对于相对浓度测量区间Lx和相邻的下一个相对浓度测量区间Lx+1,判断Lx+1/Lx与k的关系:
①、若Lx+1/Lx<k,则能见度为(x+1)*m*15,则跳转至步骤S805;
②、若Nx+1/Nx<k,则x=x+1,返回步骤S803;
S805、结束计算;
步骤S11中结合高速公路上相连的多个监控摄像机的团雾测量结果,测量团雾的扩散范围具体如下:
S1101、对于高速公路沿线摄像机,每个摄像机间隔记为LV,按照车辆行驶方向组成摄像机序列,记为V1,V2,…,Vn;
S1102、获取各摄像机的团雾判定及团雾浓度结果,并转换为团雾识别结果,分别为F1,F2,…,Fn;其中,若Fi=0,表示无雾;Fi≠0,则表示有不同等级的雾;
S1103、遍历F1至Fn,计算团雾扩散距离L=LV*|j-i|;其中,若Fi-1=0且Fi>0,则Vi为团雾起点;若Fj-1>0且Fj=0,则Vj为团雾终点。
本发明的基于目标检测分析的高速公路团雾测量系统及方法具有以下优点:
(一)本发明通过对监控场景中的车辆目标进行分析来判定团雾的存在,并测量团雾的浓度和扩散范围,实现对高速公路全路段的团雾实时测量,解决现有技术的精度低、速度慢以及监测覆盖范围小等问题,,具有精度高、可用性强、覆盖面广等优势;
(二)本发明通过对监控场景中的车辆目标的分布情况进行分析来判定团雾的存在并测量团雾的相对浓度,基于深度学习的目标检测方法及对噪声不敏感的车辆灯光特征检测夜间车辆,提高检测精度,进而提高团雾判定和测量的精度;
(三)本发明可以部署在GPU设备上,能够快速实时的团雾的判定和团雾浓度的测试;
(四)本发明提供的团雾范围测量结合高速公路沿线多个摄像机的团雾测量结果,实现高速公路全程团雾监控,解决了传统能见度测试仪监测覆盖范围小的问题,具有更高的实用性。
附图说明
下面结合附图对本发明进一步说明。
附图1为基于目标检测分析的高速公路团雾测量系统的结构示意图;
附图2为基于目标检测分析的高速公路团雾测量的流程框图;
附图3为团雾范围测量的流程框图。
具体实施方式
参照说明书附图和具体实施例对本发明的基于目标检测分析的高速公路团雾测量系统及方法作以下详细地说明。
实施例1:
如附图1所示,本发明的基于目标检测分析的高速公路团雾测量系统,该团雾测量系统包括,
初始化模块,用于加载目标检测模型,并获取高速公路沿线摄像机码流地址,同时设定相关参数;
监控摄像头视频数据采集模块,用于采集监控摄像机的监控区域的视频图像,并将视频图像解码为图像;
车辆目标检测模块,用于检测白天和夜间行驶在监控区域的车辆目标;
车辆目标分析模块,用于分析检测到的车辆目标分布情况,计算监控区域内的能见度;
团雾判定模块,用于判定监控区域里是否存在团雾;
团雾浓度测量模块,用于测量监控区域中的团雾相对浓度等级;
团雾范围测量模块,用于结合高速公路上相连的多个监控摄像机的团雾测量结果,测量团雾的扩散范围;
团雾告警模块,用于向交通视频监控系统的管理模块推送团雾测量的结果及出现团雾的告警信息。
本实施例中的初始化模块中的相关参数包括设定分析时间周期T(单位为秒)、目标数量衰减因子k、有效监控距离S以及相对浓度测量区间L;其中,分析时间周期T为持续收集车辆目标检测结果并进行分析的时间长度,t0时刻的分析时间段为(t0-T,t0],t0+1时刻的分析时间段为(t0+1-T,t0+1];相对浓度测量区间L基于摄像机监控场景的有效能见度进行设定,以高速公路69线为度量,由近到远,每m组69线设置一段相对浓度测量区间,共设置M个相对浓度测量区间,记为L0,L1,…,LM,该M个相对浓度测量区间对应M个相对浓度等级C0,C1,…,CM。
本实施例中的车辆目标检测模块包括白天检测子模块和夜间检测子模块;天检测子模块使用深度学习的目标检测算法检测车辆目标;夜间检测子模块利用车辆灯光特征检测车辆目标;
其中,基于深度学习的目标检测算法包括模型训练和推理检测;具体如下:
离线进行模型训练,模型训练包括图像采集、车辆目标标注、训练样本预处理、模型训练及模型测试;
推理检测:将监控区域分割成远景区域和近景区域,对远景区域保留大尺寸的锚定框,对近景区域保留小尺寸的锚定框;
运用模型训练得到的模型分别检测远景区域和近景区域的车辆目标。
本实施例中的车辆目标分析模块基于车辆目标检测结果进行车辆目标分布情况的统计分析和能见度的计算;具体如下:
(1)、收集分析时间周期T内的每一帧的车辆目标检测结果,并计算车辆目标区域的中心点坐标;
(2)、统计所有车辆目标区域的中心点落在各个相对浓度测量区间的数量,记为N0,N1,…,NM;
(3)、判断N0是否为0:
①、若N0为0,则记能见度为0,则跳转至步骤(5);
②、若N0不为0,执行步骤(4);
(4)、对于相对浓度测量区间Lx和相邻的下一个相对浓度测量区间Lx+1,判断Lx+1/Lx与k的关系:
①、若Lx+1/Lx<k,则能见度为(x+1)*m*15,则跳转至步骤(5);
②、若Nx+1/Nx<k,则x=x+1,返回步骤(3);
(5)、结束计算。
本实施例中的团雾判定模块是根据能见度来判断监控区域内是否存在团雾,若能见度为0或者能见度小于监控有效距离S,则认为监控区域内存在团雾。
本实施例中的团雾浓度测量模块是根据能见度测量监控区域内的团雾相对浓度等级,具体如下:
若能见度为0,则团雾相对浓度等级为C0;
若能见度为(x+1)*m*15,则团雾相对浓度等级为Cx+1。
本实施例中的团雾范围测量模块是结合高速公路沿线的多个摄像机的团雾判定结果和团雾相对浓度等级测量结果,计算团雾的覆盖范围;如附图3所示,具体如下:
(Ⅰ)、对于高速公路沿线摄像机,每个摄像机间隔记为LV,按照车辆行驶方向组成摄像机序列,记为V1,V2,…,Vn;
(Ⅱ)、获取各摄像机的团雾判定及团雾浓度结果,并转换为团雾识别结果,分别为F1,F2,…,Fn;其中,若Fi=0,表示无雾;Fi≠0,则表示有不同等级的雾;
(Ⅲ)、遍历F1至Fn,计算团雾扩散距离L=LV*|j-i|;其中,若Fi-1=0且Fi>0,则Vi为团雾起点;若Fj-1>0且Fj=0,则Vj为团雾终点。
实施例2:
本发明的基于目标检测分析的高速公路团雾测量方法,该方法是通过对检测到的车辆目标分布情况进行分析,识别是否存在团雾,测量监控区域内团雾的相对浓度;再通过对多个摄像机的监控区域的联动分析,测量团雾的扩散范围;如附图2所示,该方法具体如下:
S1、初始化团雾测量系统:加载目标检测模型、获取高速公路沿线摄像机码流地址并设定相关参数,下一步执行步骤S2;
S2、获取视频码流,下一步执行步骤S3;
S3、监控摄像机视频数据采集和解码:采集监控摄像机的监控区域的视频图像,并将视频图像解码为逐帧图像,下一步执行步骤S4;
S4、根据团雾测量系统时间判定当前时间为白天还是夜间:
①、若判断当前时间为白天,则执行步骤S5;
②、若判断当前时间为夜间,则跳转至步骤S6;
S5、基于深度学习的目标检测算法检测车辆目标,下一步执行步骤S7;
S6、基于车辆灯光特征检测车辆目标,下一步执行步骤S7;
S7、汇总及预处理检测到的车辆目标信息(去除极大值及极小值),下一步执行步骤S8;
S8、分析车辆目标分布情况,并计算监控区域内的能见度,下一步执行步骤S9;
S9、基于能见度计算结果,判定监控区域内是否存在团雾:
若能见度为0或者能见度小于监控有效距离S,则认为监控区域内存在团雾,下一步执行步骤S10;
S10、基于能见度计算结果,测量监控区域内的团雾相对浓度等级,下一步执行步骤S11;其中,团雾相对浓度等级具体如下:
若能见度为0,则团雾相对浓度等级为C0;
若能见度为(x+1)*m*15,则团雾相对浓度等级为Cx+1;
S11、结合高速公路上相连的多个监控摄像机的团雾测量结果,测量团雾的扩散范围,下一步执行步骤S12;
S12、向交通视频监控系统的管理模块推送团雾测量的结果及出现团雾的告警信息。
本实施例中步骤S8的分析车辆目标分布情况,并计算监控区域内的能见度具体如下:
S801、收集分析时间周期T内的每一帧的车辆目标检测结果,并计算车辆目标区域的中心点坐标;
S802、统计所有车辆目标区域的中心点落在各个相对浓度测量区间的数量,记为N0,N1,…,NM;
S803、判断N0是否为0:
①、若N0为0,则记能见度为0,则跳转至步骤S805;
②、若N0不为0,执行步骤S804;
S804、对于相对浓度测量区间Lx和相邻的下一个相对浓度测量区间Lx+1,判断Lx+1/Lx与k的关系:
①、若Lx+1/Lx<k,则能见度为(x+1)*m*15,则跳转至步骤S805;
②、若Nx+1/Nx<k,则x=x+1,返回步骤S803;
S805、结束计算;
如附图3所示,本实施例中步骤S11的结合高速公路上相连的多个监控摄像机的团雾测量结果,测量团雾的扩散范围具体如下:
S1101、对于高速公路沿线摄像机,每个摄像机间隔记为LV,按照车辆行驶方向组成摄像机序列,记为V1,V2,…,Vn;
S1102、获取各摄像机的团雾判定及团雾浓度结果,并转换为团雾识别结果,分别为F1,F2,…,Fn;其中,若Fi=0,表示无雾;Fi≠0,则表示有不同等级的雾;
S1103、遍历F1至Fn,计算团雾扩散距离L=LV*|j-i|;其中,若Fi-1=0且Fi>0,则Vi为团雾起点;若Fj-1>0且Fj=0,则Vj为团雾终点。
实施例3:
本发明具体实施步骤如下:
首先,需要完成车辆目标检测的准备工作,该工作分为两个部分,其一是基于深度学习训练车辆目标检测模型。如图2所示,按照图像采集、车辆目标标注、训练样本预处理、模型训练及模型测试等步骤对车辆目标检测模型进行训练,当模型测试达到99.5%的正确率时,输出训练的模型;其二是分析夜间车辆灯光特征,找到最能区分灯光和灯光周围的像素阈值及灯光范围;
其次,进行系统初始化,加载车辆目标检测模型、获取高速公路沿线摄像机码流地址,设置分析时间周期T为10s、目标数量衰减因子k为0.8、有效监控距离S为150m,每两个69线设置一个相对浓度测量区间,L0为0m至30m的区间,L1至Lm依次类推,相应的,相对浓度等级分别为0,1,2,3,4,6(6级表示无雾);
再次,根据摄像机码流地址接入视频码流,并解码为图像;
然后,根据系统时间判定是白天还是夜间,如果是白天,基于深度学习的目标检测算法检测车辆目标;如果是夜间,利用车灯特征检测车辆目标;记录每一个车辆目标的区域信息[x,y,w,h];
再然后,计算每一个车辆目标的中心点坐标为(x+w/2,y+h/2),并统计所有车辆目标区域的中心点落在各个相对浓度测量区间的数量,记为N0,N1,…,NM。若N0为0,则能见度为0;否则,找到一个Nx,使得Nx-1/Nx≥k,Nx+1/Nx<k,此时能见度为(x+1)*2*15;
再然后,根据能见度判定是否存在团雾:若能见度为0或者能见度小于监控有效距离150为监控区域内存在团雾。
再然后,根据能见度测量监控区域内的团雾相对浓度等级。如果能见度为0,则团雾相对浓度等级为0级;若能见度为(x+1)*2*15,则团雾相对浓度等级为x+1。
再然后,结合高速公路沿线的多个摄像机的团雾判定结果和团雾相对浓度等级测量结果,计算团雾的覆盖范围,如图3所示,具体如下:
①、对于高速公路沿线摄像机,每个摄像机间隔记为2km,按照车辆行驶方向组成摄像机序列,记为V1,V2,…,Vn;
②、获取各摄像机的团雾判定及团雾浓度结果,并转换为团雾识别结果,分别为F1,F2,…,Fn;其中,如果Fi=0,表示无雾;Fi≠0,则表示有不同等级的雾;
③、遍历F1至Fn,若Fi-1=0且Fi>0,则Vi为团雾起点;若Fj-1>0且Fj=0,则Vj为团雾终点;则团雾扩散距离L=2*|j-i|(单位为千米);
最后,将团雾判定结果、团雾相对浓度等级以及团雾扩散范围等结果封装,并标记团雾告警,发送至系统管理模块。
最后应说明的是:以上各实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述各实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分或者全部技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。
Claims (10)
1.一种基于目标检测分析的高速公路团雾测量系统,其特征在于,该团雾测量系统包括,
初始化模块,用于加载目标检测模型,并获取高速公路沿线摄像机码流地址,同时设定相关参数;
监控摄像头视频数据采集模块,用于采集监控摄像机的监控区域的视频图像,并将视频图像解码为图像;
车辆目标检测模块,用于检测白天和夜间行驶在监控区域的车辆目标;
车辆目标分析模块,用于分析检测到的车辆目标分布情况,计算监控区域内的能见度;
团雾判定模块,用于判定监控区域里是否存在团雾;
团雾浓度测量模块,用于测量监控区域中的团雾相对浓度等级;
团雾范围测量模块,用于结合高速公路上相连的多个监控摄像机的团雾测量结果,测量团雾的扩散范围;
团雾告警模块,用于向交通视频监控系统的管理模块推送团雾测量的结果及出现团雾的告警信息。
2.根据权利要求1所述的基于目标检测分析的高速公路团雾测量系统,其特征在于,所述初始化模块中的相关参数包括设定分析时间周期T、目标数量衰减因子k、有效监控距离S以及相对浓度测量区间L;其中,分析时间周期T为持续收集车辆目标检测结果并进行分析的时间长度,t0时刻的分析时间段为(t0-T,t0],t0+1时刻的分析时间段为(t0+1-T,t0+1];相对浓度测量区间L基于摄像机监控场景的有效能见度进行设定,以高速公路69线为度量,由近到远,每m组69线设置一段相对浓度测量区间,共设置M个相对浓度测量区间,记为L0,L1,…,LM,该M个相对浓度测量区间对应M个相对浓度等级C0,C1,…,CM。
3.根据权利要求1所述的基于目标检测分析的高速公路团雾测量系统,其特征在于,所述车辆目标检测模块包括白天检测子模块和夜间检测子模块;天检测子模块使用深度学习的目标检测算法检测车辆目标;夜间检测子模块利用车辆灯光特征检测车辆目标;
其中,基于深度学习的目标检测算法包括模型训练和推理检测;具体如下:
离线进行模型训练,模型训练包括图像采集、车辆目标标注、训练样本预处理、模型训练及模型测试;
推理检测:将监控区域分割成远景区域和近景区域,对远景区域保留大尺寸的锚定框,对近景区域保留小尺寸的锚定框;
运用模型训练得到的模型分别检测远景区域和近景区域的车辆目标。
4.根据权利要求1所述的基于目标检测分析的高速公路团雾测量系统,其特征在于,所述车辆目标分析模块基于车辆目标检测结果进行车辆目标分布情况的统计分析和能见度的计算;具体如下:
(1)、收集分析时间周期T内的每一帧的车辆目标检测结果,并计算车辆目标区域的中心点坐标;
(2)、统计所有车辆目标区域的中心点落在各个相对浓度测量区间的数量,记为N0,N1,…,NM;
(3)、判断N0是否为0:
①、若N0为0,则记能见度为0,则跳转至步骤(5);
②、若N0不为0,执行步骤(4);
(4)、对于相对浓度测量区间Lx和相邻的下一个相对浓度测量区间Lx+1,判断Lx+1/Lx与k的关系:
①、若Lx+1/Lx<k,则能见度为(x+1)*m*15,则跳转至步骤(5);
②、若Nx+1/Nx<k,则x=x+1,返回步骤(3);
(5)、结束计算。
5.根据权利要求1所述的基于目标检测分析的高速公路团雾测量系统,其特征在于,所述团雾判定模块是根据能见度来判断监控区域内是否存在团雾,若能见度为0或者能见度小于监控有效距离S,则认为监控区域内存在团雾。
6.根据权利要求1所述的基于目标检测分析的高速公路团雾测量系统,其特征在于,所述团雾浓度测量模块是根据能见度测量监控区域内的团雾相对浓度等级,具体如下:
若能见度为0,则团雾相对浓度等级为C0;
若能见度为(x+1)*m*15,则团雾相对浓度等级为Cx+1。
7.根据权利要求1-6中任一所述的基于目标检测分析的高速公路团雾测量系统,其特征在于,所述团雾范围测量模块是结合高速公路沿线的多个摄像机的团雾判定结果和团雾相对浓度等级测量结果,计算团雾的覆盖范围;具体如下:
(Ⅰ)、对于高速公路沿线摄像机,每个摄像机间隔记为LV,按照车辆行驶方向组成摄像机序列,记为V1,V2,…,Vn;
(Ⅱ)、获取各摄像机的团雾判定及团雾浓度结果,并转换为团雾识别结果,分别为F1,F2,…,Fn;其中,若Fi=0,表示无雾;Fi≠0,则表示有不同等级的雾;
(Ⅲ)、遍历F1至Fn,计算团雾扩散距离L=LV*|j-i|;其中,若Fi-1=0且Fi>0,则Vi为团雾起点;若Fj-1>0且Fj=0,则Vj为团雾终点。
8.一种基于目标检测分析的高速公路团雾测量方法,其特征在于,该方法是通过对检测到的车辆目标分布情况进行分析,识别是否存在团雾,测量监控区域内团雾的相对浓度;再通过对多个摄像机的监控区域的联动分析,测量团雾的扩散范围。
9.根据权利要求8所述的基于目标检测分析的高速公路团雾测量方法,其特征在于,该方法具体如下:
S1、初始化团雾测量系统:加载目标检测模型、获取高速公路沿线摄像机码流地址并设定相关参数,下一步执行步骤S2;
S2、获取视频码流,下一步执行步骤S3;
S3、监控摄像机视频数据采集和解码:采集监控摄像机的监控区域的视频图像,并将视频图像解码为逐帧图像,下一步执行步骤S4;
S4、根据团雾测量系统时间判定当前时间为白天还是夜间:
①、若判断当前时间为白天,则执行步骤S5;
②、若判断当前时间为夜间,则跳转至步骤S6;
S5、基于深度学习的目标检测算法检测车辆目标,下一步执行步骤S7;
S6、基于车辆灯光特征检测车辆目标,下一步执行步骤S7;
S7、汇总及预处理检测到的车辆目标信息,下一步执行步骤S8;
S8、分析车辆目标分布情况,并计算监控区域内的能见度,下一步执行步骤S9;
S9、基于能见度计算结果,判定监控区域内是否存在团雾:
若能见度为0或者能见度小于监控有效距离S,则认为监控区域内存在团雾,下一步执行步骤S10;
S10、基于能见度计算结果,测量监控区域内的团雾相对浓度等级,下一步执行步骤S11;其中,团雾相对浓度等级具体如下:
若能见度为0,则团雾相对浓度等级为C0;
若能见度为(x+1)*m*15,则团雾相对浓度等级为Cx+1;
S11、结合高速公路上相连的多个监控摄像机的团雾测量结果,测量团雾的扩散范围,下一步执行步骤S12;
S12、向交通视频监控系统的管理模块推送团雾测量的结果及出现团雾的告警信息。
10.根据权利要求9所述的基于目标检测分析的高速公路团雾测量方法,其特征在于,步骤S8中分析车辆目标分布情况,并计算监控区域内的能见度具体如下:
S801、收集分析时间周期T内的每一帧的车辆目标检测结果,并计算车辆目标区域的中心点坐标;
S802、统计所有车辆目标区域的中心点落在各个相对浓度测量区间的数量,记为N0,N1,…,NM;
S803、判断N0是否为0:
①、若N0为0,则记能见度为0,则跳转至步骤S805;
②、若N0不为0,执行步骤S804;
S804、对于相对浓度测量区间Lx和相邻的下一个相对浓度测量区间Lx+1,判断Lx+1/Lx与k的关系:
①、若Lx+1/Lx<k,则能见度为(x+1)*m*15,则跳转至步骤S805;
②、若Nx+1/Nx<k,则x=x+1,返回步骤S803;
S805、结束计算;
步骤S11中结合高速公路上相连的多个监控摄像机的团雾测量结果,测量团雾的扩散范围具体如下:
S1101、对于高速公路沿线摄像机,每个摄像机间隔记为LV,按照车辆行驶方向组成摄像机序列,记为V1,V2,…,Vn;
S1102、获取各摄像机的团雾判定及团雾浓度结果,并转换为团雾识别结果,分别为F1,F2,…,Fn;其中,若Fi=0,表示无雾;Fi≠0,则表示有不同等级的雾;
S1103、遍历F1至Fn,计算团雾扩散距离L=LV*|j-i|;其中,若Fi-1=0且Fi>0,则Vi为团雾起点;若Fj-1>0且Fj=0,则Vj为团雾终点。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110879137.9A CN113706889B (zh) | 2021-08-02 | 2021-08-02 | 基于目标检测分析的高速公路团雾测量系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110879137.9A CN113706889B (zh) | 2021-08-02 | 2021-08-02 | 基于目标检测分析的高速公路团雾测量系统及方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113706889A true CN113706889A (zh) | 2021-11-26 |
CN113706889B CN113706889B (zh) | 2022-09-13 |
Family
ID=78651229
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110879137.9A Active CN113706889B (zh) | 2021-08-02 | 2021-08-02 | 基于目标检测分析的高速公路团雾测量系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113706889B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114399924A (zh) * | 2022-02-15 | 2022-04-26 | 青岛海信网络科技股份有限公司 | 一种车辆、边缘计算设备、服务器及信息传输方法 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101382497A (zh) * | 2008-10-06 | 2009-03-11 | 南京大学 | 基于路况监控视频的能见度检测方法 |
DE102011086512A1 (de) * | 2011-11-16 | 2013-05-16 | Bayerische Motoren Werke Aktiengesellschaft | Verfahren zur Nebeldetektion |
CN108022440A (zh) * | 2018-01-19 | 2018-05-11 | 天津职业技术师范大学 | 基于无人飞机和车路协同的高速公路团雾预警系统及预警方法 |
CN108898846A (zh) * | 2018-07-23 | 2018-11-27 | 王丽燕 | 一种道路交通团雾预警系统及其预警方法 |
CN109448397A (zh) * | 2018-11-20 | 2019-03-08 | 山东交通学院 | 一种基于大数据的团雾监测方法 |
CN111292529A (zh) * | 2020-01-22 | 2020-06-16 | 长安大学 | 一种识别高速公路团雾分布的方法 |
CN112782701A (zh) * | 2021-02-10 | 2021-05-11 | 深圳成谷科技有限公司 | 一种基于雷达的能见度感知的方法、系统及设备 |
CN112863201A (zh) * | 2021-01-07 | 2021-05-28 | 武汉理工大学 | 一种基于高速公路团雾区域多级预警系统的引导方法 |
-
2021
- 2021-08-02 CN CN202110879137.9A patent/CN113706889B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101382497A (zh) * | 2008-10-06 | 2009-03-11 | 南京大学 | 基于路况监控视频的能见度检测方法 |
DE102011086512A1 (de) * | 2011-11-16 | 2013-05-16 | Bayerische Motoren Werke Aktiengesellschaft | Verfahren zur Nebeldetektion |
CN108022440A (zh) * | 2018-01-19 | 2018-05-11 | 天津职业技术师范大学 | 基于无人飞机和车路协同的高速公路团雾预警系统及预警方法 |
CN108898846A (zh) * | 2018-07-23 | 2018-11-27 | 王丽燕 | 一种道路交通团雾预警系统及其预警方法 |
CN109448397A (zh) * | 2018-11-20 | 2019-03-08 | 山东交通学院 | 一种基于大数据的团雾监测方法 |
CN111292529A (zh) * | 2020-01-22 | 2020-06-16 | 长安大学 | 一种识别高速公路团雾分布的方法 |
CN112863201A (zh) * | 2021-01-07 | 2021-05-28 | 武汉理工大学 | 一种基于高速公路团雾区域多级预警系统的引导方法 |
CN112782701A (zh) * | 2021-02-10 | 2021-05-11 | 深圳成谷科技有限公司 | 一种基于雷达的能见度感知的方法、系统及设备 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114399924A (zh) * | 2022-02-15 | 2022-04-26 | 青岛海信网络科技股份有限公司 | 一种车辆、边缘计算设备、服务器及信息传输方法 |
CN114399924B (zh) * | 2022-02-15 | 2023-07-11 | 青岛海信网络科技股份有限公司 | 一种车辆、边缘计算设备、服务器及信息传输方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113706889B (zh) | 2022-09-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109448367B (zh) | 一种基于大数据图像采集的智能道路交通追踪管理系统 | |
CN107843440B (zh) | 一种自动驾驶车辆性能测试系统及方法 | |
CN103456172B (zh) | 一种基于视频的交通参数测量方法 | |
JP6713505B2 (ja) | 舗装情報収集点検システム、舗装情報収集点検方法、及びプログラム | |
CN108389421B (zh) | 基于图像再识别的停车场精确诱导系统及方法 | |
CN109064495A (zh) | 一种基于Faster R-CNN与视频技术的桥面车辆时空信息获取方法 | |
CN107590999B (zh) | 一种基于卡口数据的交通状态判别方法 | |
CN113345237A (zh) | 一种使用路侧激光雷达数据提取车辆轨迹的变道识别与预测方法、系统、设备及存储介质 | |
CN106327880B (zh) | 一种基于监控视频的车速识别方法及其系统 | |
CN113706889B (zh) | 基于目标检测分析的高速公路团雾测量系统及方法 | |
CN115965655A (zh) | 一种基于雷视一体的交通目标跟踪方法 | |
CN117953445B (zh) | 基于交通监控相机雨天道路能见度测定方法、系统及介质 | |
CN103528531A (zh) | 小型车车辆参数的物联网图像智能检测系统 | |
CN114771548A (zh) | 用于高级驾驶辅助系统测试和验证的数据记录 | |
Guerrieri et al. | Flexible and stone pavements distress detection and measurement by deep learning and low-cost detection devices | |
Widyantoro et al. | Fuzzy traffic congestion model based on speed and density of vehicle | |
CN107784261B (zh) | 一种路面状态检测方法及装置 | |
CN115440071B (zh) | 一种自动驾驶违规停车检测方法 | |
CN116434525A (zh) | 一种高速公路智能管理预警系统 | |
CN115116034A (zh) | 一种夜间行人检测方法、装置及系统 | |
Hu et al. | Turning Traffic Monitoring Cameras into Intelligent Sensors for Traffic Density Estimation | |
Prevedouros et al. | Video incident detection tests in freeway tunnels | |
Jomrich et al. | Lane Accurate Detection of Map Changes based on Low Cost Smartphone Data. | |
CN105629333A (zh) | 一种基于视频的道路气象检测方法 | |
CN112907978A (zh) | 基于监控视频的交通流量监控方法 |
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 | ||
CB02 | Change of applicant information | ||
CB02 | Change of applicant information |
Address after: 250100 S06 tower, 1036, Chao Lu Road, hi tech Zone, Ji'nan, Shandong. Applicant after: INSPUR COMMUNICATION AND INFORMATION SYSTEM Co.,Ltd. Address before: 250100 S06 tower, 1036, Chao Lu Road, hi tech Zone, Ji'nan, Shandong. Applicant before: Beijing MetarNet Technology Co.,Ltd. |
|
GR01 | Patent grant | ||
GR01 | Patent grant |