CN113936458B - 高速公路拥堵判别方法、装置、设备及介质 - Google Patents
高速公路拥堵判别方法、装置、设备及介质 Download PDFInfo
- Publication number
- CN113936458B CN113936458B CN202111188675.XA CN202111188675A CN113936458B CN 113936458 B CN113936458 B CN 113936458B CN 202111188675 A CN202111188675 A CN 202111188675A CN 113936458 B CN113936458 B CN 113936458B
- Authority
- CN
- China
- Prior art keywords
- vehicle detection
- detection frame
- area
- determining
- current
- 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.)
- Active
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
Landscapes
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明提供一种高速公路拥堵判别方法、装置、设备及介质,该方法包括:获取目标高速公路监控摄像头采集的视频帧图像;对视频帧图像中的车辆进行识别,以生成与各车辆匹配的车辆检测框;根据各车辆检测框与预设的高速公路上下行区域判断高速公路上下行区域是否发生拥堵。本发明的方法,通过获取目标高速公路监控摄像头采集的视频帧图像,并对视频帧图像中的车辆进行识别,以生成与各车辆匹配的车辆检测框。从而可以根据各所述车辆检测框与预设的高速公路上下行区域判断高速公路上下行区域是否发生拥堵。相比人工轮巡实时监控视频进行监督判断的方式,消耗的人力资源较小,且对高速公路交通拥堵的判别效率较高。
Description
技术领域
本发明涉及交通技术领域,尤其涉及一种高速公路拥堵判别方法、装置、设备及介质。
背景技术
高速公路是车流量密集的区域,由于车流量大,容易发生诸如拥堵、车祸等情况。如果高速公路上出现了车辆拥堵情况,需要及时做出响应措施,以避免出现更严重的衍生问题。
目前对高速公路交通拥堵的判别主要是人工轮巡实时监控视频进行监督判断并上报。消耗人力资源较大,且对高速公路交通拥堵的判别效率较低。
发明内容
本发明提供一种高速公路拥堵判别方法、装置、设备及介质,用以解决目前人工轮巡实时监控视频进行监督判断高速公路是否拥堵时消耗人力资源较大,且判别效率较低的问题。
本发明第一方面提供一种高速公路拥堵判别方法,包括:
获取目标高速公路监控摄像头采集的视频帧图像;
对所述视频帧图像中的车辆进行识别,以生成与各车辆匹配的车辆检测框;
根据各所述车辆检测框与预设的高速公路上下行区域判断高速公路上下行区域是否发生拥堵。
进一步地,如上所述的方法,所述高速公路上下行区域包括上行区域和下行区域;
所述根据各所述车辆检测框与预设的高速公路上下行区域判断高速公路上下行区域是否发生拥堵,包括:
针对上行区域及下行区域,确定当前区域内的车辆检测框;所述当前区域为上行区域或下行区域;
根据当前区域内的各车辆检测框确定各车辆检测框对应车辆在所述视频帧图像中的面积;
将各车辆在所述视频帧图像中的面积进行求和,以生成车辆总面积;
根据所述车辆总面积和预设当前区域面积确定当前区域的道路占有率;
根据所述道路占有率和预设占有率阈值判断当前区域是否发生拥堵。
进一步地,如上所述的方法,所述根据当前区域内的各车辆检测框确定各车辆检测框对应车辆在所述视频帧图像中的面积,包括:
针对每一个车辆检测框,确定当前车辆检测框的相邻车辆检测框;
根据当前车辆检测框在所述视频帧图像的区域边界坐标以及相邻车辆检测框在所述视频帧图像的区域边界坐标确定当前车辆检测框和相邻车辆检测框之间的重叠区域的面积;
根据当前车辆检测框在所述视频帧图像的区域边界坐标确定当前车辆检测框对应的检测框面积;
将所述检测框面积与所述重叠区域的面积之间的差值确定为当前车辆检测框对应车辆在所述视频帧图像中的面积。
进一步地,如上所述的方法,所述高速公路上下行区域包括上行区域和下行区域;
所述根据各所述车辆检测框与预设的高速公路上下行区域判断高速公路上下行区域是否发生拥堵,包括:
针对上行区域以及下行区域,确定当前区域内的车辆检测框;所述当前区域为上行区域或下行区域;
针对每一个车辆检测框,确定当前车辆检测框的相邻车辆检测框;
根据当前车辆检测框在所述视频帧图像的区域边界坐标和相邻车辆检测框在所述视频帧图像的区域边界坐标确定当前车辆检测框与相邻车辆检测框的相对距离;
确定下一车辆检测框,将下一车辆检测框确定为当前车辆检测框,并执行所述确定当前车辆检测框的相邻车辆检测框的步骤,直到确定所有车辆检测框与对应相邻车辆检测框之间的相对距离;
确定所有车辆检测框中相对距离小于预设距离阈值的车辆检测框的数量;
根据所述数量和预设数量阈值判断当前区域是否发生拥堵。
进一步地,如上所述的方法,所述根据当前车辆检测框在所述视频帧图像的区域边界坐标和相邻车辆检测框在所述视频帧图像的区域边界坐标确定当前车辆检测框与相邻车辆检测框的相对距离,包括:
根据当前车辆检测框在所述视频帧图像的区域边界坐标确定当前车辆检测框对应的中心点坐标、检测框长度和检测框宽度;
根据相邻车辆检测框在所述视频帧图像的区域边界坐标确定相邻车辆检测框对应的中心点坐标、检测框长度和检测框宽度;
根据当前车辆检测框对应的中心点坐标、检测框长度和检测框宽度以及相邻车辆检测框对应的中心点坐标、检测框长度和检测框宽度确定当前车辆检测框与相邻车辆检测框的相对距离。
进一步地,如上所述的方法,所述根据当前车辆检测框对应的中心点坐标、检测框长度和检测框宽度以及相邻车辆检测框对应的中心点坐标、检测框长度和检测框宽度确定当前车辆检测框与相邻车辆检测框的相对距离,包括:
根据所述当前车辆检测框对应的中心点坐标和相邻车辆检测框对应的中心点坐标确定当前车辆检测框与相邻车辆检测框之间的中心距离;
将当前车辆检测框对应的检测框长度和检测框宽度以及相邻车辆检测框对应的检测框长度和检测框宽度中数值最大的长度或宽度确定为相对距离参考量;
将所述中心距离与所述相对距离参考量之间的商确定为当前车辆检测框与相邻车辆检测框的相对距离。
进一步地,如上所述的方法,所述根据各所述车辆检测框与预设的高速公路上下行区域判断高速公路是否发生拥堵之前,还包括:
获取目标高速公路监控摄像头采集的预设时间段内的多个连续的视频帧图像;
对各连续的视频帧图像中的车辆进行识别,以生成各车辆对应的车辆检测框;
确定多个连续的视频帧图像中相同车辆检测框的坐标变化轨迹;
根据各所述坐标变化轨迹确定视频帧图像中高速公路上下行区域。
进一步地,如上所述的方法,所述对所述视频帧图像中的车辆进行识别,以生成与各车辆匹配的车辆检测框之前,还包括:
提取多个连续的视频帧图像中相邻的两帧视频帧图像的特征点;
将相邻的两帧视频帧图像的特征点进行匹配,以确定匹配的特征点的数量;
若匹配的特征点的数量大于或等于预设特征点数量阈值,则执行所述对所述视频帧图像中的车辆进行识别,以生成与各车辆匹配的车辆检测框的步骤。
进一步地,如上所述的方法,若匹配的特征点的数量小于预设特征点数量阈值,则还包括:
针对每两个匹配的特征点,根据当前匹配的两个特征点的坐标确定当前匹配的两个特征点之间的坐标偏移量;
确定下一匹配的两个特征点,并将下一匹配的两个特征点确定为当前匹配的两个特征点,并执行所述据当前匹配的两个特征点的坐标确定当前匹配的两个特征点之间的坐标偏移量的步骤,直至确定所有匹配的两个特征点对应的坐标偏移量;
确定所有坐标偏移量中大于预设偏移量阈值的坐标偏移量;
计算所有大于预设偏移量阈值的坐标偏移量的平均值;
判断所述平均值是否大于预设偏移平均阈值,若确定所述平均值小于或等于预设偏移平均阈值,则执行所述对所述视频帧图像中的车辆进行识别,以生成与各车辆匹配的车辆检测框的步骤。
本发明第二方面提供一种高速公路拥堵判别装置,包括:
获取模块,用于获取目标高速公路监控摄像头采集的视频帧图像;
检测框生成模块,用于对所述视频帧图像中的车辆进行识别,以生成与各车辆匹配的车辆检测框;
判断模块,用于根据各所述车辆检测框与预设的高速公路上下行区域判断高速公路上下行区域是否发生拥堵。
进一步地,如上所述的装置,所述高速公路上下行区域包括上行区域和下行区域;
所述判断模块具体用于:
针对上行区域及下行区域,确定当前区域内的车辆检测框;所述当前区域为上行区域或下行区域;根据当前区域内的各车辆检测框确定各车辆检测框对应车辆在所述视频帧图像中的面积;将各车辆在所述视频帧图像中的面积进行求和,以生成车辆总面积;根据所述车辆总面积和预设当前区域面积确定当前区域的道路占有率;根据所述道路占有率和预设占有率阈值判断当前区域是否发生拥堵。
进一步地,如上所述的装置,所述判断模块在根据当前区域内的各车辆检测框确定各车辆检测框对应车辆在所述视频帧图像中的面积时,具体用于:
针对每一个车辆检测框,确定当前车辆检测框的相邻车辆检测框;根据当前车辆检测框在所述视频帧图像的区域边界坐标以及相邻车辆检测框在所述视频帧图像的区域边界坐标确定当前车辆检测框和相邻车辆检测框之间的重叠区域的面积;根据当前车辆检测框在所述视频帧图像的区域边界坐标确定当前车辆检测框对应的检测框面积;将所述检测框面积与所述重叠区域的面积之间的差值确定为当前车辆检测框对应车辆在所述视频帧图像中的面积。
进一步地,如上所述的装置,所述高速公路上下行区域包括上行区域和下行区域;
所述判断模块具体用于:
针对上行区域以及下行区域,确定当前区域内的车辆检测框;所述当前区域为上行区域或下行区域;针对每一个车辆检测框,确定当前车辆检测框的相邻车辆检测框;根据当前车辆检测框在所述视频帧图像的区域边界坐标和相邻车辆检测框在所述视频帧图像的区域边界坐标确定当前车辆检测框与相邻车辆检测框的相对距离;确定下一车辆检测框,将下一车辆检测框确定为当前车辆检测框,并执行所述确定当前车辆检测框的相邻车辆检测框的步骤,直到确定所有车辆检测框与对应相邻车辆检测框之间的相对距离;确定所有车辆检测框中相对距离小于预设距离阈值的车辆检测框的数量;根据所述数量和预设数量阈值判断当前区域是否发生拥堵。
进一步地,如上所述的装置,所述判断模块在根据当前车辆检测框在所述视频帧图像的区域边界坐标和相邻车辆检测框在所述视频帧图像的区域边界坐标确定当前车辆检测框与相邻车辆检测框的相对距离时,具体用于:
根据当前车辆检测框在所述视频帧图像的区域边界坐标确定当前车辆检测框对应的中心点坐标、检测框长度和检测框宽度;根据相邻车辆检测框在所述视频帧图像的区域边界坐标确定相邻车辆检测框对应的中心点坐标、检测框长度和检测框宽度;根据当前车辆检测框对应的中心点坐标、检测框长度和检测框宽度以及相邻车辆检测框对应的中心点坐标、检测框长度和检测框宽度确定当前车辆检测框与相邻车辆检测框的相对距离。
进一步地,如上所述的装置,所述判断模块在根据当前车辆检测框对应的中心点坐标、检测框长度和检测框宽度以及相邻车辆检测框对应的中心点坐标、检测框长度和检测框宽度确定当前车辆检测框与相邻车辆检测框的相对距离时,具体用于:
根据所述当前车辆检测框对应的中心点坐标和相邻车辆检测框对应的中心点坐标确定当前车辆检测框与相邻车辆检测框之间的中心距离;将当前车辆检测框对应的检测框长度和检测框宽度以及相邻车辆检测框对应的检测框长度和检测框宽度中数值最大的长度或宽度确定为相对距离参考量;将所述中心距离与所述相对距离参考量之间的商确定为当前车辆检测框与相邻车辆检测框的相对距离。
进一步地,如上所述的装置,所述高速公路拥堵判别装置还包括:
上下行区域确定模块,用于获取目标高速公路监控摄像头采集的预设时间段内的多个连续的视频帧图像;对各连续的视频帧图像中的车辆进行识别,以生成各车辆对应的车辆检测框;确定多个连续的视频帧图像中相同车辆检测框的坐标变化轨迹;根据各所述坐标变化轨迹确定视频帧图像中高速公路上下行区域。
进一步地,如上所述的装置,所述高速公路拥堵判别装置还包括:
特征点匹配模块,用于提取多个连续的视频帧图像中相邻的两帧视频帧图像的特征点;将相邻的两帧视频帧图像的特征点进行匹配,以确定匹配的特征点的数量;若匹配的特征点的数量大于或等于预设特征点数量阈值,则执行所述对所述视频帧图像中的车辆进行识别,以生成与各车辆匹配的车辆检测框的步骤。
进一步地,如上所述的装置,若匹配的特征点的数量小于预设特征点数量阈值,则特征点匹配模块还用于:
针对每两个匹配的特征点,根据当前匹配的两个特征点的坐标确定当前匹配的两个特征点之间的坐标偏移量;确定下一匹配的两个特征点,并将下一匹配的两个特征点确定为当前匹配的两个特征点,并执行所述据当前匹配的两个特征点的坐标确定当前匹配的两个特征点之间的坐标偏移量的步骤,直至确定所有匹配的两个特征点对应的坐标偏移量;确定所有坐标偏移量中大于预设偏移量阈值的坐标偏移量;计算所有大于预设偏移量阈值的坐标偏移量的平均值;判断所述平均值是否大于预设偏移平均阈值,若确定所述平均值小于或等于预设偏移平均阈值,则执行所述对所述视频帧图像中的车辆进行识别,以生成与各车辆匹配的车辆检测框的步骤。
本发明第三方面提供一种电子设备,包括:处理器,以及与所述处理器通信连接的存储器;
所述存储器存储计算机执行指令;
所述处理器执行所述存储器存储的计算机执行指令,以实现如第一方面任一项所述的高速公路拥堵判别方法。
本发明第四方面提供一种计算机可读存储介质,所述计算机可读存储介质中存储有计算机执行指令,所述计算机执行指令被处理器执行时用于实现第一方面任一项所述的高速公路拥堵判别方法。
本发明第五方面提供一种计算机程序产品,包括计算机程序,该计算机程序被处理器执行时实现第一方面任一项所述的高速公路拥堵判别方法。
本发明提供的一种高速公路拥堵判别方法、装置、设备及介质,该方法包括:获取目标高速公路监控摄像头采集的视频帧图像;对所述视频帧图像中的车辆进行识别,以生成与各车辆匹配的车辆检测框;根据各所述车辆检测框与预设的高速公路上下行区域判断高速公路上下行区域是否发生拥堵。本发明的高速公路拥堵判别方法,通过获取目标高速公路监控摄像头采集的视频帧图像,并对视频帧图像中的车辆进行识别,以生成与各车辆匹配的车辆检测框。从而可以根据各所述车辆检测框与预设的高速公路上下行区域判断高速公路上下行区域是否发生拥堵。相比人工轮巡实时监控视频进行监督判断的方式,消耗的人力资源较小,且对高速公路交通拥堵的判别效率较高。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本发明的实施例,并与说明书一起用于解释本发明的原理。
图1为可以实现本发明实施例的高速公路拥堵判别方法的场景图;
图2为本发明第一实施例提供的高速公路拥堵判别方法的流程示意图;
图3为本发明第二实施例提供的高速公路拥堵判别方法的流程示意图;
图4为本发明第三实施例提供的高速公路拥堵判别方法的流程示意图;
图5为本发明第四实施例提供的高速公路拥堵判别方法的高速公路上下行区域示意图;
图6为本发明第五实施例提供的高速公路拥堵判别装置的结构示意图;
图7为本发明第六实施例提供的电子设备的结构示意图。
通过上述附图,已示出本发明明确的实施例,后文中将有更详细的描述。这些附图和文字描述并不是为了通过任何方式限制本发明构思的范围,而是通过参考特定实施例为本领域技术人员说明本发明的概念。
具体实施方式
这里将详细地对示例性实施例进行说明,其示例表示在附图中。下面的描述涉及附图时,除非另有表示,不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本发明相一致的所有实施方式。相反,它们仅是与如所附权利要求书中所详述的、本发明的一些方面相一致的装置和方法的例子。
下面以具体地实施例对本发明的技术方案进行详细说明。下面这几个具体的实施例可以相互结合,对于相同或相似的概念或过程可能在某些实施例中不再赘述。下面将结合附图,对本发明的实施例进行描述。
为了清楚理解本申请的技术方案,首先对现有技术的方案进行详细介绍。高速公路是车辆行驶密集的区域,车辆行驶速度较快,高速公路上容易因为车流量较大而导致拥堵的发生。而如果发生车祸,高速公路上将会出现长时间的拥堵情况。此时,需要交通指示相关人员及时做出响应措施来解决高速公路上的拥堵情况。目前对于高速公路是否发生拥堵,是通过人工观察轮巡实时监控视频进行监督判断。
人工监督多路轮巡视频需要后台监控人员长时间集中注意力,容易产生疲劳,不免会出现漏报的情况,且消耗人力,对高速公路交通拥堵的判别效率较低。
所以针对现有技术中对高速公路交通拥堵的判别方式消耗人力资源较大,且对高速公路交通拥堵的判别效率较低的问题,发明人在研究中发现,为了解决该问题,可以利用高速公路上的监控摄像头。由于高速公路上的监控摄像头会实时的监控高速公路的情况,通过对监控摄像头采集的高速公路的视频帧中车辆情况进行识别,可以判别高速公路是否发生拥堵。具体的,首先获取目标高速公路监控摄像头采集的视频帧图像,并对视频帧图像中的车辆进行识别,以生成与各车辆匹配的车辆检测框。从而可以根据各车辆检测框与预设的高速公路上下行区域判断高速公路上下行区域是否发生拥堵。相比人工轮巡实时监控视频进行监督判断的方式,消耗的人力资源较小,且对高速公路交通拥堵的判别效率较高。
发明人基于上述的创造性发现,提出了本申请的技术方案。
下面对本发明实施例提供的高速公路拥堵判别方法的应用场景进行介绍。如图1所示,其中,1为电子设备,2为监控摄像头。本发明实施例提供的高速公路拥堵判别方法对应的应用场景的网络架构中包括:电子设备1和监控摄像头2。同时,也可以采用中间电子设备,通过中间电子设备存储监控摄像头2采集的高速公路的视频帧图像,然后由电子设备1从中间电子设备处获取监控摄像头2采集的高速公路的视频帧图像。
监控摄像头2设置在高速公路的道路旁,并朝向高速公路实时拍摄,拍摄的角度可以根据实际需求进行设置。在需要进行高速公路拥堵判别时,电子设备1从监控摄像头2获取其采集的视频帧图像,并对视频帧图像中的车辆进行识别,以生成与各车辆匹配的车辆检测框。由于每个视频帧图像都可以反映高速公路的实施情况,从而通过各车辆检测框与预设的高速公路上下行区域,可以确定高速公路上下行区域是否发生拥堵。比如可以通过车辆检测框在预设的高速公路上下行区域的数量,车辆检测框总体的面积与预设的高速公路上下行区域面积的比值等,来判断高速公路上下行区域是否发生拥堵。在判断高速公路上下行区域发生拥堵后,可以发送提醒信息给交通指示相关人员的终端设备,以及时的解决高速公路上的拥堵问题。
下面结合说明书附图对本发明实施例进行介绍。
图2为本发明第一实施例提供的高速公路拥堵判别方法的流程示意图,如图2所示,本实施例中,本发明实施例的执行主体为高速公路拥堵判别装置,该高速公路拥堵判别装置可以集成在电子设备中。则本实施例提供的高速公路拥堵判别方法包括以下几个步骤:
步骤S101,获取目标高速公路监控摄像头采集的视频帧图像。
本实施例中,获取目标高速公路监控摄像头采集的视频帧图像的方式可以是实时从监控摄像头处获取也可以是通过存储有目标高速公路监控摄像头采集的视频帧图像的电子设备处获取。监控摄像头可以设置在目标高速公路的中间区域上方或者高速公路两边。
视频帧图像是监控摄像头实时拍摄目标高速公路区域产生的视频流中的每一帧图像。
步骤S102,对视频帧图像中的车辆进行识别,以生成与各车辆匹配的车辆检测框。
本实施例中,可以通过图像识别技术,比如神经网络技术或者深度学习技术,对视频帧图像中的车辆进行识别。车辆检测框一般与实际车辆之间存在间隙,且与车辆相匹配,为了方便区分,对每个车辆检测框可以设置对应的标识。
步骤S103,根据各车辆检测框与预设的高速公路上下行区域判断高速公路上下行区域是否发生拥堵。
本实施例中,由于视频帧一般包括高速公路和高速公路的环境,预设的高速公路上下行区域是视频帧上的高速公路上行区域和高速公路下行区域的集合,一般占视频帧的部分图像。该区域可以提前识别区分,然后直接将该区域用来判断高速公路上下行区域是否发生拥堵。
此时方式主要针对监控摄像头处于常态时,比如固定某角度、固定缩放倍率或者低频率的移动角度、低频率的缩放倍率时,可以直接采用预设的高速公路上下行区域结合车辆检测框来判断。若监控摄像头处于高频率的切换状态时,则不适用于此方式。
预设的高速公路上下行区域可以在监控摄像头处于常用的几个拍摄角度、缩放倍率时,提前识别出来。
本发明实施例提供的一种高速公路拥堵判别方法,该方法包括:获取目标高速公路监控摄像头采集的视频帧图像。对视频帧图像中的车辆进行识别,以生成与各车辆匹配的车辆检测框。根据各车辆检测框与预设的高速公路上下行区域判断高速公路上下行区域是否发生拥堵。本发明的高速公路拥堵判别方法,通过获取目标高速公路监控摄像头采集的视频帧图像,并对视频帧图像中的车辆进行识别,以生成与各车辆匹配的车辆检测框。从而可以根据各车辆检测框与预设的高速公路上下行区域判断高速公路上下行区域是否发生拥堵。相比人工轮巡实时监控视频进行监督判断的方式,消耗的人力资源较小,且对高速公路交通拥堵的判别效率较高。
图3为本发明第二实施例提供的高速公路拥堵判别方法的流程示意图,如图3所示,本实施例提供的高速公路拥堵判别方法,是在本发明上一实施例提供的高速公路拥堵判别方法的基础上,对步骤103进行了进一步的细化。则本实施例提供的高速公路拥堵判别方法包括以下步骤。
需要说明的是,高速公路上下行区域包括上行区域和下行区域。
步骤S201,获取目标高速公路监控摄像头采集的视频帧图像。
本实施例中,步骤201的实现方式与本发明上一实施例中的步骤101的实现方式类似,在此不再一一赘述。
步骤S202,对视频帧图像中的车辆进行识别,以生成与各车辆匹配的车辆检测框。
本实施例中,步骤202的实现方式与本发明上一实施例中的步骤102的实现方式类似,在此不再一一赘述。
步骤S203,针对高速公路上下行区域中的上行区域及下行区域,确定当前区域内的车辆检测框。当前区域为上行区域或下行区域。
本实施例中,由于高速公路上,存在两个区域,一个是上行区域,另一个是下行区域。一般某一个区域发生拥堵即判断高速公路发生拥堵。道路拥堵通常会集中发生在道路的某一侧,对上下行区域分别进行拥堵检测可以对道路拥堵有更准确的判断。
因而,可以针对上行区域以及下行区域,分别判断是否发生拥堵。
步骤S204,根据当前区域内的各车辆检测框确定各车辆检测框对应车辆在视频帧图像中的面积。
本实施例中,由于各车辆处于当前区域中,车辆检测框也会处于当前区域。若车辆数量较多,当前区域发生拥堵,则车辆检测框对应车辆在视频帧图像中的面积是比较大的。若车辆数量较少,当前区域未发生拥堵,则车辆检测框对应车辆在视频帧图像中的面积较小。
可选的,本实施例中,根据当前区域内的各车辆检测框确定各车辆检测框对应车辆在视频帧图像中的面积的步骤可以具体为:
针对每一个车辆检测框,确定当前车辆检测框的相邻车辆检测框。
根据当前车辆检测框在视频帧图像的区域边界坐标以及相邻车辆检测框在视频帧图像的区域边界坐标确定当前车辆检测框和相邻车辆检测框之间的重叠区域的面积。
根据当前车辆检测框在视频帧图像的区域边界坐标确定当前车辆检测框对应的检测框面积。
将检测框面积与重叠区域的面积之间的差值确定为当前车辆检测框对应车辆在视频帧图像中的面积。
本实施例中,相邻车辆检测框可以是处于当前车辆检测框上下左右处相邻的车辆检测框。视频帧图像中可以以左上角为原点,建立图像的坐标系,使图像中每个像素点都具有对应的坐标。
通过当前车辆检测框在视频帧图像的区域边界坐标以及相邻车辆检测框在视频帧图像的区域边界坐标确定出当前车辆检测框和相邻车辆检测框之间的重叠区域后,可以通过重叠区域的边界坐标进一步确定出重叠区域的面积。
当前区域发生拥堵时,当前车辆检测框与相邻车辆检测框由于间隔的距离较近,两者之间存在重叠区域。
若需要计算当前车辆检测框对应车辆在视频帧图像中的面积,则需要将当前车辆的检测框面积减去重叠区域的面积,以得到精确的面积大小。
步骤S205,将各车辆在视频帧图像中的面积进行求和,以生成车辆总面积。
步骤S206,根据车辆总面积和预设当前区域面积确定当前区域的道路占有率。
本实施例中,预设当前区域面积可以通过当前区域的区域边界坐标提前计算得到。道路占有率指车辆占据道路的面积比例,因而,通过确定出当前区域中车辆总面积,可以通过计算车辆总面积和预设当前区域面积之间的商,来确定出道路占有率。
步骤S207,根据道路占有率和预设占有率阈值判断当前区域是否发生拥堵。
本实施例中,通过道路占有率可以较好的反映当前区域的拥堵情况。若道路占有率较高,则当前区域发生拥堵,若道路占有率较低,则当前区域未发生拥堵。通过设置占有率阈值可以更精确的判断当前区域是否发生拥堵,占有率阈值可以根据实际需求和经验进行设置,比如可以设置为0.7、0.8等。同时,也可以将高速公路拥堵情况通过设置不同的预设占有率阈值来划分拥堵系数,比如可以设置5个级别,等级1为畅通,等级2为基本畅通,等级3为轻度拥堵,等级4为中度拥堵,等级5为重度拥堵。
图4为本发明第三实施例提供的高速公路拥堵判别方法流程示意图。如图4所示,本实施例提供的高速公路拥堵判别方法,是在本发明第一实施例提供的高速公路拥堵判别方法的基础上,对步骤103进行了进一步细化。则本实施例提供的高速公路拥堵判别方法包括以下步骤。
步骤S301,获取目标高速公路监控摄像头采集的视频帧图像。
本实施例中,步骤301的实现方式与本发明上一实施例中的步骤101的实现方式类似,在此不再一一赘述。
步骤S302,对视频帧图像中的车辆进行识别,以生成与各车辆匹配的车辆检测框。
本实施例中,步骤302的实现方式与本发明上一实施例中的步骤102的实现方式类似,在此不再一一赘述。
步骤S303,针对高速公路上下行区域中的上行区域及下行区域,确定当前区域内的车辆检测框。当前区域为上行区域或下行区域。
本实施例中,步骤303的实现方式与本发明上一实施例中的步骤203的实现方式类似,在此不再一一赘述。
步骤S304,针对每一个车辆检测框,确定当前车辆检测框的相邻车辆检测框。
本实施例中,相邻车辆检测框可以是处于当前车辆检测框上下左右处相邻的车辆检测框。
步骤S305,根据当前车辆检测框在视频帧图像的区域边界坐标和相邻车辆检测框在视频帧图像的区域边界坐标确定当前车辆检测框与相邻车辆检测框的相对距离。
本实施例中,由于高速公路区域发生拥堵时,相邻的车辆之间的距离较近,可以从当前车辆检测框与相邻车辆检测框的相对距离出发,来确定当前区域是否拥堵。
可选的,本实施例中,根据当前车辆检测框在视频帧图像的区域边界坐标和相邻车辆检测框在视频帧图像的区域边界坐标确定当前车辆检测框与相邻车辆检测框的相对距离,包括:
根据当前车辆检测框在视频帧图像的区域边界坐标确定当前车辆检测框对应的中心点坐标、检测框长度和检测框宽度。
根据相邻车辆检测框在视频帧图像的区域边界坐标确定相邻车辆检测框对应的中心点坐标、检测框长度和检测框宽度。
根据当前车辆检测框对应的中心点坐标、检测框长度和检测框宽度以及相邻车辆检测框对应的中心点坐标、检测框长度和检测框宽度确定当前车辆检测框与相邻车辆检测框的相对距离。
本实施例中,当前车辆检测框在视频帧图像的区域边界坐标包括左上角、左下角、右上角和右下角坐标,通过区域边界坐标可以确定当前车辆检测框对应的中心点坐标、检测框长度和检测框宽度。相邻车辆检测框同理,通过区域边界坐标可以确定相邻车辆检测框对应的中心点坐标、检测框长度和检测框宽度。
可选的,本实施例中,根据当前车辆检测框对应的中心点坐标、检测框长度和检测框宽度以及相邻车辆检测框对应的中心点坐标、检测框长度和检测框宽度确定当前车辆检测框与相邻车辆检测框的相对距离,具体为:
根据当前车辆检测框对应的中心点坐标和相邻车辆检测框对应的中心点坐标确定当前车辆检测框与相邻车辆检测框之间的中心距离。
将当前车辆检测框对应的检测框长度和检测框宽度以及相邻车辆检测框对应的检测框长度和检测框宽度中数值最大的长度或宽度确定为相对距离参考量。
将中心距离与相对距离参考量之间的商确定为当前车辆检测框与相邻车辆检测框的相对距离。
具体的计算方式如下所示:
其中,当前车辆检测框和相邻车辆检测框坐标分别为(x1min,y1min,x1max,y1max),(x2min,y2min,x2max,y2max),x1min为当前车辆检测框的左下角坐标,x1max为当前车辆检测框的右下角坐标,y1min为当前车辆检测框的左上角坐标,y1max当前车辆检测框的右上角坐标,x2min为相邻车辆检测框的左下角坐标,x2max为相邻车辆检测框的右下角坐标,y2min为相邻车辆检测框的左上角坐标,y2max相邻车辆检测框的右上角坐标,r为相对距离。
本实施例中,由于视频帧图像中,车辆的大小与实际高速公路中实际车辆与监控摄像头之间的距离相关。实际高速公路中实际车辆与监控摄像头之间的距离较近,则呈现在视频帧图像中的车辆面积较大,车辆检测框也较大,当前车辆检测框与相邻车辆检测框之间的中心距离相对而言偏大。反之,实际高速公路中实际车辆与监控摄像头之间的距离较远,则呈现在视频帧图像中的车辆面积较小,车辆检测框也较小,同时,在视频帧上,当前车辆检测框与相邻车辆检测框之间的中心距离偏小。
假设实际高速公路中,每辆车前后间距相同。近处的两个车辆检测框之间的距离相比远处的两个车辆检测框之间的距离更大。因而,可以将当前车辆检测框对应的检测框长度和检测框宽度以及相邻车辆检测框对应的检测框长度和检测框宽度中数值最大的长度或宽度作为相对距离参考量,来削弱由于距离监控摄像头远近造成的误差。
当前车辆检测框对应的检测框长度和检测框宽度以及相邻车辆检测框对应的检测框长度和检测框宽度中数值最大的长度或宽度,举例来说,假设当前车辆检测框的检测框长度为2厘米,宽度为1厘米,而相邻车辆检测框对应的检测框长度为1.5厘米,检测框宽度为1厘米,则数值最大的长度或宽度为2厘米。
步骤S306,所有车辆检测框与对应相邻车辆检测框之间的相对距离是否都计算完成?若是,则执行步骤S308,若否,则执行步骤S307。
本实施例中需要确定所有车辆检测框与对应相邻车辆检测框之间的相对距离,从而根据相对距离偏小的数量来判断当前区域是否拥堵。
步骤S307,确定下一车辆检测框,将下一车辆检测框确定为当前车辆检测框。
本实施例中,将下一车辆检测框确定为当前车辆检测框,从而使下一车辆检测框作为当前车辆检测框执行确定相对距离的流程。
步骤S308,确定所有车辆检测框中相对距离小于预设距离阈值的车辆检测框的数量。
本实施例中,预设距离阈值可以根据实际需求进行设置,当车辆检测框中相对距离小于预设距离阈值的车辆检测框的数量较多时,可以判断出当前区域发生拥堵。
步骤S309,根据该数量和预设数量阈值判断当前区域是否发生拥堵。
本实施例中,预设数量阈值可以根据实际应用场景进行设置,比如高速公路范围较大的,可以将预设数量阈值设置更大。
在实际使用时,可以通过对多个视频帧图像判断是否拥堵的情况进行统计,从而在大多数视频帧图像都是判别拥堵时,将拥堵情况发送至相关人员的终端设备,提高判别拥堵的精确性。
为了更方便的理解本实施例的方法,下面将结合附图详细说明预设的高速公路上下行区域的确定流程以及判断监控摄像头是否偏转的流程。
本实施例中,预设的高速公路上下行区域可以预先进行识别得到。具体为:
获取目标高速公路监控摄像头采集的预设时间段内的多个连续的视频帧图像。
对各连续的视频帧图像中的车辆进行识别,以生成各车辆对应的车辆检测框。
确定多个连续的视频帧图像中相同车辆检测框的坐标变化轨迹。
根据各坐标变化轨迹确定视频帧图像中高速公路上下行区域。
本实施例中,获取目标高速公路监控摄像头采集的一定时间内的视频流数据,比如可以获取一天时间内的视频流,然后将该一天时间内的视频流拆分为连续的视频帧图像,并对各连续的视频帧图像中的车辆进行识别,从而确定出每辆车对应车辆检测框的坐标变化轨迹。通过该多个车辆的车辆检测框的坐标变化轨迹可以确定出视频帧图像中高速公路上下行区域。
示例性的,可以使用基于深度学习的算法对实时视频流进行车辆目标检测和跟踪,通过相邻帧每辆车检测框中心点坐标值的变化判断车辆是上行车辆还是下行车辆,分别使用不同颜色持续对连续帧上行车辆和下行车辆检测框区域进行绘制,累积绘制一定车流量阈值后,得到的绘制图片中不同颜色分别代表道路的上行区域和下行区域,阈值根据实际经验设定。其中车流量的计算是通过持续统计车辆跟踪得到的不同标识数量得出,跟踪算法会给出每一帧出现的车辆的标识以及在图片中的坐标位置,同一标识车辆从驶入监控画面到驶出监控画面通常会持续一段时间,通过持续统计上下行车辆不同标识数目可以得出通过当前监控画面的上下行车流量数目。对绘制图片中不同颜色区域按颜色阈值提取可得到上下行区域,对上下行区域分别计算边界轮廓,最终对轮廓内累计像素值可分别得到上下行道路区域面积。
确定出的视频帧图像中高速公路上下行区域如图5所示。图5示出了视频帧图像中高速公路上下行区域,而通过使用不同颜色持续对连续帧上行车辆和下行车辆检测框区域进行绘制得到的绘制后的颜色图没有示出。图5中,第一竖列为上行区域,第二竖列为下行区域,横向第一-第四排分别代表四个监控摄像头采集的四个不同的图像帧。从图中可以看出,高速公路上下行区域在图像中会占据一部分区域,另一部分区域为环境。
同时,为了提高高速公路拥堵情况判断的准确性,可以先确定监控摄像头的位置移动情况。具体为:
提取多个连续的视频帧图像中相邻的两帧视频帧图像的特征点。
将相邻的两帧视频帧图像的特征点进行匹配,以确定匹配的特征点的数量。
若匹配的特征点的数量大于或等于预设特征点数量阈值,则执行对视频帧图像中的车辆进行识别,以生成与各车辆匹配的车辆检测框的步骤。
若匹配的特征点的数量小于预设特征点数量阈值,则还包括:
针对每两个匹配的特征点,根据当前匹配的两个特征点的坐标确定当前匹配的两个特征点之间的坐标偏移量。
确定下一匹配的两个特征点,并将下一匹配的两个特征点确定为当前匹配的两个特征点,并执行据当前匹配的两个特征点的坐标确定当前匹配的两个特征点之间的坐标偏移量的步骤,直至确定所有匹配的两个特征点对应的坐标偏移量。
确定所有坐标偏移量中大于预设偏移量阈值的坐标偏移量。
计算所有大于预设偏移量阈值的坐标偏移量的平均值。
判断平均值是否大于预设偏移平均阈值,若确定平均值小于或等于预设偏移平均阈值,则执行对视频帧图像中的车辆进行识别,以生成与各车辆匹配的车辆检测框的步骤。
本实施例中,由于监控摄像头角度会不定期发生转换,比如发生交通事故时会拉近摄像头,有时也会转向道路相反方向,此时所求道路上下行区域就不适用于当前画面,所以需要对视频画面的转换和偏移进行监测。我们使用特征点匹配的方法监测视频画面的偏移。间隔时间T1取视频中的两帧,提取每帧中的特征点,对两帧的特征点进行匹配,对匹配到的每个点计算两个点的坐标偏移量,若点的坐标变化大于预设偏移量阈值时,认为该点发生偏移,计算所有发生偏移的点的偏移距离的平均值。
可以对这个平均值判断是否大于预设偏移平均阈值,也可以设置多个预设便宜阈值,从而可以按大小划分等级,分为无偏移、轻微偏移、严重偏移三个等级。轻微偏移可能由于镜头的抖动,严重偏移可能由于摄像头视角在一定范围内发生了改变如拉近的摄像头。若两帧匹配到的特征点非常少,那么可能是整个场景发生了改变,如摄像头转向相反方向。对严重偏移和摄像头反向的情况,需要对道路上下行区域进行重新提取,此时不进行高速公路是否拥堵的判别。
图6为本发明第五实施例提供的高速公路拥堵判别装置的结构示意图,如图6所示,本实施例中,该高速公路拥堵判别装置400包括:
获取模块401,用于获取目标高速公路监控摄像头采集的视频帧图像。
检测框生成模块402,用于对视频帧图像中的车辆进行识别,以生成与各车辆匹配的车辆检测框。
判断模块403,用于根据各车辆检测框与预设的高速公路上下行区域判断高速公路上下行区域是否发生拥堵。
本实施例提供的高速公路拥堵判别装置可以执行图2所示方法实施例的技术方案,其实现原理和技术效果与图2所示方法实施例类似,在此不再一一赘述。
同时,本发明提供的高速公路拥堵判别装置在上一实施例提供的高速公路拥堵判别装置的基础上,对高速公路拥堵判别装置400进行了进一步的细化。
可选的,本实施例中,高速公路上下行区域包括上行区域和下行区域。
判断模块403具体用于:
针对上行区域及下行区域,确定当前区域内的车辆检测框。当前区域为上行区域或下行区域。根据当前区域内的各车辆检测框确定各车辆检测框对应车辆在视频帧图像中的面积。将各车辆在视频帧图像中的面积进行求和,以生成车辆总面积。根据车辆总面积和预设当前区域面积确定当前区域的道路占有率。根据道路占有率和预设占有率阈值判断当前区域是否发生拥堵。
可选的,本实施例中,判断模块403在根据当前区域内的各车辆检测框确定各车辆检测框对应车辆在视频帧图像中的面积时,具体用于:
针对每一个车辆检测框,确定当前车辆检测框的相邻车辆检测框。根据当前车辆检测框在视频帧图像的区域边界坐标以及相邻车辆检测框在视频帧图像的区域边界坐标确定当前车辆检测框和相邻车辆检测框之间的重叠区域的面积。根据当前车辆检测框在视频帧图像的区域边界坐标确定当前车辆检测框对应的检测框面积。将检测框面积与重叠区域的面积之间的差值确定为当前车辆检测框对应车辆在视频帧图像中的面积。
可选的,本实施例中,高速公路上下行区域包括上行区域和下行区域。
判断模块403具体用于:
针对上行区域以及下行区域,确定当前区域内的车辆检测框。当前区域为上行区域或下行区域。针对每一个车辆检测框,确定当前车辆检测框的相邻车辆检测框。根据当前车辆检测框在视频帧图像的区域边界坐标和相邻车辆检测框在视频帧图像的区域边界坐标确定当前车辆检测框与相邻车辆检测框的相对距离。确定下一车辆检测框,将下一车辆检测框确定为当前车辆检测框,并执行确定当前车辆检测框的相邻车辆检测框的步骤,直到确定所有车辆检测框与对应相邻车辆检测框之间的相对距离。确定所有车辆检测框中相对距离小于预设距离阈值的车辆检测框的数量。根据数量和预设数量阈值判断当前区域是否发生拥堵。
可选的,本实施例中,判断模块403在根据当前车辆检测框在视频帧图像的区域边界坐标和相邻车辆检测框在视频帧图像的区域边界坐标确定当前车辆检测框与相邻车辆检测框的相对距离时,具体用于:
根据当前车辆检测框在视频帧图像的区域边界坐标确定当前车辆检测框对应的中心点坐标、检测框长度和检测框宽度。根据相邻车辆检测框在视频帧图像的区域边界坐标确定相邻车辆检测框对应的中心点坐标、检测框长度和检测框宽度。根据当前车辆检测框对应的中心点坐标、检测框长度和检测框宽度以及相邻车辆检测框对应的中心点坐标、检测框长度和检测框宽度确定当前车辆检测框与相邻车辆检测框的相对距离。
可选的,本实施例中,判断模块403在根据当前车辆检测框对应的中心点坐标、检测框长度和检测框宽度以及相邻车辆检测框对应的中心点坐标、检测框长度和检测框宽度确定当前车辆检测框与相邻车辆检测框的相对距离时,具体用于:
根据当前车辆检测框对应的中心点坐标和相邻车辆检测框对应的中心点坐标确定当前车辆检测框与相邻车辆检测框之间的中心距离。将当前车辆检测框对应的检测框长度和检测框宽度以及相邻车辆检测框对应的检测框长度和检测框宽度中数值最大的长度或宽度确定为相对距离参考量。将中心距离与相对距离参考量之间的商确定为当前车辆检测框与相邻车辆检测框的相对距离。
可选的,本实施例中,高速公路拥堵判别装置400还包括:
上下行区域确定模块,用于获取目标高速公路监控摄像头采集的预设时间段内的多个连续的视频帧图像。对各连续的视频帧图像中的车辆进行识别,以生成各车辆对应的车辆检测框。确定多个连续的视频帧图像中相同车辆检测框的坐标变化轨迹。根据各坐标变化轨迹确定视频帧图像中高速公路上下行区域。
可选的,本实施例中,高速公路拥堵判别装置400还包括:
特征点匹配模块,用于提取多个连续的视频帧图像中相邻的两帧视频帧图像的特征点。将相邻的两帧视频帧图像的特征点进行匹配,以确定匹配的特征点的数量。若匹配的特征点的数量大于或等于预设特征点数量阈值,则执行对视频帧图像中的车辆进行识别,以生成与各车辆匹配的车辆检测框的步骤。
可选的,本实施例中,若匹配的特征点的数量小于预设特征点数量阈值,则特征点匹配模块还用于:
针对每两个匹配的特征点,根据当前匹配的两个特征点的坐标确定当前匹配的两个特征点之间的坐标偏移量。确定下一匹配的两个特征点,并将下一匹配的两个特征点确定为当前匹配的两个特征点,并执行据当前匹配的两个特征点的坐标确定当前匹配的两个特征点之间的坐标偏移量的步骤,直至确定所有匹配的两个特征点对应的坐标偏移量。确定所有坐标偏移量中大于预设偏移量阈值的坐标偏移量。计算所有大于预设偏移量阈值的坐标偏移量的平均值。判断平均值是否大于预设偏移平均阈值,若确定平均值小于或等于预设偏移平均阈值,则执行对视频帧图像中的车辆进行识别,以生成与各车辆匹配的车辆检测框的步骤。
本实施例提供的高速公路拥堵判别装置可以执行图2-图5所示方法实施例的技术方案,其实现原理和技术效果与图2-图5所示方法实施例类似,在此不再一一赘述。
根据本发明的实施例,本发明还提供了一种电子设备、一种计算机可读存储介质和一种计算机程序产品。
如图7所示,图7是本发明第六实施例提供的电子设备的结构示意图。电子设备旨在各种形式的数字计算机,诸如,膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置,诸如,个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例,并且不意在限制本文中描述的和/或者要求的本发明的实现。
如图7所示,该电子设备包括:处理器501、存储器502。各个部件利用不同的总线互相连接,并且可以被安装在公共主板上或者根据需要以其它方式安装。处理器可以对在电子设备内执行的指令进行处理。
存储器502即为本发明所提供的非瞬时计算机可读存储介质。其中,存储器存储有可由至少一个处理器执行的指令,以使至少一个处理器执行本发明所提供的高速公路拥堵判别方法。本发明的非瞬时计算机可读存储介质存储计算机指令,该计算机指令用于使计算机执行本发明所提供的高速公路拥堵判别方法。
存储器502作为一种非瞬时计算机可读存储介质,可用于存储非瞬时软件程序、非瞬时计算机可执行程序以及模块,如本发明实施例中的高速公路拥堵判别方法对应的程序指令/模块(例如,附图6所示的获取模块401、检测框生成模块402和判断模块403)。处理器501通过运行存储在存储器502中的非瞬时软件程序、指令以及模块,从而执行服务器的各种功能应用以及数据处理,即实现上述方法实施例中的高速公路拥堵判别方法。
同时,本实施例还提供一种计算机产品,当该计算机产品中的指令由电子设备的处理器执行时,使得电子设备能够执行上述实施例一至三的高速公路拥堵判别方法。
本领域技术人员在考虑说明书及实践这里公开的发明后,将容易想到本发明实施例的其它实施方案。本发明旨在涵盖本发明实施例的任何变型、用途或者适应性变化,这些变型、用途或者适应性变化遵循本发明实施例的一般性原理并包括本发明实施例未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的,本发明实施例的真正范围和精神由下面的权利要求书指出。
应当理解的是,本发明实施例并不局限于上面已经描述并在附图中示出的精确结构,并且可以在不脱离其范围进行各种修改和改变。本发明实施例的范围仅由所附的权利要求书来限制。
Claims (9)
1.一种高速公路拥堵判别方法,其特征在于,包括:
获取目标高速公路监控摄像头采集的视频帧图像;
对所述视频帧图像中的车辆进行识别,以生成与各车辆匹配的车辆检测框;
根据各所述车辆检测框与预设的高速公路上下行区域判断高速公路上下行区域是否发生拥堵;
所述高速公路上下行区域包括上行区域和下行区域;
所述根据各所述车辆检测框与预设的高速公路上下行区域判断高速公路上下行区域是否发生拥堵,包括:
针对上行区域以及下行区域,确定当前区域内的车辆检测框;所述当前区域为上行区域或下行区域;
针对每一个车辆检测框,确定当前车辆检测框的相邻车辆检测框;
根据当前车辆检测框在所述视频帧图像的区域边界坐标确定当前车辆检测框对应的中心点坐标、检测框长度和检测框宽度;
根据相邻车辆检测框在所述视频帧图像的区域边界坐标确定相邻车辆检测框对应的中心点坐标、检测框长度和检测框宽度;
根据当前车辆检测框对应的中心点坐标、检测框长度和检测框宽度以及相邻车辆检测框对应的中心点坐标、检测框长度和检测框宽度确定当前车辆检测框与相邻车辆检测框的相对距根据所述当前车辆检测框对应的中心点坐标和相邻车辆检测框对应的中心点坐标确定当前车辆检测框与相邻车辆检测框之间的中心距离;
将当前车辆检测框对应的检测框长度和检测框宽度以及相邻车辆检测框对应的检测框长度和检测框宽度中数值最大的长度或宽度确定为相对距离参考量;
将所述中心距离与所述相对距离参考量之间的商确定为当前车辆检测框与相邻车辆检测框的相对距离;
确定下一车辆检测框,将下一车辆检测框确定为当前车辆检测框,并执行所述确定当前车辆检测框的相邻车辆检测框的步骤,直到确定所有车辆检测框与对应相邻车辆检测框之间的相对距离;
确定所有车辆检测框中相对距离小于预设距离阈值的车辆检测框的数量;
根据所述数量和预设数量阈值判断当前区域是否发生拥堵。
2.根据权利要求1所述的方法,其特征在于,所述高速公路上下行区域包括上行区域和下行区域;
所述根据各所述车辆检测框与预设的高速公路上下行区域判断高速公路上下行区域是否发生拥堵,包括:
针对上行区域及下行区域,确定当前区域内的车辆检测框;所述当前区域为上行区域或下行区域;
根据当前区域内的各车辆检测框确定各车辆检测框对应车辆在所述视频帧图像中的面积;
将各车辆在所述视频帧图像中的面积进行求和,以生成车辆总面积;
根据所述车辆总面积和预设当前区域面积确定当前区域的道路占有率;
根据所述道路占有率和预设占有率阈值判断当前区域是否发生拥堵。
3.根据权利要求2所述的方法,其特征在于,所述根据当前区域内的各车辆检测框确定各车辆检测框对应车辆在所述视频帧图像中的面积,包括:
针对每一个车辆检测框,确定当前车辆检测框的相邻车辆检测框;
根据当前车辆检测框在所述视频帧图像的区域边界坐标以及相邻车辆检测框在所述视频帧图像的区域边界坐标确定当前车辆检测框和相邻车辆检测框之间的重叠区域的面积;
根据当前车辆检测框在所述视频帧图像的区域边界坐标确定当前车辆检测框对应的检测框面积;
将所述检测框面积与所述重叠区域的面积之间的差值确定为当前车辆检测框对应车辆在所述视频帧图像中的面积。
4.根据权利要求1至3任一项所述的方法,其特征在于,所述根据各所述车辆检测框与预设的高速公路上下行区域判断高速公路是否发生拥堵之前,还包括:
获取目标高速公路监控摄像头采集的预设时间段内的多个连续的视频帧图像;
对各连续的视频帧图像中的车辆进行识别,以生成各车辆对应的车辆检测框;
确定多个连续的视频帧图像中相同车辆检测框的坐标变化轨迹;
根据各所述坐标变化轨迹确定视频帧图像中高速公路上下行区域。
5.根据权利要求4所述的方法,其特征在于,所述对所述视频帧图像中的车辆进行识别,以生成与各车辆匹配的车辆检测框之前,还包括:
提取多个连续的视频帧图像中相邻的两帧视频帧图像的特征点;
将相邻的两帧视频帧图像的特征点进行匹配,以确定匹配的特征点的数量;
若匹配的特征点的数量大于或等于预设特征点数量阈值,则执行所述对所述视频帧图像中的车辆进行识别,以生成与各车辆匹配的车辆检测框的步骤。
6.根据权利要求5所述的方法,其特征在于,若匹配的特征点的数量小于预设特征点数量阈值,则还包括:
针对每两个匹配的特征点,根据当前匹配的两个特征点的坐标确定当前匹配的两个特征点之间的坐标偏移量;
确定下一匹配的两个特征点,并将下一匹配的两个特征点确定为当前匹配的两个特征点,并执行所述根据当前匹配的两个特征点的坐标确定当前匹配的两个特征点之间的坐标偏移量的步骤,直至确定所有匹配的两个特征点对应的坐标偏移量;
确定所有坐标偏移量中大于预设偏移量阈值的坐标偏移量;
计算所有大于预设偏移量阈值的坐标偏移量的平均值;
判断所述平均值是否大于预设偏移平均阈值,若确定所述平均值小于或等于预设偏移平均阈值,则执行所述对所述视频帧图像中的车辆进行识别,以生成与各车辆匹配的车辆检测框的步骤。
7.一种高速公路拥堵判别装置,其特征在于,包括:
获取模块,用于获取目标高速公路监控摄像头采集的视频帧图像;
检测框生成模块,用于对所述视频帧图像中的车辆进行识别,以生成与各车辆匹配的车辆检测框;
判断模块,用于根据各所述车辆检测框与预设的高速公路上下行区域判断高速公路上下行区域是否发生拥堵;
所述高速公路上下行区域包括上行区域和下行区域;
所述判断模块,具体用于针对上行区域以及下行区域,确定当前区域内的车辆检测框;所述当前区域为上行区域或下行区域;
针对每一个车辆检测框,确定当前车辆检测框的相邻车辆检测框;
根据当前车辆检测框在所述视频帧图像的区域边界坐标确定当前车辆检测框对应的中心点坐标、检测框长度和检测框宽度;
根据相邻车辆检测框在所述视频帧图像的区域边界坐标确定相邻车辆检测框对应的中心点坐标、检测框长度和检测框宽度;
根据当前车辆检测框对应的中心点坐标、检测框长度和检测框宽度以及相邻车辆检测框对应的中心点坐标、检测框长度和检测框宽度确定当前车辆检测框与相邻车辆检测框的相对距根据所述当前车辆检测框对应的中心点坐标和相邻车辆检测框对应的中心点坐标确定当前车辆检测框与相邻车辆检测框之间的中心距离;
将当前车辆检测框对应的检测框长度和检测框宽度以及相邻车辆检测框对应的检测框长度和检测框宽度中数值最大的长度或宽度确定为相对距离参考量;
将所述中心距离与所述相对距离参考量之间的商确定为当前车辆检测框与相邻车辆检测框的相对距离;
确定下一车辆检测框,将下一车辆检测框确定为当前车辆检测框,并执行所述确定当前车辆检测框的相邻车辆检测框的步骤,直到确定所有车辆检测框与对应相邻车辆检测框之间的相对距离;
确定所有车辆检测框中相对距离小于预设距离阈值的车辆检测框的数量;
根据所述数量和预设数量阈值判断当前区域是否发生拥堵。
8.一种电子设备,其特征在于,包括:处理器,以及与所述处理器通信连接的存储器;
所述存储器存储计算机执行指令;
所述处理器执行所述存储器存储的计算机执行指令,以实现如权利要求1至6任一项所述的高速公路拥堵判别方法。
9.一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计算机执行指令,所述计算机执行指令被处理器执行时用于实现如权利要求1至6任一项所述的高速公路拥堵判别方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111188675.XA CN113936458B (zh) | 2021-10-12 | 2021-10-12 | 高速公路拥堵判别方法、装置、设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111188675.XA CN113936458B (zh) | 2021-10-12 | 2021-10-12 | 高速公路拥堵判别方法、装置、设备及介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113936458A CN113936458A (zh) | 2022-01-14 |
CN113936458B true CN113936458B (zh) | 2022-12-20 |
Family
ID=79279022
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111188675.XA Active CN113936458B (zh) | 2021-10-12 | 2021-10-12 | 高速公路拥堵判别方法、装置、设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113936458B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114495509B (zh) * | 2022-04-08 | 2022-07-12 | 四川九通智路科技有限公司 | 基于深度神经网络监控隧道运行状态的方法 |
CN114581656A (zh) * | 2022-05-05 | 2022-06-03 | 北京四维图新科技股份有限公司 | 交通拥堵识别方法、装置、系统、设备及存储介质 |
CN116153086B (zh) * | 2023-04-21 | 2023-07-18 | 齐鲁高速公路股份有限公司 | 基于深度学习的多路段交通事故及拥堵检测方法及系统 |
Family Cites Families (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP5152583B2 (ja) * | 2008-09-26 | 2013-02-27 | カシオ計算機株式会社 | 撮影装置、撮影案内方法、及びプログラム |
CN110377670B (zh) * | 2018-04-11 | 2021-11-26 | 腾讯大地通途(北京)科技有限公司 | 一种确定道路要素信息的方法、装置、介质及设备 |
CN110472496B (zh) * | 2019-07-08 | 2022-10-11 | 长安大学 | 一种基于目标检测与跟踪的交通视频智能分析方法 |
CN111067531A (zh) * | 2019-12-11 | 2020-04-28 | 中南大学湘雅医院 | 一种伤口测量的方法及装置、存储介质 |
CN111242088B (zh) * | 2020-01-22 | 2023-11-28 | 上海商汤临港智能科技有限公司 | 一种目标检测方法、装置、电子设备及存储介质 |
WO2021175119A1 (zh) * | 2020-03-06 | 2021-09-10 | 华为技术有限公司 | 用于获取车辆3d信息的方法和装置 |
CN111652113B (zh) * | 2020-05-29 | 2023-07-25 | 阿波罗智联(北京)科技有限公司 | 障碍物检测方法、装置、设备以及存储介质 |
CN112417953B (zh) * | 2020-10-12 | 2022-07-19 | 腾讯科技(深圳)有限公司 | 道路状况检测和地图数据更新方法、装置、系统及设备 |
CN112507844B (zh) * | 2020-12-02 | 2022-12-20 | 博云视觉科技(青岛)有限公司 | 基于视频分析的交通拥堵检测方法 |
-
2021
- 2021-10-12 CN CN202111188675.XA patent/CN113936458B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN113936458A (zh) | 2022-01-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113936458B (zh) | 高速公路拥堵判别方法、装置、设备及介质 | |
US8184859B2 (en) | Road marking recognition apparatus and method | |
CN110738150B (zh) | 相机联动抓拍方法、装置以及计算机存储介质 | |
US20130120125A1 (en) | Method and system for lane departure warning | |
JP5776795B2 (ja) | 立体物検出装置 | |
EP2709066A1 (en) | Concept for detecting a motion of a moving object | |
CN111340856B (zh) | 车辆的跟踪方法、装置、设备及存储介质 | |
WO2013186662A1 (en) | Multi-cue object detection and analysis | |
US9152865B2 (en) | Dynamic zone stabilization and motion compensation in a traffic management apparatus and system | |
CN111383460B (zh) | 一种车辆状态判别方法、装置以及计算机存储介质 | |
CN105513342A (zh) | 一种基于视频跟踪的车辆排队长度计算方法 | |
CN106327880B (zh) | 一种基于监控视频的车速识别方法及其系统 | |
CN106372619B (zh) | 一种车辆鲁棒检测及分车道到达累计曲线估计方法 | |
CN111047908A (zh) | 跨线车辆的检测装置、方法及视频监控设备 | |
CN113111682A (zh) | 目标对象感知方法和装置、感知基站、感知系统 | |
CN103021179A (zh) | 基于实时监控视频中的安全带检测方法 | |
JP2013168178A (ja) | 車両検知システムおよび車両検知システムの車両検知方法 | |
TWI730509B (zh) | 影像偵測區域取得方法及空間使用情況的判定方法 | |
CN108847035B (zh) | 车流量评估方法及装置 | |
EP2709065A1 (en) | Concept for counting moving objects passing a plurality of different areas within a region of interest | |
CN112906428A (zh) | 影像侦测区域取得方法及空间使用情况的判定方法 | |
CN113469026B (zh) | 一种基于机器学习的路口滞留事件检测方法及系统 | |
JP2861638B2 (ja) | 走行レーン検出装置 | |
CN112507964B (zh) | 用于车道级事件的检测方法和装置、路侧设备和云控平台 | |
Rosebrock et al. | Real-time vehicle detection with a single camera using shadow segmentation and temporal verification |
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 |