CN114419889A - 时段划分方法、装置、电子设备及存储介质 - Google Patents
时段划分方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN114419889A CN114419889A CN202210081467.8A CN202210081467A CN114419889A CN 114419889 A CN114419889 A CN 114419889A CN 202210081467 A CN202210081467 A CN 202210081467A CN 114419889 A CN114419889 A CN 114419889A
- Authority
- CN
- China
- Prior art keywords
- traffic
- data
- vehicle
- intersection
- standard
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 69
- 238000012545 processing Methods 0.000 claims abstract description 75
- 238000012544 monitoring process Methods 0.000 claims abstract description 74
- 238000001514 detection method Methods 0.000 claims description 65
- 239000013598 vector Substances 0.000 claims description 63
- 230000002159 abnormal effect Effects 0.000 claims description 38
- 238000004590 computer program Methods 0.000 claims description 14
- 230000011218 segmentation Effects 0.000 claims description 14
- 238000009499 grossing Methods 0.000 claims description 11
- 238000005070 sampling Methods 0.000 claims description 8
- 230000002547 anomalous effect Effects 0.000 claims description 6
- 230000000694 effects Effects 0.000 abstract description 17
- 238000010606 normalization Methods 0.000 description 11
- 238000010586 diagram Methods 0.000 description 10
- 230000006870 function Effects 0.000 description 10
- 238000012806 monitoring device Methods 0.000 description 10
- 238000000605 extraction Methods 0.000 description 9
- 238000004891 communication Methods 0.000 description 7
- 238000013135 deep learning Methods 0.000 description 7
- 230000003287 optical effect Effects 0.000 description 5
- 238000002474 experimental method Methods 0.000 description 4
- 238000006243 chemical reaction Methods 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000011176 pooling Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 206010039203 Road traffic accident Diseases 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000003776 cleavage reaction Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006698 induction Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000013138 pruning Methods 0.000 description 1
- 230000007017 scission Effects 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 230000001629 suppression Effects 0.000 description 1
- 238000012731 temporal analysis Methods 0.000 description 1
- 238000000700 time series analysis Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/906—Clustering; Classification
-
- 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
- G08G1/0133—Traffic data processing for classifying traffic situation
-
- 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
- G08G1/0137—Measuring and analyzing of parameters relative to traffic conditions for specific applications
- G08G1/0145—Measuring and analyzing of parameters relative to traffic conditions for specific applications for active traffic flow control
-
- 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
- G08G1/04—Detecting movement of traffic to be counted or controlled using optical or ultrasonic detectors
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Databases & Information Systems (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Traffic Control Systems (AREA)
Abstract
本申请实施例提供一种时段划分方法、装置、电子设备及存储介质，该时段划分方法包括：对监控视频流进行处理，获得第一路口的交通参数，第一路口是监控视频流显示的至少一个路口中的任一个；对交通参数进行数据标准化处理，得到标准交通参数；基于对标准交通参数的时序聚类，将全天时段划分为多个时段；在任意两个相邻的时段中，第一路口的交通信号控制逻辑不同。本申请实施例可以提高交通信号控制的效果。
Description
技术领域
本申请涉及视频分析技术领域，具体涉及一种时段划分方法、装置、电子设备及存储介质。
背景技术
随着国民经济的快速发展，近年来机动车保有量逐步增加，出现了不同程度的交通拥堵和交通安全问题。交通信号控制作为最直接的交通管控手段，往往是应对交通拥堵、机非冲突、交通事故较为为有效的方法之一。
目前，交通信号控制中主要分为感应控制、自适应控制、协调控制、单点固定配时。其中受制于不同厂商控制系统的差异性，目前单点固定配时信号控制仍然是国内二线及以下城市的主要控制方式。一般而言，为提高单点定周期固定配时控制效率，主要方法是采用多时段的固定配时方案以适应不同交通需求，减少绿灯浪费及延误。因此时段划分的准确与否对交通信号控制有着较大的影响，特别是在早晚高峰期，交通流量变化较快，如果时段划分不准确，极容易造成交通拥堵及路口溢出现象。现有的时段划分方法，主要是依靠人工经验及现场调查，时段划分的结果往往不够精细，无法满足动态变化的交通需求，导致交通信号控制的效果较差。
发明内容
本申请实施例提供一种时段划分方法、装置、电子设备及存储介质，可以满足动态变化的交通需求，提高交通信号控制的效果。
本申请实施例的第一方面提供了一种时段划分方法，包括：
对监控视频流进行处理，获得第一路口的交通参数，所述第一路口是所述监控视频流显示的至少一个路口中的任一个；
对所述交通参数进行数据标准化处理，得到标准交通参数；
基于对所述标准交通参数的时序聚类，将全天时段划分为多个时段，其中，在任意两个相邻的时段中，所述第一路口的交通信号控制逻辑不同。
可选的，所述对所述交通参数进行数据标准化处理之前，所述方法还包括：
检测所述交通参数中是否存在异常数据，和/或，检测所述第一路口是否存在缺失的监控点位；
在所述交通参数中不存在异常数据，和/或，所述第一路口不存在缺失的监控点位的情况下，执行所述对所述交通参数进行数据标准化处理的步骤。
可选的，所述方法还包括：
在所述交通参数中存在异常数据的情况下，利用指数平滑算法对所述异常数据进行补全，得到补全后的交通参数；或者，
在所述第一路口存在缺失的监控点位的情况下，利用流量守恒原则对缺失的监控点位的数据进行补全，得到补全后的交通参数。
可选的，所述检测所述交通参数中是否存在异常数据，包括：
根据时序数据的平均值和第一标准差，识别所述多个时序数据中是否存在异常数据，其中，所述时序数据为所述交通参数在多个采样周期内采集到的数据。
可选的，所述交通参数包括多个车辆的初始数据，所述对所述交通参数进行数据标准化处理，得到标准交通参数，包括：
基于每个所述车辆的初始数据的均值和第二标准差，确定每个车辆的标准数据；
基于多个所述车辆的标准数据，确定所述标准交通参数。
可选的，所述交通参数包括多个车辆的类型，所述对所述交通参数进行数据标准化处理，得到标准交通参数，包括：
根据车辆类型与预设车型的参数对应关系，将每个车辆类型的交通参数转换为所述预设车型的交通参数；
基于所述多个车辆类型转换后的交通数据，确定所述标准交通参数。
可选的，所述交通参数包括交通流量和排队车辆数；所述对监控视频流进行处理，获得第一路口的交通参数，包括：
对所述监控视频流中的图片帧进行车辆检测与跟踪，得到每个车辆的轨迹信息；
基于所述每个车辆的轨迹信息与预设标线，确定越过所述预设标线的车辆数量，作为所述第一路口的交通流量；
基于所述每个车辆在相邻图片帧中的车辆检测框的交并比，确定所述第一路口的排队车辆的数量。可选的，所述基于对所述标准交通参数的时序聚类，将全天时段划分为多个时段，包括：
根据预设的间隔时长，按时序将全天时段的所述标准交通参数均等划分，得到N个特征值向量；
在所述全天时段划分为K个时段的情况下，响应于当前切分方案下，K个时段特征值向量的聚类偏移参数最小，依据当前切分方案将全天时段划分为K个时段。可选的，所述聚类偏移参数包括离差平方和，其中，第一时段特征值向量的离差平方和，基于所述第一时段特征值向量中的每个特征值向量与所述第一时段特征值向量的中位数特征值向量的距离的平方之和确定，所述第一时段特征值向量包括所述K个时段特征值向量中的任一个时段内的特征值向量集合。
本申请实施例的第二方面提供了一种时段划分装置，所述时段划分装置应用于电子设备，所述时段划分装置包括：
处理单元，用于对监控视频流进行处理，获得第一路口的交通参数，所述第一路口是所述监控视频流显示的至少一个路口中的任一个；
所述处理单元，还用于对所述交通参数进行数据标准化处理，得到标准交通参数；
划分单元，用于基于对所述标准交通参数的时序聚类，将全天时段划分为多个时段，其中，在任意两个相邻的时段中，所述第一路口的交通信号控制逻辑不同。
本申请实施例的第三方面提供了一种电子设备，包括处理器和存储器，所述存储器用于存储计算机程序，所述计算机程序包括程序指令，所述处理器被配置用于调用所述程序指令，执行如本申请实施例第一方面中的步骤指令。
本申请实施例的第四方面提供了一种计算机可读存储介质，其中，上述计算机可读存储介质用于存储计算机程序，上述计算机程序使得计算机执行如本申请实施例第一方面中所描述的部分或全部步骤。
本申请实施例的第五方面提供了一种计算机程序产品，其中，上述计算机程序产品包括计算机程序，上述计算机程序被计算机执行时使得上述计算机执行如本申请实施例第一方面中所描述的部分或全部步骤。该计算机程序产品可以为一个软件安装包。
本申请实施例时段划分方法包括：对监控视频流进行处理，获得第一路口的交通参数，所述第一路口是所述监控视频流显示的至少一个路口中的任一个；对所述交通参数进行数据标准化处理，得到标准交通参数；基于对所述标准交通参数的时序聚类，将全天时段划分为多个时段，其中，在任意两个相邻的时中段，所述第一路口的交通信号控制逻辑不同。本申请实施例中，对监控视频流进行处理后，可以得到交通参数，对该交通参数进行标准化处理，可以得到标准交通参数，便于后续分割时基于相同的标准的交通参数进行时段划分，进而提高时段划分的效果。由于交通参数是随时间动态变化的，采用时序聚类进行时段划分，使得划分后的相邻的两个时段的交通信号控制逻辑不同，可以满足动态变化的交通需求，提高交通信号控制的效果。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术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。
图1是本申请实施例提供的一种基于时段划分的交通信号控制逻辑系统的示意图；
图2是本申请实施例提供的一种时段划分方法的流程示意图；
图3是本申请实施例提供的一种停车线与车道和车辆的位置关系示意图；
图4是本申请实施例提供的另一种时段划分方法的流程示意图；
图5是本申请实施例提供的一种利用流量守恒原则对数据进行补全的示意图；
图6是本申请实施例提供的一种时段划分装置的结构示意图；
图7是本申请实施例提供的另一种电子设备的结构示意图。
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，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域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。
本申请的说明书和权利要求书及上述附图中的术语“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、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、产品或设备固有的其他步骤或单元。
在本申请中提及“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，本申请所描述的实施例可以与其它实施例相结合。
本申请实施例提供了一种时段划分方法、装置、电子设备及存储介质，可以满足动态变化的交通需求，提高交通信号控制的效果。
请参阅图1，图1是本申请实施例提供的一种基于时段划分的交通信号控制逻辑系统的示意图。如图1所示，该交通信号控制逻辑系统100包括至少一个监控设备10、电子设备20和至少一个交通信号控制器30。
电子设备20可以包括具有视频流处理能力和图片处理能力的计算设备。比如，服务器、台式电脑、笔记本电脑等。服务器可以包括云服务器、物理服务器等。
监控设备可以包括监控摄像头，监控摄像头可以包括红外摄像头、星光级监控摄像头、全彩监控摄像头中一种或至少两种的组合。
至少一个监控设备10可以拍摄至少一个监控视频流，电子设备20可以从至少一个监控设备10获取至少一个监控视频流，通过深度学习网络对所述监控视频流进行处理，获得至少一个监控设备10拍摄的每个路口的交通参数；电子设备20可以对所述交通参数进行数据标准化处理，得到标准交通参数；基于对所述标准交通参数的时序聚类，将全天时段划分为K个时段，得到时段划分结果；在所述K个时段中任意两个相邻的时段，所述第一路口的交通信号控制逻辑不同，K为大于或等于2的整数。电子设备20可以将得到时段划分结果输入至少一个交通信号控制器30，以使所述至少一个交通信号控制器30所控制的交通信号按照所述时段划分结果执行相应的控制逻辑。
至少一个监控设备10监控的至少一个路口与至少一个交通信号控制器30所控制的交通信号相对应。
至少一个监控设备10可以监控至少一个路口的车辆的通过情况。比如，单位时间内某一个路口的某一个车道通过的车辆的数量，单位时间内某一个路口的某一个车道排队的车辆的数量，单位时间内某一个路口的某一个车道的车辆的平均通过时间。监控设备10可以固定设置在道路上方，比如，可以设置在十字路口的抓拍杆上，也可以设置在十字路口的交通信号灯的旁边。监控设备10的视野范围可以覆盖一个路口的所有车道。
本申请实施例中，电子设备对监控视频流进行处理后，可以得到交通参数，对该交通参数进行标准化处理，可以得到标准交通参数，便于后续分割时基于相同的标准的交通参数进行时段划分，进而提高时段划分的效果。由于交通参数是随时间动态变化的，采用时序聚类进行时段划分，使得划分后的相邻的两个时段的交通信号控制逻辑(通常指交通信号灯的控制逻辑)不同，可以满足动态变化的交通需求，提高交通信号控制的效果。
以下的方法实施例可以基于图1的交通信号控制逻辑系统100实现。
请参阅图2，图2是本申请实施例提供的一种时段划分方法的流程示意图。如图2所示，该时段划分方法可以包括如下步骤。
201，对监控视频流进行处理，获得第一路口的交通参数，第一路口是监控视频流显示的至少一个路口中的任一个。
本申请实施例中，电子设备可以从至少一个监控设备获取监控视频流。监控视频流可以是拍摄至少一个路口的交通情况得到的。电子设备可以通过深度学习网络对监控视频流进行处理，获得第一路口的交通参数。
交通参数可以交通流量和排队车辆数。交通流量可以包括：单位时间内第一路口的某一车道(比如，直行车道、左转车道、右转车道中的一种)通过的车辆的总数、单位时间内第一路口的某一个车道排队的车辆的平均数。
可选的，交通流量还可以包括单位时间内第一路口的某一个车道的车辆的平均通过时间。
其中，单位时间可以是以分钟为单位，比如，5分钟、10分钟、15分钟、20分钟、30分钟等。还可以是以小时为单位，比如，1小时、2小时、5小时、10小时等。还可以是以天为单位，比如，1天、5天、7天、10天、15天、30天等。
可选的，所述交通参数包括交通流量和排队车辆数；步骤201中，对监控视频流进行处理，获得第一路口的交通参数，具体可以包括如下步骤：
(11)对所述监控视频流中的图片帧进行车辆检测与跟踪，得到每个车辆的轨迹信息；
(12)基于所述每个车辆的轨迹信息与预设标线，确定越过所述预设标线的车辆数量，作为所述第一路口的交通流量；
(13)基于所述每个车辆在相邻图片帧中的车辆检测框的交并比，确定所述第一路口的排队车辆的数量。
本申请实施例中，可以对监控视频流进行图片帧提取，得到监控视频流中的图片帧。对监控视频流进行图片帧提取，可以是逐帧提取，也可以是抽帧处理。抽帧处理，是在监控视频流中通过间隔一定的帧抽取一帧的处理方式。比如，可以在监控视频流中每隔5帧抽取一帧。
本申请实施例可以通过深度学习网络对监控视频流中的图片帧进行车辆检测与跟踪，得到每个车辆的轨迹信息。由于深度学习网络是基于单张图片进行处理的，不能直接对视频流进行处理，对监控视频流进行抽帧处理，可以减少深度学习网络的运算量，从而提高深度学习网络的处理速度。
深度学习网络可以包括车辆检测网络和车辆跟踪网络。车辆检测网络可以检测监控视频流的图片帧中的车辆检测框，从而得到该图片帧中每个车辆的车辆检测框数据。每个车辆的轨迹信息可以包括监控视频流的图片帧中每个车辆的车辆检测框数据，以及根据监控视频流的图片帧中每个车辆的车辆检测框数据得到的每个车辆的轨迹信息。
将监控视频流中的图片帧输入车辆检测网络，可以得到该图片帧中每个车辆的车辆检测框数据。如果该图片帧中存在车辆，则可以检测到车辆检测框，图片帧中的每个车辆都对应一个车辆检测框，相邻的两个图片帧中的车辆检测框可能对应同一个车辆。电子设备可以通过车辆跟踪网络确定所述每个车辆的车辆检测框数据包含的车辆标识。每个车辆标识都对应唯一的一辆车，每辆车的唯一标识ID都不同。车辆跟踪网络可以跟踪同一个车辆标识在不同图片帧的位置，从而确定每个车辆标识的车辆唯一标识ID。
举例来说，第一抽帧图片中检测到车辆检测框1、车辆检测框2、车辆检测框3、车辆检测框4、车辆检测框5，第二抽帧图片中检测到车辆检测框6、车辆检测框7、车辆检测框8、车辆检测框9。车辆检测框1和车辆检测框6对应的是同一个车辆，车辆检测框2和车辆检测框7对应的是同一个车辆，车辆检测框3和车辆检测框8对应的是同一个车辆，车辆检测框4和车辆检测框9对应的是同一个车辆。车辆跟踪网络对第一抽帧图片和第二抽帧图片中车辆检测框进行比较，找出相同的车辆检测框，并将相同的车辆检测框打上车辆唯一标识ID，可以将车辆检测框1和车辆检测框6打上一个唯一标识ID(比如ID0001)，将车辆检测框2和车辆检测框7打上一个唯一标识ID(比如ID0002)，将车辆检测框3和车辆检测框8打上一个唯一标识ID(比如ID0003)，将车辆检测框4和车辆检测框9打上一个唯一标识ID(比如ID0004)。将车辆检测框5打上一个唯一标识ID(比如ID0005)。
车辆检测框数据可以包括：车辆框宽度和高度，以及车辆在图像中位置，车辆检测框数据的单位可以是像素点。
在一个可能的实施例中，车辆检测网络可以是区域卷积神经网络(RegionConvolutional Neural Networks，RCNN)，RCNN可以先使用深度卷积网络，对抽帧图片进行特征提取，并通过RCNN中的区域生成层(Region Proposal Layer)提取候选目标区域；基于区域生成层得到的候选目标区域，对特征进行感兴趣区域池化(Region of interestpooling，ROI Pooling)，进行类别分类和坐标回归，得到检出目标的置信度，以及检测框的位置。最后通过极大值抑制算法，合并交并比大于阈值的检测框，输出最终的车辆检测结果(车辆检测框数据)。
在一个可能的实施例中，车辆跟踪网络可以是区域生成网络(Region ProposalNetworks，RPN)，在车辆检测网络的基础上，提取车辆特征，关联车辆前后帧区域，获得车辆跟踪序列(即：车辆标识，也可以称为车辆唯一标识ID)。
电子设备可以基于每个车辆的轨迹信息与预设标线，确定越过所述预设标线的车辆数量。电子设备可以从连续多帧的图片帧中分析每个车辆的轨迹信息。将越过预设标线(车道线)的车辆标识作为第一路口的交通流量(车流量)。没有越过该预设标线(车道线)的车辆不计入交通流量(车流量)。
电子设备可以基于每个车辆在相邻图片帧中的车辆检测框的交并比，确定第一路口的排队车辆的数量。可以根据相邻两帧的图片帧中相同车辆标识(车辆唯一标识ID)的车辆检测框的交并比IOU确定所述第一路口的排队车辆的数量。比如，可以将IOU阈值大于设定阈值(比如，0.5)的车辆标识认为其存在停车状态，并提取当前车道区域内停止车辆，作为其排队车辆数。
在一个可能的实施例中，电子设备基于所述每个车辆的轨迹信息与预设标线，确定越过所述预设标线的车辆数量，具体可以包括如下步骤。
基于车辆检测网络得到的车辆检测框数据，利用跨线计数算法(用于判断车辆与停车线是否相交)，获取车道过线车辆数。
跨线计数算法：假设某一车辆的前一帧轨迹坐标：PPre＝(xpre，ypre)，当前帧轨迹坐标：Pcur＝(xcur，ycur)，预设标线(停车线)：det＝[P1＝(x1，y1)，P2＝(x2，y2)]，其中P1和P2表示停车线的两端的坐标，具体的是停车线与车道两侧相交点的坐标。如图3所示，图3是本申请实施例提供的一种停车线与车道和车辆的位置关系示意图。进行快速排斥实验：若不满足下列条件，则表明车辆的轨迹与停车线不相交，否则进行跨立实验。
min(xpre，xcur)≤max(x1，x2)&&
min(x1，x2)≤max(xpre，xcur)&&
min(ypre，ycur)≤max(y1，y2)&&
min(y1，y2)≤max(ypre，ycur)&&
跨立实验：如果满足下列条件，则表明车辆的轨迹与停车线相交，否则车辆的轨迹与停车线不相交。跨立实验可以通过剪枝操作，减少算法复杂度。
((x1-xpre)(y1-ycur)-(x1-xcur)(y1-ypre))×
((x2-xpre)(y2-ycur)-(x2-xcur)(y2-ypre))≤0&&
((xpre-x1)(ypre-y2)-(xpre-x2)(ypre-y1))×
((xcur-x1)(ycur-y2)-(xcur-x2)(ycur-y1))≤0
202，对交通参数进行数据标准化处理，得到标准交通参数。
本申请实施例中，数据标准化处理可以根据车辆类型与预设车型的参数对应关系来确定。
可选的，步骤202可以包括如下步骤：
(21)根据车辆类型与预设车型的参数对应关系，将每个车辆类型的交通参数转换为所述预设车型的交通参数；
(22)基于所述多个车辆类型转换后的交通数据，确定所述标准交通参数。
本申请实施中，车辆类型可以分为大型车、中型车、小型车和迷你车。预设标准数据车型可以设置为上述任一种车型。举例来说，大型车(比如，公交车、校车、大客车、泥罐车、消防车、拖车等车长超过6米的车)与预设标准数据车型(例如小汽车)的对应关系为2，则1辆大型车对应的标准车辆数为2，中型车(比如，车长处于5～6米的加长版轿车、SUV等)与预设标准数据车型的对应关系为1.5，则1辆中型车对应的标准车辆数为1.5，小型车(比如，车长处于3～5米的小汽车)与预设标准数据车型的对应关系为1，则1辆小型车对应的标准车辆数为1、迷你车(车长小于3米的机动车)与预设标准数据车型的对应关系为0.6，则1辆迷你车对应的标准车辆数为0.6。例如，交通参数中单位时间内第一路口的某一车道(比如，直行车道、左转车道、右转车道中的一种)通过的车辆的总数为100，如果该100辆车里面有10辆大型车、20辆中型车和70辆小型车，则交通参数中单位时间内第一路口的某一车道(比如，直行车道、左转车道、右转车道中的一种)通过的车辆的标准数量为10*2+20*1.5+70*1＝120。
其中，车辆类型可以通过车辆类型预测网络得到，将包含第一车辆标识的图片输入所述车辆类型预测网络后，车辆类型预测网络的残差网络(比如，resnet18)作为骨干网络提取特征后，车辆类型预测网络的两层全连接网络(full-connection)预测车辆类型。
其中，车辆类型所定义的类别为：[大型车、中型车、小型车、迷你车]。不同车辆类型可以对应不同的标准车辆数。
可选的，步骤202可以包括如下步骤：
(31)基于每个所述车辆的初始数据的均值和第二标准差，确定每个车辆的标准数据；
(32)基于多个所述车辆的标准数据，确定所述标准交通参数。
本申请实施例中，由于标准交通流量和标准排队车辆数存在量纲不一致的现象，对于标准交通流量和标准排队车辆数，均可以按照如下公式对其进行标准化。
xstd＝(x-μ)/σ2；
其中，μ为数据均值(mean)，σ2为第二标准差(std)，x表示每个车辆的初始数据(即，初始交通流量或初始排队车辆数)，当xstd表示标准化处理后的每个车辆的标准数据(即，标准化处理后的标准交通流量或标准化处理后的标准排队车辆数)。当x是每个车辆的初始交通流量时、μ是每个车辆的初始交通流量的均值、σ2是每个车辆的初始交通流量的标准差，xstd是标准化处理后的每个车辆的标准交通流量；当x是每个车辆的初始排队车辆数时、μ是每个车辆的初始排队车辆数的均值、σ2是每个车辆的初始排队车辆数的标准差，xstd是标准化处理后的每个车辆的标准排队车辆数。
本申请实施例可以对标准交通流量和标准排队车辆数进行标准化处理，可以使得标准化处理后的标准交通流量和标准化处理后的标准排队车辆数能够符合后续的时序聚类的需求，达到更好的时序聚类处理效果。
可选的，步骤202可以包括如下步骤：
(41)根据车辆类型与预设车型的参数对应关系，将每个车辆类型的交通参数转换为所述预设车型的交通参数；
(42)基于每个所述车辆转换后的交通数据均值和第二标准差，确定每个车辆的标准数据；
(43)基于多个所述车辆的标准数据，确定所述标准交通参数。
本申请实施例中，先基于车型对每个车辆进行数据转换，得到每个车辆转换后的交通数据，在基于每个车辆转换后的交通数据(比如，转换后的交通流量或者转换后的排队车辆数)的均值和标准差，得到标准交通参数。本申请实施例可以先基于车型做数据转换，再基于均值、方差做量纲转换，使得转换后的标准交通参数能够作为时序聚类的输入，提高时序聚类的可靠性。步骤(41)的具体实施可以参见上述步骤(21)，步骤(42)和步骤(43)的具体实施可以参见上述步骤(31)和步骤(32)，此处不再赘述。203，基于对标准交通参数的时序聚类，将全天时段划分为多个时段，其中，在任意两个相邻的时段中，第一路口的交通信号控制逻辑不同。
本申请实施例中，基于时序聚类的划分方法，也可以称为最优分割法，还可以称为有序样品聚类算法，指的是在不破坏样品间的顺序的样品聚类方法称为有序样品聚类。比如，全天时段被均分为N个时段，N个时段一一对应的N个标准交通参数是按照时间顺序进行排列的，在不破坏这个N个标准交通参数的顺序的情况，将这N个标准交通参数分为K类。举例来说，如果N＝96，K＝8，全天时段被均分为96个时段，每个时段15分钟，可以将96个时段中的第1～24个时段分为第一类，将96个时段中的第25～30个时段分为第二类，将96个时段中的第31～39个时段分为第三类，将96个时段中的第40～50个时段分为第四类，将96个时段中的第51～60个时段分为第五类，将96个时段中的第61～70个时段分为第六类，将96个时段中的第71～85个时段分为第七类，将96个时段中的第85～96个时段分为第八类。其中，每一类都是连续的时段，即为K个时段，第一路口的交通信号灯控制逻辑在K个时段中任意两个相邻的时段不同。
在一个可能实施例中，可以基于对标准交通参数的时序聚类，将全天时段按任意组合划分为K个时段。
交通信号控制逻辑可以包括交通信号灯控制逻辑，交通信号灯控制逻辑可以包括红灯控制逻辑和绿灯控制逻辑，还可以包括黄灯控制逻辑。其中，红灯控制逻辑包括每次红灯持续时长，以及两次红灯之间的时间间隔；绿灯控制逻辑包括每次绿灯持续时长，以及两次绿灯之间的时间间隔；黄灯控制逻辑包括每次黄灯持续时长，以及两次黄灯之间的时间间隔。在K个时段中，对于任意两个相邻时段，交通信号灯控制逻辑不同。这里的不同指的是不完全相同。
可选的，步骤203可以包括如下步骤：
(51)根据预设的间隔时长，按时序将全天时段的所述标准交通参数均等划分，得到N个特征值向量；
(52)在所述全天时段划分为K个时段的情况下，响应于当前切分方案下，K个时段特征值向量的聚类偏移参数最小，依据当前切分方案将全天时段划分为K个时段。
本申请实施例中，电子设备可以根据所述标准交通参数得到N个时段对应的N个特征值向量，所述N个时段是所述全天时段被均等划分得到的；
当确定所述N个特征值向量被划分为K类时，可以基于最小化每一类特征值向量的聚类偏移参数的原则，通过动态规划的方法求得所述全天时段的K-1个最优切分点，得到K个时段。
其中，聚类偏移参数可以包括离差平方和、均值偏移之和。第一类特征值向量的均值偏移之和等于第一类特征值向量中的每个特征值向量与所述第一类特征值向量的中位数特征值向量的距离的绝对值之和，所述第一类是所述K类中的任一类。
第一类特征值向量的离差平方和等于所述第一类特征值向量中的每个特征值向量与所述第一类特征值向量的中位数特征值向量的距离的平方之和，所述第一类是所述K类中的任一类。
本申请实施例中，标准交通参数可以是全天时段的标准交通参数。可以将全天时段的标准交通参数按照N个时段均等划分，得到N个特征值向量。每个特征值向量可以基于对应的时段的标准交通参数得到。比如，每个特征值向量可以包括两个维度，两个维度分别为对应的时段的标准化处理后的标准交通流量和标准化处理后的标准排队车辆数。比如，标准排队车辆数可以是对应的时段内，每次排队等候的标准车辆数的平均值。
第一类特征值向量的中位数特征值向量是第一类特征值向量中处于中位数的特征值向量。具体的，可以计算第一类特征值向量中每个特征值向量的模长，将模长中位数对应的向量作为第一类特征值向量的中位数特征值向量。
可选的，所述聚类偏移参数包括离差平方和，其中，第一时段特征值向量的离差平方和，基于所述第一时段特征值向量中的每个特征值向量与所述第一时段特征值向量的中位数特征值向量的距离的平方之和确定，所述第一时段特征值向量包括所述K个时段特征值向量中的任一个时段内的特征值向量集合。
下面以聚类偏移参数包括离差平方和为例，具体说明标准交通参数的时序聚类。
在一个可能的实施例中，可以将全天时段均等划分为天96个15分钟的时段。基于时序聚类对全天96个15min的时段进行切分。
1、定义类内部的间距函数。
设各类间的中心点位为每类内各特征的中位数，设某一类包含数据为{X1，X2，X3，X4，…，Xj}；
Xcenter＝mid({X1，X2，X3，X4，…，Xj})；
该类的内距离定义为：
2、定义目标函数。
用b(n,k)表示将n个数据(即为N个特征值向量)，切割k-1个点，得到k类数据的分割方法。
该种分割方法的目标函数为：
当n,k确定时，Lb(n，k)越小，表示各类的离差平方和越小，切割越合理。这里将n个数据分割为k组，第一组是：i1～i2-1；第二组是：i2～i3-1，以此类推，第K组是：ik～ik+1-1。本申请的分割方式理解成有序数据集合，举例来说，按照时间顺序排列的1～9个数据，可以分为如下三组：1，2-4，5-9。
3、基于动态规划的优化求解。
基于以下公式，通过动态规划的方法求得最优切分点[j1，j2，…jk-1]，作为全天时段的信号控制的时段划分切分点。
Lb(n，k)＝mink≤j≤n{Lb(j-1，k-1)+D(j，n)}；
Lb(n，2)＝min2≤j≤n{D(1，j-1)+D(j，n)}；
动态规划时，第一步，通过最小化Lb(n，2)的方法，将96类数据划分为2类，首先在这96类数据上找到第一个切分点，将这96类数据分为2类；第二步，在第一步的基础上，通过最小化Lb(n，3)的方法，在这96类数据上找到第二个切分点，从而将这96类数据分为3类；第三步，在第二步的基础上，通过最小化Lb(n，4)的方法，在这96类数据上找到第三个切分点，从而将这96类数据分为3类。以此类推，直到划分为k类后结束。
本申请实施例采用基于时序聚类的方式进行时段划分，对特征值向量进行切分，最后获取较为准确地特征值向量的分类，从而提高时序划分的效果。
本申请实施例中，电子设备对监控视频流进行处理后，可以得到交通参数，对该交通参数进行标准化处理，可以得到标准交通参数，便于后续分割时基于相同的标准的交通参数进行时段划分，进而提高时段划分的效果。由于交通参数是随时间动态变化的，采用时序聚类进行时段划分，使得划分后的相邻的两个时段的交通信号控制逻辑不同，可以满足动态变化的交通需求，提高交通信号控制的效果。
请参阅图4，图4是本申请实施例提供的另一种时段划分方法的流程示意图。如图2所示，该时段划分方法可以包括如下步骤。
401，对监控视频流进行处理，获得第一路口的交通参数，第一路口是监控视频流显示的至少一个路口中的任一个。
其中，步骤401的具体实施可以参见图2所示的步骤201，此处不再赘述。
402，检测交通参数中是否存在异常数据和/或，检测第一路口是否存在缺失的监控点位。
本申请实施例中，异常数据可以是不符合正态分布的数据。监控点位可以是监控设备放置的位置。如果有些路口的交通参数存在缺失，则表明该路口存在缺失的监控点位。
可选的，402中，电子设备检测交通参数中是否存在异常数据，具体可以包括如下步骤：
电子设备根据时序数据的平均值和第一标准差，识别所述多个时序数据中是否存在异常数据，其中，所述时序数据为所述交通参数在多个采样周期内采集到的数据。
本申请实施例中，交通参数是随时间变化的数据，时序数据是按照时间顺序排列的数据，每个采样周期都对应交通参数的一个时序数据。可以根据交通参数在多个采样周期的多个时序数据的平均值和第一标准差来识别所述多个时序数据中是否存在异常数据。具体的，可以让“每个时序数据与平均值的差值的绝对值”和第一标准差的倍数做比较，来判断是否为异常数据。
平均值可以用x来表示，第一标准差可以σ1来表示。在一个实施例中，如果一个时序数据为xi，如果|xi-x|>σ1，则认为该时序数据xi是异常数据。在另一个实施例中，如果一个时序数据为xi，如果|xi-x|>2σ1，则认为该时序数据xi是异常数据。在又一个实施例中，如果一个时序数据为xi，如果|xi-x|>3σ1，则认为该时序数据xi是异常数据。
在一种可能实施例中，可以采用拉依达准则来识别多个时序数据中是否存在异常数据。
拉依达准则，也可以称为3σ原则。拉依达准则是指先假设一组检测数据只含有随机误差，对其进行计算处理得到标准偏差，按一定概率确定一个区间，认为凡超过这个区间的误差，就不属于随机误差而是粗大误差，含有该误差的数据应予以剔除。如果多个采样周期的多个时序数据的平均值用x来表示，第一标准差可以σ1来表示，一个时序数据为xi，如果|xi-x|>3σ1，则认为该时序数据xi是异常数据。
403，在交通参数中不存在异常数据，和/或，第一路口不存在缺失的监控点位的情况下，对交通参数进行数据标准化处理，得到标准交通参数。
在步骤402包含：检测交通参数中是否存在异常数据的情况下，步骤403包含：在交通参数中不存在异常数据的情况下，对交通参数进行数据标准化处理，得到标准交通参数。
在步骤402包含：检测第一路口是否存在缺失的监控点位的情况下，步骤403包含：在第一路口不存在缺失的监控点位的情况下，对交通参数进行数据标准化处理，得到标准交通参数。
在步骤402包含：检测交通参数中是否存在异常数据，检测第一路口是否存在缺失的监控点位的情况下，步骤403包含：在交通参数中不存在异常数据，并且第一路口不存在缺失的监控点位的情况下，对交通参数进行数据标准化处理，得到标准交通参数。
404，基于对标准交通参数的时序聚类，将全天时段划分为多个时段，其中，在任意两个相邻的时段中，第一路口的交通信号控制逻辑不同。
可选的，图4的方法还可以包括如下步骤。
(61)在所述交通参数中存在异常数据的情况下，利用指数平滑算法对所述异常数据进行补全，得到补全后的交通参数；或者，
(62)在所述第一路口存在缺失的监控点位的情况下，利用流量守恒原则对缺失的监控点位的数据进行补全，得到补全后的交通参数。
在一个可能的实施例中，在所述交通参数中存在异常数据，并且所述第一路口存在缺失的监控点位的情况下，利用指数平滑算法对所述异常数据进行补全，利用流量守恒原则对缺失的监控点位的数据进行补全，得到补全后的交通参数。
可选的，步骤403中，对交通参数进行数据标准化处理，包括：
对所述补全后的交通参数进行数据标准化处理。
本申请实施例中，指数平滑算法，也可以称为指数平滑法，指数平滑法是在移动平均法基础上发展起来的一种时间序列分析预测法，它是通过计算指数平滑值，配合一定的时间序列预测模型对现象的未来进行预测。其原理是任一期的指数平滑值都是本期实际观察值与前一期指数平滑值的加权平均。
请参阅图5，图5是本申请实施例提供的一种利用流量守恒原则对数据进行补全的示意图。如图5所示，对于缺失点位M6，其流量为Q_M6。
Q_M6＝Q_M1+Q_M2+Q_M3-Q_M4-Q_M5；
其中，Q表示点位的流量。由于点位M1、M2、M3、M4、M5的流量是已知的，则可以根据流量守恒原则：流入的流量(Q_M1+Q_M2+Q_M3)等于流出的流量(Q_M4+Q_M5+Q_M6)，从而计算得到点位M6的流量。
其中，步骤403和步骤404的具体实施可以参见图2所示的步骤202和步骤203，此处不再赘述。
本申请实施例可以对异常数据进行和监控点位缺失的数据进行补全，可以监测出异常数据并对异常数据进行补全，避免因为异常数据对后续的时段划分带来干扰，进而提高后续的时段划分的效果。即使部分监控点位没有对应的监控设备，也可以通过流量守恒的原则对确实的监控点位的数据进行补全，能够应对部分设备布设不足的情况；不同于以往基于固定检测器获取交通流量进行时段划分的方法，采用既有监控、电警等监控设备的视频流输出流量、排队车辆数等交通参数，有效利用存量视频资源进行时序划分。
上述主要从方法侧执行过程的角度对本申请实施例的方案进行了介绍。可以理解的是，电子设备为了实现上述功能，其包含了执行各个功能相应的硬件结构和/或软件模块。本领域技术人员应该很容易意识到，结合本文中所提供的实施例描述的各示例的单元及算法步骤，本申请能够以硬件或硬件和计算机软件的结合形式来实现。某个功能究竟以硬件还是计算机软件驱动硬件的方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。
本申请实施例可以根据上述方法示例对装置进行功能单元的划分，例如，可以对应各个功能划分各个功能单元，也可以将两个或两个以上的功能集成在一个处理单元中。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。需要说明的是，本申请实施例中对单元的划分是示意性的，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。
请参阅图6，图6是本申请实施例提供的一种时段划分装置的结构示意图，该时段划分装置600应用于电子设备，该时段划分装置600可以包括处理单元601和划分单元602，其中：
所述处理单元601，用于对监控视频流进行处理，获得第一路口的交通参数，所述第一路口是所述监控视频流显示的至少一个路口中的任一个；
所述处理单元601，还用于对所述交通参数进行数据标准化处理，得到标准交通参数；
所述划分单元602，用于基于对所述标准交通参数的时序聚类，将全天时段划分为多个时段，其中，在任意两个相邻的时段中，所述第一路口的交通信号控制逻辑不同。
可选的，该时段划分装置600还可以包括检测单元603；
所述检测单元603，用于检测所述交通参数中是否存在异常数据，和/或，检测所述第一路口是否存在缺失的监控点位；
处理单元601，用于在所述交通参数中不存在异常数据，和/或，所述第一路口不存在缺失的监控点位的情况下，对所述交通参数进行数据标准化处理，得到标准交通参数。
可选的，该时段划分装置600还可以包括数据补全单元604；
所述数据补全单元604，用于在所述交通参数中存在异常数据的情况下，利用指数平滑算法对所述异常数据进行补全，得到补全后的交通参数；
所述数据补全单元604，还用于在所述第一路口存在缺失的监控点位的情况下，利用流量守恒原则对缺失的监控点位的数据进行补全，得到补全后的交通参数。
可选的，所述数据补全单元604，还用于在所述交通参数中存在异常数据，并且所述第一路口存在缺失的监控点位的情况下，利用指数平滑算法对所述异常数据进行补全，利用流量守恒原则对缺失的监控点位的数据进行补全，得到补全后的交通参数。
可选的，所述处理单元601对所述交通参数进行数据标准化处理，包括：对所述补全后的交通参数进行数据标准化处理。
可选的，所述检测单元603检测所述交通参数中是否存在异常数据，包括：
根据多个采样周期内的时序数据的平均值和第一标准差，识别所述多个时序数据中是否存在异常数据，其中，所述时序数据为所述交通参数在多个采样周期内采集到的数据。
可选的，所述交通参数包括多个车辆的初始数据，所述处理单元601对所述交通参数进行数据标准化处理，得到标准交通参数，包括：基于每个所述车辆的初始数据的均值和第二标准差，确定每个车辆的标准数据；基于多个所述车辆的标准数据，确定所述标准交通参数。
可选的，所述交通参数包括多个车辆的类型，所述处理单元601对所述交通参数进行数据标准化处理，得到标准交通参数，包括：根据车辆类型与预设车型的参数对应关系，将每个车辆类型的交通参数转换为所述预设车型的交通参数；基于所述多个车辆类型转换后的交通数据，确定所述标准交通参数。
可选的，所述交通参数包括交通流量和排队车辆数；所述处理单元601对监控视频流进行处理，获得第一路口的交通参数，包括：
对所述监控视频流中的图片帧进行车辆检测与跟踪，得到每个车辆的轨迹信息；基于所述每个车辆的轨迹信息与预设标线，确定越过所述预设标线的车辆数量，作为所述第一路口的交通流量；基于所述每个车辆在相邻图片帧中的车辆检测框的交并比，确定所述第一路口的排队车辆的数量。
可选的，所述划分单元602基于对所述标准交通参数的时序聚类，将全天时段划分为多个时段，包括：根据预设的间隔时长，按时序将全天时段的所述标准交通参数均等划分，得到N个特征值向量；在所述全天时段划分为K个时段的情况下，响应于当前切分方案下，K个时段特征值向量的聚类偏移参数最小，依据当前切分方案将全天时段划分为K个时段。
可选的，所述聚类偏移参数包括离差平方和，其中，第一时段特征值向量的离差平方和，基于所述第一时段特征值向量中的每个特征值向量与所述第一时段特征值向量的中位数特征值向量的距离的平方之和确定，所述第一时段特征值向量包括所述K个时段特征值向量中的任一个时段内的特征值向量集合。
其中，本申请实施例中的处理单元601、划分单元602、检测单元603和数据补全单元604可以是电子设备的处理器。
本申请实施例中，对监控视频流进行处理后，可以得到交通参数，对该交通参数进行标准化处理，可以得到标准交通参数，便于后续分割时基于相同的标准的交通参数进行时段划分，进而提高时段划分的效果。由于交通参数是随时间动态变化的，采用时序聚类进行时段划分，使得划分后的相邻的两个时段的交通信号控制逻辑不同，可以满足动态变化的交通需求，提高交通信号控制的效果。
请参阅图7，图7是本申请实施例提供的另一种电子设备的结构示意图，如图7所示，该电子设备700包括处理器701和存储器702，处理器701、存储器702可以通过通信总线703相互连接。通信总线703可以是外设部件互连标准(Peripheral ComponentInterconnect，简称PCI)总线或扩展工业标准结构(Extended Industry StandardArchitecture，简称EISA)总线等。通信总线703可以分为地址总线、数据总线、控制总线等。为便于表示，图7中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。存储器702用于存储计算机程序，计算机程序包括程序指令，处理器701被配置用于调用程序指令，上述程序包括用于执行图2、图4中的方法。
处理器701可以是通用中央处理器(CPU)，微处理器，特定应用集成电路(application-specific integrated circuit，ASIC)，或一个或多个用于控制以上方案程序执行的集成电路。处理器701可以包含于图1中的交通信号控制器30。
存储器702可以是只读存储器(read-only memory，ROM)或可存储静态信息和指令的其他类型的静态存储设备，随机存取存储器(random access memory，RAM)或者可存储信息和指令的其他类型的动态存储设备，也可以是电可擦可编程只读存储器(electricallyerasable programmable read-only memory，EEPROM)、只读光盘(compact disc read-only memory，CD-ROM)或其他光盘存储、光碟存储(包括压缩光碟、激光碟、光碟、数字通用光碟、蓝光光碟等)、磁盘存储介质或者其他磁存储设备、或者能够用于携带或存储具有指令或数据结构形式的期望的程序代码并能够由计算机存取的任何其他介质，但不限于此。存储器可以是独立存在，通过总线与处理器相连接。存储器也可以和处理器集成在一起。
该电子设备700还可以包括通信模块704，通信模块704用于从监控设备获取监控视频流。
本申请实施例中，对监控视频流进行处理后，可以得到交通参数，对该交通参数进行标准化处理，可以得到标准交通参数，便于后续分割时基于相同的标准的交通参数进行时段划分，进而提高时段划分的效果。由于交通参数是随时间动态变化的，采用时序聚类进行时段划分，使得划分后的相邻的两个时段的交通信号控制逻辑不同，可以满足动态变化的交通需求，提高交通信号控制的效果。
本申请实施例还提供一种计算机可读存储介质，其中，该计算机可读存储介质存储用于电子数据交换的计算机程序，该计算机程序使得计算机执行如上述方法实施例中记载的任何一种时段划分方法的部分或全部步骤。
需要说明的是，对于前述的各方法实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本申请并不受所描述的动作顺序的限制，因为依据本申请，某些步骤可以采用其他顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作和模块并不一定是本申请所必须的。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。
在本申请所提供的几个实施例中，应该理解到，所揭露的装置，可通过其它的方式实现。例如，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，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接口，装置或单元的间接耦合或通信连接，可以是电性或其它的形式。
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，在申请明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。上述集成的单元既可以采用硬件的形式实现，也可以采用软件程序模块的形式实现。
所述集成的单元如果以软件程序模块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器中。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器中，包括若干指令用以使得一台计算机设备(可为个人计算机、服务器或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储器包括：U盘、只读存储器(read-only memory，ROM)、随机存取存储器(random access memory，RAM)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，该程序可以存储于一计算机可读存储器中，存储器可以包括：闪存盘、只读存储器、随机存取器、磁盘或光盘等。
以上对本申请实施例进行了详细介绍，本文中应用了具体个例对本申请的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本申请的方法及其核心思想；同时，对于本领域的一般技术人员，依据本申请的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本申请的限制。
Claims (12)
1.一种时段划分方法，其特征在于，包括：
对监控视频流进行处理，获得第一路口的交通参数，所述第一路口是所述监控视频流显示的至少一个路口中的任一个；
对所述交通参数进行数据标准化处理，得到标准交通参数；
基于对所述标准交通参数的时序聚类，将全天时段划分为多个时段，其中，在任意两个相邻的时段中，所述第一路口的交通信号控制逻辑不同。
2.根据权利要求1所述的方法，其特征在于，所述对所述交通参数进行数据标准化处理之前，所述方法还包括：
检测所述交通参数中是否存在异常数据；和/或，检测所述第一路口是否存在缺失的监控点位；
在所述交通参数中不存在异常数据，和/或，所述第一路口不存在缺失的监控点位的情况下，执行所述对所述交通参数进行数据标准化处理的步骤。
3.根据权利要求2所述的方法，其特征在于，所述方法还包括：
在所述交通参数中存在异常数据的情况下，利用指数平滑算法对所述异常数据进行补全，得到补全后的交通参数；或者，
在所述第一路口存在缺失的监控点位的情况下，利用流量守恒原则对缺失的监控点位的数据进行补全，得到补全后的交通参数。
4.根据权利要求2所述的方法，其特征在于，所述检测所述交通参数中是否存在异常数据，包括：
根据时序数据的平均值和第一标准差，识别所述多个时序数据中是否存在异常数据，其中，所述时序数据为所述交通参数在多个采样周期内采集到的数据。
5.根据权利要求1所述的方法，其特征在于，所述交通参数包括多个车辆的初始数据，所述对所述交通参数进行数据标准化处理，得到标准交通参数，包括：
基于每个所述车辆的初始数据的均值和第二标准差，确定每个车辆的标准数据；
基于多个所述车辆的标准数据，确定所述标准交通参数。
6.根据权利要求1所述的方法，其特征在于，所述交通参数包括多个车辆的类型，所述对所述交通参数进行数据标准化处理，得到标准交通参数，包括：
根据车辆类型与预设车型的参数对应关系，将每个车辆类型的交通参数转换为所述预设车型的交通参数；
基于所述多个车辆类型转换后的交通数据，确定所述标准交通参数。
7.根据权利要求1～6任一项所述的方法，其特征在于，所述交通参数包括交通流量和排队车辆数；所述对监控视频流进行处理，获得第一路口的交通参数，包括：
对所述监控视频流中的图片帧进行车辆检测与跟踪，得到每个车辆的轨迹信息；
基于所述每个车辆的轨迹信息与预设标线，确定越过所述预设标线的车辆数量，作为所述第一路口的交通流量；
基于所述每个车辆在相邻图片帧中的车辆检测框的交并比，确定所述第一路口的排队车辆的数量。
8.根据权利要求1～7任一项所述的方法，其特征在于，所述基于对所述标准交通参数的时序聚类，将全天时段划分为多个时段，包括：
根据预设的间隔时长，按时序将全天时段的所述标准交通参数均等划分，得到N个特征值向量；
在所述全天时段划分为K个时段的情况下，响应于当前切分方案下，K个时段特征值向量的聚类偏移参数最小，依据当前切分方案将全天时段划分为K个时段。
9.根据权利要求8所述的方法，其特征在于，所述聚类偏移参数包括离差平方和，其中，第一时段特征值向量的离差平方和，基于所述第一时段特征值向量中的每个特征值向量、与所述第一时段特征值向量的中位数特征值向量的距离的平方之和确定，所述第一时段特征值向量包括所述K个时段特征值向量中的任一个时段内的特征值向量集合。
10.一种时段划分装置，其特征在于，包括：
处理单元，用于对监控视频流进行处理，获得第一路口的交通参数，所述第一路口是所述监控视频流显示的至少一个路口中的任一个；
所述处理单元，还用于对所述交通参数进行数据标准化处理，得到标准交通参数；
划分单元，用于基于对所述标准交通参数的时序聚类，将全天时段划分为多个时段，其中，在任意两个相邻的时段中，所述第一路口的交通信号控制逻辑不同。
11.一种电子设备，其特征在于，包括处理器和存储器，所述存储器用于存储计算机程序，所述计算机程序包括程序指令，所述处理器被配置用于调用所述程序指令，执行如权利要求1～9任一项所述的方法。
12.一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存储有计算机程序，所述计算机程序包括程序指令，所述程序指令当被处理器执行时使所述处理器执行如权利要求1～9任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210081467.8A CN114419889A (zh) | 2022-01-24 | 2022-01-24 | 时段划分方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210081467.8A CN114419889A (zh) | 2022-01-24 | 2022-01-24 | 时段划分方法、装置、电子设备及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114419889A true CN114419889A (zh) | 2022-04-29 |
Family
ID=81277339
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210081467.8A Pending CN114419889A (zh) | 2022-01-24 | 2022-01-24 | 时段划分方法、装置、电子设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114419889A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114822037A (zh) * | 2022-06-01 | 2022-07-29 | 浙江大华技术股份有限公司 | 交通信号的控制方法和装置、存储介质及电子装置 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| GB560488A (en) * | 1939-11-20 | 1944-04-06 | Automatic Signal Corp | Improvements in traffic control apparatus |
| CN103383816A (zh) * | 2013-07-01 | 2013-11-06 | 青岛海信网络科技股份有限公司 | 复用电子警察混合交通流检测的交通信号控制方法及装置 |
| CN106096302A (zh) * | 2016-06-22 | 2016-11-09 | 江苏迪纳数字科技股份有限公司 | 基于时间和路段相关性的数据修复方法 |
| CN106408960A (zh) * | 2016-10-29 | 2017-02-15 | 浙江大学 | 基于有序聚类的信号控制时段分割方法 |
| CN110910658A (zh) * | 2019-11-14 | 2020-03-24 | 北京百度网讯科技有限公司 | 交通信号控制方法、装置、计算机设备和存储介质 |
| CN113538916A (zh) * | 2021-07-26 | 2021-10-22 | 上海商汤科技开发有限公司 | 交通路口检测方法、装置、电子设备及存储介质 |
-
2022
- 2022-01-24 CN CN202210081467.8A patent/CN114419889A/zh active Pending
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| GB560488A (en) * | 1939-11-20 | 1944-04-06 | Automatic Signal Corp | Improvements in traffic control apparatus |
| CN103383816A (zh) * | 2013-07-01 | 2013-11-06 | 青岛海信网络科技股份有限公司 | 复用电子警察混合交通流检测的交通信号控制方法及装置 |
| CN106096302A (zh) * | 2016-06-22 | 2016-11-09 | 江苏迪纳数字科技股份有限公司 | 基于时间和路段相关性的数据修复方法 |
| CN106408960A (zh) * | 2016-10-29 | 2017-02-15 | 浙江大学 | 基于有序聚类的信号控制时段分割方法 |
| CN110910658A (zh) * | 2019-11-14 | 2020-03-24 | 北京百度网讯科技有限公司 | 交通信号控制方法、装置、计算机设备和存储介质 |
| CN113593262A (zh) * | 2019-11-14 | 2021-11-02 | 北京百度网讯科技有限公司 | 交通信号控制方法、装置、计算机设备和存储介质 |
| CN113538916A (zh) * | 2021-07-26 | 2021-10-22 | 上海商汤科技开发有限公司 | 交通路口检测方法、装置、电子设备及存储介质 |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114822037A (zh) * | 2022-06-01 | 2022-07-29 | 浙江大华技术股份有限公司 | 交通信号的控制方法和装置、存储介质及电子装置 |
| CN114822037B (zh) * | 2022-06-01 | 2023-09-08 | 浙江大华技术股份有限公司 | 交通信号的控制方法和装置、存储介质及电子装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109829403B (zh) | 一种基于深度学习的车辆防碰撞预警方法及系统 | |
| US11455805B2 (en) | Method and apparatus for detecting parking space usage condition, electronic device, and storage medium | |
| CN111462488B (zh) | 一种基于深度卷积神经网络和交叉口行为特征模型的交叉口安全风险评估方法 | |
| US9679203B2 (en) | Traffic violation detection | |
| US20170300786A1 (en) | Methods and systems for accurately recognizing vehicle license plates | |
| CN103235933A (zh) | 一种基于隐马尔科夫模型的车辆异常行为检测方法 | |
| CN111191604A (zh) | 检测车牌完整性的方法、设备和存储介质 | |
| CN111524350B (zh) | 车路协同异常行驶状况检测方法、系统、终端设备及介质 | |
| CN114419889A (zh) | 时段划分方法、装置、电子设备及存储介质 | |
| 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 | |
| KR102494953B1 (ko) | 딥러닝 기반 온-디바이스 실시간 교통제어 시스템 | |
| CN113343880A (zh) | 一种车辆遮挡号牌的识别方法、装置、设备及介质 | |
| Al Nasim et al. | An automated approach for the recognition of bengali license plates | |
| Howlader et al. | A bivariate, non-stationary extreme value model for estimating opposing-through crash frequency by severity by applying artificial intelligence-based video analytics | |
| CN114693722B (zh) | 一种车辆行驶行为检测方法、检测装置及检测设备 | |
| CN115187886A (zh) | 一种车辆违规行为检测方法、装置及电子设备 | |
| CN114937248A (zh) | 用于跨相机的车辆跟踪方法、装置、电子设备、存储介质 | |
| CN113902999A (zh) | 一种跟踪方法、装置、设备及介质 | |
| CN111754781A (zh) | 一种车辆违章检测的方法、装置、系统及摄像机 | |
| Maaloul | Video-based algorithms for accident detections | |
| CN114407918B (zh) | 接管场景分析方法、装置、设备及存储介质 | |
| TWI828368B (zh) | 用於偵測航空器於停機坪的行為的方法與其系統 | |
| CN111898491B (zh) | 一种车辆逆向行驶的识别方法、装置及电子设备 | |
| CN116543189B (zh) | 一种目标检测方法、装置、设备及存储介质 | |
| CN112926823B (zh) | 一种智慧交通业务数据检测方法、装置及电子设备 |
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 | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20220429 |