CN114639036A - 确定交通拥堵等级的方法及电子设备 - Google Patents
确定交通拥堵等级的方法及电子设备 Download PDFInfo
- Publication number
- CN114639036A CN114639036A CN202210197934.3A CN202210197934A CN114639036A CN 114639036 A CN114639036 A CN 114639036A CN 202210197934 A CN202210197934 A CN 202210197934A CN 114639036 A CN114639036 A CN 114639036A
- Authority
- CN
- China
- Prior art keywords
- detection area
- target
- vehicle
- level
- target detection
- 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 39
- 238000001514 detection method Methods 0.000 claims abstract description 353
- 238000000605 extraction Methods 0.000 claims description 43
- 230000007246 mechanism Effects 0.000 claims description 27
- 238000010586 diagram Methods 0.000 claims description 21
- 230000006870 function Effects 0.000 claims description 18
- 238000006073 displacement reaction Methods 0.000 claims description 13
- 230000004913 activation Effects 0.000 claims description 12
- 238000005070 sampling Methods 0.000 claims description 11
- 238000003062 neural network model Methods 0.000 claims description 9
- 208000037170 Delayed Emergence from Anesthesia Diseases 0.000 claims description 7
- 238000011176 pooling Methods 0.000 description 10
- 238000004590 computer program Methods 0.000 description 8
- 238000012545 processing Methods 0.000 description 7
- 230000003287 optical effect Effects 0.000 description 4
- 238000011161 development Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000006872 improvement Effects 0.000 description 2
- 239000013307 optical fiber Substances 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 238000012644 addition polymerization Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Traffic Control Systems (AREA)
- Image Analysis (AREA)
Abstract
本公开提供确定交通拥堵等级的方法及电子设备。用于提高拥堵等级的准确率。包括:每隔指定时长,获取目标视频图像;针对目标视频图像中任一目标检测区域,基于目标检测区域中各车辆的相对速度和车辆总数量,确定该目标检测区域是否发生交通拥堵;若是,则针对目标检测区域中任一等级检测区域,根据各车辆的位置,确定在等级检测区域中各第一车辆;通过各目标第一车辆在等级检测区域中的面积和等级检测区域的面积,得到拥堵等级参数;各车辆的位置和目标第一车辆在等级检测区域中的面积为基于目标检测模型确定,目标第一车辆为相对速度小于预设阈值的第一车辆;利用各等级检测区域的拥堵等级参数,得到目标检测区域的交通拥堵等级。
Description
技术领域
本发明涉及智能交通技术领域,特别涉及一种确定交通拥堵等级的方法及电子设备。
背景技术
城市交通是城市社会活动、经济活动的纽带和命脉,对城市经济发展和人民生活水平的提高起着极其重要的作用。近几年随着人口增长,国民经济的高速发展以及城市化进程的推进,再加上城市车辆数目的急剧增长,许多大、中城市出现了严重的交通拥堵,严重影响了居民生活水平的提高和城市的发展。
现有技术中,利用交通道路中各车辆的平均速度或车辆总数来确定出该交通道路的交通拥堵等级。但是此方式得到的交通拥堵等级的准确率较低。
发明内容
本公开示例性的实施方式中提供一种确定交通拥堵等级的方法及电子设备,用于提高交通拥堵等级的准确率。
本公开的第一方面提供一种确定交通拥堵等级的方法,所述方法包括:
每隔指定时长,获取目标视频图像;其中,所述目标视频图像包括交通道路中的多个目标检测区域;
针对所述目标视频图像中的任意一个目标检测区域,执行以下步骤:
基于所述目标检测区域中各车辆的相对速度以及车辆的总数量,确定出所述目标检测区域是否发生交通拥堵;其中,任一车辆的相对速度是通过所述目标视频图像和上一帧目标视频图像确定出的;
若确定所述目标检测区域发生交通拥堵,则针对所述目标检测区域中的任意一个等级检测区域,根据所述目标检测区域中各车辆的位置,确定在所述等级检测区域中的各第一车辆;并,
通过各目标第一车辆在所述等级检测区域中的面积以及所述等级检测区域的面积,得到拥堵等级参数;其中,所述各车辆的位置和所述目标第一车辆在所述等级检测区域中的面积为基于目标检测模型确定出的,且所述目标第一车辆为相对速度小于预设阈值的第一车辆;
利用各等级检测区域的拥堵等级参数,得到所述目标检测区域的交通拥堵等级。
本实施例中在通过目标检测区域中各车辆的相对速度以及车辆的总数量来确定出所述目标检测区域是否发生交通拥堵,若确定出目标检测区域发生交通拥堵,则针对所述目标检测区域中的任意一个等级检测区域,根据所述目标检测区域中各车辆的位置,确定在所述等级检测区域中的各第一车辆,然后通过相对速度小于预设阈值的各目标第一车辆在所述等级检测区域中的面积以及所述等级检测区域的面积,得到拥堵等级参数,并利用各等级检测区域的拥堵等级参数,得到所述目标检测区域的交通拥堵等级。由此,本实施例中在通过各车辆的相对速度以及车辆的总数量确定出目标检测区域发生交通拥堵的情况下,然后通过目标检测区域中的各等级检测区域中的相对速度小于预设阈值的各目标第一车辆的车辆面积确定出各等级检测区域的拥堵参数,以此确定出交通拥堵等级,提高了交通拥堵等级的准确率。
在一个实施例中,所述目标检测区域中各车辆的总数量是基于目标检测神经网络模型yolov4确定出的,且所述yolov4包括主干网络、空间金字塔池化SPP层和PANet网络结构层;
所述SPP层得到的第一特征图在输入到PANet网络结构层之前需要先进行上采样操作;以及,
所述主干网络中的第四残差块得到的第二特征图在输入到PANet网络结构层之前需要先进行上采样操作和注意力机制特征提取操作。
本实施例通过在将第一特征图输入到PANet网络结构层之前先进行上采样操作,并且第二特征图在输入到输入到PANet网络结构层之前需要先进行上采样操作和注意力机制特征提取操作。由此,通过将特征图进行上采样操作可以获得较多的小目标的信息,同时通过注意力提取操作可以提取车辆的注意力信息,以此提高了车辆识别的准确率。
在一个实施例中,所述注意力机制特征提取操作是通过注意力机制特征提取层进行的,且所述注意力机制特征提取层包括至少一个子特征提取层,所述子特征提取层包括全连接层和激活函数。
本实施例中通过全连接层和激活函数的组合的方式使得提取出的特征更加丰富,以此提高车辆识别的准确率。
在一个实施例中,所述基于所述目标检测区域中各车辆的相对速度以及车辆的总数量,确定出所述目标检测区域是否发生交通拥堵,包括:
通过所述目标检测区域中各车辆的相对速度,得到与所述目标检测区域对应的平均相对速度;
基于所述平均相对速度和车辆的总数量,得到拥堵参数;
将所述拥堵参数与预设拥堵阈值进行比对;
若所述拥堵参数大于预设拥堵阈值,则确定所述目标检测区域发生交通拥堵;
若所述拥堵参数不大于所述预设拥堵阈值,则确定所述目标检测区域未发生交通拥堵。
本实施例中通过目标检测区域中的各车辆的相对速度和车辆的总数量来得到拥堵参数,并通过拥堵参数来确定出该目标检测区域是否发生,以此,使得确定出的结果更加准确。
在一个实施例中,所述拥堵参数满足下列公式:
在一个实施例中,通过以下方式确定所述目标检测区域中各车辆的相对速度:
利用目标检测模型对所述目标检测区域中的车辆进行检测,得到所述目标检测区域中各车辆的位置;
针对任意一个车辆,根据所述车辆的位置和所述车辆在上一帧目标视频图像中的位置,得到所述车辆的相对位移;
基于所述车辆的相对位移,确定所述车辆的相对速度。
在一个实施例中,所述通过各目标第一车辆在所述等级检测区域中的面积以及所述等级检测区域的面积,得到拥堵等级参数,包括:
将各目标第一车辆在所述等级检测区域中的面积相加,得到车辆总面积;
将所述车辆总面积和所述等级检测区域的面积相除,得到所述拥堵等级参数。
本实施例通过车辆总面积和等级检测区域的面积来得到拥堵等级参数,由此,通过各车辆在等级检测区域中的面积占比来确定出拥堵等级参数,进一步提高交通拥堵等级的准确率。
在一个实施例中,所述利用各等级检测区域的拥堵等级参数,得到所述目标检测区域的交通拥堵等级,包括:
针对任意一个等级检测区域,若所述等级检测区域的拥堵等级参数大于预设等级参数,则确定所述等级检测区域发生拥堵;
利用预设的等级检测区域和等级标识的对应关系,确定与发生拥堵的各等级检测区域相对应的各等级标识;其中,等级标识用于表示等级检测区域在所述目标检测区域中位置的排列顺序;
从所述各等级标识中确定出满足指定条件的目标等级标识,并将所述目标等级标识确定为所述目标检测区域的交通拥堵等级。
本实施例中通过从发生拥堵的各等级检测区域相对应的各等级标识中确定出满足指定条件的目标等级标识,并将目标等级标识确定为所述目标检测区域的交通拥堵等级。由此,通过等级检测区域的拥堵来确定出交通拥堵等级,提高了交通拥堵等级的准确率。
本公开第二方面提供一种电子设备,包括存储单元和处理器,其中:
所述存储单元,被配置为存储目标视频图像,其中,所述目标视频图像包括交通道路中的多个目标检测区域;
所述处理器,被配置为:
每隔指定时长,获取所述目标视频图像;
针对所述目标视频图像中的任意一个目标检测区域,执行以下步骤:
基于所述目标检测区域中各车辆的相对速度以及车辆的总数量,确定出所述目标检测区域是否发生交通拥堵;其中,任一车辆的相对速度是通过所述目标视频图像和上一帧目标视频图像确定出的;
若确定所述目标检测区域发生交通拥堵,则针对所述目标检测区域中的任意一个等级检测区域,根据所述目标检测区域中各车辆的位置,确定在所述等级检测区域中的各第一车辆;并,
通过各目标第一车辆在所述等级检测区域中的面积以及所述等级检测区域的面积,得到拥堵等级参数;其中,所述各车辆的位置和所述目标第一车辆在所述等级检测区域中的面积为基于目标检测模型确定出的,且所述目标第一车辆为相对速度小于预设阈值的第一车辆;
利用各等级检测区域的拥堵等级参数,得到所述目标检测区域的交通拥堵等级。
在一个实施例中,所述目标检测区域中各车辆的总数量是基于目标检测神经网络模型yolov4确定出的,且所述yolov4包括主干网络、空间金字塔池化SPP层和PANet网络结构层;
所述SPP层得到的第一特征图在输入到PANet网络结构层之前需要先进行上采样操作;以及,
所述主干网络中的第四残差块得到的第二特征图在输入到PANet网络结构层之前需要先进行上采样操作和注意力机制特征提取操作。
在一个实施例中,所述注意力机制特征提取操作是通过注意力机制特征提取层进行的,且所述注意力机制特征提取层包括至少一个子特征提取层,所述子特征提取层包括全连接层和激活函数。
在一个实施例中,所述处理器执行所述基于所述目标检测区域中各车辆的相对速度以及车辆的总数量,确定出所述目标检测区域是否发生交通拥堵,具体被配置为:
通过所述目标检测区域中各车辆的相对速度,得到与所述目标检测区域对应的平均相对速度;
基于所述平均相对速度和车辆的总数量,得到拥堵参数;
将所述拥堵参数与预设拥堵阈值进行比对;
若所述拥堵参数大于预设拥堵阈值,则确定所述目标检测区域发生交通拥堵;
若所述拥堵参数不大于所述预设拥堵阈值,则确定所述目标检测区域未发生交通拥堵。
在一个实施例中,所述处理器,还被配置为:
所述拥堵参数满足下列公式:
在一个实施例中,所述处理器,还被配置为:
通过以下方式确定所述目标检测区域中各车辆的相对速度:
利用目标检测模型对所述目标检测区域中的车辆进行检测,得到所述目标检测区域中各车辆的位置;
针对任意一个车辆,根据所述车辆的位置和所述车辆在上一帧目标视频图像中的位置,得到所述车辆的相对位移;
基于所述车辆的相对位移,确定所述车辆的相对速度。
在一个实施例中,所述处理器执行所述通过各目标第一车辆在所述等级检测区域中的面积以及所述等级检测区域的面积,得到拥堵等级参数,具体被配置为:
将各目标第一车辆在所述等级检测区域中的面积相加,得到车辆总面积;
将所述车辆总面积和所述等级检测区域的面积相除,得到所述拥堵等级参数。
在一个实施例中,所述处理器执行所述利用各等级检测区域的拥堵等级参数,得到所述目标检测区域的交通拥堵等级,具体被配置为:
针对任意一个等级检测区域,若所述等级检测区域的拥堵等级参数大于预设等级参数,则确定所述等级检测区域发生拥堵;
利用预设的等级检测区域和等级标识的对应关系,确定与发生拥堵的各等级检测区域相对应的各等级标识;其中,等级标识用于表示等级检测区域在所述目标检测区域中位置的排列顺序;
从所述各等级标识中确定出满足指定条件的目标等级标识,并将所述目标等级标识确定为所述目标检测区域的交通拥堵等级。
根据本公开实施例提供的第三方面,提供一种计算机存储介质,所述计算机存储介质存储有计算机程序,所述计算机程序用于执行如第一方面所述的方法。
附图说明
为了更清楚地说明本公开实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简要介绍,显而易见地,下面描述中的附图仅仅是本公开的一些实施例,对于本领域的普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为根据本公开一个实施例中的适用场景示意图;
图2为根据本公开一个实施例的确定交通拥堵等级的方法的流程示意图之一;
图3为根据本公开一个实施例的目标检测神经网络模型yolov4的结构示意图;
图4为根据本公开一个实施例的注意力机制特征提取层的结构示意图;
图5为根据本公开一个实施例的目标视频图像的示意图;
图6为根据本公开一个实施例的目标检测区域示意图;
图7为根据本公开一个实施例的确定目标检测区域是否发生交通拥堵的流程示意图;
图8为根据本公开一个实施例的确定交通拥堵等级的方法的流程示意图之三;
图9为根据本公开一个实施例的确定交通拥堵等级的装置;
图10为根据本公开一个实施例的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,所描述的实施例是本公开一部分实施例,而不是全部的实施例。基于本公开中的实施例,本领域普通技术人员在没有作出创造性劳动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。
本公开实施例中术语“和/或”,描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。字符“/”一般表示前后关联对象是一种“或”的关系。
本公开实施例描述的应用场景是为了更加清楚的说明本公开实施例的技术方案,并不构成对于本公开实施例提供的技术方案的限定,本领域普通技术人员可知,随着新应用场景的出现,本公开实施例提供的技术方案对于类似的技术问题,同样适用。其中,在本公开的描述中,除非另有说明,“多个”的含义是两个或两个以上。
本公开提供一种确定交通拥堵等级的方法,在通过目标检测区域中各车辆的相对速度以及车辆的总数量来确定出所述目标检测区域是否发生交通拥堵,若确定出目标检测区域发生交通拥堵,则针对所述目标检测区域中的任意一个等级检测区域,根据所述目标检测区域中各车辆的位置,确定在所述等级检测区域中的各第一车辆,然后通过相对速度小于预设阈值的各目标第一车辆在所述等级检测区域中的面积以及所述等级检测区域的面积,得到拥堵等级参数,并利用各等级检测区域的拥堵等级参数,得到所述目标检测区域的交通拥堵等级。由此,本公开在通过各车辆的相对速度以及车辆的总数量确定出目标检测区域发生交通拥堵的情况下,然后通过目标检测区域中的各等级检测区域中的相对速度小于预设阈值的各目标第一车辆的车辆面积确定出各等级检测区域的拥堵参数,以此确定出交通拥堵等级,提高了交通拥堵等级的准确率。下面,结合附图对本公开的方案详细的进行介绍。
如图1所示,一种确定交通拥堵等级的方法的应用场景,该应用场景中包括终端设备110、服务器120和摄像机130,图1中是以一个摄像机130为例,实际上不限制摄像机130的数量。终端设备110可为手机、平板电脑和个人计算机等。服务器120可以通过单个服务器实现,也可以通过多个服务器实现。服务器120可以通过实体服务器实现,也可以通过虚拟服务器实现。
在一种可能的应用场景中,摄像机130实时拍摄交通道路的目标视频,服务器120每隔指定时长,从摄像机130中获取目标视频的目标视频图像,并针对所述目标视频图像中的任意一个目标检测区域,执行以下步骤:基于所述目标检测区域中各车辆的相对速度以及车辆的总数量,确定出所述目标检测区域是否发生交通拥堵;其中,任一车辆的相对速度是通过所述目标视频图像和上一帧目标视频图像确定出的;然后服务器120若确定所述目标检测区域发生交通拥堵,则针对所述目标检测区域中的任意一个等级检测区域,根据所述目标检测区域中各车辆的位置,确定在所述等级检测区域中的各第一车辆;并通过各目标第一车辆在所述等级检测区域中的面积以及所述等级检测区域的面积,得到拥堵等级参数;其中,所述各车辆的位置和所述目标第一车辆在所述等级检测区域中的面积为基于目标检测模型确定出的,且所述目标第一车辆为相对速度小于预设阈值的第一车辆;服务器120利用各等级检测区域的拥堵等级参数,得到所述目标检测区域的交通拥堵等级。最后将该目标检测区域的交通拥堵等级发送至终端设备110中进行显示。
如图2所示,为本公开的确定交通拥堵等级的方法的流程示意图,可包括以下步骤:
步骤201:每隔指定时长,获取目标视频图像;其中,所述目标视频图像包括交通道路中的多个目标检测区域;
需要说明的是:本实施例中的指定时长可根据实际情况进行设置,本实施例在此并不进行限定,以及同一目标视频图像中的多个目标检测区域属于一条或多条交通道路。
步骤202:针对所述目标视频图像中的任意一个目标检测区域,执行以下步骤:基于所述目标检测区域中各车辆的相对速度以及车辆的总数量,确定出所述目标检测区域是否发生交通拥堵;其中,任一车辆的相对速度是通过所述目标视频图像和上一帧目标视频图像确定出的;
需要说明的是:目标检测区域的位置是预先设置好的,且任一车辆的相对速度为在所述目标视频图像中的车辆相对于在上一帧目标视频图像中的该车辆的速度。
在一个实施例中,所述目标检测区域中各车辆的总数量是基于目标检测神经网络模型yolov4确定出的,且所述yolov4包括主干网络、空间金字塔池化SPP层和PANet网络结构层;所述SPP层得到的第一特征图在输入到PANet网络结构层之前需要先进行上采样操作;以及所述主干网络中的第四残差块得到的第二特征图在输入到PANet网络结构层之前需要先进行上采样操作和注意力机制特征提取操作。
其中,具体通过以下方式确定目标检测区域中各车辆的总数量:
利用目标检测神经网络模型yolov4对所述目标检测区域中的车辆进行检测,得到所述目标检测区域中各车辆的位置,然后基于所述目标检测区域中各车辆的位置,确定所述目标检测区域中各车辆的总数量。
需要说明的是:本实施中的上采样操作是通过上采样unsampling的方式来进行的。
如图3所示,为本发明改进后的yolov4的结构示意图,其包括主干网络、SPP模块(SPATIAL Pyramid Pooling,空间金字塔池化)、PANet网络结构层以及检测层。
其中,本实施例中的主干网络为CSPdarknet53。该主干网络主要用于对本实施例中的目标图像进行特征提取,CSPDarknet53在检测时进行上下层特征图的融合,高层的网络特征提供复杂场景下的目标高级语义信息,低层的网络特征提供复杂场景下的目标位置及多尺度信息。该主干网络的输出分为三个分支,各分支输出的特征图的大小不相同。其中,所述主干网络中的第四残差块得到的第二特征图在输入到PANet网络结构层之前需要先通过unsampling进行上采样操作,然后通过注意力机制特征提取层来进行注意力机制特征提取操作。使得确定出的特征更加丰富。
SPP模块中使用了三个不同大小的池化层,用于对主干网络提取的特征图进行池化操作。即使用5*5、9*9和15*15大小的非局部图像膨胀池化层对主干网络提取的特征图进行池化操作,然后利用全连接层各池化层输出的特征图进行拼接,得到第一特征图,然后将该第一特征图通过unsampling进行上采样操作后输入到PANet网络结构层。使得确定出的特征更加丰富。
PANet网络结构层主要对各分支得到的特征图进行上采样或下采样处理,然后利用全连接层将进行上采样和进行下采样处理的各特征图进行拼接后,再利用卷积层进行降维处理。得到三个特征图。
检测层是对PANet网络结构层中得到的三个特征图进行车辆识别,以此得到最终的识别结果。
为了提高车辆识别的准确率,在一个实施例中,所述注意力机制特征提取操作是通过注意力机制特征提取层进行的,且所述注意力机制特征提取层包括至少一个子特征提取层,所述子特征提取层包括全连接层和激活函数。
例如,如图4所示,为注意力机制特征提取层的结构示意图,本实施例中包括两个子特征提取层,其中,每个子特征提取层包括全连接层和激活函数,且本实施中的第一个子特征提取层的激活函数为Rule激活函数,另一个子特征提取层的激活函数为sigmoid激活函数。
需要说明的是:本实施例以两个子特征提取层进行举例说明,并不对本实施例中的注意力机制特征提取层中的子特征提取层的数量进行限定,子特征提取层的数量可根据实际情况来进行设置,本实施在此并不进行限定。并且子特征提取层中的激活函数可根据实际情况来进行选择设置,本实施例在此并不进行限定。
在一个实施例中,通过以下方式确定所述目标检测区域中各车辆的相对速度:利用目标检测神经网络模型yolov4对所述目标检测区域中的车辆进行检测,得到所述目标检测区域中各车辆的位置;针对任意一个车辆,根据所述车辆的位置和所述车辆在上一帧目标视频图像中的位置,得到所述车辆的相对位移;基于所述车辆的相对位移,确定所述车辆的相对速度。其中,可通过公式(1)确定所述车辆的相对位移:
其中,S相为车辆的相对位移,x1为所述车辆在所述目标视频图像中的位置的横坐标,y1为所述车辆在所述目标视频图像中的位置的纵坐标,x2为所述车辆在上一帧目标视频图像中的位置的横坐标,y2为所述车辆在上一帧目标视频图像中的位置的纵坐标,N为目标视频图像和上一帧目标视频图像之间的帧数差。
需要说明的是:本实施例中是利用跟踪算法得到各车辆的标识,以此得到同一车辆在不同帧视频图像中的位置。本实施例中的跟踪算法可根据具体实际情况进行设置,本实施例在此并不进行限定。
确定出该车辆的相对位移之后,可通过公式(2)确定出所述车辆的相对速度:
其中,v相为车辆的相对速度,s相为车辆的相对位移,t为所述指定时长。
步骤203:若确定所述目标检测区域发生交通拥堵,则针对所述目标检测区域中的任意一个等级检测区域,根据所述目标检测区域中各车辆的位置,确定在所述等级检测区域中的各第一车辆;
需要说明的是:目标检测区域中的等级检测区域是预先设置好的,以及目标检测区域的数据以及等级检测区域的数量可根据实际情况来设置,本实施例在此并不进行限定。
例如,如图5所示,图5为目标视频图像示意图,该图5中包括两条交通道路,共有3个目标检测区域,其中,每个检测区域包含三个等级检测区域。由于等级检测区域的位置范围是预先设置好的,所以,可将目标检测区域中各车辆的位置与各等级检测区域的位置分别进行比对,确定出在各等级检测区域的各第一车辆。
步骤204:通过各目标第一车辆在所述等级检测区域中的面积以及所述等级检测区域的面积,得到拥堵等级参数;其中,所述各车辆的位置和所述目标第一车辆在所述等级检测区域中的面积为基于目标检测模型确定出的,且所述目标第一车辆为相对速度小于预设阈值的第一车辆;
在一个实施例中,通过以下方式确定所述拥堵等级参数:将各目标第一车辆在所述等级检测区域中的面积相加,得到车辆总面积;将所述车辆总面积和所述等级检测区域的面积相除,得到所述拥堵等级参数。
其中,各目标第一车辆在等级检测区域中的面积为通过目标检测模型得到的所述目标第一车辆的包围盒的面积。以及等级检测区域的大小是预先设置好的,所以等级检测区域的面积可根据等级检测区域的大小来确定。
步骤205:利用各等级检测区域的拥堵等级参数,得到所述目标检测区域的交通拥堵等级。
在一个实施例中,可通过以下方式确定所述目标检测区域的交通拥堵等级:针对任意一个等级检测区域,若所述等级检测区域的拥堵等级参数大于预设等级参数,则确定所述等级检测区域发生拥堵;利用预设的等级检测区域和等级标识的对应关系,确定与发生拥堵的各等级检测区域相对应的各等级标识;其中,等级标识用于表示等级检测区域在所述目标检测区域中位置的排列顺序;从所述各等级标识中确定出满足指定条件的目标等级标识,并将所述目标等级标识确定为所述目标检测区域的交通拥堵等级。其中,等级检测区域和等级标识的对应关系如表1所示:
等级检测区域 | 等级标识 |
等级检测区域A | 1 |
等级检测区域B | 2 |
等级检测区域C | 3 |
… | … |
表1
需要说明的是:本实施例中的指定条件可为各等级标识中的最大的等级标识或各等级标识中最小的等级标识。
例如,以指定条件为各等级标识中最大的等级标识为例。如图6所示,为目标视频检测图像中的一个目标检测区域,该目标检测区域中包括三个等级检测区域,分别为:等级检测区域A、等级检测区域B和等级检测区域C。若等级检测区域A和等级检测区域B的拥堵等级参数均大于预设等级参数,但是等级检测区域C的拥堵等级参数小于预设等级参数,则确定等级检测区域A和等级检测区域B发生拥堵。则利用表1中的对应关系,确定出等级检测区域A对应的等级标识为1,等级检测区域B对应的等级标识为2。由于等级检测区域B的等级标识为目标等级标识,则将该目标检测区域的交通拥堵等级确定为2级。
在确定出交通拥堵等级之后,可获取该目标检测区域上一次确定出的交通拥堵等级与本次确定出的交通拥堵等级进行比较,若本次的交通拥堵等级大于上一次的交通拥堵等级,则确定该目标检测区域的拥堵加聚。若本次的交通拥堵等级小于上一次的交通拥堵等级,则确定该目标检测区域的拥堵正在消散。以此,可以提醒工作人员采取相应的措施。
如图7所示,为确定目标检测区域是否发生交通拥堵的流程示意图,可包括以下步骤:
步骤701:通过所述目标检测区域中各车辆的相对速度,得到与所述目标检测区域对应的平均相对速度;其中,可通过公式(3)得到所述平均相对速度:
步骤702:基于所述平均相对速度和车辆的总数量,得到拥堵参数;其中,可通过公式(4)确定出所述拥堵参数:
步骤703:将所述拥堵参数与预设拥堵阈值进行比对;
步骤704判断所述拥堵参数是否大于预设拥堵阈值,若是,则执行步骤705,若否,则执行步骤706;
步骤705:确定所述目标检测区域发生交通拥堵;
步骤706:确定所述目标检测区域未发生交通拥堵。
为了进一步的了解本公开的技术方案,下面结合图8进行详细的说明,可包括以下步骤:
步骤801:每隔指定时长,获取目标视频图像;其中,所述目标视频图像包括交通道路中的多个目标检测区域;
步骤802:针对所述目标视频图像中的任意一个目标检测区域,执行以下步骤:通过所述目标检测区域中各车辆的相对速度,得到与所述目标检测区域对应的平均相对速度;
步骤803:基于所述平均相对速度和车辆的总数量,得到拥堵参数;
步骤804:将所述拥堵参数与预设拥堵阈值进行比对;
步骤805:判断所述拥堵参数是否大于预设拥堵阈值,若是,则执行步骤806,若否,则执行步骤811;
步骤806:针对所述目标检测区域中的任意一个等级检测区域,根据所述目标检测区域中各车辆的位置,确定在所述等级检测区域中的各第一车辆;
步骤807:通过各目标第一车辆在所述等级检测区域中的面积以及所述等级检测区域的面积,得到拥堵等级参数;其中,所述各车辆的位置和所述目标第一车辆在所述等级检测区域中的面积为基于目标检测模型确定出的,且所述目标第一车辆为相对速度小于预设阈值的第一车辆;
步骤808:针对任意一个等级检测区域,若所述等级检测区域的拥堵等级参数大于预设等级参数,则确定所述等级检测区域发生拥堵;
步骤809:利用预设的等级检测区域和等级标识的对应关系,确定与发生拥堵的各等级检测区域相对应的各等级标识;其中,等级标识用于表示等级检测区域在所述目标检测区域中位置的排列顺序;
步骤810:从所述各等级标识中确定出满足指定条件的目标等级标识,并将所述目标等级标识确定为所述目标检测区域的交通拥堵等级;
步骤811:确定所述目标检测区域未发生交通拥堵。
基于相同的公开构思,本公开如上所述的确定交通拥堵等级的方法还可以由一种确定交通拥堵等级的装置实现。该确定交通拥堵等级的装置的效果与前述方法的效果相似,在此不再赘述。
图9为根据本公开一个实施例的确定交通拥堵等级的装置的结构示意图。
如图9所示,本公开的确定交通拥堵等级的装置900可以包括目标视频图像确定模块910、交通拥堵确定模块920、第一车辆确定模块930、拥堵等级参数确定模块940和交通拥堵等级确定模块950。
目标视频图像确定模块910,用于每隔指定时长,获取目标视频图像;其中,所述目标视频图像包括交通道路中的多个目标检测区域;
交通拥堵确定模块920,用于针对所述目标视频图像中的任意一个目标检测区域,执行以下步骤:基于所述目标检测区域中各车辆的相对速度以及车辆的总数量,确定出所述目标检测区域是否发生交通拥堵;其中,任一车辆的相对速度是通过所述目标视频图像和上一帧目标视频图像确定出的;
第一车辆确定模块930,用于若确定所述目标检测区域发生交通拥堵,则针对所述目标检测区域中的任意一个等级检测区域,根据所述目标检测区域中各车辆的位置,确定在所述等级检测区域中的各第一车辆;并,
拥堵等级参数确定模块940,用于通过各目标第一车辆在所述等级检测区域中的面积以及所述等级检测区域的面积,得到拥堵等级参数;其中,所述各车辆的位置和所述目标第一车辆在所述等级检测区域中的面积为基于目标检测模型确定出的,且所述目标第一车辆为相对速度小于预设阈值的第一车辆;
交通拥堵等级确定模块950,用于利用各等级检测区域的拥堵等级参数,得到所述目标检测区域的交通拥堵等级。
在一个实施例中,所述目标检测区域中各车辆的总数量是基于目标检测神经网络模型yolov4确定出的,且所述yolov4包括主干网络、空间金字塔池化SPP层和PANet网络结构层;
所述SPP层得到的第一特征图在输入到PANet网络结构层之前需要先进行上采样操作;以及,
所述主干网络中的第四残差块得到的第二特征图在输入到PANet网络结构层之前需要先进行上采样操作和注意力机制特征提取操作。
在一个实施例中,所述注意力机制特征提取操作是通过注意力机制特征提取层进行的,且所述注意力机制特征提取层包括至少一个子特征提取层,所述子特征提取层包括全连接层和激活函数。
在一个实施例中,所述交通拥堵确定模块920,具体用于:
通过所述目标检测区域中各车辆的相对速度,得到与所述目标检测区域对应的平均相对速度;
基于所述平均相对速度和车辆的总数量,得到拥堵参数;
将所述拥堵参数与预设拥堵阈值进行比对;
若所述拥堵参数大于预设拥堵阈值,则确定所述目标检测区域发生交通拥堵;
若所述拥堵参数不大于所述预设拥堵阈值,则确定所述目标检测区域未发生交通拥堵。
在一个实施例中,所述装置还包括:
拥堵参数确定模块960,用于所述拥堵参数满足下列公式:
在一个实施例中,所述装置还包括:
相对速度确定模块970,用于通过以下方式确定所述目标检测区域中各车辆的相对速度:
利用目标检测模型对所述目标检测区域中的车辆进行检测,得到所述目标检测区域中各车辆的位置;
针对任意一个车辆,根据所述车辆的位置和所述车辆在上一帧目标视频图像中的位置,得到所述车辆的相对位移;
基于所述车辆的相对位移,确定所述车辆的相对速度。
在一个实施例中,所述拥堵等级参数确定模块940,具体用于:
将各目标第一车辆在所述等级检测区域中的面积相加,得到车辆总面积;
将所述车辆总面积和所述等级检测区域的面积相除,得到所述拥堵等级参数。
在一个实施例中,所述交通拥堵等级确定模块950,具体用于:
针对任意一个等级检测区域,若所述等级检测区域的拥堵等级参数大于预设等级参数,则确定所述等级检测区域发生拥堵;
利用预设的等级检测区域和等级标识的对应关系,确定与发生拥堵的各等级检测区域相对应的各等级标识;其中,等级标识用于表示等级检测区域在所述目标检测区域中位置的排列顺序;
从所述各等级标识中确定出满足指定条件的目标等级标识,并将所述目标等级标识确定为所述目标检测区域的交通拥堵等级。
在介绍了本公开示例性实施方式的一种确定交通拥堵等级的方法及装置之后,接下来,介绍根据本公开的另一示例性实施方式的电子设备。
所属技术领域的技术人员能够理解,本公开的各个方面可以实现为系统、方法或程序产品。因此,本公开的各个方面可以具体实现为以下形式,即:完全的硬件实施方式、完全的软件实施方式(包括固件、微代码等),或硬件和软件方面结合的实施方式,这里可以统称为“电路”、“模块”或“系统”。
在一些可能的实施方式中,根据本公开的电子设备可以至少包括至少一个处理器、以及至少一个计算机存储介质。其中,计算机存储介质存储有程序代码,当程序代码被处理器执行时,使得处理器执行本说明书上述描述的根据本公开各种示例性实施方式的确定交通拥堵等级的方法中的步骤。例如,处理器可以执行如图2中所示的步骤201-206。
下面参照图10来描述根据本公开的这种实施方式的电子设备1000。图10显示的电子设备1000仅仅是一个示例,不应对本公开实施例的功能和使用范围带来任何限制。
如图10所示,电子设备1000以通用电子设备的形式表现。电子设备1000的组件可以包括但不限于:上述至少一个处理器1001、上述至少一个计算机存储介质1002、连接不同系统组件(包括计算机存储介质1002和处理器1001)的总线1003。
总线1003表示几类总线结构中的一种或多种,包括计算机存储介质总线或者计算机存储介质控制器、外围总线、处理器或者使用多种总线结构中的任意总线结构的局域总线。
计算机存储介质1002可以包括易失性计算机存储介质形式的可读介质,例如随机存取计算机存储介质(RAM)1021和/或高速缓存存储介质1022,还可以进一步包括只读计算机存储介质(ROM)1023。
计算机存储介质1002还可以包括具有一组(至少一个)程序模块1024的程序/实用工具1025,这样的程序模块1024包括但不限于:操作系统、一个或者多个应用程序、其它程序模块以及程序数据,这些示例中的每一个或某种组合中可能包括网络环境的实现。
电子设备1000也可以与一个或多个外部设备1004(例如键盘、指向设备等)通信,还可与一个或者多个使得用户能与电子设备1000交互的设备通信,和/或与使得该电子设备1000能与一个或多个其它电子设备进行通信的任何设备(例如路由器、调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口1005进行。并且,电子设备1000还可以通过网络适配器1006与一个或者多个网络(例如局域网(LAN),广域网(WAN)和/或公共网络,例如因特网)通信。如图所示,网络适配器1006通过总线1003与用于电子设备1000的其它模块通信。应当理解,尽管图中未示出,可以结合电子设备1000使用其它硬件和/或软件模块,包括但不限于:微代码、设备驱动器、冗余处理器、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。
在一些可能的实施方式中,本公开提供的一种确定交通拥堵等级的方法的各个方面还可以实现为一种程序产品的形式,其包括程序代码,当程序产品在计算机设备上运行时,程序代码用于使计算机设备执行本说明书上述描述的根据本公开各种示例性实施方式的确定交通拥堵等级的方法中的步骤。
程序产品可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以是但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括:具有一个或多个导线的电连接、便携式盘、硬盘、随机存取计算机存储介质(RAM)、只读计算机存储介质(ROM)、可擦式可编程只读计算机存储介质(EPROM或闪存)、光纤、便携式紧凑盘只读计算机存储介质(CD-ROM)、光计算机存储介质件、磁计算机存储介质件、或者上述的任意合适的组合。
本公开的实施方式的确定交通拥堵等级的程序产品可以采用便携式紧凑盘只读计算机存储介质(CD-ROM)并包括程序代码,并可以在电子设备上运行。然而,本公开的程序产品不限于此,在本文件中,可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了可读程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。可读信号介质还可以是可读存储介质以外的任何可读介质,该可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。
可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于无线、有线、光缆、RF等等,或者上述的任意合适的组合。
可以以一种或多种程序设计语言的任意组合来编写用于执行本公开操作的程序代码,程序设计语言包括面向对象的程序设计语言—诸如Java、C++等,还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户电子设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户电子设备上部分在远程电子设备上执行、或者完全在远程电子设备或服务器上执行。在涉及远程电子设备的情形中,远程电子设备可以通过任意种类的网络包括局域网(LAN)或广域网(WAN)连接到用户电子设备,或者,可以连接到外部电子设备(例如利用因特网服务提供商来通过因特网连接)。
应当注意,尽管在上文详细描述中提及了装置的若干模块,但是这种划分仅仅是示例性的并非强制性的。实际上,根据本公开的实施方式,上文描述的两个或更多模块的特征和功能可以在一个模块中具体化。反之,上文描述的一个模块的特征和功能可以进一步划分为由多个模块来具体化。
此外,尽管在附图中以特定顺序描述了本公开方法的操作,但是,这并非要求或者暗示必须按照该特定顺序来执行这些操作,或是必须执行全部所示的操作才能实现期望的结果。附加地或备选地,可以省略某些步骤,将多个步骤合并为一个步骤执行,和/或将一个步骤分解为多个步骤执行。
本领域内的技术人员应明白,本公开的实施例可提供为方法、系统、或计算机程序产品。因此,本公开可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本公开可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘计算机存储介质、CD-ROM、光学计算机存储介质等)上实施的计算机程序产品的形式。
本公开是参照根据本公开的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读计算机存储介质中,使得存储在该计算机可读计算机存储介质中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
显然,本领域的技术人员可以对本公开进行各种改动和变型而不脱离本公开的精神和范围。这样,倘若本公开的这些修改和变型属于本公开权利要求及其等同技术的范围之内,则本公开也意图包含这些改动和变型在内。
Claims (10)
1.一种确定交通拥堵等级的方法,其特征在于,所述方法包括:
每隔指定时长,获取目标视频图像;其中,所述目标视频图像包括交通道路中的多个目标检测区域;
针对所述目标视频图像中的任意一个目标检测区域,执行以下步骤:
基于所述目标检测区域中各车辆的相对速度以及车辆的总数量,确定出所述目标检测区域是否发生交通拥堵;其中,任一车辆的相对速度是通过所述目标视频图像和上一帧目标视频图像确定出的;
若确定所述目标检测区域发生交通拥堵,则针对所述目标检测区域中的任意一个等级检测区域,根据所述目标检测区域中各车辆的位置,确定在所述等级检测区域中的各第一车辆;并,
通过各目标第一车辆在所述等级检测区域中的面积以及所述等级检测区域的面积,得到拥堵等级参数;其中,所述各车辆的位置和所述目标第一车辆在所述等级检测区域中的面积为基于目标检测模型确定出的,且所述目标第一车辆为相对速度小于预设阈值的第一车辆;
利用各等级检测区域的拥堵等级参数,得到所述目标检测区域的交通拥堵等级。
2.根据权利要求1所述的方法,其特征在于,所述目标检测区域中各车辆的总数量是基于目标检测神经网络模型yolov4确定出的,且所述yolov4包括主干网络、空间金字塔池化SPP层和PANet网络结构层;
所述SPP层得到的第一特征图在输入到PANet网络结构层之前需要先进行上采样操作;以及,
所述主干网络中的第四残差块得到的第二特征图在输入到PANet网络结构层之前需要先进行上采样操作和注意力机制特征提取操作。
3.根据权利要求2所述的方法,其特征在于,所述注意力机制特征提取操作是通过注意力机制特征提取层进行的,且所述注意力机制特征提取层包括至少一个子特征提取层,所述子特征提取层包括全连接层和激活函数。
4.根据权利要求1所述的方法,其特征在于,所述基于所述目标检测区域中各车辆的相对速度以及车辆的总数量,确定出所述目标检测区域是否发生交通拥堵,包括:
通过所述目标检测区域中各车辆的相对速度,得到与所述目标检测区域对应的平均相对速度;
基于所述平均相对速度和车辆的总数量,得到拥堵参数;
将所述拥堵参数与预设拥堵阈值进行比对;
若所述拥堵参数大于预设拥堵阈值,则确定所述目标检测区域发生交通拥堵;
若所述拥堵参数不大于所述预设拥堵阈值,则确定所述目标检测区域未发生交通拥堵。
6.根据权利要求1或4所述的方法,其特征在于,通过以下方式确定所述目标检测区域中各车辆的相对速度:
利用目标检测模型对所述目标检测区域中的车辆进行检测,得到所述目标检测区域中各车辆的位置;
针对任意一个车辆,根据所述车辆的位置和所述车辆在上一帧目标视频图像中的位置,得到所述车辆的相对位移;
基于所述车辆的相对位移,确定所述车辆的相对速度。
7.根据权利要求1所述的方法,其特征在于,所述通过各目标第一车辆在所述等级检测区域中的面积以及所述等级检测区域的面积,得到拥堵等级参数,包括:
将各目标第一车辆在所述等级检测区域中的面积相加,得到车辆总面积;
将所述车辆总面积和所述等级检测区域的面积相除,得到所述拥堵等级参数。
8.根据权利要求1所述的方法,其特征在于,所述利用各等级检测区域的拥堵等级参数,得到所述目标检测区域的交通拥堵等级,包括:
针对任意一个等级检测区域,若所述等级检测区域的拥堵等级参数大于预设等级参数,则确定所述等级检测区域发生拥堵;
利用预设的等级检测区域和等级标识的对应关系,确定与发生拥堵的各等级检测区域相对应的各等级标识;其中,等级标识用于表示等级检测区域在所述目标检测区域中位置的排列顺序;
从所述各等级标识中确定出满足指定条件的目标等级标识,并将所述目标等级标识确定为所述目标检测区域的交通拥堵等级。
9.一种电子设备,其特征在于,包括存储单元和处理器,其中:
所述存储单元,被配置为存储目标视频图像,其中,所述目标视频图像包括交通道路中的多个目标检测区域;
所述处理器,被配置为:
每隔指定时长,获取所述目标视频图像;
针对所述目标视频图像中的任意一个目标检测区域,执行以下步骤:
基于所述目标检测区域中各车辆的相对速度以及车辆的总数量,确定出所述目标检测区域是否发生交通拥堵;其中,任一车辆的相对速度是通过所述目标视频图像和上一帧目标视频图像确定出的;
若确定所述目标检测区域发生交通拥堵,则针对所述目标检测区域中的任意一个等级检测区域,根据所述目标检测区域中各车辆的位置,确定在所述等级检测区域中的各第一车辆;并,
通过各目标第一车辆在所述等级检测区域中的面积以及所述等级检测区域的面积,得到拥堵等级参数;其中,所述各车辆的位置和所述目标第一车辆在所述等级检测区域中的面积为基于目标检测模型确定出的,且所述目标第一车辆为相对速度小于预设阈值的第一车辆;
利用各等级检测区域的拥堵等级参数,得到所述目标检测区域的交通拥堵等级。
10.根据权利要求9所述的电子设备,其特征在于,所述目标检测区域中各车辆的总数量是基于目标检测神经网络模型yolov4确定出的,且所述yolov4包括主干网络、空间金字塔池化SPP层和PANet网络结构层;
所述SPP层得到的第一特征图在输入到PANet网络结构层之前需要先进行上采样操作;以及,
所述主干网络中的第四残差块得到的第二特征图在输入到PANet网络结构层之前需要先进行上采样操作和注意力机制特征提取操作。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210197934.3A CN114639036A (zh) | 2022-03-02 | 2022-03-02 | 确定交通拥堵等级的方法及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210197934.3A CN114639036A (zh) | 2022-03-02 | 2022-03-02 | 确定交通拥堵等级的方法及电子设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114639036A true CN114639036A (zh) | 2022-06-17 |
Family
ID=81948018
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210197934.3A Pending CN114639036A (zh) | 2022-03-02 | 2022-03-02 | 确定交通拥堵等级的方法及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114639036A (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108550259A (zh) * | 2018-04-19 | 2018-09-18 | 何澜 | 道路拥堵判断方法、终端设备及计算机可读存储介质 |
CN108615358A (zh) * | 2018-05-02 | 2018-10-02 | 安徽大学 | 一种道路拥堵检测方法及装置 |
KR102124955B1 (ko) * | 2019-11-29 | 2020-06-19 | 세종대학교산학협력단 | 시각적 분석을 통한 교통 혼잡 원인 식별 방법 및 서버 |
CN111583668A (zh) * | 2020-05-27 | 2020-08-25 | 北京百度网讯科技有限公司 | 交通拥堵检测方法、装置、电子设备和存储介质 |
CN113807270A (zh) * | 2021-09-22 | 2021-12-17 | 北京百度网讯科技有限公司 | 道路拥堵检测方法、装置及电子设备 |
-
2022
- 2022-03-02 CN CN202210197934.3A patent/CN114639036A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108550259A (zh) * | 2018-04-19 | 2018-09-18 | 何澜 | 道路拥堵判断方法、终端设备及计算机可读存储介质 |
CN108615358A (zh) * | 2018-05-02 | 2018-10-02 | 安徽大学 | 一种道路拥堵检测方法及装置 |
KR102124955B1 (ko) * | 2019-11-29 | 2020-06-19 | 세종대학교산학협력단 | 시각적 분석을 통한 교통 혼잡 원인 식별 방법 및 서버 |
CN111583668A (zh) * | 2020-05-27 | 2020-08-25 | 北京百度网讯科技有限公司 | 交通拥堵检测方法、装置、电子设备和存储介质 |
CN113807270A (zh) * | 2021-09-22 | 2021-12-17 | 北京百度网讯科技有限公司 | 道路拥堵检测方法、装置及电子设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113408141B (zh) | 一种自动驾驶测试方法、装置及电子设备 | |
CN112307978B (zh) | 目标检测方法、装置、电子设备及可读存储介质 | |
CN112233428B (zh) | 车流量预测方法、装置、存储介质及设备 | |
CN114449343A (zh) | 一种视频处理方法、装置、设备及存储介质 | |
CN114443794A (zh) | 数据处理和地图更新方法、装置、设备以及存储介质 | |
CN113657299A (zh) | 交通事故确定方法及电子设备 | |
CN113899381B (zh) | 用于生成路线信息的方法、装置、设备、介质和产品 | |
CN114005297A (zh) | 一种基于车联网的车队协调行驶方法 | |
CN113763425A (zh) | 道路区域标定方法及电子设备 | |
US20230065341A1 (en) | Road data monitoring method and apparatus, electronic device and storage medium | |
CN114495495B (zh) | 异常转向行为的检测方法、装置及电子设备 | |
CN114492544B (zh) | 模型训练方法及装置、交通事件发生概率评估方法及装置 | |
CN114639036A (zh) | 确定交通拥堵等级的方法及电子设备 | |
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 | |
CN113450794B (zh) | 导航播报的检测方法、装置、电子设备和介质 | |
CN113657596B (zh) | 训练模型和图像识别的方法和装置 | |
CN115775367A (zh) | 道路目标检测方法、检测装置、电子设备及存储介质 | |
CN113963310A (zh) | 一种公交站的人流量检测方法、装置及电子设备 | |
CN113806361B (zh) | 电子监控设备与道路的关联方法、装置及存储介质 | |
CN114413922B (zh) | 电子地图的导航方法、装置、设备、介质及产品 | |
WO2022142922A1 (zh) | 道路安全评估方法、视频处理中心及存储介质 | |
CN117615363B (zh) | 基于信令数据分析目标车辆内人员的方法、装置、设备 | |
CN113627284B (zh) | 基于改进CenterNet的实时火焰检测方法及检测装置 | |
CN114241442A (zh) | 用于确定识别指标的方法、装置及计算机程序产品 | |
CN114639037A (zh) | 确定高速服务区的车辆饱和的方法及电子设备 |
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 |