CN114783181A - 一种基于路侧感知的交通流量统计方法和装置 - Google Patents

Abstract

本发明实施例公开了一种基于路侧感知的交通流量统计方法和装置，该方法包括：步骤1，将路侧摄像头拍摄的画面中的路口划分为内外区域，内部区域为计数区，外部区域为非计数区；步骤2，检测视频画面中的交通参与者，输出基于深度学习的检测模型获得的当前视频帧的交通参与者信息集；步骤3，跟踪视频画面中的交通参与者得到第f+1帧的跟踪信息集；步骤4，去除不符合要求的交通参与者；步骤5，对每一帧图像信息进行分析，累加一个类别的所有交通参与者的单位时间内的路程，若和大于所述计数区域的欧式距离，则所述一个类别的计数器加一；步骤6，输出各个类别的计数器的值，得到交通流量统计结果。

Description

一种基于路侧感知的交通流量统计方法和装置

技术领域

本发明涉及智能交通技术领域，特别是关于一种基于路侧感知的交通流量统计方法和装置。

背景技术

路侧监控数据存在于智慧交通的各个场景中，每天瞬息万变的交通道路上都会产生海量的路侧监控视频数据。道路交通流量信息对于智慧交通中的交通参与者智能引导和调度具有重要的作用。

传统的交通流量统计需要人工查看道路实时状况，而人的精力有限，面对川流不息的交通流常常会误判。现有交通流量统计技术中，一类是基于车道线的计数方法，该方法需要在道路内部铺设电子线圈，路面改造升级成本较高，难度较大，出现故障后维修困难，且往往只能够对单一的交通参与者类型进行统计。另外一类是基于深度学习方法根据路侧摄像头视频数据进行目标检测、跟踪和计数，目标检测指的是对图像中的目标的类别和位置进行识别，目标跟踪指的是预测在下一帧图像中目标的位置，结合前后两帧的信息进行跟踪，最后基于检测和跟踪的结果进行目标统计。

在常见的交通场景中，多目标跟踪技术应用较为普遍，如DeepSort和IOU Tracker等算法。但是现有算法在多摄像头跨摄像头连接处、交通参与者存在较大遮挡重叠的情况下往往出现丢失目标的情况，导致交通参与者的ID等信息发生变化，给后续的目标计数带来较大影响。

发明内容

本发明的目的在于提供一种基于路侧感知的交通流量统计方法和装置来克服或至少减轻现有技术的上述缺陷中的至少一个。

为实现上述目的，本发明实施例提供一种一种基于路侧感知的交通流量统计方法，包括：

步骤1，将路侧摄像头拍摄的画面中的路口划分为内外区域，内部区域为计数区，外部区域为非计数区；

步骤2，检测视频画面中的交通参与者，输出基于深度学习的检测模型获得的当前视频帧的交通参与者信息集

其中，f表示所述当前视频帧为第f帧，

i＝1,2,3,…,n，c为交通参与者类别，x,y,z为交通参与者的位置，i表示第i个交通参与者；n为检测出的交通参与者的数量；

步骤3，跟踪视频画面中的交通参与者得到第f+1帧的跟踪信息集，

其中，

i＝1,2,…,m^f+1，id为被跟踪的交通参与者的编号，s为被跟踪的交通参与者的速度，m^f+1为被跟踪的交通参与者的总数量；其中，被跟踪的同一交通参与者在不同帧内的编号相同；

步骤4，去除不符合要求的交通参与者，包括过滤掉速度小于阈值的交通参与者，和/或过滤掉不在所述计数区内的交通参与者；

步骤5，对每一帧图像信息进行分析，当一个类别有交通参与者落在所述计数区域时，累加所述一个类别的所有交通参与者的单位时间内的路程，若和大于所述计数区域的欧式距离，则所述一个类别的计数器加一；其中，每一个类别对应一个计数器；

步骤6，根据步骤5的统计，输出各个类别的计数器的值，得到交通流量统计结果。

优选的，步骤4中，过滤掉速度小于阈值的交通参与者包括：

根据下式比较所述交通参与者的速度和预设速度阈值的大小，若小于所述预设速度阈值，则过滤掉所述交通参与者：

其中，θ为预设通过路口的交通参与者的最低速度，v_x表示所述交通参与者沿车道纵向的速度，v_y表示所述交通参与者沿车道横向的速度。

优选的，步骤4中过滤掉不在所述计数区内的交通参与者包括：

从所述交通参与者的位置沿任一方向作一条直线，若所述直线与所述计数区没有相交的点或者有偶数个交点，则判断所述交通参与者位于所述非计数区，过滤掉所述交通参与者。

优选的，在从所述交通参与者的位置沿任一方向作一条直线之前还包括：

判断所述交通参与者是否在所述计数区的其中一条边所在的直线上，如果是，则判断所述交通参与者位于所述非计数区，过滤掉所述交通参与者。

优选的，步骤5中对每一帧图像信息进行分析之前还包括：

将所述计数区内的交通参与者沿车道的纵向分量和横向分量分别输入到一维卡尔曼滤波器，滤除波动幅度大的所述交通参与者，以平滑所述交通参与者的运行轨迹。

优选的，步骤5中通过下述方式计算各个交通参与者的单位时间内的路程：

其中，sa为路侧摄像机的采样频率，j为所述交通参与者的序号，v_jx为序号为j的交通参与者沿车道纵向的速度分量，v_jy为序号为j的交通参与者沿车道横向的速度分量。

本发明实施例还提供一种基于路侧感知的交通流量统计装置，包括：

区域划分模块，用于将路侧摄像头拍摄的画面中的路口划分为内外区域，内部区域为计数区，外部区域为非计数区；

检测模块，用于检测视频画面中的交通参与者，输出基于深度学习的检测模型获得的当前视频帧的交通参与者信息集

其中，f表示所述当前视频帧为第f帧，

i＝1,2,3,…,n，c为交通参与者类别，x,y,z为交通参与者的位置，i表示第i个交通参与者；n为检测出的交通参与者的数量；

跟踪模块，用于跟踪视频画面中的交通参与者得到第f+1帧的跟踪信息集，

其中，

i＝1,2,…,m^f+1，id为被跟踪的交通参与者的编号，s为被跟踪的交通参与者的速度，m^f+1为被跟踪的交通参与者的总数量；其中，被跟踪的同一交通参与者在不同帧内的编号相同；

预处理模块，用于去除不符合要求的交通参与者，包括过滤掉速度小于阈值的交通参与者，和/或过滤掉不在所述计数区内的交通参与者；

计数模块，用于对每一帧图像信息进行分析，当一个类别有交通参与者落在所述计数区域时，累加所述一个类别的所有交通参与者的单位时间内的路程，若和大于所述计数区域的欧式距离，则所述一个类别的计数器加一；其中，每一个类别对应一个计数器；

输出模块，用于根据所述计数模块的统计，输出各个类别的计数器的值，得到交通流量统计结果。

优选的，所述预处理模块用于：

根据下式比较所述交通参与者的速度和预设速度阈值的大小，若小于所述预设速度阈值，则过滤掉所述交通参与者：

其中，θ为预设通过路口的交通参与者的最低速度，v_x表示所述交通参与者沿车道纵向的速度，v_y表示所述交通参与者沿车道横向的速度。

优选的，所述预处理模块用于：

从所述交通参与者的位置沿任一方向作一条直线，若所述直线与所述计数区没有相交的点或者有偶数个交点，则判断所述交通参与者位于所述非计数区，过滤掉所述交通参与者。

优选的，所述计数模块用于：

将所述计数区内的交通参与者沿车道的纵向分量和横向分量分别输入到一维卡尔曼滤波器，滤除波动幅度大的所述交通参与者，以平滑所述交通参与者的运行轨迹。

本发明由于采取以上技术方案，其具有以下优点：。

当前常见的交通流量统计方法高度依赖于目标检测和跟踪算法的效果，在跨摄像头交接处、交通参与者有较大重叠遮挡等场景一旦出现跟踪失败的现象就会直接导致最终计数错误。本发明使用的交通流量计数方法不过分依赖于跟踪效果，即使图像出现几帧跟踪目标的ID发生变化、速度和位置发生轻微抖动等现象，也不会影响最终的统计结果。因此，本发明能够以较低的成本，在跟踪技术效果较差的场景下依然能够保持较好的计数效果，实现对交通参与者数量的自动化、高效化、智能化计数。

附图说明

图1为本发明实施例提供的一种基于路侧感知的交通流量统计方法的流程示意图。

图2为本发明一示例提供的一种基于路侧感知的交通流量统计方法的流程示意图。

图3为本发明一示例中摄像头的布置示意图。

图4为本发明一示例中判断一点是否在计数区内的方法示意图。

图5为本发明一示例中判断两条线段是否相交的方法示意图。

图6为本发明实施例提供的一种基于路侧感知的交通流量统计装置的结构示意图。

图7为本发明实施例提供的一种基于路侧感知的交通流量统计系统的结构示意图。

具体实施方式

在附图中，使用相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面结合附图对本发明的实施例进行详细说明。

在本发明的描述中，术语“中心”、“纵向”、“横向”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明保护范围的限制。

在不冲突的情况下，本发明各实施例及各实施方式中的技术特征可以相互组合，并不局限于该技术特征所在的实施例或实施方式中。

下面结合附图以及具体实施例对本发明做进一步的说明，需要指出的是，下面仅以一种最优化的技术方案对本发明的技术方案以及设计原理进行详细阐述，但本发明的保护范围并不仅限于此。

本文涉及下列术语，为便于理解，对其含义说明如下。本领域技术人员应当理解，下列术语也可能有其它名称，但在不脱离其含义的情形下，其它任何名称都应当被认为与本文所列术语一致。

本发明实施例提供一种基于路侧感知的交通流量统计方法，如图1所示，包括：

步骤1，在路侧摄像头画面中的路口划分内外区域，将路口分为内部的计数区和外部的非计数区。

步骤2，检测视频画面中的交通参与者，输出基于深度学习的检测模型获得当前视频帧第f帧的交通参与者信息集

其中，

i＝1,2,3,…,n，c为交通参与者类别，x,y,z为交通参与者在图像坐标系中的位置，n为检测出第f帧的交通参与者的数量。

步骤3，跟踪视频画面中的交通参与者得到第f+1帧的跟踪信息集，

其中，

i＝1,2,…,m^f+1，m^f+1为被跟踪的交通参与者的总数量，id为被跟踪的交通参与者的编号，s为被跟踪的交通参与者的速度；其中，被跟踪的同一交通参与者在不同帧内的编号相同。

步骤4，去除不符合要求的交通参与者，包括过滤掉速度小于阈值的交通参与者，和/或过滤掉不在所述计数区内的交通参与者。

其中，过滤掉速度小于阈值的交通参与者包括：

根据下式比较所述交通参与者的速度和预设速度阈值的大小，若小于所述预设速度阈值，则过滤掉所述交通参与者：

其中，θ为预设通过路口的交通参与者的平均最低速度，v_x表示所述交通参与者沿车道纵向的速度，v_y表示所述交通参与者沿车道横向的速度。

其中，过滤掉不在所述计数区内的交通参与者包括：

从所述交通参与者的位置沿任一方向作一条直线，若所述直线与所述计数区没有相交的点或者有偶数个交点，则判断所述交通参与者位于所述非计数区，过滤掉所述交通参与者。

其中，在从所述交通参与者的位置沿任一方向作一条直线之前还可以包括：

判断所述交通参与者是否在所述计数区的其中一条边所在的直线上，如果是，则判断所述交通参与者位于所述非计数区，过滤掉所述交通参与者。

步骤5，对每一帧图像信息进行分析，当一个类别有交通参与者落在所述计数区域时，累加所述一个类别的各个交通参与者的单位时间内的路程，若和大于所述计数区域的欧式距离，则所述一个类别的计数器加一；其中，每一个类别的交通参与者对应一个计数器。

其中，对每一帧图像信息进行分析之前还包括：

将所述计数区内的交通参与者的沿车道方向和y方向分量分别输入到一维卡尔曼滤波器，滤除波动幅度大的所述交通参与者以平滑所述交通参与者的运行轨迹。

其中，可以通过下述方式计算各个交通参与者的单位时间内的路程：

其中，sa为路侧摄像机的采样频率，j为所述交通参与者的序号，

为序号为j的交通参与者沿车道纵向的速度分量，

为序号为j的交通参与者沿车道横向的速度分量。

步骤6，根据步骤5的统计，输出各个类别的计数器的值，得到交通流量统计结果。

为更加清楚的理解本发明，下面通过一具体示例说明本发明提供的一种基于路侧感知的交通流量统计方法。如图2所示，该示例提供的基于路侧感知的交通流量统计方法包括：

步骤21，在路口布置摄像头，摄像头的覆盖范围覆盖整个单向车道的宽度。

为了保证统计的精确度，要求覆盖合适范围的长度。摄像头视角正对路侧下方，由于距离较短，一般选取短焦摄像头。为了保证统计的精确度，摄像头的覆盖范围长度为10米左右。如图3所示，摄像头视角正对路侧下方，由于距离较短，一般选取短焦摄像头，检测距离50m左右，水平视场角120°左右即可。

步骤22，制作数据集。

从常见公开交通道路场景下数据集中选取含有道路参与者类别信息的图片，选取当前检测效果较好、检测速度较快的网络模型作为检测网络，利用制作的数据集训练目标检测网络得到检测能力良好的权值文件；读取路侧摄像头的图片并输入检测网络中，得到图片中的交通参与者的类别和位置等信息。

其中，可以从常见公开数据集如COCO2017检测训练集中挑出包含car、bus、motorbike、truck和person等其中一种或多种类别的图片。同时从挑选的图片对应的标签集中去除其它类别的标签信息，只留取选取的类别的标签信息。选取当前检测效果较好、检测速度较快的网络模型作为检测网络，如YOLO_V5，利用制作的数据集训练目标检测网络得到检测能力良好的权值文件。读取路侧摄像头的图片并输入检测网络中，得到图片中的交通参与者的类别和位置等信息。

步骤23，划分计数区和非计数区。

在路侧摄像头画面中的路口选取4点，并测量出这些点的坐标，将这些点连成一个多边形，将路口分别为计数区和非计数区，其中，多边形内部为计数区，多边形外部为非计数区。

例如，在路侧摄像头画面中的路口选取4个点，并测量出这些点的坐标，根据路口类型选择合适的点进行连接形成矩形。选取任意一点为起始点，然后按顺时针给其余点依次排序，然后将所有的点连接成一个封闭的计数区域矩形，例如由a点(x_a,y_a)和b点(x_b,y_b)的坐标得到直线方程(X-x_a)/(x_b-x_a)＝(Y-y_a)/(y_a-y_b)，同理连接剩余点。

其中，可以通过选取道路关键点在图像坐标系的位置，确定道路计数区域，用虚拟多边形作为分类边界条件对轨迹点位置进行区分。如图3所示为计数区与非计数区两类。根据若尔当曲线定理(Jordan curve theorem)，即每个若尔当曲线将平面划分成由曲线限定的“内部”区域和包含所有附近和远处外部点的“外部”区域，并且如果在这两个区域内外分别取一点，再用一条曲线将其相连，则这条连线必定和原来的闭合若尔当曲线相交。简而言之就是多边形将平面分为内外两个平面，如图4所示假设待测点P₁在多边形内部，从待测点P₁为起点沿任一方向引一条射线必然会与多边形有至少一个交点。该射线与多边形第一次相交时将“离开”多边形，第二次相交将“进入”多边形，依此类推，若射线与多边形有奇数个交点，则该点在多边形内部，反之则在外部。

其中，需要注意以下几种特殊情况：点与多边形的边存在重合、点在多边形的延长线上和以该点为起点的射线与多边形相交于多边形的顶点。对于以上三种特殊情况，若不加处理，会导致判断交通参与者是否在计数区域错误，所以首先对交通参与者坐标点是否在虚拟多边形的每条边所在的直线上，如果该点在直线上，则认为该点并不在计数区域内，直接去除这些点。

步骤24，检测视频画面中的交通参与者，输出基于深度学习的检测模型获得当前视频帧即第f帧的交通参与者信息集

其中，

i＝1,2,3,…,n，c为交通参与者类别，x,y,z为交通参与者在图像坐标系中的位置，n为网络检测出第f帧的交通参与者的数量。

步骤25，跟踪视频画面中的交通参与者，运用跟踪算法得出第f+1帧的跟踪信息集，

其中

i＝1,2,…,m^f+1，m^f+1为跟踪的交通参与者总数量，id为所述跟踪交通参与者的唯一编号，在跟踪效果较好的情况下前后两帧中同一交通参与者为同一编号，s为跟踪的交通参与者的速度，包含交通参与者的横向速度v_x和纵向速度v_y。

步骤26，数据预处理。

解析图像信息并过滤不符合要求的消息，当交通参与者的速度位置满足一定要求时，选取该符合要求的计数点。对上述传来的数据进行数据预处理，对于速度小于一定阈值的交通参与者进行过滤。过滤的规则为

其中，θ为通过该路口的交通参与者的平均最低速度，应当根据不同路口适当选择。v_x表示所述交通参与者沿车道纵向的速度，v_y表示所述交通参与者沿车道横向的速度。过滤不符合要求的轨迹能够有效抑制摄像头误检等情况，降低对计数效果的影响。

还可以过滤掉不在计数区内的交通参与者目标。根据若尔当曲线定理(Jordancurve theorem)，即每个若尔当曲线将平面划分成由曲线限定的“内部”区域和包含所有附近和远处外部点的“外部”区域，并且如果在这两个区域内外分别取一点，再用一条曲线将其相连，则这条连线必定和原来的闭合若尔当曲线相交。即通过若尔当曲线平面上的某点作一条任意方向的射线，若该直线与多边形没有相交的点或者只有偶数个点，则认为该点在多边形外部，就过滤掉该点；若有奇数个点，则认为该点在多边形内部。

具体的判断两条线段是否相交的方法为：如果两条线段相交，那么必须跨立，就是以一条线段为标准，另一条线段的两端点一定在这条线段的两端，如图5所示，也就是说a，b两点在线段cd的两端，c，d两点在线段ab的两端，若

则两条线段相交，通过计算相交点的个数来确定该点是否在计数区。

具体的，本步骤中，可以首先判断该轨迹点(x,y)(交通参与者的位置)是否在计数区域多边形或者计数区域多边形的顶点或线段上，若满足下式则判断结果为是：

(x-x_a)/(x_b-x_a)＝(y-y_a)/(y_a-y_b)

其中，(x_a,y_a)和(x_b,y_b)是多边形的顶点或线段上的点的坐标。

其余线段同理判断，若轨迹点在线段所在直线上，认为该点不在多边形内，过滤处理，若不在线段所在直线上，则做一条平行于X轴(车道纵向)的射线，判断与多边形的交点，若为奇数个点，则认为在计数区域内部，若为偶数个点，则判断在计数区域外部。

步骤27，对落入计数区的轨迹点数进行处理和记录。

首先为了获取平滑的轨迹点，利用卡尔曼滤波对原始轨迹点进行处理。传感器采集的信号往往是包含噪声及干扰信号的，所以传感器得到的观测值和真实值存在一定的偏差，比如获得的某个时刻传感器获取的轨迹点在计数区边界来回抖动，这对于检测结果准确性有较大影响，为了减小这种估计值的误差，采用卡尔曼滤波对获取的位置进行处理，获得更加平滑的轨迹。

将落入计数区的任一轨迹点x,y方向分量分别输入到一维卡尔曼滤波器滤除波动幅度大的点以达到平滑轨迹作用。由于卡尔曼滤波无需缓存多余的历史轨迹点因此避免了大量排序操作即可平滑轨迹点并保证了数据的实时性和准确性。

卡尔曼滤波是一种利用线性系统状态方程，通过系统输入输出观测数据，对系统状态进行最优估计。对于一个已知上一时刻位置(有误差)的目标，可以估计其当前位置，同时通过传感器可以测量出当前目标位置(有误差)。两个位置(估计值与测量值)由于有各自的误差，并不相等。如果知道这两个位置的概率分布(误差是一种随机变量)，那么可以给出一个最优位置，使得估计值与测量值之间的矛盾最小，则可以认为这个位置最接近真实位置。由于观测的数据中包括系统中的噪声和干扰的影响，所以最优估计对离散的时间序列也可看作是平滑的过程。

卡尔曼滤波的主要过程包括：

I.先验估计(预测)

向前推算状态变量：

X_i＝AX_i-1+U

其中，X_i是利用上一时刻的位置预测的当前时刻的位置，即坐标x和y；X_i-1为上一时刻的位置(最优结果)，A为系数，U为估计噪声，满足高斯分布，A和U的值均为预设值。

向前推算误差协方差：

P_i＝AP_i-1A′+Q

其中，P_i是X_i对应的协方差，P_i-1是X_i-1对应的协方差，A'表示A的转置矩阵，Q是本次估计产生的不确定性，影响收敛速度。A和Q的值可根据实际需求预先给出。

基于上述式子，可以根据上一时刻的位置预先估计出交通参与者在下一时刻的位置和协方差。

II.后验估计更新(校正)

K_i＝P_iH'/(HP_iH'+R)

其中，K_i为i时刻的卡尔曼增益，H为测量矩阵，用于将测量矩阵转换为观测值，此处取1即可完成转换，R为测量噪声协方差，一般可以通过观测得到，或者为经验值。即，H和R的值均可以根据实际应用场景预先得到，进而可以得到K_i的值。

由观测变量Z_i更新当前时刻交通参与者的位置的估计值：

X_i＝X_i+K_i(Z_i-HX_i)

更新测量误差：

P_i＝(1-K_iH)P_i

其中，Z_i为观测值，即传感器测量得到的交通参与者的位置。

根据II得到交通参与者在当前时刻的更新后的位置和协方差，以该位置作为交通参与者的实际位置，并进行处理和记录。

其中，本文中提到的轨迹点即为每一个帧图像中的交通参与者。多个帧中的交通参与者的位置构成交通参与者的运行轨迹，每一帧中交通参与者的位置即为一个轨迹点。

步骤28，更新模块，用于对计数值进行保存和更新。

其中，为每个类别都维护一个计数器，初始状态下，计数区域的每个类别的计数器都默认为空，当n个轨迹点落在计数区域时，计数器加上各个轨迹点的单位时间内的路程。

其中，co_i为当前计数轮次的计数，初始值为0，sa为路侧摄像机的采样频率，i为检测的交通参与者类别，j为当前帧交通参与者的序号(0<j≤n)，v_jx为序号为j的交通参与者在x方向的速度分量，v_jy为序号为j的交通参与者在y方向的速度分量。

当co_i>dis，表明经过了一辆车，计数结果加1，然后将co_i清零。

计算计数区域的欧氏距离，取区域内车道上最远两点计算：

其中，(a_x,b_y)和(a'_x,b'_y)是车道上最远两点的坐标。

步骤29，对下一帧图像重复步骤23至步骤28，直到视频结束，最后根据各个类别的计数器输出交通流量统计结果。

本发明实施例提供一种基于路侧感知的交通流量统计装置，用于实施上述实施例及其示例所提供的基于路侧感知的交通流量统计方法，如图6所示，该装置包括：

区域划分模块61，用于在路侧摄像头画面中的路口划分内外区域，将路口分为内部的计数区和外部的非计数区；

检测模块62，用于检测视频画面中的交通参与者，输出基于深度学习的检测模型获得当前视频帧第f帧的交通参与者信息集

其中，

i＝1,2,3,…,n，c为交通参与者类别，x,y,z为交通参与者在图像坐标系中的位置，n为检测出第f帧的交通参与者的数量；

跟踪模块，用于跟踪视频画面中的交通参与者得到第f+1帧的跟踪信息集，

其中，

i＝1,2,…,m^f+1，m^f+1为被跟踪的交通参与者的总数量，id为被跟踪的交通参与者的编号，s为被跟踪的交通参与者的速度；其中，被跟踪的同一交通参与者在不同帧内的编号相同；

预处理模块63，用于去除不符合要求的交通参与者，包括过滤掉速度小于阈值的交通参与者，和/或过滤掉不在所述计数区内的交通参与者；

计数模块64，用于对每一帧图像信息进行分析，当一个类别有交通参与者落在所述计数区域时，累加所述一个类别的各个交通参与者的单位时间内的路程，若和大于所述计数区域的欧式距离，则所述一个类别的计数器加一；其中，每一个类别的交通参与者对应一个计数器；

输出模块65，用于根据所述计数模块的统计，输出各个类别的计数器的值，得到交通流量统计结果。

其中，所述预处理模块63用于：

根据下式比较所述交通参与者的速度和预设速度阈值的大小，若小于所述预设速度阈值，则过滤掉所述交通参与者：

其中，θ为预设通过路口的交通参与者的平均最低速度，v_x表示所述交通参与者沿车道纵向的速度，v_y表示所述交通参与者沿车道横向的速度。

其中，所述预处理模块63用于：

从所述交通参与者的位置沿任一方向作一条直线，若所述直线与所述计数区没有相交的点或者有偶数个交点，则判断所述交通参与者位于所述非计数区，过滤掉所述交通参与者。

其中，所示计数模块64用于：

将所述计数区内的交通参与者的沿车道方向和y方向分量分别输入到一维卡尔曼滤波器，滤除波动幅度大的所述交通参与者以平滑所述交通参与者的运行轨迹。

需要说明，该基于路侧感知的交通流量统计装置可以实现上述方法实施例及其示例的方法中的任一步骤或操作，本文在此不再赘述。

此外，本发明实施例还提供一种基于路侧感知的交通流量统计系统，包括上述基于路侧感知的交通流量统计装置、云端装置和智慧互联实时监控平台，如图7所示。

其中，基于路侧感知的交通流量统计装置主要由路杆配置的激光雷达、毫米波雷达、摄像头、计算单元和路侧通信单元组成。在路侧系统作业时，摄像头和雷达对路侧环境进行感知，可实现对路口全天候检测和监控，在路侧计算单元上对感知数据进行检测跟踪计数，并将检测得到的障碍物信息和交通流量统计信息通过UDP通信协议实时地发送到云端。

云端装置负责路况信息搜集，方便接入政府监管平台，数据平台，可上传原始数据和本地处理的结果，通过对海量交通运行数据进行整合处理，形成分析预测模型，运用于交通调度引导、线路规划和车辆管控等方面，推动道路基础设施要素资源全面数字化。

智慧互联实时监控平台将从云端传来的实时的统计信息通过图表等可视化方式实时显示在大屏终端，方便工作人员观察。通过该系统实现上述交通流量统计方法。

本发明使用的交通流量计数方法不过分依赖于跟踪效果，即使图像出现几帧跟踪目标的ID发生变化、速度和位置发生轻微抖动等现象，也不会影响最终的统计结果。因此，本发明能够以较低的成本，在跟踪技术效果较差的场景下依然能够保持较好的计数效果，实现对交通参与者数量的自动化、高效化、智能化计数。

最后需要指出的是：以上实施例仅用以说明本发明的技术方案，而非对其限制。本领域的普通技术人员应当理解：可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；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精神和范围。

Claims (10)

1.一种基于路侧感知的交通流量统计方法，其特征在于，包括：

步骤1，将路侧摄像头拍摄的画面中的路口划分为内外区域，内部区域为计数区，外部区域为非计数区；

步骤2，检测视频画面中的交通参与者，输出基于深度学习的检测模型获得的当前视频帧的交通参与者信息集

其中，f表示所述当前视频帧为第f帧，

c为交通参与者类别，x,y,z为交通参与者的位置，i表示第i个交通参与者；n为检测出的交通参与者的数量；

步骤3，跟踪视频画面中的交通参与者得到第f+1帧的跟踪信息集，

其中，

id为被跟踪的交通参与者的编号，s为被跟踪的交通参与者的速度，m^f+1为被跟踪的交通参与者的总数量；其中，被跟踪的同一交通参与者在不同帧内的编号相同；

步骤4，去除不符合要求的交通参与者，包括过滤掉速度小于阈值的交通参与者，和/或过滤掉不在所述计数区内的交通参与者；

步骤5，对每一帧图像信息进行分析，当一个类别有交通参与者落在所述计数区域时，累加所述一个类别的所有交通参与者的单位时间内的路程，若和大于所述计数区域的欧式距离，则所述一个类别的计数器加一；其中，每一个类别对应一个计数器；

步骤6，根据步骤5的统计，输出各个类别的计数器的值，得到交通流量统计结果。

2.根据权利要求1所述的方法，其特征在于，步骤4中，过滤掉速度小于阈值的交通参与者包括：

根据下式比较所述交通参与者的速度和预设速度阈值的大小，若小于所述预设速度阈值，则过滤掉所述交通参与者：

其中，θ为预设通过路口的交通参与者的最低速度，v_x表示所述交通参与者沿车道纵向的速度，v_y表示所述交通参与者沿车道横向的速度。

3.根据权利要求1所述的方法，其特征在于，其中步骤4中过滤掉不在所述计数区内的交通参与者包括：

从所述交通参与者的位置沿任一方向作一条直线，若所述直线与所述计数区没有相交的点或者有偶数个交点，则判断所述交通参与者位于所述非计数区，过滤掉所述交通参与者。

4.根据权利要求3所述的方法，其特征在于，其中，在从所述交通参与者的位置沿任一方向作一条直线之前还包括：

判断所述交通参与者是否在所述计数区的其中一条边所在的直线上，如果是，则判断所述交通参与者位于所述非计数区，过滤掉所述交通参与者。

5.根据权利要求1所述的方法，其特征在于，其中，步骤5中对每一帧图像信息进行分析之前还包括：

将所述计数区内的交通参与者沿车道的纵向分量和横向分量分别输入到一维卡尔曼滤波器，滤除波动幅度大的所述交通参与者，以平滑所述交通参与者的运行轨迹。

6.根据权利要求1或5所述的方法，其特征在于，步骤5中通过下述方式计算各个交通参与者的单位时间内的路程：

其中，sa为路侧摄像机的采样频率，j为所述交通参与者的序号，v_jx为序号为j的交通参与者沿车道纵向的速度分量，v_jy为序号为j的交通参与者沿车道横向的速度分量。

7.一种基于路侧感知的交通流量统计装置，其特征在于，包括：

区域划分模块，用于将路侧摄像头拍摄的画面中的路口划分为内外区域，内部区域为计数区，外部区域为非计数区；

检测模块，用于检测视频画面中的交通参与者，输出基于深度学习的检测模型获得的当前视频帧的交通参与者信息集

其中，f表示所述当前视频帧为第f帧，

c为交通参与者类别，x,y,z为交通参与者的位置，i表示第i个交通参与者；n为检测出的交通参与者的数量；

跟踪模块，用于跟踪视频画面中的交通参与者得到第f+1帧的跟踪信息集，

其中，

id为被跟踪的交通参与者的编号，s为被跟踪的交通参与者的速度，m^f+1为被跟踪的交通参与者的总数量；其中，被跟踪的同一交通参与者在不同帧内的编号相同；

预处理模块，用于去除不符合要求的交通参与者，包括过滤掉速度小于阈值的交通参与者，和/或过滤掉不在所述计数区内的交通参与者；

计数模块，用于对每一帧图像信息进行分析，当一个类别有交通参与者落在所述计数区域时，累加所述一个类别的所有交通参与者的单位时间内的路程，若和大于所述计数区域的欧式距离，则所述一个类别的计数器加一；其中，每一个类别对应一个计数器；

输出模块，用于根据所述计数模块的统计，输出各个类别的计数器的值，得到交通流量统计结果。

8.根据权利要求7所述的装置，其特征在于，所述预处理模块用于：

根据下式比较所述交通参与者的速度和预设速度阈值的大小，若小于所述预设速度阈值，则过滤掉所述交通参与者：

其中，θ为预设通过路口的交通参与者的最低速度，v_x表示所述交通参与者沿车道纵向的速度，v_y表示所述交通参与者沿车道横向的速度。

9.根据权利要求7所述的装置，其特征在于，所述预处理模块用于：

从所述交通参与者的位置沿任一方向作一条直线，若所述直线与所述计数区没有相交的点或者有偶数个交点，则判断所述交通参与者位于所述非计数区，过滤掉所述交通参与者。

10.根据权利要求7所述的装置，其特征在于，其中，所述计数模块用于：

将所述计数区内的交通参与者沿车道的纵向分量和横向分量分别输入到一维卡尔曼滤波器，滤除波动幅度大的所述交通参与者，以平滑所述交通参与者的运行轨迹。

Images