CN115240429A - 一种人车流量统计方法、电子设备及存储介质 - Google Patents

一种人车流量统计方法、电子设备及存储介质 Download PDF

Info

Publication number
CN115240429A
CN115240429A CN202210960513.1A CN202210960513A CN115240429A CN 115240429 A CN115240429 A CN 115240429A CN 202210960513 A CN202210960513 A CN 202210960513A CN 115240429 A CN115240429 A CN 115240429A
Authority
CN
China
Prior art keywords
target
virtual area
line segment
virtual
pedestrian
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN202210960513.1A
Other languages
English (en)
Other versions
CN115240429B (zh
Inventor
庄立坚
周益辉
李琅
雷程程
丘建栋
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shenzhen Urban Transport Planning Center Co Ltd
Original Assignee
Shenzhen Urban Transport Planning Center Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shenzhen Urban Transport Planning Center Co Ltd filed Critical Shenzhen Urban Transport Planning Center Co Ltd
Priority to CN202210960513.1A priority Critical patent/CN115240429B/zh
Publication of CN115240429A publication Critical patent/CN115240429A/zh
Application granted granted Critical
Publication of CN115240429B publication Critical patent/CN115240429B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/20—Analysis of motion
    • G06T7/246—Analysis of motion using feature-based methods, e.g. the tracking of corners or segments
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/40—Scenes; Scene-specific elements in video content
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V2201/00—Indexing scheme relating to image or video recognition or understanding
    • G06V2201/07—Target detection

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Software Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • Databases & Information Systems (AREA)
  • Analytical Chemistry (AREA)
  • Medical Informatics (AREA)
  • Chemical & Material Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Molecular Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明提出一种人车流量统计方法、电子设备及存储介质，属于流量统计技术领域。包括以下步骤：S1.获取行人或车辆目标的矩形检测框坐标信息，并获取目标跟踪的ID信息；S2.使用不同斜率的线段划分人行道或车道；S3.设定距离阈值，将各个线段沿着垂直平分线前后方向平移得到的两个虚拟区域：S4.计算行人或车辆目标的中心点坐标，根据行人或车辆目标的坐标信息判断目标是否进入虚拟区域；S5.将进入两个虚拟区域的目标ID进行比较，如果进入两个虚拟区域的ID前后一致，进行计数。解决现有技术中存在的依赖摄像头的角度导致漏检、误检的技术问题。

Description

一种人车流量统计方法、电子设备及存储介质
技术领域
本申请涉及人车流量统计方法，尤其涉及一种人车流量统计方法、电子设备及存储介质，属于流量统计技术领域。
背景技术
利用深度学习算法在摄像头下进行人流量和机动车流量计数是较为常见。但是在实际应用中，现有计数算法，一般要求摄像头角度正对着道路，使用线段划分人行道或者车道，根据行人和车辆左右上下移动的坐标信息，再对比线段前后（在视频二维画面上，线段的x坐标或者y坐标）单个目标的ID是否一致，就可达到普通计数的效果。
现有计数算法统计通过线段的流量时大都缺乏充分的考虑。在摄像头二维画面上，根据行人和车辆上下、左右移动的坐标信息，一般只能统计从上到下，从下到上，从左到右，从右到左4个方向的人车流量，不支持从不同角度的方向上进行人车流量统计，计数精度依赖于摄像头角度；在多个人或者多辆车同时经过的场景下，容易产生漏检问题；当人车在检测线段处抖动时，也会产生重复计数的误检问题。
发明内容
在下文中给出了关于本发明的简要概述，以便提供关于本发明的某些方面的基本理解。应当理解，这个概述并不是关于本发明的穷举性概述。它并不是意图确定本发明的关键或重要部分，也不是意图限定本发明的范围。其目的仅仅是以简化的形式给出某些概念，以此作为稍后论述的更详细描述的前序。
鉴于此，为解决现有技术中存在的依赖摄像头的角度导致漏检、误检的技术问题，本发明提供一种人车流量统计方法、电子设备及存储介质。
方案一：一种人车流量统计方法，包括以下步骤：
S1.获取行人或车辆目标的矩形检测框坐标信息，并获取目标跟踪的ID信息；
S2.使用不同斜率的线段划分人行道或车道；
S3.设定距离阈值，将各个线段沿着垂直平分线前后方向平移得到的两个虚拟区域：
S4.计算行人或车辆目标的中心点坐标，根据行人或车辆目标的坐标信息判断目标是否进入虚拟区域；
S5.将进入两个虚拟区域的目标ID进行比较，如果进入两个虚拟区域的ID前后一致，进行计数。
优选的，采用YOLOv5目标检测算法模型检测视频每帧图片中行人和车辆，获得行人和车辆的矩形检测框坐标信息（left, top, width, height）其中，left、top、 width、height分别为矩形检测框的左上角横坐标、左上角纵坐标、宽度和高度。
优选的，获取目标跟踪的ID信息的方法是：采用级联匹配算法，将行人和车辆的矩形检测框与预测的目标跟踪框的iou输入到匈牙利算法中进行线性分配直接关联当前帧中的ID。
优选的，设定距离阈值T1和T2；T1代表当前线段到虚拟区域第一条边的距离；T2代表当前线段到虚拟区域第二条边的距离，T2大于T1；
线段沿着垂直平分线向上平移T1距离得到虚拟区域1的第1条边，向上平移T2距离得到虚拟区域1的第2条边，将第1条边和第2条边的四个顶点坐标组成虚拟区域1；
线段沿着垂直平分线向下平移T1距离得到虚拟区域2的第1条边，向下平移T2距离得到虚拟区域2的第2条边，将第1条边和第2条边的四个顶点坐标组成虚拟区域2。
优选的，计算顶点坐标的方法是：
假设线段AB的两端点坐标为A(
Figure 221010DEST_PATH_IMAGE001
,
Figure 385275DEST_PATH_IMAGE002
)和B(
Figure 626901DEST_PATH_IMAGE003
,
Figure 229920DEST_PATH_IMAGE004
)，将线段沿着垂直平分线向上偏移，偏移量为T，得到CD线段C(
Figure 607812DEST_PATH_IMAGE005
,
Figure 208558DEST_PATH_IMAGE006
)和D(
Figure 671900DEST_PATH_IMAGE007
,
Figure 219556DEST_PATH_IMAGE008
)
Figure 717534DEST_PATH_IMAGE009
其中，
Figure 223601DEST_PATH_IMAGE010
表示线段AB的斜率，
Figure 601669DEST_PATH_IMAGE011
表示垂直平分线与坐标y的夹角；
根据线段沿着垂直平分线向上移动T的偏移量，得到x坐标的偏移
Figure 484174DEST_PATH_IMAGE012
和y坐标的偏移
Figure 836658DEST_PATH_IMAGE013
，那么C(
Figure 716890DEST_PATH_IMAGE005
,
Figure 154824DEST_PATH_IMAGE006
)和D(
Figure 841020DEST_PATH_IMAGE007
,
Figure 48011DEST_PATH_IMAGE008
)的坐标为：
Figure 833564DEST_PATH_IMAGE014
同理，当沿着垂直平分线分别向上向下平移T1和T2距离时，计算得到虚拟区域的坐标集合，虚拟区域1的四个顶点坐标集合为：
Figure 758795DEST_PATH_IMAGE015
虚拟区域2的四个顶点坐标集合为：
Figure 983103DEST_PATH_IMAGE016
。
优选的，计算行人或车辆目标的中心点坐标，根据行人或车辆目标的坐标信息判断目标是否进入虚拟区域的方法是：包括以下步骤：
S41.根据行人和车辆的矩形检测框坐标信息（left,top, width, height），计算当前目标的中心点坐标(x,y)：
Figure 621763DEST_PATH_IMAGE017
S42.判断坐标点(x,y)是否在虚拟区域内，计算通过该点的水平线与虚拟区域多边形各边的交点个数c，假设区域顶点坐标集合为{{x[0], y[0]}，{x[1], y[1]}...{x[n-1], y[n-1]}}，计算方法为：
S421.初始另i=0，j=n-1，c=0；
S422.若i< n，执行S423-S424，否则退出；
S423.若(y < y[i])= (y < y[j])且x <( (x[j] - x[i]) * (y - y[i]) / (y[j] - y[i] ) + x[i])都成立，则c=c+1；
S424.j=i；i=i+1；跳转到S422；
S43.计算得到交点个数c，若1=c%2，目标进入区域范围内。
优选的，S5所述将进入两个虚拟区域的目标ID进行比较的方法是：为各个线段的虚拟区域分配对应的数组队列，数组队列存储进入虚拟区域的目标ID，队列长度为n，对数组队列预先设计两种函数操作：
比较并新增元素：将新元素与数组队列的每个元素进行比较，若，新元素不在数组队列中，将数组头元素出队，若新元素在数组队列，将新元素加到数组尾，同时返回判断结果；
比较并删除元素：将新元素与数组队列的每个元素进行比较，若，新元素在数组队列中，将此元素删除，后面的元素往前移，同时返回判断结果；
从虚拟区域1通过线段进入到虚拟区域2的方向的计数方法为：
当目标进入虚拟区域1时，将当前目标ID作为新元素按照“比较并新增元素”的操作方式加入数组队列1；
当目标进入虚拟区域2时，将当前目标ID作为新元素按照“比较并删除元素”的操作方式对数组队列1进行操作；
当返回的判断结果显示“当前目标ID在数组队列1内”，并成功删除掉之后，对从虚拟区域1通过线段进入到虚拟区域2的目标流量进行计数；
从虚拟区域2通过线段进入到虚拟区域1的方向的计数方法为：
当目标进入虚拟区域2时，将当前目标ID作为新元素按照“比较并新增元素”的操作方式加入到数组队列2；
当目标进入虚拟区域1时，将当前目标ID作为新元素按照“比较并删除元素”的操作方式对数组队列2进行操作；
当返回的判断结果显示“当前目标ID在数组队列2内”，并成功删除掉之后，对从虚拟区域2通过线段进入到虚拟区域1的目标流量进行计数。
方案二、 一种电子设备，包括存储器和处理器，存储器存储有计算机程序，所述的处理器执行所述计算机程序时实现方案一所述方法的步骤。
方案三、一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现方案一所述的方法。
本发明的有益效果如下：本发明采用深度学习YOLOv5目标检测算法和DeepSort目标跟踪算法对人车进行识别和跟踪，并提出一种计数算法，使用不同斜率的线段划分人行道或者车道，设定两个距离阈值计算各个线段的两个虚拟区域，通过虚拟区域和数组队列的方式，分别统计经过各个线段垂直平分线（等同于摄像头画面上的不同角度）前后方向的人车流量，降低了对摄像头角度的依赖，避免漏检和重复计数误检现象。
附图说明
此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：
图1为本发明方法流程示意图；
图2为本发明不同斜率的线段划分道路示意图；
图3为本发明虚拟区域示意图；
图4为本发明计算顶点坐标方法示意图；
图5为本发明数组队列示意图；
图6为现有计数算法划分道路示意图。
具体实施方式
为了使本申请实施例中的技术方案及优点更加清楚明白，以下结合附图对本申请的示例性实施例进行进一步详细的说明，显然，所描述的实施例仅是本申请的一部分实施例，而不是所有实施例的穷举。需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。
实施例1、参照图1-图6说明本实施方式，一种人车流量统计方法，包括以下步骤：
S1.获取行人或车辆目标的矩形检测框坐标信息，并获取目标跟踪的ID信息；
采用YOLOv5目标检测算法模型检测视频每帧图片中行人和车辆，获得行人和车辆的矩形检测框坐标信息（left, top, width, height）其中，left、top、 width、height分别为矩形检测框的左上角横坐标、左上角纵坐标、宽度和高度；
YOLOv5是一种单阶段目标检测算法，具体包括：YOLOv5s、YOLOv5m、YOLOv5l和YOLOv5x四个版本，模型越大，其检测精度越高，检测速度越慢，可根据自身对准确度和精确度的需求选择不同版本。
获取目标跟踪的ID信息的方法是：利用DeepSort目标跟踪算法对识别到的行人和车辆进行跟踪，获取目标ID信息。
DeepSort采用的级联匹配算法，采用级联匹配算法，将行人和车辆的矩形检测框与预测的目标跟踪框的iou输入到匈牙利算法中进行线性分配直接关联当前帧中的ID，目标的物体外观位置信息可以加入连接到帧间匹配的过程计算中，这样在目标被物体遮挡但后续目标再次出现的实际情况下，还可以正确的来匹配这个帧间ID，在进行实时检测目标追踪过程中，可以改善在有遮挡目标情况下的实时目标自动追踪检测效果。同时，也大大减少了目标ID之间跳变频繁的问题，达到持续跟踪的目的。
S2.使用不同斜率的线段划分人行道或车道；
S3.设定距离阈值，将各个线段沿着垂直平分线前后方向平移得到的两个虚拟区域。
根据线段坐标和线段沿着垂直平分线平移的关系，分别计算得到各个线段沿着垂直平分线前后方向的两个虚拟区域的顶点坐标。
设定距离阈值T1和T2；T1代表当前线段到虚拟区域第一条边的距离；T2代表当前线段到虚拟区域第二条边的距离，T2大于T1；
线段沿着垂直平分线向上平移T1距离得到虚拟区域1的第1条边，向上平移T2距离得到虚拟区域1的第2条边，将第1条边和第2条边的四个顶点坐标组成虚拟区域1；
线段沿着垂直平分线向下平移T1距离得到虚拟区域2的第1条边，向下平移T2距离得到虚拟区域2的第2条边，将第1条边和第2条边的四个顶点坐标组成虚拟区域2。
计算顶点坐标的方法是：
假设线段AB的两端点坐标为A(
Figure 906114DEST_PATH_IMAGE001
,
Figure 53062DEST_PATH_IMAGE002
)和B(
Figure 81061DEST_PATH_IMAGE003
,
Figure 465906DEST_PATH_IMAGE004
)，将线段沿着垂直平分线向上偏移，偏移量为T，得到CD线段C(
Figure 921158DEST_PATH_IMAGE005
,
Figure 820981DEST_PATH_IMAGE006
)和D(
Figure 59195DEST_PATH_IMAGE007
,
Figure 95284DEST_PATH_IMAGE008
)
Figure 721438DEST_PATH_IMAGE009
其中，
Figure DEST_PATH_IMAGE018
表示线段AB的斜率，
Figure 905294DEST_PATH_IMAGE019
表示垂直平分线与坐标y的夹角；
根据线段沿着垂直平分线向上移动T的偏移量，得到x坐标的偏移
Figure DEST_PATH_IMAGE020
和y坐标的偏移
Figure 275096DEST_PATH_IMAGE013
，那么C(
Figure 634533DEST_PATH_IMAGE005
,
Figure 431588DEST_PATH_IMAGE006
)和D(
Figure 40423DEST_PATH_IMAGE007
,
Figure 121905DEST_PATH_IMAGE008
)的坐标为：
Figure 132587DEST_PATH_IMAGE014
同理，当沿着垂直平分线分别向上向下平移T1和T2距离时，计算得到虚拟区域的坐标集合，虚拟区域1的四个顶点坐标集合为：
Figure 100543DEST_PATH_IMAGE015
虚拟区域2的四个顶点坐标集合为：
Figure 196675DEST_PATH_IMAGE016
。
S4.计算行人或车辆目标的中心点坐标，根据行人或车辆目标的坐标信息判断目标是否进入虚拟区域：包括以下步骤：
S41.根据行人和车辆的矩形检测框坐标信息（left,top, width, height），计算当前目标的中心点坐标(x,y)：
x = left + width/2
y = top+ height/2
S42.判断坐标点(x,y)是否在虚拟区域内，计算通过该点的水平线与虚拟区域多边形各边的交点个数c，假设区域顶点坐标集合为{{x[0], y[0]}，{x[1], y[1]}...{x[n-1], y[n-1]}}，计算方法为：
S421.初始另i=0，j=n-1，c=0；
S422.若i< n，执行S423-S424，否则退出；
S423.若(y < y[i])= (y < y[j])且x <( (x[j] - x[i]) * (y - y[i]) / (y[j] - y[i] ) + x[i])都成立，则c=c+1；
S424.j=i；i=i+1；跳转到S422；
S43.计算得到交点个数c，若1=c%2，目标进入区域范围内。
S5.为各个线段的虚拟区域分配对应的数组队列，并设定数组队列长度，将进入某个线段虚拟区域1和虚拟区域2的目标ID分别加入到对应的数组队列之后，根据数组队列操作进行比较计数。
为各个线段的虚拟区域分配对应的数组队列，数组队列存储进入虚拟区域的目标ID，队列长度为n，对数组队列预先设计两种函数操作：
比较并新增元素：将新元素与数组队列的每个元素进行比较，若，新元素不在数组队列中，将数组头元素出队，若新元素在数组队列，将新元素加到数组尾，同时返回判断结果；
比较并删除元素：将新元素与数组队列的每个元素进行比较，若，新元素在数组队列中，将此元素删除，后面的元素往前移，同时返回判断结果；
从虚拟区域1通过线段进入到虚拟区域2的方向的计数方法为：
当目标进入虚拟区域1时，将当前目标ID作为新元素按照“比较并新增元素”的操作方式加入数组队列1；
当目标进入虚拟区域2时，将当前目标ID作为新元素按照“比较并删除元素”的操作方式对数组队列1进行操作；
当返回的判断结果显示“当前目标ID在数组队列1内”，并成功删除掉之后，对从虚拟区域1通过线段进入到虚拟区域2的目标流量进行计数；
从虚拟区域2通过线段进入到虚拟区域1的方向的计数方法为：
当目标进入虚拟区域2时，将当前目标ID作为新元素按照“比较并新增元素”的操作方式加入到数组队列2。
当目标进入虚拟区域1时，将当前目标ID作为新元素按照“比较并删除元素”的操作方式对数组队列2进行操作
当返回的判断结果显示“当前目标ID在数组队列2内”，并成功删除掉之后，对从虚拟区域2通过线段进入到虚拟区域1的目标流量进行计数。
实施例2、本发明的计算机装置可以是包括有处理器以及存储器等装置，例如包含中央处理器的单片机等。并且，处理器用于执行存储器中存储的计算机程序时实现上述的基于CREO软件的可修改由关系驱动的推荐数据的推荐方法的步骤。
所称处理器可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器 (Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列 (Field-Programmable Gate Array，FPGA) 或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
所述存储器可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序（比如声音播放功能、图像播放功能等）等；存储数据区可存储根据手机的使用所创建的数据（比如音频数据、电话本等）等。此外，存储器可以包括高速随机存取存储器，还可以包括非易失性存储器，例如硬盘、内存、插接式硬盘，智能存储卡（Smart Media Card, SMC），安全数字（Secure Digital, SD）卡，闪存卡（Flash Card）、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
实施例3、计算机可读存储介质实施例
本发明的计算机可读存储介质可以是被计算机装置的处理器所读取的任何形式的存储介质，包括但不限于非易失性存储器、易失性存储器、铁电存储器等，计算机可读存储介质上存储有计算机程序，当计算机装置的处理器读取并执行存储器中所存储的计算机程序时，可以实现上述的基于CREO软件的可修改由关系驱动的建模数据的建模方法的步骤。
所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器（ROM，Read-Only Memory）、随机存取存储器（RAM，Random Access Memory）、电载波信号、电信信号以及软件分发介质等。需要说明的是，所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括电载波信号和电信信号。
尽管根据有限数量的实施例描述了本发明，但是受益于上面的描述，本技术领域内的技术人员明白，在由此描述的本发明的范围内，可以设想其它实施例。此外，应当注意，本说明书中使用的语言主要是为了可读性和教导的目的而选择的，而不是为了解释或者限定本发明的主题而选择的。因此，在不偏离所附权利要求书的范围和精神的情况下，对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。对于本发明的范围，对本发明所做的公开是说明性的，而非限制性的，本发明的范围由所附权利要求书限定。

Claims (9)

1.一种人车流量统计方法，其特征在于，包括以下步骤：
S1.获取行人或车辆目标的矩形检测框坐标信息，并获取目标跟踪的ID信息；
S2.使用不同斜率的线段划分人行道或车道；
S3.设定距离阈值，将各个线段沿着垂直平分线前后方向平移得到的两个虚拟区域：
S4.计算行人或车辆目标的中心点坐标，根据行人或车辆目标的坐标信息判断目标是否进入虚拟区域；
S5.将进入两个虚拟区域的目标ID进行比较，如果进入两个虚拟区域的ID前后一致，进行计数。
2.根据权利要求1所述的一种人车流量统计方法，其特征在于，采用YOLOv5目标检测算法模型检测视频每帧图片中行人和车辆，获得行人和车辆的矩形检测框坐标信息（left,top, width, height）其中，left、top、 width、height分别为矩形检测框的左上角横坐标、左上角纵坐标、宽度和高度。
3.根据权利要求2所述的一种人车流量统计方法，其特征在于，获取目标跟踪的ID信息的方法是：采用级联匹配算法，将行人和车辆的矩形检测框与预测的目标跟踪框的iou输入到匈牙利算法中进行线性分配直接关联当前帧中的ID。
4.根据权利要求3所述的一种人车流量统计方法，其特征在于，设定距离阈值T1和T2；T1代表当前线段到虚拟区域第一条边的距离；T2代表当前线段到虚拟区域第二条边的距离，T2大于T1；
线段沿着垂直平分线向上平移T1距离得到虚拟区域1的第1条边，向上平移T2距离得到虚拟区域1的第2条边，将第1条边和第2条边的四个顶点坐标组成虚拟区域1；
线段沿着垂直平分线向下平移T1距离得到虚拟区域2的第1条边，向下平移T2距离得到虚拟区域2的第2条边，将第1条边和第2条边的四个顶点坐标组成虚拟区域2。
5.根据权利要求4所述的一种人车流量统计方法，其特征在于，计算顶点坐标的方法是：
假设线段AB的两端点坐标为A(
Figure 721359DEST_PATH_IMAGE001
,
Figure 852126DEST_PATH_IMAGE002
)和B(
Figure 990983DEST_PATH_IMAGE003
,
Figure 246515DEST_PATH_IMAGE004
)，将线段沿着垂直平分线向上偏移，偏移量为T，得到CD线段C(
Figure 761810DEST_PATH_IMAGE005
,
Figure 684766DEST_PATH_IMAGE006
)和D(
Figure 994525DEST_PATH_IMAGE007
,
Figure 737353DEST_PATH_IMAGE008
)
Figure 790760DEST_PATH_IMAGE009
其中，
Figure 630540DEST_PATH_IMAGE010
表示线段AB的斜率，
Figure 547418DEST_PATH_IMAGE011
表示垂直平分线与坐标y的夹角；
根据线段沿着垂直平分线向上移动T的偏移量，得到x坐标的偏移
Figure 105438DEST_PATH_IMAGE012
和y坐标的偏移
Figure 696957DEST_PATH_IMAGE013
，那么C(
Figure 594505DEST_PATH_IMAGE005
,
Figure 246067DEST_PATH_IMAGE006
)和D(
Figure 963487DEST_PATH_IMAGE007
,
Figure 358696DEST_PATH_IMAGE008
)的坐标为：
Figure 173068DEST_PATH_IMAGE014
同理，当沿着垂直平分线分别向上向下平移T1和T2距离时，计算得到虚拟区域的坐标集合，虚拟区域1的四个顶点坐标集合为：
Figure 933214DEST_PATH_IMAGE015
虚拟区域2的四个顶点坐标集合为：
Figure 200247DEST_PATH_IMAGE015
。
6.根据权利要求5所述的一种人车流量统计方法，其特征在于，计算行人或车辆目标的中心点坐标，根据行人或车辆目标的坐标信息判断目标是否进入虚拟区域的方法是：包括以下步骤：
S41.根据行人和车辆的矩形检测框坐标信息（left,top, width, height），计算当前目标的中心点坐标(x,y)：
x = left + width/2
y = top+ height/2
S42.判断坐标点(x,y)是否在虚拟区域内，计算通过该点的水平线与虚拟区域多边形各边的交点个数c，假设区域顶点坐标集合为{{x[0], y[0]}，{x[1], y[1]}...{x[n-1], y[n-1]}}，计算方法为：
S421.初始另i=0，j=n-1，c=0；
S422.若i< n，执行S423-S424，否则退出；
S423.若(y < y[i])= (y < y[j])且x <( (x[j] - x[i]) * (y - y[i]) / (y[j] -y[i] ) + x[i])都成立，则c=c+1；
S424.j=i；i=i+1；跳转到S422；
S43.计算得到交点个数c，若1=c%2，目标进入区域范围内。
7.根据权利要求6所述的一种人车流量统计方法，其特征在于，S5所述将进入两个虚拟区域的目标ID进行比较的方法是：为各个线段的虚拟区域分配对应的数组队列，数组队列存储进入虚拟区域的目标ID，队列长度为n，对数组队列预先设计两种函数操作：
比较并新增元素：将新元素与数组队列的每个元素进行比较，若，新元素不在数组队列中，将数组头元素出队，若新元素在数组队列，将新元素加到数组尾，同时返回判断结果；
比较并删除元素：将新元素与数组队列的每个元素进行比较，若，新元素在数组队列中，将此元素删除，后面的元素往前移，同时返回判断结果；
从虚拟区域1通过线段进入到虚拟区域2的方向的计数方法为：
当目标进入虚拟区域1时，将当前目标ID作为新元素按照“比较并新增元素”的操作方式加入数组队列1；
当目标进入虚拟区域2时，将当前目标ID作为新元素按照“比较并删除元素”的操作方式对数组队列1进行操作；
当返回的判断结果显示“当前目标ID在数组队列1内”，并成功删除掉之后，对从虚拟区域1通过线段进入到虚拟区域2的目标流量进行计数；
从虚拟区域2通过线段进入到虚拟区域1的方向的计数方法为：
当目标进入虚拟区域2时，将当前目标ID作为新元素按照“比较并新增元素”的操作方式加入到数组队列2；
当目标进入虚拟区域1时，将当前目标ID作为新元素按照“比较并删除元素”的操作方式对数组队列2进行操作；
当返回的判断结果显示“当前目标ID在数组队列2内”，并成功删除掉之后，对从虚拟区域2通过线段进入到虚拟区域1的目标流量进行计数。
8.一种电子设备，其特征在于，包括存储器和处理器，存储器存储有计算机程序，所述的处理器执行所述计算机程序时实现权利要求1-7任一项所述的一种人车流量统计方法的步骤。
9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1-7任一项所述的一种人车流量统计方法。
CN202210960513.1A 2022-08-11 2022-08-11 一种人车流量统计方法、电子设备及存储介质 Active CN115240429B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210960513.1A CN115240429B (zh) 2022-08-11 2022-08-11 一种人车流量统计方法、电子设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210960513.1A CN115240429B (zh) 2022-08-11 2022-08-11 一种人车流量统计方法、电子设备及存储介质

Publications (2)

Publication Number Publication Date
CN115240429A true CN115240429A (zh) 2022-10-25
CN115240429B CN115240429B (zh) 2023-02-14

Family

ID=83679489

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210960513.1A Active CN115240429B (zh) 2022-08-11 2022-08-11 一种人车流量统计方法、电子设备及存储介质

Country Status (1)

Country Link
CN (1) CN115240429B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116994211A (zh) * 2023-09-27 2023-11-03 深圳市城市交通规划设计研究中心股份有限公司 一种公交站台候车乘客监测方法
CN117994987A (zh) * 2024-04-07 2024-05-07 东南大学 基于目标检测技术的交通参数提取方法及相关装置

Citations (27)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2009190605A (ja) * 2008-02-15 2009-08-27 Mazda Motor Corp 歩行者保護装置
CN103324842A (zh) * 2013-06-08 2013-09-25 博迈科海洋工程股份有限公司 大型结构物底层甲板片临时支撑点定位方法
CN104680557A (zh) * 2015-03-10 2015-06-03 重庆邮电大学 视频序列图像中的异常行为智能检测方法
KR20150144894A (ko) * 2014-06-17 2015-12-29 (주)엠아이웨어 하알 대조 특징을 이용한 카메라 영상의 대상물 검출 방법
US20170276490A1 (en) * 2016-03-23 2017-09-28 Ford Global Technologies, Llc Gps-based area recognition in vehicles
CN109147328A (zh) * 2018-09-18 2019-01-04 南昌工程学院 一种基于视频虚拟线圈的车流量检测方法
US10363944B1 (en) * 2018-02-14 2019-07-30 GM Global Technology Operations LLC Method and apparatus for evaluating pedestrian collision risks and determining driver warning levels
CN110598672A (zh) * 2019-09-23 2019-12-20 天津天地伟业机器人技术有限公司 一种基于单台摄像机的多区域人数统计方法
CN110633678A (zh) * 2019-09-19 2019-12-31 北京同方软件有限公司 一种基于视频图像的快速高效的车流量计算方法
CN110689719A (zh) * 2019-05-31 2020-01-14 北京嘀嘀无限科技发展有限公司 用于识别封闭路段的系统和方法
CN111739085A (zh) * 2019-03-25 2020-10-02 姚琴 基于地理信息识别禁停区的方法和禁停区判定装置
CN111899515A (zh) * 2020-09-29 2020-11-06 深圳市城市交通规划设计研究中心股份有限公司 一种基于智慧道路边缘计算网关的车辆检测系统
CN112069280A (zh) * 2020-09-04 2020-12-11 中国平安财产保险股份有限公司 道路数据处理方法、装置、设备及存储介质
US20210166389A1 (en) * 2019-11-28 2021-06-03 Siemens Healthcare Gmbh Computer-implemented method for evaluating a ct data set regarding perivascular tissue, evaluation device, computer program and electronically readable storage medium
CN112906647A (zh) * 2021-03-24 2021-06-04 杭州鲁尔物联科技有限公司 小跨径桥梁载重监测方法、装置、计算机设备及存储介质
WO2021127417A1 (en) * 2019-12-19 2021-06-24 Lyft, Inc. Geolocalized models for perception, prediction, or planning
CN113409358A (zh) * 2021-06-24 2021-09-17 浙江大华技术股份有限公司 图像跟踪方法、装置、存储介质及电子设备
CN113420748A (zh) * 2021-08-25 2021-09-21 深圳市城市交通规划设计研究中心股份有限公司 车辆违规行驶的检测方法、装置、电子设备及存储介质
CN114004868A (zh) * 2021-10-29 2022-02-01 北京市商汤科技开发有限公司 视频处理方法及装置、电子设备和存储介质
CN114038193A (zh) * 2021-11-08 2022-02-11 华东师范大学 基于无人机和多目标追踪的智能交通流量数据统计方法及系统
US20220084398A1 (en) * 2020-09-16 2022-03-17 Here Global B.V. Method, apparatus, and system for detecting road incidents
CN114296458A (zh) * 2021-12-29 2022-04-08 深圳创维数字技术有限公司 车辆控制方法、装置及计算机可读存储介质
CN114299456A (zh) * 2021-12-24 2022-04-08 北京航空航天大学 一种基于实时轨迹检测的交叉口行人过街风险评估方法
CN114332708A (zh) * 2021-12-29 2022-04-12 深圳市商汤科技有限公司 交通行为检测方法、装置、电子设备及存储介质
CN114495011A (zh) * 2022-02-15 2022-05-13 辽宁奥普泰通信股份有限公司 基于目标检测的非机动车和行人非法闯入识别方法、存储介质和计算机设备
CN114724378A (zh) * 2022-06-02 2022-07-08 瞳见科技有限公司 一种基于深度学习的车辆追踪统计系统及方法
CN114754777A (zh) * 2022-04-20 2022-07-15 普达迪泰（天津）智能装备科技有限公司 一种基于地理坐标系的无人割草车的全路径覆盖规划方法

Patent Citations (27)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2009190605A (ja) * 2008-02-15 2009-08-27 Mazda Motor Corp 歩行者保護装置
CN103324842A (zh) * 2013-06-08 2013-09-25 博迈科海洋工程股份有限公司 大型结构物底层甲板片临时支撑点定位方法
KR20150144894A (ko) * 2014-06-17 2015-12-29 (주)엠아이웨어 하알 대조 특징을 이용한 카메라 영상의 대상물 검출 방법
CN104680557A (zh) * 2015-03-10 2015-06-03 重庆邮电大学 视频序列图像中的异常行为智能检测方法
US20170276490A1 (en) * 2016-03-23 2017-09-28 Ford Global Technologies, Llc Gps-based area recognition in vehicles
US10363944B1 (en) * 2018-02-14 2019-07-30 GM Global Technology Operations LLC Method and apparatus for evaluating pedestrian collision risks and determining driver warning levels
CN109147328A (zh) * 2018-09-18 2019-01-04 南昌工程学院 一种基于视频虚拟线圈的车流量检测方法
CN111739085A (zh) * 2019-03-25 2020-10-02 姚琴 基于地理信息识别禁停区的方法和禁停区判定装置
CN110689719A (zh) * 2019-05-31 2020-01-14 北京嘀嘀无限科技发展有限公司 用于识别封闭路段的系统和方法
CN110633678A (zh) * 2019-09-19 2019-12-31 北京同方软件有限公司 一种基于视频图像的快速高效的车流量计算方法
CN110598672A (zh) * 2019-09-23 2019-12-20 天津天地伟业机器人技术有限公司 一种基于单台摄像机的多区域人数统计方法
US20210166389A1 (en) * 2019-11-28 2021-06-03 Siemens Healthcare Gmbh Computer-implemented method for evaluating a ct data set regarding perivascular tissue, evaluation device, computer program and electronically readable storage medium
WO2021127417A1 (en) * 2019-12-19 2021-06-24 Lyft, Inc. Geolocalized models for perception, prediction, or planning
CN112069280A (zh) * 2020-09-04 2020-12-11 中国平安财产保险股份有限公司 道路数据处理方法、装置、设备及存储介质
US20220084398A1 (en) * 2020-09-16 2022-03-17 Here Global B.V. Method, apparatus, and system for detecting road incidents
CN111899515A (zh) * 2020-09-29 2020-11-06 深圳市城市交通规划设计研究中心股份有限公司 一种基于智慧道路边缘计算网关的车辆检测系统
CN112906647A (zh) * 2021-03-24 2021-06-04 杭州鲁尔物联科技有限公司 小跨径桥梁载重监测方法、装置、计算机设备及存储介质
CN113409358A (zh) * 2021-06-24 2021-09-17 浙江大华技术股份有限公司 图像跟踪方法、装置、存储介质及电子设备
CN113420748A (zh) * 2021-08-25 2021-09-21 深圳市城市交通规划设计研究中心股份有限公司 车辆违规行驶的检测方法、装置、电子设备及存储介质
CN114004868A (zh) * 2021-10-29 2022-02-01 北京市商汤科技开发有限公司 视频处理方法及装置、电子设备和存储介质
CN114038193A (zh) * 2021-11-08 2022-02-11 华东师范大学 基于无人机和多目标追踪的智能交通流量数据统计方法及系统
CN114299456A (zh) * 2021-12-24 2022-04-08 北京航空航天大学 一种基于实时轨迹检测的交叉口行人过街风险评估方法
CN114296458A (zh) * 2021-12-29 2022-04-08 深圳创维数字技术有限公司 车辆控制方法、装置及计算机可读存储介质
CN114332708A (zh) * 2021-12-29 2022-04-12 深圳市商汤科技有限公司 交通行为检测方法、装置、电子设备及存储介质
CN114495011A (zh) * 2022-02-15 2022-05-13 辽宁奥普泰通信股份有限公司 基于目标检测的非机动车和行人非法闯入识别方法、存储介质和计算机设备
CN114754777A (zh) * 2022-04-20 2022-07-15 普达迪泰（天津）智能装备科技有限公司 一种基于地理坐标系的无人割草车的全路径覆盖规划方法
CN114724378A (zh) * 2022-06-02 2022-07-08 瞳见科技有限公司 一种基于深度学习的车辆追踪统计系统及方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
张家铭: "基于多源数据融合的城市路段交通流量测算", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116994211A (zh) * 2023-09-27 2023-11-03 深圳市城市交通规划设计研究中心股份有限公司 一种公交站台候车乘客监测方法
CN116994211B (zh) * 2023-09-27 2024-03-01 深圳市城市交通规划设计研究中心股份有限公司 一种公交站台候车乘客监测方法
CN117994987A (zh) * 2024-04-07 2024-05-07 东南大学 基于目标检测技术的交通参数提取方法及相关装置
CN117994987B (zh) * 2024-04-07 2024-06-11 东南大学 基于目标检测技术的交通参数提取方法及相关装置

Also Published As

Publication number Publication date
CN115240429B (zh) 2023-02-14

Similar Documents

Publication Publication Date Title
CN115240429B (zh) 一种人车流量统计方法、电子设备及存储介质
JP4822766B2 (ja) 路面標示認識装置及びシステム
CN111382704B (zh) 基于深度学习的车辆压线违章判断方法、装置及存储介质
US11288820B2 (en) System and method for transforming video data into directional object count
CN110929655B (zh) 一种行驶过程中车道线识别方法、终端设备及存储介质
CN106204633B (zh) 一种基于计算机视觉的学生跟踪方法和装置
CN103092930A (zh) 视频摘要生成方法和视频摘要生成装置
CN110472561B (zh) 足球进球类型识别方法、装置、系统及存储介质
CN111667504A (zh) 一种人脸追踪方法、装置及设备
CN112862856A (zh) 违停车辆的识别方法、装置、设备及计算机可读存储介质
WO2018058573A1 (zh) 对象检测方法、对象检测装置以及电子设备
CN108040244B (zh) 基于光场视频流的抓拍方法及装置、存储介质
CN110599520A (zh) 一种旷场实验数据分析方法、系统及终端设备
CN114882491B (zh) 一种非机动车目标的跟踪方法、装置和电子设备
CN110059695B (zh) 一种基于垂直投影的字符分割方法及终端
JP4423524B2 (ja) 標識検出装置、標識検出方法および記録媒体
CN112287769B (zh) 一种人脸检测方法、装置、设备和存储介质
CN116246298A (zh) 一种空间占用人数统计方法、终端设备及存储介质
WO2022205841A1 (zh) 机器人导航方法、装置、终端设备及计算机可读存储介质
CN109409247B (zh) 交通标志识别方法和装置
Chen et al. Robust multi-lane detection and tracking in temporal-spatial based on particle filtering
CN111353511A (zh) 号码识别装置及方法
CN112309134B (zh) 车辆速度检测方法和装置
US20240203133A1 (en) Lane line recognition method, electronic device and storage medium
TWI842321B (zh) 車道檢測方法及車道檢測裝置

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