CN116050963A - 基于交通路况的配送路径选择方法、系统、装置及介质 - Google Patents

基于交通路况的配送路径选择方法、系统、装置及介质 Download PDF

Info

Publication number
CN116050963A
CN116050963A CN202211685576.7A CN202211685576A CN116050963A CN 116050963 A CN116050963 A CN 116050963A CN 202211685576 A CN202211685576 A CN 202211685576A CN 116050963 A CN116050963 A CN 116050963A
Authority
CN
China
Prior art keywords
road
determining
route
average
gaussian
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
Application number
CN202211685576.7A
Other languages
English (en)
Inventor
申雁
张艳霞
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.)
Tianyi IoT Technology Co Ltd
Original Assignee
Tianyi IoT Technology 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 Tianyi IoT Technology Co Ltd filed Critical Tianyi IoT Technology Co Ltd
Priority to CN202211685576.7A priority Critical patent/CN116050963A/zh
Publication of CN116050963A publication Critical patent/CN116050963A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/08—Logistics, e.g. warehousing, loading or distribution; Inventory or stock management
    • G06Q10/083—Shipping
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G06Q10/047—Optimisation of routes or paths, e.g. travelling salesman problem
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/60—Analysis of geometric attributes
    • G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/50—Context or environment of the image
    • G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
    • G06V20/54—Surveillance or monitoring of activities, e.g. for recognising suspicious objects of traffic, e.g. cars on the road, trains or boats
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Economics (AREA)
  • General Physics & Mathematics (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • Quality & Reliability (AREA)
  • Operations Research (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Development Economics (AREA)
  • Game Theory and Decision Science (AREA)
  • Multimedia (AREA)
  • Geometry (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明公开了一种基于交通路况的配送路径选择方法、系统、装置及介质，包括：获取订单的初始位置和终点位置，根据所述初始位置和所述终点位置确定最短路线集；获取所述最短路线集的道路监控视频，提取道路监控视频的交通道路区域生成图像序列；基于图像序列构建混合高斯模型，利用背景差分法得到前景图像的平均面积；根据车辆跟踪算法确定多个目标车辆，确定多个目标车辆的平均速度；根据前景图像的平均面积、目标车辆的平均速度和当前天气状况确定所述每条路线的拥堵系数，根据所述拥堵系数和预设的比对规则确定最佳配送路径。本发明实施例能让闪送员实时应对交通的变化，减少路况对于配送时间的影响，可广泛应用于数据处理技术领域。

Description

基于交通路况的配送路径选择方法、系统、装置及介质
技术领域
本发明涉及数据处理技术领域，尤其涉及一种基于交通路况的配送路径选择方法、系统、装置及介质。
背景技术
随着城市发展越来越快，同城即时速递服务备受人们青睐。闪送一对一的服务模式，明确了闪送员从取件到送达全程一次只服务一个客户，点对点送达，避免了传统快递过程中货物中转带来的一系列丢失破损、无法责任到人的问题，所以服务的时效更快，确定性更高，安全性更好。目前，闪送员在配送过程中由于交通情况多变，容易受到路况的影响，导致超时配送，客户投诉等问题。
发明内容
有鉴于此，本发明实施例的目的是提供一种基于交通路况的配送路径选择方法，通过混合高斯模型构建道路背景模型，根据背景差分法和车辆跟踪算法确定道路的前景图像面积和车辆的车速，并综合前景图像面积和车速，通过天气条件综合分析判断当前道路的实时路况，为配送员选择出最佳配送路线，减少路况对于配送时间的影响，缩短配送时间。
第一方面，本发明实施例提供了一种基于交通路况的配送路径选择方法，包括以下步骤：
获取订单的初始位置和终点位置，根据所述初始位置和所述终点位置确定最短路线集；
获取所述最短路线集中每一条路线的道路监控视频，提取所述道路监控视频的交通道路区域，解析所述交通道路区域生成图像序列；
基于每个所述图像序列构建混合高斯模型，根据所述混合高斯模型和背景差分法确定前景图像，获取每一个所述前景图像的面积，根据每一个所述前景图像的面积计算多个所述前景图像的平均面积；
获取所述图像序列的初始帧，根据所述初始帧和车辆跟踪算法确定多个目标车辆，将所述目标车辆与后续帧的车辆进行比对，根据所述比对的结果和预设的统计规则确定每个目标车辆出现的帧数，根据所述帧数和道路距离确定多个目标车辆的平均速度；
根据每条路线中多个所述前景图像的所述平均面积、多个所述目标车辆的所述平均速度和当前天气状况确定所述每条路线的拥堵系数，根据所述拥堵系数和预设的比对规则确定最佳配送路径。
可选地，所述根据所述初始位置和所述终点位置确定最短路线集，具体包括：
基于地图系统获取所述初始位置到所述终点位置的所有导航路线；
根据所述导航路线和预设的筛选规则确定所述最短路线集。
可选地，所述基于每个所述图像序列构建混合高斯模型，根据所述混合高斯模型和背景差分法确定前景图像，具体包括：
获取每个所述图像序列中每一帧图像的像素；
对所述每一帧图像的像素构建混合高斯模型，根据所述混合高斯模型得到所述图像序列的道路背景模型；
根据所述道路背景模型和所述背景差分法确定所述前景图像。
可选地，所述对所述每一帧图像的像素构建混合高斯模型，根据所述混合高斯模型得到所述图像序列的道路背景模型，具体包括：
对所述像素分别进行多个互相独立的混合高斯分布建模，其公式具体如下：
Figure BDA0004020816940000021
其中，xj表示像素j在t时刻的取值，
Figure BDA0004020816940000022
表示时刻t第j个像素在混合高斯模型中第i个高斯分布的权系数的估计值，
Figure BDA0004020816940000023
表示时刻t第j个像素在混合高斯模型中第i个高斯分布的均值向量，
Figure BDA0004020816940000024
表示时刻t第j个像素在混合高斯模型中第i个高斯分布的协方差矩阵；m表示m个互相独立的混合高斯分布，η表示高斯分布概率密度函数；
对第一帧图像中的每个所述像素对应的第一个高斯分布进行初始化；
将每一帧的每个所述像素与它对应的所述高斯模型进行匹配确定所述道路背景模型。
可选地，所述将每一帧的每个所述像素与它对应的所述高斯模型进行匹配确定所述道路背景模型，具体包括：
若所述像素与至少一个高斯分布匹配成功，匹配的高斯分布的均值、权值和协方差矩阵进行更新；
若所述像素与所述高斯分布匹配不成功，高斯分布的均值和协方差矩阵保持不变，高斯分布的权值和进行更新。
可选地，所述预设的统计规则确定每个目标车辆出现的帧数，根据所述帧数和道路距离确定多个目标车辆的平均速度，具体包括：
统计所述目标车辆第一次出现的第一帧数和所述目标车辆第一次消失的第二帧数，根据所述第一帧数和所述第二帧数确定所述目标车辆出现的帧数，其公式如下：
NumFrame＝CarF1-CarF0-2
其中，NumFrame表示目标车辆出现的帧数，CarF1表示第二帧数，CarF0表示第一帧数；
获取所述每一个目标车辆通过的所述道路距离，根据所述道路距离和每一个所述目标车辆出现的所述帧数确定每一个所述目标车辆的速度，根据每一个所述目标车辆的所述速度和预设的计算公式确定多个所述目标车辆的所述平均速度。
可选地，所述根据每条路线中多个所述前景图像的所述平均面积、多个所述目标车辆的所述平均速度和当前天气状况确定所述每条路线的拥堵系数，具体包括：
根据所述每条路线中多个所述前景图像的所述平均面积和多个所述目标车辆的所述平均速度确定每条路线的第一拥堵系数；
基于天气系统获取当前天气状况；
根据每一条路线的所述第一拥堵系数和所述当前天气状况确定每一条路线的所述拥堵系数，其公式如下：
Figure BDA0004020816940000031
Figure BDA0004020816940000032
W(Avgareai,Avgspeedi)＝ΠF(Avgareai)F(Avgspeedi)
Figure BDA0004020816940000033
Figure BDA0004020816940000034
其中，T1、T2、V1和V2皆采用自动阈值估算技术选取，T1表示前景图像平均面积的上阈值，T2表示前景图像平均面积的下阈值，V1表示目标车辆平均速度的上阈值，V2表示目标车辆平均速度的下阈值，P(Road_setj)表示最佳路线集中第j条路线的拥堵系数，F(Now_weather)表示当前天气状况的函数，
Figure BDA0004020816940000041
表示第一拥堵系数，K表示当前线路的路口数量，Avgareai表示第i个路口的前景图像平均面积，Avgspeedi表示第i个路口的目标车辆平均速度，F(Avgareai)表示前景图像平均面积的拥堵函数，F(Avgspeedi)表示目标车辆平均速度的拥堵函数。
第二方面，本发明实施例提供了一种基于交通路况的配送路径选择系统，包括：
第一模块，用于获取订单的初始位置和终点位置，根据所述初始位置和所述终点位置确定最短路线集；
第二模块，用于获取所述最短路线集中每一条路线的道路监控视频，提取所述道路监控视频的交通道路区域，解析所述交通道路区域生成图像序列；
第三模块，用于基于每个所述图像序列构建混合高斯模型，根据所述混合高斯模型和背景差分法确定前景图像，获取每一个所述前景图像的面积，根据每一个所述前景图像的面积计算多个所述前景图像的平均面积；
第四模块，用于获取所述图像序列的初始帧，根据所述初始帧和车辆跟踪算法确定多个目标车辆，将所述目标车辆与后续帧的车辆进行比对，根据比对的结果和预设的统计规则确定每个目标车辆出现的帧数，根据所述帧数和道路距离确定多个目标车辆的平均速度；
第五模块，用于根据每条路线中多个所述前景图像的所述平均面积、多个所述目标车辆的所述平均速度和当前天气状况确定所述每条路线的拥堵系数，根据所述拥堵系数和预设的比对规则确定最佳配送路径。
第三方面，本发明实施例提供了一种基于交通路况的配送路径选择装置，包括：
至少一个处理器；
至少一个存储器，用于存储至少一个程序；
当所述至少一个程序被所述至少一个处理器执行，使得所述至少一个处理器实现如上所述的方法。
第四方面，本发明实施例提供了一种计算机可读存储介质，其中存储有处理器可执行的程序，所述处理器可执行的程序在由处理器执行时用于执行如上所述的方法。
实施本发明实施例包括以下有益效果：本发明实施例提供一种基于交通路况的配送路径选择方法包括：获取订单的初始位置和终点位置，根据所述初始位置和所述终点位置确定最短路线集；获取所述最短路线集中每一条路线的道路监控视频，提取所述道路监控视频的交通道路区域，解析所述交通道路区域生成图像序列；基于每个所述图像序列构建混合高斯模型，根据所述混合高斯模型和背景差分法确定前景图像；获取每一个所述前景图像的面积，根据每一个所述前景图像的面积计算多个所述前景图像的平均面积；获取所述图像序列的初始帧，根据所述初始帧和车辆跟踪算法确定多个目标车辆，将所述目标车辆与后续帧的车辆进行比对；根据比对的结果和预设的统计规则确定每个目标车辆出现的帧数，根据所述帧数和道路距离确定多个目标车辆的平均速度；根据每条路线中多个所述前景图像的所述平均面积、多个所述目标车辆的所述平均速度和当前天气状况确定所述每条路线的拥堵系数，根据所述拥堵系数和预设的比对规则确定最佳配送路径。通过获取道路视频来构建混合高斯模型得到道路背景建模，采用背景差分法得到道路区域的前景图像，根据前景图像的面积判断道路拥堵，选取初始帧，使用车辆跟踪算法在初始帧中进行车辆检测，并在后续帧中进行目标车辆识别，计算多个目标车辆的平均车速，根据前景图像的面积、目标车辆的平均车速和天气因素得到闪送员最佳配送路径，能让闪送员实时应对交通的变化，减少路况对于配送的影响。
附图说明
图1是本发明实施例提供的一种基于交通路况的配送路径选择方法的步骤流程示意图；
图2是本发明实施例提供的另一种基于交通路况的配送路径选择方法的流程图；
图3是本发明实施例提供的一种基于交通路况的配送路径选择系统的结构框图；
图4是本发明实施例提供的一种基于交通路况的配送路径选择装置的构框图。
具体实施方式
下面结合附图和具体实施例对本发明做进一步的详细说明。对于以下实施例中的步骤编号，其仅为了便于阐述说明而设置，对步骤之间的顺序不做任何限定，实施例中的各步骤的执行顺序均可根据本领域技术人员的理解来进行适应性调整。
如图1所示，本发明实施例提供了一种基于交通路况的配送路径选择方法，其包括的步骤如下所示。
S100、获取订单的初始位置和终点位置，根据所述初始位置和所述终点位置确定最短路线集。
其中，订单的初始位置为闪送员的位置，终点位置为订单送达的位置；最短路线集包括多条最短路线，具路线数量根据实际应用确定，在此不做限定。
可选地，所述根据所述初始位置和所述终点位置确定最短路线集，具体包括：
S110、基于地图系统获取所述初始位置到所述终点位置的所有导航路线。
S120、根据所述导航路线和预设的筛选规则确定所述最短路线集。
其中，需要说明的是，地图系统为已有的地图系统。
具体的，闪送员在配送时，基于已有的地图系统获取闪送员初始出发点到终点的全部导航规划路线，筛选得到距离最短的路线集。
S200、获取所述最短路线集中每一条路线的道路监控视频，提取所述道路监控视频的交通道路区域，解析所述交通道路区域生成图像序列。
其中，道路监控视频为每一个红绿灯路口的监控视频；交通道路区域为道路监控视频中车辆行驶的区域；图像序列包括多帧图像。
具体的，提取每一条路线从初始出发点到终点方向经过的所有路口的绿灯时的道路监控视频，对于每一个路口获取的道路监控视频，从道路监控视频中获取交通道路区域，解析出图像序列。
S300、基于每个所述图像序列构建混合高斯模型，根据所述混合高斯模型和背景差分法确定前景图像，获取每一个所述前景图像的面积，根据每一个所述前景图像的面积计算多个所述前景图像的平均面积。
具体的，根据已经获取的图像序列构建混合高斯模型，进而得到道路背景模型，使用背景差分法得到道路区域的前景图像；因为背景差分法得到的前景图像轮廓较模糊，直接检测效果不佳，所以采用前景图像的面积作为判断当前道路的拥堵情况的因素之一。
参照图1，可选地，所述基于每个所述图像序列构建混合高斯模型，根据所述混合高斯模型和背景差分法确定前景图像，具体包括：
S310、获取每个所述图像序列中每一帧图像的像素；
具体的，从道路监控视频的图像序列中提取出每一帧图像，再根据每一帧图像提取出图像的像素。
S320、对所述每一帧图像的像素构建混合高斯模型，根据所述混合高斯模型得到所述图像序列的道路背景模型；
具体的，对图像序列中的每帧图像中的像素构建相应的混合高斯模型，从混合高斯模型中得到图像中道路背景模型，可根据天气光照等不同，用混合高斯模型实时的更新道路背景模型。
S330、根据所述道路背景模型和所述背景差分法确定所述前景图像。
具体的，通过背景差分法求解道路背景模型，从道路背景模型中获得相应的前景图像，通过对图像序列的道路背景模型进行求解得到前景图像，对获取的每一个图像序列依次进行求解得到每一个图像序列对应的前景图像。
可选地，所述对所述每一帧图像的像素构建混合高斯模型，根据所述混合高斯模型得到所述图像序列的道路背景模型，具体包括：
S321、对所述像素分别进行多个互相独立的混合高斯分布建模，其公式具体如下：
Figure BDA0004020816940000071
其中，xj表示像素j在t时刻的取值，
Figure BDA0004020816940000072
表示时刻t第j个像素在混合高斯模型中第i个高斯分布的权系数的估计值，
Figure BDA0004020816940000073
表示时刻t第j个像素在混合高斯模型中第i个高斯分布的均值向量，
Figure BDA0004020816940000074
表示时刻t第j个像素在混合高斯模型中第i个高斯分布的协方差矩阵；m表示m个互相独立的混合高斯分布，η表示高斯分布概率密度函数；
具体的，对每个像素都进行混合高斯分布建模，并且互相独立，减少互相之间的干扰，增加模型的准确性。
S322、对第一帧图像中的每个所述像素对应的第一个高斯分布进行初始化。
具体的，对每个像素对应的第一个高斯分布进行初始化，第一个高斯分布的均值赋为当前像素的值，权值赋为1，其他高斯分布函数的均值、权值初始化为0。
S323、将每一帧的每个所述像素与它对应的所述高斯模型进行匹配确定所述道路背景模型。
具体的，在某个时刻对图像帧的每个像素与它对应的高斯模型进行匹配，匹配成功后得到每一帧图像的高斯模型的集合，解析得到该图像的道路背景模型。
可选地，所述将每一帧的每个所述像素与它对应的所述高斯模型进行匹配确定所述道路背景模型，具体包括：
S324、若所述像素与至少一个高斯分布匹配成功，匹配的高斯分布的均值、权值和协方差矩阵进行更新。
具体的，更新公式如下：
ωi,t＝(1-α)ωi,t-1+α
μi,t＝(1-ρ)·μi,t+ρ·xt
∑i,t＝(1-ρ)·∑it-1+ρ·diag[(xt-μit)T(xt-μit)]
Figure BDA0004020816940000081
其中，xt为t时刻的像素，ωi,t为t时刻第i个高斯分布的权值，μi,t为t时刻第i个高斯分布的均值，∑i,t为t时刻第i个高斯分布的方差，diag()为构造对角矩阵函数，α为参数估计的学习速率，ρ为高斯模型的更新速率。
某个像素与至少一个高斯分布匹配，则对该像素的高斯分布系数进行相应的更新，得到新的高斯分布，不匹配的高斯分布的均值和协方差矩阵保持不变。
S325、若所述像素与所述高斯分布匹配不成功，高斯分布的均值和协方差矩阵保持不变，高斯分布的权值和进行更新。
具体的，更新公式如下：
ωi,t＝(1-α)ωi,t-1
Figure BDA0004020816940000082
其中，ωi,t-1为t-1时刻第i个高斯分布的权值，α为参数估计的学习速率，e为高斯分布的权值和。
对于每一个路口的图像序列中的每帧图像，对每帧图像的像素构建一个混合高斯模型，通过混合高斯模型得到道路背景模型，并且根据当前天气况状，用混合高斯模型实时的更新道路背景模型，获取道路背景模型后，使用背景差分法计算得到图像序列中所有的前景图像。
参照图1，S400、获取所述图像序列的初始帧，根据所述初始帧和车辆跟踪算法确定多个目标车辆，将所述目标车辆与后续帧的车辆进行比对，根据所述比对的结果和预设的统计规则确定每个目标车辆出现的帧数，根据所述帧数和道路距离确定多个目标车辆的平均速度；
其中，初始帧根据图像序列选取；多个目标车辆为图像序列中出现的车辆，具体数量根据实际应用确定，在此不做限定；车辆跟踪算法需要提前训练。
在一个具体的实施例中，车辆跟踪算法训练步骤为：1、车辆识别算法训练：a、收集道路交通红绿灯监控视频，解析出图像序列；b、在图像序列中手动标记车辆和非车辆，作为训练正负样本；c、使用卷积神经网络对训练样本进行训练，进行特征提取，对车辆和非车辆进行分类得到车辆识别算法；2、车辆比对算法训练：a、收集道路交通红绿灯监控视频，解析出图像序列；b、在初始帧图像序列中标记不同的目标车辆，在后续帧的图像序列中标记相同的车辆和不同的车辆作为正负样本，作为训练样本；c、使用卷积神经网络对训练样本进行训练，进行特征提取，特征汇总等，得到车辆比对算法。
可选地，所述预设的统计规则确定每个目标车辆出现的帧数，根据所述帧数和道路距离确定多个目标车辆的平均速度，具体包括：
S410、统计所述目标车辆第一次出现的第一帧数和所述目标车辆第一次消失的第二帧数，根据所述第一帧数和所述第二帧数确定所述目标车辆出现的帧数，其公式如下：
NumFrame＝CarF1-CarF0-2
其中，NumFrame表示目标车辆出现的帧数，CarF1表示第二帧数，CarF0表示第一帧数；
其中，车速的计算方式为：
Figure BDA0004020816940000091
speedi表示第i个，目标车辆的车速。
具体的，统计每个目标车辆出现的帧数计算每个目标车辆通过摄像头覆盖道路的时间，结合道路监控摄像头覆盖的道路距离，得到每个目标车辆的车速，计算多目标车辆的平均车速；因为摄像头覆盖道路长度有限，车辆在摄像头中的出现的时间较短，且数量较多，因此车辆跟踪算法只跟踪有限辆车，来计算平均行驶速度，根据平均行驶速度判断此时路口的拥堵情况。而且由于路径选择的即时性，在一个绿灯周期进行车辆跟踪检测后，在下一个检测周期需要重新定位目标。
S420、获取所述每一个目标车辆通过的所述道路距离，根据所述道路距离和每一个所述目标车辆出现的所述帧数确定每一个所述目标车辆的速度，根据每一个所述目标车辆的所述速度和预设的计算公式确定多个所述目标车辆的平均速度。
其中，道路距离为路口监控视频的交通区域范围内道路监控摄像头覆盖的距离。
具体的，通过前景图像的像素得到前景图像的面积，并计算图像序列中前景图像的平均面积从图像序列中选取初始帧，并使用车辆跟踪算法对初始帧进行车辆识别，并在后续的图像帧中进行目标车辆比对；统计每个目标车辆出现的帧数并计算每个目标车辆通过的时间，结合道路距离，得到每个目标车辆的车速，计算多目标车辆的平均车速。
参照图1，S500、根据每条路线中多个所述前景图像的所述平均面积、多个所述目标车辆的所述平均速度和当前天气状况确定所述每条路线的拥堵系数，根据所述拥堵系数和预设的比对规则确定最佳配送路径。
具体的，由于道路监控摄像头暴露在室外，获取的道路监控视频容易受到天气，光照等影响的问题，在检测过程中，使用混合高斯模型进行道路背景建模，并且根据天气光照不同，实时的更新道路背景模型，并根据道路背景模型得到的前景图像的平均面积和前景图像的平均面积来综合判断该路线的拥堵系数，对每一条路线的拥堵系数进行比较筛选，得到拥堵系数最小的路线，将此路线作为最佳配送路线推荐给闪送员。
可选地，所述根据每条路线中多个所述前景图像的所述平均面积、多个所述目标车辆的所述平均速度和当前天气状况确定所述每条路线的拥堵系数，具体包括：
S510、根据所述每条路线中多个所述前景图像的所述平均面积和多个所述目标车辆的所述平均速度确定每条路线的第一拥堵系数；
具体的，根据对每条线路的前景图像的平均面积和目标车辆的平均速度进行计算得到每条线路的第一拥堵系数，计算公式为预设的根据前景图像的平均面积和目标车辆的平均速度得到第一拥堵系数。
S520、基于天气系统获取当前天气状况；
其中，天气系统为已有的天气系统。
S530、根据每一条路线的所述第一拥堵系数和所述当前天气状况确定每一条路线的所述拥堵系数，其公式如下：
Figure BDA0004020816940000101
Figure BDA0004020816940000102
W(Avgareai,Avgspeedi)＝ΠF(Avgareai)F(Avgspeedi)
Figure BDA0004020816940000103
Figure BDA0004020816940000111
其中，T1、T2、V1和V2皆采用自动阈值估算技术选取，T1表示前景图像平均面积的上阈值，T2表示前景图像平均面积的下阈值，V1表示目标车辆平均速度的上阈值，V2表示目标车辆平均速度的下阈值，P(Road_setj)表示最佳路线集中第j条路线的拥堵系数，F(Now_weather)表示当前天气状况的函数，
Figure BDA0004020816940000112
表示第一拥堵系数，K表示当前线路的路口数量，Avgareai表示第i个路口的前景图像平均面积，Avgspeedi表示第i个路口的目标车辆平均速度，F(Avgareai)表示前景图像平均面积的拥堵函数，F(Avgspeedi)表示目标车辆平均速度的拥堵函数。
其中，天气状况包括多种天气，具体天气状况根据实际应用确定，在此不做限定。
在一个具体实施例中，结合每条路线的前景图像平均面积Avgarea、多目标车辆的平均车速Avgspeed、当前天气状况Now_weather，计算当前路线的拥堵系数P(Road_setj)(j表示Road_set中第j条路线)，选取拥堵系数P(Road_setj)最小的路线作为闪送员的最佳配送路径。
参照图2，在一个具体的实施例中，闪送员接单后将闪送员所处的位置作为初始出发点，将订单的配送地址作为终点，基于已有的地图系统获取初始出发点到终点的全部导航规划路线，从导航规划路线中筛选得到距离最短的5条路线集Road_set，判断得到的最短路线集Road_set中的全部路线的拥堵系数是否已经计算完毕，计算完毕则比较最短路线集Road_set中所有路线的拥堵系数，选取拥堵因子最小的路线作为最佳路线推送给闪送员；若全部路线的拥堵系数没有计算完毕，则提取没有计算拥堵系数的路线，该路线从初始出发点到终点方向经过的所有K个路口的绿灯时的道路监控视频，对每一个路口获取的道路监控视频，从道路监控视频中获取交通道路区域，解析出图像序列，对图像序列中的每帧图像中的像素构建混合高斯模型，得到道路背景模型Fi(其中i∈K，i为该路线K个路口中的第i个路口)，并且根据天气光照不同，用混合高斯模型实时的更新道路背景模型，并使用背景差分法得到图像序列中所有的前景图像，通过前景图像的像素获取前景图像的面积，并计算图像序列中前景图像的平均面积Avgareai(其中i∈K，i为该路线K个路口中的第i个路口)，道路监控视频图像序列，选取初始帧，使用车辆跟踪算法对初始帧进行车辆识别，并在后续帧中进行目标车辆比对，统计每个目标车辆出现的帧数NumFrame计算每个目标车辆通过摄像头覆盖道路的时间，结合道路监控摄像头覆盖的道路距离，得到每个目标车辆的车速speedi，计算多目标车辆的平均车速Avgspeedi(其中i∈K，i为该路线K个路口中的第i个路口)，基于已有天气系统，获取当前天气状况Now_weather，结合每条路线的前景图像平均面积Avgarea、多目标车辆的平均车速Avgspeed、当前天气状况Now_weather，计算当前路线的拥堵系数P(Road_setj)(j表示Road_set中第j条路线)，选取拥堵系数P(Road_setj)最小的道路作为闪送员的最佳配送路径。
实施本发明实施例包括以下有益效果：本发明实施例提供一种基于交通路况的配送路径选择方法包括：获取订单的初始位置和终点位置，根据所述初始位置和所述终点位置确定最短路线集；获取所述最短路线集中每一条路线的道路监控视频，提取所述道路监控视频的交通道路区域，解析所述交通道路区域生成图像序列；基于每个所述图像序列构建混合高斯模型，根据所述混合高斯模型和背景差分法确定前景图像；获取每一个所述前景图像的面积，根据每一个所述前景图像的面积计算多个所述前景图像的平均面积；获取所述图像序列的初始帧，根据所述初始帧和车辆跟踪算法确定多个目标车辆，将所述目标车辆与后续帧的车辆进行比对；根据比对的结果和预设的统计规则确定每个目标车辆出现的帧数，根据所述帧数和道路距离确定多个目标车辆的平均速度；根据每条路线中多个所述前景图像的所述平均面积、多个所述目标车辆的所述平均速度和当前天气状况确定所述每条路线的拥堵系数，根据所述拥堵系数和预设的比对规则确定最佳配送路径。通过获取每条线路的不同路口的道路视频，对道路视频的图像序列中每一帧的每个像素构建混合高斯模型得到每个路口的道路背景建模，采用背景差分法计算得到道路区域的前景图像，根据前景图像的面积判断道路拥堵情况，从图像序列中选取初始帧，使用车辆跟踪算法在初始帧中进行车辆检测，并在后续帧中进行目标车辆识别，计算多个目标车辆的平均车速，根据前景图像的面积、目标车辆的平均车速和天气因素得到闪送员最佳配送路径，能让闪送员实时应对交通的变化，减少路况对于配送的影响，可以极力避免超时配送，客户投诉等问题，同时可以为闪送员降低配送时间成本，提高闪送员接单率，提高收入，促进个人和社会经济发展。
基于道路交通中遍布的摄像头所获取的道路视频进行检测，不需要额外添加新的设备，最大程度降低安装成本，具有较高的实用性。针对道路监控摄像头暴露在室外，获取的道路监控视频容易受到天气，光照等影响的问题，本方法在检测过程中，使用混合高斯模型进行道路背景建模，并且根据天气光照不同，实时的更新道路背景模型，极大提高本方法的准确性。基于已构建的道路背景模型，本方法使用背景差分法得到道路区域的前景图像，采用前景图像的面积作为判断当前道路的拥堵情况的因素之一。同时本方法将车速作为判断道路的拥堵情况的另一个因素：本方法基于道路监控视频选取检测初始帧，使用车辆跟踪算法在初始帧中进行车辆识别，并在后续帧中进行目标车辆比对，通过统计目标车辆出现的帧数计算目标车辆通过摄像头覆盖道路的时间，结合道路监控摄像头覆盖的道路距离，得到目标车辆的车速。除此之外，本方法还考虑天气条件，并综合前景图像面积和车速，通过多因素分析判断当前道路的实时路况，为配送员选择出最佳配送路线，实现结果准确。
如图3所示，本发明实施例还提供了一种基于交通路况的配送路径选择系统，包括：
第一模块，用于获取订单的初始位置和终点位置，根据所述初始位置和所述终点位置确定最短路线集；
第二模块，用于获取所述最短路线集中每一条路线的道路监控视频，提取所述道路监控视频的交通道路区域，解析所述交通道路区域生成图像序列；
第三模块，用于基于每个所述图像序列构建混合高斯模型，根据所述混合高斯模型和背景差分法确定前景图像，获取每一个所述前景图像的面积，根据每一个所述前景图像的面积计算多个所述前景图像的平均面积；
第四模块，用于获取所述图像序列的初始帧，根据所述初始帧和车辆跟踪算法确定多个目标车辆，将所述目标车辆与后续帧的车辆进行比对，根据比对的结果和预设的统计规则确定每个目标车辆出现的帧数，根据所述帧数和道路距离确定多个目标车辆的平均速度；
第五模块，用于根据每条路线中多个所述前景图像的所述平均面积、多个所述目标车辆的所述平均速度和当前天气状况确定所述每条路线的拥堵系数，根据所述拥堵系数和预设的比对规则确定最佳配送路径。
可见，上述方法实施例中的内容均适用于本系统实施例中，本系统实施例所具体实现的功能与上述方法实施例相同，并且达到的有益效果与上述方法实施例所达到的有益效果也相同。
如图4所示，本发明实施例还提供了一种基于交通路况的配送路径选择装置，包括：
至少一个处理器；
至少一个存储器，用于存储至少一个程序；
当所述至少一个程序被所述至少一个处理器执行，使得所述至少一个处理器实现上述方法实施例所述的方法步骤。
可见，上述方法实施例中的内容均适用于本装置实施例中，本装置实施例所具体实现的功能与上述方法实施例相同，并且达到的有益效果与上述方法实施例所达到的有益效果也相同。
此外，本申请实施例还公开了一种计算机程序产品或计算机程序，计算机程序产品或计算机程序存储在计算机可读存介质中。计算机设备的处理器可以从计算机可读存储介质读取该计算机程序，处理器执行该计算机程序，使得该计算机设备执行上述的方法。同样地，上述方法实施例中的内容均适用于本存储介质实施例中，本存储介质实施例所具体实现的功能与上述方法实施例相同，并且达到的有益效果与上述方法实施例所达到的有益效果也相同。
可以理解的是，上文中所公开方法中的全部或某些步骤、系统可以被实施为软件、固件、硬件及其适当的组合。某些物理组件或所有物理组件可以被实施为由处理器，如中央处理器、数字信号处理器或微处理器执行的软件，或者被实施为硬件，或者被实施为集成电路，如专用集成电路。这样的软件可以分布在计算机可读介质上，计算机可读介质可以包括计算机存储介质(或非暂时性介质)和通信介质(或暂时性介质)。如本领域普通技术人员公知的，术语计算机存储介质包括在用于存储信息(诸如计算机可读指令、数据结构、程序模块或其他数据)的任何方法或技术中实施的易失性和非易失性、可移除和不可移除介质。计算机存储介质包括但不限于RAM、ROM、EEPROM、闪存或其他存储器技术、CD-ROM、数字多功能盘(DVD)或其他光盘存储、磁盒、磁带、磁盘存储或其他磁存储装置、或者可以用于存储期望的信息并且可以被计算机访问的任何其他的介质。此外，本领域普通技术人员公知的是，通信介质通常包含计算机可读指令、数据结构、程序模块或者诸如载波或其他传输机制之类的调制数据信号中的其他数据，并且可包括任何信息递送介质。
上面结合附图对本发明实施例作了详细说明，但是本发明不限于上述实施例，在技术领域普通技术人员所具备的知识范围内，还可以在不脱离本发明宗旨的前提下作出各种变化。

Claims (10)

1.一种基于交通路况的配送路径选择方法，其特征在于，包括：
获取订单的初始位置和终点位置，根据所述初始位置和所述终点位置确定最短路线集；
获取所述最短路线集中每一条路线的道路监控视频，提取所述道路监控视频的交通道路区域，解析所述交通道路区域生成图像序列；
基于每个所述图像序列构建混合高斯模型，根据所述混合高斯模型和背景差分法确定前景图像，获取每一个所述前景图像的面积，根据每一个所述前景图像的面积计算多个所述前景图像的平均面积；
获取所述图像序列的初始帧，根据所述初始帧和车辆跟踪算法确定多个目标车辆，将所述目标车辆与后续帧的车辆进行比对，根据所述比对的结果和预设的统计规则确定每个目标车辆出现的帧数，根据所述帧数和道路距离确定多个目标车辆的平均速度；
根据每条路线中多个所述前景图像的所述平均面积、多个所述目标车辆的所述平均速度和当前天气状况确定所述每条路线的拥堵系数，根据所述拥堵系数和预设的比对规则确定最佳配送路径。
2.根据权利要求1所述的方法，其特征在于，所述根据所述初始位置和所述终点位置确定最短路线集，具体包括：
基于地图系统获取所述初始位置到所述终点位置的所有导航路线；
根据所述导航路线和预设的筛选规则确定所述最短路线集。
3.根据权利要求1所述的方法，其特征在于，所述基于每个所述图像序列构建混合高斯模型，根据所述混合高斯模型和背景差分法确定前景图像，具体包括：
获取每个所述图像序列中每一帧图像的像素；
对所述每一帧图像的像素构建混合高斯模型，根据所述混合高斯模型得到所述图像序列的道路背景模型；
根据所述道路背景模型和所述背景差分法确定所述前景图像。
4.根据权利要求3所述的方法，其特征在于，所述对所述每一帧图像的像素构建混合高斯模型，根据所述混合高斯模型得到所述图像序列的道路背景模型，具体包括：
对所述像素分别进行多个互相独立的混合高斯分布建模，其公式具体如下：
Figure FDA0004020816930000011
其中，xj表示像素j在t时刻的取值，
Figure FDA0004020816930000012
表示时刻t第j个像素在混合高斯模型中第i个高斯分布的权系数的估计值，
Figure FDA0004020816930000013
表示时刻t第j个像素在混合高斯模型中第i个高斯分布的均值向量，
Figure FDA0004020816930000021
表示时刻t第j个像素在混合高斯模型中第i个高斯分布的协方差矩阵；m表示m个互相独立的混合高斯分布，η表示高斯分布概率密度函数；
对第一帧图像中的每个所述像素对应的第一个高斯分布进行初始化；
将每一帧的每个所述像素与它对应的所述高斯模型进行匹配确定所述道路背景模型。
5.根据权利要求4所述的方法，其特征在于，所述将每一帧的每个所述像素与它对应的所述高斯模型进行匹配确定所述道路背景模型，具体包括：
若所述像素与至少一个高斯分布匹配成功，匹配的高斯分布的均值、权值和协方差矩阵进行更新；
若所述像素与所述高斯分布匹配不成功，高斯分布的均值和协方差矩阵保持不变，高斯分布的权值和进行更新。
6.根据权利要求1所述的方法，其特征在于，所述预设的统计规则确定每个目标车辆出现的帧数，根据所述帧数和道路距离确定多个目标车辆的平均速度，具体包括：
统计所述目标车辆第一次出现的第一帧数和所述目标车辆第一次消失的第二帧数，根据所述第一帧数和所述第二帧数确定所述目标车辆出现的帧数，其公式如下：
NumFrame＝CarF1-CarF0-2
其中，NumFrame表示目标车辆出现的帧数，CarF1表示第二帧数，CarF0表示第一帧数；获取所述每一个目标车辆通过的所述道路距离，根据所述道路距离和每一个所述目标车辆出现的所述帧数确定每一个所述目标车辆的速度，根据每一个所述目标车辆的所述速度和预设的计算公式确定多个所述目标车辆的平均速度。
7.根据权利要求1所述的方法，其特征在于，所述根据每条路线中多个所述前景图像的所述平均面积、多个所述目标车辆的所述平均速度和当前天气状况确定所述每条路线的拥堵系数，具体包括：
根据所述每条路线中多个所述前景图像的所述平均面积和多个所述目标车辆的所述平均速度确定每条路线的第一拥堵系数；
基于天气系统获取当前天气状况；
根据每一条路线的所述第一拥堵系数和所述当前天气状况确定每一条路线的所述拥堵系数，其公式如下：
Figure FDA0004020816930000022
Figure FDA0004020816930000031
Figure FDA0004020816930000032
Figure FDA0004020816930000033
Figure FDA0004020816930000034
其中，T1、T2、V1和V2皆采用自动阈值估算技术选取，T1表示前景图像平均面积的上阈值，T2表示前景图像平均面积的下阈值，V1表示目标车辆平均速度的上阈值，V2表示目标车辆平均速度的下阈值，P(Road_setj)表示最佳路线集中第j条路线的拥堵系数，F(Now_weather)表示当前天气状况的函数，
Figure FDA0004020816930000035
表示第一拥堵系数，K表示当前线路的路口数量，Avgareai表示第i个路口的前景图像平均面积，Avgspeedi表示第i个路口的目标车辆平均速度，F(Avgareai)表示前景图像平均面积的拥堵函数，F(Avgspeedi)表示目标车辆平均速度的拥堵函数。
8.一种基于交通路况的配送路径选择系统，其特征在于，包括：
第一模块，用于获取订单的初始位置和终点位置，根据所述初始位置和所述终点位置确定最短路线集；
第二模块，用于获取所述最短路线集中每一条路线的道路监控视频，提取所述道路监控视频的交通道路区域，解析所述交通道路区域生成图像序列；
第三模块，用于基于每个所述图像序列构建混合高斯模型，根据所述混合高斯模型和背景差分法确定前景图像，获取每一个所述前景图像的面积，根据每一个所述前景图像的面积计算多个所述前景图像的平均面积；
第四模块，用于获取所述图像序列的初始帧，根据所述初始帧和车辆跟踪算法确定多个目标车辆，将所述目标车辆与后续帧的车辆进行比对，根据比对的结果和预设的统计规则确定每个目标车辆出现的帧数，根据所述帧数和道路距离确定多个目标车辆的平均速度；
第五模块，用于根据每条路线中多个所述前景图像的所述平均面积、多个所述目标车辆的所述平均速度和当前天气状况确定所述每条路线的拥堵系数，根据所述拥堵系数和预设的比对规则确定最佳配送路径。
9.一种基于交通路况的配送路径选择装置，其特征在于，包括：
至少一个处理器；
至少一个存储器，用于存储至少一个程序；
当所述至少一个程序被所述至少一个处理器执行，使得所述至少一个处理器实现如权利要求1-7任一项所述的方法。
10.一种计算机可读存储介质，其中存储有处理器可执行的程序，其特征在于，所述处理器可执行的程序在由处理器执行时用于执行如权利要求1-7任一项所述的方法。
CN202211685576.7A 2022-12-27 2022-12-27 基于交通路况的配送路径选择方法、系统、装置及介质 Pending CN116050963A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211685576.7A CN116050963A (zh) 2022-12-27 2022-12-27 基于交通路况的配送路径选择方法、系统、装置及介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211685576.7A CN116050963A (zh) 2022-12-27 2022-12-27 基于交通路况的配送路径选择方法、系统、装置及介质

Publications (1)

Publication Number Publication Date
CN116050963A true CN116050963A (zh) 2023-05-02

Family

ID=86128703

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211685576.7A Pending CN116050963A (zh) 2022-12-27 2022-12-27 基于交通路况的配送路径选择方法、系统、装置及介质

Country Status (1)

Country Link
CN (1) CN116050963A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117870713A (zh) * 2024-03-11 2024-04-12 武汉视普新科技有限公司 基于大数据车载影像的路径规划方法及系统

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117870713A (zh) * 2024-03-11 2024-04-12 武汉视普新科技有限公司 基于大数据车载影像的路径规划方法及系统
CN117870713B (zh) * 2024-03-11 2024-05-31 武汉视普新科技有限公司 基于大数据车载影像的路径规划方法及系统

Similar Documents

Publication Publication Date Title
CN109977812B (zh) 一种基于深度学习的车载视频目标检测方法
CN109087510B (zh) 交通监测方法及装置
CN114023062B (zh) 一种基于深度学习和边缘计算的交通流信息监测方法
CN109446881B (zh) 一种基于异构数据的高速公路路段交通状态检测方法
US20130226667A1 (en) Methods and apparatus to analyze markets based on aerial images
CN110415277A (zh) 基于光流和卡尔曼滤波的多目标追踪方法、系统、装置
CN109241938B (zh) 道路拥堵检测方法及终端
CN111898491B (zh) 一种车辆逆向行驶的识别方法、装置及电子设备
CN109190488A (zh) 基于深度学习YOLOv3算法的前车车门打开检测方法及装置
CN110659601B (zh) 基于中心点的深度全卷积网络遥感图像密集车辆检测方法
CN110647886A (zh) 兴趣点标注方法、装置、计算机设备和存储介质
CN112668375B (zh) 景区内游客分布分析系统及方法
CN113515968A (zh) 街道的异常事件检测方法、装置、设备及介质
CN117351702A (zh) 一种基于车流量进行调节的智慧交通管理方法
CN116050963A (zh) 基于交通路况的配送路径选择方法、系统、装置及介质
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
CN116012815A (zh) 交通元素识别方法、多任务网络模型及训练方法和装置
CN117911829B (zh) 车辆导航的点云图像融合方法及系统
CN116964588A (zh) 一种目标检测方法、目标检测模型训练方法及装置
CN111914845A (zh) 一种车牌中字符分层方法、装置及电子设备
CN112562315B (zh) 一种获取车流信息的方法、终端及存储介质
CN112489436B (zh) 一种车辆身份识别方法、装置、系统、以及电子装置
CN103605960A (zh) 一种基于不同焦距视频图像融合的交通状态识别方法
CN117437615A (zh) 雾天交通标志检测方法、装置、存储介质和电子设备
CN117253217A (zh) 一种充电站车辆识别方法、装置、电子设备及存储介质

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