CN116189422A - 道路交通拥堵的预测方法、装置、电子设备和存储介质 - Google Patents

道路交通拥堵的预测方法、装置、电子设备和存储介质 Download PDF

Info

Publication number
CN116189422A
CN116189422A CN202211647882.1A CN202211647882A CN116189422A CN 116189422 A CN116189422 A CN 116189422A CN 202211647882 A CN202211647882 A CN 202211647882A CN 116189422 A CN116189422 A CN 116189422A
Authority
CN
China
Prior art keywords
road
congestion
background
vehicle
index
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
CN202211647882.1A
Other languages
English (en)
Inventor
李心慧
李凡平
石柱国
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.)
ISSA Technology Co Ltd
Original Assignee
ISSA 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 ISSA Technology Co Ltd filed Critical ISSA Technology Co Ltd
Priority to CN202211647882.1A priority Critical patent/CN116189422A/zh
Publication of CN116189422A publication Critical patent/CN116189422A/zh
Pending legal-status Critical Current

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
    • G08G1/0125—Traffic data processing
    • 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
    • G08G1/017—Detecting movement of traffic to be counted or controlled identifying vehicles
    • G08G1/0175—Detecting movement of traffic to be counted or controlled identifying vehicles by photographing vehicles, e.g. when violating traffic rules
    • 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

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Traffic Control Systems (AREA)

Abstract

本申请提供了一种道路交通拥堵的预测方法、装置、电子设备和存储介质，涉及道路交通技术领域，该方法包括：获取道路卡口视频，对道路卡口视频进行图像预处理，得到道路卡口的第一背景图像；对第一背景图像进行目标分离处理，得到前景目标和第二背景图像；对前景目标进行目标追踪，确定道路卡口的车辆信息，并基于车辆信息计算道路卡口的车辆拥堵指数；将第二背景图像与第一背景图像进行图像匹配处理，确定背景变化区域；基于背景变化区域的变化类型确定异常拥堵指数；基于车辆拥堵指数和异常拥堵指数确定目标拥堵指数，以通过目标拥堵指数进行道路拥堵预测。本申请可以提高交通拥堵判断的准确性和道路交通拥堵预警的可靠性。

Description

道路交通拥堵的预测方法、装置、电子设备和存储介质
技术领域
本申请涉及道路交通技术领域，尤其是涉及一种道路交通拥堵的预测方法、装置、电子设备和存储介质。
背景技术
目前通过交通拥堵预测可以提前预报道路情况，以便用户提前预知拥堵进行路线调整。相关技术中，可以采用交通大数据的方法，对于交通流量和道路拥堵根据历史规律进行预测。然而，一旦出现突发情况，例如交通事故、道路施工等突发情况导致的拥堵，会导致预测偏差过大。根据交通数据的历史规律只能预测大部分情况下的道路流量和拥堵状况，无法很好地应对突发情况带来的变化。
发明内容
本申请的目的在于提供一种道路交通拥堵的预测方法、装置、电子设备和存储介质，可以提高交通拥堵判断的准确性和道路交通拥堵预警的可靠性。
第一方面，本发明提供一种道路交通拥堵的预测方法，方法包括：获取道路卡口视频，对道路卡口视频进行图像预处理，得到道路卡口的第一背景图像；对第一背景图像进行目标分离处理，得到前景目标和第二背景图像；对前景目标进行目标追踪，确定道路卡口的车辆信息，并基于车辆信息计算道路卡口的车辆拥堵指数；将第二背景图像与第一背景图像进行图像匹配处理，确定背景变化区域；基于背景变化区域的变化类型确定异常拥堵指数；其中，异常拥堵指数用于表征道路发生异常情况下的拥堵指数；基于车辆拥堵指数和异常拥堵指数确定目标拥堵指数，以通过目标拥堵指数进行道路拥堵预测。
在可选的实施方式中，对道路卡口视频进行图像预处理，得到道路卡口的第一背景图像，包括：对道路卡口视频进行解帧操作，得到图片集；对图片集逐帧进行干扰物体剔除处理，确定每帧图片对应的道路卡口的第一背景图像。
在可选的实施方式中，对前景目标进行目标追踪，确定道路卡口的车辆信息，并基于车辆信息计算道路卡口的车辆拥堵指数，包括：对前景目标进行目标追踪，计算道路卡口的单个车辆的实时车速信息；基于道路卡口的车辆排队个数和实时车速信息确定道路卡口的车辆平均车速，并获取道路卡口单位时间内正常行驶时的正常行驶车速和卡口车辆总数；基于车辆平均车速、正常行驶车速、车辆排队个数和卡口车辆总数计算车辆拥堵指数。
在可选的实施方式中，基于车辆平均车速、正常行驶车速、车辆排队个数和卡口车辆总数计算车辆拥堵指数，包括：
Figure BDA0004009483130000021
其中，w1为车辆拥堵指数；α为实时调控系数；vs为车辆平均车速；
Figure BDA0004009483130000022
为正常行驶车速；n为车辆排队个数；/>
Figure BDA0004009483130000023
为卡口车辆总数。
在可选的实施方式中，异常拥堵指数包括事故异常指数和施工异常指数；基于背景变化区域的变化类型确定异常拥堵指数，包括：对背景变化区域进行连通性计算，排除天气影响和光线影响后，基于预设的阈值确定背景变化区域的异常类型；异常类型包括异常停车导致的背景突变或道路施工导致的背景渐变；当异常类型为异常停车导致的背景突变时，通过目标检测模型检测事故车辆数量，并计算事故发生时间，并将事故异常指数设置为预设值；当异常类型为道路施工导致的背景渐变时，通过第二背景图像对第一背景图像进行替换，并确定施工异常指数。
在可选的实施方式中，确定施工异常指数，包括：基于背景变化区域中施工区域面积占交通干道面积的比例确定施工异常指数。
在可选的实施方式中，方法还包括：基于大数据对当前路网流量进行分析，确定长期拥堵预报信息，以进行预报。
第二方面，本发明提供一种道路交通拥堵的预测装置，装置包括：图像获取及处理模块，用于获取道路卡口视频，对道路卡口视频进行图像预处理，得到道路卡口的第一背景图像；目标分离模块，用于对第一背景图像进行目标分离处理，得到前景目标和第二背景图像；计算模块，用于对前景目标进行目标追踪，确定道路卡口的车辆信息，并基于车辆信息计算道路卡口的车辆拥堵指数；匹配模块，用于将第二背景图像与第一背景图像进行图像匹配处理，确定背景变化区域；确定模块，用于基于背景变化区域的变化类型确定异常拥堵指数；其中，异常拥堵指数用于表征道路发生异常情况下的拥堵指数；预测模块，用于基于车辆拥堵指数和异常拥堵指数确定目标拥堵指数，以通过目标拥堵指数进行道路拥堵预测。
第三方面，本发明提供一种电子设备，包括处理器和存储器，存储器存储有能够被处理器执行的计算机可执行指令，处理器执行计算机可执行指令以实现前述实施方式任一项的道路交通拥堵的预测方法。
第四方面，本发明提供一种计算机可读存储介质，计算机可读存储介质存储有计算机可执行指令，计算机可执行指令在被处理器调用和执行时，计算机可执行指令促使处理器实现前述实施方式任一项的道路交通拥堵的预测方法。
本申请提供的道路交通拥堵的预测方法、装置、电子设备和存储介质，该方法首先获取道路卡口视频，对道路卡口视频进行图像预处理，得到道路卡口的第一背景图像，然后对第一背景图像进行目标分离处理，得到前景目标和第二背景图像，进而对前景目标进行目标追踪，确定道路卡口的车辆信息，并基于车辆信息计算道路卡口的车辆拥堵指数，将第二背景图像与第一背景图像进行图像匹配处理，确定背景变化区域，基于背景变化区域的变化类型确定用于表征道路发生异常情况下的异常拥堵指数，最后基于车辆拥堵指数和异常拥堵指数确定目标拥堵指数，以通过目标拥堵指数进行道路拥堵预测。该方法可以提高交通拥堵判断的准确性和道路交通拥堵预警的可靠性。
附图说明
为了更清楚地说明本申请具体实施方式或现有技术中的技术方案，下面将对具体实施方式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，下面描述中的附图是本申请的一些实施方式，对于本领域普通技术人员来讲，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为本申请实施例提供的一种道路交通拥堵的预测方法的流程图；
图2为本申请实施例提供的一种背景渐变示意图；
图3为本申请实施例提供的一种具体的处理流程图；
图4为本申请实施例提供的一种道路交通拥堵的预测装置的结构图；
图5为本申请实施例提供的一种电子设备的结构图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚，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，所描述的实施例是本申请一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。
因此，以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围，而是仅仅表示本申请的选定实施例。基于本申请中的实施例，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，都属于本申请保护的范围。
应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。
目前的交通拥堵预测方法一般分为基于交通大数据和基于计算机视觉算法两大类。基于交通大数据方法对于交通流量和道路拥堵的预测是根据历史规律来预测的，对于道路施工、事故等突发情况导致的拥堵应对能力不足，会导致预测偏差过大。基于计算机视觉算法对于交通拥堵的处理方式需要细化到具体的应用场景，一般需要建立拥堵画像数据模型，根据模型对于交通数据进行预测，得到预测结果。现实场景中存在一些特殊情况或突发情况，也会影响模型预测的准确性。
结合大数据的道路交通流量和拥堵监测是根据历史规律来预测的，一旦出现突发情况，例如交通事故等突发情况导致的拥堵，会导致预测偏差过大。根据交通数据的历史规律只能预测大部分情况下的道路流量和拥堵状况，不能很好地应对突发情况带来的变化。引入计算机视觉算法对拥堵情况进行及时判断，可以识别事故、施工等场景来确定拥堵发生的原因，从而弥补大数据算法预测的不足，提升在突发情况下的鲁棒性，提高交通拥堵判断的准确性，可以辅助交通部门提高协调管理水平，促进交通安全的发展。
参见图1所示，本申请实施例提供了一种道路交通拥堵的预测方法，该方法主要包括以下步骤：
步骤S102，获取道路卡口视频，对道路卡口视频进行图像预处理，得到道路卡口的第一背景图像。
步骤S104，对第一背景图像进行目标分离处理，得到前景目标和第二背景图像。
步骤S106，对前景目标进行目标追踪，确定道路卡口的车辆信息，并基于车辆信息计算道路卡口的车辆拥堵指数。
步骤S108，将第二背景图像与第一背景图像进行图像匹配处理，确定背景变化区域。
步骤S110，基于背景变化区域的变化类型确定异常拥堵指数；其中，异常拥堵指数用于表征道路发生异常情况下的拥堵指数。
步骤S112，基于车辆拥堵指数和异常拥堵指数确定目标拥堵指数，以通过目标拥堵指数进行道路拥堵预测。
本申请实施例提供的道路交通拥堵的预测方法，首先获取道路卡口视频，对道路卡口视频进行图像预处理，得到道路卡口的第一背景图像，然后对第一背景图像进行目标分离处理，得到前景目标和第二背景图像，进而对前景目标进行目标追踪，确定道路卡口的车辆信息，并基于车辆信息计算道路卡口的车辆拥堵指数，将第二背景图像与第一背景图像进行图像匹配处理，确定背景变化区域，基于背景变化区域的变化类型确定用于表征道路发生异常情况下的异常拥堵指数，最后基于车辆拥堵指数和异常拥堵指数确定目标拥堵指数，以通过目标拥堵指数进行道路拥堵预测。该方法可以提高交通拥堵判断的准确性和道路交通拥堵预警的可靠性。
为便于理解，以下对本申请实施例提供的道路交通拥堵的预测方法进行详细说明。
在一种实施方式中，获取道路卡口视频后，对道路卡口视频进行图像预处理，得到道路卡口的第一背景图像，在具体实施时，可以包括以下步骤1.1)和步骤1.2)：
步骤1.1)，对道路卡口视频进行解帧操作，得到图片集；
步骤1.2)，对图片集逐帧进行干扰物体剔除处理，确定每帧图片对应的道路卡口的第一背景图像。
在一种示例中，可以通过获取道路卡口的离线视频，对视频进行解帧操作，通过人工进行标注获取交通主干道区域，消除路边允许停车区域和其他物体的干扰，获取该卡口的常规背景图像a1。在解帧操作时，可以利用OpenCV或ffmpeg对视频进行拆帧，制作成图片集。
可选的，常规背景图像的获取还可以使用语义分割方法，识别出道路区域，后续对比常规背景图像与实时背景图像时，仅对比此区域即可。
在一种实施方式中，对第一背景图像进行目标分离处理，得到前景目标和第二背景图像，可以在读取视频帧后使用ViBe背景提取方法分离出前景目标，即对常规背景图像(也即第一背景图像)a1车辆运动目标xi和行人等，同时得到实时背景图像(也即第二背景图像)a2。
进一步，上述对前景目标进行目标追踪，确定道路卡口的车辆信息，并基于车辆信息计算道路卡口的车辆拥堵指数，可以包括以下步骤2.1)至步骤2.3)：
步骤2.1)，对前景目标进行目标追踪，计算道路卡口的单个车辆的实时车速信息；
步骤2.2)，基于道路卡口的车辆排队个数和实时车速信息确定道路卡口的车辆平均车速，并获取道路卡口单位时间内正常行驶时的正常行驶车速和卡口车辆总数；
步骤2.3)，基于车辆平均车速、正常行驶车速、车辆排队个数和卡口车辆总数计算车辆拥堵指数。
针对上述步骤2.1)，可以采用deep sort方法对车辆运动目标xi进行追踪，在实际应用中，也可以采用其他的目标追踪方式进行追踪，诸如神经网络、目标识别等方式，此处仅作示例，不作具体限定。
针对上述步骤2.2)，在计算车辆平均车速时，可以计算单个车辆的实时车速vi，并统计卡口车辆排队个数n，并计算当前卡口范围内的所有车辆平均车速vs：
Figure BDA0004009483130000081
进而，获取该卡口的单位时间内正常行驶车辆的车速
Figure BDA0004009483130000082
和该卡口内正常情况下的车辆总数/>
Figure BDA0004009483130000083
针对上述步骤2.3)，在基于车辆平均车速、正常行驶车速、车辆排队个数和卡口车辆总数计算车辆拥堵指数时，可以采用以下方式：
Figure BDA0004009483130000084
其中，w1为车辆拥堵指数；α为实时调控系数；vs为车辆平均车速；
Figure BDA0004009483130000085
为正常行驶车速；n为车辆排队个数；/>
Figure BDA0004009483130000086
为卡口车辆总数。
在一种示例中，α的值初始化可以设置为0.5，后续根据卡口实际情况动态调整。
进一步，对于实时背景图像a2，将其与常规背景图像a1进行图像匹配，分析背景变化区域。
上述异常拥堵指数包括事故异常指数和施工异常指数，在得到上述背景变化区域后，在一可选的实施方式中，基于背景变化区域的变化类型确定异常拥堵指数，在具体实施时，可以包括以下步骤3.1)至步骤3.3)：
步骤3.1)，对背景变化区域进行连通性计算，排除天气影响和光线影响后，基于预设的阈值确定背景变化区域的异常类型；异常类型包括异常停车导致的背景突变或道路施工导致的背景渐变；
步骤3.2)，当异常类型为异常停车导致的背景突变时，通过目标检测模型检测事故车辆数量，并计算事故发生时间，并将事故异常指数设置为预设值；
步骤3.3)，当异常类型为道路施工导致的背景渐变时，通过第二背景图像对第一背景图像进行替换，并确定施工异常指数。
针对上述步骤3.1)，连通性计算主要是为了消除误差引起的区域孔洞问题，根据像素邻域信息对其进行判断，将可能属于同一连通域的像素置于同一区域，提高差分图像的对比度和清晰度。对于实时背景图像a2，将其与常规背景图像a1进行图像匹配，分析背景变化区域，对变化区域进行连通性计算，排除合理的天气、光线变化后，如果图像变化区域超过指定阈值p1或p2，判断其为如异常停车导致的背景突变，或道路施工导致的背景渐变。
针对上述步骤3.2)，当判断为背景突变时，使用目标检测模型检测事故车辆数量y，并计算事故发生时间t，将拥堵指数w2的值设为1，以此对交通拥堵变化趋势进行加权。
针对上述步骤3.3)，当判断为背景渐变时，更新背景图像，即使用实时背景图像a2替代常规背景图像a1，计算拥堵指数w3，同时结合大数据方法得到的当前路网流量进行分析，进行长期拥堵预报。在确定施工异常指数，可以基于背景变化区域中施工区域面积占交通干道面积的比例确定施工异常指数。也即，在一可选的实施方式中，基于大数据对当前路网流量进行分析，确定长期拥堵预报信息，以进行预报。拥堵指数w3根据施工区域面积占交通干道面积的比例确定，例如，施工区域占道路面积的1/2，则拥堵指数w3为0.5；如交通干道全部施工，则拥堵指数为1。
上述背景渐变是指道路施工情况，由于道路施工时导致车辆可行驶区域变小会造成交通拥堵，故考虑此种情况。道路施工通常流程为首先放置提示标志，再逐步开展施工，花费时间通常超过交通事故所占用道路的时间。图2为背景渐变示意图，其中(a)表示正常情况下的卡口图像，(b)表示进行施工的卡口图像，将(b)进行背景差分操作，分离出实时背景图像后，再将其与常规背景图像进行差分，得到其变化区域，进行连通性处理后，如图(c)所示。
此外，如果图像变化区域未超过指定阈值p1或p2，将拥堵指数w2和w3的值设为0，表示当前道路客观情况正常。
拥堵指数w1、w2、w3，与大数据方法得到的当前路网流量计算出的拥堵指数w4进行综合加权对比，计算整体拥堵指数w，w计算公式如下：w＝w1+w2+w3+w4；其中，w1、w2、w3、w4的权值初始化为1，可以根据实际道路卡口的影响因素自适应调整。当w超过阈值时，进行交通拥堵报告并显示交通拥堵原因。
该方法对于车辆运动目标xi使用deep sort方法进行追踪，对于每一个车辆检测目标生成一个独有的ID号，使用递归的卡尔曼滤波和逐帧的匈牙利数据关联，提取目标的外观特征进行最近邻近匹配，在车辆被遮挡又出现后依旧将其标记为初始ID，提升了运动目标追踪的精度，准确计算单个车辆的实时车速vi。单个车辆的实时车速vi越慢，卡口车辆排队个数n越多，拥堵指数为w1越大。为了解决目标被遮挡较长时间后难以追踪的问题，提取目标的外观特征，辅助匈牙利算法进行最近邻近匹配，提高目标追踪的精度。
该方法将常规背景图像a1与实时背景图像a2进行图像匹配，分析背景变化区域，可以准确判断交通拥堵产生的原因。由于道路交通卡口的摄像头监控范围固定，交通主干道的区域固定，卡口背景图像仅随天气、昼夜光线等环境因素发生轻微改变，因此在对变化区域进行连通性计算时，排除合理的天气、光线变化后，如果图像变化区域超过指定阈值p1或p2，判断其为如异常停车导致的背景突变，或道路施工导致的背景渐变。
该方法为加强拥堵预警的可靠性，为不同情况下的影响因素赋予权值，从多个方面来共同判定交通拥堵。该方法在调用交通大数据进行实时车流量计算的同时，使用计算机视觉方法中的车速识别、车辆剐蹭识别作为输入综合分析，更加精准地定位拥堵产生的原因，并根据拥堵原因预测拥堵趋势的变化。
本申请实施例借助交通大数据道路流量计算拥堵指数，同时使用视觉算法进行拥堵检测，提高交通拥堵判断的准确性；使用计算机视觉算法追踪道路卡口视频中出现的车辆，计算车速和车辆排队个数，可以直观反映交通拥堵状况，提高道路交通拥堵预警的可靠性；通过对比历史数据检测交通事故、道路交通等场景化情况，明确拥堵发生的原因，降低交通拥堵判断所需耗费的人力物力资源；结合两种方式可以对当前路网进行实时的交通流量统计、拥堵状况统计，也可以根据拥堵原因预测未来一段时间的交通流量、拥堵状况和变化趋势。
本申请实施例提供的一种具体的处理流程，参见图3所示，包括以下步骤S1至步骤S6：
S1，获取道路卡口历史离线视频。
S2，人工标注道路主干道，得到该卡口的常规背景a1。
S3，使用ViBe背景提取算法，分离运动目标xi和实时背景a2。
S4，对运动目标xi进行目标追踪，对比实时背景a2与常规背景a1。
S5，根据阈值判断背景变化类型，赋值判定其对交通流量的影响。
S6，与大数据方法得到的当前路网交通流量对比，计算拥堵指数。
通过上述方式，结合交通大数据方法，使用计算机视觉算法共同判断交通拥堵；对于背景渐变，使其对交通拥堵指数产生长期拥堵预警，并同步更新常规背景，由于背景模型的构建及更新是背景差分法的关键步骤，对背景图像进行实时更新，可以避免天气、光线等因素对于背景差分方法产生干扰；对于背景突变，使用目标检测方法进一步检测事故车辆，输出事故车辆的详细信息。
通过使用该方法收集某一卡口的交通拥堵数据，挖掘常发性、偶发性拥堵数据的时空特征，学习对于不同情况下的交通拥堵指数进行加权，逐步确定合理的权重指数，提高交通拥堵检测的准确性；设计人工智能与拥堵预判和主动管控等多维度、多要素的深度融合场景化体系。
基于上述方法实施例，本申请实施例还提供一种道路交通拥堵的预测装置，参见图4所示，该装置主要包括以下部分：
图像获取及处理模块402，用于获取道路卡口视频，对道路卡口视频进行图像预处理，得到道路卡口的第一背景图像；
目标分离模块404，用于对第一背景图像进行目标分离处理，得到前景目标和第二背景图像；
计算模块406，用于对前景目标进行目标追踪，确定道路卡口的车辆信息，并基于车辆信息计算道路卡口的车辆拥堵指数；
匹配模块408，用于将第二背景图像与第一背景图像进行图像匹配处理，确定背景变化区域；
确定模块410，用于基于背景变化区域的变化类型确定异常拥堵指数；其中，异常拥堵指数用于表征道路发生异常情况下的拥堵指数；
预测模块412，用于基于车辆拥堵指数和异常拥堵指数确定目标拥堵指数，以通过目标拥堵指数进行道路拥堵预测。
本申请实施例提供的道路交通拥堵的预测装置，首先获取道路卡口视频，对道路卡口视频进行图像预处理，得到道路卡口的第一背景图像，然后对第一背景图像进行目标分离处理，得到前景目标和第二背景图像，进而对前景目标进行目标追踪，确定道路卡口的车辆信息，并基于车辆信息计算道路卡口的车辆拥堵指数，将第二背景图像与第一背景图像进行图像匹配处理，确定背景变化区域，基于背景变化区域的变化类型确定用于表征道路发生异常情况下的异常拥堵指数，最后基于车辆拥堵指数和异常拥堵指数确定目标拥堵指数，以通过目标拥堵指数进行道路拥堵预测。该方法可以提高交通拥堵判断的准确性和道路交通拥堵预警的可靠性。
在一可行的实施方式中，上述图像获取及处理模块402，还用于：
对道路卡口视频进行解帧操作，得到图片集；对图片集逐帧进行干扰物体剔除处理，确定每帧图片对应的道路卡口的第一背景图像。
在一可行的实施方式中，上述计算模块406，还用于：
对前景目标进行目标追踪，计算道路卡口的单个车辆的实时车速信息；基于道路卡口的车辆排队个数和实时车速信息确定道路卡口的车辆平均车速，并获取道路卡口单位时间内正常行驶时的正常行驶车速和卡口车辆总数；基于车辆平均车速、正常行驶车速、车辆排队个数和卡口车辆总数计算车辆拥堵指数。
在一可行的实施方式中，上述计算模块406，还用于：
Figure BDA0004009483130000131
其中，w1为车辆拥堵指数；α为实时调控系数；vs为车辆平均车速；
Figure BDA0004009483130000132
为正常行驶车速；n为车辆排队个数；/>
Figure BDA0004009483130000133
为卡口车辆总数。
在一可行的实施方式中，异常拥堵指数包括事故异常指数和施工异常指数；上述确定模块410，还用于：
对背景变化区域进行连通性计算，排除天气影响和光线影响后，基于预设的阈值确定背景变化区域的异常类型；异常类型包括异常停车导致的背景突变或道路施工导致的背景渐变；当异常类型为异常停车导致的背景突变时，通过目标检测模型检测事故车辆数量，并计算事故发生时间，并将事故异常指数设置为预设值；当异常类型为道路施工导致的背景渐变时，通过第二背景图像对第一背景图像进行替换，并确定施工异常指数。
在一可行的实施方式中，上述确定模块410，还用于：
基于背景变化区域中施工区域面积占交通干道面积的比例确定施工异常指数。
在一可行的实施方式中，上述装置还包括，大数据分析模块，用于：
基于大数据对当前路网流量进行分析，确定长期拥堵预报信息，以进行预报。
本申请实施例提供的道路交通拥堵的预测装置，其实现原理及产生的技术效果和前述方法实施例相同，为简要描述，道路交通拥堵的预测装置的实施例部分未提及之处，可参考前述道路交通拥堵的预测方法实施例中相应内容。
本申请实施例还提供了一种电子设备，如图5所示，为该电子设备的结构示意图，其中，该电子设备100包括处理器51和存储器50，该存储器50存储有能够被该处理器51执行的计算机可执行指令，该处理器51执行该计算机可执行指令以实现上述任一项道路交通拥堵的预测方法。
在图5示出的实施方式中，该电子设备还包括总线52和通信接口53，其中，处理器51、通信接口53和存储器50通过总线52连接。
其中，存储器50可能包含高速随机存取存储器(RAM，Random Access Memory)，也可能还包括非不稳定的存储器(non-volatile memory)，例如至少一个磁盘存储器。通过至少一个通信接口53(可以是有线或者无线)实现该系统网元与至少一个其他网元之间的通信连接，可以使用互联网，广域网，本地网，城域网等。总线52可以是ISA(IndustryStandard Architecture，工业标准体系结构)总线、PCI(Peripheral ComponentInterconnect，外设部件互连标准)总线或EISA(Extended Industry StandardArchitecture，扩展工业标准结构)总线等。所述总线52可以分为地址总线、数据总线、控制总线等。为便于表示，图5中仅用一个双向箭头表示，但并不表示仅有一根总线或一种类型的总线。
处理器51可能是一种集成电路芯片，具有信号的处理能力。在实现过程中，上述方法的各步骤可以通过处理器51中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器51可以是通用处理器，包括中央处理器(Central Processing Unit，简称CPU)、网络处理器(Network Processor，简称NP)等；还可以是数字信号处理器(Digital SignalProcessor，简称DSP)、专用集成电路(Application Specific Integrated Circuit，简称ASIC)、现场可编程门阵列(Field-Programmable Gate Array，简称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。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。结合本申请实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成，或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器，闪存、只读存储器，可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器，处理器51读取存储器中的信息，结合其硬件完成前述实施例的道路交通拥堵的预测方法的步骤。
本申请实施例还提供了一种计算机可读存储介质，该计算机可读存储介质存储有计算机可执行指令，该计算机可执行指令在被处理器调用和执行时，该计算机可执行指令促使处理器实现上述道路交通拥堵的预测方法，具体实现可参见前述方法实施例，在此不再赘述。
本申请实施例所提供的道路交通拥堵的预测方法、装置、电子设备和存储介质的计算机程序产品，包括存储了程序代码的计算机可读存储介质，所述程序代码包括的指令可用于执行前面方法实施例中所述的方法，具体实现可参见方法实施例，在此不再赘述。
除非另外具体说明，否则在这些实施例中阐述的部件和步骤的相对步骤、数字表达式和数值并不限制本申请的范围。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个处理器可执行的非易失的计算机可读取存储介质中。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介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，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。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
在本申请的描述中，需要说明的是，术语“中心”、“上”、“下”、“左”、“右”、“竖直”、“水平”、“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，或者是该发明产品使用时惯常摆放的方位或位置关系，仅是为了便于描述本申请和简化描述，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申请的限制。此外，术语“第一”、“第二”、等仅用于区分描述，而不能理解为指示或暗示相对重要性。
此外，术语“水平”、“竖直”、“悬垂”等术语并不表示要求部件绝对水平或悬垂，而是可以稍微倾斜。如“水平”仅仅是指其方向相对“竖直”而言更加水平，并不是表示该结构一定要完全水平，而是可以稍微倾斜。
在本申请的描述中，还需要说明的是，除非另有明确的规定和限定，术语“设置”、“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本申请中的具体含义。
最后应说明的是：以上各实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述各实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的范围。

Claims (10)

1.一种道路交通拥堵的预测方法，其特征在于，所述方法包括：
获取道路卡口视频，对所述道路卡口视频进行图像预处理，得到道路卡口的第一背景图像；
对所述第一背景图像进行目标分离处理，得到前景目标和第二背景图像；
对所述前景目标进行目标追踪，确定道路卡口的车辆信息，并基于所述车辆信息计算道路卡口的车辆拥堵指数；
将所述第二背景图像与所述第一背景图像进行图像匹配处理，确定背景变化区域；
基于所述背景变化区域的变化类型确定异常拥堵指数；其中，所述异常拥堵指数用于表征道路发生异常情况下的拥堵指数；
基于所述车辆拥堵指数和所述异常拥堵指数确定目标拥堵指数，以通过所述目标拥堵指数进行道路拥堵预测。
2.根据权利要求1所述的道路交通拥堵的预测方法，其特征在于，对所述道路卡口视频进行图像预处理，得到道路卡口的第一背景图像，包括：
对道路卡口视频进行解帧操作，得到图片集；
对所述图片集逐帧进行干扰物体剔除处理，确定每帧图片对应的道路卡口的第一背景图像。
3.根据权利要求1所述的道路交通拥堵的预测方法，其特征在于，对所述前景目标进行目标追踪，确定道路卡口的车辆信息，并基于所述车辆信息计算道路卡口的车辆拥堵指数，包括：
对所述前景目标进行目标追踪，计算道路卡口的单个车辆的实时车速信息；
基于道路卡口的车辆排队个数和所述实时车速信息确定所述道路卡口的车辆平均车速，并获取道路卡口单位时间内正常行驶时的正常行驶车速和卡口车辆总数；
基于所述车辆平均车速、正常行驶车速、车辆排队个数和所述卡口车辆总数计算车辆拥堵指数。
4.根据权利要求3所述的道路交通拥堵的预测方法，其特征在于，基于所述车辆平均车速、正常行驶车速、车辆排队个数和所述卡口车辆总数计算车辆拥堵指数，包括：
Figure FDA0004009483120000021
其中，w1为车辆拥堵指数；α为实时调控系数；vs为车辆平均车速；
Figure FDA0004009483120000022
为正常行驶车速；n为车辆排队个数；/>
Figure FDA0004009483120000023
为卡口车辆总数。
5.根据权利要求4所述的道路交通拥堵的预测方法，其特征在于，所述异常拥堵指数包括事故异常指数和施工异常指数；基于所述背景变化区域的变化类型确定异常拥堵指数，包括：
对所述背景变化区域进行连通性计算，排除天气影响和光线影响后，基于预设的阈值确定背景变化区域的异常类型；所述异常类型包括异常停车导致的背景突变或道路施工导致的背景渐变；
当所述异常类型为异常停车导致的背景突变时，通过目标检测模型检测事故车辆数量，并计算事故发生时间，并将所述事故异常指数设置为预设值；
当所述异常类型为道路施工导致的背景渐变时，通过所述第二背景图像对所述第一背景图像进行替换，并确定施工异常指数。
6.根据权利要求5所述的道路交通拥堵的预测方法，其特征在于，确定施工异常指数，包括：
基于所述背景变化区域中施工区域面积占交通干道面积的比例确定施工异常指数。
7.根据权利要求6所述的道路交通拥堵的预测方法，其特征在于，所述方法还包括：
基于大数据对当前路网流量进行分析，确定长期拥堵预报信息，以进行预报。
8.一种道路交通拥堵的预测装置，其特征在于，所述装置包括：
图像获取及处理模块，用于获取道路卡口视频，对所述道路卡口视频进行图像预处理，得到道路卡口的第一背景图像；
目标分离模块，用于对所述第一背景图像进行目标分离处理，得到前景目标和第二背景图像；
计算模块，用于对所述前景目标进行目标追踪，确定道路卡口的车辆信息，并基于所述车辆信息计算道路卡口的车辆拥堵指数；
匹配模块，用于将所述第二背景图像与所述第一背景图像进行图像匹配处理，确定背景变化区域；
确定模块，用于基于所述背景变化区域的变化类型确定异常拥堵指数；其中，所述异常拥堵指数用于表征道路发生异常情况下的拥堵指数；
预测模块，用于基于所述车辆拥堵指数和所述异常拥堵指数确定目标拥堵指数，以通过所述目标拥堵指数进行道路拥堵预测。
9.一种电子设备，其特征在于，包括处理器和存储器，所述存储器存储有能够被所述处理器执行的计算机可执行指令，所述处理器执行所述计算机可执行指令以实现权利要求1至7任一项所述的道路交通拥堵的预测方法。
10.一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可执行指令，所述计算机可执行指令在被处理器调用和执行时，计算机可执行指令促使处理器实现权利要求1至7任一项所述的道路交通拥堵的预测方法。
CN202211647882.1A 2022-12-21 2022-12-21 道路交通拥堵的预测方法、装置、电子设备和存储介质 Pending CN116189422A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211647882.1A CN116189422A (zh) 2022-12-21 2022-12-21 道路交通拥堵的预测方法、装置、电子设备和存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211647882.1A CN116189422A (zh) 2022-12-21 2022-12-21 道路交通拥堵的预测方法、装置、电子设备和存储介质

Publications (1)

Publication Number Publication Date
CN116189422A true CN116189422A (zh) 2023-05-30

Family

ID=86435498

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211647882.1A Pending CN116189422A (zh) 2022-12-21 2022-12-21 道路交通拥堵的预测方法、装置、电子设备和存储介质

Country Status (1)

Country Link
CN (1) CN116189422A (zh)

Similar Documents

Publication Publication Date Title
CN108875603B (zh) 基于车道线的智能驾驶控制方法和装置、电子设备
CN103824452B (zh) 一种轻量级的基于全景视觉的违章停车检测装置
CN109147368A (zh) 基于车道线的智能驾驶控制方法装置与电子设备
CN112070074B (zh) 物体检测方法、装置、终端设备和存储介质
CN102073851A (zh) 一种城市交通事故自动识别方法和系统
CN101344922B (zh) 一种人脸检测方法及其装置
CN111178272B (zh) 一种识别驾驶员行为的方法、装置及设备
CN111898491B (zh) 一种车辆逆向行驶的识别方法、装置及电子设备
CN110458093B (zh) 一种基于驾驶员监控系统的安全带检测方法以及相应的设备
CN105760847A (zh) 一种对摩托车驾驶员头盔佩戴情况的视觉检测方法
CN110838230B (zh) 一种移动视频监控方法、监控中心及系统
CN109313699A (zh) 用于对一车辆的输入图像进行目标识别的装置和方法
CN111079621A (zh) 检测对象的方法、装置、电子设备和存储介质
CN114898161A (zh) 摄像头脏污的检测方法、装置和电子设备
CN113807220A (zh) 交通事件检测方法、装置、电子设备和可读存储介质
CN116311166A (zh) 交通障碍物识别方法、装置及电子设备
CN116205948A (zh) 车辆跟踪匹配方法、装置、电子设备和存储介质
CN111695545A (zh) 一种基于多目标追踪的单车道逆行检测方法
CN112017213B (zh) 一种目标对象的位置更新方法及系统
CN113611079A (zh) 提示方法及装置、电子设备和存储介质
CN113011408A (zh) 多帧图片序列的字符识别、车辆识别码识别方法及系统
CN116189422A (zh) 道路交通拥堵的预测方法、装置、电子设备和存储介质
CN110782485A (zh) 一种车辆变道检测方法及装置
CN116152758A (zh) 一种智能实时事故检测及车辆跟踪方法
CN113139488B (zh) 训练分割神经网络的方法及装置

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