CN116311913A - 一种基于ai视频智能分析的高速路段拥堵分析方法及系统 - Google Patents

一种基于ai视频智能分析的高速路段拥堵分析方法及系统 Download PDF

Info

Publication number
CN116311913A
CN116311913A CN202310131099.8A CN202310131099A CN116311913A CN 116311913 A CN116311913 A CN 116311913A CN 202310131099 A CN202310131099 A CN 202310131099A CN 116311913 A CN116311913 A CN 116311913A
Authority
CN
China
Prior art keywords
lane
congestion
road section
vehicle
value
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
CN202310131099.8A
Other languages
English (en)
Other versions
CN116311913B (zh
Inventor
薛太武
李凌飞
袁洪斌
陆艳萍
李敦�
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.)
Chengdu Helexin Software Co ltd
Original Assignee
Chengdu Helexin Software 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 Chengdu Helexin Software Co ltd filed Critical Chengdu Helexin Software Co ltd
Priority to CN202310131099.8A priority Critical patent/CN116311913B/zh
Publication of CN116311913A publication Critical patent/CN116311913A/zh
Application granted granted Critical
Publication of CN116311913B publication Critical patent/CN116311913B/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
    • G08G1/0125—Traffic data processing
    • G08G1/0129—Traffic data processing for creating historical data or processing based on historical data
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/065—Traffic control systems for road vehicles by counting the vehicles in a section of the road or in a parking area, i.e. comparing incoming count with outgoing count
    • 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

本发明公开了一种基于AI视频智能分析的高速路段拥堵分析方法及系统，本技术方案利用无人机采集的高速路段视频数据对发生拥堵路段的位置情况进行精准识别，通过在纵向对车道划分、在横向对预设距离值划分，将具体拥堵路段划分为多个网格单元路段，结合网格的车辆密度计算出初始拥堵值，并利用每个车道的变道密度来计算每个车道的实际拥堵值，从而得出每个车道上的实际通过时间，以解决现有高速路段无法对道路盲区的拥堵情况进行准确监测，并根据各个车道的拥堵情况进行准确分析的问题；实现对现有交通横杆无法监测到的道路盲区的拥堵情况进行准确监测，并根据各个车道的拥堵情况进行准确分析，为驾驶员提供精准的、有效的高速路段拥堵展示结果。

Description

一种基于AI视频智能分析的高速路段拥堵分析方法及系统
技术领域
本发明涉及大数据处理技术领域，尤其涉及一种基于AI视频智能分析的高速路段拥堵分析方法及系统。
背景技术
高速公路上设置有交通横杆，横杆上安装有视频监控、ETC设备和车流量监测设备等，用于对高速公路的车况进行监控，对发生拥堵的路段进行预警。但是现有技术对于高速路段的拥堵分析是通过交通横杆上的各自监控设备监测得到的。而交通横杆的设置由于成本和道路情况，往往只能够间隔几百米设置一个，有的路况较差的，甚至两到三公里才设置一个交通横杆用于监测交通拥堵情况。而现有技术对于拥堵情况的分析，是通过各个横杆上监测的车流量进行估算，这里涉及到两个不确定性：1、车况的监控只能通过交通横杆进行监测，但由于交通横杆的设置距离有限，对于交通横杆无法监测到的道路盲区，无法进行准确监测其道路状况，无法为道路交通安全行驶提供有力数据；2、由于交通横杆是分别在间隔的多个位置点进行设置监控的，无法对各个车道情况进行监测，只能对通过交通横杆时的整体车流量进行大体的监测来推断拥堵情况。当某一车道发生车祸发生拥堵时，其余车道其实可以正常行驶，但此时地图显示的拥堵情况却是整个高速路段的拥堵情况，驾驶员无法准确地知道哪个车道上的车流量较快，实际发生拥堵的车道在于哪条车道，无法选择正确的车道进行行驶，导致很多驾驶员会在实际发生车祸的车道上进行跟车，使得车道拥堵情况更加拥堵，无法及时疏通车流量。
鉴于目前的城市道路发展，目前现有技术上暂无更好的高速路段拥堵分析策略以解决上述技术问题。但随着无人机技术的发展，通过操控无人机对高速路段进行视频拍摄，利用无人机在高速路段的高空上采集的视频数据有望对各个车道的实际车况拥堵情况进行AI视频准确分析。
因此，目前市面上亟需一种基于AI视频智能分析的高速路段拥堵分析策略，以解决现有高速路段无法对道路盲区的拥堵情况进行准确监测，并根据各个车道的拥堵情况进行准确分析的技术问题。
发明内容
本发明提供了一种基于AI视频智能分析的高速路段拥堵分析方法及系统，实现对现有交通横杆无法监测到的道路盲区的拥堵情况进行准确监测，并根据各个车道的拥堵情况进行准确分析，为驾驶员提供精准的、有效的高速路段拥堵展示结果。
为了解决上述技术问题，本发明实施例提供了一种基于AI视频智能分析的高速路段拥堵分析方法，包括：
接收由多个无人机采集的高速路段视频数据，对所述高速路段视频数据中存在的疑似拥堵路段进行识别并提取对应的拥堵视频数据；
对所述拥堵视频数据中发生拥堵路况的起点位置和终点位置进行识别，根据所述起点位置和终点位置确定发生拥堵路况的具体拥堵路段；
根据所述拥堵视频数据对所述具体拥堵路段中的车道数量进行识别，确定所述具体拥堵路段的车道数量，并确定造成拥堵的车道位置点；
以所述车道位置点为起点，对所述具体拥堵路段进行网格化处理，将所述具体拥堵路段在纵向以所述车道数量进行划分、在横向以预设距离值进行划分，得到多个网格单元路段；
在预设时间段中对每个所述网格单元路段的车辆数据进行统计，得到每个所述网格单元路段的车辆密度，根据每个车道上各个所述网格单元路段的所述车辆密度，分别确定每个车道的初始拥堵值；
分别对每个车道在所述预设时间段中发生变道的车辆数量进行统计，得到每个车道的变道密度，根据所述变道密度对所述初始拥堵值进行调整，得到每个车道的实际拥堵值；
分别根据每个车道上的非变道车辆和变道车辆在所述预设时间段中的通过所述具体拥堵路段的距离值，计算出每个车道上的非变道通过时间和变道通过时间，并根据所述非变道通过时间和变道通过时间计算出每个车道上的实际通过时间；
将所述每个车道的实际拥堵值和所述实际通过时间进行关联，得到所述具体拥堵路段的拥堵分析结果并进行展示。
作为优选方案，所述接收由多个无人机采集的高速路段视频数据，对所述高速路段视频数据中存在的疑似拥堵路段进行识别并提取对应的拥堵视频数据的步骤中，具体包括：
接收由多个无人机采集的高速路段视频数据，分别对所述高速路段视频数据以帧为单位进行图像分割，得到多个图像帧；
对所述图像帧中的车辆特征进行识别，计算出总车辆面积对高速路段面积的比值，作为疑似拥堵值；
将所述疑似拥堵值大于预设疑似阈值所对应的高速路段作为疑似拥堵路段，并分别在多个无人机采集的高速路段视频数据分割得到的图像帧中选择所述疑似拥堵路段所对应的图像帧集合；
根据所述疑似拥堵路段对所述图像帧集合进行合并，得到整个疑似拥堵路段对应的拥堵视频数据。
作为优选方案，所述对所述拥堵视频数据中发生拥堵路况的起点位置和终点位置进行识别，根据所述起点位置和终点位置确定发生拥堵路况的具体拥堵路段的步骤中，具体包括：
在所述拥堵视频数据中，对记录所述疑似拥堵路段的起点和终点的起点图像帧和终点图像帧进行提取，分别确定采集所述起点图像帧和终点图像帧的第一目标无人机和第二目标无人机；
确定所述第一目标无人机与所述起点图像帧中发生拥堵路况的头部车辆之间的第一距离值和第一角度，同时，通过通信寻呼与ETC设备进行通信，确定与所述第一目标无人机距离最近的第一目标ETC设备，并确定所述第一目标ETC设备与所述第一目标无人机之间的第二距离值和第二角度，根据所述第一目标ETC设备的经纬度位置、第一距离值、第一角度、第二距离值和第二角度，计算出发生拥堵路况的起点位置经纬度；
确定所述第二目标无人机与所述终点图像帧中发生拥堵路况的尾部车辆之间的第三距离值和第三角度，同时，通过通信寻呼与ETC设备进行通信，确定与所述第二目标无人机距离最近的第二目标ETC设备，并确定所述第二目标ETC设备与所述第二目标无人机之间的第四距离值和第四角度，根据所述第二目标ETC设备的经纬度位置、第三距离值、第三角度、第四距离值和第四角度，计算出发生拥堵路况的终点位置经纬度；
根据所述起点位置经纬度和所述终点位置经纬度，确定发生拥堵路况的具体拥堵路段。
作为优选方案，所述根据所述拥堵视频数据对所述具体拥堵路段中的车道数量进行识别，确定所述具体拥堵路段的车道数量，并确定造成拥堵的车道位置点的步骤中，具体包括：
对所述拥堵视频数据中的车道线特征进行识别，根据识别到的车道线确定所述具体拥堵路段的车道数量和每个车道位置；
根据所述起点位置经纬度、所述车道数量和每个车道位置，分别对所述具体拥堵路段中每个车道的头部车辆赋予一个初始拥堵值；
当所述头部车辆所在车道每发生一辆车变道到其他车道时，对所在车道对应的所述头部车辆的所述初始拥堵值进行加1；当所述头部车辆所在车道每发生一辆车从其他车道变道进入时，对所在车道对应的所述头部车辆的所述初始拥堵值进行减1；
当确定所述头部车辆的初始拥堵值达到预设拥堵阈值时，确定所述头部车辆为造成拥堵的车道位置点。
作为优选方案，所述以所述车道位置点为起点，对所述具体拥堵路段进行网格化处理，将所述具体拥堵路段在纵向以所述车道数量进行划分、在横向以预设距离值进行划分，得到多个网格单元路段的步骤中，具体包括：
根据所述具体拥堵路段的车道数量和每个车道位置，对所述具体拥堵路段在纵向进行划分为多个车道路段；
根据预设距离值，以所述车道位置点为起点，分别对每个车道路段进行横向划分，得到多个网格单元路段。
作为优选方案，所述每个车道的初始拥堵值的计算公式为：
Figure BDA0004083865680000051
其中，Wi为第i条车道上的初始拥堵值，
Figure BDA0004083865680000052
为每个网格单元路段的车辆密度；Xij为不同车道上每个网格单元路段的车辆数量，i为车道，j为第i条车道上的网格单元路段；t为预设时间段，n为第i条车道上的网格单元路段数量；k1为常数。
作为优选方案，所述分别对每个车道在所述预设时间段中发生变道的车辆数量进行统计，得到每个车道的变道密度，根据所述变道密度对所述初始拥堵值进行调整，得到每个车道的实际拥堵值的步骤中，具体包括：
分别对每个车道在所述预设时间段中发生变道的目标车辆进行识别，同时，确定所述目标车辆在变道前的上一车辆为目标前车；
当确定所述目标车辆发生变道并在变道成功后，记录所述目标车辆超越所述目标前车的超车时间，当所述超车时间小于预设超车阈值时，确定所述目标车辆为发生变道的车辆频次；
对每个车道在所述预设时间段中发生变道的车辆频次进行统计，得到发生变道的车辆数量，根据所述发生变道的车辆数量计算得到每个车道的变道密度；
根据所述每个车道的变道密度和所述初始拥堵值，计算得到每个车道的实际拥堵值；其中，所述每个车道的实际拥堵值的计算公式为：
Figure BDA0004083865680000053
其中，Yi为第i条车道上的实际拥堵值，Wi为第i条车道上的初始拥堵值；
Figure BDA0004083865680000054
为第i条车道上的变道密度，hi为第i条车道上发生变道的车辆数量，t为预设时间段，k2为常数。
作为优选方案，所述分别根据每个车道上的非变道车辆和变道车辆在所述预设时间段中的通过所述具体拥堵路段的距离值，计算出每个车道上的非变道通过时间和变道通过时间的步骤中，具体包括：
分别对每个车道上的非变道车辆和变道车辆进行标记；
当目标车道上的所述非变道车辆和变道车辆在预设时间段内能够通过所述具体拥堵路段时，确定所述非变道车辆和变道车辆通过所述具体拥堵路段的时间，并根据通过所述具体拥堵路段的时间分别与所述非变道车辆和变道车辆通过的路段距离之间的比值，计算出第一非变道速率和第一变道速率；
当目标车道上的所述非变道车辆和变道车辆在预设时间段内没有通过所述具体拥堵路段时，确定所述非变道车辆和变道车辆通过所述具体拥堵路段的路段距离，并根据所述预设时间段分别与所述非变道车辆和变道车辆通过的路段距离之间的比值，计算出第二非变道速率和第二变道速率；
计算所述第一非变道速率和所述第二非变道速率的均值为非变道均值，并计算所述目标车道的总长度与所述非变道均值的比值，得到所述目标车道上的非变道通过时间；
计算所述第一变道速率和所述第二变道速率的均值为变道均值，并计算所述目标车道的总长度与所述变道均值的比值，得到所述目标车道上的变道通过时间。
作为优选方案，所述每个车道上的实际通过时间的计算公式为：
Figure BDA0004083865680000061
其中，Ti0为第i条车道上的实际通过时间；Ti1为第i条车道上的非变道通过时间；Ti2为第i条车道上的变道通过时间；k3和k4均为常数。
相应地，本发明另一实施例还提供了一种基于AI视频智能分析的高速路段拥堵分析系统，包括：视频数据模块、拥堵位置模块、车道位置模块、网格划分模块、初始计算模块、实际计算模块、时间计算模块和分析展示模块；
所述视频数据模块，用于接收由多个无人机采集的高速路段视频数据，对所述高速路段视频数据中存在的疑似拥堵路段进行识别并提取对应的拥堵视频数据；
所述拥堵位置模块，用于对所述拥堵视频数据中发生拥堵路况的起点位置和终点位置进行识别，根据所述起点位置和终点位置确定发生拥堵路况的具体拥堵路段；
所述车道位置模块，用于根据所述拥堵视频数据对所述具体拥堵路段中的车道数量进行识别，确定所述具体拥堵路段的车道数量，并确定造成拥堵的车道位置点；
所述网格划分模块，用于以所述车道位置点为起点，对所述具体拥堵路段进行网格化处理，将所述具体拥堵路段在纵向以所述车道数量进行划分、在横向以预设距离值进行划分，得到多个网格单元路段；
所述初始计算模块，用于在预设时间段中对每个所述网格单元路段的车辆数据进行统计，得到每个所述网格单元路段的车辆密度，根据每个车道上各个所述网格单元路段的所述车辆密度，分别确定每个车道的初始拥堵值；
所述实际计算模块，用于分别对每个车道在所述预设时间段中发生变道的车辆数量进行统计，得到每个车道的变道密度，根据所述变道密度对所述初始拥堵值进行调整，得到每个车道的实际拥堵值；
所述时间计算模块，用于分别根据每个车道上的非变道车辆和变道车辆在所述预设时间段中的通过所述具体拥堵路段的距离值，计算出每个车道上的非变道通过时间和变道通过时间，并根据所述非变道通过时间和变道通过时间计算出每个车道上的实际通过时间；
所述分析展示模块，用于将所述每个车道的实际拥堵值和所述实际通过时间进行关联，得到所述具体拥堵路段的拥堵分析结果并进行展示。
作为优选方案，所述视频数据模块具体用于：接收由多个无人机采集的高速路段视频数据，分别对所述高速路段视频数据以帧为单位进行图像分割，得到多个图像帧；对所述图像帧中的车辆特征进行识别，计算出总车辆面积对高速路段面积的比值，作为疑似拥堵值；将所述疑似拥堵值大于预设疑似阈值所对应的高速路段作为疑似拥堵路段，并分别在多个无人机采集的高速路段视频数据分割得到的图像帧中选择所述疑似拥堵路段所对应的图像帧集合；根据所述疑似拥堵路段对所述图像帧集合进行合并，得到整个疑似拥堵路段对应的拥堵视频数据。
作为优选方案，所述拥堵位置模块具体用于：在所述拥堵视频数据中，对记录所述疑似拥堵路段的起点和终点的起点图像帧和终点图像帧进行提取，分别确定采集所述起点图像帧和终点图像帧的第一目标无人机和第二目标无人机；确定所述第一目标无人机与所述起点图像帧中发生拥堵路况的头部车辆之间的第一距离值和第一角度，同时，通过通信寻呼与ETC设备进行通信，确定与所述第一目标无人机距离最近的第一目标ETC设备，并确定所述第一目标ETC设备与所述第一目标无人机之间的第二距离值和第二角度，根据所述第一目标ETC设备的经纬度位置、第一距离值、第一角度、第二距离值和第二角度，计算出发生拥堵路况的起点位置经纬度；确定所述第二目标无人机与所述终点图像帧中发生拥堵路况的尾部车辆之间的第三距离值和第三角度，同时，通过通信寻呼与ETC设备进行通信，确定与所述第二目标无人机距离最近的第二目标ETC设备，并确定所述第二目标ETC设备与所述第二目标无人机之间的第四距离值和第四角度，根据所述第二目标ETC设备的经纬度位置、第三距离值、第三角度、第四距离值和第四角度，计算出发生拥堵路况的终点位置经纬度；根据所述起点位置经纬度和所述终点位置经纬度，确定发生拥堵路况的具体拥堵路段。
作为优选方案，所述车道位置模块具体用于：对所述拥堵视频数据中的车道线特征进行识别，根据识别到的车道线确定所述具体拥堵路段的车道数量和每个车道位置；根据所述起点位置经纬度、所述车道数量和每个车道位置，分别对所述具体拥堵路段中每个车道的头部车辆赋予一个初始拥堵值；当所述头部车辆所在车道每发生一辆车变道到其他车道时，对所在车道对应的所述头部车辆的所述初始拥堵值进行加1；当所述头部车辆所在车道每发生一辆车从其他车道变道进入时，对所在车道对应的所述头部车辆的所述初始拥堵值进行减1；当确定所述头部车辆的初始拥堵值达到预设拥堵阈值时，确定所述头部车辆为造成拥堵的车道位置点。
作为优选方案，所述网格划分模块具体用于：根据所述具体拥堵路段的车道数量和每个车道位置，对所述具体拥堵路段在纵向进行划分为多个车道路段；根据预设距离值，以所述车道位置点为起点，分别对每个车道路段进行横向划分，得到多个网格单元路段。
作为优选方案，所述每个车道的初始拥堵值的计算公式为：
Figure BDA0004083865680000091
其中，Wi为第i条车道上的初始拥堵值，
Figure BDA0004083865680000092
为每个网格单元路段的车辆密度；Xij为不同车道上每个网格单元路段的车辆数量，i为车道，j为第i条车道上的网格单元路段；t为预设时间段，n为第i条车道上的网格单元路段数量；k1为常数。
作为优选方案，所述实际计算模块具体用于：分别对每个车道在所述预设时间段中发生变道的目标车辆进行识别，同时，确定所述目标车辆在变道前的上一车辆为目标前车；当确定所述目标车辆发生变道并在变道成功后，记录所述目标车辆超越所述目标前车的超车时间，当所述超车时间小于预设超车阈值时，确定所述目标车辆为发生变道的车辆频次；对每个车道在所述预设时间段中发生变道的车辆频次进行统计，得到发生变道的车辆数量，根据所述发生变道的车辆数量计算得到每个车道的变道密度；根据所述每个车道的变道密度和所述初始拥堵值，计算得到每个车道的实际拥堵值；其中，所述每个车道的实际拥堵值的计算公式为：
Figure BDA0004083865680000093
其中，Yi为第i条车道上的实际拥堵值，Wi为第i条车道上的初始拥堵值；
Figure BDA0004083865680000094
为第i条车道上的变道密度，hi为第i条车道上发生变道的车辆数量，t为预设时间段，k2为常数。
作为优选方案，所述时间计算模块具体用于：分别对每个车道上的非变道车辆和变道车辆进行标记；当目标车道上的所述非变道车辆和变道车辆在预设时间段内能够通过所述具体拥堵路段时，确定所述非变道车辆和变道车辆通过所述具体拥堵路段的时间，并根据通过所述具体拥堵路段的时间分别与所述非变道车辆和变道车辆通过的路段距离之间的比值，计算出第一非变道速率和第一变道速率；当目标车道上的所述非变道车辆和变道车辆在预设时间段内没有通过所述具体拥堵路段时，确定所述非变道车辆和变道车辆通过所述具体拥堵路段的路段距离，并根据所述预设时间段分别与所述非变道车辆和变道车辆通过的路段距离之间的比值，计算出第二非变道速率和第二变道速率；计算所述第一非变道速率和所述第二非变道速率的均值为非变道均值，并计算所述目标车道的总长度与所述非变道均值的比值，得到所述目标车道上的非变道通过时间；计算所述第一变道速率和所述第二变道速率的均值为变道均值，并计算所述目标车道的总长度与所述变道均值的比值，得到所述目标车道上的变道通过时间。
作为优选方案，所述每个车道上的实际通过时间的计算公式为：
Figure BDA0004083865680000101
其中，Ti0为第i条车道上的实际通过时间；Ti1为第i条车道上的非变道通过时间；Ti2为第i条车道上的变道通过时间；k3和k4均为常数。
本发明实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质包括存储的计算机程序；其中，所述计算机程序在运行时控制所述计算机可读存储介质所在的设备执行如上述任一项所述的基于AI视频智能分析的高速路段拥堵分析方法。
本发明实施例还提供了一种终端设备，包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序，所述处理器在执行所述计算机程序时实现如上述任一项所述的基于AI视频智能分析的高速路段拥堵分析方法。
相比于现有技术，本发明实施例具有如下有益效果：
本技术方案利用无人机采集的高速路段视频数据对发生拥堵路段的位置情况进行精准识别，通过在纵向对车道划分、在横向对预设距离值划分，将具体拥堵路段划分为多个网格单元路段，结合网格的车辆密度计算出初始拥堵值，并利用每个车道的变道密度来计算每个车道的实际拥堵值，从而得出每个车道上的实际通过时间，以解决现有高速路段无法对道路盲区的拥堵情况进行准确监测，并根据各个车道的拥堵情况进行准确分析的技术问题；实现对现有交通横杆无法监测到的道路盲区的拥堵情况进行准确监测，并根据各个车道的拥堵情况进行准确分析，为驾驶员提供精准的、有效的高速路段拥堵展示结果。
附图说明
图1：为本发明实施例提供的一种基于AI视频智能分析的高速路段拥堵分析方法的步骤流程图；
图2：为本发明实施例提供的一种基于AI视频智能分析的高速路段拥堵分析系统的结构示意图；
图3：为本发明实施例提供的终端设备的一种实施例的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，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，都属于本发明保护的范围。
实施例一
请参照图1，为本发明实施例提供的一种基于AI视频智能分析的高速路段拥堵分析方法的步骤流程图，包括步骤101至步骤108，各步骤具体如下：
步骤101，接收由多个无人机采集的高速路段视频数据，对所述高速路段视频数据中存在的疑似拥堵路段进行识别并提取对应的拥堵视频数据。
在本实施例中，所述步骤101具体包括：步骤1011，接收由多个无人机采集的高速路段视频数据，分别对所述高速路段视频数据以帧为单位进行图像分割，得到多个图像帧；步骤1012，对所述图像帧中的车辆特征进行识别，计算出总车辆面积对高速路段面积的比值，作为疑似拥堵值；步骤1013，将所述疑似拥堵值大于预设疑似阈值所对应的高速路段作为疑似拥堵路段，并分别在多个无人机采集的高速路段视频数据分割得到的图像帧中选择所述疑似拥堵路段所对应的图像帧集合；步骤1014，根据所述疑似拥堵路段对所述图像帧集合进行合并，得到整个疑似拥堵路段对应的拥堵视频数据。
具体地，通过无人机对高速路段进行巡视，实时采集到高速路段的视频信息然后回传到服务器进行分析处理。为了对高速路段的整体盲区进行整体把控，我们同时安排了多架无人机进行视频的采集，以保证拥堵路段的整体视频得以完整采集。因此，在进行高速路段视频数据处理的过程中，我们需要针对不同的多个无人机采集的高速路段视频进行合并，以得到完整的拥堵路段的视频数据。首先对不同无人机采集到的视频数据进行一帧帧的图像分割，得到图像帧。利用对车辆的特征识别，可以计算出车辆占高速路段面积的占比，这样可以间接得到疑似拥堵值，再结合不同无人机采集的视频数据的集合，我们可以得到关于该疑似拥堵路段的完整的拥堵视频数据。
步骤102，对所述拥堵视频数据中发生拥堵路况的起点位置和终点位置进行识别，根据所述起点位置和终点位置确定发生拥堵路况的具体拥堵路段。
在本实施例中，所述步骤102具体包括：步骤1021，在所述拥堵视频数据中，对记录所述疑似拥堵路段的起点和终点的起点图像帧和终点图像帧进行提取，分别确定采集所述起点图像帧和终点图像帧的第一目标无人机和第二目标无人机；步骤1022，确定所述第一目标无人机与所述起点图像帧中发生拥堵路况的头部车辆之间的第一距离值和第一角度，同时，通过通信寻呼与ETC设备进行通信，确定与所述第一目标无人机距离最近的第一目标ETC设备，并确定所述第一目标ETC设备与所述第一目标无人机之间的第二距离值和第二角度，根据所述第一目标ETC设备的经纬度位置、第一距离值、第一角度、第二距离值和第二角度，计算出发生拥堵路况的起点位置经纬度；步骤1023，确定所述第二目标无人机与所述终点图像帧中发生拥堵路况的尾部车辆之间的第三距离值和第三角度，同时，通过通信寻呼与ETC设备进行通信，确定与所述第二目标无人机距离最近的第二目标ETC设备，并确定所述第二目标ETC设备与所述第二目标无人机之间的第四距离值和第四角度，根据所述第二目标ETC设备的经纬度位置、第三距离值、第三角度、第四距离值和第四角度，计算出发生拥堵路况的终点位置经纬度；步骤1024，根据所述起点位置经纬度和所述终点位置经纬度，确定发生拥堵路况的具体拥堵路段。
具体地，由于通过车辆面积占比确定的拥堵路段只能为识别真正拥堵路段提供快速的识别通道，因此，我们还需要对具体拥堵路段进行进一步的精准识别。利用无人机与最近的ETC设备之间的通信交互，可以确定ETC设备与高空中的无人机之间的形成角度和距离，这样可以计算出ETC设备与无人机之间的水平距离，再通过无人机与拥堵路段的头部车辆之间的距离和形成角度，可以计算得到无人机与拥堵路段头部车辆的水平距离，这样通过无人机的位置对比，即可得到拥堵路段头部车辆与ETC设备的位置关系，由于ETC设备在安装时候就确定了经纬度信息，所以通过其位置关系就可以确定拥堵路段头部车辆的位置信息，确定其起点位置经纬度。同理，基于上述原理，可以计算得到终点位置经纬度。最后根据起点和终点的经纬度信息可以直接确定发生拥堵路况的具体拥堵路段。
步骤103，根据所述拥堵视频数据对所述具体拥堵路段中的车道数量进行识别，确定所述具体拥堵路段的车道数量，并确定造成拥堵的车道位置点。
在本实施例中，所述步骤103具体包括：步骤1031，对所述拥堵视频数据中的车道线特征进行识别，根据识别到的车道线确定所述具体拥堵路段的车道数量和每个车道位置；步骤1032，根据所述起点位置经纬度、所述车道数量和每个车道位置，分别对所述具体拥堵路段中每个车道的头部车辆赋予一个初始拥堵值；步骤1033，当所述头部车辆所在车道每发生一辆车变道到其他车道时，对所在车道对应的所述头部车辆的所述初始拥堵值进行加1；当所述头部车辆所在车道每发生一辆车从其他车道变道进入时，对所在车道对应的所述头部车辆的所述初始拥堵值进行减1；步骤1034，当确定所述头部车辆的初始拥堵值达到预设拥堵阈值时，确定所述头部车辆为造成拥堵的车道位置点。
具体地，在确定具体拥堵路段之后，我们需要进一步确定造成拥堵的车道位置点和车道数量。通过车道线的识别可以得到拥堵路段的车道数量和位置，利用起点位置经纬度，我们直接确定造成拥堵的起点所在，然后对造成的具体拥堵路段中每一个车道的头部车辆设定一个初始拥堵值，这个初始拥堵值会随着变道的车辆进行加1或减1，当正常行驶的车辆在发生故障的车辆后面跟车时，当发现前车行驶过慢或停止，此时会变道到其他车道进行行驶，所以我们需要对各个车道的变道情况进行统计，如果出现自身车道变道的，就在初始拥堵值上加1，如果是其他车道变道进入本车道的，则证明本车道较为畅通，所以对初始拥堵值进行减1。最后，当初始拥堵值达到预设拥堵阈值时，则可以证明该车道的头部车辆即为造成拥堵的车辆，将该头部车辆确定为车道位置点即可。
步骤104，以所述车道位置点为起点，对所述具体拥堵路段进行网格化处理，将所述具体拥堵路段在纵向以所述车道数量进行划分、在横向以预设距离值进行划分，得到多个网格单元路段。
在本实施例中，所述步骤104具体包括：步骤1041，根据所述具体拥堵路段的车道数量和每个车道位置，对所述具体拥堵路段在纵向进行划分为多个车道路段；步骤1042，根据预设距离值，以所述车道位置点为起点，分别对每个车道路段进行横向划分，得到多个网格单元路段。
具体地，在确定造成拥堵的车辆之后，为了进一步对各个车道的拥堵程度进行评价，我们需要对不同车道上不同位置的拥堵情况进行分类讨论，然后得出最为精准的拥堵评价结果。此时，我们需要在纵向和横向对具体拥堵路段进行网格划分处理。在纵向即为按车道划分，而横向即为距离值划分，这里的距离值可以根据实际情况进行变换和调整，此处不作限定。
步骤105，在预设时间段中对每个所述网格单元路段的车辆数据进行统计，得到每个所述网格单元路段的车辆密度，根据每个车道上各个所述网格单元路段的所述车辆密度，分别确定每个车道的初始拥堵值。
在本实施例中，所述每个车道的初始拥堵值的计算公式为：
Figure BDA0004083865680000151
其中，Wi为第i条车道上的初始拥堵值，
Figure BDA0004083865680000152
为每个网格单元路段的车辆密度；Xij为不同车道上每个网格单元路段的车辆数量，i为车道，j为第i条车道上的网格单元路段；t为预设时间段，n为第i条车道上的网格单元路段数量；k1为常数。
具体地，通过上述公式可以最为精准地计算出不同车道上的初始拥堵值，利用同一车道上不同距离的网格的拥堵情况进行叠加处理，然后利用权重值对车道的拥堵情况进行调整，通过研究表明可以准确地表达当前车道的拥堵情况，即为初始拥堵值。
步骤106，分别对每个车道在所述预设时间段中发生变道的车辆数量进行统计，得到每个车道的变道密度，根据所述变道密度对所述初始拥堵值进行调整，得到每个车道的实际拥堵值。
在本实施例中，所述步骤106具体包括：步骤1061，分别对每个车道在所述预设时间段中发生变道的目标车辆进行识别，同时，确定所述目标车辆在变道前的上一车辆为目标前车；步骤1062，当确定所述目标车辆发生变道并在变道成功后，记录所述目标车辆超越所述目标前车的超车时间，当所述超车时间小于预设超车阈值时，确定所述目标车辆为发生变道的车辆频次；步骤1063，对每个车道在所述预设时间段中发生变道的车辆频次进行统计，得到发生变道的车辆数量，根据所述发生变道的车辆数量计算得到每个车道的变道密度；步骤1064，根据所述每个车道的变道密度和所述初始拥堵值，计算得到每个车道的实际拥堵值。
具体地，在计算得到初始拥堵值之后，需要进一步优化拥堵情况才能得到真正的高速路段拥堵分析结果。我们需要结合变道情况进行分析，首先对在预设时间段发生变道的的车辆数量进行统计，可以计算出车道的变道密度，利用下面表达的公式，通过研究表明，可以最为准确地表达出变道密度与初始拥堵值之间的关系，来正确表达每个车道的实际拥堵情况，即实际拥堵值。
其中，所述每个车道的实际拥堵值的计算公式为：
Figure BDA0004083865680000161
其中，Yi为第i条车道上的实际拥堵值，Wi为第i条车道上的初始拥堵值；
Figure BDA0004083865680000162
为第i条车道上的变道密度，hi为第i条车道上发生变道的车辆数量，t为预设时间段，k2为常数。
步骤107，分别根据每个车道上的非变道车辆和变道车辆在所述预设时间段中的通过所述具体拥堵路段的距离值，计算出每个车道上的非变道通过时间和变道通过时间，并根据所述非变道通过时间和变道通过时间计算出每个车道上的实际通过时间。
具体地，在本步骤中主要是需要准确地计算出非变道车辆的通过时间和变道车辆的通过时间，通过这两个通过时间之间关系来准确地表达出不同车道的实际拥堵分析结果，解决现有技术中没有考虑变道，并且无法对不同车道进行分类评估的技术难题。在此过程中，我们需要解决两个方面，一是确定计算出非变道通过时间和变道通过时间，二是如何通过上述两个时间数据来确定每个车道上的实际通过时间。下面将展开仔细说明。
在本实施例的第一方面中，所述步骤107具体包括：步骤1071，分别对每个车道上的非变道车辆和变道车辆进行标记；步骤1072，当目标车道上的所述非变道车辆和变道车辆在预设时间段内能够通过所述具体拥堵路段时，确定所述非变道车辆和变道车辆通过所述具体拥堵路段的时间，并根据通过所述具体拥堵路段的时间分别与所述非变道车辆和变道车辆通过的路段距离之间的比值，计算出第一非变道速率和第一变道速率；步骤1073，当目标车道上的所述非变道车辆和变道车辆在预设时间段内没有通过所述具体拥堵路段时，确定所述非变道车辆和变道车辆通过所述具体拥堵路段的路段距离，并根据所述预设时间段分别与所述非变道车辆和变道车辆通过的路段距离之间的比值，计算出第二非变道速率和第二变道速率；步骤1074，计算所述第一非变道速率和所述第二非变道速率的均值为非变道均值，并计算所述目标车道的总长度与所述非变道均值的比值，得到所述目标车道上的非变道通过时间；步骤1075，计算所述第一变道速率和所述第二变道速率的均值为变道均值，并计算所述目标车道的总长度与所述变道均值的比值，得到所述目标车道上的变道通过时间。
具体地，首先对非变道车辆和变道车辆进行标记，利用图像帧集合中的数据可以识别到这些标记的车辆在后续通过具体拥堵路段的情况。这里涉及两个情况，一是有部分车辆在预设时间段内没有顺利通过该拥堵路段的；二是部分车辆通过该拥堵路段的时间是小于预设时间段的。所以我们需要对上述两个情况进行分类讨论，分别对两个情况造成的通过时间和实际距离进行比值计算，这样就可以准确地计算出不同的两个情况分别对应的实际通过速率，即非变道车辆对应两种情况的第一非变道速率和第二非变道速率；以及变道车辆对应两种情况的第一变道速率和第二变道速率。通过计算他们之间的均值，即可分别得到非变道车辆对应的非变道均值，以及变道车辆对应的变道均值。利用不同车道的总长度与上述计算出来的均值进行比值计算，即可得到非变道车辆在目标车道上的非变道通过时间，以及变道车辆在目标车道上的变道通过时间。
在本实施例的第二方面中，所述每个车道上的实际通过时间的计算公式为：
Figure BDA0004083865680000171
其中，Ti0为第i条车道上的实际通过时间；Ti1为第i条车道上的非变道通过时间；Ti2为第i条车道上的变道通过时间；k3和k4均为常数。
具体地，在计算出非变道车辆在目标车道上的非变道通过时间，以及变道车辆在目标车道上的变道通过时间之后，通过研究表明，利用上述计算公式可以最为准确地表达出每个车道上的实际通过时间，用于表达不同车道上的高速路段拥堵的分析结果。
步骤108，将所述每个车道的实际拥堵值和所述实际通过时间进行关联，得到所述具体拥堵路段的拥堵分析结果并进行展示。
具体地，最后我们将计算得到的实际拥堵值和实际通过时间来关联对该车道上的拥堵分析情况进行精准表达，通过不同车道的拥堵分析情况表达，可以让驾驶员清楚地知道现有交通横杆无法监测到的道路盲区的拥堵情况，进行选择正确的车道进行行驶。
本技术方案利用无人机采集的高速路段视频数据对发生拥堵路段的位置情况进行精准识别，通过在纵向对车道划分、在横向对预设距离值划分，将具体拥堵路段划分为多个网格单元路段，结合网格的车辆密度计算出初始拥堵值，并利用每个车道的变道密度来计算每个车道的实际拥堵值，从而得出每个车道上的实际通过时间，以解决现有高速路段无法对道路盲区的拥堵情况进行准确监测，并根据各个车道的拥堵情况进行准确分析的技术问题；实现对现有交通横杆无法监测到的道路盲区的拥堵情况进行准确监测，并根据各个车道的拥堵情况进行准确分析，为驾驶员提供精准的、有效的高速路段拥堵展示结果。
实施例二
请参照图2，为本发明另一实施例提供的一种基于AI视频智能分析的高速路段拥堵分析系统的结构示意图，包括：视频数据模块、拥堵位置模块、车道位置模块、网格划分模块、初始计算模块、实际计算模块、时间计算模块和分析展示模块。
所述视频数据模块，用于接收由多个无人机采集的高速路段视频数据，对所述高速路段视频数据中存在的疑似拥堵路段进行识别并提取对应的拥堵视频数据。
在本实施例中，所述视频数据模块具体用于：接收由多个无人机采集的高速路段视频数据，分别对所述高速路段视频数据以帧为单位进行图像分割，得到多个图像帧；对所述图像帧中的车辆特征进行识别，计算出总车辆面积对高速路段面积的比值，作为疑似拥堵值；将所述疑似拥堵值大于预设疑似阈值所对应的高速路段作为疑似拥堵路段，并分别在多个无人机采集的高速路段视频数据分割得到的图像帧中选择所述疑似拥堵路段所对应的图像帧集合；根据所述疑似拥堵路段对所述图像帧集合进行合并，得到整个疑似拥堵路段对应的拥堵视频数据。
所述拥堵位置模块，用于对所述拥堵视频数据中发生拥堵路况的起点位置和终点位置进行识别，根据所述起点位置和终点位置确定发生拥堵路况的具体拥堵路段。
在本实施例中，所述拥堵位置模块具体用于：在所述拥堵视频数据中，对记录所述疑似拥堵路段的起点和终点的起点图像帧和终点图像帧进行提取，分别确定采集所述起点图像帧和终点图像帧的第一目标无人机和第二目标无人机；确定所述第一目标无人机与所述起点图像帧中发生拥堵路况的头部车辆之间的第一距离值和第一角度，同时，通过通信寻呼与ETC设备进行通信，确定与所述第一目标无人机距离最近的第一目标ETC设备，并确定所述第一目标ETC设备与所述第一目标无人机之间的第二距离值和第二角度，根据所述第一目标ETC设备的经纬度位置、第一距离值、第一角度、第二距离值和第二角度，计算出发生拥堵路况的起点位置经纬度；确定所述第二目标无人机与所述终点图像帧中发生拥堵路况的尾部车辆之间的第三距离值和第三角度，同时，通过通信寻呼与ETC设备进行通信，确定与所述第二目标无人机距离最近的第二目标ETC设备，并确定所述第二目标ETC设备与所述第二目标无人机之间的第四距离值和第四角度，根据所述第二目标ETC设备的经纬度位置、第三距离值、第三角度、第四距离值和第四角度，计算出发生拥堵路况的终点位置经纬度；根据所述起点位置经纬度和所述终点位置经纬度，确定发生拥堵路况的具体拥堵路段。
所述车道位置模块，用于根据所述拥堵视频数据对所述具体拥堵路段中的车道数量进行识别，确定所述具体拥堵路段的车道数量，并确定造成拥堵的车道位置点。
在本实施例中，所述车道位置模块具体用于：对所述拥堵视频数据中的车道线特征进行识别，根据识别到的车道线确定所述具体拥堵路段的车道数量和每个车道位置；根据所述起点位置经纬度、所述车道数量和每个车道位置，分别对所述具体拥堵路段中每个车道的头部车辆赋予一个初始拥堵值；当所述头部车辆所在车道每发生一辆车变道到其他车道时，对所在车道对应的所述头部车辆的所述初始拥堵值进行加1；当所述头部车辆所在车道每发生一辆车从其他车道变道进入时，对所在车道对应的所述头部车辆的所述初始拥堵值进行减1；当确定所述头部车辆的初始拥堵值达到预设拥堵阈值时，确定所述头部车辆为造成拥堵的车道位置点。
所述网格划分模块，用于以所述车道位置点为起点，对所述具体拥堵路段进行网格化处理，将所述具体拥堵路段在纵向以所述车道数量进行划分、在横向以预设距离值进行划分，得到多个网格单元路段。
在本实施例中，所述网格划分模块具体用于：根据所述具体拥堵路段的车道数量和每个车道位置，对所述具体拥堵路段在纵向进行划分为多个车道路段；根据预设距离值，以所述车道位置点为起点，分别对每个车道路段进行横向划分，得到多个网格单元路段。
所述初始计算模块，用于在预设时间段中对每个所述网格单元路段的车辆数据进行统计，得到每个所述网格单元路段的车辆密度，根据每个车道上各个所述网格单元路段的所述车辆密度，分别确定每个车道的初始拥堵值。
在本实施例中，所述每个车道的初始拥堵值的计算公式为：
Figure BDA0004083865680000201
其中，Wi为第i条车道上的初始拥堵值，
Figure BDA0004083865680000202
为每个网格单元路段的车辆密度；Xij为不同车道上每个网格单元路段的车辆数量，i为车道，j为第i条车道上的网格单元路段；t为预设时间段，n为第i条车道上的网格单元路段数量；k1为常数。
所述实际计算模块，用于分别对每个车道在所述预设时间段中发生变道的车辆数量进行统计，得到每个车道的变道密度，根据所述变道密度对所述初始拥堵值进行调整，得到每个车道的实际拥堵值。
在本实施例中，所述实际计算模块具体用于：分别对每个车道在所述预设时间段中发生变道的目标车辆进行识别，同时，确定所述目标车辆在变道前的上一车辆为目标前车；当确定所述目标车辆发生变道并在变道成功后，记录所述目标车辆超越所述目标前车的超车时间，当所述超车时间小于预设超车阈值时，确定所述目标车辆为发生变道的车辆频次；对每个车道在所述预设时间段中发生变道的车辆频次进行统计，得到发生变道的车辆数量，根据所述发生变道的车辆数量计算得到每个车道的变道密度；根据所述每个车道的变道密度和所述初始拥堵值，计算得到每个车道的实际拥堵值；其中，所述每个车道的实际拥堵值的计算公式为：
Figure BDA0004083865680000211
其中，Yi为第i条车道上的实际拥堵值，Wi为第i条车道上的初始拥堵值；
Figure BDA0004083865680000212
为第i条车道上的变道密度，hi为第i条车道上发生变道的车辆数量，t为预设时间段，k2为常数。
所述时间计算模块，用于分别根据每个车道上的非变道车辆和变道车辆在所述预设时间段中的通过所述具体拥堵路段的距离值，计算出每个车道上的非变道通过时间和变道通过时间，并根据所述非变道通过时间和变道通过时间计算出每个车道上的实际通过时间。
在本实施例的第一方面中，所述时间计算模块具体用于：分别对每个车道上的非变道车辆和变道车辆进行标记；当目标车道上的所述非变道车辆和变道车辆在预设时间段内能够通过所述具体拥堵路段时，确定所述非变道车辆和变道车辆通过所述具体拥堵路段的时间，并根据通过所述具体拥堵路段的时间分别与所述非变道车辆和变道车辆通过的路段距离之间的比值，计算出第一非变道速率和第一变道速率；当目标车道上的所述非变道车辆和变道车辆在预设时间段内没有通过所述具体拥堵路段时，确定所述非变道车辆和变道车辆通过所述具体拥堵路段的路段距离，并根据所述预设时间段分别与所述非变道车辆和变道车辆通过的路段距离之间的比值，计算出第二非变道速率和第二变道速率；计算所述第一非变道速率和所述第二非变道速率的均值为非变道均值，并计算所述目标车道的总长度与所述非变道均值的比值，得到所述目标车道上的非变道通过时间；计算所述第一变道速率和所述第二变道速率的均值为变道均值，并计算所述目标车道的总长度与所述变道均值的比值，得到所述目标车道上的变道通过时间。
在本实施例的第二方面中，所述每个车道上的实际通过时间的计算公式为：
Figure BDA0004083865680000221
其中，Ti0为第i条车道上的实际通过时间；Ti1为第i条车道上的非变道通过时间；Ti2为第i条车道上的变道通过时间；k3和k4均为常数。
所述分析展示模块，用于将所述每个车道的实际拥堵值和所述实际通过时间进行关联，得到所述具体拥堵路段的拥堵分析结果并进行展示。
实施例三
本发明实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质包括存储的计算机程序；其中，所述计算机程序在运行时控制所述计算机可读存储介质所在的设备执行上述任一实施例所述的基于AI视频智能分析的高速路段拥堵分析方法。
实施例四
请参照图3，是本发明实施例提供的终端设备的一种实施例的结构示意图，所述终端设备包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序，所述处理器在执行所述计算机程序时实现上述任一实施例所述的基于AI视频智能分析的高速路段拥堵分析方法。优选地，所述计算机程序可以被分割成一个或多个模块/单元(如计算机程序、计算机程序)，所述一个或者多个模块/单元被存储在所述存储器中，并由所述处理器执行，以完成本发明。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述所述计算机程序在所述终端设备中的执行过程。
所述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，或者所述处理器也可以是任何常规的处理器，所述处理器是所述终端设备的控制中心，利用各种接口和线路连接所述终端设备的各个部分。
所述存储器主要包括程序存储区和数据存储区，其中，程序存储区可存储操作系统、至少一个功能所需的应用程序等，数据存储区可存储相关数据等。此外，所述存储器可以是高速随机存取存储器，还可以是非易失性存储器，例如插接式硬盘，智能存储卡(SmartMedia Card，SMC)、安全数字(Secure Digital，SD)卡和闪存卡(Flash Card)等，或所述存储器也可以是其他易失性固态存储器件。
需要说明的是，上述终端设备可包括，但不仅限于，处理器、存储器，本领域技术人员可以理解，上述终端设备仅仅是示例，并不构成对终端设备的限定，可以包括更多或更少的部件，或者组合某些部件，或者不同的部件。
以上所述的具体实施例，对本发明的目的、技术方案和有益效果进行了进一步的详细说明，应当理解，以上所述仅为本发明的具体实施例而已，并不用于限定本发明的保护范围。特别指出，对于本领域技术人员来说，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种基于AI视频智能分析的高速路段拥堵分析方法，其特征在于，包括：
接收由多个无人机采集的高速路段视频数据，对所述高速路段视频数据中存在的疑似拥堵路段进行识别并提取对应的拥堵视频数据；
对所述拥堵视频数据中发生拥堵路况的起点位置和终点位置进行识别，根据所述起点位置和终点位置确定发生拥堵路况的具体拥堵路段；
根据所述拥堵视频数据对所述具体拥堵路段中的车道数量进行识别，确定所述具体拥堵路段的车道数量，并确定造成拥堵的车道位置点；
以所述车道位置点为起点，对所述具体拥堵路段进行网格化处理，将所述具体拥堵路段在纵向以所述车道数量进行划分、在横向以预设距离值进行划分，得到多个网格单元路段；
在预设时间段中对每个所述网格单元路段的车辆数据进行统计，得到每个所述网格单元路段的车辆密度，根据每个车道上各个所述网格单元路段的所述车辆密度，分别确定每个车道的初始拥堵值；
分别对每个车道在所述预设时间段中发生变道的车辆数量进行统计，得到每个车道的变道密度，根据所述变道密度对所述初始拥堵值进行调整，得到每个车道的实际拥堵值；
分别根据每个车道上的非变道车辆和变道车辆在所述预设时间段中的通过所述具体拥堵路段的距离值，计算出每个车道上的非变道通过时间和变道通过时间，并根据所述非变道通过时间和变道通过时间计算出每个车道上的实际通过时间；
将所述每个车道的实际拥堵值和所述实际通过时间进行关联，得到所述具体拥堵路段的拥堵分析结果并进行展示。
2.如权利要求1所述的基于AI视频智能分析的高速路段拥堵分析方法，其特征在于，所述接收由多个无人机采集的高速路段视频数据，对所述高速路段视频数据中存在的疑似拥堵路段进行识别并提取对应的拥堵视频数据的步骤中，具体包括：
接收由多个无人机采集的高速路段视频数据，分别对所述高速路段视频数据以帧为单位进行图像分割，得到多个图像帧；
对所述图像帧中的车辆特征进行识别，计算出总车辆面积对高速路段面积的比值，作为疑似拥堵值；
将所述疑似拥堵值大于预设疑似阈值所对应的高速路段作为疑似拥堵路段，并分别在多个无人机采集的高速路段视频数据分割得到的图像帧中选择所述疑似拥堵路段所对应的图像帧集合；
根据所述疑似拥堵路段对所述图像帧集合进行合并，得到整个疑似拥堵路段对应的拥堵视频数据。
3.如权利要求2所述的基于AI视频智能分析的高速路段拥堵分析方法，其特征在于，所述对所述拥堵视频数据中发生拥堵路况的起点位置和终点位置进行识别，根据所述起点位置和终点位置确定发生拥堵路况的具体拥堵路段的步骤中，具体包括：
在所述拥堵视频数据中，对记录所述疑似拥堵路段的起点和终点的起点图像帧和终点图像帧进行提取，分别确定采集所述起点图像帧和终点图像帧的第一目标无人机和第二目标无人机；
确定所述第一目标无人机与所述起点图像帧中发生拥堵路况的头部车辆之间的第一距离值和第一角度，同时，通过通信寻呼与ETC设备进行通信，确定与所述第一目标无人机距离最近的第一目标ETC设备，并确定所述第一目标ETC设备与所述第一目标无人机之间的第二距离值和第二角度，根据所述第一目标ETC设备的经纬度位置、第一距离值、第一角度、第二距离值和第二角度，计算出发生拥堵路况的起点位置经纬度；
确定所述第二目标无人机与所述终点图像帧中发生拥堵路况的尾部车辆之间的第三距离值和第三角度，同时，通过通信寻呼与ETC设备进行通信，确定与所述第二目标无人机距离最近的第二目标ETC设备，并确定所述第二目标ETC设备与所述第二目标无人机之间的第四距离值和第四角度，根据所述第二目标ETC设备的经纬度位置、第三距离值、第三角度、第四距离值和第四角度，计算出发生拥堵路况的终点位置经纬度；
根据所述起点位置经纬度和所述终点位置经纬度，确定发生拥堵路况的具体拥堵路段。
4.如权利要求3所述的基于AI视频智能分析的高速路段拥堵分析方法，其特征在于，所述根据所述拥堵视频数据对所述具体拥堵路段中的车道数量进行识别，确定所述具体拥堵路段的车道数量，并确定造成拥堵的车道位置点的步骤中，具体包括：
对所述拥堵视频数据中的车道线特征进行识别，根据识别到的车道线确定所述具体拥堵路段的车道数量和每个车道位置；
根据所述起点位置经纬度、所述车道数量和每个车道位置，分别对所述具体拥堵路段中每个车道的头部车辆赋予一个初始拥堵值；
当所述头部车辆所在车道每发生一辆车变道到其他车道时，对所在车道对应的所述头部车辆的所述初始拥堵值进行加1；当所述头部车辆所在车道每发生一辆车从其他车道变道进入时，对所在车道对应的所述头部车辆的所述初始拥堵值进行减1；
当确定所述头部车辆的初始拥堵值达到预设拥堵阈值时，确定所述头部车辆为造成拥堵的车道位置点。
5.如权利要求4所述的基于AI视频智能分析的高速路段拥堵分析方法，其特征在于，所述以所述车道位置点为起点，对所述具体拥堵路段进行网格化处理，将所述具体拥堵路段在纵向以所述车道数量进行划分、在横向以预设距离值进行划分，得到多个网格单元路段的步骤中，具体包括：
根据所述具体拥堵路段的车道数量和每个车道位置，对所述具体拥堵路段在纵向进行划分为多个车道路段；
根据预设距离值，以所述车道位置点为起点，分别对每个车道路段进行横向划分，得到多个网格单元路段。
6.如权利要求1所述的基于AI视频智能分析的高速路段拥堵分析方法，其特征在于，所述每个车道的初始拥堵值的计算公式为：
Figure FDA0004083865660000041
其中，Wi为第i条车道上的初始拥堵值，
Figure FDA0004083865660000042
为每个网格单元路段的车辆密度；Xij为不同车道上每个网格单元路段的车辆数量，i为车道，j为第i条车道上的网格单元路段；t为预设时间段，n为第i条车道上的网格单元路段数量；k1为常数。
7.如权利要求6所述的基于AI视频智能分析的高速路段拥堵分析方法，其特征在于，所述分别对每个车道在所述预设时间段中发生变道的车辆数量进行统计，得到每个车道的变道密度，根据所述变道密度对所述初始拥堵值进行调整，得到每个车道的实际拥堵值的步骤中，具体包括：
分别对每个车道在所述预设时间段中发生变道的目标车辆进行识别，同时，确定所述目标车辆在变道前的上一车辆为目标前车；
当确定所述目标车辆发生变道并在变道成功后，记录所述目标车辆超越所述目标前车的超车时间，当所述超车时间小于预设超车阈值时，确定所述目标车辆为发生变道的车辆频次；
对每个车道在所述预设时间段中发生变道的车辆频次进行统计，得到发生变道的车辆数量，根据所述发生变道的车辆数量计算得到每个车道的变道密度；
根据所述每个车道的变道密度和所述初始拥堵值，计算得到每个车道的实际拥堵值；其中，所述每个车道的实际拥堵值的计算公式为：
Figure FDA0004083865660000051
其中，Yi为第i条车道上的实际拥堵值，Wi为第i条车道上的初始拥堵值；
Figure FDA0004083865660000052
为第i条车道上的变道密度，hi为第i条车道上发生变道的车辆数量，t为预设时间段，k2为常数。
8.一种基于AI视频智能分析的高速路段拥堵分析系统，其特征在于，包括：视频数据模块、拥堵位置模块、车道位置模块、网格划分模块、初始计算模块、实际计算模块、时间计算模块和分析展示模块；
所述视频数据模块，用于接收由多个无人机采集的高速路段视频数据，对所述高速路段视频数据中存在的疑似拥堵路段进行识别并提取对应的拥堵视频数据；
所述拥堵位置模块，用于对所述拥堵视频数据中发生拥堵路况的起点位置和终点位置进行识别，根据所述起点位置和终点位置确定发生拥堵路况的具体拥堵路段；
所述车道位置模块，用于根据所述拥堵视频数据对所述具体拥堵路段中的车道数量进行识别，确定所述具体拥堵路段的车道数量，并确定造成拥堵的车道位置点；
所述网格划分模块，用于以所述车道位置点为起点，对所述具体拥堵路段进行网格化处理，将所述具体拥堵路段在纵向以所述车道数量进行划分、在横向以预设距离值进行划分，得到多个网格单元路段；
所述初始计算模块，用于在预设时间段中对每个所述网格单元路段的车辆数据进行统计，得到每个所述网格单元路段的车辆密度，根据每个车道上各个所述网格单元路段的所述车辆密度，分别确定每个车道的初始拥堵值；
所述实际计算模块，用于分别对每个车道在所述预设时间段中发生变道的车辆数量进行统计，得到每个车道的变道密度，根据所述变道密度对所述初始拥堵值进行调整，得到每个车道的实际拥堵值；
所述时间计算模块，用于分别根据每个车道上的非变道车辆和变道车辆在所述预设时间段中的通过所述具体拥堵路段的距离值，计算出每个车道上的非变道通过时间和变道通过时间，并根据所述非变道通过时间和变道通过时间计算出每个车道上的实际通过时间；
所述分析展示模块，用于将所述每个车道的实际拥堵值和所述实际通过时间进行关联，得到所述具体拥堵路段的拥堵分析结果并进行展示。
9.一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包括存储的计算机程序；其中，所述计算机程序在运行时控制所述计算机可读存储介质所在的设备执行如权利要求1-7中任一项所述的基于AI视频智能分析的高速路段拥堵分析方法。
10.一种终端设备，其特征在于，包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序，所述处理器在执行所述计算机程序时实现如权利要求1-7中任一项所述的基于AI视频智能分析的高速路段拥堵分析方法。
CN202310131099.8A 2023-02-17 2023-02-17 一种基于ai视频智能分析的高速路段拥堵分析方法及系统 Active CN116311913B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310131099.8A CN116311913B (zh) 2023-02-17 2023-02-17 一种基于ai视频智能分析的高速路段拥堵分析方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310131099.8A CN116311913B (zh) 2023-02-17 2023-02-17 一种基于ai视频智能分析的高速路段拥堵分析方法及系统

Publications (2)

Publication Number Publication Date
CN116311913A true CN116311913A (zh) 2023-06-23
CN116311913B CN116311913B (zh) 2024-01-12

Family

ID=86821432

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310131099.8A Active CN116311913B (zh) 2023-02-17 2023-02-17 一种基于ai视频智能分析的高速路段拥堵分析方法及系统

Country Status (1)

Country Link
CN (1) CN116311913B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116824888A (zh) * 2023-08-30 2023-09-29 深圳市智慧城市科技发展集团有限公司 交通信号同步方法、设备和可读存储介质

Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH10134295A (ja) * 1996-10-25 1998-05-22 Inform Inst Fuer Operations Res & Manag Gmbh 道路交通状況における渋滞識別方法
CN101923777A (zh) * 2009-06-12 2010-12-22 深圳市融创天下科技发展有限公司 一种通过电子眼视频自动判断交通拥堵等级的方法
CN106408975A (zh) * 2016-06-17 2017-02-15 京东方科技集团股份有限公司 车辆行驶预测方法、装置和车载智能系统
CN107301369A (zh) * 2017-09-04 2017-10-27 南京航空航天大学 基于航拍图像的道路交通拥堵分析方法
CN107742418A (zh) * 2017-09-29 2018-02-27 东南大学 一种城市快速路交通拥堵状态及堵点位置自动识别方法
CN108364467A (zh) * 2018-02-12 2018-08-03 北京工业大学 一种基于改进型决策树算法的路况信息预测方法
CN109087515A (zh) * 2018-08-30 2018-12-25 深圳市研本品牌设计有限公司 无人机高速路路况巡航方法及系统
CN111898501A (zh) * 2020-07-17 2020-11-06 东南大学 一种针对拥堵路段的无人机在线航拍车辆识别及统计方法
CN112712697A (zh) * 2020-12-30 2021-04-27 上海智能交通有限公司 面向车路协同应用的车道级交通状态判别方法及系统
CN113299086A (zh) * 2021-04-27 2021-08-24 淮阴工学院 一种智能车道导引系统及其控制方法
CN113781773A (zh) * 2021-08-17 2021-12-10 中山大学 一种交通运行评估方法、装置、系统及电子设备
US20220254162A1 (en) * 2021-02-10 2022-08-11 Umm Al-Qura University Deep learning framework for congestion detection and prediction in human crowds
CN115187932A (zh) * 2022-05-12 2022-10-14 安徽超清科技股份有限公司 一种基于人工智能的道路拥堵分析系统

Patent Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH10134295A (ja) * 1996-10-25 1998-05-22 Inform Inst Fuer Operations Res & Manag Gmbh 道路交通状況における渋滞識別方法
CN101923777A (zh) * 2009-06-12 2010-12-22 深圳市融创天下科技发展有限公司 一种通过电子眼视频自动判断交通拥堵等级的方法
CN106408975A (zh) * 2016-06-17 2017-02-15 京东方科技集团股份有限公司 车辆行驶预测方法、装置和车载智能系统
CN107301369A (zh) * 2017-09-04 2017-10-27 南京航空航天大学 基于航拍图像的道路交通拥堵分析方法
CN107742418A (zh) * 2017-09-29 2018-02-27 东南大学 一种城市快速路交通拥堵状态及堵点位置自动识别方法
CN108364467A (zh) * 2018-02-12 2018-08-03 北京工业大学 一种基于改进型决策树算法的路况信息预测方法
CN109087515A (zh) * 2018-08-30 2018-12-25 深圳市研本品牌设计有限公司 无人机高速路路况巡航方法及系统
CN111898501A (zh) * 2020-07-17 2020-11-06 东南大学 一种针对拥堵路段的无人机在线航拍车辆识别及统计方法
CN112712697A (zh) * 2020-12-30 2021-04-27 上海智能交通有限公司 面向车路协同应用的车道级交通状态判别方法及系统
US20220254162A1 (en) * 2021-02-10 2022-08-11 Umm Al-Qura University Deep learning framework for congestion detection and prediction in human crowds
CN113299086A (zh) * 2021-04-27 2021-08-24 淮阴工学院 一种智能车道导引系统及其控制方法
CN113781773A (zh) * 2021-08-17 2021-12-10 中山大学 一种交通运行评估方法、装置、系统及电子设备
CN115187932A (zh) * 2022-05-12 2022-10-14 安徽超清科技股份有限公司 一种基于人工智能的道路拥堵分析系统

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
储峰;饶志鹏;陈巧巧;: "重庆大庆村立交的交通拥堵分析与改善", 公路与汽运, no. 04 *
马怀志;: "一种基于视频分析的多车道车流量检测方法", 福建电脑, no. 01 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116824888A (zh) * 2023-08-30 2023-09-29 深圳市智慧城市科技发展集团有限公司 交通信号同步方法、设备和可读存储介质
CN116824888B (zh) * 2023-08-30 2024-02-13 深圳市智慧城市科技发展集团有限公司 交通信号同步方法、设备和可读存储介质

Also Published As

Publication number Publication date
CN116311913B (zh) 2024-01-12

Similar Documents

Publication Publication Date Title
US11380105B2 (en) Identification and classification of traffic conflicts
Liu et al. Empirical observations of dynamic dilemma zones at signalized intersections
CN106355884B (zh) 一种基于车型分类的高速公路车辆引导系统及方法
CN116311913B (zh) 一种基于ai视频智能分析的高速路段拥堵分析方法及系统
CN113763740A (zh) 一种大数据交通导引系统及导引方法
CN113127466B (zh) 一种车辆轨迹数据预处理方法及计算机存储介质
CN115618932A (zh) 基于网联自动驾驶的交通事件预测方法、装置及电子设备
CN102867415A (zh) 基于视频检测技术的道路拥堵判别方法
CN110733507A (zh) 车道变换及道路隔离方法、装置、设备及存储介质
EP2913239A1 (en) Method and unit for managing following space
CN114898578B (zh) 一种高速公路的车辆引导方法、装置及系统
CN114973659A (zh) 一种高速公路的间接事件检测的方法、装置及系统
CN109410584B (zh) 一种路况检测方法及装置
CN112133116B (zh) 一种基于交通预测的车道管控系统
Louah et al. Traffic operations at an entrance ramp of a suburban freeway first results
US9047495B2 (en) Identifying impact of a traffic incident on a road network
CN114547403B (zh) 变道场景采集方法、装置、设备及存储介质
CN115240432A (zh) 交通拥堵检测方法、装置及电子设备、存储介质
JP7276276B2 (ja) 危険運転検出装置、危険運転検出システム、及び危険運転検出プログラム
Knoop et al. Processing traffic data collected by remote sensing
CN112464749A (zh) 一种基于规则与学习的交通场景异常目标检测方法
CN112509341A (zh) 一种基于高位视频分析交通冲突的信号控制装置及方法
Davis et al. Moving array traffic probes
CN114120625B (zh) 车辆信息集成系统、方法和存储介质
Arai et al. Method for traffic flow estimation using on-dashboard camera image

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