CN117275236B - 基于多目标识别的交通拥堵管理方法及系统 - Google Patents

基于多目标识别的交通拥堵管理方法及系统 Download PDF

Info

Publication number
CN117275236B
CN117275236B CN202311310191.7A CN202311310191A CN117275236B CN 117275236 B CN117275236 B CN 117275236B CN 202311310191 A CN202311310191 A CN 202311310191A CN 117275236 B CN117275236 B CN 117275236B
Authority
CN
China
Prior art keywords
vehicle
monitoring
congestion
groups
induction
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.)
Active
Application number
CN202311310191.7A
Other languages
English (en)
Other versions
CN117275236A (zh
Inventor
王韩麒
范新科
牛鑫
方源
范潇莹
邢海锋
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.)
Ningbo Ninggong Traffic Engineering Design Consulting Co ltd
Original Assignee
Ningbo Ninggong Traffic Engineering Design Consulting 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 Ningbo Ninggong Traffic Engineering Design Consulting Co ltd filed Critical Ningbo Ninggong Traffic Engineering Design Consulting Co ltd
Priority to CN202311310191.7A priority Critical patent/CN117275236B/zh
Publication of CN117275236A publication Critical patent/CN117275236A/zh
Application granted granted Critical
Publication of CN117275236B publication Critical patent/CN117275236B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/0499—Feedforward networks
    • 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
    • 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
    • G08G1/0108—Measuring and analyzing of parameters relative to traffic conditions based on the source of data
    • 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
    • G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
    • G08G1/0137—Measuring and analyzing of parameters relative to traffic conditions for specific applications
    • G08G1/0145—Measuring and analyzing of parameters relative to traffic conditions for specific applications for active traffic flow control
    • 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
    • G08G1/015—Detecting movement of traffic to be counted or controlled with provision for distinguishing between two or more types of vehicles, e.g. between motor-cars and cycles
    • 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
    • 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
    • G08G1/052—Detecting movement of traffic to be counted or controlled with provision for determining speed or overspeed
    • 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
    • G08G1/056—Detecting movement of traffic to be counted or controlled with provision for distinguishing direction of travel
    • 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)
  • Engineering & Computer Science (AREA)
  • Analytical Chemistry (AREA)
  • Theoretical Computer Science (AREA)
  • Chemical & Material Sciences (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明公开了基于多目标识别的交通拥堵管理方法及系统，涉及数据处理技术领域，该方法包括：调用交通拥堵监测区域的目标区域监控视频，进行多目标识别，获取K组拥堵诱发监测数据，将其同步至幽灵拥堵识别子网络，生成备选拥堵诱发车辆集；根据K组车辆行驶轨迹信息进行车辆间距特征提取，获得K组车前间距特征序列，进行备选拥堵诱发车辆集的信息验证，获得目标拥堵诱发车辆，生成交通拥堵提醒指令。本发明解决了现有技术中采用事后干预的方法处理道路交通拥堵事件的过程耗时较长，影响正常道路交通安全的技术问题，达到了通过对交通拥堵事件进行预测和提前干预，避免幽灵堵车事件的发生，提高道路交通安全的技术效果。

Description

基于多目标识别的交通拥堵管理方法及系统
技术领域
本发明涉及数据处理技术领域，具体涉及基于多目标识别的交通拥堵管理方法及系统。
背景技术
由于城市人口和汽车数量持续增加，导致道路交通拥堵现象越发明显，成为城市交通管理中最为严重的问题之一，不仅影响了市民的出行效率，也影响了城市的生产、经济和社会发展，但目前对道路交通拥堵现象的处理多依赖于事后干预处理，导致处理不及时，造成连锁反应，影响道路交通安全。
发明内容
本申请提供了基于多目标识别的交通拥堵管理方法及系统，用于解决现有技术中采用事后干预的方法处理道路交通拥堵事件的过程耗时较长，影响正常道路交通安全的技术问题。
本申请的第一个方面，提供了基于多目标识别的交通拥堵管理方法，所述方法包括：预划分交通拥堵监测区域，其中，所述交通拥堵监测区域中存在K辆拥堵诱发监测车辆，K为正整数；交互调用所述交通拥堵监测区域的目标区域监控视频；获取K组拥堵诱发监测数据，其中，每组拥堵诱发监测数据包括车辆行驶速度序列、车辆行驶方向序列和车辆行驶轨迹信息，所述K组拥堵诱发监测数据通过对所述目标区域监控视频进行多目标识别获得；将所述K组拥堵诱发监测数据同步至幽灵拥堵识别子网络，以生成备选拥堵诱发车辆集；根据K组车辆行驶轨迹信息进行车辆间距特征提取，获得K组车前间距特征序列，其中，基于所述K组拥堵诱发监测数据调用获得K组所述车辆行驶轨迹信息；基于所述K组车辆间距特征序列进行所述备选拥堵诱发车辆集的信息验证，获得目标拥堵诱发车辆；生成交通拥堵提醒指令，其中，所述交通拥堵提醒指令根据所述目标拥堵诱发车辆生成。
本申请的第二个方面，提供了基于多目标识别的交通拥堵管理系统，所述系统包括：交通拥堵监测区域划分模块，所述交通拥堵监测区域划分模块用于预划分交通拥堵监测区域，其中，所述交通拥堵监测区域中存在K辆拥堵诱发监测车辆，K为正整数；目标区域监控视频调用模块，所述目标区域监控视频调用模块用于交互调用所述交通拥堵监测区域的目标区域监控视频；拥堵诱发监测数据获取模块，所述拥堵诱发监测数据获取模块用于获取K组拥堵诱发监测数据，其中，每组拥堵诱发监测数据包括车辆行驶速度序列、车辆行驶方向序列和车辆行驶轨迹信息，所述K组拥堵诱发监测数据通过对所述目标区域监控视频进行多目标识别获得；备选拥堵诱发车辆集生成模块，所述备选拥堵诱发车辆集生成模块用于将所述K组拥堵诱发监测数据同步至幽灵拥堵识别子网络，以生成备选拥堵诱发车辆集；车前间距特征序列获取模块，所述车前间距特征序列获取模块用于根据K组车辆行驶轨迹信息进行车辆间距特征提取，获得K组车前间距特征序列，其中，基于所述K组拥堵诱发监测数据调用获得K组所述车辆行驶轨迹信息；目标拥堵诱发车辆识别模块，所述目标拥堵诱发车辆识别模块用于基于所述K组车辆间距特征序列进行所述备选拥堵诱发车辆集的信息验证，获得目标拥堵诱发车辆；交通拥堵提醒指令生成模块，所述交通拥堵提醒指令生成模块用于生成交通拥堵提醒指令，其中，所述交通拥堵提醒指令根据所述目标拥堵诱发车辆生成。
本申请中提供的一个或多个技术方案，至少具有如下技术效果或优点：
本申请提供的基于多目标识别的交通拥堵管理方法，涉及数据处理技术领域，通过调用交通拥堵监测区域的目标区域监控视频，进行多目标识别，获取K组拥堵诱发监测数据，将其同步至幽灵拥堵识别子网络，生成备选拥堵诱发车辆集；根据K组车辆行驶轨迹信息进行车辆间距特征提取，获得K组车前间距特征序列，进行备选拥堵诱发车辆集的信息验证，获得目标拥堵诱发车辆，生成交通拥堵提醒指令，解决了现有技术中往往基于事后干预进行道路交通拥堵事件的解决，导致实际道路交通拥堵事件的耗时较长，对于正常道路交通安全造成影响的技术问题，实现了通过对交通拥堵事件进行预测和提前干预，来避免幽灵堵车事件的发生，提高道路交通安全的技术效果。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单的介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，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基于多目标识别的交通拥堵管理方法流程示意图；
图2为本申请实施例提供的基于多目标识别的交通拥堵管理方法中获得所述K组拥堵诱发监测数据的流程示意图；
图3为本申请实施例提供的基于多目标识别的交通拥堵管理方法中获得目标拥堵诱发车辆的流程示意图；
图4为本申请实施例提供的基于多目标识别的交通拥堵管理系统结构示意图。
附图标记说明：交通拥堵监测区域划分模块11，目标区域监控视频调用模块12，拥堵诱发监测数据获取模块13，备选拥堵诱发车辆集生成模块14，车前间距特征序列获取模块15，目标拥堵诱发车辆识别模块16，交通拥堵提醒指令生成模块17。
具体实施方式
本申请提供了基于多目标识别的交通拥堵管理方法，用于解决现有技术中采用事后干预的方法处理道路交通拥堵事件的过程耗时较长，影响正常道路交通安全的技术问题。
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、完整的描述。显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。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的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。
需要说明的是，本申请的说明书和权利要求书及上述附图中的术语“第一”“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本申请的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或服务器不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或模块。
实施例一
如图1所示，本申请提供了基于多目标识别的交通拥堵管理方法，所述方法包括：
P10：预划分交通拥堵监测区域，其中，所述交通拥堵监测区域中存在K辆拥堵诱发监测车辆，K为正整数；
具体的，采集目标区域过去一段时间的历史交通拥堵数据，并从中提取多个频繁发生交通拥堵的位置及多个拥堵路段长度，然后以发生拥堵的位置为中心，行车方向延伸至历史平均拥堵路段长度的道路范围，作为交通拥堵监测区域，由此完成交通拥堵监测区域的预划分。其中，所述交通拥堵监测区域中存在K辆拥堵诱发监测车辆，所述拥堵诱发监测车辆是指存在与其他车辆的车距过大，频繁变道或车速频繁调整且低于正常行驶车速等行为，容易造成交通拥堵的不规范行车车辆，通过对所述拥堵诱发监测车辆的监测，来进行行车干预，可以避免交通拥堵事件的发生。
P20：交互调用所述交通拥堵监测区域的目标区域监控视频；
可选的，通过连接所述交通拥堵监测区域的视频监测系统，采集目标区域的交通监控视频，所述视频监测系统包括多个视频监测装置，可以实时采集目标区域的道路交通视频，作为识别所述拥堵诱发监测车辆的数据来源。
P30：获取K组拥堵诱发监测数据，其中，每组拥堵诱发监测数据包括车辆行驶速度序列、车辆行驶方向序列和车辆行驶轨迹信息，所述K组拥堵诱发监测数据通过对所述目标区域监控视频进行多目标识别获得；
应当理解的是，分别对所述目标区域监控视频进行多目标识别获得，也就是分别对所述交通拥堵监测区域中存在的K辆拥堵诱发监测车辆进行特征识别，具体包括进行车辆行驶速度、车辆行驶方向和车辆行驶轨迹识别，得到K组车辆行驶速度序列、车辆行驶方向序列和车辆行驶轨迹信息，以此作为K组拥堵诱发监测数据，可以用来作为拥堵诱发车辆筛选的基础数据。
进一步的，本申请实施例步骤P30还包括：
P31：基于所述车道视频监控系统中交互调用获得所述目标区域监控视频；
P32：对所述目标区域监控视频进行第一I帧提取，获得特征识别帧；
P33：将所述特征识别帧同步至目标检测识别子网络，获得所述K辆拥堵诱发监测车辆的K个监测车辆图像信息；
P34：将所述K个监测车辆图像信息同步至特征向量提取模型进行车辆特征提取，获得K组监测车辆特征信息，其中，所述特征向量提取模型基于深度学习模型构建；
P35：采用所述K组监测车辆特征信息对所述目标区域监控视频进行多目标识别获得所述K组拥堵诱发监测数据。
其中，通过连接所述目标区域的车道视频监控系统，从所述车道视频监控系统中调用所述目标区域的监控视频，所述车道视频监控系统是用来进行交通拥堵监测区域的车辆行驶状况监测的系统，由多个视频监测设备和相应的数据处理模块组成。进一步的，对所述目标区域监控视频进行第一I帧提取，也就是进行关键帧提取，提取视频中车辆运动变化中关键动作所处的视频帧，作为特征识别帧，并将所述特征识别帧传输至目标检测识别子网络中进行目标车辆识别，获得所述K辆拥堵诱发监测车辆的K个监测车辆图像信息，所述目标检测识别子网络是用来从全局监测图像中锁定拥堵诱发监测车辆的模块，所述K个监测车辆图像信息是指拥堵诱发监测车辆所处的区域的图像信息。
进一步的，通过大数据采集多种车辆的外观数据信息，提取包括颜色、形状、车牌等特征，结合深度学习模型进行训练，得到特征向量提取模型，所述深度学习模型是通过训练来学习数据之间的关系，从而实现高级别的抽象表达和预测的模型。将所述K个监测车辆图像信息同步传输至所述特征向量提取模型进行车辆特征提取，即可获得K组监测车辆特征信息。
进一步的，根据所述K组监测车辆特征信息中的车辆特征，对所述目标区域监控视频进行多目标识别，具体包括进行车辆行驶速度、车辆行驶方向和车辆行驶轨迹识别，得到K组车辆行驶速度序列、车辆行驶方向序列和车辆行驶轨迹信息，以此作为所述K组拥堵诱发监测数据。
进一步的，本申请实施例步骤P33还包括：
P33-1：所述目标检测识别子网络的功能层包括图像预处理层、图像分割层、识别对象筛选层；
P33-2：在所述图像预处理层预设图像预处理规则，并将所述特征识别帧同步至所述图像预处理层进行图像预处理，生成预处理识别帧；
P33-3：提取所述交通拥堵监测区域的多组样本道路背景颜色特征-样本道路背景纹理特征构建并训练所述图像分割层，并将所述预处理识别帧输入所述图像分割层进行道路背景和车辆的分割，获得H个备选监测对象，其中，所述H个备选监测对象具有H个备选尺寸参数；
P33-4：在所述识别对象筛选层预设图像尺寸约束，并将所述H个备选监测对象输入所述识别对象筛选层，基于所述H个备选尺寸参数进行所述H个备选监测对象的筛选，获得所述K辆拥堵诱发监测车辆，其中，所述K辆拥堵诱发监测车辆具有K个监测车辆定位标识；
P33-5：根据所述K个监测车辆定位标识生成K个感兴趣区域，基于所述K个感兴趣区域进行图像采集，获得所述K个监测车辆图像信息。
示例性的，所述目标检测识别子网络包括输入层、输出层和功能层，其中功能层又包括图像预处理层、图像分割层、识别对象筛选层。所述图像预处理层是用来将所述特征识别帧进行预处理的单元，在所述图像预处理层预设图像预处理规则，所述图像预处理规则可以是图像二值化处理或图像灰度处理，来将图像呈现出明显的只有黑和白的视觉效果，增强对比度，减小数据量，方便图像判别处理。将所述特征识别帧在所述图像预处理层进行预处理后，得到预处理识别帧。
进一步的，基于大数据，提取所述交通拥堵监测区域的多组样本道路背景颜色特征-样本道路背景纹理特征，以此作为训练数据，结合BP神经网络进行训练，得到所述图像分割层，所述BP神经网络是一种按照误差逆向传播算法训练的多层前馈神经网络。进一步的，将所述预处理识别帧输入所述图像分割层进行道路背景和车辆的分割，将图片中道路背景和车辆区分开，并提取分割出的车辆作为备选监测对象，获得H个备选监测对象，其中，所述H个备选监测对象具有H个备选尺寸参数，也就是说备选监测对象中包含多个不同尺寸不同类型的车辆。
进一步的，在所述识别对象筛选层预设图像尺寸约束，所述图像尺寸约束就是用来进行车辆筛选的车辆尺寸范围，具体是指机动车的尺寸范围，用来筛除电动车、自行车等不会造成幽灵堵车的对象。将所述H个备选监测对象输入所述识别对象筛选层，由所述识别对象筛选层对所述H个备选监测对象进行筛选，将所述H个备选尺寸参数中不满足预设图像尺寸约束的备选监测对象筛除，将剩余备选监测对象作为所述K辆拥堵诱发监测车辆，其中，所述K辆拥堵诱发监测车辆具有K个监测车辆定位标识，可以反映被监测车辆的位置信息。
进一步的，如图2所示，本申请实施例步骤P35还包括：
P35-1：预设抽帧间隔阈值，并基于所述抽帧间隔阈值对所述目标区域监控视频进行抽帧处理，获得N个相邻图像帧；
P35-2：基于所述K组监测车辆特征信息遍历所述N个相邻图像帧，获得N组监测车辆位置信息和N组监测车辆车轮转向角；
P35-3：基于所述N组监测车辆位置信息和所述N个相邻图像帧的映射关系，计算获得K个所述车辆行驶速度序列；
P35-4：基于所述N组监测车辆位置信息生成K个所述车辆行驶轨迹信息；
P35-5：基于所述N组监测车辆车轮转向角生成K个所述车辆行驶方向序列；
P35-6：K个所述车辆行驶速度序列、K个所述车辆行驶轨迹信息和K个所述车辆行驶方向序列构成所述K组拥堵诱发监测数据。
应当理解的是，根据图像识别精度要求，预设抽帧间隔阈值，也就是进行图像帧提取的帧数间隔阈值，并基于所述抽帧间隔阈值对所述目标区域监控视频进行抽帧处理，抽取N个相邻图像帧。进一步的，基于所述K组监测车辆特征信息中锁定的目标车辆，遍历提取所述N个相邻图像帧中的目标车辆图像，获取N组监测车辆位置信息和N组监测车辆车轮转向角，所述N组监测车辆位置信息是指目标车辆在道路中的位置坐标，所述监测车辆车轮转向角是指车辆前轮转向时，前轮转向方向与车辆前进方向之间的夹角，可以反映车辆的行驶方向变动情况。
进一步的，根据每组监测车辆位置信息中目标车辆的位置坐标，以及所述N个相邻图像帧反映的时间差，计算每两个相邻图像间的车辆行驶速度，分别得到多个车辆行驶速度，生成K个所述车辆行驶速度序列。进一步的，根据所述N组监测车辆位置信息进行车辆行驶轨迹梳理，生成K个所述车辆行驶轨迹信息，根据所述N组监测车辆车轮转向角生成K个所述车辆行驶方向序列，最后将所述K个所述车辆行驶速度序列、K个所述车辆行驶轨迹信息和K个所述车辆行驶方向序列共同作为所述K组拥堵诱发监测数据，可以用来作为拥堵诱发车辆筛选的基础数据。
P40：将所述K组拥堵诱发监测数据同步至幽灵拥堵识别子网络，以生成备选拥堵诱发车辆集；
进一步的，本申请实施例步骤P40还包括：
P41：所述幽灵拥堵识别子网络由车速稳定性识别层、行驶方向稳定性识别层、稳定性综合识别层构成；
P42：基于所述K组拥堵诱发监测数据调用K个所述车辆行驶速度序列同步至所述车速稳定性识别层，以获得K个车速稳定性系数；
P43：基于所述K组拥堵诱发监测数据调用K个所述车辆行驶方向序列同步至所述行驶方向稳定性识别层，以获得K个方向稳定性系数；
P44：在所述稳定性综合预设权重赋值规则，并带入所述K个车速稳定性系数和所述K个方向稳定性系数，生成K个监测车辆稳定性指数；
P45：序列化所述K个监测车辆稳定性指数并基于预设车辆监测阈值进行序列筛选，获得所述备选拥堵诱发车辆集，其中，包括M辆备选监测车辆，M为小于K的正整数。
具体的，将所述K组拥堵诱发监测数据同步输入幽灵拥堵识别子网络，由所述幽灵拥堵识别子网络识别获得多个备选拥堵诱发车辆，以生成备选拥堵诱发车辆集。其中，所述幽灵拥堵识别子网络由车速稳定性识别层、行驶方向稳定性识别层和稳定性综合识别层构成，分别用来进行车速稳定性识别、行驶方向稳定性识别和稳定性综合识别。
进一步的，从所述K组拥堵诱发监测数据中提取K个所述车辆行驶速度序列输入所述车速稳定性识别层，由所述车速稳定性识别层分别进行K个车辆的车速稳定性识别，可以是通过对所述车辆行驶速度序列中的所有数据进行最值或方差计算等，获取行驶速度数据的稳定性，进而设定K个车速稳定性系数。同理，从所述K组拥堵诱发监测数据提取K个所述车辆行驶方向序列输入所述行驶方向稳定性识别层，获取行驶方向数据的稳定性，进而获得K个方向稳定性系数。
进一步的，在所述稳定性综合预设权重赋值规则，具体可以是根据车辆行驶速度、车辆行驶方向对道路交通影响程度大小，为车速稳定性系数和方向稳定性系数分配相应的权重系数，并根据所述权重系数，将所述K个车速稳定性系数和所述K个方向稳定性系数进行加权平均计算，得到K个监测车辆稳定性指数，也就是车辆综合稳定性指数。
进一步的，将所述K个监测车辆稳定性指数按照大小顺序进行序列化排列，得到监测车辆稳定性指数序列，并基于预设的车辆监测阈值进行监测车辆稳定性指数序列筛选，稳定性指数越大，说明车辆行车状态越稳定，对道路交通的影响越小，所述车辆监测阈值是根据历史交通拥堵经验设定的监测车辆稳定性指数阈值，也就是最小值，筛选出监测车辆稳定性指数小于所述车辆监测阈值的车辆，也就是行车状态不稳定的车辆，构成备选拥堵诱发车辆集，所述备选拥堵诱发车辆集包括M辆备选监测车辆，且M为小于K的正整数，所述备选拥堵诱发车辆集可以反映行车状态不稳定的车辆信息。
P50：根据K组车辆行驶轨迹信息进行车辆间距特征提取，获得K组车前间距特征序列，其中，基于所述K组拥堵诱发监测数据调用获得K组所述车辆行驶轨迹信息；
具体的，从所述K组拥堵诱发监测数据中提取K组所述车辆行驶轨迹信息，所述车辆行驶轨迹信息中包含多张监测车辆位置图片，因此使用所述K组车辆行驶轨迹信息进行车辆间距特征提取，获取每张监测车辆位置图片中目标车辆与前车的间距特征，组成K组车前间距特征序列，可以用来对所述备选拥堵诱发车辆集中的车辆行车状态进行验证，提高幽灵车辆识别的准确性。
P60：基于所述K组车辆间距特征序列进行所述备选拥堵诱发车辆集的信息验证，获得目标拥堵诱发车辆；
进一步的，如图3所示，本申请实施例步骤P60还包括：
P61：获得备选车前间距序列集，其中，所述备选车前间距序列集通过根据所述备选拥堵诱发车辆集在所述K组车前间距特征序列中调用获得；
P62：基于所述备选车前间距序列集进行间距时间稳定性分析，获得M个第一间距稳定性指数；
P63：基于所述备选车前间距序列集进行间距距离稳定性分析，获得M个第二间距稳定性指数；
P64：综合所述M个第一间距稳定性指数和所述M个第二间距稳定性指数，获得M个车前间距稳定性指数；
P65：基于序列化的所述M个车前间距稳定性指数调用确定所述目标拥堵诱发车辆。
应当理解的是，根据所述备选拥堵诱发车辆集在所述K组车前间距特征序列中进行特征序列匹配，获得所述备选拥堵诱发车辆集对应的所述备选车前间距序列集，进一步的，采集所述备选车前间距序列集中的所有间距的持续时间数据，进行间距时间数据稳定性计算，并按照间距时间的稳定性大小设置M个第一间距稳定性指数，同理，采集所述备选车前间距序列集中的所有间距距离数据，进行间距距离稳定性计算，设定M个第二间距稳定性指数。进一步的，为第一间距稳定性指数和第二间距稳定性指数预设相应的权重系数，并基于所述权重系数进行加权平均计算，获得M个车前间距稳定性指数，将所述M个车前间距稳定性指数进行序列化，并按照车前间距稳定性指数大小，对所述备选拥堵诱发车辆集中的车辆进行验证筛选，选择车前间距稳定性指数小于阈值的车辆，作为目标拥堵诱发车辆，来进一步提高幽灵车辆识别的准确性。
P70：生成交通拥堵提醒指令，其中，所述交通拥堵提醒指令根据所述目标拥堵诱发车辆生成。
进一步的，本申请实施例步骤P70还包括：
P71：获取相邻拥堵监测区域，其中，所述相邻拥堵监测区域包括第一相邻监测区域和第二相邻监测区域，所述相邻拥堵监测区域以所述交通拥堵监测区域为基准生成；
P72：获得目标交通流量密度，其中，所述目标交通流量密度根据所述交通拥堵监测区域的路段长度和所述K辆拥堵诱发监测车辆计算获得；
P73：获得相邻区域流量比，其中，所述相邻区域流量比根据所述第一相邻监测区域的流入车辆数量和所述第二相邻监测区域的流出车辆数量进行差值计算获得；
P74：预设车流流量比阈值和车流流量密度阈值；
P75：判断所述目标交通流量密度是否满足所述车流流量密度阈值，以及所述相邻区域流量比是否满足所述车流流量比阈值；
P76：若所述目标交通流量密度满足所述车流流量密度阈值，或所述相邻区域流量比满足所述车流流量比阈值，则根据所述目标拥堵诱发车辆生成所述交通拥堵提醒指令。
具体的，以所述交通拥堵监测区域为基准，获取与所述以所述交通拥堵监测区域距离最近的两个监测区域，作为相邻拥堵监测区域，所述相邻拥堵监测区域包括第一相邻监测区域和第二相邻监测区域，所述第一相邻监测区域和第二相邻监测区域与所述交通拥堵监测区域为连通关系，车辆经第一相邻监测区域驶入所述交通拥堵监测区域后，又经所述交通拥堵监测区域驶入第二相邻监测区域。进一步的，根据所述交通拥堵监测区域的路段长度和所述K辆拥堵诱发监测车辆计算所述目标交通流量密度，也就是将所述交通拥堵监测区域的总车辆数除以该路段的长度，得到所述目标交通流量密度，例如，当总车辆数为N，路段长度为L，则交通流量密度＝N/L。
进一步的，获取所述第一相邻监测区域的流入所述交通拥堵监测区域的车辆数量，以及从所述交通拥堵监测区域流出到所述第二相邻监测区域的车辆数量，并计算所述第一相邻监测区域的流入车辆数量和所述第二相邻监测区域的流出车辆数量的差值，以此作为相邻区域流量比。
进一步的，根据目标区域的道路承载能力，预设车流流量比阈值和车流流量密度阈值，也就是车流流量比的最大值和车流流量密度最大值，并判断所述目标交通流量密度是否满足所述车流流量密度阈值，以及所述相邻区域流量比是否满足所述车流流量比阈值，若出现所述目标交通流量密度达到所述车流流量密度阈值，或所述相邻区域流量比达到所述车流流量比阈值的情况，则说明当前路段的车辆密度和车流量已经达到道路承载能力的预警值，容易发生交通拥堵事件，因此需要对容易诱发交通拥堵的车辆进行预警，也就是根据所述目标拥堵诱发车辆生成所述交通拥堵提醒指令，将所述交通拥堵提醒指令发送给该路段内的车辆，提醒该路段内车辆避开所述目标拥堵诱发车辆所在的车道，并对所述目标拥堵诱发车辆进行行车规范警告，以达到提前干预，避免幽灵堵车事件发生的效果。
综上所述，本申请实施例至少具有如下技术效果：
本申请通过调用交通拥堵监测区域的目标区域监控视频，进行多目标识别，获取K组拥堵诱发监测数据，将其同步至幽灵拥堵识别子网络，生成备选拥堵诱发车辆集；根据K组车辆行驶轨迹信息进行车辆间距特征提取，获得K组车前间距特征序列，进行备选拥堵诱发车辆集的信息验证，获得目标拥堵诱发车辆，生成交通拥堵提醒指令。
达到了通过对交通拥堵事件进行预测和提前干预，来避免幽灵堵车事件的发生，提高道路交通安全的技术效果。
实施例二
基于与前述实施例中基于多目标识别的交通拥堵管理方法相同的发明构思，如图4所示，本申请提供了基于多目标识别的交通拥堵管理系统，本申请实施例中的系统与方法实施例基于同样的发明构思。其中，所述系统包括：
交通拥堵监测区域划分模块11，所述交通拥堵监测区域划分模块11用于预划分交通拥堵监测区域，其中，所述交通拥堵监测区域中存在K辆拥堵诱发监测车辆，K为正整数；
目标区域监控视频调用模块12，所述目标区域监控视频调用模块12用于交互调用所述交通拥堵监测区域的目标区域监控视频；
拥堵诱发监测数据获取模块13，所述拥堵诱发监测数据获取模块13用于获取K组拥堵诱发监测数据，其中，每组拥堵诱发监测数据包括车辆行驶速度序列、车辆行驶方向序列和车辆行驶轨迹信息，所述K组拥堵诱发监测数据通过对所述目标区域监控视频进行多目标识别获得；
备选拥堵诱发车辆集生成模块14，所述备选拥堵诱发车辆集生成模块14用于将所述K组拥堵诱发监测数据同步至幽灵拥堵识别子网络，以生成备选拥堵诱发车辆集；
车前间距特征序列获取模块15，所述车前间距特征序列获取模块15用于根据K组车辆行驶轨迹信息进行车辆间距特征提取，获得K组车前间距特征序列，其中，基于所述K组拥堵诱发监测数据调用获得K组所述车辆行驶轨迹信息；
目标拥堵诱发车辆识别模块16，所述目标拥堵诱发车辆识别模块16用于基于所述K组车辆间距特征序列进行所述备选拥堵诱发车辆集的信息验证，获得目标拥堵诱发车辆；
交通拥堵提醒指令生成模块17，所述交通拥堵提醒指令生成模块17用于生成交通拥堵提醒指令，其中，所述交通拥堵提醒指令根据所述目标拥堵诱发车辆生成。
进一步的，所述拥堵诱发监测数据获取模块13还用于执行以下步骤：
基于所述车道视频监控系统中交互调用获得所述目标区域监控视频；
对所述目标区域监控视频进行第一I帧提取，获得特征识别帧；
将所述特征识别帧同步至目标检测识别子网络，获得所述K辆拥堵诱发监测车辆的K个监测车辆图像信息；
将所述K个监测车辆图像信息同步至特征向量提取模型进行车辆特征提取，获得K组监测车辆特征信息，其中，所述特征向量提取模型基于深度学习模型构建；
采用所述K组监测车辆特征信息对所述目标区域监控视频进行多目标识别获得所述K组拥堵诱发监测数据。
进一步的，所述拥堵诱发监测数据获取模块13还用于执行以下步骤：
所述目标检测识别子网络的功能层包括图像预处理层、图像分割层、识别对象筛选层；
在所述图像预处理层预设图像预处理规则，并将所述特征识别帧同步至所述图像预处理层进行图像预处理，生成预处理识别帧；
提取所述交通拥堵监测区域的多组样本道路背景颜色特征-样本道路背景纹理特征构建并训练所述图像分割层，并将所述预处理识别帧输入所述图像分割层进行道路背景和车辆的分割，获得H个备选监测对象，其中，所述H个备选监测对象具有H个备选尺寸参数；
在所述识别对象筛选层预设图像尺寸约束，并将所述H个备选监测对象输入所述识别对象筛选层，基于所述H个备选尺寸参数进行所述H个备选监测对象的筛选，获得所述K辆拥堵诱发监测车辆，其中，所述K辆拥堵诱发监测车辆具有K个监测车辆定位标识；
根据所述K个监测车辆定位标识生成K个感兴趣区域，基于所述K个感兴趣区域进行图像采集，获得所述K个监测车辆图像信息。
进一步的，所述拥堵诱发监测数据获取模块13还用于执行以下步骤：
预设抽帧间隔阈值，并基于所述抽帧间隔阈值对所述目标区域监控视频进行抽帧处理，获得N个相邻图像帧；
基于所述K组监测车辆特征信息遍历所述N个相邻图像帧，获得N组监测车辆位置信息和N组监测车辆车轮转向角；
基于所述N组监测车辆位置信息和所述N个相邻图像帧的映射关系，计算获得K个所述车辆行驶速度序列；
基于所述N组监测车辆位置信息生成K个所述车辆行驶轨迹信息；
基于所述N组监测车辆车轮转向角生成K个所述车辆行驶方向序列；
K个所述车辆行驶速度序列、K个所述车辆行驶轨迹信息和K个所述车辆行驶方向序列构成所述K组拥堵诱发监测数据。
进一步的，所述备选拥堵诱发车辆集生成模块14还用于执行以下步骤：
所述幽灵拥堵识别子网络由车速稳定性识别层、行驶方向稳定性识别层、稳定性综合识别层构成；
基于所述K组拥堵诱发监测数据调用K个所述车辆行驶速度序列同步至所述车速稳定性识别层，以获得K个车速稳定性系数；
基于所述K组拥堵诱发监测数据调用K个所述车辆行驶方向序列同步至所述行驶方向稳定性识别层，以获得K个方向稳定性系数；
在所述稳定性综合预设权重赋值规则，并带入所述K个车速稳定性系数和所述K个方向稳定性系数，生成K个监测车辆稳定性指数；
序列化所述K个监测车辆稳定性指数并基于预设车辆监测阈值进行序列筛选，获得所述备选拥堵诱发车辆集，其中，包括M辆备选监测车辆，M为小于K的正整数。
进一步的，所述目标拥堵诱发车辆识别模块16还用于执行以下步骤：
获得备选车前间距序列集，其中，所述备选车前间距序列集通过根据所述备选拥堵诱发车辆集在所述K组车前间距特征序列中调用获得；
基于所述备选车前间距序列集进行间距时间稳定性分析，获得M个第一间距稳定性指数；
基于所述备选车前间距序列集进行间距距离稳定性分析，获得M个第二间距稳定性指数；
综合所述M个第一间距稳定性指数和所述M个第二间距稳定性指数，获得M个车前间距稳定性指数；
基于序列化的所述M个车前间距稳定性指数调用确定所述目标拥堵诱发车辆。
进一步的，所述交通拥堵提醒指令生成模块17还用于执行以下步骤：
获取相邻拥堵监测区域，其中，所述相邻拥堵监测区域包括第一相邻监测区域和第二相邻监测区域，所述相邻拥堵监测区域以所述交通拥堵监测区域为基准生成；
获得目标交通流量密度，其中，所述目标交通流量密度根据所述交通拥堵监测区域的路段长度和所述K辆拥堵诱发监测车辆计算获得；
获得相邻区域流量比，其中，所述相邻区域流量比根据所述第一相邻监测区域的流入车辆数量和所述第二相邻监测区域的流出车辆数量进行差值计算获得；
预设车流流量比阈值和车流流量密度阈值；
判断所述目标交通流量密度是否满足所述车流流量密度阈值，以及所述相邻区域流量比是否满足所述车流流量比阈值；
若所述目标交通流量密度满足所述车流流量密度阈值，或所述相邻区域流量比满足所述车流流量比阈值，则根据所述目标拥堵诱发车辆生成所述交通拥堵提醒指令。
需要说明的是，上述本申请实施例先后顺序仅仅为了描述，不代表实施例的优劣。且上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。
以上所述仅为本申请的较佳实施例，并不用以限制本申请，凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。
本说明书和附图仅仅是本申请的示例性说明，且视为已覆盖本申请范围内的任意和所有修改、变化、组合或等同物。显然，本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的范围。这样，倘若本申请的这些修改和变型属于本申请及其等同技术的范围之内，则本申请意图包括这些改动和变型在内。

Claims (5)

1.基于多目标识别的交通拥堵管理方法，其特征在于，所述方法包括：
预划分交通拥堵监测区域，其中，所述交通拥堵监测区域中存在K辆拥堵诱发监测车辆，K为正整数；
交互调用所述交通拥堵监测区域的目标区域监控视频；
获取K组拥堵诱发监测数据，其中，每组拥堵诱发监测数据包括车辆行驶速度序列、车辆行驶方向序列和车辆行驶轨迹信息，所述K组拥堵诱发监测数据通过对所述目标区域监控视频进行多目标识别获得；
将所述K组拥堵诱发监测数据同步至幽灵拥堵识别子网络，以生成备选拥堵诱发车辆集；
根据K组车辆行驶轨迹信息进行车辆间距特征提取，获得K组车前间距特征序列，其中，基于所述K组拥堵诱发监测数据调用获得K组所述车辆行驶轨迹信息；
基于所述K组车前间距特征序列进行所述备选拥堵诱发车辆集的信息验证，获得目标拥堵诱发车辆；
生成交通拥堵提醒指令，其中，所述交通拥堵提醒指令根据所述目标拥堵诱发车辆生成；
其中，生成交通拥堵提醒指令，之前，所述方法还包括：
获取相邻拥堵监测区域，其中，所述相邻拥堵监测区域包括第一相邻监测区域和第二相邻监测区域，所述相邻拥堵监测区域以所述交通拥堵监测区域为基准生成；
获得目标交通流量密度，其中，所述目标交通流量密度根据所述交通拥堵监测区域的路段长度和所述K辆拥堵诱发监测车辆计算获得；
获得相邻区域流量比，其中，所述相邻区域流量比根据所述第一相邻监测区域的流入车辆数量和所述第二相邻监测区域的流出车辆数量进行差值计算获得；
预设车流流量比阈值和车流流量密度阈值；
判断所述目标交通流量密度是否满足所述车流流量密度阈值，以及所述相邻区域流量比是否满足所述车流流量比阈值；
若所述目标交通流量密度满足所述车流流量密度阈值，或所述相邻区域流量比满足所述车流流量比阈值，则根据所述目标拥堵诱发车辆生成所述交通拥堵提醒指令；
其中，将所述K组拥堵诱发监测数据同步至幽灵拥堵识别子网络，以生成备选拥堵诱发车辆集，所述方法还包括：
所述幽灵拥堵识别子网络由车速稳定性识别层、行驶方向稳定性识别层、稳定性综合识别层构成；
基于所述K组拥堵诱发监测数据调用K个所述车辆行驶速度序列同步至所述车速稳定性识别层，以获得K个车速稳定性系数；
基于所述K组拥堵诱发监测数据调用K个所述车辆行驶方向序列同步至所述行驶方向稳定性识别层，以获得K个方向稳定性系数；
在所述稳定性综合预设权重赋值规则，并带入所述K个车速稳定性系数和所述K个方向稳定性系数，生成K个监测车辆稳定性指数；
序列化所述K个监测车辆稳定性指数并基于预设车辆监测阈值进行序列筛选，获得所述备选拥堵诱发车辆集，其中，所述备选拥堵诱发车辆集包括M辆备选监测车辆，M为小于K的正整数；
其中，基于所述K组车前间距特征序列进行所述备选拥堵诱发车辆集的信息验证，获得目标拥堵诱发车辆，所述方法还包括：
获得备选车前间距序列集，其中，所述备选车前间距序列集通过根据所述备选拥堵诱发车辆集在所述K组车前间距特征序列中调用获得；
基于所述备选车前间距序列集进行间距时间稳定性分析，获得M个第一间距稳定性指数；
基于所述备选车前间距序列集进行间距距离稳定性分析，获得M个第二间距稳定性指数；
综合所述M个第一间距稳定性指数和所述M个第二间距稳定性指数，获得M个车前间距稳定性指数；
基于序列化的所述M个车前间距稳定性指数调用确定所述目标拥堵诱发车辆。
2.如权利要求1所述的方法，其特征在于，所述方法应用于基于多目标识别的交通拥堵管理系统，所述系统与车道视频监控系统连接，交互调用所述交通拥堵监测区域的目标区域监控视频，所述方法还包括：
基于所述车道视频监控系统中交互调获得所述目标区域监控视频；
对所述目标区域监控视频进行第一I帧提取，获得特征识别帧；
将所述特征识别帧同步至目标检测识别子网络，获得所述K辆拥堵诱发监测车辆的K个监测车辆图像信息；
将所述K个监测车辆图像信息同步至特征向量提取模型进行车辆特征提取，获得K组监测车辆特征信息，其中，所述特征向量提取模型基于深度学习模型构建；
采用所述K组监测车辆特征信息对所述目标区域监控视频进行多目标识别获得所述K组拥堵诱发监测数据。
3.如权利要求2所述的方法，其特征在于，将所述特征识别帧同步至目标检测识别子网络，获得所述K辆拥堵诱发监测车辆的K个监测车辆图像信息，所述方法还包括：
所述目标检测识别子网络的功能层包括图像预处理层、图像分割层、识别对象筛选层；
在所述图像预处理层预设图像预处理规则，并将所述特征识别帧同步至所述图像预处理层进行图像预处理，生成预处理识别帧；
提取所述交通拥堵监测区域的多组样本道路背景颜色特征-样本道路背景纹理特征构建并训练所述图像分割层，并将所述预处理识别帧输入所述图像分割层进行道路背景和车辆的分割，获得H个备选监测对象，其中，所述H个备选监测对象具有H个备选尺寸参数；
在所述识别对象筛选层预设图像尺寸约束，并将所述H个备选监测对象输入所述识别对象筛选层，基于所述H个备选尺寸参数进行所述H个备选监测对象的筛选，获得所述K辆拥堵诱发监测车辆，其中，所述K辆拥堵诱发监测车辆具有K个监测车辆定位标识；
根据所述K个监测车辆定位标识生成K个感兴趣区域，基于所述K个感兴趣区域进行图像采集，获得所述K个监测车辆图像信息。
4.如权利要求3所述的方法，其特征在于，采用所述K组监测车辆特征信息对所述目标区域监控视频进行多目标识别获得所述K组拥堵诱发监测数据，所述方法还包括：
预设抽帧间隔阈值，并基于所述抽帧间隔阈值对所述目标区域监控视频进行抽帧处理，获得N个相邻图像帧；
基于所述K组监测车辆特征信息遍历所述N个相邻图像帧，获得N组监测车辆位置信息和N组监测车辆车轮转向角；
基于所述N组监测车辆位置信息和所述N个相邻图像帧的映射关系，计算获得K个所述车辆行驶速度序列；
基于所述N组监测车辆位置信息生成K个所述车辆行驶轨迹信息；
基于所述N组监测车辆车轮转向角生成K个所述车辆行驶方向序列；
K个所述车辆行驶速度序列、K个所述车辆行驶轨迹信息和K个所述车辆行驶方向序列构成所述K组拥堵诱发监测数据。
5.基于多目标识别的交通拥堵管理系统，其特征在于，用以执行权利要求1至4任意一项所述的基于多目标识别的交通拥堵管理方法，所述系统包括：
交通拥堵监测区域划分模块，所述交通拥堵监测区域划分模块用于预划分交通拥堵监测区域，其中，所述交通拥堵监测区域中存在K辆拥堵诱发监测车辆，K为正整数；
目标区域监控视频调用模块，所述目标区域监控视频调用模块用于交互调用所述交通拥堵监测区域的目标区域监控视频；
拥堵诱发监测数据获取模块，所述拥堵诱发监测数据获取模块用于获取K组拥堵诱发监测数据，其中，每组拥堵诱发监测数据包括车辆行驶速度序列、车辆行驶方向序列和车辆行驶轨迹信息，所述K组拥堵诱发监测数据通过对所述目标区域监控视频进行多目标识别获得；
备选拥堵诱发车辆集生成模块，所述备选拥堵诱发车辆集生成模块用于将所述K组拥堵诱发监测数据同步至幽灵拥堵识别子网络，以生成备选拥堵诱发车辆集；
车前间距特征序列获取模块，所述车前间距特征序列获取模块用于根据K组车辆行驶轨迹信息进行车辆间距特征提取，获得K组车前间距特征序列，其中，基于所述K组拥堵诱发监测数据调用获得K组所述车辆行驶轨迹信息；
目标拥堵诱发车辆识别模块，所述目标拥堵诱发车辆识别模块用于基于所述K组车前间距特征序列进行所述备选拥堵诱发车辆集的信息验证，获得目标拥堵诱发车辆；
交通拥堵提醒指令生成模块，所述交通拥堵提醒指令生成模块用于生成交通拥堵提醒指令，其中，所述交通拥堵提醒指令根据所述目标拥堵诱发车辆生成。
CN202311310191.7A 2023-10-11 2023-10-11 基于多目标识别的交通拥堵管理方法及系统 Active CN117275236B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311310191.7A CN117275236B (zh) 2023-10-11 2023-10-11 基于多目标识别的交通拥堵管理方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311310191.7A CN117275236B (zh) 2023-10-11 2023-10-11 基于多目标识别的交通拥堵管理方法及系统

Publications (2)

Publication Number Publication Date
CN117275236A CN117275236A (zh) 2023-12-22
CN117275236B true CN117275236B (zh) 2024-04-05

Family

ID=89200713

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311310191.7A Active CN117275236B (zh) 2023-10-11 2023-10-11 基于多目标识别的交通拥堵管理方法及系统

Country Status (1)

Country Link
CN (1) CN117275236B (zh)

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2007140745A (ja) * 2005-11-16 2007-06-07 Sumitomo Electric Ind Ltd 渋滞予測システム及び渋滞要因推定システム、並びに渋滞予測方法及び渋滞要因推定方法
CN110688922A (zh) * 2019-09-18 2020-01-14 苏州奥易克斯汽车电子有限公司 基于深度学习的交通拥堵检测系统及检测方法
CN112530157A (zh) * 2020-10-16 2021-03-19 浙江工业大学 基于知识图谱和Conv1D-LSTM-D的道路交通拥堵传播预测方法
CN113570862A (zh) * 2021-07-28 2021-10-29 太原理工大学 一种基于XGboost算法的大型交通拥堵预警方法
CN113748447A (zh) * 2019-06-24 2021-12-03 谷歌有限责任公司 幽灵交通拥堵检测和避免
CN115527363A (zh) * 2021-06-25 2022-12-27 英特尔公司 协作式检测和避免幽灵交通堵塞
CN116153086A (zh) * 2023-04-21 2023-05-23 齐鲁高速公路股份有限公司 基于深度学习的多路段交通事故及拥堵检测方法及系统

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2007140745A (ja) * 2005-11-16 2007-06-07 Sumitomo Electric Ind Ltd 渋滞予測システム及び渋滞要因推定システム、並びに渋滞予測方法及び渋滞要因推定方法
CN113748447A (zh) * 2019-06-24 2021-12-03 谷歌有限责任公司 幽灵交通拥堵检测和避免
CN110688922A (zh) * 2019-09-18 2020-01-14 苏州奥易克斯汽车电子有限公司 基于深度学习的交通拥堵检测系统及检测方法
CN112530157A (zh) * 2020-10-16 2021-03-19 浙江工业大学 基于知识图谱和Conv1D-LSTM-D的道路交通拥堵传播预测方法
CN115527363A (zh) * 2021-06-25 2022-12-27 英特尔公司 协作式检测和避免幽灵交通堵塞
CN113570862A (zh) * 2021-07-28 2021-10-29 太原理工大学 一种基于XGboost算法的大型交通拥堵预警方法
CN116153086A (zh) * 2023-04-21 2023-05-23 齐鲁高速公路股份有限公司 基于深度学习的多路段交通事故及拥堵检测方法及系统

Also Published As

Publication number Publication date
CN117275236A (zh) 2023-12-22

Similar Documents

Publication Publication Date Title
CN109829403B (zh) 一种基于深度学习的车辆防碰撞预警方法及系统
CN111368687A (zh) 一种基于目标检测和语义分割的人行道车辆违停检测方法
CN111242015B (zh) 一种基于运动轮廓语义图预测行车危险场景的方法
CN110188807A (zh) 基于级联超分辨率网络与改进Faster R-CNN的隧道行人目标检测方法
CN105070053A (zh) 一种识别车辆违规运动模式的智能交通监控摄像机
CN109670450B (zh) 一种基于视频的人车物检测方法
CN112967252B (zh) 一种轨道车辆机感吊架组装螺栓丢失检测方法
CN112200089B (zh) 一种基于车辆计数感知注意力的稠密车辆检测方法
CN102663491B (zh) 一种基于surf特征的高密度人群计数方法
CN112818935B (zh) 基于深度学习的多车道拥堵检测及持续时间预测方法及系统
Xie et al. Development of a comprehensive framework for video-based safety assessment
CN114463684A (zh) 一种面向城市高速路网的堵点检测方法
CN113450573A (zh) 基于无人机图像识别的交通监测方法和交通监测系统
CN109858459A (zh) 基于警用车载视频要素信息实现智能解析处理的系统及其方法
CN114913447B (zh) 基于场景识别的警务智慧指挥室系统及方法
CN113408550B (zh) 基于图像处理的智能称重管理系统
CN116092034A (zh) 一种基于改进的DeeplabV3+模型的车道线检测方法
Zheng et al. A deep learning–based approach for moving vehicle counting and short-term traffic prediction from video images
CN117275236B (zh) 基于多目标识别的交通拥堵管理方法及系统
CN110909607B (zh) 一种智慧地铁运营中客流感知的装置系统
CN117315934A (zh) 基于无人机的高速公路车流量实时监测及拥堵预测系统
CN112750060B (zh) 智慧社区标准化平台
Haryono et al. Accuracy in Object Detection based on Image Processing at the Implementation of Motorbike Parking on the Street
CN113657316A (zh) 移动交通违章监测方法、系统、电子设备及存储介质
CN110852289A (zh) 一种基于移动视频提取车辆及驾驶人信息的方法

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