CN117315934A - 基于无人机的高速公路车流量实时监测及拥堵预测系统 - Google Patents

基于无人机的高速公路车流量实时监测及拥堵预测系统 Download PDF

Info

Publication number
CN117315934A
CN117315934A CN202311245313.9A CN202311245313A CN117315934A CN 117315934 A CN117315934 A CN 117315934A CN 202311245313 A CN202311245313 A CN 202311245313A CN 117315934 A CN117315934 A CN 117315934A
Authority
CN
China
Prior art keywords
information
vehicle
unmanned aerial
aerial vehicle
real
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
CN202311245313.9A
Other languages
English (en)
Inventor
唐项亮
徐浩东
孙付龙
李磊
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.)
Fuyang Transportation Energy Investment Co ltd
Original Assignee
Fuyang Transportation Energy Investment 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 Fuyang Transportation Energy Investment Co ltd filed Critical Fuyang Transportation Energy Investment Co ltd
Priority to CN202311245313.9A priority Critical patent/CN117315934A/zh
Publication of CN117315934A publication Critical patent/CN117315934A/zh
Pending legal-status Critical Current

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
    • G08G1/0125—Traffic data processing
    • G08G1/0133—Traffic data processing for classifying traffic situation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes
    • G06V20/17—Terrestrial scenes taken from planes or by drones
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/40—Scenes; Scene-specific elements in video content
    • G06V20/41—Higher-level, semantic clustering, classification or understanding of video scenes, e.g. detection, labelling or Markovian modelling of sport events or news items
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/40—Scenes; Scene-specific elements in video content
    • G06V20/46—Extracting features or characteristics from the video content, e.g. video fingerprints, representative shots or key frames
    • 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
    • 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
    • G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle
    • G06V20/588—Recognition of the road, e.g. of lane markings; Recognition of the vehicle driving pattern in relation to the road
    • 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
    • G08G1/065—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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V2201/00—Indexing scheme relating to image or video recognition or understanding
    • G06V2201/08—Detecting or categorising vehicles
    • 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)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Theoretical Computer Science (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Remote Sensing (AREA)
  • Computational Linguistics (AREA)
  • Software Systems (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明公开了一种基于无人机的高速公路车流量实时监测及拥堵预测系统，涉及交通信息技术领域。系统包括：无人机平台、数据处理模块和预警模块；无人机平台搭载有数据采集设备，无人机平台用于采集实时高速公路的路况信息，并将路况信息传输至数据处理模块；路况信息包括无人机平台实时采集的视频信息；数据处理模块用于基于路况信息进行运算、分析，得到分析结果；预警模块与数据处理模块连接，预警模块用于基于分析结果进行道路状态预警。通过无人机对道路情况进行实时采集，以车辆以及车道线为分析目标，进行车辆识别、跟踪以及车道线识别。基于车道线与车辆的位置关系以及车速变化曲线，实现高速公路的车流量监测以及拥堵预测。

Description

基于无人机的高速公路车流量实时监测及拥堵预测系统
技术领域
本发明属于交通信息技术领域，具体涉及基于无人机的高速公路车流量实时监测及拥堵预测系统。
背景技术
人们的出行方式逐渐由公共交通向私家车出行的方式发展。日渐增长的车辆在反映了经济发展的同时，也给交通带来了不小的挑战。目前，道路通常采用固定摄像头进行录像以及车辆检测，采用相应的算法进行测算，记录一定时间段内车流量大小。但是这种方式还存在着一定的弊端，比如：摄像头的安装位置固定，只能从单一方向对道路情况进行拍摄，拍摄范围有一定局限性；大多数车辆监测算法还依赖于传统算法模型，对于高速移动的车辆容易产生错误。因此，传统方法不利于应用到高速公路的车流量监测。
无人机技术的逐渐兴起，使得无人机被应用到越来越多的领域中。无人机体积小巧、灵活性高，将其应用到车流量的监测与测算中具有广阔的应用前景。
发明内容
本发明旨在解决现有技术的不足，提出一种基于无人机的高速公路车流量实时监测及拥堵预测系统，通过无人机搭载摄像机等设备，实现实时数据监测。同时对采集的实时数据进行道路线检测与车速计算，根据实时测算数据得到高速公路车流量信息以及拥堵情况预测。
为实现上述目的，本发明提供了如下方案：基于无人机的高速公路车流量实时监测及拥堵预测系统，包括：无人机平台、数据处理模块和预警模块；
所述无人机平台搭载有数据采集设备，所述无人机平台用于采集实时高速公路的路况信息，并将所述路况信息传输至所述数据处理模块；所述路况信息包括无人机平台实时采集的视频信息；
所述数据处理模块与所述无人机平台连接，所述数据处理模块用于基于所述路况信息进行运算、分析，得到分析结果；
所述预警模块与所述数据处理模块连接，所述预警模块用于基于所述分析结果进行道路状态预警。
优选地，所述无人机平台包括：无人机、数据采集设备、传输设备和定位设备；
所述无人机用于搭载所述数据采集设备和所述传输设备；
所述数据采集设备用于采集所述路况信息；
所述传输设备用于将所述路况信息传输至所述数据处理模块中；
所述定位设备用于对所述无人机进行定位，获得位置信息。
优选地，所述数据处理模块包括：传输单元、预处理单元、计算单元和分析单元；
所述传输单元与所述无人机平台连接，所述传输单元用于接收所述路况信息；
所述预处理单元与所述传输单元连接，所述预处理单元用于对所述路况信息进行预处理，得到预处理信息；所述预处理信息包括：车辆信息和车道线信息；
所述计算单元与所述预处理单元连接，所述计算单元用于对所述预处理信息进行计算，得到计算结果；
所述分析单元与所述计算单元连接，所述分析单元用于对所述计算结果进行拥堵分析，得到分析结果。
优选地，得到所述车道线信息的方法包括：
对所述视频信息进行帧提取，得到图片信息；
对所述图片信息进行直方图均衡化，得到增强图像；
对所述增强图像进行道路线提取，得到所述车道线信息。
优选地，得到所述车辆信息的方法包括：
构建车辆识别模型，基于所述增强图像识别车辆，得到车辆位置信息；所述车辆位置信息包括：车辆识别框；
构建车辆重识别模型，对所述车辆位置信息中的车辆进行跟踪识别，得到所述车辆信息。
优选地，所述计算结果包括：车速；得到所述车速的方法包括：
基于所述车辆信息，分别计算车辆移动前后的质心，基于所述质心，计算移动像素数；
基于所述车道线信息，确定车道宽度以及确定所述车道宽度的像素数；并计算实际所述车道宽度与所述车道宽度的像素数的比例；
基于所述移动像素数与所述比例，得到所述计算结果。
优选地，所述分析结果包括：严重拥堵、拥堵、轻度拥堵和通畅。
优选地，得到所述分析结果的方法包括：
基于所述车速绘制实时动态图，设定阈值，基于所述阈值和所述实时动态图判断车速变化信息；
基于所述车辆位置信息，判断车道上车距信息，并基于所述车距信息和所述车速变化信息得出分析结果。
与现有技术相比，本发明的有益效果为：
本发明公开的基于无人机的高速公路车流量实时监测及拥堵预测系统通过无人机对道路情况进行实时采集，以车辆以及车道线为分析目标，进行车辆识别、跟踪以及车道线识别。基于车道线与车辆的位置关系以及车速变化曲线，实现高速公路的车流量监测以及拥堵预测。
附图说明
为了更清楚地说明本发明的技术方案，下面对实施例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性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例基于无人机的高速公路车流量实时监测及拥堵预测系统结构示意图；
图2为本发明实施例车辆重识别模型的工作流程示意图；
图3为本发明实施例预警模块工作流程示意图。
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做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。
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
实施例一
如图1所示，本实施例提供一种基于无人机的高速公路车流量实时监测及拥堵预测系统，包括：无人机平台、数据处理模块和预警模块。
无人机平台搭载有数据采集设备，无人机平台用于采集实时高速公路的路况信息，并将路况信息传输至数据处理模块；路况信息包括：无人机平台实时采集的视频信息。
具体的，无人机平台包括：无人机、数据采集设备、传输设备和定位设备；其中，无人机用于搭载数据采集设备和传输设备。数据采集设备用于采集路况信息；本实施例中，数据采集设备采用高清摄像机，用于采集视频信息。传输设备用于将路况信息传输至数据处理模块中。定位设备用于对无人机进行定位，获得位置信息。
数据处理模块与无人机平台连接，数据处理模块用于基于路况信息进行运算、分析，得到分析结果。具体的，数据处理模块包括：传输单元、预处理单元、计算单元和分析单元；传输单元与无人机平台连接，传输单元用于接收路况信息；同时，传输单元还与预警模块连接，用于将分析结果传输至预警模块。预处理单元与传输单元连接，预处理单元用于对路况信息进行预处理，得到预处理信息；预处理信息包括：车辆信息和车道线信息；计算单元与预处理单元连接，计算单元用于对预处理信息进行计算，得到计算结果；分析单元与计算单元连接，分析单元用于对计算结果进行拥堵分析，得到分析结果。
本实施例中，预处理单元的工作过程包括：
首先，对实时采集的视频信息进行帧提取，从而得到图像信息。由于一天内不同时段采集的视频信息会有不同的亮度、色差和噪声等，因此需要对图像信息进行相应处理，本实施例中，对得到的图像信息进行直方图均衡化及增强处理，得到增强图像。
之后，对增强图像进行道路线提取，得到车道线信息。
具体的，得到车道线信息的方法包括：
将增强图像分别进行颜色空间和灰度空间转换，得到二值化图像。基于形态学的连通性，将二值化图像中道路印刷物提取出来，同时，基于车道线的几何特征进行滤波，提取实线车道线连通区域。对上述实线车道线连通区域的面积和长实车道的包围盒的长边值为基准进行滤波，得到长实线车道线。之后，基于模板和形状匹配提取虚线车道线连通区域，进而提取虚车道线。最后对车道线连通区域进行骨架提取，得到车道线信息。
得到车辆信息的方法包括：
首先，构建车辆识别模型，基于增强图像识别车辆，得到车辆位置信息；车辆位置信息包括：车辆识别框。具体的，本实施例中，车辆识别模型在YOLOv7网络的基础上进行改进，改进方法包括：
将检测网络中Backbone部分中的ELAN块中的6个conv卷积与CBS块进行concat拼接操作。
然后分别在Head中的每次concat操作后引入GAM注意力模块；其中，GAM注意力模块通过设计一种减少特征信息产生和放大全局维度交互特征的机制从而能够稳定地提升模型检测的性能。定义输入特征映射为F1∈RC×H×W，则中间状态变量F2和最终输出F3的表达式如下：
式中，MC表示通道，MS表示空间注意力图，表示元素方式的计算乘法。
输入特征F1最终通过通道子注意力单元和空间子注意力单元输出一个为F3的特征，通过激活通道注意力子单元使用3D布置来保存跨三维信息，并且使用多层MLP(多层感知器)来放大跨维度信道空间相关性。在空间注意力子单元中，两个卷积用于合并空间信息,以便完全关注空间信息。
最后将head部分的SPPCSPC模块替换为SPPFCSPC模块。其中，SPPFCSPC模块是根据SPPF的思想基于SPPCSPC模块提出的，区别在于SPPFCSPC模块使3个最大池化层顺序处理，可以在感受野不变的情况下获得速度上的提升。
对于Backbone最后输出的32倍降采样特征图C5，然后经过SPPFCSPC模块，通道数从1024变为512。先按照自上而下的方式和C4层、C3层融合，得到P3层、P4层和P5层；再按自下而上的方式和P4层、P5层做融合。最终得到80×80，40×40，20×20三种不同尺寸的检测层，其中80×80用于检测小目标，40×40用于检测中小目标，20×20用于检测中等目标。
车辆识别模型的学习率设置为0.01，优化器选择为随机梯度下降(SGD)，动量设置为0.937，训练迭代次数为300轮，批量大小为16，使用Siou_loss作为边界损失函数。损失函数为：
LOSS＝1-IoU+(Δ+β)/2
式中，IoU＝(B∩A)/(B∪A)
B表示预测框面积，A为真实框面积；Δ表示距离损失，β表示形状损失。
构建车辆重识别模型，对车辆位置信息中的车辆进行跟踪识别，得到所述车辆信息。
在识别出图像中的车辆后，采用车辆重识别模型对车辆进行跟踪识别。本实施例中，车辆重识别模型采用Deepsort算法，在sort算法的基础上增加级联匹配和新轨迹的确认；Tranks分为确认态和不确认态，新产生的Tranks是不确认态，不确认态的Tracks必须要和Detections连续匹配3次才可以转化成确认态。确认态的Tracks必须和Detections连续失配30次，才会被删除。
具体的，如图2所示，车辆重识别模型的工作流程包括：
(1)将第一帧检测到的结果创建其对应的Tracks。将卡尔曼滤波的运动变量初始化，通过卡尔曼滤波预测其对应的识别框。这时候的Tracks是不确认态的。
(2)将该帧目标检测的识别框和第上一帧通过Tracks预测的识别框一一进行IOU匹配，再通过IOU匹配的结果计算其代价矩阵，其计算方式是1-IOU。
(3)将(2)中得到的所有的代价矩阵作为匈牙利算法的输入，得到线性的匹配的结果，这时候得到的结果有三种，第一种是Tracks失配，将失配的Tracks删除；第二种是Detections失配，将这样的Detections初始化为一个新的Tracks；第三种是检测框和预测的识别框配对成功，这说明前一帧和后一帧追踪成功，将其对应的Detections通过卡尔曼滤波更新其对应的Tracks变量。
(4)反复循环(2)-(3)步骤，直到出现确认态的Tracks或者视频帧结束。
(5)通过卡尔曼滤波预测其确认态的Tracks和不确认态的Tracks对应的识别框。将确认态的Tracks的识别框和是Detections进行级联匹配。
(6)进行级联匹配后有三种可能的结果。第一种，Tracks匹配，这样的Tracks通过卡尔曼滤波更新其对应的Tracks变量。第二和第三种是Detections和Tracks失配，这时将之前的不确认状态的Tracks和失配的Tracks一起和Unmatched Detections一一进行IOU匹配，再通过IOU匹配的结果计算其代价矩阵，其计算方式是1-IOU。
(7)将(6)中得到的所有的代价矩阵作为匈牙利算法的输入，得到线性的匹配的结果，这时候得到的结果有三种，第一种是Tracks失配，直接将失配的Tracks删除；第二种是Detections失配，我们这样的Detections初始化为一个新的Tracks；第三种是检测框和预测的识别框配对成功，这说明前一帧和后一帧追踪成功，将其对应的Detections通过卡尔曼滤波更新其对应的Tracks变量。
(8)反复循环(5)-(7)步骤，直到视频帧结束。
通过车辆识别以及跟踪结果，进行计算，得到计算结果。本实施例中，计算结果包括：车速。得到车速的方法包括：
基于车辆信息，即车辆的跟踪结果，分别计算车辆移动前后的质心，基于前后质心，计算移动像素数；
基于车道线信息，确定车道宽度以及确定车道宽度的像素数；并计算实际车道宽度与车道宽度的像素数的比例；即，将实际道路的车道宽度除以图像中沿其车道宽度所包括的像素数，得到图像中每个像素相当于实际道路上的实际距离。
基于移动像素数与比例，得到计算结果。
将车辆移动前后质心移动的像素数乘以每个像素代表的实际距离，得到车辆质心所移动的实际距离，作为车辆移动的实际距离，再结合连续两张图像的间隔时间，从而计算出车辆移动的速度。
同时，基于车速可以得到车流量＝单位时间×车速/(车距+车身长)。
之后，分析单元根据车速信息和车道线信息来对拥堵情况进行分析。本实施例中，分析结果包括：严重拥堵、拥堵、轻度拥堵和通畅。
得到分析结果的方法包括：
基于车速绘制实时动态图，设定阈值，基于阈值和实时动态图判断车速变化信息；
基于车辆位置信息，判断车道上车距信息，并基于车距信息和车速变化信息得出分析结果。
具体的，对车速变化以及车距根据实际情况进行阈值设定。例如，在高速公路发生车祸时，在一定范围内，车辆几乎不动，速度为0，且车距相对于正常形式过程中较小，几乎为车挨车的情况。因此，通过设定合适的阈值，可以对拥堵情况进行划分。本实施例中，采用平均行程速度、平均饱和度以及交通密度作为评价指标对拥堵情况进行评价。
其中，平均行程速度指的是车辆在用过路段时，路段长度与所用的全部时间之比，计算方法如下：
式中，v表示平均行程速度，l表示路段长度(km)，N表示路段在观测时段内小时交通量(veh)，ti表示观测时段内通过路段的第i辆车所需的行程时间(s)。
对于ti的计算，在采集的视频数据中划分出每一帧的公共追踪区域，车辆从接触追踪区域时记录当前帧数F1，以及车身离开追踪区域时记录当前帧数F2，通过计算帧数之间的差值(F2-F1)与视频数据的帧率的倒数之间的乘积得到。
具体的，平均行程速度指标如下：
平均饱和度指的是在单位时间内，通过道路的某一断面的实际车辆数与道路通行能力之比。
u＝N/C
式中，u表示平均饱和度，C表示道路的小时通行能力。
具体的，平均饱和度指标如下：
交通密度指的是一个车道单位长度(km)内某一瞬间存在的车辆数。
具体的，交通密度指标如下：
同时，本实施例中，可以通过车道线、车辆的位置关系以及车速来判断是否发生交通事故。根据实际情况，当高速路上发生车祸时，相撞车辆会相应影响两个及以上的车道，此时，车辆会遮挡住部分车道线。因此，当检测到有车辆的车距几乎为零，且在此范围内，未检测到车道线(车辆遮挡)，同一图像上的其他车辆车速连续下降至一定范围。则可以通过上述分析得知发生车祸，同时将此分析结果发送至预警模块。
预警模块与数据处理模块连接，预警模块用于基于分析结果进行道路状态预警。
具体的，如图3所示，预警模块的工作过程包括：
接收数据处理模块得到的分析结果；
对分析结果中判定为严重拥堵以及拥堵的情况进行预警，通知相关工作人员，做好道路疏通的准备；
对于分析结果为发生车祸的情况进行预警，同时将位置信息以及实时视频进行可视化显示，用于相关工作人员制定紧急预案。
以上所述的实施例仅是对本发明优选方式进行的描述，并非对本发明的范围进行限定，在不脱离本发明设计精神的前提下，本领域普通技术人员对本发明的技术方案做出的各种变形和改进，均应落入本发明权利要求书确定的保护范围内。

Claims (8)

1.基于无人机的高速公路车流量实时监测及拥堵预测系统，其特征在于，包括：无人机平台、数据处理模块和预警模块；
所述无人机平台搭载有数据采集设备，所述无人机平台用于采集实时高速公路的路况信息，并将所述路况信息传输至所述数据处理模块；所述路况信息包括无人机平台实时采集的视频信息；
所述数据处理模块与所述无人机平台连接，所述数据处理模块用于基于所述路况信息进行运算、分析，得到分析结果；
所述预警模块与所述数据处理模块连接，所述预警模块用于基于所述分析结果进行道路状态预警。
2.根据权利要求1所述基于无人机的高速公路车流量实时监测及拥堵预测系统，其特征在于，所述无人机平台包括：无人机、数据采集设备、传输设备和定位设备；
所述无人机用于搭载所述数据采集设备和所述传输设备；
所述数据采集设备用于采集所述路况信息；
所述传输设备用于将所述路况信息传输至所述数据处理模块中；
所述定位设备用于对所述无人机进行定位，获得位置信息。
3.根据权利要求1述基于无人机的高速公路车流量实时监测及拥堵预测系统，其特征在于，所述数据处理模块包括：传输单元、预处理单元、计算单元和分析单元；
所述传输单元与所述无人机平台连接，所述传输单元用于接收所述路况信息；
所述预处理单元与所述传输单元连接，所述预处理单元用于对所述路况信息进行预处理，得到预处理信息；所述预处理信息包括：车辆信息和车道线信息；
所述计算单元与所述预处理单元连接，所述计算单元用于对所述预处理信息进行计算，得到计算结果；
所述分析单元与所述计算单元连接，所述分析单元用于对所述计算结果进行拥堵分析，得到分析结果。
4.根据权利要求3述基于无人机的高速公路车流量实时监测及拥堵预测系统，其特征在于，得到所述车道线信息的方法包括：
对所述视频信息进行帧提取，得到图片信息；
对所述图片信息进行直方图均衡化，得到增强图像；
对所述增强图像进行道路线提取，得到所述车道线信息。
5.根据权利要求4基于无人机的高速公路车流量实时监测及拥堵预测系统，其特征在于，得到所述车辆信息的方法包括：
构建车辆识别模型，基于所述增强图像识别车辆，得到车辆位置信息；所述车辆位置信息包括：车辆识别框；
构建车辆重识别模型，对所述车辆位置信息中的车辆进行跟踪识别，得到所述车辆信息。
6.根据权利要求5述基于无人机的高速公路车流量实时监测及拥堵预测系统，其特征在于，所述计算结果包括：车速；得到所述车速的方法包括：
基于所述车辆信息，分别计算车辆移动前后的质心，基于所述质心，计算移动像素数；
基于所述车道线信息，确定车道宽度以及确定所述车道宽度的像素数；并计算实际所述车道宽度与所述车道宽度的像素数的比例；
基于所述移动像素数与所述比例，得到所述计算结果。
7.根据权利要求3述基于无人机的高速公路车流量实时监测及拥堵预测系统，其特征在于，所述分析结果包括：严重拥堵、拥堵、轻度拥堵和通畅。
8.根据权利要求6述基于无人机的高速公路车流量实时监测及拥堵预测系统，其特征在于，得到所述分析结果的方法包括：
基于所述车速绘制实时动态图，设定阈值，基于所述阈值和所述实时动态图判断车速变化信息；
基于所述车辆位置信息，判断车道上车距信息，并基于所述车距信息和所述车速变化信息得出分析结果。
CN202311245313.9A 2023-09-25 2023-09-25 基于无人机的高速公路车流量实时监测及拥堵预测系统 Pending CN117315934A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311245313.9A CN117315934A (zh) 2023-09-25 2023-09-25 基于无人机的高速公路车流量实时监测及拥堵预测系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311245313.9A CN117315934A (zh) 2023-09-25 2023-09-25 基于无人机的高速公路车流量实时监测及拥堵预测系统

Publications (1)

Publication Number Publication Date
CN117315934A true CN117315934A (zh) 2023-12-29

Family

ID=89287818

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311245313.9A Pending CN117315934A (zh) 2023-09-25 2023-09-25 基于无人机的高速公路车流量实时监测及拥堵预测系统

Country Status (1)

Country Link
CN (1) CN117315934A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117953693A (zh) * 2024-03-27 2024-04-30 广东工业大学 一种基于视频ai的高速公路交通智能监测系统
CN117953693B (zh) * 2024-03-27 2024-07-09 广东工业大学 一种基于视频ai的高速公路交通智能监测系统

Citations (33)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101308606A (zh) * 2007-05-18 2008-11-19 刘涛 一种交通信息采集装置及方法
CN103413444A (zh) * 2013-08-26 2013-11-27 深圳市川大智胜科技发展有限公司 一种基于无人机高清视频的交通流调查处理方法
CN105474285A (zh) * 2013-09-06 2016-04-06 奥迪股份公司 用于预测至少一个拥堵参数的方法、分析系统和车辆
CN105740809A (zh) * 2016-01-28 2016-07-06 东南大学 一种基于机载摄像机的高速公路车道线检测方法
US20160236638A1 (en) * 2015-01-29 2016-08-18 Scope Technologies Holdings Limited Accident monitoring using remotely operated or autonomous aerial vehicles
CN106971529A (zh) * 2017-03-20 2017-07-21 河南省公路工程局集团有限公司 一种高速公路监控系统
CN107067752A (zh) * 2017-05-17 2017-08-18 北京联合大学 基于无人机航拍图像的车速估算系统及方法
KR20170101642A (ko) * 2016-02-29 2017-09-06 국민대학교산학협력단 도로에서 안전한 법 집행을 위한 드론 장치 및 그의 제어 방법
CN107330380A (zh) * 2017-06-14 2017-11-07 千寻位置网络有限公司 基于无人机航拍影像的车道线自动提取和识别方法
CN108806250A (zh) * 2018-06-08 2018-11-13 北京航空航天大学 一种基于速度采样数据的区域交通拥堵评价方法
CN109741599A (zh) * 2018-12-28 2019-05-10 天津易华录信息技术有限公司 交通运行评价方法
CN111169479A (zh) * 2020-01-14 2020-05-19 中国第一汽车股份有限公司 一种巡航控制方法、装置、系统、车辆及存储介质
CN111369807A (zh) * 2020-03-24 2020-07-03 北京百度网讯科技有限公司 一种交通事故的检测方法、装置、设备和介质
CN111833598A (zh) * 2020-05-14 2020-10-27 山东科技大学 一种高速公路无人机交通事件自动监测方法及系统
CN112232286A (zh) * 2020-11-05 2021-01-15 浙江点辰航空科技有限公司 一种道路巡检无人机图像识别系统及无人机
CN112433539A (zh) * 2020-11-27 2021-03-02 佛山市墨纳森智能科技有限公司 一种处理高速交通事故的无人机调度方法、系统及可读存储介质
CN112509322A (zh) * 2020-11-27 2021-03-16 佛山市墨纳森智能科技有限公司 一种基于无人机的高速交通事故监管方法、系统及可读存储介质
CN112631246A (zh) * 2020-12-11 2021-04-09 国汽(北京)智能网联汽车研究院有限公司 测试评价信息确定方法、装置、设备及计算机存储介质
CN112699854A (zh) * 2021-03-22 2021-04-23 亮风台（上海）信息科技有限公司 一种识别停止行驶车辆的方法与设备
CN113450573A (zh) * 2020-03-25 2021-09-28 重庆翼动科技有限公司 基于无人机图像识别的交通监测方法和交通监测系统
CN113642162A (zh) * 2021-07-28 2021-11-12 东南大学 一种城市道路交通应急预案仿真综合分析方法
CN114141032A (zh) * 2022-02-07 2022-03-04 青岛海信网络科技股份有限公司 一种交通信号控制方案生成方法及设备
CN114639231A (zh) * 2020-12-15 2022-06-17 比亚迪股份有限公司 公路交通处理方法、装置及系统
CN115752432A (zh) * 2022-10-29 2023-03-07 武汉中海庭数据技术有限公司 无人机采集道路交通图中虚线车道线自动提取方法及系统
CN115909240A (zh) * 2022-11-06 2023-04-04 合肥湛达智能科技有限公司 一种基于车道线和车辆识别的道路拥堵检测方法
CN116189107A (zh) * 2022-12-28 2023-05-30 华人运通(上海)自动驾驶科技有限公司 无人机高速公路监控方法、无人机和存储介质
CN116343150A (zh) * 2023-03-24 2023-06-27 湖南师范大学 一种基于改进YOLOv7的道路标识目标检测方法
CN116485802A (zh) * 2023-06-26 2023-07-25 广东电网有限责任公司湛江供电局 一种绝缘子闪络缺陷检测方法、装置、设备及存储介质
CN116564083A (zh) * 2023-05-06 2023-08-08 安徽理工大学 一种基于改进CrowdDet算法的高速公路交通拥堵检测的方法
CN116665436A (zh) * 2022-12-14 2023-08-29 上海电科智能系统股份有限公司 一种基于雷达轨迹数据的高速公路交通拥堵度量方法
CN116720992A (zh) * 2023-03-13 2023-09-08 中冶南方城市建设工程技术有限公司 一种道路施工期的交通缓堵方法及仿真系统
CN116777239A (zh) * 2023-06-09 2023-09-19 中冶南方城市建设工程技术有限公司 一种自适应的缓堵交通组织方案优化方法及系统
CN116787432A (zh) * 2023-06-14 2023-09-22 安徽工程大学 一种机器人视觉引导抓取方法

Patent Citations (33)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101308606A (zh) * 2007-05-18 2008-11-19 刘涛 一种交通信息采集装置及方法
CN103413444A (zh) * 2013-08-26 2013-11-27 深圳市川大智胜科技发展有限公司 一种基于无人机高清视频的交通流调查处理方法
CN105474285A (zh) * 2013-09-06 2016-04-06 奥迪股份公司 用于预测至少一个拥堵参数的方法、分析系统和车辆
US20160236638A1 (en) * 2015-01-29 2016-08-18 Scope Technologies Holdings Limited Accident monitoring using remotely operated or autonomous aerial vehicles
CN105740809A (zh) * 2016-01-28 2016-07-06 东南大学 一种基于机载摄像机的高速公路车道线检测方法
KR20170101642A (ko) * 2016-02-29 2017-09-06 국민대학교산학협력단 도로에서 안전한 법 집행을 위한 드론 장치 및 그의 제어 방법
CN106971529A (zh) * 2017-03-20 2017-07-21 河南省公路工程局集团有限公司 一种高速公路监控系统
CN107067752A (zh) * 2017-05-17 2017-08-18 北京联合大学 基于无人机航拍图像的车速估算系统及方法
CN107330380A (zh) * 2017-06-14 2017-11-07 千寻位置网络有限公司 基于无人机航拍影像的车道线自动提取和识别方法
CN108806250A (zh) * 2018-06-08 2018-11-13 北京航空航天大学 一种基于速度采样数据的区域交通拥堵评价方法
CN109741599A (zh) * 2018-12-28 2019-05-10 天津易华录信息技术有限公司 交通运行评价方法
CN111169479A (zh) * 2020-01-14 2020-05-19 中国第一汽车股份有限公司 一种巡航控制方法、装置、系统、车辆及存储介质
CN111369807A (zh) * 2020-03-24 2020-07-03 北京百度网讯科技有限公司 一种交通事故的检测方法、装置、设备和介质
CN113450573A (zh) * 2020-03-25 2021-09-28 重庆翼动科技有限公司 基于无人机图像识别的交通监测方法和交通监测系统
CN111833598A (zh) * 2020-05-14 2020-10-27 山东科技大学 一种高速公路无人机交通事件自动监测方法及系统
CN112232286A (zh) * 2020-11-05 2021-01-15 浙江点辰航空科技有限公司 一种道路巡检无人机图像识别系统及无人机
CN112509322A (zh) * 2020-11-27 2021-03-16 佛山市墨纳森智能科技有限公司 一种基于无人机的高速交通事故监管方法、系统及可读存储介质
CN112433539A (zh) * 2020-11-27 2021-03-02 佛山市墨纳森智能科技有限公司 一种处理高速交通事故的无人机调度方法、系统及可读存储介质
CN112631246A (zh) * 2020-12-11 2021-04-09 国汽(北京)智能网联汽车研究院有限公司 测试评价信息确定方法、装置、设备及计算机存储介质
CN114639231A (zh) * 2020-12-15 2022-06-17 比亚迪股份有限公司 公路交通处理方法、装置及系统
CN112699854A (zh) * 2021-03-22 2021-04-23 亮风台（上海）信息科技有限公司 一种识别停止行驶车辆的方法与设备
CN113642162A (zh) * 2021-07-28 2021-11-12 东南大学 一种城市道路交通应急预案仿真综合分析方法
CN114141032A (zh) * 2022-02-07 2022-03-04 青岛海信网络科技股份有限公司 一种交通信号控制方案生成方法及设备
CN115752432A (zh) * 2022-10-29 2023-03-07 武汉中海庭数据技术有限公司 无人机采集道路交通图中虚线车道线自动提取方法及系统
CN115909240A (zh) * 2022-11-06 2023-04-04 合肥湛达智能科技有限公司 一种基于车道线和车辆识别的道路拥堵检测方法
CN116665436A (zh) * 2022-12-14 2023-08-29 上海电科智能系统股份有限公司 一种基于雷达轨迹数据的高速公路交通拥堵度量方法
CN116189107A (zh) * 2022-12-28 2023-05-30 华人运通(上海)自动驾驶科技有限公司 无人机高速公路监控方法、无人机和存储介质
CN116720992A (zh) * 2023-03-13 2023-09-08 中冶南方城市建设工程技术有限公司 一种道路施工期的交通缓堵方法及仿真系统
CN116343150A (zh) * 2023-03-24 2023-06-27 湖南师范大学 一种基于改进YOLOv7的道路标识目标检测方法
CN116564083A (zh) * 2023-05-06 2023-08-08 安徽理工大学 一种基于改进CrowdDet算法的高速公路交通拥堵检测的方法
CN116777239A (zh) * 2023-06-09 2023-09-19 中冶南方城市建设工程技术有限公司 一种自适应的缓堵交通组织方案优化方法及系统
CN116787432A (zh) * 2023-06-14 2023-09-22 安徽工程大学 一种机器人视觉引导抓取方法
CN116485802A (zh) * 2023-06-26 2023-07-25 广东电网有限责任公司湛江供电局 一种绝缘子闪络缺陷检测方法、装置、设备及存储介质

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
CHEN, X等: "An Efficient Method for Monitoring Birds Based on Object Detection and Multi-Object Tracking Networks", 《ANIMALS》, 8 June 2023 (2023-06-08), pages 1 - 27 *
刘建蓓等: "无人机视频的交通参数提取方法及验证", 《公路交通科技》, no. 8, 15 August 2021 (2021-08-15), pages 149 - 158 *
彭仲仁等: "无人飞机在交通信息采集中的研究进展和展望 彭仲仁等", 《交通运输工程学报》, no. 6, 15 December 2012 (2012-12-15), pages 123 - 130 *
赵建宏等: "基于无人机的交通监控研究现状与展望", 《计算机产品与流通》, no. 9, 15 September 2017 (2017-09-15) *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117953693A (zh) * 2024-03-27 2024-04-30 广东工业大学 一种基于视频ai的高速公路交通智能监测系统
CN117953693B (zh) * 2024-03-27 2024-07-09 广东工业大学 一种基于视频ai的高速公路交通智能监测系统

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
CN110147763B (zh) 基于卷积神经网络的视频语义分割方法
CN107766821B (zh) 基于卡尔曼滤波与深度学习的视频中全时段车辆检测跟踪方法及系统
CN112700470B (zh) 一种基于交通视频流的目标检测和轨迹提取方法
CN101739829B (zh) 一种基于视频的车辆超速监控方法及系统
CN112750150B (zh) 基于车辆检测和多目标跟踪的车流量统计方法
Husain et al. Vehicle detection in intelligent transport system under a hazy environment: a survey
CN105551264A (zh) 一种基于车牌特征匹配的车速检测方法
CN105260712A (zh) 一种车辆前方行人检测方法及系统
CN103129468A (zh) 基于激光成像技术的车载路障识别系统和方法
CN113034378B (zh) 一种区分电动汽车与燃油汽车的方法
CN108520528B (zh) 基于改进差分阈值和位移匹配模型的移动车辆跟踪方法
CN114926984B (zh) 一种实时交通冲突收集与道路安全评价方法
CN114973199A (zh) 一种基于卷积神经网络的轨道交通列车障碍物检测方法
Krishnakumar et al. Detection of vehicle speeding violation using video processing techniques
CN111695545A (zh) 一种基于多目标追踪的单车道逆行检测方法
Ren et al. Automatic measurement of traffic state parameters based on computer vision for intelligent transportation surveillance
Bourja et al. Real time vehicle detection, tracking, and inter-vehicle distance estimation based on stereovision and deep learning using YOLOv3
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
CN115629385A (zh) 基于毫米波雷达和相机关联的车辆排队长度实时检测方法
CN115953660A (zh) 面向自动驾驶基于伪标签的点云3d目标检测方法
Chandorkar et al. Vehicle Detection and speed tracking
CN113850112A (zh) 基于孪生神经网络的路况识别方法和系统
CN106462762A (zh) 基于增强反透视变换的车辆检测、跟踪和定位
CN112949595A (zh) 一种基于YOLOv5改进行人车辆安全距离检测算法

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