CN104900054A - 交通状态的判定方法和装置 - Google Patents
交通状态的判定方法和装置 Download PDFInfo
- Publication number
- CN104900054A CN104900054A CN201510220815.5A CN201510220815A CN104900054A CN 104900054 A CN104900054 A CN 104900054A CN 201510220815 A CN201510220815 A CN 201510220815A CN 104900054 A CN104900054 A CN 104900054A
- Authority
- CN
- China
- Prior art keywords
- traffic flow
- traffic
- track
- region
- sense cycle
- 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
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
- G06V20/50—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
- G08G1/065—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
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种交通状态的判断方法,包括:在拍摄的视野画面中划定各向交通流车道区域,标定出各向交通流车道区域的实际车道长度;在设定的每个检测周期内的每个设定时间点获取各向交通流车道区域的车辆数,对每个检测周期各向交通流车道区域的车辆数进行平均计算,得到每个检测周期内各向交通流车道区域的瞬时平均车辆数;建立交通流密度计算模型:计算每个检测周期内的各向交通流的交通流密度;根据交通流密度,为各向交通流生成相应的后续控制方案。本发明还公开了交通状态的判定装置。本所提供的方法和装置,所计算出交通流密度的准确率高,能够反映真实交通流密度情况,进而较为准确的反应道路交通状态,为交通管理人员进行信号控制和交通诱导提供判断依据。
Description
技术领域
本发明涉及交通技术领域,尤其涉及交通状态的判定方法和装置。
背景技术
交通流密度是交通状态的重要参数之一,也是判别交通状态的重要指标。在道路通行能力评价中,交通流密度是道路服务水平分级的重要指标。由于道路结构的差异性,仅仅通过交通量等参数难以全面描述交通的实际状态。例如交通量趋近于零时,道路交通状态可能是车辆数少,也可能是车辆严重拥挤,车流处于停滞状态。交通流密度是指单位长度车道上,某一瞬间所存在的车辆数,单位为:辆/(km*车道)。交通流密度可以直接表征道路中车辆的拥挤程度,根据交通流密度值的大小工作人员能够决定采用相应的交通管理和控制措施,以使道路处于畅通状态。
现有技术中一般采用路段定点检测方式获取道路的交通流密度,交通管理部门根据交通流密度的给出相应的交通管理和控制措施。其中路段定点检测的方式具体是通过计算获取交通流量和检测区间平均车速间接计算交通流密度,通过这种方式计算获得的交通流密度与真实的交通流密度值存在较大的出入,即准确性低,交通管理部门根据所计算出的交通流密度很难准确反映出实时的道路交通流状态。
发明内容
本发明的主要目的在于解决现有技术计算获得的道路交通流密度与客观真实的交通流密度存在较大的出入,交通管理部门根据所计算出的交通流密度很难准确反映出实时的道路交通流状态的问题。
为实现上述目的,本发明提供的一种交通状态的判定方法,所述交通状态的判定方法包括以下步骤:
在拍摄的视野画面中划定各向交通流车道区域,标定各向交通流车道区域对应的实际车道长度;
在设定的每个检测周期内的每个设定的时间点获取各向交通流车道区域的车辆数,对每个检测周期内获取的各向交通流车道区域的车辆数进行平均计算,得到每个检测周期内的各向交通流车道区域的瞬时平均车辆数;
建立交通流密度计算模型:K=Q/(L*N),并根据所述模型计算每个检测周期内的各向交通流车道的交通流密度;其中,K为交通流密度,单位为辆/km*车道;L为各向交通流车道区域对应的实际车道长度,单位为km;Q为各向交通流车道区域的瞬时平均车辆数,单位为辆;N为各向交通流包含的车道数;
根据每个检测周期内的各向交通流车道的交通流密度,确定各向交通流车道的交通状态,作为交通管理人员执行信号控制和交通诱导的依据。
优选地,所述在拍摄的视野画面中划定各向交通流车道区域具体为:
根据拍摄的视野画面中道路结构形态,在所述视野画面中划定各向交通流的车道区域,包括往返交通流的多个车道区域。
优选地,在拍摄的视野画面中划定各向交通流车道区域,标定各向交通流车道区域对应的实际车道长度之后还包括:
获取各向交通流车道区域的参考背景画面。
优选地,在设定的每个检测周期内的每个设定的时间点获取各向交通流车道区域的车辆数具体包括:
在一个检测周期内,从设定的时间点对应的视频画面中提取各向交通流车道区域对应的画面,将所述各向交通流车道区域对应的画面与相应的参考背景画面相减;
根据相减差值计算所述设定的时间点对应的各向交通流车道区域内的车辆数。
优选地,所述根据每个检测周期内的各向交通流车道的交通流密度,确定各向交通流车道的交通状态,作为交通管理人员执行信号控制和交通诱导的依据具体包括:
根据每个检测周期内的各向交通流车道的交通流密度、以及预设的交通流密度值与交通状态等级的映射关系,确定每个检测周期内的各向交通流车道对应的交通状态等级;
根据每个检测周期内的各向交通流车道的交通状态等级,针对每个检测周期为各向交通流车道生成相应的信号控制和交通诱导方案。
此外,为实现上述目的,本发明还提供一种交通状态的判定装置,所述交通状态的判定装置包括:
车道区域划定模块,用于在拍摄的视野画面中划定各向交通流车道区域,标定各向交通流车道区域对应的实际车道长度;
车辆计算模块,用于在设定的每个检测周期内的每个设定的时间点获取各向交通流车道区域的车辆数,对每个检测周期内获取的各向交通流车道区域的车辆数进行平均计算,得到每个检测周期内的各向交通流车道区域的瞬时平均车辆数;
交通流密度计算模块,用于建立交通流密度计算模型:K=Q/(L*N),并根据所述模型计算每个检测周期内各向交通流车道的交通流密度;其中,K为交通流密度,单位为辆/km*车道;L为各向交通流车道区域对应的实际车道长度,单位为km;Q为各向交通流车道区域的瞬时平均车辆数,单位为辆;N为各向交通流包含的车道数;
道路交通状态判定模块,用于根据每个检测周期内的各向交通流车道的交通流密度,确定各向交通流车道的交通状态,作为交通管理人员执行信号控制和交通诱导的依据。
优选地,所述车道区域划定模块,具体还用于根据拍摄的视野画面中道路结构形态,在所述视野画面中划定各向交通流的车道区域,包括往返交通流的多个车道区域。
优选地,所述的交通状态的判定装置还包括:
参考背景画面获取模块,用于获取各向交通流车道区域的参考背景画面。
优选地,所述车辆计算模块,具体还用于在一个检测周期内,从设定的时间点对应的视频画面中提取各向交通流车道区域对应的画面,将所述各向交通流车道区域对应的画面与相应的参考背景画面相减;根据相减差值计算所述设定的时间点对应各向交通流车道区域内的车辆数。
优选地,所述道路交通状态判定模块,具体还用于根据每个检测周期内的各向交通流车道的交通流密度、以及预设的交通流密度值与交通状态等级 的映射关系,确定每个检测周期内的各向交通流车道对应的交通状态等级;根据每个检测周期内的各向交通流车道的交通状态等级,针对每个检测周期为各向交通流车道生成相应的信号控制和交通诱导方案。
本发明所提供的交通状态的判定方法和装置,通过在拍摄的视野画面中划定各向交通流的车道区域,标定各向交通流车道区域对应的实际车道长度;在设定的每个检测周期内的每个设定的时间点获取各向交通流车道区域的车辆数,对每个检测周期内获取的各向交通流车道区域的车辆数进行平均计算,得到每个检测周期内的各向交通流车道区域的瞬时平均车辆数;建立交通流密度计算模型:K=Q/(L*N),并根据所述模型计算每个检测周期内的各向交通流车道的交通流密度;其中,K为交通流密度,单位为辆/km*车道;L为各向交通流车道区域对应的实际车道长度,单位为km;Q为各向交通流车道区域的瞬时平均车辆数,单位为辆;N为各向交通流包含的车道数;根据每个检测周期内的各向交通流车道的交通流密度,确定各向交通流车道的交通状态,作为交通管理人员执行信号控制和交通诱导的依据。针对每个检测周期为各向交通流车道生成相应的后续控制方案的方式,计算出交通流密度的准确率高,能够反映各向交通流车道在每个时间段的真实交通流密度情况,工作人员根据各向交通流车道对应的后续控制方案进行相关操作,能够使各向交通流后续处于最佳交通状态。
附图说明
图1为交通状态的判定方法一实施例的流程示意图;
图2为图1中步骤S40的细化流程示意图;
图3为像素点(x,y)及其八邻域C8之间的关系示意图;
图4为图像分块及照明因子的计算方式示意图;
图5为本发明的交通状态的判定装置一实施例的功能模块示意图;
图6为本发明的交通状态的判定装置另一实施例的功能模块示意图;
图7为基于不同检测间隔交通流密度的计算值与实际值之间的平均误差;
图8为基于不同检测间隔交通流密度的计算值与实际值之间的最大误差。
本发明目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
本发明提供一种交通状态的判定方法。参照图1,图1为交通状态的判定方法一实施例的流程示意图。在该实施例中,该交通状态的判定方法包括:
步骤S10、在拍摄的视野画面中划定各向交通流的车道区域,标定各向交通流车道区域对应的实际车道长度。
本步骤S10中通过摄像机拍摄出来的视野画面除了道路区域可能还包括其他区域,为了避免其他区域移动物体的干扰,以及计算出各向交通流的交通流密度,需要从拍摄出来的视野画面中划分出各向交通流的道路区域。其中,所述在拍摄的视野画面中划定各向交通流的车道区域具体为:根据拍摄的视野画面中道路结构形态,在所述视野画面中划定各向交通流的车道区域。即根据道路中车道边缘线划定各向交通流的道路区域。
步骤S20、在设定的每个检测周期内的每个设定的时间点获取各向交通流车道区域的车辆数,对每个检测周期内获取各向交通流车道区域的车辆数进行平均计算,得到每个检测周期内的各向交通流车道区域的瞬时平均车辆数。
本实施例中,所述检测周期的时间长度至少大于或等于一个信号周期时间长度,以防止因红、绿灯原因计算得到的各向交通流车道的交通流密度值在短时间内波动大,不能客观反映各向交通流的真实交通状态。当然所述检测周期的时间长度也不能太长,为了确定出最佳的检测间隔,选择30s、1min、1.5min、2min、2.5min、3min、3.5min、4min、4.5min、5min、6min、7min、8min、9min、10min、15min的短时序列进行分析,分析结果如图7和图8所示,横轴为检测间隔,纵轴为交通流密度的计算值与实际值之间的误差率。根据图7和图8的变化趋势可知,当检测间隔大于5min时,预测的平均误差和最大误差都趋于平缓,因此检测间隔应该大于5min,但是检测间隔太长会使得交通流密度检测的时效性降低、价值丧失,因为交通流密度的检测往往同城市信号控制***、交通流诱导***进行协同合作,通过交通流密度的准 确预测为信号控制***、交通流诱导***提供决策,检测间隔太长,则无法及时提供决策,造成车辆更大的延误,***效率低下。本实施例中所述检测周期的时间长度设置为5分钟。另外在一个检测周期内相邻的设定的时间点之间的间隔时间可以相同也可以不同,优选为相同的间隔时间,一个检测周期内相邻的设定的时间点的间隔时间可以根据实际需要进行设定,如若要求计算出的交通流密度准确度越高则所述间隔时间的时间长度越短,反之亦然。如可以将一个检测周期内相邻的设定的时间点的间隔时间均设置为5秒,即在该检测周期时间内每隔5秒钟则获取当前帧视频画面中各向交通流车道区域的车辆数。
本实施例能够实现全天候24小时检测,即计算前一检测周期内各向交通流车道区域的瞬时平均车辆数后,便进入下一检测周期各向交通流车道区域的瞬时平均车辆数计算程序如此循环往复。其中本实施例时钟计时功能始终处于开启状态,在进入每个检测周期时时钟计时功能均清零并重新计时,在每个检测周期内一旦计时到达设定的时间点则执行各向交通流车道区域的车辆数获取操作,当到达该检测周期的终了时间点,则对该检测周期内获取各向交通流车道区域的车辆数求平均计算,即将一个检测周期内多次采集的车辆数相加,并将相加之和除以获取次数,即获取该检测周期内各向交通流的瞬时平均车辆数。本实施例中每个检测周期的时间长度可以相同也可以不同。
步骤S30、建立交通流密度计算模型:K=Q/(L*N),并根据所述模型计算每个检测周期内的各向交通流车道的交通流密度。
其中,本步骤S30中K为交通流密度,单位为辆/km*车道;L为各向交通流车道区域对应的实际车道长度,单位为km;Q为各向交通流车道区域的瞬时平均车辆数,单位为辆,N为各交通流向包含的车道数。
本步骤S30中所述交通流密度的计算模型为根据交通流密度的概念建立的,所述交通流密度的概念为:车道单位长度内某一时间内瞬时存在的平均车辆数。
步骤S40、根据每个检测周期内的各向交通流车道的交通流密度,确定各向交通流车道的交通状态,作为交通管理人员执行信号控制和交通诱导的依据。
参见图2,图2为图1中步骤S40的细化流程示意图。本步骤S40中所述根据每个检测周期内的各向交通流车道的交通流密度,确定各向交通流车道的交通状态,作为交通管理人员执行信号控制和交通诱导的依据具体包括:
步骤S41、根据每个检测周期内各向交通流车道的交通流密度以及预设的交通流密度值与交通状态等级的映射关系,确定每个检测周期各向交通流车道对应的交通状态等级。
本步骤S41中预先设置的交通流密度值与交通状态等级的映射关系参见表1。
表1:
交通流密度值(辆/km*车道) | 0-12 | 13-44 | 45-90 | 90以上 |
交通状态等级 | 畅通 | 缓行 | 拥挤 | 严重拥堵 |
步骤S42、根据每个检测周期内各向交通流车道的交通状态等级,针对每个检测周期为各向交通流车道生成相应的信号控制和交通诱导方案。
进一步地,上述实施例中,在步骤S10之后还包括如下处理:获取各向交通流车道区域的参考背景画面。本实施例是在所需监控的道路上空一定高度安装拍摄装置,所有拍摄装置的拍摄方向相同,均沿道路一个方向固定不变,即拍摄装置与路面位置保持相对静止,因此没有车辆经过时的车道区域可以作为相应车道区域的参考背景画面,即本实施中是在某一车道没有车辆经过时,从相应的视频画面中获取该车道区域的画面,以此画面作为该车道区域的参考背景画面。
上述实施例中步骤S20中在设定的时间点获取各向交通流车道区域的车辆数具体包括:从设定的时间点对应的视频画面中提取各向交通流车道区域对应的画面,将所述各向交通流车道区域对应的画面与相应的参考背景画面相减;根据相减差值计算所述设定的时间点对应的各向交通流车道区域内的车辆数。具体地将从设定的时间点对应的帧视频画面中提取各向交通流车道区域对应的画面所有像素点与相应参考背景画面的所有像素进行相减,然后对相减差值进行二值化,根据二值化处理结果统计发生变化的像素点数量,以及发生变化的像素点之间的关系确定所述设定的时间点对应各向交通流车道区域存在的车辆数。
然而若要保证计算出来的交通流密度的准确率高还需考虑以下三点因素:
一、照明条件的存在不稳定性,当强烈的阳光突然被乌云遮挡,会被认为当前帧视频画面相应参考背景画面几乎帧视频画面均发生了变化;二、运动点的连续性,汽车为较大物体,当有汽车经过则有多个连续的像素点同时发生变化,而某些孤立的像素点发生变化不可能由车辆的存在引起,很可能是由噪声引起;三、视频捕获传输信道存在噪声,即使在光照未变化,也不存在车辆,某些像素点的RGB亮度仍有可能发生变化。本实施例中为了防止上述三点因素的干扰,确保各向交通流的交通流密度的准确率,将发生变化的像素点的坐标值代入如下公式(1)、(2)、(3)。
当代入上式公式中有一个成立,则表明该发生变化的像素点(x,y)为运动点,即车辆对应的像素点。并根据所有运动点相互之间的关系,如连续性等确定各向交通流车道区域内的所有运动点由多少车辆引起,即确定当前帧视频画面中各向交通流车道区域的存在的车辆数。
上式公式(1)、(2)、(3)中α,β为常数,2)、nt(x,y)为是一个连通因子,它的其值的大小与点(x,y)的八邻域的运动属性有关,参见图3,图3为像素点(x,y)及其八邻域C8之间的关系示意图。其中M(x′,y′)为是一个二进制量。如果点(x′,y′)是运动点,那么M(x′,y′)为1;否则为0。因为扫描顺序的关系,排在(x,y)后面的四个点的值可以用上一帧视频画面的运动属性确定。当待处理点(x,y)周围运动点越多,(x,y)的分割值则越小,(x,y)则越容易被判为运动点;反之亦然。σt(x,y)为标准差,μ(x,y)为数学期望。kt(x,y)为照明因子。参见图4,图4为图像分块及照明因子的计算方式示意图。将当前帧视频画面的各向交通流车道区域图像划分为一个个小的正方形区域Wi,j,每个正方形区域边长为m个像素,m的取值根据被检测物体的大小确定,对于车辆的检测,一般取5-9。(x,y)必属于对应正方形区域中的一个像素点,记为S,其中,
另外,本实施例所采用的拍摄装置能够拍摄的视野半径可达1km,辐射面广,能够反应道路中所有车道区域的交通流密度情况。
上述实施例所提供的交通状态的判定方法,通过在拍摄的视野画面中划定各向交通流车道区域,标定各向交通流车道区域对应的实际车道长度;在设定的每个检测周期内的每个设定的时间点获取各向交通流车道区域的车辆数,对每个检测周期内获取的各向交通流车辆数进行平均计算,得到每个检测周期内的各向交通流的瞬时平均车辆数;建立交通流密度计算模型:K=Q/(L*N),并根据所述模型计算每个检测周期内的各向交通流的交通流密度;根据每个检测周期内的各向交通流的交通流密度,针对每个检测周期为各向交通流生成相应的后续控制方案的方式,计算出交通流密度的准确率高,能够反映各向交通流在每个时间段的真实交通流密度情况,工作人员根据各向交通流对应的后续控制方案进行相关操作,能够使各向交通流后续处于最佳交通状态。同时上述实施例提供的交通状态的判定方法的运行成本低,且能够实现对道路实行全天候24小时的检测控制,可应用于各种大、中、小城市、城镇、乡村道路的控制管理。
本发明进一步提供一种交通状态的判定装置。参照图5,图5为本发明的交通状态的判定装置一实施例的功能模块示意图。在该实施例中,所述交通状态的判定装置100包括:车道区域划定模块110、车辆计算模块120、交通流密度计算模块130、道路交通状态判定模块140。其中,所述车道区域划定模块110,用于在拍摄的视野画面中划定各向交通流车道区域,标定各向交通流车道区域对应的实际车道长度。所述车辆计算模块120,用于在设定的每个检测周期内的每个设定的时间点获取各向交通流车道区域的车辆数,对每个检测周期内获取的各向交通流车道区域的车辆数进行平均计算,得到每个检测周期内各向交通流车道区域的瞬时平均车辆数。所述交通流密度计算模块130,用于建立交通流密度计算模型:K=Q/(L*N),并根据所述模型计算每个检测周期内的各向交通流车道的交通流密度;其中,K为交通流密度,单位为辆/km*车道;L各向交通流为车道区域对应的实际车道长度,单位为km;Q为各向交通流的瞬时平均车辆数,单位为辆;N为各向交通流包含的车道数。所述道路交通状态判定模块140,用于根据每个检测周期内的各向交通流 车道的交通流密度,确定各向交通流车道的交通状态,作为交通管理人员执行信号控制和交通诱导的依据。
本实施例中通过拍摄装置拍摄出来的视野画面除了道路区域可能还包括其他区域,为了避免其他区域移动物体的干扰以及计算出各向交通流车道的交通流密度,需要从拍摄出来的视野画面中划分出各向交通流车道区域。其中所述车道区域划定模块110具体用于根据拍摄的视野画面中道路结构形态,在所述视野画面中划定各向交通流车道区域。即所述车道区域划定模块110根据道路中各向交通流车道的车道边缘线划定各向交通流车道区域。
本实施例中,所述检测周期的时间长度至少大于或等于一个红、绿灯的周期时间长度,以防止因红、绿灯原因计算得到各向交通流的交通流密度值在短时间内波动大,不能客观反映各向交通流的真实交通状态。当然所述检测周期的时间长度也不能太长,本实施例中所述检测周期的时间长度设置为5分钟。另外在一个检测周期内相邻的设定的时间点之间的间隔时间可以相同也可以不同,优选为相同的间隔时间,一个检测周期内相邻的设定的时间点的间隔时间可以根据实际需要进行设定,如若要求计算出的交通流密度准确度越高则所述间隔时间的时间长度越短,反之亦然。如可以将一个检测周期内相邻的设定的时间点的间隔时间均设置为5秒,即在该检测周期时间内每隔5秒钟则获取当前帧视频画面中各向交通流车道区域的车辆数。
本实施例能够实现全天候24小时检测,即计算前一检测周期内各向交通流车道区域的瞬时平均车辆数后,便进入下一检测周期各向交通流车道区域的瞬时平均车辆数计算程序如此循环往复。其中本实施例时钟计时功能始终处于开启状态,在进入每个检测周期时时钟计时功能均清零并重新计时,在每个检测周期内一旦计时到达设定的时间点则执行各向交通流车道区域的车辆数获取操作,当到达该检测周期的终了时间点,则对该检测周期内获取各向交通流车道区域的车辆数求平均计算,即将每个检测周期内获取的车辆数相加,并将相加之和除以获取次数,即获取该检测周期内的各向交通流的瞬时平均车辆数。本实施例中每个检测周期的时间长度可以相同也可以不同。
另外本实施例中所述交通流密度的计算模型为根据交通流密度的概念建立的,所述交通流密度的概念为:车道单位长度内某一时间内瞬时存在的平均车辆数。
参照图6,图6为本发明的交通状态的判定装置另一实施例的功能模块示意图。本实施例中所述交通状态的判定装置100还包括:参考背景画面获取模块150。所述参考背景画面获取模块150,用于获取各向交通流车道区域的参考背景画面。本实施例是在所需监控的道路上空一定高度安装拍摄装置,所有拍摄装置的拍摄方向相同,均沿道路一个方向固定不变,即拍摄装置与路面位置保持相对静止,因此没有车辆经过时的车道区域可以作为相应车道区域的参考背景画面,即本实施中是在某一车道没有车辆经过时,从相应的视频画面中获取该车道区域的画面,以此画面作为该车道区域的参考背景画面。本实施例中所述车辆计算模块120,具体用于在一个检测周期内,从设定的时间点对应的视频画面中提取各向交通流车道区域对应的画面,将所述各向交通流车道区域对应的画面与相应的参考背景画面相减;根据相减差值计算所述设定的时间点对应的各向交通流车道区域内的车辆数。具体地将从设定的时间点对应的帧视频画面中提取的各向交通流车道区域对应的画面所有像素点与相应参考背景画面的所有像素进行相减,然后对相减差值进行二值化,根据二值化处理结果统计发生变化的像素点数量,以及发生变化的像素点之间的关系确定所述设定的时间点对应的各向交通流车道区域存在的车辆数。
然而若要保证计算出来的交通流密度的准确率高还需考虑以下三点因素:
一、照明条件的存在不稳定性,当强烈的阳光突然被乌云遮挡,会被认为当前帧视频画面相应参考背景画面几乎帧视频画面均发生了变化;二、运动点的连续性,汽车为较大物体,当有汽车经过则有多个连续的像素点同时发生变化,而某些孤立的像素点发生变化不可能由车辆的存在引起,很可能是由噪声引起;三、视频捕获传输信道存在噪声,即使在光照未变化,也不存在车辆,某些像素点的RGB亮度仍有可能发生变化。本实施例中为了防止上述三点因素的干扰,确保各向交通流车道区域的交通流密度的准确率,将发生变化的像素点的坐标值代入如下公式(1)、(2)、(3)。
当代入上式公式中有一个成立,则表明该发生变化的像素点(x,y)为 运动点,即车辆对应的像素点。并根据所有运动点相互之间的关系,如连续性等确定各向交通流车道区域内的所有运动点由多少车辆引起,即确定当前帧视频画面中各向交通流车道区域的存在的车辆数。
上式公式(1)、(2)、(3)中α,β为常数,2)、nt(x,y)为是一个连通因子,它的其值的大小与点(x,y)的八邻域的运动属性有关,参见图3,图3为像素点(x,y)及其八邻域C8之间的关系示意图。其中M(x′,y′)为是一个二进制量。如果点(x′,y′)是运动点,那么M(x′,y′)为1;否则为0。因为扫描顺序的关系,排在(x,y)后面的四个点的值可以用上一帧视频画面的运动属性确定。当待处理点(x,y)周围运动点越多,(x,y)的分割值则越小,(x,y)则越容易被判为运动点;反之亦然。σt(x,y)为标准差,μ(x,y)为数学期望。kt(x,y)为照明因子。参见图4,图4为图像分块及照明因子的计算方式示意图。将当前帧视频画面的各向交通流车道区域图像划分为一个个小的正方形区域Wi,j,每个正方形区域边长为m个像素,m的取值根据被检测物体的大小确定,对于车辆的检测,一般取5-9。(x,y)必属于对应正方形区域中的一个像素点,记为S,其中,
上述实施例中所述道路交通状态判定模块140,具体用于根据每个检测周期内的各向交通流车道的交通流密度、以及预设的交通流密度范围值与交通状态等级的映射关系,确定每个检测周期内的各向交通流车道对应的交通状态等级;根据每个检测周期内的各向交通流车道的交通状态等级,针对每个检测周期为各向交通流车道生成相应的信号控制和交通诱导方案。本实施例中预先设置的交通流密度值与交通状态等级的映射关系参见表1。
另外,本实施例所采用的拍摄装置能够拍摄的视野半径可达1km,辐射面广,能够反应道路中所有车道区域的交通流密度情况。
上述实施例提供的交通状态的判定装置100,通过在拍摄的视野画面中划定各向交通流车道区域,标定各向交通流车道区域对应的车道长度;在设定的每个检测周期内的每个设定的时间点获取各向交通流车道区域的车辆数,对每个检测周期内获取的各向交通流车道区域的车辆数进行平均计算,得到每个检测周期内的各向交通流的瞬时平均车辆数;建立交通流密度计算模型: K=Q/L,并根据所述模型计算每个检测周期内的各向交通流车道的交通流密度;根据每个检测周期内的各向交通流的交通流密度,针对每个检测周期为各向交通流生成相应的后续控制方案的方式,计算出交通流密度的准确率高,能够反映各向交通流在每个时间段的真实交通流密度情况,工作人员根据各向交通流对应的后续控制方案进行相关操作,能够使各向交通流后续处于最佳交通状态。同时上述实施例提供的交通状态的判定装置的运行成本低,且能够实现对道路实行全天候24小时的检测控制,可应用于各种大、中、小城市、城镇、乡村道路的控制管理。
以上仅为本发明的优选实施例,并非因此限制本发明的专利范围,凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本发明的专利保护范围内。
Claims (10)
1.一种交通状态的判定方法,其特征在于,所述交通状态的判定方法包括以下步骤:
在拍摄的视野画面中划定各向交通流车道区域,标定各向交通流车道区域对应的实际车道长度;
在设定的每个检测周期内的每个设定的时间点获取各向交通流车道区域的车辆数,对每个检测周期内获取的各向交通流车道区域的车辆数进行平均计算,得到每个检测周期内的各向交通流车道区域的瞬时平均车辆数;
建立交通流密度计算模型:K=Q/(L*N),并根据所述模型计算每个检测周期内的各向交通流车道的交通流密度;其中,K为交通流密度,单位为辆/km*车道;L为各向交通流车道区域对应的实际车道长度,单位为km;Q为各向交通流车道区域的瞬时平均车辆数,单位为辆;N为各向交通流包含的车道数;
根据每个检测周期内的各向交通流车道的交通流密度,确定各向交通流车道的交通状态,作为交通管理人员执行信号控制和交通诱导的依据。
2.如权利要求1所述的交通状态的判定方法,其特征在于,所述在拍摄的视野画面中划定各向交通流车道区域具体为:
根据拍摄的视野画面中道路结构形态,在所述视野画面中划定各向交通流的车道区域,包括往返交通流的多个车道区域。
3.如权利要求1所述的交通状态的判定方法,其特征在于,在拍摄的视野画面中划定各向交通流车道区域,标定各向交通流车道区域对应的实际车道长度之后还包括:
获取各向交通流车道区域的参考背景画面。
4.如权利要求3所述的交通状态的判定方法,其特征在于,在设定的每个检测周期内的每个设定的时间点获取各向交通流车道区域的车辆数具体包括:
在一个检测周期内,从设定的时间点对应的视频画面中提取各向交通流车道区域对应的画面,将所述各向交通流车道区域对应的画面与相应的参考背景画面相减;
根据相减差值计算所述设定的时间点对应的各向交通流车道区域内的车辆数。
5.如权利要求1所述的交通状态的判定方法,其特征在于,所述根据每个检测周期内的各向交通流车道的交通流密度,确定各向交通流车道的交通状态,作为交通管理人员执行信号控制和交通诱导的依据具体包括:
根据每个检测周期内的各向交通流车道的交通流密度、以及预设的交通流密度值与交通状态等级的映射关系,确定每个检测周期内的各向交通流车道对应的交通状态等级;
根据每个检测周期内的各向交通流车道的交通状态等级,针对每个检测周期为各向交通流车道生成相应的信号控制和交通诱导方案。
6.一种交通状态的判定装置,其特征在于,所述交通状态的判定装置包括:
车道区域划定模块,用于在拍摄的视野画面中划定各向交通流车道区域,标定各向交通流车道区域对应的实际车道长度;
车辆计算模块,用于在设定的每个检测周期内的每个设定的时间点获取各向交通流车道区域的车辆数,对每个检测周期内获取的各向交通流车道区域的车辆数进行平均计算,得到每个检测周期内的各向交通流车道区域的瞬时平均车辆数;
交通流密度计算模块,用于建立交通流密度计算模型:K=Q/(L*N),并根据所述模型计算每个检测周期内各向交通流车道的交通流密度;其中,K为交通流密度,单位为辆/km*车道;L为各向交通流车道区域对应的实际车道长度,单位为km;Q为各向交通流车道区域的瞬时平均车辆数,单位为辆;N为各向交通流包含的车道数;
道路交通状态判定模块,用于根据每个检测周期内的各向交通流车道的交通流密度,确定各向交通流车道的交通状态,作为交通管理人员执行信号控制和交通诱导的依据。
7.如权利要求6所述的交通状态的判定装置,其特征在于,所述车道区域划定模块,具体还用于根据拍摄的视野画面中道路结构形态,在所述视野画面中划定各向交通流的车道区域,包括往返交通流的多个车道区域。
8.如权利要求6所述的交通状态的判定装置,其特征在于,还包括:
参考背景画面获取模块,用于获取各向交通流车道区域的参考背景画面。
9.如权利要求8所述的交通状态的判定装置,其特征在于,所述车辆计算模块,具体还用于在一个检测周期内,从设定的时间点对应的视频画面中提取各向交通流车道区域对应的画面,将所述各向交通流车道区域对应的画面与相应的参考背景画面相减;根据相减差值计算所述设定的时间点对应各向交通流车道区域内的车辆数。
10.如权利要求6所述的交通状态的判定装置,其特征在于,所述道路交通状态判定模块,具体还用于根据每个检测周期内的各向交通流车道的交通流密度、以及预设的交通流密度值与交通状态等级的映射关系,确定每个检测周期内的各向交通流车道对应的交通状态等级;根据每个检测周期内的各向交通流车道的交通状态等级,针对每个检测周期为各向交通流车道生成相应的信号控制和交通诱导方案。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510220815.5A CN104900054B (zh) | 2015-04-30 | 2015-04-30 | 交通状态的判定方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510220815.5A CN104900054B (zh) | 2015-04-30 | 2015-04-30 | 交通状态的判定方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104900054A true CN104900054A (zh) | 2015-09-09 |
CN104900054B CN104900054B (zh) | 2017-07-07 |
Family
ID=54032694
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510220815.5A Active CN104900054B (zh) | 2015-04-30 | 2015-04-30 | 交通状态的判定方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104900054B (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105139650A (zh) * | 2015-09-10 | 2015-12-09 | 华南理工大学 | 一种基于交通状态的车辆攻击性驾驶判别方法 |
CN105528891A (zh) * | 2016-01-13 | 2016-04-27 | 深圳市中盟科技有限公司 | 基于无人机监控的交通流密度检测方法及*** |
CN106097726A (zh) * | 2016-08-23 | 2016-11-09 | 苏州科达科技股份有限公司 | 检测区域的确定、交通信息检测方法及装置 |
CN106652495A (zh) * | 2016-10-21 | 2017-05-10 | 苏州花坞信息科技有限公司 | 一种智能交通信号灯和交通信号灯变换方法 |
CN106683405A (zh) * | 2016-12-28 | 2017-05-17 | 安徽科力信息产业有限责任公司 | 基于道路车流密度的道路交通状态评价方法 |
CN108682154A (zh) * | 2018-06-19 | 2018-10-19 | 上海理工大学 | 基于车流状态变化深度学习分析的道路拥堵检测*** |
CN108986465A (zh) * | 2018-07-27 | 2018-12-11 | 深圳大学 | 一种车流量检测的方法、***及终端设备 |
CN112133105A (zh) * | 2019-06-24 | 2020-12-25 | 株式会社日立制作所 | 交通流预测辅助装置以及交通流预测辅助方法 |
CN113345227A (zh) * | 2021-05-31 | 2021-09-03 | 上海涵润汽车电子有限公司 | 一种随机交通流生成方法及装置 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101303801A (zh) * | 2008-06-30 | 2008-11-12 | 北京交通大学 | 一种城市快速路交通流状态实时判别方法 |
CN101599217A (zh) * | 2009-07-17 | 2009-12-09 | 北京交通大学 | 一种快速路交通状态判别方法 |
JP2010128732A (ja) * | 2008-11-27 | 2010-06-10 | Japan Traffic Management Technology Association | 車両台数密度観測装置及び車両台数密度観測装置用のプログラム |
KR20100130055A (ko) * | 2009-06-02 | 2010-12-10 | 하이테콤시스템(주) | 차량밀도 검지방법 |
CN102496278A (zh) * | 2011-12-09 | 2012-06-13 | 北京世纪高通科技有限公司 | 通过图像获取交通状态的方法和装置 |
CN103236160A (zh) * | 2013-04-07 | 2013-08-07 | 水木路拓科技(北京)有限公司 | 基于视频图像处理技术的路网交通状态监测*** |
CN104123840A (zh) * | 2014-07-28 | 2014-10-29 | 重庆大学 | 基于视频检测技术的车流密度定性判别方法 |
-
2015
- 2015-04-30 CN CN201510220815.5A patent/CN104900054B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101303801A (zh) * | 2008-06-30 | 2008-11-12 | 北京交通大学 | 一种城市快速路交通流状态实时判别方法 |
JP2010128732A (ja) * | 2008-11-27 | 2010-06-10 | Japan Traffic Management Technology Association | 車両台数密度観測装置及び車両台数密度観測装置用のプログラム |
KR20100130055A (ko) * | 2009-06-02 | 2010-12-10 | 하이테콤시스템(주) | 차량밀도 검지방법 |
CN101599217A (zh) * | 2009-07-17 | 2009-12-09 | 北京交通大学 | 一种快速路交通状态判别方法 |
CN102496278A (zh) * | 2011-12-09 | 2012-06-13 | 北京世纪高通科技有限公司 | 通过图像获取交通状态的方法和装置 |
CN103236160A (zh) * | 2013-04-07 | 2013-08-07 | 水木路拓科技(北京)有限公司 | 基于视频图像处理技术的路网交通状态监测*** |
CN104123840A (zh) * | 2014-07-28 | 2014-10-29 | 重庆大学 | 基于视频检测技术的车流密度定性判别方法 |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105139650A (zh) * | 2015-09-10 | 2015-12-09 | 华南理工大学 | 一种基于交通状态的车辆攻击性驾驶判别方法 |
CN105528891A (zh) * | 2016-01-13 | 2016-04-27 | 深圳市中盟科技有限公司 | 基于无人机监控的交通流密度检测方法及*** |
CN106097726A (zh) * | 2016-08-23 | 2016-11-09 | 苏州科达科技股份有限公司 | 检测区域的确定、交通信息检测方法及装置 |
CN106652495A (zh) * | 2016-10-21 | 2017-05-10 | 苏州花坞信息科技有限公司 | 一种智能交通信号灯和交通信号灯变换方法 |
CN106683405A (zh) * | 2016-12-28 | 2017-05-17 | 安徽科力信息产业有限责任公司 | 基于道路车流密度的道路交通状态评价方法 |
CN108682154A (zh) * | 2018-06-19 | 2018-10-19 | 上海理工大学 | 基于车流状态变化深度学习分析的道路拥堵检测*** |
CN108682154B (zh) * | 2018-06-19 | 2021-03-16 | 上海理工大学 | 基于车流状态变化深度学习分析的道路拥堵检测*** |
CN108986465A (zh) * | 2018-07-27 | 2018-12-11 | 深圳大学 | 一种车流量检测的方法、***及终端设备 |
CN112133105A (zh) * | 2019-06-24 | 2020-12-25 | 株式会社日立制作所 | 交通流预测辅助装置以及交通流预测辅助方法 |
CN112133105B (zh) * | 2019-06-24 | 2023-05-02 | 株式会社日立制作所 | 交通流预测辅助装置以及交通流预测辅助方法 |
CN113345227A (zh) * | 2021-05-31 | 2021-09-03 | 上海涵润汽车电子有限公司 | 一种随机交通流生成方法及装置 |
CN113345227B (zh) * | 2021-05-31 | 2022-09-20 | 上海涵润汽车电子有限公司 | 一种随机交通流生成方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN104900054B (zh) | 2017-07-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104900054A (zh) | 交通状态的判定方法和装置 | |
US20200211374A1 (en) | System, method, and apparatus for analyzing a traffic road condition | |
Seo et al. | Estimation of flow and density using probe vehicles with spacing measurement equipment | |
CN105528891A (zh) | 基于无人机监控的交通流密度检测方法及*** | |
JP7081438B2 (ja) | オブジェクト速度推定方法と装置及び画像処理機器 | |
CN109064495A (zh) | 一种基于Faster R-CNN与视频技术的桥面车辆时空信息获取方法 | |
CN104050818B (zh) | 基于目标跟踪和特征点匹配的运动车辆测速方法 | |
DE102015117535A1 (de) | Vorrichtung und Verfahren zur Fahrerassistenz | |
DE102011120497A1 (de) | Systeme und Verfahren zur präzisen Fahrzeugpositionsbestimmung innerhalb einer Fahrspur | |
Lu et al. | Effects of winter weather on traffic operations and optimization of signalized intersections | |
KR101530636B1 (ko) | 단위구간 안의 차량의 수를 계수하여 교통밀도를 산출하는 장치 및 방법 | |
CN104021676A (zh) | 基于车辆动态视频特征的车辆定位及车速测量方法 | |
CN103488976A (zh) | 一种基于智能驾驶中停止线实时检测以及距离测量的方法 | |
Sen et al. | Accurate speed and density measurement for road traffic in India | |
Twaddle et al. | Modeling the speed, acceleration, and deceleration of bicyclists for microscopic traffic simulation | |
CN102779415B (zh) | 实时分析交通信号相位的方法与装置 | |
CN106327880B (zh) | 一种基于监控视频的车速识别方法及其*** | |
CN110942038A (zh) | 基于视觉的交通场景识别方法、装置、介质及电子设备 | |
Axer et al. | Estimation of traffic signal timing data and total delay for urban intersections based on low-frequency floating car data | |
CN105389978A (zh) | 封闭快速道路监测***及监控数据处理方法 | |
CN110020642A (zh) | 一种基于车辆检测的能见度识别方法 | |
Kühnl et al. | Visual ego-vehicle lane assignment using spatial ray features | |
Dehghani et al. | Single camera vehicles speed measurement | |
CN110399664A (zh) | 一种驾驶速度的确定方法及装置 | |
Hautière et al. | Experimental validation of dedicated methods to in-vehicle estimation of atmospheric visibility distance |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
CB02 | Change of applicant information |
Address after: 518000, Shenzhen, Guangdong, Nanshan District Nanshan commercial and cultural center Tianli Central Business Plaza (phase two) C-3005 Applicant after: SHENZHEN UNIHZ TECHNOLOGIES CO., LTD. Address before: 518000, Shenzhen, Guangdong, Nanshan District Nanshan commercial and cultural center Tianli Central Business Plaza (phase two) C-3005 Applicant before: UNIHZ Technologies Corp. |
|
COR | Change of bibliographic data | ||
GR01 | Patent grant | ||
GR01 | Patent grant |