CN104900054A - 交通状态的判定方法和装置 - Google Patents

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

交通状态的判定方法和装置

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)。

$\frac{I_{R,t}(x,y)}{k_t(x,y)}-B_{R,t}(x,y)>[4-n_t(x,y)]\·\mathrm{\α}+\mathrm{\β}\·{\mathrm{\σ}}_{R,t}(x,y)------\left(1\right);$

$\frac{I_{G,t}(x,y)}{k_t(x,y)}-B_{G,t}(x,y)>[4-n_t(x,y)]\·\mathrm{\α}+\mathrm{\β}\·{\mathrm{\σ}}_{G,t}(x,y)------\left(2\right);$

$\frac{I_{B,t}(x,y)}{k_t(x,y)}-B_{B,t}(x,y)>[4-n_t(x,y)]\·\mathrm{\α}+\mathrm{\β}\·{\mathrm{\σ}}_{B,t}(x,y)------\left(3\right);$

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)、n_t(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。σ_t(x,y)为标准差，μ(x,y)为数学期望。k_t(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W_i,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，

$k_t(x,y)=k_{s,t}=\frac{1}{{3m}^2}\underset{(x^{\′},y^{\′})\∈s}{\mathrm{\Σ}}[\frac{I_R(x^{\′},y^{\′})}{B_R(x^{\′},y^{\′})}+\frac{I_G(x^{\′},y^{\′})}{B_G(x^{\′},y^{\′})}+\frac{I_B(x^{\′},y^{\′})}{B_B(x^{\′},y^{\′})}].$

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)。

$\frac{I_{R,t}(x,y)}{k_t(x,y)}-B_{R,t}(x,y)>[4-n_t(x,y)]\·\mathrm{\α}+\mathrm{\β}\·{\mathrm{\σ}}_{R,t}(x,y)------\left(1\right);$

$\frac{I_{G,t}(x,y)}{k_t(x,y)}-B_{G,t}(x,y)>[4-n_t(x,y)]\·\mathrm{\α}+\mathrm{\β}\·{\mathrm{\σ}}_{G,t}(x,y)------\left(2\right);$ $\frac{I_{B,t}(x,y)}{k_t(x,y)}-B_{B,t}(x,y)>[4-n_t(x,y)]\·\mathrm{\α}+\mathrm{\β}\·{\mathrm{\σ}}_{B,t}(x,y)------\left(3\right);$

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)、n_t(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。σ_t(x,y)为标准差，μ(x,y)为数学期望。k_t(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W_i,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，

$k_t(x,y)=k_{s,t}=\frac{1}{{3m}^2}\underset{(x^{\′},y^{\′})\∈s}{\mathrm{\Σ}}[\frac{I_R(x^{\′},y^{\′})}{B_R(x^{\′},y^{\′})}+\frac{I_G(x^{\′},y^{\′})}{B_G(x^{\′},y^{\′})}+\frac{I_B(x^{\′},y^{\′})}{B_B(x^{\′},y^{\′})}].$

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。