CN110363989A - 交通流量检测方法、装置、电子设备及存储介质 - Google Patents
交通流量检测方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN110363989A CN110363989A CN201910625813.2A CN201910625813A CN110363989A CN 110363989 A CN110363989 A CN 110363989A CN 201910625813 A CN201910625813 A CN 201910625813A CN 110363989 A CN110363989 A CN 110363989A
- Authority
- CN
- China
- Prior art keywords
- traffic flow
- magnitude
- principal component
- traffic
- 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.)
- Pending
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
-
- 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
- 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
- G08G1/065—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)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Traffic Control Systems (AREA)
Abstract
本申请公开了一种交通流量检测方法,属于智能交通技术领域,解决了现有技术中确定复杂交通状况下的交通流量不准确的问题。所述方法包括:获取交通路口的路况图像;根据所述路况图像和/或所述交通路口的历史交通数据,确定多个预设交通流量影响因素的取值;通过预先确定的至少一个主成分表达式,分别确定所述多个预设交通流量影响因素的取值对应的主成分的值;将所述多个预设交通流量影响因素的取值对应的主成分的值输入至预先建立的交通流量评价模型,确定交通路口的交通流量评价指标,以根据所述交通流量评价指标确定所述交通路口的交通流量,有助于提升获取复杂交通状况下的交通路口的交通流量的准确性。
Description
技术领域
本申请涉及智能交通领域,特别是涉及一种交通流量检测方法、装置、电子设备及计算机可读存储介质。
背景技术
随着城市人口和车辆规模越来越大,在人车数量较多的交通道路口,需要根据交通流量检测结果控制交通灯的切换时间,以维护正常的交通秩序。现有技术中,交通流量的获取,主要通过图像采集设备采集交通路口的图像,再对图像中的人和车辆进行识别、分析,并结合交通路口位置设置的感应线圈和激光测速设备最终获得交通路口的车速、车的数量以及人流量等交通信息。
然而,现有技术采用感应线圈和激光测速设备的方案,成本较高,维护工作比较困难,而且无法准确获取交通路口尤其是复杂交通状况下的交通流量信息。
发明内容
本申请提供一种交通流量检测方法,在准确获取简单交通状况下的交通路口的交通流量的同时,有助于提升获取复杂交通状况下的交通路口的交通流量的准确性。
为了解决上述问题,第一方面,本申请实施例提供了一种交通流量检测方法,包括:
获取交通路口的路况图像;
根据所述路况图像和/或所述交通路口的历史交通数据,确定多个预设交通流量影响因素的取值;
通过预先确定的至少一个主成分表达式,分别确定所述多个预设交通流量影响因素的取值对应的主成分的值,其中,所述主成分表达式为用于通过一个数值反映所述多个预设交通流量影响因素的信息的公式;
将所述多个预设交通流量影响因素的取值对应的主成分的值输入至预先建立的交通流量评价模型,确定交通路口的交通流量评价指标,根据所述交通流量评价指标确定所述交通路口的交通流量。
本申请的一些实施例中,所述通过预先确定的至少一个主成分表达式,分别确定所述多个预设交通流量影响因素的取值对应的主成分的值的步骤之前,还包括:
获取不同交通路口的若干路况图像;
对于每幅所述路况图像,分别确定该幅路况图像对应的所述预设交通流量影响因素的取值;
采用主成分分析法对所述若干路况图像对应的所述预设交通流量影响因素的取值进行主成分分析,确定累计信息利用率大于预设阈值的至少一个主成分及相应的主成分表达式,其中,所述主成分表达式用于根据每幅所述路况图像对应的所述预设交通流量影响因素的取值计算对应的主成分,所述主成分表达式计算得到的主成分之间互不关联。
本申请的一些实施例中,所述将所述多个预设交通流量影响因素的取值对应的主成分的值输入至预先建立的交通流量评价模型,确定交通路口的交通流量评价指标的步骤之前,还包括:
将包含预设交通流量影响因素的信息最多且所述累计信息利用率大于预设阈值的至少一个主成分以相应权值进行加权求和,作为交通流量评价模型,其中,所述主成分对应的权值为该主成分的所述累计信息利用率。
本申请的一些实施例中,所述多个预设交通流量影响因素至少包括行人数量,还包括:路网密度、道路通行面积、路口饱和度、车流量、行车速度中的任意一项或多项。
本申请的一些实施例中,当所述多个预设交通流量影响因素包括:行车速度时,所述根据所述路况图像和/或所述交通路口的历史交通数据,确定多个预设交通流量影响因素的取值的步骤,包括:
通过预先训练的车灯识别模型分别确定间隔预设时间采集的两幅所述路况图像中的车灯区域;
根据所述车灯区域在与所述路况图像匹配的图像坐标系中的位移和所述预设时间,确定所述车灯区域在所述图像坐标系中的速度;
根据所述路况图像的采集设备的成像原理,将所述车灯区域在所述图像坐标系中的所述速度换算为交通路口的行车速度。
本申请的一些实施例中,所述通过预先训练的车灯识别模型分别确定间隔预设时间采集的两幅所述路况图像中的车灯区域的步骤之前,包括:
获取包含车灯的图像,并以所述图像中的车灯区域的边框坐标对相应的所述图像进行标注,构建训练数据;
基于所述训练数据,训练多任务卷积神经网络,得到车灯识别模型。
本申请的一些实施例中,当所述多个预设交通流量影响因素包括:行人数量时,所述根据所述路况图像和/或所述交通路口的历史交通数据,确定多个预设交通流量影响因素的取值的步骤,包括:
通过预先训练的多尺度卷积网络对所述路况图像进行回归人群密度图处理,确定所述路况图像中的人群密度。
第二方面,本申请实施例提供了一种交通流量检测装置,包括:
路况图像获取模块,用于获取交通路口的路况图像;
交通流量影响因素取值确定模块,用于根据所述路况图像和/或所述交通路口的历史交通数据,确定多个预设交通流量影响因素的取值;
主成分分析模块,用于通过预先确定的至少一个主成分表达式,分别确定所述多个预设交通流量影响因素的取值对应的主成分的值,其中,所述主成分表达式为用于通过一个数值反映所述多个预设交通流量影响因素的信息的公式;
交通流量预测模块,用于将所述多个预设交通流量影响因素的取值对应的主成分的值输入至预先建立的交通流量评价模型,确定交通路口的交通流量评价指标,根据所述交通流量评价指标确定所述交通路口的交通流量。
本申请的一些实施例中,所述通过预先确定的至少一个主成分表达式,分别确定所述多个预设交通流量影响因素的取值对应的主成分的值的步骤之前,还包括:
主成分表达式确定模块,用于获取不同交通路口的若干路况图像;以及,
对于每幅所述路况图像,分别确定该幅路况图像对应的所述预设交通流量影响因素的取值;
所述主成分表达式确定模块,还用于采用主成分分析法对所述若干路况图像对应的所述预设交通流量影响因素的取值进行主成分分析,确定累计信息利用率大于预设阈值的至少一个主成分及相应的主成分表达式,其中,所述主成分表达式用于根据每幅所述路况图像对应的所述预设交通流量影响因素的取值计算对应的主成分,所述主成分表达式计算得到的主成分之间互不关联。
本申请的一些实施例中,所述装置还包括:
交通流量评价模型确定模块,用于将包含预设交通流量影响因素的信息最多且所述累计信息利用率大于预设阈值的至少一个主成分以相应权值进行加权求和,作为交通流量评价模型,其中,所述主成分对应的权值为该主成分的所述累计信息利用率。
本申请的一些实施例中,所述多个预设交通流量影响因素至少包括行人数量,还包括:路网密度、道路通行面积、路口饱和度、车流量、行车速度中的任意一项或多项。
本申请的一些实施例中,当所述多个预设交通流量影响因素包括:行车速度时,所述交通流量影响因素取值确定模块,进一步用于:
通过预先训练的车灯识别模型分别确定间隔预设时间采集的两幅所述路况图像中的车灯区域;
根据所述车灯区域在与所述路况图像匹配的图像坐标系中的位移和所述预设时间,确定所述车灯区域在所述图像坐标系中的速度;以及,
根据所述路况图像的采集设备的成像原理,将所述车灯区域在所述图像坐标系中的所述速度换算为交通路口的行车速度。
本申请的一些实施例中,所述交通流量影响因素取值确定模块,还用于,在通过预先训练的车灯识别模型分别确定间隔预设时间采集的两幅所述路况图像中的车灯区域之前,获取包含车灯的图像,并以所述图像中的车灯区域的边框坐标对相应的所述图像进行标注,构建训练数据;以及,
基于所述训练数据,训练多任务卷积神经网络,得到车灯识别模型。
本申请的一些实施例中,当所述多个预设交通流量影响因素包括:行人数量时,所述交通流量影响因素取值确定模块,进一步用于:
通过预先训练的多尺度卷积网络对所述路况图像进行回归人群密度图处理,确定所述路况图像中的人群密度。
第三方面,本申请实施例还公开了一种电子设备,包括存储器、处理器及存储在所述存储器上并可在处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现本申请实施例所述的交通流量检测方法。
第四方面,本申请实施例提供了一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时本申请实施例公开的交通流量检测方法的步骤。
本申请实施例公开的交通流量检测方法,通过获取交通路口的路况图像;根据所述路况图像和/或所述交通路口的历史交通数据,确定多个预设交通流量影响因素的取值;通过预先确定的至少一个主成分表达式,分别确定所述多个预设交通流量影响因素的取值对应的主成分的值,其中,所述主成分表达式为用于通过一个数值反映所述多个预设交通流量影响因素的信息的公式;将所述多个预设交通流量影响因素的取值对应的主成分的值输入至预先建立的交通流量评价模型,确定交通路口的交通流量评价指标,根据所述交通流量评价指标确定所述交通路口的交通流量,在准确获取简单交通状况下的交通路口的交通流量的同时,有助于提升获取复杂交通状况下的交通路口的交通流量的准确性。
附图说明
为了更清楚地说明本申请实施例的技术方案,下面将对实施例或现有技术描述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仅是本申请的一些实施例,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是本申请实施例一的交通流量检测方法流程图;
图2是本申请实施例二的交通流量检测方法流程图;
图3是本申请实施例二中图像中的距离和实际道路中距离映射原理示意图;
图4是本申请实施例三的交通流量检测装置结构示意图之一;
图5是本申请实施例三的交通流量检测装置结构示意图之二。
具体实施方式
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、完整地描述,显然,所描述的实施例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。
实施例一
本申请实施例公开的一种交通流量检测方法,如图1所示,该方法包括:步骤110至步骤140。
步骤110,获取交通路口的路况图像。
在待检测交通流量的交通路口,通常设置有图像采集设备,用于采集该交通路口的路况图像。本申请实施例中,可以通过设置在交通路口的图像采集设备采集该交通路口的路况图像。其中,所述图像采集设备可以为电子眼、高清摄像头等。
步骤120,根据所述路况图像和/或所述交通路口的历史交通数据,确定多个预设交通流量影响因素的取值。
本申请实施例中所述的预设交通流量影响因素为对交通流量产生影响的因素。具体实施时,主要通过以下原则来选取交通流量影响因素:第一,简明性原则,即交通流量影响因素应具有清晰、明了且不繁琐的特点;第二,可操作性原则,即交通流量影响因素应该是可以测量到数据的指标;第三,客观性原则,即交通流量影响因素的选择要客观、科学、合理;第四,***性原则,即每个交通流量影响因素都应该统一为一个整体,看似独立实际上都有内在的联系。
本申请实施例中所述的预设交通流量影响因素至少包括行人数量,还可以包括但不限于:路网密度、道路通行面积、路口饱和度、车流量、行车速度、中的任意一项或多项。例如,对于在不同路口车道数的变化较大的情况,还可以选择车道数作为一个交通流量影响因素。
不同的交通流量影响因素获取的方式略有不同。在获取到交通路口的路况图像之后,采用相应的方式获取预设交通流量影响因素的取值。例如,交通路口的历史交通数据获取路网密度、道路通行面积、路口饱和度等因素的取值;根据所述路况图像获取车流量、行车速度、行人数量等因素的取值。
步骤130,通过预先确定的至少一个主成分表达式,分别确定所述多个预设交通流量影响因素的取值对应的主成分的值。
其中,所述主成分表达式为用于通过一个数值反映所述多个预设交通流量影响因素的信息的公式。
本申请具体实施时,首先需要采用主成分分析法建立交通流量评价模型,该交通流量评价模型通过对交通路口的路况图像中预设交通流量影响因素的取值计算得到的多个主成分进行加权求和,得到一个评价该交通路口的交通流量的综合指标。其中,每个所述主成分通过不同的主成分表达式计算得到,不同的主成分之间互不关联,因此,可以使得所述评价该交通路口的交通流量的综合指标依据了更加丰富和全面的信息,有助于提升检测交通流量的准确性。另一方面,由于主成分分析以最少的信息量丢失为前提,将原有变量综合成较少的几个综合指标,可以大大减少检测过程中的计算设备的运算量。
上述主成分的确定过程不是简单的因素取舍,而是原有变量重组后得到的,因此,上述主成分能够反映所述多个预设交通流量影响因素的大部分信息。主成分对应的主成分表达式可以表示为所述多个预设交通流量影响因素的取值的线性组合,每个预设交通流量影响因素的系数通过对历史交通数据进行分析确定。
在本申请的一些实施例中,在根据历史交通数据进行上述多个预设交通流量影响因素主成分分析时,通常可以构建多个主成分表达式,即可以建立上述多个预设交通流量影响因素的多个线性组合,每个线性组合对应一个上述多个预设交通流量影响因素的主成分。具体实施时,通过构建的主成分表达式分别对所述多个预设交通流量影响因素的取值进行线性计算,可以得到与各主成分表达式对应的主成分的值。
在本申请的一些实施例中,每个主成分用于检测交通流量的贡献率有所不同,为了减少交通流量评价模型的计算量,可以选择累计贡献率大于预设阈值的一个或多个主成分用于构建最终的交通流量评价模型。在本申请的一些实施例中,可以选择贡献率最大且累计贡献率大于预设阈值的前N个主成分构建最终的交通流量评价模型。相应的,本步骤中,根据选择的贡献率最大且累计贡献率大于预设阈值的前N个主成分对应的主成分表达式,计算相应的主成分的值。
步骤140,将所述多个预设交通流量影响因素的取值对应的主成分的值输入至预先建立的交通流量评价模型,确定交通路口的交通流量评价指标,根据所述交通流量评价指标确定所述交通路口的交通流量。
本申请实施例中预先建立的交通流量评价模型可以为对上述步骤选择的所述至少一个主成分表达式计算得到的主成分的值进行加权求和运算。具体实施时,将上述步骤计算得到的、与所述至少一个主成分表达式对应的主成分的值输入至预先建立的交通流量评价模型,即可得到上述交通路口的交通流量评价指标。进一步的,根据得到的交通流量评价指标确定所述交通路口的交通流量。
本申请实施例公开的交通流量检测方法,通过获取交通路口的路况图像;根据所述路况图像和/或所述交通路口的历史交通数据,确定多个预设交通流量影响因素的取值;通过预先确定的至少一个主成分表达式,分别确定所述多个预设交通流量影响因素的取值对应的主成分的值,其中,所述主成分表达式为用于通过一个数值反映所述多个预设交通流量影响因素的信息的公式;将所述多个预设交通流量影响因素的取值对应的主成分的值输入至预先建立的交通流量评价模型,确定交通路口的交通流量评价指标,以根据所述交通流量评价指标确定所述交通路口的交通流量,在准确获取简单交通状况下的交通路口的交通流量的同时,有助于提升获取复杂交通状况下的交通路口的交通流量的准确性。
本申请实施例公开的交通流量检测方法,通过采用主成分分析法选择对评价交通流量贡献率较大的主成分,然后基于选择主成分构建评价交通流量的数学模型,在线检测时,基于构建的数学模型确定交通路口的交通流量评价指标,以根据所述交通流量评价指标确定所述交通路口的交通流量。由于采用此方法,可以选择多个交通流量影响因素进行主成分分析,这样,得到的交通流量评价指标考虑了多个因素,可以使得交通流量评价指标更准确。
实施例二
本申请实施例公开的一种交通流量检测方法,如图2所示,该方法包括:步骤210至步骤260。
步骤210,确定至少一个主成分及相应的主成分表达式。
在本申请的一些实施例中,所述通过预先确定的至少一个主成分表达式,分别确定所述多个预设交通流量影响因素的取值对应的主成分的值的步骤之前,还包括:确定至少一个主成分及相应的主成分表达式。本申请的一些实施例中,通过以下步骤确定至少一个主成分及相应的主成分表达式:获取不同交通路口的若干路况图像;对于每幅所述路况图像,分别确定该幅路况图像对应的所述预设交通流量影响因素的取值;采用主成分分析法对所述若干路况图像对应的所述预设交通流量影响因素的取值进行主成分分析,确定累计信息利用率大于预设阈值的至少一个主成分及相应的主成分表达式,其中,所述主成分表达式用于根据每幅所述路况图像对应的所述预设交通流量影响因素的取值计算对应的主成分,所述主成分表达式计算得到的主成分之间互不关联。
具体实施时,首先需要选择交通流量影响因素。本申请的一些实施例中,预设交通流量影响因素至少包括行人数量,还可以包括但不限于路网密度、道路通行面积、路口饱和度、车流量、行车速度中的一种或多种。本实施例中,以预设交通流量影响因素包括:路网密度、道路通行面积、路口饱和度、车流量、行车速度、行人数量举例说明交通流量检测的具体技术方案。
首先,需要获取不同交通路口的若干路况图像,其中,所述的不同交通路口可以为交通路口附近的交通路口,也可以为具有相似路况的交通路口。
然后,对于每幅所述路况图像,分别确定该幅路况图像对应的所述预设交通流量影响因素的取值。具体到实施例而言,对于每幅所述路况图像,分别确定该幅路况图像对应的路网密度、道路通行面积、路口饱和度、车流量、行车速度、行人数量的取值。
其中,不同的交通流量影响因素,采用相应的方法确定其取值。
具体而言,对于道路通行面积这一交通流量影响因素,可以通过该交通路口的历史交通数据(如道路设计数据)确定路网密度的取值;对于路口饱和度这一交通流量影响因素,可以通过该交通路口的历史交通数据确定(例如,可以根据公式:确定某一交通路口的路况图像对应的路口饱和度,其中,“车流饱和通行能力”和“最大交通流量”根据历史交通数据确定);对于路网密度这一交通流量影响因素,可以通过该交通路口的历史交通数据和路况图像确定(例如,通过公式:确定某一交通路口的路网密度,其中,“图像区域总面积”可以根据交通数据确定,“图像区域内所有道路总长度”可以通过对该路况图像进行图像识别和处理确定);对于车流量这一交通流量影响因素,可以通过历史交通数据确定(例如,通过公式:确定某一交通路口的车流量,其中,“通过车辆总数”和“时间”可以根据交通数据确定,图像区域内所有道路总长度可以通过对该路况图像进行图像识别和处理确定);对于行车速度这一交通流量影响因素,可以通过该交通路口的采集的路况图像以及该路况图像的采集时间确定;对于行人数量这一交通流量影响因素,可以通过预先训练的多尺度卷积网络对所述路况图像进行回归人群密度图处理,从而确定各路况图像中的行人数量。
在分别确定了上述若干路况图像中每幅路况图像对应的上述交通流量影响因素的取值之后,将确定的上述交通流量影响因素的取值作为基础数据,通过主成分分析法确定上述交通流量影响因素的主成分,以及各主成分的主成分表达式。具体过程如下:
假设上述若干路况图像包括n幅路况图像,预设交通流量影响因素的数量以p表示(具体到本实施例中,p=6),根据上述若干路况图像对应的交通流量影响因素的取值,可以得到一个n×p的数据矩阵,例如表示为:矩阵中的每一行中的数据代表一幅路况图像对应的各交通流量影响因素的数量的取值。
之后,对数据矩阵中的数据进行标准化处理。例如,通过公式对数据矩阵中的数据进行标准化处理,其中,为所有数据的均值,δX为矩阵中所有数据的标准差,Xij表示数据矩阵中第i行第j列的数据。
然后,建立各交通流量影响因素的相关性系数矩阵R,R=(rij)p*p,其中,p表示交通流量影响因素的数量,rij表示第i个指标和第j个指标的相关性系数,通过以下公式计算:
公式中,n表示路况图像的数量,k为自然数,i和j为大于等于0小于p的自然数。
接下来,求解相关性系数矩阵R的特征根λ1>=λ2...>=λp>0以及各特征根对应的单位特征向量α1、α2、….、αp。各单位特征向量可以通过如下矩阵表示:
因为每个交通流量影响因素都在不同程度上反映了所检测的交通流量的一些信息,彼此之间会有一定的相关性,因此会在一定程度上有重叠,通过将上述交通流量影响因素的取值转换为特征根和单位特征向量,即相当于把交通流量影响因素映射到新的坐标系中,转换为各分量不相关的多个因素,而单位特征向量就是各个交通流量影响因素的特征值,而特征根对应映射得到的因素中包含原始信息的大小,即一组交通流量影响因素的取值的主成分标识包含交通流量影响因素的信息量多少。特征根越大,即主成分越大,说明该主成分包含原始交通流量影响因素的信息量越多。
再之后,求得每个特征根的表达式,即求得主成分表达式。在本申请的一些实施例中,特征根(即主成分)的表达式为交通流量影响因素的线性组合公式,例如,表达式可以采用如下形式:Fi=a1iX1+a2iX2+...+apiXp,i=1,2,...p,其中,X1、X2、…、Xp为交通流量影响因素的取值,α1i为线性组合的系数,Fi为主成分的值。
分别计算上述主成分的贡献率,主成分的贡献率表示主成分对上述交通流量影响因素的利用率,具体实施时,可以采用公式:计算主成分λi的贡献率;通过公式:计算各主成分的累计贡献率。
最后,选择主成分累计贡献率满足预设阈值(如η'>=85%)的主成分用于构建交通流量评价模型。
在本申请的一些实施例中,首先对求得的主成分按照取值由大到小的顺序排序,然后,选择主成分最大且累计贡献率满足预设阈值的m个主成分构建交通流量评价模型。以求得的主成分和对应的贡献率表1所示举例,可以选择第一行和第二行中的两个主成分(可以分别表示为F1和F2)构建交通流量评价模型。
主成分 | 贡献率(%) |
2.3 | 84 |
0.6 | 5.6 |
… | … |
0.001 | 0.1 |
表1
进一步的,在本申请的一些优选实施例中,当上述多个预设交通流量影响因素包括:行车速度时,根据所述路况图像和/或所述交通路口的历史交通数据,确定多个预设交通流量影响因素的取值的步骤,包括:通过预先训练的车灯识别模型分别确定间隔预设时间采集的两幅所述路况图像中的车灯区域;根据所述车灯区域在与所述路况图像匹配的图像坐标系中的位移和所述预设时间,确定所述车灯区域在所述图像坐标系中的速度;根据所述路况图像的采集设备的成像原理,将所述车灯区域在所述图像坐标系中的所述速度换算为交通路口的行车速度。
例如,在检测行车速度时,首先获取间隔预设时间采集的某一交通路口的两幅路况图像,分别将这两幅路况图像输入至预先训练好的车灯识别模型。车灯识别模型进行图像识别之后,将输出图像中的车灯框以及各车灯框的坐标。然后,抽取车灯框的下端边界作为参考点,分别对上述两幅图像中的车灯框进行位置相减,得到图像中的车灯位移Δx,并计算这两幅路况图像之间的采集时间间隔Δt,则得到图像中的车灯移动速度Δx/Δt,车灯移动速度即是车辆移动速度。由于在交通路口,车辆的移动速度近似直线,因此可以利用监控摄像头的成像透视关系,将图像中的车辆移动速度映射到实际道路上的车辆移动速度。
下面结合附图3阐述路况图像采集设备的成像原理。
图像采集设备是固定,所以采集设备采集的路况图像中的车道的角度也是固定不变的,为了简化计算量,本实施例中以采取一条车道对其进行处理举例说明从图像速度到实际道路上的行车速度的映射过程。
首先在采集设备采集到的路况图像中划分感兴趣区域。本实施例中,选取道路中的两点确定的车道区域为感兴趣区域。假设这两点分别为(x1,y1),(x2,y2),直线方程为Ax+By+C=0,则求得路况图像中车道线上的三个点:
如图3所示,假设点O为采集设备的位置,图中A,B,C是路况图像中车道线上的三点。A,B,C对应的实际道路上的三点为H,G,F,这三点的距离同时保证为10m,则可以利用相似三角形定理求得在A,B,C三点所处直线上的任意一点D的实际距离。
当D点在C点右侧及A点的左侧,D点在AB之间时,各点之间的距离满足如下关系:
当D点在B与C之间,时各点之间的距离满足如下关系:
按照上述映射关系,就可以计算图像中的车灯位移(即车辆位移)和实际道路上的车辆位移之间的映射关系,进一步根据位移的映射关系将图像中的车辆移动速度映射到实际道路上的车辆移动速度。
在本申请的一些优选实施例中,所述通过预先训练的车灯识别模型分别确定间隔预设时间采集的两幅所述路况图像中的车灯区域的步骤之前,包括:获取包含车灯的图像,并以所述图像中的车灯区域的边框坐标对相应的所述图像进行标注,构建训练数据;基于所述训练数据,训练多任务卷积神经网络,得到车灯识别模型。例如,通过对采集设备采集的交通路口的路况图像或公开的车辆图像进行裁剪,获取包含车灯的图像;之后,标定图像中的车灯区域的边框,以所述图像中的车灯区域的边框坐标作为相应所述图像的标签,构建训练数据;最后,基于所述训练数据,训练多任务卷积神经网络,得到车灯识别模型。
本申请实施例中,以训练车灯识别模型替代车辆识别模型进行车辆识别,是为了从连续的视频帧中计算车速,由于两帧图像的车灯区域一般都是对称的,相对于路面和车身而言,车灯部分亮度比较大,同时车灯对应块在视野的上下方向运动,对数值方向偏移比较小,因此可以根据图像中较少的信息即可识别图像中的车辆,并识别不同图像帧中的同一车辆,在保证车辆识别准确率的情况下,可以进一步减少图像处理的运算量。多任务卷积神经网络通常用于人脸检测场景,本申请将多任务卷积神经网络转用至车灯检测,可以提升车灯检测的实时性。
现有技术中采用的感应线圈,激光或者超声波测量行车速度,这样***成本会大大增加。本申请采用车灯识别模型加数学方法直接从图像中获取车辆速度,方案实施成本低,便于维护。同时,利用车灯识别模型从相邻帧的图像中快速的获取行车速度,不需要速度采集设备到计算设备之间的数据传输时间,可以提升行车速度检测的实时性。
在本申请的一些优选实施例中,当所述多个预设交通流量影响因素包括:行人数量时,所述根据所述路况图像和/或所述交通路口的历史交通数据,确定多个预设交通流量影响因素的取值的步骤,包括:通过预先训练的多尺度卷积网络对所述路况图像进行回归人群密度图处理,确定所述路况图像中的人群密度。其中,对所述路况图像进行回归人群密度图处理包括:对生成的人群密度图中的像素求和得到所述路况图像中的人数。
在训练多尺度卷积网络(如MTCNN网络)时,首先采集若干交通路口的包含人群的路况图像,然后对采集的包含人群的路况图像进行裁剪、增强操作,构建训练样本;之后,对作为训练样本的图像中的人头点进行标注,利用高斯自适应核函数对标注后的图像进行处理,生成密度图,将密度图作为训练样本的标签;最后,将训练样本与标签输入到多尺度卷积网络,采用多尺度网络结构(如SACNN网络)回归密度图,不断迭代,降低与对应标签的欧式距离,收敛到预设程度,完成多尺度卷积网络的训练。然后,对回归的密度图进行像素相加,得到回归的行人数量。
本申请实施例通过采用多尺度卷积网络直接产生密度图,进而计算得到行人数量,相对于现有技术中直接通过标定人头数识别图像中的行人数量的方法,可以更好的适应于交通人流量大的情况,可以有效避免行人遮挡严重和尺度不均匀的情况。
步骤220,建立交通流量评价模型。
在本申请的一些实施例中,所述将所述多个预设交通流量影响因素的取值对应的主成分的值输入至预先建立的交通流量评价模型,确定交通路口的交通流量评价指标的步骤之前,还包括:将包含预设交通流量影响因素的信息最多且所述累计信息利用率大于预设阈值的至少一个主成分以相应权值进行加权求和,作为交通流量评价模型,其中,所述主成分对应的权值为该主成分的所述累计信息利用率。
具体到本实施例中,如果选择表1中第一行和第二行中的两个主成分(可以分别表示为F1和F2)构建交通流量评价模型,则构建的交通流量评价模型可以表示为:Z=β1F1+β2F2,其中,β1为主成分F1的贡献率,取值为表1中的0.84;β2为主成分F2的贡献率,取值为表1中的0.056。
步骤230,获取交通路口的路况图像。
获取交通路口的路况图像参见实施例一,本实施例不再赘述。
步骤240,根据所述路况图像和/或所述交通路口的历史交通数据,确定多个预设交通流量影响因素的取值。
本申请实施例中所述的预设交通流量影响因素至少包括行人数量,还包括但不限于:路网密度、道路通行面积、路口饱和度、车流量、行车速度中的任意一项或多项。例如,对于在不同路口车道数的变化较大的情况,还可以选择车道数作为一个交通流量影响因素。
不同的交通流量影响因素获取的方式略有不同。在获取到交通路口的路况图像之后,采用相应的方式获取预设交通流量影响因素的取值。本实施例中,路网密度、道路通行面积、路口饱和度、车流量、行车速度、行人数量的取值可以采用步骤210中所述的相应方法确定,本实施例不再赘述。
步骤250,通过上述步骤确定的至少一个主成分表达式,分别确定所述多个预设交通流量影响因素的取值对应的主成分的值。
其中,所述主成分表达式为用于通过一个数值反映所述多个预设交通流量影响因素的信息的公式。
通过上述步骤确定的至少一个主成分表达式,分别确定所述多个预设交通流量影响因素的取值对应的主成分的值的具体实施方式参见实施例一,本实施例不再赘述。
具体到本实施例而言,以前述步骤确定的主成分包括F1和F2为例,分别通过主成分F1和F2对应的主成分表达式计算交通路口的路况图像中确定的上述交通流量影响因素的主成分的值F1‘和F2‘。下面以前述步骤确定的交通流量影响因素的如表2所示举例,说明交通流量影响因素的主成分的计算方法。
表2
根据表2中各特征根(即主成分)对应的交通流量影响因素的单位特征向量,可以得出主成分F1和F2对应的主成分表达式分别为:
F1=0.5X1+0.3X2+0.5X3+…+0.8X6;
F2=0.6X1+0.5X2+0.8X3+…+0.7X6;
将前述步骤确定的各交通流量影响因素的取值分别代入以上2个主成分表达式,即可以分别得到主成分F1和F2的值F1‘和F2‘。
步骤260,将所述多个预设交通流量影响因素的取值对应的主成分的值输入至预先建立的交通流量评价模型,确定交通路口的交通流量评价指标,根据所述交通流量评价指标确定所述交通路口的交通流量。
然后,将通过选择的主成分表达式确定的主成分的值F1‘和F2‘代入步骤220建立的交通流量评价模型,得到Z‘=0.84F1‘+0.056F2‘,其中,Z‘即为交通路口的交通流量评价指标。
在智能交通领域,可以根据确定的交通路口的交通流量评价指标进行交通灯控制。例如,通过本申请公开的方法分别确定交通路口的每个方向上的道路交通信息图像,并通过上述方法分别确定各方向上的交通流量评价指标,然后,根据各方向上的交通流量评价指标控制该交通路口的交通灯的切换时长。
本申请实施例公开的交通流量检测方法,通过获取交通路口的路况图像;根据所述路况图像和/或所述交通路口的历史交通数据,确定多个预设交通流量影响因素的取值;通过预先确定的至少一个主成分表达式,分别确定所述多个预设交通流量影响因素的取值对应的主成分的值,其中,所述主成分表达式为用于通过一个数值反映所述多个预设交通流量影响因素的信息的公式;将所述多个预设交通流量影响因素的取值对应的主成分的值输入至预先建立的交通流量评价模型,确定交通路口的交通流量评价指标,根据所述交通流量评价指标确定所述交通路口的交通流量,在准确获取简单交通状况下的交通路口的交通流量的同时,有助于提升获取复杂交通状况下的交通路口的交通流量的准确性。
本申请实施例公开的交通流量检测方法,通过采用主成分分析法选择对评价交通流量贡献率较大的主成分,然后基于选择主成分构建评价交通流量的数学模型,在线检测时,基于构建的数学模型确定交通路口的交通流量评价指标,以根据所述交通流量评价指标确定所述交通路口的交通流量。由于采用此方法,可以选择多个交通流量影响因素进行主成分分析,这样,得到的交通流量评价指标考虑了多个因素,可以使得交通流量评价指标更准确。
实施例三
本实施例公开的一种交通流量检测装置,如图4所示,所述装置包括:
路况图像获取模块410,用于获取交通路口的路况图像;
交通流量影响因素取值确定模块420,用于根据所述路况图像和/或所述交通路口的历史交通数据,确定多个预设交通流量影响因素的取值;
主成分分析模块430,用于通过预先确定的至少一个主成分表达式,分别确定所述多个预设交通流量影响因素的取值对应的主成分的值,其中,所述主成分表达式为用于通过一个数值反映所述多个预设交通流量影响因素的信息的公式;
交通流量预测模块440,用于将所述多个预设交通流量影响因素的取值对应的主成分的值输入至预先建立的交通流量评价模型,确定交通路口的交通流量评价指标,根据所述交通流量评价指标确定所述交通路口的交通流量。
在本申请的一些实施例中,如图5所示,所述装置还包括:
主成分表达式确定模块450,用于在通过预先确定的至少一个主成分表达式,分别确定所述多个预设交通流量影响因素的取值对应的主成分的值的步骤之前,获取不同交通路口的若干路况图像;以及,
对于每幅所述路况图像,分别确定该幅路况图像对应的所述预设交通流量影响因素的取值;
所述主成分表达式确定模块450,还用于采用主成分分析法对所述若干路况图像对应的所述预设交通流量影响因素的取值进行主成分分析,确定累计信息利用率大于预设阈值的至少一个主成分及相应的主成分表达式,其中,所述主成分表达式用于根据每幅所述路况图像对应的所述预设交通流量影响因素的取值计算对应的主成分,所述主成分表达式计算得到的主成分之间互不关联。
在本申请的一些实施例中,如图5所示,所述装置还包括:
交通流量评价模型确定模块460,用于在将所述多个预设交通流量影响因素的取值对应的主成分的值输入至预先建立的交通流量评价模型,确定交通路口的交通流量评价指标之前,将包含预设交通流量影响因素的信息最多且所述累计信息利用率大于预设阈值的至少一个主成分以相应权值进行加权求和,作为交通流量评价模型,其中,所述主成分对应的权值为该主成分的所述累计信息利用率。
在本申请的一些实施例中,所述多个预设交通流量影响因素至少包括行人数量,还包括:路网密度、道路通行面积、路口饱和度、车流量、行车速度中的任意一项或多项。
在本申请的一些实施例中,当所述多个预设交通流量影响因素包括:行车速度时,所述交通流量影响因素取值确定模块420,进一步用于:
通过预先训练的车灯识别模型分别确定间隔预设时间采集的两幅所述路况图像中的车灯区域;
根据所述车灯区域在与所述路况图像匹配的图像坐标系中的位移和所述预设时间,确定所述车灯区域在所述图像坐标系中的速度;以及,
根据所述路况图像的采集设备的成像原理,将所述车灯区域在所述图像坐标系中的所述速度换算为交通路口的行车速度。
在本申请的一些实施例中,所述交通流量影响因素取值确定模块420,还用于在通过预先训练的车灯识别模型分别确定间隔预设时间采集的两幅所述路况图像中的车灯区域之前,获取包含车灯的图像,并以所述图像中的车灯区域的边框坐标对相应的所述图像进行标注,构建训练数据;以及,
基于所述训练数据,训练多任务卷积神经网络,得到车灯识别模型。
在本申请的一些实施例中,当所述多个预设交通流量影响因素包括:行人数量时,所述交通流量影响因素取值确定模块420,进一步用于:
通过预先训练的多尺度卷积网络对所述路况图像进行回归人群密度图处理,确定所述路况图像中的人群密度。
本申请实施例公开的交通流量检测装置,用于实现本申请实施例一中所述的交通流量检测方法的各步骤,装置的各模块的具体实施方式参见相应步骤,此处不再赘述。
本申请实施例公开的交通流量检测装置,通过获取交通路口的路况图像;根据所述路况图像和/或所述交通路口的历史交通数据,确定多个预设交通流量影响因素的取值;通过预先确定的至少一个主成分表达式,分别确定所述多个预设交通流量影响因素的取值对应的主成分的值,其中,所述主成分表达式为用于通过一个数值反映所述多个预设交通流量影响因素的信息的公式;将所述多个预设交通流量影响因素的取值对应的主成分的值输入至预先建立的交通流量评价模型,确定交通路口的交通流量评价指标,以根据所述交通流量评价指标确定所述交通路口的交通流量,在准确获取简单交通状况下的交通路口的交通流量的同时,有助于提升获取复杂交通状况下的交通路口的交通流量的准确性。
本申请实施例公开的交通流量检测装置,通过采用主成分分析法选择对评价交通流量贡献率较大的主成分,然后基于选择主成分构建评价交通流量的数学模型,在线检测时,基于构建的数学模型确定交通路口的交通流量评价指标,以根据所述交通流量评价指标确定所述交通路口的交通流量。由于采用此方法,可以选择多个交通流量影响因素进行主成分分析,这样,得到的交通流量评价指标考虑了多个因素,可以使得交通流量评价指标更准确。
另一方面,本申请实施例公开的交通流量检测装置,通过采用主成分分析法选择对评价交通流量贡献率较大的主成分,然后基于选择主成分构建评价交通流量的数学模型,在线检测时,基于构建的数学模型确定交通路口的交通流量评价指标,以根据所述交通流量评价指标确定所述交通路口的交通流量。由于采用此方法,可以选择多个交通流量影响因素进行主成分分析,这样,得到的交通流量评价指标考虑了多个因素,可以使得交通流量评价指标更准确。
相应的,本申请还公开了一种电子设备,包括存储器、处理器及存储在所述存储器上并可在处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现如本申请实施例一和实施例二所述的交通流量检测方法。所述电子设备可以为PC机、移动终端、个人数字助理、平板电脑等。
本申请还公开了一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现如本申请实施例一和实施例二所述的交通流量检测方法的步骤。
本说明书中的各个实施例均采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似的部分互相参见即可。对于装置实施例而言,由于其与方法实施例基本相似,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
以上对本申请提供的一种交通流量检测方法及装置进行了详细介绍,本文中应用了具体个例对本申请的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本申请的方法及其核心思想;同时,对于本领域的一般技术人员,依据本申请的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本申请的限制。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件实现。基于这样的理解,上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,如ROM/RAM、磁碟、光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
Claims (16)
1.一种交通流量检测方法,其特征在于,包括:
获取交通路口的路况图像;
根据所述路况图像和/或所述交通路口的历史交通数据,确定多个预设交通流量影响因素的取值;
通过预先确定的至少一个主成分表达式,分别确定所述多个预设交通流量影响因素的取值对应的主成分的值,其中,所述主成分表达式为用于通过一个数值反映所述多个预设交通流量影响因素的信息的公式;
将所述多个预设交通流量影响因素的取值对应的主成分的值输入至预先建立的交通流量评价模型,确定交通路口的交通流量评价指标,根据所述交通流量评价指标确定所述交通路口的交通流量。
2.根据权利要求1所述的方法,其特征在于,所述通过预先确定的至少一个主成分表达式,分别确定所述多个预设交通流量影响因素的取值对应的主成分的值的步骤之前,还包括:
获取不同交通路口的若干路况图像;
对于每幅所述路况图像,分别确定该幅路况图像对应的所述预设交通流量影响因素的取值;
采用主成分分析法对所述若干路况图像对应的所述预设交通流量影响因素的取值进行主成分分析,确定累计信息利用率大于预设阈值的至少一个主成分及相应的主成分表达式,其中,所述主成分表达式用于根据每幅所述路况图像对应的所述预设交通流量影响因素的取值计算对应的主成分,所述主成分表达式计算得到的主成分之间互不关联。
3.根据权利要求2所述的方法,其特征在于,所述将所述多个预设交通流量影响因素的取值对应的主成分的值输入至预先建立的交通流量评价模型,确定交通路口的交通流量评价指标的步骤之前,还包括:
将包含预设交通流量影响因素的信息最多且所述累计信息利用率大于预设阈值的至少一个主成分以相应权值进行加权求和,作为交通流量评价模型,其中,所述主成分对应的权值为该主成分的所述累计信息利用率。
4.根据权利要求1至3任一项所述的方法,其特征在于,所述多个预设交通流量影响因素至少包括行人数量,还包括:路网密度、道路通行面积、路口饱和度、车流量、行车速度中的任意一项或多项。
5.根据权利要求4所述的方法,其特征在于,当所述多个预设交通流量影响因素包括:行车速度时,所述根据所述路况图像和/或所述交通路口的历史交通数据,确定多个预设交通流量影响因素的取值的步骤,包括:
通过预先训练的车灯识别模型分别确定间隔预设时间采集的两幅所述路况图像中的车灯区域;
根据所述车灯区域在与所述路况图像匹配的图像坐标系中的位移和所述预设时间,确定所述车灯区域在所述图像坐标系中的速度;
根据所述路况图像的采集设备的成像原理,将所述车灯区域在所述图像坐标系中的所述速度换算为交通路口的行车速度。
6.根据权利要求5所述的方法,其特征在于,所述通过预先训练的车灯识别模型分别确定间隔预设时间采集的两幅所述路况图像中的车灯区域的步骤之前,包括:
获取包含车灯的图像,并以所述图像中的车灯区域的边框坐标对相应的所述图像进行标注,构建训练数据;
基于所述训练数据,训练多任务卷积神经网络,得到车灯识别模型。
7.根据权利要求4所述的方法,其特征在于,当所述多个预设交通流量影响因素包括:行人数量时,所述根据所述路况图像和/或所述交通路口的历史交通数据,确定多个预设交通流量影响因素的取值的步骤,包括:
通过预先训练的多尺度卷积网络对所述路况图像进行回归人群密度图处理,确定所述路况图像中的人群密度。
8.一种交通流量检测装置,其特征在于,包括:
路况图像获取模块,用于获取交通路口的路况图像;
交通流量影响因素取值确定模块,用于根据所述路况图像和/或所述交通路口的历史交通数据,确定多个预设交通流量影响因素的取值;
主成分分析模块,用于通过预先确定的至少一个主成分表达式,分别确定所述多个预设交通流量影响因素的取值对应的主成分的值,其中,所述主成分表达式为用于通过一个数值反映所述多个预设交通流量影响因素的信息的公式;
交通流量预测模块,用于将所述多个预设交通流量影响因素的取值对应的主成分的值输入至预先建立的交通流量评价模型,确定交通路口的交通流量评价指标,根据所述交通流量评价指标确定所述交通路口的交通流量。
9.根据权利要求8所述的装置,其特征在于,所述装置还包括:
主成分表达式确定模块,用于获取不同交通路口的若干路况图像;以及,
对于每幅所述路况图像,分别确定该幅路况图像对应的所述预设交通流量影响因素的取值;
所述主成分表达式确定模块,还用于采用主成分分析法对所述若干路况图像对应的所述预设交通流量影响因素的取值进行主成分分析,确定累计信息利用率大于预设阈值的至少一个主成分及相应的主成分表达式,其中,所述主成分表达式用于根据每幅所述路况图像对应的所述预设交通流量影响因素的取值计算对应的主成分,所述主成分表达式计算得到的主成分之间互不关联。
10.根据权利要求8所述的装置,其特征在于,所述装置还包括:
交通流量评价模型确定模块,用于将包含预设交通流量影响因素的信息最多且所述累计信息利用率大于预设阈值的至少一个主成分以相应权值进行加权求和,作为交通流量评价模型,其中,所述主成分对应的权值为该主成分的所述累计信息利用率。
11.根据权利要求8至10任一项所述的装置,其特征在于,所述多个预设交通流量影响因素至少包括行人数量,还包括:路网密度、道路通行面积、路口饱和度、车流量、行车速度中的任意一项或多项。
12.根据权利要求11所述的装置,其特征在于,当所述多个预设交通流量影响因素包括:行车速度时,所述交通流量影响因素取值确定模块,进一步用于:
通过预先训练的车灯识别模型分别确定间隔预设时间采集的两幅所述路况图像中的车灯区域;
根据所述车灯区域在与所述路况图像匹配的图像坐标系中的位移和所述预设时间,确定所述车灯区域在所述图像坐标系中的速度;以及,
根据所述路况图像的采集设备的成像原理,将所述车灯区域在所述图像坐标系中的所述速度换算为交通路口的行车速度。
13.根据权利要求12所述的装置,其特征在于,所述交通流量影响因素取值确定模块,还用于获取包含车灯的图像,并以所述图像中的车灯区域的边框坐标对相应的所述图像进行标注,构建训练数据;以及,
基于所述训练数据,训练多任务卷积神经网络,得到车灯识别模型。
14.根据权利要求11所述的装置,其特征在于,当所述多个预设交通流量影响因素包括:行人数量时,所述交通流量影响因素取值确定模块,进一步用于:
通过预先训练的多尺度卷积网络对所述路况图像进行回归人群密度图处理,确定所述路况图像中的人群密度。
15.一种电子设备,包括存储器、处理器及存储在所述存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至7任意一项所述的交通流量检测方法。
16.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现权利要求1至7任意一项所述的交通流量检测方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910625813.2A CN110363989A (zh) | 2019-07-11 | 2019-07-11 | 交通流量检测方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910625813.2A CN110363989A (zh) | 2019-07-11 | 2019-07-11 | 交通流量检测方法、装置、电子设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110363989A true CN110363989A (zh) | 2019-10-22 |
Family
ID=68219013
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910625813.2A Pending CN110363989A (zh) | 2019-07-11 | 2019-07-11 | 交通流量检测方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110363989A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111192454A (zh) * | 2020-01-07 | 2020-05-22 | 中山大学 | 基于行程时间演化的交通异常识别方法、***及存储介质 |
CN111832139A (zh) * | 2020-06-30 | 2020-10-27 | 同济大学 | 一种基于土地资源利用率的交叉口优化设计方法 |
CN111851341A (zh) * | 2020-06-29 | 2020-10-30 | 广东荣文科技集团有限公司 | 拥堵预警方法、智能指示牌及相关产品 |
CN113570861A (zh) * | 2021-07-26 | 2021-10-29 | 浙江财经大学 | 一种基于合成数据的交通流量预测方法及装置 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101694744A (zh) * | 2009-10-28 | 2010-04-14 | 北京交通大学 | 道路应急疏散能力评价方法及***、分级方法及*** |
CN102044151A (zh) * | 2010-10-14 | 2011-05-04 | 吉林大学 | 基于光照可见度辨识的夜间车辆视频检测方法 |
US9361797B1 (en) * | 2014-12-11 | 2016-06-07 | Here Global B.V. | Detecting road condition changes from probe data |
CN106469507A (zh) * | 2015-08-20 | 2017-03-01 | 上海宝康电子控制工程有限公司 | 基于实时交通流量数据的可自动调节动态绿波***及方法 |
CN107689158A (zh) * | 2017-08-10 | 2018-02-13 | 五邑大学 | 一种基于图像处理的智能交通控制方法 |
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 |
-
2019
- 2019-07-11 CN CN201910625813.2A patent/CN110363989A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101694744A (zh) * | 2009-10-28 | 2010-04-14 | 北京交通大学 | 道路应急疏散能力评价方法及***、分级方法及*** |
CN102044151A (zh) * | 2010-10-14 | 2011-05-04 | 吉林大学 | 基于光照可见度辨识的夜间车辆视频检测方法 |
US9361797B1 (en) * | 2014-12-11 | 2016-06-07 | Here Global B.V. | Detecting road condition changes from probe data |
CN106469507A (zh) * | 2015-08-20 | 2017-03-01 | 上海宝康电子控制工程有限公司 | 基于实时交通流量数据的可自动调节动态绿波***及方法 |
CN107689158A (zh) * | 2017-08-10 | 2018-02-13 | 五邑大学 | 一种基于图像处理的智能交通控制方法 |
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 |
Non-Patent Citations (3)
Title |
---|
吴彩芬: "基于组合方法的城市道路交通状态评价研究", 《工程科技II辑》 * |
孙占全等: "《基于主成分分析与支持向量机结合的交通流预测》", 《公路交通科技》 * |
孟杰: "城市十字形信号交叉口综合评价研究", 《工程科技II辑》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111192454A (zh) * | 2020-01-07 | 2020-05-22 | 中山大学 | 基于行程时间演化的交通异常识别方法、***及存储介质 |
CN111192454B (zh) * | 2020-01-07 | 2021-06-01 | 中山大学 | 基于行程时间演化的交通异常识别方法、***及存储介质 |
CN111851341A (zh) * | 2020-06-29 | 2020-10-30 | 广东荣文科技集团有限公司 | 拥堵预警方法、智能指示牌及相关产品 |
CN111832139A (zh) * | 2020-06-30 | 2020-10-27 | 同济大学 | 一种基于土地资源利用率的交叉口优化设计方法 |
CN113570861A (zh) * | 2021-07-26 | 2021-10-29 | 浙江财经大学 | 一种基于合成数据的交通流量预测方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110363989A (zh) | 交通流量检测方法、装置、电子设备及存储介质 | |
Tageldin et al. | Models to evaluate the severity of pedestrian-vehicle conflicts in five cities | |
CN109034077A (zh) | 一种基于多尺度特征学习的三维点云标记方法和装置 | |
CN107730881A (zh) | 基于深度卷积神经网络的交通拥堵视觉检测*** | |
US20210381846A1 (en) | Methods and apparatuses for navigation guidance and establishing a three-dimensional real scene model, device and medium | |
CN102054166B (zh) | 一种新的用于户外增强现实***的场景识别方法 | |
Hediyeh et al. | Automated analysis of pedestrian crossing speed behavior at scramble-phase signalized intersections using computer vision techniques | |
CN109711274A (zh) | 车辆检测方法、装置、设备和存储介质 | |
CN111651712B (zh) | 一种智能汽车测试场景复杂度的评估方法及*** | |
CN103577875A (zh) | 一种基于fast的计算机辅助cad人数统计方法 | |
Wei et al. | Video-capture-based approach to extract multiple vehicular trajectory data for traffic modeling | |
Tsai et al. | Horizontal roadway curvature computation algorithm using vision technology | |
CN117932763A (zh) | 基于数字孪生的高速公路交通模型构建方法 | |
Wang et al. | A picture is worth a thousand words: Share your real-time view on the road | |
Subedi et al. | Development of a multiple‐camera 3D vehicle tracking system for traffic data collection at intersections | |
CN116413740A (zh) | 一种激光雷达点云地面检测方法及装置 | |
JP6366296B2 (ja) | 経路探索装置および経路探索方法 | |
Ring et al. | Predicting lane utilization and merge behavior at signalized intersections with auxiliary lanes in Buffalo, New York | |
CN116977943A (zh) | 道路要素的识别方法、装置、电子设备和计算机存储介质 | |
Vasudevan et al. | An exploratory study of pedestrian crossing speeds at midblock crossing in India using LiDAR | |
CN112651338A (zh) | 一种输电线路违章施工隐患的判别方法及装置 | |
Kim et al. | SALT-Viz: Real-Time Visualization for Large-Scale Traffic Simulation | |
CN110321521A (zh) | 评估追踪***对要求的集合的符合性的方法和相关装置 | |
CN117739950B (zh) | 一种地图的生成方法、装置及设备 | |
CN108648236A (zh) | 一种用于坐标测量的间接方法及控制*** |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20191022 |
|
RJ01 | Rejection of invention patent application after publication |