CN112950961B - 车流量统计方法、装置、设备和存储介质 - Google Patents
车流量统计方法、装置、设备和存储介质 Download PDFInfo
- Publication number
- CN112950961B CN112950961B CN202110112391.6A CN202110112391A CN112950961B CN 112950961 B CN112950961 B CN 112950961B CN 202110112391 A CN202110112391 A CN 202110112391A CN 112950961 B CN112950961 B CN 112950961B
- Authority
- CN
- China
- Prior art keywords
- vehicle
- video frame
- feature vector
- vehicles
- statistical
- 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
Links
Images
Classifications
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- 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
- G06N3/045—Combinations of networks
-
- 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
- G06V20/40—Scenes; Scene-specific elements in video content
- G06V20/48—Matching video sequences
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Health & Medical Sciences (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明适用于智能交通技术领域,提供了一种车流量统计方法、装置、设备和存储介质,其中,车流量统计方法包括:接收实时采集的第一视频帧;获取第一视频帧中每个未统计车辆的特征向量;在预设数目个第二视频帧中均存在特征向量与第一目标车辆的特征向量相匹配的车辆的情况下,将第一目标车辆确定为已统计车辆;其中,预设数目个第二视频帧为在第一视频帧之前连续采集的视频帧,第一目标车辆为第一视频帧中每个未统计车辆中的任意一个车辆。采用本发明可以提高车流量统计的准确率。
Description
技术领域
本发明属于智能交通技术领域,尤其涉及一种车流量统计方法、装置、设备和存储介质。
背景技术
车流量统计是公路交通规划建设及运营的基础性工作,车流量可以为交通管理者提供大量的有效信息,极大地提高交通智能化水平和城市交通服务效率。
随着深度学习的发展,现有的车流量统计方法通常基于目标跟踪的统计方法,即:首先使用目标检测技术检测到某视频帧中某个车辆的位置,然后根据该视频帧的前后视频帧中该车辆的位置重叠度,并结合目标跟踪算法进行车流量统计。
然而,当车辆密集或者车辆行驶过快时,上述基于目标跟踪的统计方法容易出现车辆跟踪失败的情况,导致车流量统计的准确率较低。
发明内容
有鉴于此,本发明实施例提供了一种车流量统计方法、装置、设备和存储介质,以解决现有技术中当车辆密集或者车辆行驶过快时存在的车流量统计的准确率较低的问题。
本发明实施例的第一方面提供了一种车流量统计方法,包括:
接收实时采集的第一视频帧;
获取第一视频帧中每个未统计车辆的特征向量;
在预设数目个第二视频帧中均存在特征向量与第一目标车辆的特征向量相匹配的车辆的情况下,将第一目标车辆确定为已统计车辆;其中,预设数目个第二视频帧为在第一视频帧之前连续采集的视频帧,第一目标车辆为第一视频帧中每个未统计车辆中的任意一个车辆。
可选的,在将第一目标车辆确定为已统计车辆之后,车流量统计方法还包括:
存储第一目标车辆的特征向量。
可选的,在获取第一视频帧中每个未统计车辆的特征向量之前,车流量统计方法还包括:
根据预设检测算法确定第一视频帧中每个车辆的坐标位置;
根据每个车辆的坐标位置,提取出相应车辆的图像;
将每个车辆的图像输入至预设特征提取模型,得到相应车辆的特征向量;
根据每个车辆的特征向量以及预先存储的已统计车辆的特征向量,确定第一视频帧中的未统计车辆。
可选的,根据预先存储的已统计车辆的特征向量,确定第一视频帧中的未统计车辆,包括:
在预先存储的已统计车辆的特征向量中不存在与第二目标车辆的特征向量的相似度大于预设阈值的特征向量的情况下,将第二目标车辆确定为未统计车辆;第二目标车辆为第一视频帧中每个车辆中的任意一个车辆;
其中,预先存储的已统计车辆的特征向量的存储时刻与第一视频帧的采集时刻之间的差值小于预设差值。
可选的,特征向量与第一目标车辆的特征向量相匹配的车辆,是指特征向量与第一目标车辆的特征向量的相似度大于预设阈值的车辆。
本发明实施例的第二方面提供了一种车流量统计装置,包括:
接收模块,用于接收实时采集的第一视频帧;
获取模块,用于获取第一视频帧中每个未统计车辆的特征向量;
统计模块,用于在预设数目个第二视频帧中均存在特征向量与第一目标车辆的特征向量相匹配的车辆的情况下,将第一目标车辆确定为已统计车辆;其中,预设数目个第二视频帧为在第一视频帧之前连续采集的视频帧,第一目标车辆为第一视频帧中每个未统计车辆中的任意一个车辆。
可选的,车流量统计装置还包括存储模块,用于:
存储第一目标车辆的特征向量。
可选的,车流量统计装置还包括确定模块,用于:
根据预设检测算法确定第一视频帧中每个车辆的坐标位置;
根据每个车辆的坐标位置,提取出相应车辆的图像;
将每个车辆的图像输入至预设特征提取模型,得到相应车辆的特征向量;
根据每个车辆的特征向量以及预先存储的已统计车辆的特征向量,确定第一视频帧中的未统计车辆。
可选的,确定模块还用于:
在预先存储的已统计车辆的特征向量中不存在与第二目标车辆的特征向量的相似度大于预设阈值的特征向量的情况下,将第二目标车辆确定为未统计车辆;第二目标车辆为第一视频帧中每个车辆中的任意一个车辆;
其中,预先存储的已统计车辆的特征向量的存储时刻与第一视频帧的采集时刻之间的差值小于预设差值。
可选的,特征向量与第一目标车辆的特征向量相匹配的车辆,是指特征向量与第一目标车辆的特征向量的相似度大于预设阈值的车辆。
本发明实施例的第三方面提供了一种电子设备,包括存储器、处理器以及存储在所述存储器中并可在所述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第一方面所述方法的步骤。
本发明实施例的第四方面提供了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现如第一方面所述方法的步骤。
本发明实施例与现有技术相比存在的有益效果是:
本发明实施例在接收到实时采集的第一视频帧后,可以先获取第一视频帧中第一目标车辆的特征向量,然后在预设数目个第二视频帧中均存在特征向量与第一目标车辆的特征向量相匹配的车辆的情况下,可以将第一目标车辆确定为已统计车辆。由于预设数目个第二视频帧为在第一视频帧之前连续采集的视频帧,第一目标车辆为第一视频帧中每个未统计车辆中的任意一个车辆,因此,可以按照第一目标车辆的车流量统计过程,对第一视频帧中的每个未统计车辆进行车流量统计,从而可以完成对第一视频帧中的每个未统计车辆的车流量统计。此外,当车辆密集或者车辆行驶过快时,仍然可以获取到不同车辆的特征向量,如此,采用特征向量匹配的方式,即使当车辆密集或者车辆行驶过快时,也不会出现车辆跟踪失败的情况,车流量统计的准确率也较高。
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为本发明实施例提供的一种车流量统计方法的步骤流程图;
图2为本发明实施例提供的一种车流量统计方法的步骤流程图;
图3为本发明实施例提供的一种车流量统计装置的示意图;
图4为本发明实施例提供的一种电子设备的示意图。
具体实施方式
以下描述中,为了说明而不是为了限定,提出了诸如特定***结构、技术之类的具体细节,以便透彻理解本发明实施例。然而,本领域的技术人员应当清楚,在没有这些具体细节的其它实施例中也可以实现本发明。在其它情况中,省略对众所周知的***、装置、电路以及方法的详细说明,以免不必要的细节妨碍本发明的描述。
为了说明本发明所述的技术方案,下面通过具体实施例来进行说明。
如背景技术所描述的,当车辆密集或者车辆行驶过快时,上述基于目标跟踪的统计方法容易出现车辆跟踪失败的情况,导致车流量统计的准确率较低。这是因为,当车辆密集时,前后视频帧中可能出现不同车辆相互重叠的情况,导致无法根据位置重叠度进行车辆跟踪,从而出现了车辆跟踪失败的情况。当车辆行驶过快时,如果视频帧率较低,前后视频帧中可能并不会出现位置重叠,同样会导致无法根据位置重叠度进行车辆跟踪的情况。
为了解决现有技术问题,本发明实施例提供了一种车流量统计方法、装置、设备和存储介质。下面首先对本发明实施例所提供的车流量统计方法进行介绍。
车流量统计方法的执行主体,可以是车流量统计装置,该车流量统计装置可以是具备数据处理能力的电子设备,例如服务器、网络附属存储器(Network AttachedStorage,NAS)或者个人计算机(personal computer,PC)等,本发明实施例不作具体限定。
如图1所示,本发明实施例提供的车流量统计方法可以包括以下步骤:
步骤S110、接收实时采集的第一视频帧。
在一些实施例中,可以由安装在道路上方的摄像设备,实时对道路上的车辆进行摄录,如大客车、小客车、轿车、货车、工程车等,并将摄录得到的视频,以视频帧的形式实时发送给车流量统计装置。如此,车流量统计装置可以接收到实时采集的第一视频帧。
步骤S120、获取第一视频帧中每个未统计车辆的特征向量。
在一些实施例中,未统计车辆是指未统计在车流量中的车辆,相应的,已统计车辆是指已统计在车流量中的车辆。
在接收到第一视频帧后,车流量统计装置可以先确定出第一视频帧中的所有未统计车辆,然后获取这些未统计车辆的特征向量。
可选的,可以根据已统计车辆的特征向量,确定出第一视频帧中的未统计车辆,如图2所示,相应的处理可以如下:
步骤S210、根据预设检测算法确定第一视频帧中每个车辆的坐标位置。
在一些实施例中,预设检测算法可以是任意一种目标检测算法,例如核相关滤波算法(Kernel Correlation Filter,KCF)。
步骤S220、根据每个车辆的坐标位置,提取出相应车辆的图像。
在一些实施例中,在确定出第一视频帧中每个车辆的坐标位置后,可以在第一视频帧中提取出每个车辆的图像。具体的,每个车辆的图像可以只包括该车辆所在的视频帧区域,且包括尽量少的非车辆的视频帧区域。
步骤S230、将每个车辆的图像输入至预设特征提取模型,得到相应车辆的特征向量。
在一些实施中,预设特征提取模型可以是卷积神经网络(Convolutional NeuralNetworks,CNN)模型,例如输出64维、128维或者更高维度的模型。
步骤S240、根据每个车辆的特征向量以及预先存储的已统计车辆的特征向量,确定第一视频帧中的未统计车辆。
在一些实施例中,在得到每个车辆的特征向量后,可以将每个车辆的特征向量与预先存储的已统计车辆的特征向量进行比对,以确定第一视频帧中的未统计车辆。
可选的,上述步骤S240的具体处理可以如下:在预先存储的已统计车辆的特征向量中不存在与第二目标车辆的特征向量的相似度大于预设阈值的特征向量的情况下,将第二目标车辆确定为未统计车辆。
在一些实施例中,第二目标车辆是指第一视频帧中每个车辆中的任意一个车辆。
在一些实施例中,可以通过特征向量之间的相似度,来判断两个车辆相似或相同。具体的,如果两个特征向量之间的相似度大于预设阈值,例如0.9,则可以认为这两个特征向量对应的车辆相似或相同。由于某一时刻通过道路采集区域的车辆通常为不相似的车辆,因此,可以通过与预先存储的已统计车辆的特征向量进行相似度比对的方式,来判断一个车辆是否属于已统计车辆或未统计车辆。
需要说明的是,对于此前的已统计车辆,在将任意一个车辆统计到车流量后,可以存储该车辆的特征向量,如此,在判断未统计车辆时,可以快速从存储区域获取到预先存储的已统计车辆的特征向量。
具体的,如果在预先存储的已统计车辆的特征向量中,不存在与第二目标车辆的特征向量的相似度大于预设阈值的特征向量,则可以认为第二目标车辆为未统计车辆。
值得一提的是,由于道路上可能会在不同时刻通过相同车型的车辆,例如红色的2021款200TSI的大众速腾,而这些相同车型的车辆的特征向量的相似度通常都大于预设阈值,因此,可以将上述提及的预先存储的已统计车辆的特征向量限定为在特定时间段内存储的特征向量,例如,该特定时间段内存储的特征向量可以满足如下条件,即:预先存储的已统计车辆的特征向量的存储时刻与第一视频帧的采集时刻之间的差值小于预设差值。
步骤S130、在预设数目个第二视频帧中均存在特征向量与第一目标车辆的特征向量相匹配的车辆的情况下,将第一目标车辆确定为已统计车辆。
在一些实施例中,预设数目个第二视频帧,可以是在第一视频帧之前连续采集的视频帧,例如,在第一视频帧之前连续采集的三个视频帧。第一目标车辆,可以是第一视频帧中每个未统计车辆中的任意一个车辆。特征向量与第一目标车辆的特征向量相匹配的车辆,可以是指特征向量与第一目标车辆的特征向量的相似度大于预设阈值的车辆。
需要说明的是,统计进车流量中的车辆,通常会在连续采集的视频帧中重复出现,并且,该车辆在这些视频帧中的特征向量相互匹配。如此,可以通过上述原理进行车流量统计。
具体的,在获取到第一视频帧中第一目标车辆的特征向量后,可以判断预设数目个第二视频帧中是否均存在特征向量与第一目标车辆的特征向量相匹配的车辆。如果在预设数目个第二视频帧中均存在特征向量与第一目标车辆的特征向量相匹配的车辆,则可以将第一目标车辆确定为已统计车辆,从而可以将第一目标车辆统计到车流量中。如果在预设数目个第二视频帧中均不存在特征向量与第一目标车辆的特征向量相匹配的车辆,或者只在个别第二视频帧中存在特征向量与第一目标车辆的特征向量相匹配的车辆,则可以认为第二目标车辆不是已统计车辆,无需将其统计到车流量中。
可选的,在将第一目标车辆确定为已统计车辆之后,还可以存储第一目标车辆的特征向量,并记录存储时刻,用于统计后续的车流量统计。
在一些实施例中,为了快速准确的对车流量进行统计,可以利用观测列表和追踪列表进行车流量统计。观测列表可以记录未统计车辆的信息,例如车辆的特征向量、特征向量的存储时刻、车辆类型,追踪列表可以记录已统计车辆的信息,例如车辆的特征向量、特征向量的存储时刻、车辆类型。此外,当一个未统计车辆变为已统计车辆时,可以将该车辆从观测列表中移除,并添加到追踪列表。当一个已统计车辆满足移除条件,例如特征向量的存储时刻与第一视频帧的采集时刻之间的差值小于预设差值,则可以将该已统计车辆从追踪列表中移除,如此,可以节省存储成本。
在本发明实施例中,在接收到实时采集的第一视频帧后,可以先获取第一视频帧中第一目标车辆的特征向量,然后在预设数目个第二视频帧中均存在特征向量与第一目标车辆的特征向量相匹配的车辆的情况下,可以将第一目标车辆确定为已统计车辆。由于预设数目个第二视频帧为在第一视频帧之前连续采集的视频帧,第一目标车辆为第一视频帧中每个未统计车辆中的任意一个车辆,因此,可以按照第一目标车辆的车流量统计过程,对第一视频帧中的每个未统计车辆进行车流量统计,从而可以完成对第一视频帧中的每个未统计车辆的车流量统计。此外,当车辆密集或者车辆行驶过快时,仍然可以获取到不同车辆的特征向量,如此,采用特征向量匹配的方式,即使当车辆密集或者车辆行驶过快时,也不会出现车辆跟踪失败的情况,车流量统计的准确率也较高。
基于上述实施例提供的车流量统计方法,相应地,本发明还提供了应用于该车流量统计方法的车流量统计装置的具体实现方式。请参见以下实施例。
如图3所示,提供了一种车流量统计装置,该装置包括:
接收模块310,用于接收实时采集的第一视频帧;
获取模块320,用于获取第一视频帧中每个未统计车辆的特征向量;
统计模块330,用于在预设数目个第二视频帧中均存在特征向量与第一目标车辆的特征向量相匹配的车辆的情况下,将第一目标车辆确定为已统计车辆;其中,预设数目个第二视频帧为在第一视频帧之前连续采集的视频帧,第一目标车辆为第一视频帧中每个未统计车辆中的任意一个车辆。
可选的,车流量统计装置还包括存储模块,用于:
存储第一目标车辆的特征向量。
可选的,车流量统计装置还包括确定模块,用于:
根据预设检测算法确定第一视频帧中每个车辆的坐标位置;
根据每个车辆的坐标位置,提取出相应车辆的图像;
将每个车辆的图像输入至预设特征提取模型,得到相应车辆的特征向量;
根据每个车辆的特征向量以及预先存储的已统计车辆的特征向量,确定第一视频帧中的未统计车辆。
可选的,确定模块还用于:
在预先存储的已统计车辆的特征向量中不存在与第二目标车辆的特征向量的相似度大于预设阈值的特征向量的情况下,将第二目标车辆确定为未统计车辆;第二目标车辆为第一视频帧中每个车辆中的任意一个车辆;
其中,预先存储的已统计车辆的特征向量的存储时刻与第一视频帧的采集时刻之间的差值小于预设差值。
可选的,特征向量与第一目标车辆的特征向量相匹配的车辆,是指特征向量与第一目标车辆的特征向量的相似度大于预设阈值的车辆。
在本发明实施例中,在接收到实时采集的第一视频帧后,可以先获取第一视频帧中第一目标车辆的特征向量,然后在预设数目个第二视频帧中均存在特征向量与第一目标车辆的特征向量相匹配的车辆的情况下,可以将第一目标车辆确定为已统计车辆。由于预设数目个第二视频帧为在第一视频帧之前连续采集的视频帧,第一目标车辆为第一视频帧中每个未统计车辆中的任意一个车辆,因此,可以按照第一目标车辆的车流量统计过程,对第一视频帧中的每个未统计车辆进行车流量统计,从而可以完成对第一视频帧中的每个未统计车辆的车流量统计。此外,当车辆密集或者车辆行驶过快时,仍然可以获取到不同车辆的特征向量,如此,采用特征向量匹配的方式,即使当车辆密集或者车辆行驶过快时,也不会出现车辆跟踪失败的情况,车流量统计的准确率也较高。
图4是本发明一实施例提供的电子设备的示意图。如图4所示,该实施例的电子设备4包括:处理器40、存储器41以及存储在所述存储器41中并可在所述处理器40上运行的计算机程序42。所述处理器40执行所述计算机程序42时实现上述各个车流量统计方法实施例中的步骤。或者,所述处理器40执行所述计算机程序42时实现上述各装置实施例中各模块/单元的功能。
示例性的,所述计算机程序42可以被分割成一个或多个模块/单元,所述一个或者多个模块/单元被存储在所述存储器41中,并由所述处理器40执行,以完成本发明。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段,该指令段用于描述所述计算机程序42在所述电子设备4中的执行过程。例如,所述计算机程序42可以被分割成接收模块、获取模块、统计模块,各模块具体功能如下:
接收模块,用于接收实时采集的第一视频帧;
获取模块,用于获取第一视频帧中每个未统计车辆的特征向量;
统计模块,用于在预设数目个第二视频帧中均存在特征向量与第一目标车辆的特征向量相匹配的车辆的情况下,将第一目标车辆确定为已统计车辆;其中,预设数目个第二视频帧为在第一视频帧之前连续采集的视频帧,第一目标车辆为第一视频帧中每个未统计车辆中的任意一个车辆。
所述电子设备4可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述电子设备可包括,但不仅限于,处理器40、存储器41。本领域技术人员可以理解,图4仅仅是电子设备4的示例,并不构成对电子设备4的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件,例如所述电子设备还可以包括输入输出设备、网络接入设备、总线等。
所称处理器40可以是中央处理单元(Central Processing Unit,CPU),还可以是其他通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现场可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
所述存储器41可以是所述电子设备4的内部存储单元,例如电子设备4的硬盘或内存。所述存储器41也可以是所述电子设备4的外部存储设备,例如所述电子设备4上配备的插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(Flash Card)等。进一步地,所述存储器41还可以既包括所述电子设备4的内部存储单元也包括外部存储设备。所述存储器41用于存储所述计算机程序以及所述电子设备所需的其他程序和数据。所述存储器41还可以用于暂时地存储已经输出或者将要输出的数据。
所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,仅以上述各功能单元、模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能单元、模块完成,即将所述装置的内部结构划分成不同的功能单元或模块,以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中,上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。另外,各功能单元、模块的具体名称也只是为了便于相互区分,并不用于限制本申请的保护范围。上述***中单元、模块的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述或记载的部分,可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
在本发明所提供的实施例中,应该理解到,所揭露的装置/终端设备和方法,可以通过其它的方式实现。例如,以上所描述的装置/终端设备实施例仅仅是示意性的,例如,所述模块或单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个***,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口,装置或单元的间接耦合或通讯连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
所述集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明实现上述实施例方法中的全部或部分流程,也可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一计算机可读存储介质中,该计算机程序在被处理器执行时,可实现上述各个方法实施例的步骤。其中,所述计算机程序包括计算机程序代码,所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括:能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是,所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减,例如在某些司法管辖区,根据立法和专利实践,计算机可读介质不包括电载波信号和电信信号。
以上所述实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围,均应包含在本发明的保护范围之内。
Claims (8)
1.一种车流量统计方法,其特征在于,包括:
接收实时采集的第一视频帧;
根据预设检测算法确定所述第一视频帧中每个车辆的坐标位置;根据每个车辆的坐标位置,提取出相应车辆的图像;将每个车辆的所述图像输入至预设特征提取模型,得到相应车辆的特征向量;根据每个车辆的特征向量以及预先存储的已统计车辆的特征向量,确定所述第一视频帧中的未统计车辆;
获取所述第一视频帧中每个未统计车辆的特征向量;
在预设数目个第二视频帧中均存在特征向量与第一目标车辆的特征向量相匹配的车辆的情况下,将所述第一目标车辆确定为已统计车辆;其中,所述预设数目个第二视频帧为在所述第一视频帧之前连续采集的视频帧,所述第一目标车辆为所述第一视频帧中每个未统计车辆中的任意一个车辆;
将所述第一目标车辆统计到车流量中。
2.如权利要求1所述的车流量统计方法,其特征在于,在所述将所述第一目标车辆确定为已统计车辆之后,所述方法还包括:
存储所述第一目标车辆的特征向量。
3.如权利要求2所述的车流量统计方法,其特征在于,所述根据预先存储的已统计车辆的特征向量,确定所述第一视频帧中的未统计车辆,包括:
在预先存储的已统计车辆的特征向量中不存在与第二目标车辆的特征向量的相似度大于预设阈值的特征向量的情况下,将所述第二目标车辆确定为未统计车辆;所述第二目标车辆为所述第一视频帧中每个车辆中的任意一个车辆;
其中,所述预先存储的已统计车辆的特征向量的存储时刻与所述第一视频帧的采集时刻之间的差值小于预设差值。
4.如权利要求1所述的车流量统计方法,其特征在于,所述特征向量与第一目标车辆的特征向量相匹配的车辆,是指特征向量与第一目标车辆的特征向量的相似度大于预设阈值的车辆。
5.一种车流量统计装置,其特征在于,包括:
接收模块,用于接收实时采集的第一视频帧;
确定模块,用于根据预设检测算法确定所述第一视频帧中每个车辆的坐标位置;根据每个车辆的坐标位置,提取出相应车辆的图像;将每个车辆的所述图像输入至预设特征提取模型,得到相应车辆的特征向量;根据每个车辆的特征向量以及预先存储的已统计车辆的特征向量,确定所述第一视频帧中的未统计车辆;
获取模块,用于获取所述第一视频帧中每个未统计车辆的特征向量;
统计模块,用于在预设数目个第二视频帧中均存在特征向量与第一目标车辆的特征向量相匹配的车辆的情况下,将所述第一目标车辆确定为已统计车辆;其中,所述预设数目个第二视频帧为在所述第一视频帧之前连续采集的视频帧,所述第一目标车辆为所述第一视频帧中每个未统计车辆中的任意一个车辆;
统计模块,还用于将所述第一目标车辆统计到车流量中。
6.如权利要求5所述的车流量统计装置,其特征在于,所述装置还包括存储模块,用于:
存储所述第一目标车辆的特征向量。
7.一种电子设备,包括存储器、处理器以及存储在所述存储器中并可在所述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如权利要求1至4任一项所述方法的步骤。
8.一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至4任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110112391.6A CN112950961B (zh) | 2021-01-27 | 2021-01-27 | 车流量统计方法、装置、设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110112391.6A CN112950961B (zh) | 2021-01-27 | 2021-01-27 | 车流量统计方法、装置、设备和存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112950961A CN112950961A (zh) | 2021-06-11 |
CN112950961B true CN112950961B (zh) | 2022-07-08 |
Family
ID=76238001
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110112391.6A Active CN112950961B (zh) | 2021-01-27 | 2021-01-27 | 车流量统计方法、装置、设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112950961B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114092915B (zh) * | 2021-11-26 | 2023-06-23 | 阿波罗智联(北京)科技有限公司 | 一种路***通流量验证方法、装置、设备及存储介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104809437A (zh) * | 2015-04-28 | 2015-07-29 | 无锡赛睿科技有限公司 | 一种基于实时视频的车辆检测与跟踪方法 |
CN109377770A (zh) * | 2018-09-05 | 2019-02-22 | 华为技术有限公司 | 统计车流量的方法和装置、计算设备和存储介质 |
CN109544907A (zh) * | 2018-10-23 | 2019-03-29 | 大唐软件技术股份有限公司 | 一种车辆计数方法、装置 |
CN109993081A (zh) * | 2019-03-20 | 2019-07-09 | 浙江农林大学暨阳学院 | 一种基于道路视频及车牌检测的车流量统计方法 |
CN110111565A (zh) * | 2019-04-18 | 2019-08-09 | 中国电子科技网络信息安全有限公司 | 一种基于实时视频流下的人车流量统计***与方法 |
-
2021
- 2021-01-27 CN CN202110112391.6A patent/CN112950961B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104809437A (zh) * | 2015-04-28 | 2015-07-29 | 无锡赛睿科技有限公司 | 一种基于实时视频的车辆检测与跟踪方法 |
CN109377770A (zh) * | 2018-09-05 | 2019-02-22 | 华为技术有限公司 | 统计车流量的方法和装置、计算设备和存储介质 |
CN109544907A (zh) * | 2018-10-23 | 2019-03-29 | 大唐软件技术股份有限公司 | 一种车辆计数方法、装置 |
CN109993081A (zh) * | 2019-03-20 | 2019-07-09 | 浙江农林大学暨阳学院 | 一种基于道路视频及车牌检测的车流量统计方法 |
CN110111565A (zh) * | 2019-04-18 | 2019-08-09 | 中国电子科技网络信息安全有限公司 | 一种基于实时视频流下的人车流量统计***与方法 |
Also Published As
Publication number | Publication date |
---|---|
CN112950961A (zh) | 2021-06-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112528878B (zh) | 检测车道线的方法、装置、终端设备及可读存储介质 | |
CN108986465B (zh) | 一种车流量检测的方法、***及终端设备 | |
CN110298300B (zh) | 一种检测车辆违章压线的方法 | |
CN111259868B (zh) | 基于卷积神经网络的逆行车辆检测方法、***及介质 | |
CN111192461B (zh) | 一种车牌识别方法、服务器、停车收费方法及*** | |
CN111582032A (zh) | 行人检测方法、装置、终端设备及存储介质 | |
CN111079621A (zh) | 检测对象的方法、装置、电子设备和存储介质 | |
CN113869137A (zh) | 事件检测方法、装置、终端设备及存储介质 | |
CN112950961B (zh) | 车流量统计方法、装置、设备和存储介质 | |
CN113297939A (zh) | 障碍物检测方法、***、终端设备及存储介质 | |
CN113888860A (zh) | 车辆异常行驶的检测方法、装置、服务器及可读存储介质 | |
CN115082326A (zh) | 视频去模糊的处理方法、边缘计算设备及中心处理器 | |
CN112597924B (zh) | 电动自行车轨迹追踪方法、摄像机装置和服务器 | |
CN114724128B (zh) | 一种车牌识别方法、装置、设备和介质 | |
CN109949335B (zh) | 一种图像处理方法及装置 | |
CN113239738B (zh) | 一种图像的模糊检测方法及模糊检测装置 | |
CN112416128B (zh) | 一种手势识别方法及终端设备 | |
CN112216133B (zh) | 信息推送方法、装置、设备及介质 | |
CN115019242A (zh) | 一种交通场景的异常事件检测方法、装置和处理设备 | |
CN111191603B (zh) | 车内人员识别方法、装置、终端设备及介质 | |
CN111325869B (zh) | 一种车辆疲劳驾驶精确判断方法、终端设备及存储介质 | |
CN112270257A (zh) | 一种运动轨迹确定方法、装置及计算机可读存储介质 | |
CN111639640A (zh) | 基于人工智能的车牌识别方法、装置及设备 | |
CN115861624B (zh) | 摄像头被遮挡的检测方法、装置、设备及存储介质 | |
CN114926973B (zh) | 一种视频监控方法、装置、***、服务器及可读存储介质 |
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 |