CN113469075A - 确定交通流量指标的方法、装置、设备及存储介质 - Google Patents
确定交通流量指标的方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN113469075A CN113469075A CN202110767463.0A CN202110767463A CN113469075A CN 113469075 A CN113469075 A CN 113469075A CN 202110767463 A CN202110767463 A CN 202110767463A CN 113469075 A CN113469075 A CN 113469075A
- Authority
- CN
- China
- Prior art keywords
- vehicles
- passing
- line
- vehicle
- determining
- 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
- 238000000034 method Methods 0.000 title claims abstract description 49
- 238000001514 detection method Methods 0.000 claims abstract description 166
- 238000012545 processing Methods 0.000 claims description 17
- 241000283070 Equus zebra Species 0.000 claims description 11
- 230000002159 abnormal effect Effects 0.000 claims description 9
- 238000000638 solvent extraction Methods 0.000 claims description 4
- 238000001914 filtration Methods 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 7
- 230000008859 change Effects 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 5
- 238000002474 experimental method Methods 0.000 description 4
- 229920006395 saturated elastomer Polymers 0.000 description 3
- 230000001276 controlling effect Effects 0.000 description 2
- 238000005034 decoration Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 206010039203 Road traffic accident Diseases 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000003064 k means clustering Methods 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- 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
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Traffic Control Systems (AREA)
Abstract
本说明书实施例提供一种确定交通流量指标的方法、装置、设备及存储介质。可以获取对交通视频中的多个车辆进行跟踪检测的检测结果,所述交通视频为采集的目标路口的视频,所述检测结果包括所述多个车辆的行驶轨迹信息;基于所述行驶轨迹信息从所述多个车辆中确定过线车辆,所述过线车辆的行驶轨迹与检测线相交,所述检测线位于所述目标路口区域且覆盖所述目标路口的一个或多个车道;对所述过线车辆进行聚类处理,基于聚类处理结果确定所述目标路口的交通流量指标。通过上述方法,可以更加准确地确定道路路口的交通流量指标。
Description
技术领域
本公开涉及人工智能技术领域,尤其涉及一种确定交通流量指标的方法、装置、设备及存储介质。
背景技术
随着汽车的普及,道路上的汽车数量越来越多,由此也引发了交通拥挤、交通堵塞、交通事故频发等一系列交通问题。为了缓解交通堵塞、交通拥挤等问题,可以对道路上的交通流量进行检测,并基于检测结果对交通流量进行科学合理的管控,以改善交通环境。目前的交通流量检测技术主要是检测各个车道的车流量,检测方式比较繁琐,并且检测精度也有待提高。
发明内容
本公开提供一种确定交通流量指标的方法、装置、设备及存储介质。
根据本公开实施例的第一方面,提供一种确定交通流量指标的方法,所述方法包括:
获取对交通视频中的多个车辆进行跟踪检测的检测结果,所述交通视频为采集的目标路口的视频,所述检测结果包括所述多个车辆的行驶轨迹信息;
基于所述行驶轨迹信息从所述多个车辆中确定过线车辆,其中,所述过线车辆的行驶轨迹与覆盖所述目标路口的一个或多个车道的检测线相交;
对所述过线车辆进行聚类处理,基于聚类处理结果确定所述目标路口的交通流量指标。
在一些实施例中,所述检测线与所述目标路口停止线或者斑马线重合。
在一些实施例中,基于所述行驶轨迹信息从所述多个车辆中确定过线车辆,包括:
基于所述行驶轨迹信息从所述交通视频的每帧视频帧的车辆中确定过线车辆;
累计每帧视频帧中的过线车辆,得到所述多个车辆中的过线车辆。
在一些实施例中,所述行驶轨迹信息包括所述多个车辆在所述交通视频的不同视频帧中的轨迹点的坐标,基于所述行驶轨迹信息从所述交通视频的每帧视频帧的车辆中确定过线车辆,包括:
针对每帧当前视频帧,分别执行以下操作:
基于当前视频帧中每个车辆的行驶轨迹信息,确定所述每个车辆在所述当前视频帧中的第一轨迹点的坐标,以及所述每个车辆在所述当前视频帧的前一帧中的第二轨迹点的坐标;
在根据所述第一轨迹点的坐标、所述第二轨迹点的坐标以及所述检测线的两个端点的坐标,确定所述第一轨迹点与所述第二轨迹点的连线与所述检测线相交的情况下,将所述车辆确定为过线车辆。
在一些实施例中,所述交通流量指标包括所述目标路口的一个或多个车道的车流量,对所述过线车辆进行聚类处理,基于聚类处理结果确定所述目标路口的交通流量指标,包括:
对所述过线车辆的行驶轨迹与所述检测线的交点进行聚类处理,得到一个或多个交点聚类中心,其中,每个交点聚类中心代表一个第一分组;
基于所述过线车辆的所述交点与所述一个或多个交点聚类中心的距离,将所述过线车辆划分到所述第一分组中;
基于每个第一分组所代表的车道以及每个第一分组中过线车辆的数量,确定所述目标路口的一个或多个车道的车流量。
在一些实施例中,对所述过线车辆的行驶轨迹与所述检测线的交点进行聚类处理的操作在预设条件触发后执行,所述预设条件包括:
所述过线车辆的数量达到预设数量阈值;和/或
所述交通视频的时长达到预设时长阈值。
在一些实施例中,所述交通流量指标包括从所述目标路口驶向不同行驶方向的车流量,所述对所述过线车辆进行聚类处理,基于聚类结果确定所述目标路口的交通流量指标,包括:
对所述退出轨迹点进行聚类处理,得到一个或多个退出轨迹点聚类中心,其中,所述退出轨迹点为最后一次检测到所述过线车辆的视频帧中所述过线车辆的轨迹点,每个退出轨迹点聚类中心代表一个第二分组;
基于所述过线车辆的退出轨迹点与所述一个或多个退出轨迹点聚类中心的距离,将所述过线车辆划分到所述第二分组中;
基于每个第二分组代表的行驶方向类别以及每个第二分组中的过线车辆的数量,确定从所述目标路口驶向不同行驶方向的车流量。
在一些实施例中,对所述退出轨迹点进行聚类处理之前,还包括:
基于所述过线车辆的行驶轨迹信息过滤掉行驶轨迹异常的过线车辆,其中,所述行驶轨迹异常的过线车辆包括行驶轨迹出现中断现象的车辆。
在一些实施例中,每个第二分组代表的行驶方向类别基于以下方式确定:
在所述一个或多个退出轨迹点聚类中心的数量与所述目标路口包括的行驶方向类别的数量一致的情况下,分别确定代表所述每个第二分组的退出轨迹点聚类中心与所述检测线中心的连线与所述检测线的夹角;
基于所述夹角的大小排序结果确定所述每个第二分组代表的行驶方向类别。
在一些实施例中,所述每个第二分组代表的行驶方向类别基于以下方式确定:
在所述一个或多个退出点聚类中心的数量小于所述目标路口包括的行驶方向类别的数量的情况下,基于每个第二分组中各过线车辆的行驶轨迹确定每个第二分组中各过线车辆所属的行驶方向类别;
从所述第二分组中各过线车辆所属的行驶方向类别中确定目标行驶方向类别,所述目标行驶方向类别中的过线车辆的数量大于其他行驶方向类别中的过线车辆数量;
将所述目标行驶方向类别作为所述第二分组所代表的行驶方向类别。
在一些实施例中,所述方法还包括:
确定所述过线车辆的行驶轨迹与所述检测线的夹角;
将所述夹角小于或等于0的过线车辆的行驶方向确定为掉头方向。
在一些实施例中,基于每个第二分组中各过线车辆的行驶轨迹确定每个第二分组中各过线车辆所属的行驶方向类别,包括:
对每个所述第二分组中的过线车辆的行驶轨迹进行线性拟合;
基于线性拟合的结果从每个所述第二分组中的过线车辆中确定行驶方向为直行方向的过线车辆。
在一些实施例中,基于每个第二分组中各过线车辆的行驶轨迹确定每个第二分组中各过线车辆所属的行驶方向类别,包括:
对每个所述第二分组中的过线车辆的行驶轨迹进行线性拟合,基于所述线性拟合的结果确定行驶方向为非直行方向的过线车辆;
基于所述非直行方向的过线车辆的行驶轨迹与所述检测线的余弦相似度,从所述非直行方向的过线车辆中确定出行驶方向为左转的过线车辆,以及行驶方向为右转的过线车辆。
在一些实施例中,在确定所述目标路口的交通流量后,还包括:
基于所述交通流量对所述目标路口的交通信号灯进行控制。根据本公开实施例的第二方面,提供一种确定交通流量指标的装置,所述装置包括:
获取模块,用于获取对交通视频中的多个车辆进行跟踪检测的检测结果,所述交通视频为采集的目标路口的视频,所述检测结果包括所述多个车辆的行驶轨迹信息;
处理模块,用于基于所述行驶轨迹信息从所述多个车辆中确定过线车辆,其中,所述过线车辆的行驶轨迹与覆盖所述目标路口的一个或多个车道的检测线相交;
聚类模块,用于对所述过线车辆进行聚类处理,基于聚类处理结果确定所述目标路口的交通流量指标。
根据本公开实施例的第三方面,提供一种电子设备,所述电子设备包括处理器、存储器、存储在所述存储器可供所述处理器执行的计算机指令,所述处理器执行所述计算机指令时,可实现上述第一方面提及的方法。
根据本公开实施例的第四方面,提供一种计算机可读存储介质,所述存储介质上存储有计算机指令,所述计算机指令被执行时实现上述第一方面提及的方法。
本公开实施例中,可以采集目标路口的视频,对视频中的车辆进行跟踪检测,以得到视频中车辆的行驶轨迹,并且可以在视频帧中目标路口位置预先设置一条检测线,该检测线可以覆盖目标路口的一个或多个车道,然后可以从视频中的车辆中筛选出行驶轨迹与检测线相交的过线车辆,并且可以通过对过线车辆进行聚类处理,得到该目标路口的各种交通流量指标,比如各车道的车流量,或者各方向的车流量。由于本公开实施例中是通过车辆的行驶轨迹与检测线是否相交判定车辆是否经过某个车道或者某个路口,相比于通过虚拟线圈进行车流量检测的方式,其检测精度会大大提高,即便在道路上的车辆非常饱和的情况下,其检测精度依然不会受到影响。此外,由于无需每个车道都标注一个虚拟线圈,便于操作,使得该检测方式更加方便快捷。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性和解释性的,而非限制本公开。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,这些附图示出了符合本公开的实施例,并与说明书一起用于说明本公开的技术方案。
图1(a)和图1(b)是本公开实施例的一种采用虚拟线圈检测车流量的示意图。
图2是本公开实施例的一种确定交通流量指标的方法流程图。
图3是本公开实施例的一种在目标路口标注检测线的示意图。
图4是本公开实施例的一种目标路口车流量行驶方向的示意图。
图5是本公开实施例的一种目标路口不同行驶方向过线车辆的退出轨迹点与检测线中心连线与检测线夹角的示意图。
图6是本公开实施例的一种确定交通流量指标的装置逻辑结构的示意图。
图7是本公开实施例的一种电子设备的逻辑结构示意图。
具体实施方式
这里将详细地对示例性实施例进行说明,其示例表示在附图中。下面的描述涉及附图时,除非另有表示,不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本公开相一致的所有实施方式。相反,它们仅是与如所附权利要求书中所详述的、本公开的一些方面相一致的装置和方法的例子。
在本公开使用的术语是仅仅出于描述特定实施例的目的,而非旨在限制本公开。在本公开和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式,除非上下文清楚地表示其他含义。还应当理解,本文中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。另外,本文中术语“至少一种”表示多种中的任意一种或多种中的至少两种的任意组合。
应当理解,尽管在本公开可能采用术语第一、第二、第三等来描述各种信息,但这些信息不应限于这些术语。这些术语仅用来将同一类型的信息彼此区分开。例如,在不脱离本公开范围的情况下,第一信息也可以被称为第二信息,类似地,第二信息也可以被称为第一信息。取决于语境,如在此所使用的词语“如果”可以被解释成为“在……时”或“当……时”或“响应于确定”。
为了使本技术领域的人员更好的理解本公开实施例中的技术方案,并使本公开实施例的上述目的、特征和优点能够更加明显易懂,下面结合附图对本公开实施例中的技术方案作进一步详细的说明。
为了可以缓解交通拥挤、堵塞等一系列的交通问题,通常可以对道路上的交通流量进行检测,然后基于检测结果对交通流量进行管控,比如,可以引导交通流量进行分流,避免拥堵,或者实时提醒用户各路段的交通流量状况,以便用户避开拥堵路段。准确地对交通流量进行检测是实现科学、合理地交通管控的前提。
目前的交通流量检测技术,一般是通过安装于道路上的摄像头采集道路的视频,并对该视频进行分析处理,以确定交通流量。目前,在进行交通流量检测时,如图1(a)所示,一般需要用户在每个车道上预先标定一个虚拟线圈,然后可以根据相邻两帧视频帧中该虚拟线圈位置的像素变化情况确定是否有车辆经过该虚拟线圈。比如,如图1(b)所示,假设有T1时刻、T2时刻、T3时刻采集的三个视频帧,在T1时刻的视频帧中车辆还未进入虚拟线圈,在T2时刻的视频帧中车辆刚好位于虚拟线圈,在T3时刻的视频帧中车辆已驶离虚拟线圈,上述三个视频帧中虚拟线圈位置的像素会发生较大的变化,而虚拟线圈中的像素每发生一次较大的变化,说明有一辆车经过虚拟线圈,从而可以统计出每个车道的车流量情况。上述车流量检测方式一般只能检测出每个车道车流量这一交通流量指标,且由于需要通过人工手动标注的方式预先在每个车道标注虚拟线圈,工作量较大,比较繁琐。并且,这种通过虚拟线圈中像素变化来检测车流量的方式,在道路上车辆比较饱和,即平均车头时距(相邻两辆车的经过虚拟线圈的时间差)很小时,虚拟线圈会一直被车辆占用,像素不会发生较大变化,导致检测精度会急剧下降。
基于此,本公开实施例提供了一种确定交通流量指标的方法,可以采集目标路口的视频,对视频中的车辆进行跟踪检测,以得到视频中车辆的行驶轨迹,然后可以从视频中的车辆中筛选出行驶轨迹与检测线相交的过线车辆,该检测线覆盖目标路口的一个或多个车道,并且可以通过对过线车辆进行聚类处理,得到该目标路口的各种交通流量指标,比如目标路口处各车道的车流量,或者由目标路口驶向各方向的车流量。由于本公开实施例中是通过车辆的行驶轨迹与检测线是否相交判定车辆是否经过某个车道或者某个路口,相比于通过虚拟线圈进行车流量检测的方式,其检测精度会大大提高,即便在道路上的车辆非常饱和的情况下,其检测精度依然不会受到影响。此外,由于无需每个车道都标注一个虚拟线圈,便于操作,使得该检测方式更加方便快捷。
本公开实施例中的确定交通流量指标的方法可以由各种道路交通信息采集设备执行,在一些场景,该道路交通信息采集设备可以是安装于道路路口位置的图像采集设备,在一些场景,该道路交通信息采集设备也可以是与安装于道路路口位置的图像采集设备通信连接的设备,比如,云端服务器、服务器集群等,本公开实施例不做限制。
本公开实施例中的目标路口可以是需要检测其交通流量的各种路口,该目标路口可以各种类型的交叉路口,比如,十字形路口、丁字形路口、或者其他形状的路口等。针对每个目标路口,可以设置专门的图像采集设备,用于采集指示该路***通状况的交通视频。
本公开实施例中的交通流量指标是指各种用于指示目标路***通流量状况的各种指标参数,比如,可以是该目标路口中某个车道或各个车道的车流量、或者是经过该目标路口的整体车流量、或者是经过该目标路口后开往不同方向的车流量,比如,直行的车流量、左转的车流量、掉头的车流量等等。
具体的,如图2所示,所述方法可以包括以下步骤:
步骤S202、获取对交通视频中的多个车辆进行跟踪检测的检测结果,所述交通视频为采集的目标路口的视频,所述检测结果包括所述多个车辆的行驶轨迹信息;
可以获取对目标路口的交通视频中的多个车辆进行跟踪检测的检测结果,其中,检测结果可以包括交通视频中多个车辆的行驶轨迹信息。其中,对视频中的车辆进行跟踪检测可以采用目标跟踪算法实现,举个例子,可以基于目标检测算法检测出每帧视频帧中的车辆,并对不同视频帧中的车辆进行匹配,从而可以知道同一个车辆在不同视频帧中位置,实现对车辆的跟踪。在进行目标跟踪时,针对交通视频中的每个车辆都可以设置一个标识,比如,每个车辆都可以对应一个编号,以标识该车辆。在确定出过线车辆后,即可以将过线车辆对应的标识存储。
行驶轨迹信息可以是表征车辆行驶轨迹的各种信息,比如,可以是车辆在不同时刻的位置信息,或者车辆在不同视频帧中的位置信息等,该位置信息可以是在视频帧中的像素坐标,也可以基于图像采集设备的内外参数将像素坐标转化为三维空间中的三维坐标,具体可以根据实际需求设定,本公实施例不做限制。
在一些实施例中,行驶轨迹信息可以是交通视频中的车辆在交通视频的不同视频帧中的轨迹点的坐标。比如,针对视频帧中的每个车辆,可以确定一个可以表征车辆在视频帧中的位置的像素点,作为该车辆在当前视频帧或当前时刻的行驶轨迹点,比如,可以以车辆中心作为行驶轨迹点,或者以车辆四个轮胎与地面的接触点所围成区域的中心作为行驶轨迹点,具体可以根据实际需求设定。针对每帧视频帧,都可以确定该车辆的行驶轨迹点,这样便可以得到交通视频中车辆的行驶轨迹信息。比如,在一些场景,行驶轨迹信息可以包括车辆的标识、以及该车辆在不同视频帧(不同视频帧可以用视频帧的采集时间标识,也可以用视频帧编号标识)中的行驶轨迹点的坐标。
此外,该多个车辆可以是交通视频中检测到的所有车辆,也可以是交通视频中检测到的部分车辆,本公开实施例也不做限制。
在一些实施例中,对交通视频中的车辆进行跟踪检测以及基于检测结果确定交通流量指标可以由同一个设备执行,比如,对交通视频中的车辆进行跟踪检测以及基于检测结果确定交通流量指标可以由同一个设备上的不同模块或者组件执行,也可以由同一个设备上的相同模块或组件执行。在一些实施例中,对交通视频中的车辆进行跟踪检测以及基于检测结果确定交通流量指标也可以由两个不同的设备执行。
步骤S204、基于所述行驶轨迹信息从所述多个车辆中确定过线车辆,所述过线车辆的行驶轨迹与覆盖所述目标路口的一个或多个车道的检测线相交。
在得到交通视频中的车辆的行驶轨迹信息后,可以基于车辆行驶轨迹信息从该多个车辆中确定行驶轨迹与检测线相交的过线车辆。其中,检测线用于检测车辆是否从该目标路口汇入交叉路口中,因而,该检测线可以覆盖该目标路口的一个或多个车道,从该目标路口经过并流入其他路口的车辆均会经过该检测线。
在一些实施例中,该检测线可以由用户预先在交通视频的视频帧中标定得到,比如,可以在视频帧中目标路口处选取两个像素点作为该检测线的两个端点,并记录两个端点的位置坐标。当然,为了从该目标路口流出的车辆均被检测到,在标定检测线时,检测线的两个端点可以位于目标路口进口道的两侧,即检测线可以覆盖目标路口进口道的一个或多个车道。
由于从目标入口开往其他方向的车辆都会经过目标路口的停止线或斑马线,所以,在一些实施例中,在标定检测线时,为了方便标定,可以根据目标路口的停止线或斑马线标定检测线,即检测线可以与目标路口的停止线或斑马线重合。当然,实际在标定检测线时,也不一定都要与停止线重合,只要可以覆盖目标路口中待检测的一个或多个车道,保证经过待检测车道的车辆的行驶轨迹都会与检测线相交即可。
由于对目标路口进行视频采集的图像采集设备的视角一般是固定,因而,检测线在交通视频中各视频帧的位置都是固定的,因而在进行检测线标定时,只需在一帧视频帧中标定该检测线两个端点的位置,确定两个端点的位置坐标即可。
在一实施例中,该检测线也可以通过自动从交通视频的视频帧中识别得到,比如,该检测线可以是目标路口的斑马线或者停止线,可以通过对视频帧中的斑马线或停止线自动识别,确定该斑马线和停止线的两个端点的像素坐标,以作为检测线两个端点的坐标。通过从视频帧中自动识别斑马线或停止线作为检测线,可以省去用户标注检测线的步骤,使得检测方法更加方便快捷。
如图3所示,为一个十字路口的示意图,十字路口中包括(a)、(b)、(c)、(d)四个路口,针对每个路口都可以设置图像采集设备采集该路***通视频,将基于交通视频确定该路口对应的交通流量指标。以路口(a)为例,路口(a)中存在进口道,车辆由该进口道汇入十字路口,并驶入其他各个路口中。因而,可以在目标路口进口道的位置标定一条检测线,检测线可以覆盖该目标路口中的车道1、车道2、车道3,从而从车道1、车道2、车道3汇入十字路口的车辆都会经过该检测线,即其行驶轨迹都会与检测线相交,从而可以被检测到。
在一些实施例中,在基于行驶轨迹信息从交通视频中的多个车辆中确定过线车辆时,可以针对交通视频中的每一帧视频帧,根据车辆的行驶轨迹信息从该视频帧中的各车辆确定过线车辆,然后累计每帧视频帧中的过线车辆,得到一段交通视频中的过线车辆。由于有些车辆可能在多帧视频帧均被确定为过线车辆,因而在累计不同视频帧中的过线车辆时,可以将不同视频帧中重复统计过的过线车辆合并,从而避免重复统计。
在一些实施例中,行驶轨迹信息可以是交通视频的车辆在交通视频的不同视频帧中的轨迹点的坐标,在基于行驶轨迹信息从交通视频的每帧视频帧的车辆中确定过线车辆时,可以采用如下方式:针对当前视频帧中的每一个车辆,均可以先基于该车辆的行驶轨迹信息确定该车辆在当前视频帧中的第一轨迹点的坐标,以及该车辆在当前视频帧的前一帧中的第二轨迹点的坐标,然后根据第一轨迹点的坐标、第二轨迹点的坐标以及检测线的两个端点的坐标确定第一轨迹点与所述第二轨迹点的连线与检测线是否相交,如果相交,则将该车辆确定为过线车辆。针对当前视频帧中的每个车辆,都可以逐个车辆重复上述步骤,以确定每个当前视频帧中的各车辆是否为过线车辆。针对交通视频中的每帧视频帧,也可以逐帧重复上述步骤,从而得到每帧视频帧中的过线车辆。通过逐帧判定每帧视频帧中的过线车辆,在将每帧视频帧中的过线车辆累计,即可以得到一段交通视频中的过线车辆。
其中,判定第一轨迹点和第二轨迹点的连线与检测线是否相交,即判断两条线段是否相交。在一些实施例中,可以采用快速排斥实验和跨立实验来判定两条线段是否相交。举个例子,假设车辆在当前视频帧的前一帧中的第二轨迹点的坐标为:ppre=(xpre,ypre),在当前视频帧中的第一轨迹点的坐标为:pcur=(xcur,ycur),检测线两个端点的坐标分别为:p1=(x1,y1),p2=(x2,y2)。
为了提高过线车辆的检测速度,首先,可以进行快速排斥实验快速过滤掉行驶轨迹与检测线不相交的车辆,比如,当第一轨迹点的坐标、第二轨迹点的坐标、以及检测线两个端点的坐标满足以下条件中的任一项时,则可判定第一轨迹点和第二轨迹点的连线与检测线不相交:
min(xpre,xcur)≤max(x1,x2);
min(x1,x2)≤max(xpre,xcur);
min(ypre,ycur)≤max(y1,y2);
min(y1,y2)≤max(ypre,ycur);
如果第一轨迹点的坐标、第二轨迹点的坐标、以及检测线两个端点的坐标不符合上述条件,则可以进一步进行跨立实验,以判定第一轨迹点和第二轨迹点的连线与检测线是否相交。当第一轨迹点的坐标、第二轨迹点的坐标、以及检测线两个端点的坐标满足下列任一条件时,则可以判定两者相交,否则判定两者不相交;
((x1-xpre)(y1-ycur)-(x1-xcur)(y1-ypre))×
((x2-xpre)(y2-ycur)-(x2-xcur)(y2-ypre))≤0;
((xpre-x1)(ypre-y2)-(xpre-x2)(ypre-y1))×
((xcur-x1)(ycur-y2)-(xcur-x2)(ycur-y1))≤0;
基于上述判定条件,即可以确定各视频帧中的过线车辆。
当然,实际在确定行驶轨迹是否与检测相交时,可以采用相邻两帧的轨迹点确定行驶轨迹,也可以选取间隔一定帧数的两帧视频帧的轨迹点确定行驶轨迹,本公开实施例不做限制。
在确定每帧视频帧中的过线车辆后,可以记录该过线车辆的行驶轨迹与检测线的交点的坐标,以及过线车辆行驶轨迹与检测线相交时刻的视频帧的标识以及过线时间等参数,供用户后续使用。
步骤S206、对所述过线车辆进行聚类处理,基于聚类处理结果确定所述目标路口的交通流量指标。
在确定经过该目标路口的检测线的过线车辆后,可以对确定出的过线车辆进行聚类处理,进而基于聚类处理结果确定目标路口的交通流量指标。由于行驶轨迹与该检测线相交的车辆,都是会经过该目标路口流向各个方向的车辆,因而,可以准确地检测出经过该目标路口的车辆,然后可以进一步对这些车辆进行聚类处理,以确定符合各种检测需求的车辆的数量。其中,检测需求可以是检测某一个或多个车道的车流量,或者检测某一个方向或多个方向的车流量,因而,可以通过聚类处理,确定一个或多个车道的车流量,或者经过聚类处理确定从该目标路口开往某个方向的车流量,以得到目标路口的各项交通流量指标。
在一些实施例中,该交通流量指标可以是目标路口的一个或多个车道的车流量,在对过线车辆进行聚类处理,基于聚类处理结果确定目标路口一个或多个车道的车流量时,可以对过线车辆的行驶轨迹与检测线的交点进行聚类处理,基于该交点的聚类处理结果确定各个车道的车流量。其中,对交点进行聚类处理可以采用DBSCAN聚类算法、K-means聚类算法等,本公开实施例不做限制。
比如,在一些场景,可以直接将聚类得到的每个类别中的交点对应的车辆作为同一个车道的车辆。当然,直接采用交点的聚类结果作为对过线车辆进行车道划分的结果可能不太准确。在一些实施例中,在确定每个车道的车流量时,也可以对过线车辆的行驶轨迹与检测线的交点进行聚类处理,可以得到一个或多个聚类,其中,每个聚类对应一个或多个聚类中心,以下称为交点聚类中心,每个交点聚类中心可以代表一个分组,以下称为第一分组,举个例子,假设有三个车道,则一般对交点进行聚类后可以得到三个交点聚类中心,每个交点聚类中心对应一个第一分组。在确定交点聚类中心后,可以分别确定各过线车辆的交点与每个交点聚类中心的距离,然后将该过线车辆划分到与其交点距离最近的交点聚类中心所代表的第一分组中。其中,交点与交点聚类中心的距离可以是欧几里德距离或者是其他类型的距离,可根据实际需求设置。
举个例子,假设车辆轨迹与检测线相交点为pv=(x,y),聚类中心有两个分别为pc1=(x1,y1),pc2=(x2,y2),可以根据公式(1)确定过线车辆所属的第一分组:
max((x1-x)2+(y1-y)2,(x2-x)2+(y2-y)2) 公式(1)
即交点与哪个交点聚类中心的距离最近,则将该车辆划分到那个交点聚类中心所代表的第一分组。在将各过线车辆划分到各交点聚类中心所代表的第一分组中后,可以根据各个第一分组所代表的车道以及第一分组中过线车辆的数量,确定目标路口中待检测的一个或多个车道的车流量。
在一些实施例中,对过线车辆的行驶轨迹与检测线的交点进行聚类处理的操作可以在预设条件触发后执行,该预设条件可以是过线车辆的数量达到预设的数量阈值,或者也可以是交通视频的时长达到预设时长阈值。比如,在一些实施例中,可以逐一确定每帧视频帧中的过线车辆,并累计各视频帧中的过线车辆,当累计的过线车辆达到预设的数量阈值后,即可以对过线车辆的交点进行聚类处理,以得到一段时间内各车道的车流量。当然,在一些实施例中,也可以统计已检测过线车辆的交通视频的时长,当时长达到预设的时长阈值,则对该段时间内的过线车辆的交点进行聚类处理,以得到该段时间内各车道的车流量。
在一些实施例中,如图4所示,交通流量指标可以是从目标路口驶向不同行驶方向的车流量,举个例子,假设经目标路口汇入交叉路口的车辆可以直行、左转、右转、掉头,因而需要统计开往不同方向的车流量,以便基于该项指标对交通流量进行调控。在对过线车辆进行聚类处理,基于聚类结果确定从目标路口开往不同方向的车流量时,可以先确定每个过线车辆的退出轨迹点的坐标,其中,退出轨迹点为交通视频中最后一次检测到该过线车辆的视频帧中过线车辆的轨迹点,也就是该过线车辆退出图像采集设备的视角范围时刻过线车辆的轨迹点。在确定每个过线车辆的退出轨迹点的坐标后,可以基于退出轨迹点的坐标对所有过线车辆的退出轨迹点进行聚类处理,基于退出轨迹点的聚类结果确定从目标路口开往各个行驶方向的车流量。
比如,在一些实施例中,可以直接将退出轨迹点的聚类结果作为对过线车辆进行行驶方向划分的结果,比如,聚类得到的每个类别中的退出轨迹点对应的车辆作为一个行驶方向的车辆,但是这种方式确定的划分结果不太准确。
在一些实施例中,可以先对过线车辆的退出轨迹点进行聚类处理,得到一个或多个聚类,以及每个聚类对应的聚类中心,以下称为退出轨迹点聚类中心,其中,每个退出轨迹点聚类中心代表一个分组,以下称为第二分组。每个第二分组可以代表一种行驶方向类别,举个例子,假设从目标路口流出的车辆的行驶方向有三个,比如,直行、左转、右转,那么可以得到三个退出轨迹点聚类中心以及三个第二分组,划分到每个第二分组中的过线车辆的行驶方向分别为直行、左转、右转。在得到退出轨迹点聚类中心后,可以分别确定各过线车辆的退出轨迹点与各个退出轨迹点聚类中心的距离,并基于该距离将过线车辆划分到第二分组中,比如,将过线车辆划分到与其退出轨迹点距离最近的退出轨迹点聚类中心所代表的第二分组中。然后可以基于每个第二分组所代表的行驶方向类别以及每个第二分组中过线车辆的数量确定从目标路口驶向不同行驶方向的车流量。
相关技术中,在确定交通流量时,通常只能确定某个车道的车流量,对于从路口开往各个行驶方向的车流量无法检测,即对于多功能车道上的掉头、转向等个方向的车流量都无法检测。本公开实施例提供的方法可以确定从目标路口开往不同方向的车流量,以基于这些交通流量指标更好的进行交通流量的管控。
在一些实施例中,行驶方向可以包括直行、左转、右转、掉头中的一种或者多种。当然,行驶方向的类别可以根据路口的具体情况设置,比如,针对十字形路口、丁字形路口、可以掉头和不可以掉头的路口,其行驶方向的类别都不一样。针对路况更复杂的交叉路口,则其行驶方向的类别也可以有更多种。
由于在对车辆进行跟踪检测时,也可能存在识别错误,导致跟踪结果出现错误的问题,因而,确定的车辆行驶轨迹也可能存在错误。由于退出轨迹点聚类中心是对过线车辆进行分组的基准,准确地确定退出轨迹点聚类中心是对过线车辆进行准确分组的关键,所以,在一些实施例中,在基于过线车辆的退出轨迹点的坐标对退出轨迹点进行聚类处理之前,可以先根据过线车辆的行驶轨迹信息过滤掉行驶轨迹异常的过线车辆,比如,行驶轨迹异常的车辆可以是行驶轨迹存在中断现象的车辆。通过将行驶轨迹异常的过线车辆去除,再对筛选出的行驶轨迹正常的过线车辆的退出轨迹点进行聚类,得到退出点聚类中心并基于该退出轨迹点聚类中心将过线车辆分组,可以更加准确地对过线车辆进行分组。
在基于过线车辆与退出轨迹点聚类中心的距离将过线车辆划分成一个或多个第二分组后,可以确定每个第二分组所代表的行驶方向类别,比如,该第二分组代表的是直行、左转、还是右转方向,从而才能确定划分到该第二分组的过线车辆的行驶方向。在一些实施例中,可以基于聚类得到的退出轨迹点聚类中心的数量确定每个第二分组代表的行驶方向。比如,在一些实施例中,如果退出轨迹点聚类中心的数量与目标路口包括的行驶方向类别的数量一致,则可以分别确定代表每个第二分组的退出轨迹点聚类中心与检测线中心的连线与该检测线的夹角,然后基于夹角的大小排序结果确定每个第二分组代表的行驶方向。通常,从目标路口开往各个行驶方向的车辆的退出轨迹点的中心与检测线中心的连线与检测线的夹角的大小关系是一定的,因而,当退出轨迹点聚类中心的数量和行驶方向的数量一致,说明每个行驶方向都有过线车辆,因而可以直接根据代表第二分组的退出轨迹点聚类中心与检测线中心的连线与检测线的夹角的排序结果确定各第二分组所代表的行驶方向。当然,在一些实施例中,该夹角也可以是退出轨迹点聚类中心与目标路口停止线、或斑马线的中心的夹角,具体可以根据实际情况设置。
比如,在一些实施例中,从目标路口流出的车辆的行驶方向包括:直行、左转、右转以及掉头四个方向,而确定的退出轨迹点聚类中心的数量刚好为4,即有4个第二分组,那么在基于代表每个第二分组的退出点聚类中心与检测线的夹角的大小排序结果确定每个第二分组代表的行驶方向时,可以按照该夹角从小到大的顺序将各第二分组排序,排序后的第二分组对应的行驶方向依次为:掉头、右转、直行、左转。比如,如图4所示,从目标路口流出的车辆的行驶方向包括:直行、左转、右转以及掉头四个方向,如图5所示,图中的点表示过线车辆的退出轨迹点,其中掉头方向的退出轨迹点聚类中心为P1(图中的黑点)、右转方向的退出轨迹点聚类中心为P2(图中的黑点)、直行方向的退出轨迹点聚类中心为P3(图中的黑点)、左转方向的退出轨迹点聚类中心为P4(图中的黑点),检测线中心点为P0,其中,P1P0与检测线的夹角为θ1,P2P0与检测线的夹角为θ2,P3P0与检测线的夹角为θ3,P4P0与检测线的夹角为θ4,从图中可知,上述四个夹角的大小会遵循以下规律:θ1<θ2<θ3<θ4,因而,如果退出轨迹点聚类中心刚好有四个,即过线车辆可以划分成4个第二分组,即可以基于夹角的大小排序结果,确定4个第二分组代表的行驶方向类别。
在一些实施中,如果退出点聚类中心的数量小于目标路口包括的行驶方向类别的数量,那么仅根据代表各第二分组的退出轨迹点聚类中心与检测线中心的连线与检测线的夹角的大小关系无法准确确定各第二分组所代表的行驶方向类别。举个例子,假设行驶方向类别有掉头、右转、直行、左转四个方向,而确定的退出轨迹点聚类中心的数量为2,即只有2个第二分组,那么仅根据代表这两个第二分组的退出轨迹点聚类中心与检测线中心的连线与检测线的夹角的大小关系无法准确确定这两个第二分组代表的行驶方向类别。比如,假设代表两个第二分组的退出轨迹点聚类中心与检测线中心与检测线的夹角分别为θ1和θ2,且θ1>θ2,那么这两个分组代表的行驶方向类别可能是右转和直行,也可能是直行和左转等多种情况。
针对这种情况,可以先基于过线车辆的行驶轨迹对该过线车辆的行驶方向进行预判断,得到每个过线车辆行驶方向的预判断结果,然后可以基于预判断结果辅助判定各第二分组所代表的行驶方向类别。比如,在一些实施例中,针对划分后的每个第二分组中的过线车辆,可以基于各过线车辆的行驶轨迹确定每个第二分组中各过线车辆所属的行驶方向类别,然后从第二分组中各过线车辆所属的行驶方向类别中确定目标行驶方向类别,其中,目标行驶方向类别中的过线车辆的数量大于其他行驶方向类别中的过线车辆数量,然后将所述目标行驶方向类别作为第二分组所代表的行驶方向类别。
举个例子,假设对过线车辆的退出轨迹点进行聚类,得到四个退出轨迹点点聚类中心a、b、c、d,然后基于各过线车辆与聚类中心的距离将各过线车辆划分到上述四个聚类中心各自代表的分组中,假设依次为分组A、分组B、分组C、分组D,其中,分组A中过线车辆的ID为{1、2、3、4、5}、分组B中过线车辆的ID为{6、7、8、9}、分组B中过线车辆的ID为{10、11、12、13、14、15}、分组D中的过线车辆的ID为{16、17、18、19、20}。为了确定分组A、分组B、分组C和分组D各自代表的行驶方向类别(即分组内的车辆的行驶方向),可以针对分组A中的过线车辆{1、2、3、4、5},基于其行驶轨迹确定这些车辆的行驶方向,比如,车辆1为左转、车辆2为左转、车辆3为左转、车辆4为直行、车辆5为右转,其中,左转的车辆的数量最多,那么可以确定分组A为代表的行驶方向为左转。
在一些实施例中,也可以基于过线车辆的行驶轨迹得到不同行驶方向类别的过线车辆的集合,然后基于各集合中过线车辆的标识和第二分组中过线车辆标识的比对结果确定第二分组代表的行驶方向类别。举个例子,假设基于过线车辆行驶轨迹信息直行方向的过线车辆的ID为{1、2、3、4、5}、左转方向的过线车辆的ID为{6、7、8、9},而第二分组A的车辆ID为{1、2、3、4},与直行方向中过线车辆ID的差异最小,因而第二分组A代表的行驶方向为执行。
在一些实施例中,在基于各第二分组中的过线车辆的行驶轨迹对过线车辆的行驶方向进行预判断,得到第二分组中每个过线车辆所属的行驶方向类别时,可以对过线车辆的行驶轨迹进行线性拟合,根据线性拟合结果从过线车辆中确定行驶方向为直行方向的车辆。由于直行方向的车辆的行驶轨迹整体上趋于直线,因而可以将行驶轨迹线性拟合结果趋于直线的过线车辆的行驶方向确定为直行方向。
在一些实施例中,可以对过线车辆的行驶轨迹进行线性拟合,针对根据线性拟合的结果确定的行驶方向为非直行方向的过线车辆,可以确定该非直行方向的过线车辆的行驶轨迹与检测线的余弦相似性,然后根据余弦相似性从非直行方向的车辆中确定出行驶方向为左转方向的过线车辆,以及行驶方向为右转方向的过线车辆。举个例子,假设当前视频帧的前一视频帧中车辆轨迹点坐标为:ppre=(xpre,ypre),当前视频帧中车辆轨迹点的坐标为:paf=(xaf,yaf);检测线两个端点的坐标为:p1=(x1,y1),p2=(x2,y2),那么可以得到表征行驶轨迹的向量:表征检测线的向量:则行驶轨迹和检测线的余弦相似性可以通过以下公式(2)计算得到:
在得到每个非直行车辆的夹角余弦和后,即可以根据余弦相似性初步判定每个非直行车辆是左转车辆还是右转车辆。比如,余弦相似性大于预设阈值,则为右转,小于预设阈值则为左转。
其中,在对过线车辆的行驶轨迹进行线性拟合以及确定车辆行驶轨迹与检测线的夹角时,可以采用抽帧的方式,间隔地抽取多帧视频帧,基于抽取的视频帧上过线车辆的轨迹点确定过线车辆的行驶轨迹。
由于道路中掉头车辆的数量通常较少,在对过线车辆的退出轨迹点进行聚类时,通常会将掉头方向的车辆的退出轨迹点作为噪点处理,导致实际确定的退出轨迹点聚类中心的数量会比实际行驶方向的数量少1。举个例子,假设经过目标路口的过线车辆的行驶方向包括:掉头、右转、直行、左转四个方向,但是由于掉头的车辆数量很少,远小于其他几个方向的车辆数量,因而,在采用聚类算法对退出轨迹点进行聚类时,通常会将掉头车辆的退出轨迹点作为噪点处理,从而最终得到的退出轨迹点聚类中心只有3个,这样会导致对掉头车辆漏检测。
为了解决这种问题,在一些实施例中,如果退出轨迹点聚类中心的数量小于行驶方向的数量,可以先判定过线车辆中是否存在掉头车辆,如果不存在,则基于每个过线车辆行驶方向的预判断结果确定各退出轨迹点聚类中心代表的行驶方向。如果存在,则可以从过线车辆中筛选出所有的掉头车辆。由于,通常掉头车辆的行驶轨迹与检测线的夹角会趋于0或小于0,因而,可以确定过线车辆的行驶轨迹与检测线的夹角,从过线车辆中筛选出该夹角小于或等于0的车辆,将该夹角小于或等于0的车辆的行驶方向确定为掉头方向。
然后针对其他非掉头的车辆,可以进一步确定其他非掉头车辆所在的第二分组所代表的行驶方向类别确定这些车辆的行驶方向。其中,第二分组所代表的行驶方向类别可以基于上述实施例中的夹角排序结果确定,也可以结合各分组中车辆的行驶轨迹预判的行驶方向类别确定。比如,当目标路口包括的行驶方向数量类别为4,而退出轨迹点聚类中心的数量为3,此时筛选出掉头方向的车辆后,针对余下的3个第二分组内的过线车辆,可以基于代表这3个第二分组的退出轨迹点聚类中心与检测线中心的连接与检测线的夹角的排序结果,确定各第二分组的排序结果。当然,可以结合各第二分组中过线车辆的行驶轨迹预判其行驶方向类别,基于预判结果确定第二分组代表的行驶方向类别。当然,当目标路口包括的行驶方向数量类别为4,而退出轨迹点聚类中心的数量2,此时筛选出掉头方向的车辆后,针对余下的2个第二分组内的过线车辆,则可以结合各第二分组中过线车辆的行驶轨迹预判其行驶方向类别,基于预判结果确定第二分组代表的行驶方向类别。
在确定目标路口的交通流量指标后,可以进一步基于该交通流量指标对交通流量进行管控,比如,可以基于交通流量指标控制交通信号灯、或者基于交通流量指标对道路交通的状况进行分析,针对车流量较大的路段,可以采取封闭该路段的措施,或者也可以将各车道的车流量情况实时更新给用户,以便用户根据车流量情况避开拥堵的路段。在一些实施例中,可以基于确定的交通流量指标对目标路口的交通信号灯进行控制。比如,可以根据各行驶方向的车流量实时对该目标路口红绿灯的时长进行调控,如果通往某个方向的车流量较大,则可以适当延长该方向上的绿灯的时长,以及时规避目标路口堵塞等交通问题。
与上述方法相对应,本公开实施例还提供一种确定交通流量指标的装置,如图6所示,所述装置包括:
获取模块61,用于获取对交通视频中的多个车辆进行跟踪检测的检测结果,所述交通视频为采集的目标路口的视频,所述检测结果包括所述多个车辆的行驶轨迹信息;
处理模块62,用于基于所述行驶轨迹信息从所述多个车辆中确定过线车辆,所述过线车辆的行驶轨迹与覆盖所述目标路口的一个或多个车道的检测线相交;
聚类模块63,用于对所述过线车辆进行聚类处理,基于聚类处理结果确定所述目标路口的交通流量指标。
在一些实施例中,所述检测线与所述目标路口停止线或者斑马线重合。
在一些实施例中,所述处理模块用于基于所述行驶轨迹信息从所述多个车辆中确定过线车辆时,具体用于:
基于所述行驶轨迹信息从所述交通视频的每帧视频帧的车辆中确定过线车辆;
累计每帧视频帧中的过线车辆,得到所述多个车辆中的过线车辆。
在一些实施例中,所述行驶轨迹信息包括所述多个车辆在所述交通视频的不同视频帧中的轨迹点的坐标,所述处理模块用于基于所述行驶轨迹信息从所述交通视频的每帧视频帧的车辆中确定过线车辆时,具体用于:
针对每帧当前视频帧,分别执行以下操作:
基于当前视频帧中每个车辆的行驶轨迹信息,确定所述每个车辆在所述当前视频帧中的第一轨迹点的坐标,以及所述每个车辆在所述当前视频帧的前一帧中的第二轨迹点的坐标;
在根据所述第一轨迹点的坐标、所述第二轨迹点的坐标以及所述检测线的两个端点的坐标,确定所述第一轨迹点与所述第二轨迹点的连线与所述检测线相交的情况下,将所述车辆确定为过线车辆。
在一些实施例中,所述交通流量指标包括所述目标路口的一个或多个车道的车流量,所述聚类模块用于对所述过线车辆进行聚类处理,基于聚类处理结果确定所述目标路口的交通流量指标时,具体用于:
对所述过线车辆的行驶轨迹与所述检测线的交点进行聚类处理,得到一个或多个交点聚类中心,其中,每个交点聚类中心代表一个第一分组;
基于所述过线车辆的所述交点与所述一个或多个交点聚类中心的距离,将所述过线车辆划分到所述第一分组中;
基于每个第一分组所代表的车道以及每个第一分组中过线车辆的数量,确定所述目标路口的一个或多个车道的车流量。
在一些实施例中,对所述过线车辆的行驶轨迹与所述检测线的交点进行聚类处理的操作在预设条件触发后执行,所述预设条件包括:
所述过线车辆的数量达到预设数量阈值;和/或
所述交通视频的时长达到预设时长阈值。
在一些实施例中,所述交通流量指标包括从所述目标路口驶向不同行驶方向的车流量,所述聚类模块用于对所述过线车辆进行聚类处理,基于聚类结果确定所述目标路口的交通流量指标时,具体用于:
对所述退出轨迹点进行聚类处理,得到一个或多个退出轨迹点聚类中心,其中,所述退出轨迹点为最后一次检测到所述过线车辆的视频帧中所述过线车辆的轨迹点,每个退出轨迹点聚类中心代表一个第二分组;
基于所述过线车辆的退出轨迹点与所述一个或多个退出轨迹点聚类中心的距离,将所述过线车辆划分到所述第二分组中;
基于每个第二分组代表的行驶方向类别以及每个第二分组中的过线车辆的数量,确定从所述目标路口驶向不同行驶方向的车流量。
在一些实施例中,所述装置对所述退出轨迹点进行聚类处理之前,还用于:
基于所述过线车辆的行驶轨迹信息过滤掉行驶轨迹异常的过线车辆,其中,所述行驶轨迹异常的过线车辆包括行驶轨迹出现中断现象的车辆。
在一些实施例中,每个第二分组代表的行驶方向类别基于以下方式确定:
在所述一个或多个退出轨迹点聚类中心的数量与所述目标路口包括的行驶方向类别的数量一致的情况下,分别确定代表所述每个第二分组的退出轨迹点聚类中心与所述检测线中心的连线与所述检测线的夹角;
基于所述夹角的大小排序结果确定所述每个第二分组代表的行驶方向类别。
在一些实施例中,所述每个第二分组代表的行驶方向类别基于以下方式确定:
在所述一个或多个退出点聚类中心的数量小于所述目标路口包括的行驶方向类别的数量的情况下,基于每个第二分组中各过线车辆的行驶轨迹确定每个第二分组中各过线车辆所属的行驶方向类别;
从所述第二分组中各过线车辆所属的行驶方向类别中确定目标行驶方向类别,所述目标行驶方向类别中的过线车辆的数量大于其他行驶方向类别中的过线车辆数量;
将所述目标行驶方向类别作为所述第二分组所代表的行驶方向类别。
在一些实施例中,所述方法还包括:
确定所述过线车辆的行驶轨迹与所述检测线的夹角;
将所述夹角小于或等于0的过线车辆的行驶方向确定为掉头方向。
在一些实施例中,基于每个第二分组中各过线车辆的行驶轨迹确定每个第二分组中各过线车辆所属的行驶方向类别,包括:
对每个所述第二分组中的过线车辆的行驶轨迹进行线性拟合;
基于线性拟合的结果从每个所述第二分组中的过线车辆中确定行驶方向为直行方向的过线车辆。
在一些实施例中,基于每个第二分组中各过线车辆的行驶轨迹确定每个第二分组中各过线车辆所属的行驶方向类别,包括:
对每个所述第二分组中的过线车辆的行驶轨迹进行线性拟合,基于所述线性拟合的结果确定行驶方向为非直行方向的过线车辆;
基于所述非直行方向的过线车辆的行驶轨迹与所述检测线的余弦相似度,从所述非直行方向的过线车辆中确定出行驶方向为左转的过线车辆,以及行驶方向为右转的过线车辆。
在一些实施例中,在确定所述目标路口的交通流量后,所述装置还用于:
基于所述交通流量对所述目标路口的交通信号灯进行控制。
此外,本公开实施例还一种电子设备,如图7所示,所述电子设备包括处理器71、存储器72、存储在所述存储器72可供所述处理器71执行的计算机指令,所述处理器执行所述计算机指令时,可实现前述任一实施例所述的方法。
本公开实施例还提供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前述任一实施例所述的方法。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括,但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带,磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。按照本文中的界定,计算机可读介质不包括暂存电脑可读媒体(transitory media),如调制的数据信号和载波。
通过以上的实施方式的描述可知,本领域的技术人员可以清楚地了解到本说明书实施例可借助软件加必需的通用硬件平台的方式来实现。基于这样的理解,本说明书实施例的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)执行本说明书实施例各个实施例或者实施例的某些部分所述的方法。
上述实施例阐明的***、装置、模块或单元,具体可以由计算机芯片或实体实现,或者由具有某种功能的产品来实现。一种典型的实现设备为计算机,计算机的具体形式可以是个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件收发设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任意几种设备的组合。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于装置实施例而言,由于其基本相似于方法实施例,所以描述得比较简单,相关之处参见方法实施例的部分说明即可。以上所描述的装置实施例仅仅是示意性的,其中所述作为分离部件说明的模块可以是或者也可以不是物理上分开的,在实施本说明书实施例方案时可以把各模块的功能在同一个或多个软件和/或硬件中实现。也可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性劳动的情况下,即可以理解并实施。
以上所述仅是本说明书实施例的具体实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本说明书实施例原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本说明书实施例的保护范围。
Claims (17)
1.一种确定交通流量指标的方法,其特征在于,所述方法包括:
获取对交通视频中的多个车辆的进行跟踪检测的检测结果,所述交通视频为采集的目标路口的视频,所述检测结果包括所述多个车辆的行驶轨迹信息;
基于所述行驶轨迹信息从所述多个车辆中确定过线车辆,其中,所述过线车辆的行驶轨迹与覆盖所述目标路口的一个或多个车道的检测线相交;
对所述过线车辆进行聚类处理,基于聚类处理结果确定所述目标路口的交通流量指标。
2.根据权利要求1所述的方法,其特征在于,所述检测线与所述目标路口停止线或者斑马线重合。
3.根据权利要求1或2所述的方法,其特征在于,基于所述行驶轨迹信息从所述多个车辆中确定过线车辆,包括:
基于所述行驶轨迹信息从所述交通视频的每帧视频帧的车辆中确定过线车辆;
累计每帧视频帧中的过线车辆,得到所述多个车辆中的过线车辆。
4.根据权利要求1-3任一项所述的方法,其特征在于,所述行驶轨迹信息包括所述多个车辆在所述交通视频的不同视频帧中的轨迹点的坐标,基于所述行驶轨迹信息从所述交通视频的每帧视频帧的车辆中确定过线车辆,包括:
针对每帧当前视频帧,分别执行以下操作:
基于当前视频帧中每个车辆的行驶轨迹信息,确定所述每个车辆在所述当前视频帧中的第一轨迹点的坐标,以及所述每个车辆在所述当前视频帧的前一帧中的第二轨迹点的坐标;
在根据所述第一轨迹点的坐标、所述第二轨迹点的坐标以及所述检测线的两个端点的坐标,确定所述第一轨迹点与所述第二轨迹点的连线与所述检测线相交的情况下,将所述车辆确定为过线车辆。
5.根据权利要求1-4任一项所述的方法,其特征在于,所述交通流量指标包括所述目标路口的一个或多个车道的车流量,对所述过线车辆进行聚类处理,基于聚类处理结果确定所述目标路口的交通流量指标,包括:
对所述过线车辆的行驶轨迹与所述检测线的交点进行聚类处理,得到一个或多个交点聚类中心,其中,每个交点聚类中心代表一个第一分组;
基于所述过线车辆的所述交点与所述一个或多个交点聚类中心的距离,将所述过线车辆划分到所述第一分组中;
基于每个第一分组所代表的车道以及每个第一分组中过线车辆的数量,确定所述目标路口的一个或多个车道的车流量。
6.根据权利要求5所述的方法,其特征在于,对所述过线车辆的行驶轨迹与所述检测线的交点进行聚类处理的操作在预设条件触发后执行,所述预设条件包括:
所述过线车辆的数量达到预设数量阈值;和/或
所述交通视频的时长达到预设时长阈值。
7.根据权利要求1-6任一项所述的方法,其特征在于,所述交通流量指标包括从所述目标路口驶向不同行驶方向的车流量,所述对所述过线车辆进行聚类处理,基于聚类结果确定所述目标路口的交通流量指标,包括:
对所述退出轨迹点进行聚类处理,得到一个或多个退出轨迹点聚类中心,其中,所述退出轨迹点为最后一次检测到所述过线车辆的视频帧中所述过线车辆的轨迹点,每个退出轨迹点聚类中心代表一个第二分组;
基于所述过线车辆的退出轨迹点与所述一个或多个退出轨迹点聚类中心的距离,将所述过线车辆划分到所述第二分组中;
基于每个第二分组代表的行驶方向类别以及每个第二分组中的过线车辆的数量,确定从所述目标路口驶向不同行驶方向的车流量。
8.根据权利要求7所述的方法,其特征在于,对所述退出轨迹点进行聚类处理之前,还包括:
基于所述过线车辆的行驶轨迹信息过滤掉行驶轨迹异常的过线车辆,其中,所述行驶轨迹异常的过线车辆包括行驶轨迹出现中断现象的车辆。
9.根据权利要求7或8所述的方法,其特征在于,每个第二分组代表的行驶方向类别基于以下方式确定:
在所述一个或多个退出轨迹点聚类中心的数量与所述目标路口包括的行驶方向类别的数量一致的情况下,分别确定代表所述每个第二分组的退出轨迹点聚类中心与所述检测线中心的连线与所述检测线的夹角;
基于所述夹角的大小排序结果确定所述每个第二分组代表的行驶方向类别。
10.根据权利要求7-9任一项所述的方法,其特征在于,所述每个第二分组代表的行驶方向类别基于以下方式确定:
在所述一个或多个退出点聚类中心的数量小于所述目标路口包括的行驶方向类别的数量的情况下,基于每个第二分组中各过线车辆的行驶轨迹确定每个第二分组中各过线车辆所属的行驶方向类别;
从所述第二分组中各过线车辆所属的行驶方向类别中确定目标行驶方向类别,所述目标行驶方向类别中的过线车辆的数量大于其他行驶方向类别中的过线车辆数量;
将所述目标行驶方向类别作为所述第二分组所代表的行驶方向类别。
11.根据权利要求10所述的方法,其特征在于,所述方法还包括:
确定所述过线车辆的行驶轨迹与所述检测线的夹角;
将所述夹角小于或等于0的过线车辆的行驶方向确定为掉头方向。
12.根据权利要求10所述的方法,其特征在于,基于每个第二分组中各过线车辆的行驶轨迹确定每个第二分组中各过线车辆所属的行驶方向类别,包括:
对每个所述第二分组中的过线车辆的行驶轨迹进行线性拟合;
基于线性拟合的结果从每个所述第二分组中的过线车辆中确定行驶方向为直行方向的过线车辆。
13.根据权利要求10-12任一项所述的方法,其特征在于,基于每个第二分组中各过线车辆的行驶轨迹确定每个第二分组中各过线车辆所属的行驶方向类别,包括:
对每个所述第二分组中的过线车辆的行驶轨迹进行线性拟合,基于所述线性拟合的结果确定行驶方向为非直行方向的过线车辆;
基于所述非直行方向的过线车辆的行驶轨迹与所述检测线的余弦相似度,从所述非直行方向的过线车辆中确定出行驶方向为左转的过线车辆,以及行驶方向为右转的过线车辆。
14.根据权利要求1-13任一项所述的方法,其特征在于,在确定所述目标路口的交通流量后,还包括:
基于所述交通流量对所述目标路口的交通信号灯进行控制。
15.一种确定交通流量指标的装置,其特征在于,所述装置包括:
获取模块,用于获取对交通视频中的多个车辆进行跟踪检测的检测结果,所述交通视频为采集的目标路口的视频,所述检测结果包括所述多个车辆的行驶轨迹信息;
处理模块,用于基于所述行驶轨迹信息从所述多个车辆中确定过线车辆,其中,所述过线车辆的行驶轨迹与覆盖所述目标路口的一个或多个车道的检测线相交;
聚类模块,用于对所述过线车辆进行聚类处理,基于聚类处理结果确定所述目标路口的交通流量指标。
16.一种电子设备,其特征在于,所述电子设备包括处理器、存储器、存储在所述存储器可供所述处理器执行的计算机指令,所述处理器执行所述计算机指令时,可实现如权利要求1-14任一项所述的方法。
17.一种计算机可读存储介质,其特征在于,所述存储介质上存储有计算机指令,所述计算机指令被执行时实现如权利要求1-14任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110767463.0A CN113469075A (zh) | 2021-07-07 | 2021-07-07 | 确定交通流量指标的方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110767463.0A CN113469075A (zh) | 2021-07-07 | 2021-07-07 | 确定交通流量指标的方法、装置、设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113469075A true CN113469075A (zh) | 2021-10-01 |
Family
ID=77879107
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110767463.0A Pending CN113469075A (zh) | 2021-07-07 | 2021-07-07 | 确定交通流量指标的方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113469075A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114092915A (zh) * | 2021-11-26 | 2022-02-25 | 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 |
CN114485698A (zh) * | 2021-12-28 | 2022-05-13 | 武汉中海庭数据技术有限公司 | 一种交叉路口引导线生成方法及*** |
CN114998857A (zh) * | 2022-08-04 | 2022-09-02 | 山东未来网络研究院(紫金山实验室工业互联网创新应用基地) | 一种基于机器视觉的车道流量分类方法及*** |
CN116884250A (zh) * | 2023-07-12 | 2023-10-13 | 凉山州交通运输应急指挥中心 | 一种基于激光雷达的预警方法及高速公路预警*** |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104700624A (zh) * | 2015-03-16 | 2015-06-10 | 电子科技大学 | 基于相敏光时域反射仪的车流量在线监测***及监测方法 |
CN105261034A (zh) * | 2015-09-15 | 2016-01-20 | 杭州中威电子股份有限公司 | 一种高速公路上车流量的统计方法及装置 |
CN107610464A (zh) * | 2017-08-11 | 2018-01-19 | 河海大学 | 一种基于高斯混合时间序列模型的轨迹预测方法 |
CN108538052A (zh) * | 2018-03-05 | 2018-09-14 | 华南理工大学 | 基于车头灯轨迹跟踪和动态配对的夜间交通流量检测方法 |
CN110334569A (zh) * | 2019-03-30 | 2019-10-15 | 深圳市晓舟科技有限公司 | 客流量进出识别方法、装置、设备及存储介质 |
CN110389995A (zh) * | 2019-07-31 | 2019-10-29 | 北京百度网讯科技有限公司 | 车道信息检测方法、装置、设备和介质 |
CN111598069A (zh) * | 2020-07-27 | 2020-08-28 | 之江实验室 | 一种基于深度学习的高速公路车辆换道区域分析方法 |
CN111597905A (zh) * | 2020-04-20 | 2020-08-28 | 淮阴工学院 | 一种基于视频技术的公路隧道停车检测方法 |
CN111932945A (zh) * | 2020-07-27 | 2020-11-13 | 中华人民共和国广东海事局 | 水上截面线的通过流量确认方法、装置和计算机设备 |
WO2021036243A1 (zh) * | 2019-08-28 | 2021-03-04 | 华为技术有限公司 | 识别车道的方法、装置及计算设备 |
WO2021077761A1 (zh) * | 2019-10-23 | 2021-04-29 | 江苏智通交通科技有限公司 | 基于层次聚类的路口异常车辆轨迹识别分析方法 |
-
2021
- 2021-07-07 CN CN202110767463.0A patent/CN113469075A/zh active Pending
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104700624A (zh) * | 2015-03-16 | 2015-06-10 | 电子科技大学 | 基于相敏光时域反射仪的车流量在线监测***及监测方法 |
CN105261034A (zh) * | 2015-09-15 | 2016-01-20 | 杭州中威电子股份有限公司 | 一种高速公路上车流量的统计方法及装置 |
CN107610464A (zh) * | 2017-08-11 | 2018-01-19 | 河海大学 | 一种基于高斯混合时间序列模型的轨迹预测方法 |
CN108538052A (zh) * | 2018-03-05 | 2018-09-14 | 华南理工大学 | 基于车头灯轨迹跟踪和动态配对的夜间交通流量检测方法 |
CN110334569A (zh) * | 2019-03-30 | 2019-10-15 | 深圳市晓舟科技有限公司 | 客流量进出识别方法、装置、设备及存储介质 |
CN110389995A (zh) * | 2019-07-31 | 2019-10-29 | 北京百度网讯科技有限公司 | 车道信息检测方法、装置、设备和介质 |
WO2021036243A1 (zh) * | 2019-08-28 | 2021-03-04 | 华为技术有限公司 | 识别车道的方法、装置及计算设备 |
WO2021077761A1 (zh) * | 2019-10-23 | 2021-04-29 | 江苏智通交通科技有限公司 | 基于层次聚类的路口异常车辆轨迹识别分析方法 |
CN111597905A (zh) * | 2020-04-20 | 2020-08-28 | 淮阴工学院 | 一种基于视频技术的公路隧道停车检测方法 |
CN111598069A (zh) * | 2020-07-27 | 2020-08-28 | 之江实验室 | 一种基于深度学习的高速公路车辆换道区域分析方法 |
CN111932945A (zh) * | 2020-07-27 | 2020-11-13 | 中华人民共和国广东海事局 | 水上截面线的通过流量确认方法、装置和计算机设备 |
Non-Patent Citations (4)
Title |
---|
JIAN SUN 等: "Modelling and simulation of highly mixed traffic flow on two-lane two-way urban streets", SIMULATION MODELLING PRACTICE AND THEORY, 18 April 2019 (2019-04-18), pages 16 - 35 * |
SHUANG LI 等: "Vehicle counting and traffic flow parameter estimation for dense traffic scenes", IET INTELLIGENT TRANSPORT SYSTEMS, 30 July 2020 (2020-07-30), pages 1517 - 1523 * |
张成祥: "车联网环境下无信号交叉口控制方法研究", 中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑, no. 02, 15 February 2021 (2021-02-15), pages 034 - 726 * |
马怀志;: "一种基于视频分析的多车道车流量检测方法", 福建电脑, no. 01, 25 January 2017 (2017-01-25), pages 28 - 29 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114092915A (zh) * | 2021-11-26 | 2022-02-25 | 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 |
CN114485698A (zh) * | 2021-12-28 | 2022-05-13 | 武汉中海庭数据技术有限公司 | 一种交叉路口引导线生成方法及*** |
CN114485698B (zh) * | 2021-12-28 | 2023-11-28 | 武汉中海庭数据技术有限公司 | 一种交叉路口引导线生成方法及*** |
CN114998857A (zh) * | 2022-08-04 | 2022-09-02 | 山东未来网络研究院(紫金山实验室工业互联网创新应用基地) | 一种基于机器视觉的车道流量分类方法及*** |
CN114998857B (zh) * | 2022-08-04 | 2022-10-25 | 山东未来网络研究院(紫金山实验室工业互联网创新应用基地) | 一种基于机器视觉的车道流量分类方法及*** |
CN116884250A (zh) * | 2023-07-12 | 2023-10-13 | 凉山州交通运输应急指挥中心 | 一种基于激光雷达的预警方法及高速公路预警*** |
CN116884250B (zh) * | 2023-07-12 | 2024-01-26 | 凉山州交通运输应急指挥中心 | 一种基于激光雷达的预警方法及高速公路预警*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113469075A (zh) | 确定交通流量指标的方法、装置、设备及存储介质 | |
CN112069643B (zh) | 一种自动驾驶仿真场景生成方法及装置 | |
CN110717433A (zh) | 一种基于深度学习的交通违规分析方法及装置 | |
EP3177892B1 (en) | An apparatus and associated methods for navigation of road intersections | |
CN104537841A (zh) | 无牌车辆违章检测方法及其检测*** | |
US20220237919A1 (en) | Method, Apparatus, and Computing Device for Lane Recognition | |
Poddar et al. | Automated traffic monitoring system using computer vision | |
CN111524350B (zh) | 车路协同异常行驶状况检测方法、***、终端设备及介质 | |
CN109427191A (zh) | 一种行驶检测方法及装置 | |
CN114333344A (zh) | 机动车违章抓拍方法、装置及电子设备 | |
Xiong et al. | Vehicle re-identification with image processing and car-following model using multiple surveillance cameras from urban arterials | |
CN115762126A (zh) | 基于车道匹配的场景筛选方法、装置、设备及存储介质 | |
CN112447060A (zh) | 识别车道的方法、装置及计算设备 | |
CN114202936B (zh) | 一种交通指挥机器人及其控制方法 | |
Azimjonov et al. | Vision-based vehicle tracking on highway traffic using bounding-box features to extract statistical information | |
CN113468911B (zh) | 一种车载闯红灯检测方法、装置、电子设备及存储介质 | |
CN110610118A (zh) | 交通参数采集方法及装置 | |
Ha et al. | IMPROVED VEHICLES DETECTION & CLASSIFICATION ALGORITHM FOR TRAFFIC SURVEILLANCE SYSTEM. | |
CN114694370A (zh) | 展示路口车流量的方法、装置、计算设备和存储介质 | |
CN111931650A (zh) | 目标检测模型构建及闯红灯追责方法、***、终端及介质 | |
CN113095345A (zh) | 数据匹配方法、装置和数据处理设备 | |
CN115762153A (zh) | 倒车检测方法及装置 | |
CN111832352A (zh) | 非机动车监控方法、装置及设备、存储介质 | |
Gatelli et al. | Counting, classifying and tracking vehicles routes at road intersections with YOLOv4 and DeepSORT | |
CN112597924B (zh) | 电动自行车轨迹追踪方法、摄像机装置和服务器 |
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 |