CN114329074A - 一种匝道路段通行能效检测方法和*** - Google Patents
一种匝道路段通行能效检测方法和*** Download PDFInfo
- Publication number
- CN114329074A CN114329074A CN202210214308.0A CN202210214308A CN114329074A CN 114329074 A CN114329074 A CN 114329074A CN 202210214308 A CN202210214308 A CN 202210214308A CN 114329074 A CN114329074 A CN 114329074A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- ramp
- passing
- image
- model
- 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
Images
Landscapes
- Traffic Control Systems (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及智能交通技术领域,具体涉及一种匝道路段通行能效检测方法和***。该方法包括:获取匝道路段图像数据,并构建匝道路段虚拟道路模型;采集匝道路段通行车辆的图像数据及车辆位置探测数据,输入预训练模型,匹配通行车辆对应的三维模型;根据车辆位置探测数据将匹配的三维模型映射到匝道路段虚拟道路模型中三维可视化展示车辆通行状况。本发明将车辆虚拟的三维模型映射到创建的虚拟道路模型中,对通行车辆进行三维可视化实时展示,根据通行车辆的移动轨迹与虚拟道路模型中的交通标线特征的交叉判断通行车辆的变道压线情况并预警,以便实现对匝道路段的三维可视化管控,替代传统的抓拍实时掌握匝道路段通行状况。
Description
技术领域
本发明涉及智能交通技术领域,具体涉及一种匝道路段通行能效检测方法和***。
背景技术
随着城市的发展与建设,为了缓解城市道路的拥堵情况,通常以建设快速路段和架设高架路段的方式,缓解车流较大的主路段的交通状况,以上下立体通行的方式,提升主干道路的通行效率。而在进入或驶出快速路段和高架路段时,通过设置匝道口的方式进行车辆引导。在快速路段和高架路段的驶入和驶出路段无需安装交通行号灯等措施来标志控制机动车通行,无信号灯控制匝道口提升了机动车通行效率。
但是,由于匝道口为快速路段和高架路段的变窄路段,当遇到驶入或驶出匝道的车流变大时,容易造成拥堵,其中,造成匝道口变窄路段拥堵的主要原因在于车道数据减少,行驶至该路段的车辆随意变道,导致通行车辆之间相互干扰,造成车流通行状态混乱,随意变道和加塞情况严重,导致后方车辆积压,严重降低匝道路段的通行效率。因此,缺乏专门针对匝道路段车流变道行驶轨迹检测的方法和***,以可视化的模型方式进行直观反馈和预警,紧靠匝道路段的抓拍难以满足变窄路段的交通管控需求。
发明内容
针对匝道变窄路段车辆随意变道造成车流通行状态混乱,无法对随意变道车辆的行驶轨迹检测的问题,本发明实施例的目的在于提供了一种匝道路段通行能效检测方法和***,通过建立匝道路段的三维可视化的模型,直观的检测匝道路段通行车辆通行效率及行驶轨迹,针对随意变道车辆进行动态检测并预警,实现对匝道路段的三维可视化管控,替代传统的抓拍实时掌握匝道路段通行状况。
为实现上述目的,本发明实施例提供了如下的技术方案:
第一方面,在本发明提供的一个实施例中,提供了一种匝道路段通行能效检测方法,包括:
获取匝道路段图像数据,并构建匝道路段虚拟道路模型;
采集匝道路段通行车辆的图像数据及车辆位置探测数据,输入预训练模型,匹配通行车辆对应的三维模型;
根据车辆位置探测数据将匹配的三维模型映射到匝道路段虚拟道路模型中三维可视化展示车辆通行状况。
在本发明提供的一些实施例中,所述匝道路段图像数据获取的方法为:在匝道路段的监测点安装高清摄像头传感器,实时拍摄采集匝道路段的图像数据,并且,也用于采集匝道路段通行车辆的图像数据。
在本发明提供的一些实施例中,所述构建匝道路段虚拟道路模型,包括以下步骤:
获取高清摄像头传感器采集的不含通行车辆的匝道路段图像数据;
基于LBP(Local Binary Pattern,局部二值模式)图像特征提取算法,识别所述匝道路段图像数据中的车道、交通标线特征;
根据车道、交通标线特征建立匝道路段的虚拟道路模型。
在本发明提供的一些实施例中,所述基于LBP图像特征提取算法,识别匝道路段图像数据中的车道、交通标线特征的方法包括:
将获取的不含通行车辆的匝道路段图像数据进行灰度处理,得到检测窗口的灰度图像;
将检测窗口的灰度图像划分为若干小区域,并对划分的小区域中每个中心像素点的像素值与周围相邻像素点的像素值比较,得到每个中心像素点的LBP值;
根据获得的LBP值,计算每个小区域的直方图,并对直方图进行归一化处理;
将得到的每个小区域的直方图进行连接成为一个特征向量,形成整个匝道路段图像的LBP纹理特征向量,得到匝道路段图像数据中的车道、交通标线特征。
在本发明提供的一些实施例中,所述采集匝道路段通行车辆的图像数据的方法为:在匝道路段的龙门架上安装摄像头,通过摄像头采集匝道路段的车流视频。
在本发明提供的一些实施例中,匹配通行车辆对应的三维模型的方法,包括:
获取通行车辆的车流视频数据,并对所述车流视频数据进行分帧处理,得到连续的视频帧;
将视频帧输入预训练的车辆特征识别模型,输出对应通行车辆的车辆特征;
遍历车辆模型数据库,根据车辆的车辆特征查询匹配的车辆三维模型。
在本发明提供的一些实施例中,所述车辆特征识别模型的训练方法包括:
获取训练样本集,所述训练样本集包括采集的车流图像以及车流图像对应的车辆特征;
将获取的训练样本集输入待训练的车辆特征识别模型进行训练,输出车流图像对应的车辆特征,训练完成时,得到车辆特征识别模型。
在本发明提供的一些实施例中,车流图像对应的车辆特征提取的方法为:
获取采集的车流图像;
基于HOG图像特征提取算法识别所述车流图像中的车辆特征;
其中,所述HOG图像特征提取算法识别车流图像中的车辆特征的方法包括:
将获取的车流图像进行灰度化处理;
并采用Gamma校正法对输入车流图像进行颜色空间的标准化,计算车流图像每个像素值的梯度;
将计算梯度后的车流图像划分为若干单元格,计算每个单元格的梯度直方图;
将单元格组合形成连通区间,区间内归一化梯度直方图,对车流图像中所有重叠的区间进行特征收集,得到车流图像中的车辆特征。
在本发明提供的一些实施例中,还包括对采集的图像中的通行车辆添加标注框,车辆标注框标注的方法为:
获取包含车辆信息的拍摄采集的图像;
识别图像中各车辆的边缘特征点,并对每一车辆的边缘特征点进行拟合,得到每一车辆的边缘特征框;
基于边缘特征框在采集的图像中得到车辆标注框。
在本发明提供的一些实施例中,所述车辆位置探测数据为安装在匝道路段的雷达探测的雷达数据,根据雷达数据获得车辆在匝道路段的实际位置,车辆查询匹配的车辆三维模型根据获得的实际位置映射到建立的匝道路段虚拟道路模型中。
在本发明提供的一些实施例中,还包括:生成各通行车辆对应的移动轨迹图像,具体步骤包括:
根据采集匝道路段通行车辆的图像数据,匹配通行车辆对应的三维模型;
对采集的匝道路段通行车辆的图像数据进行处理,得到通行车辆的车辆标注框;
对通行车辆对应的三维模型及车辆标注框标号,并计算通行车辆的中心点;
根据车辆位置雷达数据实时计算通行车辆的实际位置,并计算通行车辆的中心点坐标;
将连续视频帧的中心点坐标映射至任一视频帧图像中,生成各通行车辆对应的移动轨迹图像。
第二方面,在本发明提供的另一个实施例中,提供了一种匝道路段通行能效检测***,所述匝道路段通行能效检测***采用前述匝道路段通行能效检测方法检测匝道路段通行车辆的三维模拟数据并进行可视化展示;所述匝道路段通行能效检测***包括:
虚拟道路模型构建模块,用于根据获取的匝道路段图像数据构建匝道路段虚拟道路模型;
车辆三维模型获取模块,用于根据采集的匝道路段通行车辆的图像数据,输入预训练模型,遍历车辆模型数据库,查询到通行车辆匹配的三维模型;
三维可视化展示模块,用于根据车辆位置雷达数据将通行车辆对应的三维模型映射到匝道路段虚拟道路模型中,将匝道通行车辆实际状况在三维的虚拟道路模型中可视化展示;以及
移动轨迹生成模块;用于根据连续视频帧中通行车辆的中心点坐标映射到任一视频帧图像中,生成通行车辆对应的移动轨迹图像。
本发明提供的技术方案,具有如下有益效果:
本发明提供的匝道路段通行能效检测方法和***,充分利用了对匝道路段的图像数据及雷达数据,创建与匝道路段一致的虚拟道路模型,并对行径匝道路段的通行车辆识别,在车辆模型数据库查询匹配的三维模型,根据雷达探测的实际位置,将车辆虚拟的三维模型映射到创建的虚拟道路模型中,对通行车辆进行三维可视化实时展示,根据通行车辆的移动轨迹与虚拟道路模型中的交通标线特征的交叉判断通行车辆的变道压线情况并预警,以便实现对匝道路段的三维可视化管控,替代传统的抓拍实时掌握匝道路段通行状况。
本发明的这些方面或其他方面在以下实施例的描述中会更加简明易懂。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,并不能限制本发明。
附图说明
为了更清楚地说明本发明实施例或相关技术中的技术方案,下面将对示例性实施例或相关技术描述中所需要使用的附图作一简单地介绍,附图用来提供对本发明的进一步理解,并且构成说明书的一部分,与本发明的实施例一起用于解释本发明,并不构成对本发明的限制。在附图中:
图1为本发明实施例提供的一种匝道路段通行能效检测方法的流程图。
图2为本发明实施例提供的一种匝道路段通行能效检测方法中构建虚拟道路模型的流程图。
图3为本发明实施例提供的一种匝道路段通行能效检测方法中LBP图像特征提取算法识别匝道路段图像特征的流程图。
图4为本发明实施例提供的一种匝道路段通行能效检测方法中匹配车辆三维模型的流程图。
图5为本发明实施例提供的一种匝道路段通行能效检测方法中训练车辆特征识别模型的流程图。
图6为本发明实施例提供的一种匝道路段通行能效检测方法中HOG图像特征提取算法识别车辆特征的流程图。
图7为本发明实施例提供的一种匝道路段通行能效检测方法中车辆标注框标注的流程图。
图8为本发明实施例提供的一种匝道路段通行能效检测方法中生成移动轨迹图像的流程图。
图9为本发明实施例提供的一种匝道路段通行能效检测方法中雷达探测得到的车辆几何中心的一种情形的原理示意图。
图10为本发明实施例提供的一种匝道路段通行能效检测方法中雷达探测得到的车辆几何中心的又一种情形的原理示意图。
图11为本发明实施例提供的一种匝道路段通行能效检测***的***框图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅用以解释本发明,并不用于限定本发明。
在本发明的说明书和权利要求书及上述附图中的描述的一些流程中,包含了按照特定顺序出现的多个操作,但是应该清楚了解,这些操作可以不按照其在本文中出现的顺序来执行或并行执行,操作的序号如101、102等,仅仅是用于区分开各个不同的操作,序号本身不代表任何的执行顺序。另外,这些流程可以包括更多或更少的操作,并且这些操作可以按顺序执行或并行执行。需要说明的是,本文中的“第一”、“第二”等描述,是用于区分不同的消息、设备、模块等,不代表先后顺序,也不限定“第一”和“第二”是不同的类型。
下面将结合本发明示例性实施例中的附图,对本发明示例性实施例中的技术方案进行清楚、完整地描述,显然,所描述的示例性实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域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,都属于本发明保护的范围。
针对目前匝道口变窄路段通行车辆随意变道和加塞情况严重,导致通行车辆之间相互干扰,造成车流通行状态混乱,严重降低匝道路段的通行效率的问题。本发明实施例提供的一种匝道路段通行能效检测方法和***。通过三维可视化的方式对匝道路段通行车辆实时监测,针对随意变道车辆进行动态检测并预警,实现对匝道路段的三维可视化管控,替代传统的抓拍实时掌握匝道路段通行状况。
以下结合附图并通过具体实施方式来进一步说明本发明的技术方案。
实施例1
参阅图1所示,图1为本发明提供的一种匝道路段通行能效检测方法的流程图。本发明的一个实施例提供了一种匝道路段通行能效检测方法,包括以下步骤:
S1:获取匝道路段图像数据,并构建匝道路段虚拟道路模型。
本实施例中,在匝道路段监测点的龙门架上安装高清摄像头传感器,高清摄像头传感器用于实时拍摄采集匝道路段的图像数据,也用于采集匝道路段通行车辆的图像数据。
在构建匝道路段虚拟道路模型时,参见图2所示,通过以下步骤进行建模:
S101、获取高清摄像头传感器采集的不含通行车辆的匝道路段图像数据;
S102、基于LBP图像特征提取算法,识别所述匝道路段图像数据中的车道、交通标线特征;
S103、根据车道、交通标线特征建立匝道路段的虚拟道路模型。
构建匝道路段的虚拟道路模型前,通过匝道路段监测点的龙门架上安装的高清摄像头传感器拍摄无车量通行时匝道路段画面,以该画面作为构建虚拟道路模型的基础,排出车辆的干扰。
具体的,在对匝道路段图像数据处理时,采用LBP图像特征提取算法提取匝道路段图像中的车道和交通标线特征,利用该特征创建含有车道和交通标线的匝道路段虚拟道路模型。
在本实施例中,参见图3所示,基于LBP图像特征提取算法,识别匝道路段图像数据中的车道、交通标线特征的方法包括:
S1021、将获取的不含通行车辆的匝道路段图像数据进行灰度处理,得到检测窗口的灰度图像;
S1022、将检测窗口的灰度图像划分为若干小区域,并对划分的小区域中每个中心像素点的像素值与周围相邻像素点的像素值比较,得到每个中心像素点的LBP值;
S1023、根据获得的LBP值,计算每个小区域的直方图,并对直方图进行归一化处理;
S1024、将得到的每个小区域的直方图进行连接成为一个特征向量,形成整个匝道路段图像的LBP纹理特征向量,得到匝道路段图像数据中的车道、交通标线特征。
具体的,LBP特征提取时,将检测窗口的灰度图像划分为16×16的小区域,对于每个小区域中的一个像素定义为中心像素点,都将其与周围相邻的8个像素点比较,并对该中心像素点的像素值与周围像素值对比,当中心像素点的像素值大于周围像素点的像素值时,将该中心像素点标记为1,否则标记为0.这样,3×3领域内的8个点经比较产生8位二进制,得到每个中心像素点的LBP值。然后根据获得的LBP值,计算每个小区域中1、0每个数字出现的频率的直方图,并对直方图进行归一化处理.最后将每个小区域的直方图进行连接成为一个特征向量,得到不含通行车辆的匝道路段图像的整幅图的LBP纹理特征向量,进而提取到匝道路段图像数据中的车道、交通标线特征。
需要特别说明的是,构建的道路段虚拟道路模型为基于高清摄像头传感器拍摄视角的三维虚拟模型,对匝道路段的等比例构建。
S2:采集匝道路段通行车辆的图像数据及车辆位置探测数据,输入预训练模型,匹配通行车辆对应的三维模型。
需要特别说明的是,采集匝道路段通行车辆的图像数据通过为设置在匝道路段的龙门架上安装的摄像头拍摄采集的匝道路段车流视频。车辆位置探测数据为设置在匝道路段的龙门架上安装的雷达探测的雷达数据,其中,雷达可以选用毫米波雷达,以便根据毫米波雷达数据计算通行车辆在匝道路段的实际位置。
在本实施例中,参见图4所示,匹配通行车辆对应的三维模型的方法为:
S21、获取通行车辆的车流视频数据,并对所述车流视频数据进行分帧处理,得到连续的视频帧;
S22、将视频帧输入预训练的车辆特征识别模型,输出对应通行车辆的车辆特征;
S23、遍历车辆模型数据库,根据车辆的车辆特征查询匹配的车辆三维模型。
需要特别说明的是,摄像头拍摄的为匝道路段连续的车流视频数据,通过高清摄像头对匝道路段进行24小时不间断拍摄。拍摄的视频输入车辆特征识别模型,识别通行车辆的车辆特征,以便能够快速从车辆模型数据库中匹配到对应的车辆三维模型。其中,车辆模型数据库中包括提前建立的不同类型车辆的三维模型,例如轿车模型、越野车模型、摩托车模型、货车模型、卡车模型、客车模型等等。针对不同类型车辆的模型,还根据车型不同进行细分;例如:微型车模型、小型车模型、紧凑型车模型、中型车模型、大型车模型等等。针对每种车型,还根据款式不同进行细分;例如:国产某品牌三厢款式车模型、日系某品牌两厢款式车模型、欧系某品牌三厢款式车模型、美系某品牌两厢款式车模型等等。以便根据车辆特征精准筛选出与实际通行车辆相匹配的三维模型。
在本实施例中,参见图5所示,车辆特征识别模型的训练方法,包括:
S221、获取训练样本集,所述训练样本集包括采集的车流图像以及车流图像对应的车辆特征;
S222、将获取的训练样本集输入待训练的车辆特征识别模型进行训练,输出车流图像对应的车辆特征,训练完成时,得到车辆特征识别模型。
其中,车流图像对应的车辆特征提取的方法采用HOG图像特征提取算法。具体包括以下步骤:
获取采集的车流图像;
基于HOG图像特征提取算法识别所述车流图像中的车辆特征。
其中,参见图6所示,所述HOG图像特征提取算法识别车流图像中的车辆特征的方法包括:
S2201、将获取的车流图像进行灰度化处理;
S2202、采用Gamma校正法对输入车流图像进行颜色空间的标准化,计算车流图像每个像素值的梯度;
S2203、将计算梯度后的车流图像划分为若干单元格,计算每个单元格的梯度直方图;
S2204、将单元格组合形成连通区间,区间内归一化梯度直方图,对车流图像中所有重叠的区间进行特征收集,得到车流图像中的车辆特征。
具体的,在采用HOG图像特征提取算法识别车流图像中的车辆特征时,方向梯度直方图特征中,将车流图像分成小的连通区域,采集连通区域中各像素点的梯度的或边缘的方向直方图,最后把这些直方图组合起来就可以构成车辆特征描述器。
采用Gamma校正法对输入车流图像进行颜色空间的标准化时,能够调节车流图像的对比度,降低车流图像局部的阴影和光照变化所造成的影响,同时可以抑制噪音的干扰,计算每个单元格的梯度直方图,能够捕获轮廓信息,同时进一步弱化光照的干扰。在实际处理时,将计算梯度后的车流图像划分为6×6像素单元格,将3×3个单元格组成一个连通区间,在一个连通区间内所有单元格的特征串联起来,便可以得到一个特征描述器,将车流图像整幅图的连通区间串联起来得到车流图像中的车辆特征。
S3:根据车辆位置探测数据将匹配的三维模型映射到匝道路段虚拟道路模型中三维可视化展示车辆通行状况。
如上述步骤S1中得到了匝道路段虚拟道路模型,步骤S2中得到了三维模型,根据雷达数据探测得到的通行车辆的实际位置,根据雷达数据获得车辆在匝道路段的实际位置,车辆查询匹配的车辆三维模型根据获得的实际位置映射到建立的匝道路段虚拟道路模型中,将匹配的三维模型映射到匝道路段虚拟道路模型中三维可视化展示车辆通行状况。
为了对车辆的图像数据中的通行车辆进行区分,在车辆图像数据中设置车辆标注框,其中,参见图7所示,所述车辆标注框标注的方法为:
S301、获取包含车辆信息的拍摄采集的图像;
S302、识别图像中各车辆的边缘特征点,并对每一车辆的边缘特征点进行拟合,得到每一车辆的边缘特征框;
S303、基于边缘特征框在采集的图像中得到车辆标注框。
如图3所示,通过摄像头采集通行车辆图像,通过雷达探测通行车辆,会收集到车辆的若干散射点,将散射点作为图像中各车辆的边缘特征点,并进行拟合形成车辆的边缘特征框,利用边缘特征框标记,得到车辆标注框。
与此同时,还可以根据若干散射点确定通行车辆的中心点,通行车辆的中心点为雷达探测得到的车辆几何中心。
在本发明的一个实施例中,提供了一种匝道路段通行能效检测方法,还包括生成各通行车辆对应的移动轨迹图像。
其中,参见图8所示,生成各通行车辆对应的移动轨迹图像包括以下步骤:
S11、根据采集匝道路段通行车辆的图像数据,匹配通行车辆对应的三维模型;
S12、对采集的匝道路段通行车辆的图像数据进行处理,得到通行车辆的车辆标注框;
S13、对通行车辆对应的三维模型及车辆标注框标号,并计算通行车辆的中心点;
S14、根据车辆位置雷达数据实时计算通行车辆的实际位置,并计算通行车辆的中心点坐标;
S15、将连续视频帧的中心点坐标映射至任一视频帧图像中,生成各通行车辆对应的移动轨迹图像。
其中,参见图9和图10所示,通行车辆的中心点为雷达探测得到的车辆几何中心,以车辆几何中心对应的车辆实际位置在匝道路段虚拟道路模型中的位置,得到连续视频帧的中心点坐标;在输出移动轨迹结果时,将该通行车辆的所有连续的中心点坐标映射到同一视频帧图像中,得到该通行车辆对应的移动轨迹图像。
当通行车辆对应的移动轨迹图像与匝道路段虚拟道路模型中的交通标线特征存在交叉或者间距小于设定阈值时(车辆宽度的1/2),判定该通行车辆存在压线或变道行为,通过发送预警消息及标记该车辆的形式将违章状况反馈至交管人员进行实时处理。
同时,保留虚拟道路模型的数据以及采集的视频数据,无需人为对压线、随意变道及加塞情况判断,精确度大大提高,利于交通管理。
应该理解的是,上述虽然是按照某一顺序描述的,但是这些步骤并不是必然按照上述顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,本实施例的一部分步骤可以包括多个步骤或者多个阶段,这些步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
实施例2
参见图11所示,本发明的一个实施例提供了一种匝道路段通行能效检测***,包括虚拟道路模型构建模块100、车辆三维模型获取模块200、三维可视化展示模块300以及移动轨迹生成模块400。其中:
所述虚拟道路模型构建模块100,用于根据获取的匝道路段图像数据构建匝道路段虚拟道路模型。
在本实施例中,匝道路段图像数据通过在匝道路段监测点的龙门架上安装高清摄像头传感器获取,高清摄像头传感器用于实时拍摄采集匝道路段的图像数据,也用于采集匝道路段通行车辆的图像数据。
在构建匝道路段虚拟道路模型时,通过获取高清摄像头传感器采集的不含通行车辆的匝道路段图像数据,基于LBP图像特征提取算法,识别所述匝道路段图像数据中的车道、交通标线特征,根据车道、交通标线特征建立匝道路段的虚拟道路模型。
构建的道路段虚拟道路模型为基于高清摄像头传感器拍摄视角的三维虚拟模型,对匝道路段的等比例构建。
所述车辆三维模型获取模块200,用于根据采集的匝道路段通行车辆的图像数据,输入预训练模型,遍历车辆模型数据库,查询到通行车辆匹配的三维模型。
在本实施例中,采集匝道路段通行车辆的图像数据通过为设置在匝道路段的龙门架上安装的摄像头拍摄采集的匝道路段车流视频。车辆位置探测数据为设置在匝道路段的龙门架上安装的雷达探测的雷达数据,其中,雷达可以选用毫米波雷达,以便根据毫米波雷达数据计算通行车辆在匝道路段的实际位置。
匹配通行车辆对应的三维模型时,获取通行车辆的车流视频数据,并对所述车流视频数据进行分帧处理,得到连续的视频帧;将视频帧输入预训练的车辆特征识别模型,输出对应通行车辆的车辆特征;遍历车辆模型数据库,根据车辆的车辆特征查询匹配的车辆三维模型。
其中,所述车辆模型数据库中包括提前建立的不同类型车辆的三维模型,例如轿车模型、越野车模型、摩托车模型、货车模型、卡车模型、客车模型等等。针对不同类型车辆的模型,还根据车型不同进行细分;例如:微型车模型、小型车模型、紧凑型车模型、中型车模型、大型车模型等等。针对每种车型,还根据款式不同进行细分;例如:国产某品牌三厢款式车模型、日系某品牌两厢款式车模型、欧系某品牌三厢款式车模型、美系某品牌两厢款式车模型等等。
所述三维可视化展示模块300,用于根据车辆位置雷达数据将通行车辆对应的三维模型映射到匝道路段虚拟道路模型中,将匝道通行车辆实际状况在三维的虚拟道路模型中可视化展示。
在本实施例中,三维可视化展示模块300将得到的通行车辆的三维模型根据雷达数据测得的实际位置映射到匝道路段虚拟道路模型中,将匹配的三维模型映射到匝道路段虚拟道路模型中三维可视化展示车辆通行状况。
其中,为了对车辆的图像数据中的通行车辆进行区分,在车辆图像数据中设置车辆标注框,利用识别图像中各车辆的边缘特征点,并对每一车辆的边缘特征点进行拟合,得到每一车辆的边缘特征框,基于边缘特征框在采集的图像中得到车辆标注框。
所述移动轨迹生成模块400;用于根据连续视频帧中通行车辆的中心点坐标映射到任一视频帧图像中,生成通行车辆对应的移动轨迹图像。
在本实施例中,生成各通行车辆对应的移动轨迹图像的过程为:根据采集匝道路段通行车辆的图像数据,匹配通行车辆对应的三维模型;对采集的匝道路段通行车辆的图像数据进行处理,得到通行车辆的车辆标注框;对通行车辆对应的三维模型及车辆标注框标号,并计算通行车辆的中心点;根据车辆位置雷达数据实时计算通行车辆的实际位置,并计算通行车辆的中心点坐标;将连续视频帧的中心点坐标映射至任一视频帧图像中,生成各通行车辆对应的移动轨迹图像。
其中,还可以根据若干散射点确定通行车辆的中心点,通行车辆的中心点为雷达探测得到的车辆几何中心。
在本实施例中,匝道路段通行能效检测***执行时采用如前述实施例的一种匝道路段通行能效检测方法的步骤。因此,本实施例中对匝道路段通行能效检测***的运行过程不再详细介绍。
综上所述,本发明提供的匝道路段通行能效检测方法和***,充分利用了对匝道路段的图像数据及雷达数据,创建与匝道路段一致的虚拟道路模型,并对行径匝道路段的通行车辆识别,在车辆模型数据库查询匹配的三维模型,根据雷达探测的实际位置,将车辆虚拟的三维模型映射到创建的虚拟道路模型中,对通行车辆进行三维可视化实时展示,根据通行车辆的移动轨迹与虚拟道路模型中的交通标线特征的交叉判断通行车辆的变道压线情况并预警,以便实现对匝道路段的三维可视化管控,替代传统的抓拍实时掌握匝道路段通行状况。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (5)
1.一种匝道路段通行能效检测方法,其特征在于,包括:
获取匝道路段图像数据,在匝道路段的监测点安装高清摄像头传感器,实时拍摄采集匝道路段的图像数据,并且,也用于采集匝道路段通行车辆的图像数据,并构建匝道路段虚拟道路模型;
采集匝道路段通行车辆的图像数据及车辆位置探测数据,输入预训练模型,匹配通行车辆对应的三维模型;
根据车辆位置探测数据将匹配的三维模型映射到匝道路段虚拟道路模型中三维可视化展示车辆通行状况;
所述匝道路段通行能效检测方法,还包括对采集的图像中的通行车辆添加标注框,车辆标注框标注的方法为:
获取包含车辆信息的拍摄采集的图像;
识别图像中各车辆的边缘特征点,并对每一车辆的边缘特征点进行拟合,得到每一车辆的边缘特征框;
基于边缘特征框在采集的图像中得到车辆标注框;
所述匝道路段通行能效检测方法,还包括:生成各通行车辆对应的移动轨迹图像,具体步骤包括:
根据采集匝道路段通行车辆的图像数据,匹配通行车辆对应的三维模型;
对采集的匝道路段通行车辆的图像数据进行处理,得到通行车辆的车辆标注框;
对通行车辆对应的三维模型及车辆标注框标号,并计算通行车辆的中心点;
根据车辆位置雷达数据实时计算通行车辆的实际位置,并计算通行车辆的中心点坐标;
将连续视频帧的中心点坐标映射至任一视频帧图像中,生成各通行车辆对应的移动轨迹图像;
其中,所述构建匝道路段虚拟道路模型,包括以下步骤:
获取高清摄像头传感器采集的不含通行车辆的匝道路段图像数据;
基于LBP图像特征提取算法,识别所述匝道路段图像数据中的车道、交通标线特征;
根据车道、交通标线特征建立匝道路段的虚拟道路模型;
其中,所述基于LBP图像特征提取算法,识别所述匝道路段图像数据中的车道、交通标线特征的方法包括:
将获取的不含通行车辆的匝道路段图像数据进行灰度处理,得到检测窗口的灰度图像;
将检测窗口的灰度图像划分为若干小区域,并对划分的小区域中每个中心像素点的像素值与周围相邻像素点的像素值比较,得到每个中心像素点的LBP值;
根据获得的LBP值,计算每个小区域的直方图,并对直方图进行归一化处理;
将得到的每个小区域的直方图进行连接成为一个特征向量,形成整个匝道路段图像的LBP纹理特征向量,得到匝道路段图像数据中的车道、交通标线特征。
2.如权利要求1所述的匝道路段通行能效检测方法,其特征在于,所述匹配通行车辆对应的三维模型的方法,包括:
获取通行车辆的车流视频数据,并对所述车流视频数据进行分帧处理,得到连续的视频帧;
将视频帧输入预训练的车辆特征识别模型,输出对应通行车辆的车辆特征;
遍历车辆模型数据库,根据车辆的车辆特征查询匹配的车辆三维模型。
3.如权利要求2所述的匝道路段通行能效检测方法,其特征在于,所述车辆特征识别模型的训练方法包括:
获取训练样本集,所述训练样本集包括采集的车流图像以及车流图像对应的车辆特征;
将获取的训练样本集输入待训练的车辆特征识别模型进行训练,输出车流图像对应的车辆特征,训练完成时,得到车辆特征识别模型。
4.如权利要求3所述的匝道路段通行能效检测方法,其特征在于,所述车流图像对应的车辆特征提取的方法为:
获取采集的车流图像;
基于HOG图像特征提取算法识别所述车流图像中的车辆特征;
其中,所述HOG图像特征提取算法识别车流图像中的车辆特征的方法包括:
将获取的车流图像进行灰度化处理;
并采用Gamma校正法对输入车流图像进行颜色空间的标准化,计算车流图像每个像素值的梯度;
将计算梯度后的车流图像划分为若干单元格,计算每个单元格的梯度直方图;
将单元格组合形成连通区间,区间内归一化梯度直方图,对车流图像中所有重叠的区间进行特征收集,得到车流图像中的车辆特征。
5.一种匝道路段通行能效检测***,其特征在于,所述匝道路段通行能效检测***采用权利要求1-4中任意一项所述匝道路段通行能效检测方法检测匝道路段通行车辆的三维模拟数据并进行可视化展示;所述匝道路段通行能效检测***包括:
虚拟道路模型构建模块,用于根据获取的匝道路段图像数据构建匝道路段虚拟道路模型;
车辆三维模型获取模块,用于根据采集的匝道路段通行车辆的图像数据,输入预训练模型,遍历车辆模型数据库,查询到通行车辆匹配的三维模型;
三维可视化展示模块,用于根据车辆位置雷达数据将通行车辆对应的三维模型映射到匝道路段虚拟道路模型中,将匝道通行车辆实际状况在三维的虚拟道路模型中可视化展示;以及
移动轨迹生成模块;用于根据连续视频帧中通行车辆的中心点坐标映射到任一视频帧图像中,生成通行车辆对应的移动轨迹图像。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210214308.0A CN114329074B (zh) | 2022-03-07 | 2022-03-07 | 一种匝道路段通行能效检测方法和*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210214308.0A CN114329074B (zh) | 2022-03-07 | 2022-03-07 | 一种匝道路段通行能效检测方法和*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114329074A true CN114329074A (zh) | 2022-04-12 |
CN114329074B CN114329074B (zh) | 2022-05-10 |
Family
ID=81031038
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210214308.0A Active CN114329074B (zh) | 2022-03-07 | 2022-03-07 | 一种匝道路段通行能效检测方法和*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114329074B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116910912A (zh) * | 2023-07-28 | 2023-10-20 | 小米汽车科技有限公司 | 车辆三维模型的生成方法、装置、设备及存储介质 |
CN117058280A (zh) * | 2023-10-11 | 2023-11-14 | 成都古河云科技有限公司 | 一种三维交通车辆实时轨迹还原拟合方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20020175831A1 (en) * | 2001-04-06 | 2002-11-28 | Terry Bergan | Dynamic work zone safety system and method |
US20080221767A1 (en) * | 2005-09-01 | 2008-09-11 | Toyota Jidosha Kabushiki Kaisha | Vehicle Control Apparatus and Vehicle Control Method |
CN103236191A (zh) * | 2013-03-26 | 2013-08-07 | 中国公路工程咨询集团有限公司 | 一种基于视频的高速公路匝道车辆并入安全预警方法 |
CN105096591A (zh) * | 2014-05-14 | 2015-11-25 | 杭州海康威视数字技术股份有限公司 | 道路智能监控***和方法 |
CN107766789A (zh) * | 2017-08-21 | 2018-03-06 | 浙江零跑科技有限公司 | 一种基于车载单目相机的车辆检测定位方法 |
CN111640297A (zh) * | 2020-05-09 | 2020-09-08 | 天津市市政工程设计研究院 | 车路协同环境下的多匝道协同控制及辅助驾驶方法 |
-
2022
- 2022-03-07 CN CN202210214308.0A patent/CN114329074B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20020175831A1 (en) * | 2001-04-06 | 2002-11-28 | Terry Bergan | Dynamic work zone safety system and method |
US20080221767A1 (en) * | 2005-09-01 | 2008-09-11 | Toyota Jidosha Kabushiki Kaisha | Vehicle Control Apparatus and Vehicle Control Method |
CN103236191A (zh) * | 2013-03-26 | 2013-08-07 | 中国公路工程咨询集团有限公司 | 一种基于视频的高速公路匝道车辆并入安全预警方法 |
CN105096591A (zh) * | 2014-05-14 | 2015-11-25 | 杭州海康威视数字技术股份有限公司 | 道路智能监控***和方法 |
CN107766789A (zh) * | 2017-08-21 | 2018-03-06 | 浙江零跑科技有限公司 | 一种基于车载单目相机的车辆检测定位方法 |
CN111640297A (zh) * | 2020-05-09 | 2020-09-08 | 天津市市政工程设计研究院 | 车路协同环境下的多匝道协同控制及辅助驾驶方法 |
Non-Patent Citations (1)
Title |
---|
朱振杰: "基于深度学习的高速公路交通检测算法研究", 《中国优秀博硕士学位论文全文数据库(硕士)工程科技Ⅱ辑》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116910912A (zh) * | 2023-07-28 | 2023-10-20 | 小米汽车科技有限公司 | 车辆三维模型的生成方法、装置、设备及存储介质 |
CN116910912B (zh) * | 2023-07-28 | 2024-04-30 | 小米汽车科技有限公司 | 车辆三维模型的生成方法、装置、设备及存储介质 |
CN117058280A (zh) * | 2023-10-11 | 2023-11-14 | 成都古河云科技有限公司 | 一种三维交通车辆实时轨迹还原拟合方法 |
CN117058280B (zh) * | 2023-10-11 | 2023-12-19 | 成都古河云科技有限公司 | 一种三维交通车辆实时轨迹还原拟合方法 |
Also Published As
Publication number | Publication date |
---|---|
CN114329074B (zh) | 2022-05-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109829403B (zh) | 一种基于深度学习的车辆防碰撞预警方法及*** | |
CN110197589B (zh) | 一种基于深度学习的闯红灯违法检测方法 | |
CN107766821B (zh) | 基于卡尔曼滤波与深度学习的视频中全时段车辆检测跟踪方法及*** | |
CN104751634B (zh) | 高速公路隧道行车图像采集信息的综合应用方法 | |
CN114329074B (zh) | 一种匝道路段通行能效检测方法和*** | |
CN103971521B (zh) | 道路交通异常事件实时检测方法及装置 | |
CN103522970B (zh) | 基于机器视觉的车辆行驶安全检测方法和*** | |
CN110379168B (zh) | 一种基于Mask R-CNN的交通车辆信息获取方法 | |
CN111815959B (zh) | 一种车辆违章的检测方法、装置以及计算机可读存储介质 | |
Rachmadi et al. | Adaptive traffic signal control system using camera sensor and embedded system | |
CN105493502A (zh) | 视频监控方法、视频监控***以及计算机程序产品 | |
CN106934374B (zh) | 一种雾霾场景中交通标识牌的识别方法及*** | |
CN103366571A (zh) | 智能的夜晚交通事件检测方法 | |
CN108717540A (zh) | 基于2d激光雷达区分行人和车辆的方法及装置 | |
CN109670450B (zh) | 一种基于视频的人车物检测方法 | |
CN104050818A (zh) | 基于目标跟踪和特征点匹配的运动车辆测速方法 | |
CN110610153A (zh) | 一种用于自动驾驶的车道识别方法及*** | |
CN113822285A (zh) | 一种用于复杂应用场景的车辆违停识别方法 | |
CN105426863A (zh) | 检测车道线的方法和装置 | |
CN108520528B (zh) | 基于改进差分阈值和位移匹配模型的移动车辆跟踪方法 | |
CN113505638A (zh) | 车流量的监测方法、监测装置及计算机可读存储介质 | |
CN115019263A (zh) | 交通监管模型的建立方法、交通监管***及方法 | |
CN117456482B (zh) | 一种面向交通监控场景的异常事件识别方法及*** | |
CN117197019A (zh) | 一种车辆三维点云图像融合方法及*** | |
CN117612364A (zh) | 一种机动车的违章检测方法、装置、电子设备及存储介质 |
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 |