CN115578862A - 交通流量转换方法、装置、计算设备和存储介质 - Google Patents
交通流量转换方法、装置、计算设备和存储介质 Download PDFInfo
- Publication number
- CN115578862A CN115578862A CN202211322259.9A CN202211322259A CN115578862A CN 115578862 A CN115578862 A CN 115578862A CN 202211322259 A CN202211322259 A CN 202211322259A CN 115578862 A CN115578862 A CN 115578862A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- flow
- traffic
- people
- road
- 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
- 238000006243 chemical reaction Methods 0.000 title claims abstract description 42
- 238000000034 method Methods 0.000 title claims abstract description 33
- 230000002194 synthesizing effect Effects 0.000 claims abstract description 6
- 238000004590 computer program Methods 0.000 claims description 11
- 238000012545 processing Methods 0.000 claims description 6
- 238000010276 construction Methods 0.000 claims description 4
- 230000004044 response Effects 0.000 claims description 2
- 238000012544 monitoring process Methods 0.000 abstract description 2
- 238000013145 classification model Methods 0.000 description 9
- 238000010586 diagram Methods 0.000 description 7
- 239000011159 matrix material Substances 0.000 description 5
- 238000000926 separation method Methods 0.000 description 5
- 238000004422 calculation algorithm Methods 0.000 description 4
- 238000013461 design Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000008034 disappearance Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000001174 ascending effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000002955 isolation Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 230000001902 propagating effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
Images
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
- G08G1/0133—Traffic data processing for classifying traffic situation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/62—Extraction of image or video features relating to a temporal dimension, e.g. time-based feature extraction; Pattern tracking
-
- 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
-
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/08—Detecting or categorising vehicles
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明提供了一种交通流量转换方法、装置、计算设备和存储介质,涉及道路交通监测技术领域,包括:根据路段交通视频构建路况数据集,路况数据集包括人车通行标签、人流量以及与M种车型一一对应的M个车流量,将人流量和车流量分别换算成标准车流量,统一量化了人车相当于标准车型对交通流量影响的当量值,保证了两个标准车流量具有可比性,根据人车通行标签综合两个标准车流量,使人车流量得到综合性衡量,提升了衡量交通流量的准确性。
Description
技术领域
本发明涉及道路交通监测技术领域,具体而言,涉及一种交通流量转换方法、装置、计算设备和存储介质。
背景技术
在单位时间内,交通参与者通行在道路的某一地点或某一断面上的数量,即为交通流量,众多交通参与者可以包括机动车、非机动车和行人,相应地,交通流量可以具体为机动车交通流量、非机动车交通流量和人流量中的任一种,在没有特殊说明的情况下,交通流量通常是指机动车交通流量,既可以作为交通拥挤状况的判断依据,以支持交通信号***做出交通管制动作,也可以针对交通变化趋势和道路建设规划给出量化的指导依据,因此,准确地衡量交通流量尤显重要。
一些道路(例如,城市中的十字交叉路口和小路等)经常面临人车混行和不同车型的多种车辆混行等状况,行人相比于车辆所需占用道路的时间更长以及空间更少,不同车型的多种车辆(例如,自行车、家用汽车和公交车等)所需占用的时间和空间也有所差异,反映了行车与车辆通行道路的能力相差甚远,通常分开监测人流量和车流量,例如,对道路交通视频中的行人目标或/和移动车辆目标进行自然数量统计,以得出人流量或/和车流量,两者不具可比性,无论是人流量还是车流量直接作为交通流量使用,都会让交通流量的准确性欠佳。
发明内容
本发明旨在至少在一定程度上解决相关技术中的技术问题,为达上述目的,本发明提供一种交通流量转换方法、装置、计算设备和存储介质。
第一方面,本发明提供一种交通流量转换方法,包括:
根据路段交通视频构建适于指示路段在视频拍摄期间承受人车通行状况的路况数据集,所述路况数据集包括人车通行标签、人流量以及与M种车型一一对应的M个车流量,M为正整数;
将M个预设车辆换算系数一一分配给M个所述车流量,形成配对序列,对所述配对序列进行加权求和处理,以获得一个标准车流量;
将预设人车换算系数与所述人流量相乘得到另一个标准车流量;
根据所述人车通行标签综合两个所述标准车流量。
可选地,根据路段交通视频构建适于指示路段在视频拍摄期间承受人车通行状况的路况数据集包括:
对所述路段交通视频进行人车分类跟踪,以获得人轨迹信息集以及与M种所述车型一一对应的M个车轨迹信息集;
将所述人轨迹信息集所属的轨迹条数与所述路段交通视频所属的视频拍摄时长相除得到所述人流量,将每个所述车轨迹信息集所属的轨迹条数与所述视频拍摄时长相除得到对应的所述车流量;
对所述路段交通视频中的一帧进行道路类型识别;
根据识别出的道路类型、所述人轨迹信息集以及M个所述车轨迹信息集生成所述人车通行标签,对所述人车通行标签、所述人流量以及M个所述车流量进行组合,以形成所述路况数据集。
可选地,根据识别出的道路类型、所述人轨迹信息集以及M个所述车轨迹信息集生成所述人车通行标签包括:
通过预设运动模式分析模型对所述人轨迹信息集以及M个所述车轨迹信息集进行分析,以获得人车运动模式;
将所述人车运动模式与所述道路类型组成所述人车通行标签。
可选地,一个所述标准车流量表示为:
其中,βi表示适配于第i种所述车型的所述预设车辆换算系数,Ti-c表示配对于所述预设车辆换算系数βi的所述车流量;
另一个所述标准车流量表示为:α×Tp,其中,Tp表示所述人流量,α表示所述预设人车换算系数。
可选地,所述预设人车换算系数大于0.3且小于0.5。
可选地,根据所述人车通行标签综合两个所述标准车流量包括:
校验所述人车通行标签中有无人车混行属性;
若有,则将两个所述标准车流量相加得到合计交通流量;
若无,则将两个所述标准车流量组成交通流量数组。
可选地,根据所述人车通行标签综合两个所述标准车流量之后,还包括:
将所述合计交通流量或所述交通流量数组呈现在用户界面上;
当所述合计交通流量被呈现时,响应于输入的交通流量切换指令,将两个所述标准车流量组成所述交通流量数组后,在所述用户界面上,将所述合计交通流量切换为所述交通流量数组。
第二方面,本发明提供一种交通流量转换装置,包括:
路况数据构建模块,用以根据路段交通视频构建适于指示路段在视频拍摄期间承受人车通行状况的路况数据集,所述路况数据集包括人车通行标签、人流量以及与M种车型一一对应的M个车流量,M为正整数;
车流量标准化模块,用以将M个预设车辆换算系数一一分配给M个所述车流量,形成配对序列,对所述配对序列进行加权求和处理,以获得一个标准车流量;;
人流量标准化模块,用以将预设人车换算系数与所述人流量相乘得到另一个标准车流量;
交通流量综合模块,用以根据所述人车通行标签综合两个所述标准车流量。
第三方面,本发明提供一种计算设备,包括:存储器、处理器及存储在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,实现如第一方面所述的交通流量转换方法。
第四方面,本发明提供一种非临时性计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时,实现如第一方面所述的交通流量转换方法。
使用上述交通流量转换方法、装置、计算设备和存储介质,将符合于实际路况的人流量和车流量分别换算成标准车流量,统一量化了人车相当于标准车型对交通流量影响的当量值,保证了两个标准车流量具有可比性,进而,将人车通行标签作为综合两个标准车流量的依据,使人车流量得到综合性衡量,提升了衡量交通流量的准确性。
附图说明
图1为本发明实施例的一种交通流量转换方法的流程示意图;
图2为图1中的S1的流程示意图;
图3为本发明实施例的表达含天桥道路的图像的示意图;
图4与图5分别为本发明实施例的两种人车分离模式的示意图;
图6为本发明实施例的表达交叉道路的图像的示意图;
图7为本发明实施例的一种人车混合模式的示意图;
图8为本发明实施例的另一种交通流量转换方法的流程示意图;
图9为本发明实施例的用户界面的示意图;
图10为本发明实施例的一种交通流量转换装置的架构示意图;
图11为本发明实施例的一种计算设备的电路示意图。
具体实施方式
下面将参照附图详细描述本发明的实施例,描述涉及附图时,除非另有表示,不同附图中的相同附图标定表示相同或相似的要素。要说明的是,以下示例性实施例中所描述的实施方式并不代表本发明的所有实施方式。它们仅是与如权利要求书中所详述的、本发明公开的一些方面相一致的装置和方法的例子,本发明的范围并不局限于此。在不矛盾的前提下,本发明各个实施例中的特征可以相互组合。
此外,术语“第一”、“第二”仅用以描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本发明的描述中,“多个”的含义是至少两个,例如两个,三个等,除非另有明确具体的限定。
参见图1,本发明一实施例的交通流量转换方法,包括S1至S3。
S1,根据路段交通视频构建适于指示路段在视频拍摄期间承受人车通行状况的路况数据集,路况数据集包括人车通行标签、人流量以及与M种车型一一对应的M个车流量,M为正整数。
本发明实施例中,在城市出行高峰期或其他时段,可以通过服务器或交通信号中控机在线调用安装在路侧支杆上的高清摄像头,使高清摄像头以固定方位拍摄某一路段,也可以通过无人机带动高清摄像头,使高清摄像头航拍某一路段,以产生路段交通视频,当然,也可以采用其他方式产生路段交通视频,本发明实施例不做限制。
本发明实施例中,高清摄像头可以将路段交通视频实时地发送给服务器或/和交通信号中控机等一些计算设备,交通信号中控机也可以从服务器下载路段交通视频,当然,路段交通视频也可以通过离线形式预先存入例如便携式电脑的其他计算设备中,本发明实施例不做限制。
本发明实施例中,可以预先训练好人车分类模型、道路分类模型和车辆分类模型,例如,通过基于多粒度感知SVM的人车分类模型可以分类“行人”、“车辆”以及“其他”,通过基于频谱、聚类族和机器学习算法的多种道路分类模型可以分类诸如“含天桥道路”、“交叉道路”、“小路”和“人行道”等,通过基于CSPPeleeNetSE网络和支持向量机的多种车辆分类模型可以分类诸如“自行车”、“电动车”、“汽车”以及“货车”等,这些分类模型都属于现有技术,在不冲突的情况下,本发明实施例不限制面向人-车-路的分类方式。
S2,将M个预设车辆换算系数一一分配给M个车流量,形成配对序列,对配对序列进行加权求和处理,以获得一个标准车流量;将预设人车换算系数与人流量相乘得到另一个标准车流量。
交通参与者 | 换算系数 |
行人 | 0.4 |
自行车 | 1 |
二轮摩托车 | 2 |
微型汽车 | 3 |
小客车或载重量小于3t的货车 | 5 |
小公共汽车 | 6 |
640型单节公共汽车或载重量小于9t的货车 | 10 |
650型单节公共汽车或载重量在9t-15t的货车 | 15 |
双层公共汽车 | 18 |
铰接公共汽车或载重量大于15t的货车 | 20 |
本发明实施例中,可以采取如上示出的列表形式预存行人以及多种车型各自对应的换算系数,本发明实施例并不对列表展示的车型以及自行车作为标准车型构成限制,当然可以在列表中加入新的车型或删除被淘汰的车型,也可以设置除自行车以外的其他车型为标准车型,例如,将每个换算系数乘以0.2,以使小客车作为标准车型。
本发明实施例中,路况数据集还可以包括行人标签和M个车型标签,按照行人标签在列表中搜索到的换算系数即为预设人车换算系数,按照每个车型标签在列表中搜索到的换算系数即为对应的预设车辆换算系数,可以将预设车辆换算系数与对应的车流量一起存入到二维矩阵的同一行或同一列,最终使二维矩阵形成M行2列或2列M行的配对序列,配对序列也可以呈数据集或其他形式,本发明不做限制。
S3,根据人车通行标签综合两个标准车流量。
使用上述交通流量转换方法,将符合于实际路况的人流量和车流量分别换算成标准车流量,统一量化了人车相当于标准车型对交通流量影响的当量值,保证了两个标准车流量具有可比性,进而,将人车通行标签作为综合两个标准车流量的依据,使人车流量得到综合性衡量,提升了衡量交通流量的准确性。
可选地,参见图2,S1包括S11至S14。
S11,对路段交通视频进行人车分类跟踪,以获得人轨迹信息集以及与M种车型一一对应的M个车轨迹信息集。
本发明实施例中,可以将目标检测算法yolov5与多目标跟踪算法deepsort相结合,以构建并预先训练好人车识别模型,通过人车识别模型可以分类地对路段交通视频中的行人目标和多种车辆目标进行跟踪并计数,这种人车识别模型属于现有技术,兼顾了人车分类效率和准确性;当从人车识别模型输出适于唯一表征每个行人行走路线的人轨迹记录时,可以将每条人轨迹记录存入第一列表中,最终使第一列表形成人轨迹信息集;当从人车识别模型输出适于唯一表征每辆车行驶路线的车轨迹记录时,可以将每条车轨迹记录存入对应的第二列表中,最终使以M种车型一一命名的M个第二列表形成M个车轨迹信息集。
以一条人轨迹记录为例,其记录形式可以为:track_person_10=[(x1,y1,a1,h1,v1),…,(xi,yi,ai,hi,vi),…,(xN,yN,aN,hN,vN)],其中,person_10是对第10个行人目标在路段交通视频中的行走路线进行唯一性标识的标签,Xi与Yi一起表示第10个行人目标在路段交通视频中的第i个轨迹点,轨迹点可以是跟踪框的中心点,ai、hi以及vi依次表示第10个行人目标在第i个轨迹点处的纵横比、高度以及速度,纵横比可以是跟踪框的高度与宽度之比,1≤i≤N,N表示路段交通视频的帧数。
需要指出的是,可以按照统一形式设置每条人轨迹记录与每条车轨迹记录,统一形式可以是数据集或者多维矩阵或者其他形式,例如,针对第K辆自行车,以track_bicycle_K命名2行N列的二维矩阵,在二维矩阵的每列,存储对应的轨迹点,此处不再赘述。
S12,将人轨迹信息集所属的轨迹条数与视频拍摄时长相除得到人流量,将每个车轨迹信息集所属的轨迹条数与视频拍摄时长相除得到对应的车流量。
本发明实施例中,可以对track_person进行个数统计,以作为轨迹条数,也可以直接在人轨迹信息集中确定数值最大的标签,将该标签中的数值确定为总的轨迹条数,例如,在人轨迹信息集中,所有标签是按照数值升序或降序排列,数值最大的标签排在第一位或最后一位,在数值最大的标签为track_person_10情况下,15即为总的轨迹条数,如此,标签查找方式相比于个数统计方式更高效,每个车轨迹信息集所属的轨迹条数与人轨迹信息集所属的轨迹条数可以采取统一获取方式,此处不再赘述。
S13,对路段交通视频中的一帧进行道路类型识别。
本发明实施例中,可以对路段交通视频进行抽帧,也可以在路段交通视频播放到某帧图像时,对该播放到的图像进行截屏,以获得待识别图像,如图3示出了表达含天桥道路的待识别图像,如图6示出了表达交叉道路的待识别图像;可以通过例如申请号为CN202210880954.0的道路类型识别方法来对待识别图像进行识别,以确定路段是交叉道路和含天桥天桥道路中的哪种,也可以通过例如申请号CN202010953644.8的道路类型识别方法对表达街道的待识别图像进行识别,以确定路段是人车分流的大路和人车混行的小路中的哪种。
S14,根据识别出的道路类型、人轨迹信息集以及M个车轨迹信息集生成人车通行标签,对人车通行标签、人流量以及M个车流量进行组合,以形成路况数据集。
本发明实施例中,可以将人轨迹信息集中的所有轨迹点标记在空白图像上,以及,将M个车轨迹信息集中的所有轨迹点标记在前述空白图像上,以形成人车轨迹图;对人车轨迹图进行聚类分析,以确定人轨迹族是与车轨迹族混合还是分离;如果人轨迹族与车轨迹族混合以及道路类型是人车混行类型,则设置人车通行标签为“人车遵循人车混行道路设计要求通行”;如果人轨迹族与车轨迹族分离以及道路类型是人车分流类型,则设置人车通行标签为“人车遵循人车分流道路设计要求通行”。
在一些路况下,即便例如交叉路段设置了人行道,但是电动车和自行车等也经常伴随行人行驶在人行道上,汽车和货车等也要路过人行道,经常出现人车混行状况,同样的情况还会出现在街道,街道通常是在车道两侧设置人行道,而人行道与车道之间并未采取隔离措施,顾及到人车通行状况与道路类型一致性,有助于提升人车通行标签的准确性。
可选地,S14包括:通过预设运动模式分析模型对人轨迹信息集以及M个所述车轨迹信息集进行分析,以获得人车运动模式;将人车运动模式与道路类型组成人车通行标签。
本发明实施例中,可以预先构建并训练例如K-means或DBSCAN等聚类算法,以作为预设运动模式分析模型,人车运动模式可以分为两种,一种为表达人轨迹族与车轨迹族混合的人车混合模式,另一种为表达人轨迹族与车轨迹族分离的人车分离模式,当然,人车运动模式还可以有其他模式或者进一步细分,本发明实施例不做限制。
示例性地,在图4、图5和图7上,以虚线形式示出了人轨迹族,以实线形式示出了车轨迹族;在高清摄像头沿车道线方向拍摄含天桥道路的情形下,从路段交通视频中抽取一帧图像作为待识别图像(参见图3),待识别图像呈现水平效果,相应地,人轨迹族与车轨迹族分离并呈T形分布(参见图4),可以设置人车通行标签为“人车轨迹呈T形分离模式—道路类型是人车分流类型”;在高清摄像头沿俯视方向航拍含天桥道路的情形下,待识别图像呈现俯视效果,相应地,人轨迹族与车轨迹族分离并呈十字形分布(参见图5),可以设置人车通行标签为“人车轨迹呈十字形分离模式—道路类型是人车分流类型”;在高清摄像头沿倾斜方向航拍交叉道路的情形下,待识别图像呈现空中倾斜效果(参见图6),相应地,人轨迹族与车轨迹族混合并呈网格盘分布(参见图7),可以设置人车通行标签为“人车轨迹呈网格盘混合模式—道路类型是人车混行类型”。
借助运动模式分析模型,分析出人车运动模式,将其与道路类型组合,具有简易、高效优点,使人车通行标签兼顾到人车通行状况与道路设计要求两方面,提升了人车通行标签的全面性和准确性。
可选地,一个标准车流量表示为:
其中,βi表示适配于第i种车型的预设车辆换算系数,Ti-c表示配对于预设车辆换算系数βi的车流量。
另一个标准车流量表示为:α×Tp,其中,Tp表示人流量,α表示预设人车换算系数。
本发明实施例中,可以将预设人换算系数和所有车辆换算系数预先置入加权求和模型中,当M个车流量输入加权求和模型时,人流量和其他车流量均设为零,当仅有人流量被输入加权求和模型时,所有车流量均设为零,以分别表示出两个标准车流量,兼顾了简易性和准确性。
可选地,预设人车换算系数大于0.3且小于0.5,例如,预设人车换算系数可以为0.45或其他值,提供了合理的取值范围。
本发明实施例中,预设人车换算系数可以是经验值,或者,通过公式三(A车×V人)/(A人×V车)求取,其中,A车表示标准车的占地面积,V人表示人的行走速度,A人表示人的占地面积,V车表示标准车的行驶速度,例如,普通自行车的占地面积可以是0.6平方米,成年人的行走速度可以是每秒1米,成年人的投影面积可以是0.36平方米,普通自行车的行驶速度可以是每秒4.5米,从而,预设人车换算系数大约为0.37。
可选地,参见图8,本发明另一实施例的交通流量转换方法,其中,S3包括:校验人车通行标签中有无人车混行属性;若有,则将两个标准车流量相加得到合计交通流量;若无,则将两个标准车流量组成交通流量数组。
本发明实施例中,将人车通行标签与预设的“混”字进行比较,如果人车通行标签中含有“混”字,反映了人车通行标签呈人车混行属性,采取加法方式综合两个标准车流量,否则,反映了人车通行标签呈人车分流属性,采取数组形式综合两个标准车流量,合计交通流量或者交通流量数组作为交通流量结果,可以由服务器发送给交通信号中控机或者智能汽车等,也可以由交通信号中控机或者智能汽车等发送给服务器,以针对不同交通状况对交通流量结果精细化管理,避免管理交通流量结果的单一性。
可选地,参见图8,还包括:S4,将合计交通流量或交通流量数组呈现在用户界面上;S5,当合计交通流量被呈现时,响应于输入的交通流量切换指令,将两个标准车流量组成交通流量数组后,在用户界面上,将合计交通流量切换为交通流量数组,以便于用户区分两种交通流量结果。
本发明实施例中,交通信号中控机或者智能汽车等设有显示器,显示器可以呈现图9示出的用户界面,该用户界面包括字段为“合计交通流量:每分钟72辆自行车”以及位于前述字段左侧的图形控件,该图形控件呈以双箭头循环表示的切换图标设置;用户点击一次图形控件,即输入一次交通流量切换指令,字段“合计交通流量:每分钟72辆自行车”消失,以及,将字段“交通流量数组:TF车=每分钟50辆自行车,TF人=每分钟22辆自行车”呈现在字段消失区域,其中,TF车表示与M个车流量对应的标准车流量,TF人表示与人流量对应的标准车流量;用户再次点击一次图形控件,即再次输入一次交通流量切换指令,字段“交通流量数组:TF车=每分钟50辆自行车,TF人=每分钟22辆自行车”消失,将字段“合计交通流量:每分钟72辆自行车”呈现在字段消失区域。
参见图10,本发明另一实施例的一种交通流量转换装置,包括:路况数据构建模块,用以根据路段交通视频构建适于指示路段在视频拍摄期间承受人车通行状况的路况数据集,路况数据集包括人车通行标签、人流量以及与M种车型一一对应的M个车流量,M为正整数;车流量标准化模块,用以将M个预设车辆换算系数一一分配给M个车流量,形成配对序列,对配对序列进行加权求和处理,以获得一个标准车流量;人流量标准化模块,用以将预设人车换算系数与人流量相乘得到另一个标准车流量;交通流量综合模块,用以根据人车通行标签综合两个标准车流量。
参见图11,本发明另一实施例的一种计算设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,前述处理器执行前述计算机程序程序时,实现上述交通流量转换方法,其中,处理器可以通过通用串行总线与存储器连接。可以理解的是,前述计算设备可以是服务器或者终端设备。
本发明另一实施例的一种非临时性计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时,实现上述交通流量转换方法。
一般来说,用以实现本发明方法的计算机指令的可以采用一个或多个计算机可读的存储介质的任意组合来承载。非临时性计算机可读存储介质可以包括任何计算机可读介质,除了临时性地传播中的信号本身。
计算机可读存储介质例如可以是,但不限于电、磁、光、电磁、红外线、或半导体的***、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本文件中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行***、装置或者器件使用或者与其结合使用。
可以以一种或多种程序设计语言或其组合来编写用以执行本发明操作的计算机程序代码,所述程序设计语言包括面向对象的程序设计语言一诸如Java、Smalltalk、C++,还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言,特别是可以使用适于神经网络计算的Python语言和基于TensorFlow、PyTorch等平台框架。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络,包括局域网(LAN)或广域网(WAN),连接到用户计算机,或,连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
上述交通流量转换装置、计算设备和存储介质,可以参见上述交通流量转换方法及其有益效果的具体描述,在此不再赘述。
尽管上面已经示出和描述了本发明的实施例,应当理解的是,上述实施例是示例性的,不能解释为对本发明的限制,本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。
Claims (10)
1.一种交通流量转换方法,其特征在于,包括:
根据路段交通视频构建适于指示路段在视频拍摄期间承受人车通行状况的路况数据集,所述路况数据集包括人车通行标签、人流量以及与M种车型一一对应的M个车流量,M为正整数;
将M个预设车辆换算系数一一分配给M个所述车流量,形成配对序列,对所述配对序列进行加权求和处理,以获得一个标准车流量;
将预设人车换算系数与所述人流量相乘得到另一个标准车流量;
根据所述人车通行标签综合两个所述标准车流量。
2.根据权利要求1所述的交通流量转换方法,其特征在于,根据路段交通视频构建适于指示路段在视频拍摄期间承受人车通行状况的路况数据集包括:
对所述路段交通视频进行人车分类跟踪,以获得人轨迹信息集以及与M种所述车型一一对应的M个车轨迹信息集;
将所述人轨迹信息集所属的轨迹条数与所述路段交通视频所属的视频拍摄时长相除得到所述人流量,将每个所述车轨迹信息集所属的轨迹条数与所述视频拍摄时长相除得到对应的所述车流量;
对所述路段交通视频中的一帧进行道路类型识别;
根据识别出的道路类型、所述人轨迹信息集以及M个所述车轨迹信息集生成所述人车通行标签,对所述人车通行标签、所述人流量以及M个所述车流量进行组合,以形成所述路况数据集。
3.根据权利要求2所述的交通流量转换方法,其特征在于,根据识别出的道路类型、所述人轨迹信息集以及M个所述车轨迹信息集生成所述人车通行标签包括:
通过预设运动模式分析模型对所述人轨迹信息集以及M个所述车轨迹信息集进行分析,以获得人车运动模式;
将所述人车运动模式与所述道路类型组成所述人车通行标签。
5.根据权利要求1所述的交通流量转换方法,其特征在于,所述预设人车换算系数大于0.3且小于0.5。
6.根据权利要求1-5任一项所述的交通流量转换方法,其特征在于,根据所述人车通行标签综合两个所述标准车流量包括:
校验所述人车通行标签中有无人车混行属性;
若有,则将两个所述标准车流量相加得到合计交通流量;
若无,则将两个所述标准车流量组成交通流量数组。
7.根据权利要求6所述的交通流量转换方法,其特征在于,根据所述人车通行标签综合两个所述标准车流量之后,还包括:
将所述合计交通流量或所述交通流量数组呈现在用户界面上;
当所述合计交通流量被呈现时,响应于输入的交通流量切换指令,将两个所述标准车流量组成所述交通流量数组后,在所述用户界面上,将所述合计交通流量切换为所述交通流量数组。
8.一种交通流量转换装置,其特征在于,包括:
路况数据构建模块,用以根据路段交通视频构建适于指示路段在视频拍摄期间承受人车通行状况的路况数据集,所述路况数据集包括人车通行标签、人流量以及与M种车型一一对应的M个车流量,M为正整数;
车流量标准化模块,用以将M个预设车辆换算系数一一分配给M个所述车流量,形成配对序列,对所述配对序列进行加权求和处理,以获得一个标准车流量;
人流量标准化模块,用以将预设人车换算系数与所述人流量相乘得到另一个标准车流量;
交通流量综合模块,用以根据所述人车通行标签综合两个所述标准车流量。
9.一种计算设备,包括存储器、处理器及存储在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,实现如权利要求1-7任一项所述的交通流量转换方法。
10.一种非临时性计算机可读存储介质,其上存储有计算机程序,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1-7任一项所述的交通流量转换方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211322259.9A CN115578862B (zh) | 2022-10-26 | 2022-10-26 | 交通流量转换方法、装置、计算设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211322259.9A CN115578862B (zh) | 2022-10-26 | 2022-10-26 | 交通流量转换方法、装置、计算设备和存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115578862A true CN115578862A (zh) | 2023-01-06 |
CN115578862B CN115578862B (zh) | 2023-09-19 |
Family
ID=84587832
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211322259.9A Active CN115578862B (zh) | 2022-10-26 | 2022-10-26 | 交通流量转换方法、装置、计算设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115578862B (zh) |
Citations (26)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101577054A (zh) * | 2009-02-27 | 2009-11-11 | 北京中星微电子有限公司 | 一种交通信号灯的控制方法及*** |
JP2010097488A (ja) * | 2008-10-17 | 2010-04-30 | Toyota Motor Corp | 周辺監視装置 |
JP2011095959A (ja) * | 2009-10-29 | 2011-05-12 | Sumitomo Electric Ind Ltd | 交通信号制御システム及び信号制御装置 |
US20120206597A1 (en) * | 2010-07-27 | 2012-08-16 | Ayako Komoto | Moving object detection apparatus and moving object detection method |
CN102819764A (zh) * | 2012-07-18 | 2012-12-12 | 郑州金惠计算机***工程有限公司 | 一种适用于交通路口复杂场景下的多视角人流量统计方法 |
CN103020624A (zh) * | 2011-09-23 | 2013-04-03 | 杭州海康威视***技术有限公司 | 混合车道监控视频智能标记、检索回放方法及其装置 |
CN103164968A (zh) * | 2011-12-15 | 2013-06-19 | 西安大昱光电科技有限公司 | 一种基于交通流量的智能交通信号灯控制*** |
WO2015089867A1 (zh) * | 2013-12-17 | 2015-06-25 | 东莞中国科学院云计算产业技术创新与育成中心 | 一种交通违章检测方法 |
CN104933710A (zh) * | 2015-06-10 | 2015-09-23 | 华南理工大学 | 基于监控视频下的商店人流轨迹智能分析方法 |
CN105427343A (zh) * | 2015-11-18 | 2016-03-23 | 中国科学院信息工程研究所 | 一种基于dm8148开发板的运动目标检测与跟踪方法 |
CN105488519A (zh) * | 2015-11-13 | 2016-04-13 | 同济大学 | 一种基于视频尺度信息的视频分类方法 |
JP2016162409A (ja) * | 2015-03-05 | 2016-09-05 | 沖電気工業株式会社 | 画像処理装置、画像処理システム、画像処理方法及びプログラム |
CN106652494A (zh) * | 2015-11-03 | 2017-05-10 | ***通信集团公司 | 一种交通灯的控制方法及装置 |
CN107622678A (zh) * | 2017-10-18 | 2018-01-23 | 冯迎安 | 一种基于图像处理的智能交通控制***及其方法 |
US20180246187A1 (en) * | 2015-09-09 | 2018-08-30 | Denso Corporation | Object detection apparatus and object detection method |
CN108986465A (zh) * | 2018-07-27 | 2018-12-11 | 深圳大学 | 一种车流量检测的方法、***及终端设备 |
CN109919072A (zh) * | 2019-02-28 | 2019-06-21 | 桂林电子科技大学 | 基于深度学习和轨迹跟踪的精细车型识别与流量统计方法 |
CN110473412A (zh) * | 2019-09-12 | 2019-11-19 | 杭州京安交通工程设施有限公司 | 一种红绿灯控制*** |
CN111445699A (zh) * | 2020-04-13 | 2020-07-24 | 黑龙江工程学院 | 基于实时车辆轨迹的交叉***通冲突判别方法 |
CN112017209A (zh) * | 2020-09-07 | 2020-12-01 | 图普科技(广州)有限公司 | 一种区域人群轨迹确定方法及装置 |
US20210049772A1 (en) * | 2018-07-16 | 2021-02-18 | Accel Robotics Corporation | Automated store that tracks shoppers who exit a vehicle |
US20210192748A1 (en) * | 2019-12-18 | 2021-06-24 | Zoox, Inc. | Prediction on top-down scenes based on object motion |
CN113420618A (zh) * | 2021-06-04 | 2021-09-21 | 哈尔滨工业大学(深圳) | 一种信号交叉口标准车精确换算方法、装置及*** |
WO2021189009A1 (en) * | 2020-03-19 | 2021-09-23 | Nvidia Corporation | Future trajectory predictions in multi-actor environments for autonomous machine applications |
KR20210117637A (ko) * | 2020-03-19 | 2021-09-29 | 주식회사 아이오라이트 | 딥러닝 기반 차량 및 인체 자동 감지용 영상 모니터링 방법 및 이를 이용한 데이터 전송 방법 |
CN115158320A (zh) * | 2022-08-11 | 2022-10-11 | 小米汽车科技有限公司 | 车辆控制方法、装置、车辆及可读存储介质 |
-
2022
- 2022-10-26 CN CN202211322259.9A patent/CN115578862B/zh active Active
Patent Citations (27)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2010097488A (ja) * | 2008-10-17 | 2010-04-30 | Toyota Motor Corp | 周辺監視装置 |
CN101577054A (zh) * | 2009-02-27 | 2009-11-11 | 北京中星微电子有限公司 | 一种交通信号灯的控制方法及*** |
JP2011095959A (ja) * | 2009-10-29 | 2011-05-12 | Sumitomo Electric Ind Ltd | 交通信号制御システム及び信号制御装置 |
US20120206597A1 (en) * | 2010-07-27 | 2012-08-16 | Ayako Komoto | Moving object detection apparatus and moving object detection method |
CN102741884A (zh) * | 2010-07-27 | 2012-10-17 | 松下电器产业株式会社 | 移动体检测装置及移动体检测方法 |
CN103020624A (zh) * | 2011-09-23 | 2013-04-03 | 杭州海康威视***技术有限公司 | 混合车道监控视频智能标记、检索回放方法及其装置 |
CN103164968A (zh) * | 2011-12-15 | 2013-06-19 | 西安大昱光电科技有限公司 | 一种基于交通流量的智能交通信号灯控制*** |
CN102819764A (zh) * | 2012-07-18 | 2012-12-12 | 郑州金惠计算机***工程有限公司 | 一种适用于交通路口复杂场景下的多视角人流量统计方法 |
WO2015089867A1 (zh) * | 2013-12-17 | 2015-06-25 | 东莞中国科学院云计算产业技术创新与育成中心 | 一种交通违章检测方法 |
JP2016162409A (ja) * | 2015-03-05 | 2016-09-05 | 沖電気工業株式会社 | 画像処理装置、画像処理システム、画像処理方法及びプログラム |
CN104933710A (zh) * | 2015-06-10 | 2015-09-23 | 华南理工大学 | 基于监控视频下的商店人流轨迹智能分析方法 |
US20180246187A1 (en) * | 2015-09-09 | 2018-08-30 | Denso Corporation | Object detection apparatus and object detection method |
CN106652494A (zh) * | 2015-11-03 | 2017-05-10 | ***通信集团公司 | 一种交通灯的控制方法及装置 |
CN105488519A (zh) * | 2015-11-13 | 2016-04-13 | 同济大学 | 一种基于视频尺度信息的视频分类方法 |
CN105427343A (zh) * | 2015-11-18 | 2016-03-23 | 中国科学院信息工程研究所 | 一种基于dm8148开发板的运动目标检测与跟踪方法 |
CN107622678A (zh) * | 2017-10-18 | 2018-01-23 | 冯迎安 | 一种基于图像处理的智能交通控制***及其方法 |
US20210049772A1 (en) * | 2018-07-16 | 2021-02-18 | Accel Robotics Corporation | Automated store that tracks shoppers who exit a vehicle |
CN108986465A (zh) * | 2018-07-27 | 2018-12-11 | 深圳大学 | 一种车流量检测的方法、***及终端设备 |
CN109919072A (zh) * | 2019-02-28 | 2019-06-21 | 桂林电子科技大学 | 基于深度学习和轨迹跟踪的精细车型识别与流量统计方法 |
CN110473412A (zh) * | 2019-09-12 | 2019-11-19 | 杭州京安交通工程设施有限公司 | 一种红绿灯控制*** |
US20210192748A1 (en) * | 2019-12-18 | 2021-06-24 | Zoox, Inc. | Prediction on top-down scenes based on object motion |
WO2021189009A1 (en) * | 2020-03-19 | 2021-09-23 | Nvidia Corporation | Future trajectory predictions in multi-actor environments for autonomous machine applications |
KR20210117637A (ko) * | 2020-03-19 | 2021-09-29 | 주식회사 아이오라이트 | 딥러닝 기반 차량 및 인체 자동 감지용 영상 모니터링 방법 및 이를 이용한 데이터 전송 방법 |
CN111445699A (zh) * | 2020-04-13 | 2020-07-24 | 黑龙江工程学院 | 基于实时车辆轨迹的交叉***通冲突判别方法 |
CN112017209A (zh) * | 2020-09-07 | 2020-12-01 | 图普科技(广州)有限公司 | 一种区域人群轨迹确定方法及装置 |
CN113420618A (zh) * | 2021-06-04 | 2021-09-21 | 哈尔滨工业大学(深圳) | 一种信号交叉口标准车精确换算方法、装置及*** |
CN115158320A (zh) * | 2022-08-11 | 2022-10-11 | 小米汽车科技有限公司 | 车辆控制方法、装置、车辆及可读存储介质 |
Non-Patent Citations (7)
Title |
---|
吕剑;史其信;杨新苗;: "基于运动轨迹采集的混合交通特性研究", 武汉理工大学学报(交通科学与工程版), no. 01 * |
崔智高;李艾华;冯国彦;: "采用多组单应约束和马尔可夫随机场的运动目标检测算法", 计算机辅助设计与图形学学报, no. 04 * |
杨文彦;张希;陈浩;金文强;: "基于社会力的自动驾驶汽车行人轨迹预测模型", 公路交通科技, no. 08 * |
邵海鹏;杨晓光;董海倩;: "机非混行道路交通改善方法研究", 城市交通, no. 01 * |
郑少鹏;胡刚;汤永华;陈怀勇;罗春荣;胡澄宇;李薇;: "一级公路交通安全设施人性化设置分析", 公路交通科技(应用技术版), no. 04 * |
闫晓明;: "单目视频中无标记人体运动动作轨迹实时提取方法", 周口师范学院学报, no. 02 * |
陈雷;张立毅;郭艳菊;刘婷;李锵;: "基于人工蜂群算法的运动目标检测方法", 计算机工程与应用, no. 21 * |
Also Published As
Publication number | Publication date |
---|---|
CN115578862B (zh) | 2023-09-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Moers et al. | The exid dataset: A real-world trajectory dataset of highly interactive highway scenarios in germany | |
CN107153363B (zh) | 无人驾驶汽车的仿真测试方法及装置、设备与可读介质 | |
US10176634B2 (en) | Lane boundary detection data generation in virtual environment | |
CN108389421B (zh) | 基于图像再识别的停车场精确诱导***及方法 | |
US10922817B2 (en) | Perception device for obstacle detection and tracking and a perception method for obstacle detection and tracking | |
JP2021503106A (ja) | 交差点における対象道路設備の有無を確定する方法及びシステム | |
CN114023062B (zh) | 一种基于深度学习和边缘计算的交通流信息监测方法 | |
TW200905575A (en) | Method for finding paths in video | |
CN106571029B (zh) | 一种车辆排队长度检测的方法和装置 | |
CN112116263B (zh) | 一种交通路口风险级别评估方法、装置、电子设备及存储介质 | |
CN111798357A (zh) | 一种全城域智慧停车综合服务SaaS管理*** | |
CN110021161B (zh) | 一种交通流向的预测方法及*** | |
CN115985104A (zh) | 一种交通流量预测装置、预测方法及预测模型构建方法 | |
Wei et al. | Street object detection/tracking for AI city traffic analysis | |
Pi et al. | Visual recognition for urban traffic data retrieval and analysis in major events using convolutional neural networks | |
Zheng et al. | A deep learning–based approach for moving vehicle counting and short-term traffic prediction from video images | |
Darwhekar et al. | Computer vision based intelligent traffic management system | |
Jiao et al. | Traffic behavior recognition from traffic videos under occlusion condition: a Kalman filter approach | |
CN113420618A (zh) | 一种信号交叉口标准车精确换算方法、装置及*** | |
Guerrieri et al. | Traffic flow variables estimation: An automated procedure based on moving observer method. potential application for autonomous vehicles | |
CN115578862B (zh) | 交通流量转换方法、装置、计算设备和存储介质 | |
WO2021086884A1 (en) | System, apparatus and method of provisioning allotments utilizing machine visioning | |
Hilbert et al. | A sensor for control of arterials and networks | |
Zhang et al. | Machine learning and computer vision-enabled traffic sensing data analysis and quality enhancement | |
CN109255953A (zh) | 基于区域的活动车辆分布展示方法及*** |
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 | ||
CB03 | Change of inventor or designer information |
Inventor after: Gong Zhiqun Inventor after: Xu Feng Inventor after: Yang Shiting Inventor after: Zhang Dongliang Inventor after: Gao Wei Inventor before: Gong Zhiqun Inventor before: Xu Feng Inventor before: Yang Shiting Inventor before: Zhang Dongliang Inventor before: Gao Wei |
|
CB03 | Change of inventor or designer information |