CN115909240A - 一种基于车道线和车辆识别的道路拥堵检测方法 - Google Patents
一种基于车道线和车辆识别的道路拥堵检测方法 Download PDFInfo
- Publication number
- CN115909240A CN115909240A CN202211381158.9A CN202211381158A CN115909240A CN 115909240 A CN115909240 A CN 115909240A CN 202211381158 A CN202211381158 A CN 202211381158A CN 115909240 A CN115909240 A CN 115909240A
- Authority
- CN
- China
- Prior art keywords
- congestion
- vehicle
- lane line
- road
- information
- 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
Images
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种基于车道线和车辆识别的道路拥堵检测方法,包括一下步骤:S101:获取本车周围的道路场景图像,将所述道路场景图像输入到预先训练得到的车辆检测模型和车道线模型得到所述场景图像的车辆信息和车道线信息;通过所述车辆检测模型对所述道路场景图像进行识别,得到所述道路场景图像中的周边车辆的车辆数量,在获取车辆信息后,再将场景图片输入到预先训练好的车道线检测模型中,得到当前场景中所有的车道线。本发明中,避免了获取视频再分析导致的滞后性预警,性价比较高,同时设备之间也可以相互共享道路信息进行预警,提高了道路拥堵的检测效率,便于及时进行交通疏导工作。
Description
技术领域
本发明涉及道路拥堵检测技术领域,尤其涉及一种基于车道线和车辆识别的道路拥堵检测方法。
背景技术
目前的道路拥堵检测方法一般分为两种,一种是道路视频信息检测提取,另一种是大数据分析相关数据,学习总结,检测提取是人工智能的应用,利用道路监测视频,通过检测各种特征信息,统计规定区域内的车流量密度,目前现有的检测方案大多数都是固定卡口的检测装置以及方法,该方案只能在固定路口进行监测,大多数是利用现有的路口违章摄像头的利旧设备上,只能识别固定路段的拥堵情况,如果大面积特意部署则大大提高成本,性价比较低,在车辆高速运动状态下,数据量较大的情况下,算法实时性没有保障,道路信息无法及时上报利用,造成信息滞后,影响道路通行的效率,不便于及时进行交通疏导工作。
发明内容
本发明的目的在于:为了解决现有的检测方案大多数都是固定卡口的检测装置以及方法,该方案只能在固定路口进行监测,大多数是利用现有的路口违章摄像头的利旧设备上,只能识别固定路段的拥堵情况,如果大面积特意部署则大大提高成本,性价比较低,在车辆高速运动状态下,数据量较大的情况下,算法实时性没有保障,道路信息无法及时上报利用,造成信息滞后,影响道路通行的效率,不便于及时进行交通疏导工作的问题,而提出的一种基于车道线和车辆识别的道路拥堵检测方法。
为了实现上述目的,本发明采用了如下技术方案:
一种基于车道线和车辆识别的道路拥堵检测方法,包括一下步骤:
S101:获取本车周围的道路场景图像,将所述道路场景图像输入到预先训练得到的车辆检测模型和车道线模型得到所述场景图像的车辆信息和车道线信息;
通过所述车辆检测模型对所述道路场景图像进行识别,得到所述道路场景图像中的周边车辆的车辆数量,在获取车辆信息后,再将场景图片输入到预先训练好的车道线检测模型中,得到当前场景中所有的车道线;
S102:根据步骤S101得到的场景图像车辆信息及车道线确定本车周边所有车辆与本车辆位置信息,运动信息以及当前道路的车道线信息;
根据得到的车辆信息以及车道线信息,结合相机标定得到的内参和外参计算出所有车辆的位置信息和速度信息;再根据车道线模型对图像中的车道线进行二次处理,根据检测出的车道线进行曲线拟合,得到一个车道线曲线方程,并结合相机内参和外参,以车道线在图像中的像素点,计算出最远和最近点的实际距离;
S103:根据步骤S102得到的周围车辆位置信息、运动信息以及车道线信息等来判断当前道路的拥堵状态;
若所有车辆平均速度小于预设数量阈值,且车道线场长度参数小于固定阈值,且持续一定时间,则确定本车车辆所在的车辆道路的发生拥堵,确定所述本车车辆所在的车辆道路的发生拥堵的步骤包括:先判断为拥堵后进行判断拥堵等级;
S104:基于预先设置的时间区间与拥堵等级之间的对应关系,查询所述时间区间对应的拥堵等级,将所述车辆数量符合预设条件的速度区间对应的拥堵等级作为目标车辆所在的车辆道路的拥堵等级;
S105:采集到拥堵信息之后会实时将三张图片和一个10s视频,分别是检测到拥堵的前一秒,检测到拥堵这一刻,检测到拥堵的后一秒,这三个时间刻的图片和发生拥堵前后各五秒的视频;将图片视频、位置信息发送给指定客户、交警等、以便及时进行发布预警提示。
作为上述技术方案的进一步描述:
所述车辆信息包含:车辆数目、车辆离本车距离、车辆速度;车道线长度是车道线最远点和最近点之间的实际距离。
作为上述技术方案的进一步描述:
所述拥堵等级包括:轻微拥堵:3-5分钟;一般拥堵:5-10分钟;拥堵:10-30分钟;严重拥堵:30-以上。
作为上述技术方案的进一步描述:
所述相机的标定步骤如下:S201:制作棋盘格标定板,可以将其打印下来固定到一张平板上就是标定使用的标定板,使用同一相机从不同的位置,不同的角度,不同的姿态,拍摄标定板的多张照片(一般不少于3张,以10-20张为宜);
S202:提取标定板的内角点的世界坐标,这里需要注意标定板的大小是标定板在水平和竖直方向上内焦点的个数;内焦点指的是,标定板上不挨着边的角点;比如棋盘格的大小是10*7,其在水平方向有9个内焦点;竖直方向有6个内焦点;
S203:提取标定板的角点的图像坐标;
S204:对已经取得了角点的世界坐标以及对应的像素坐标进行标定;
相机标定完成之后,利用前置的两个摄像头实时获取实时视频流,利用道路车道线模型,根据颜色特征和车道线位置特征等,从视频流的每一帧图片中进行车道线提取并且拟合,得到的车道线进行车道线从左到右进行排序。
作为上述技术方案的进一步描述:
所述计算出最远和最近点的实际距离步骤包括:根据图像中的车道线像素点,最远点和最近点分别位(x1,y1)(x2,y2),两点之间构成一条直线;
根据相机参数进行转换f(point),得到世界坐标系下两点坐标:
(x1,y1)’=f((x1,y1))
(x2,y2)’=f((x2,y2))
其中(x1,y1)、(x2,y2),一条车道线像素坐标的最近点和最远点像素坐标,(x1,y1)’、(x2,y2)’一条车道线经f(point)转换关系后的真实世界坐标;
1)计算两点之间的距离
Distance=Sqrt((x1,y1)’,(x2,y2)’),单位:米
2)统计视频中的车辆种类统计小汽车car、bus的数目,分别为n,m;
3)计算距离本车最近车辆的纵向距离y,单位:米;
4)同时满足:
(n+m)>4;y<6m;Distance<10;m!=n+m;m<=1;
5)记录满足条件4)的时刻t1,单位:s,记录当前时刻t2
当t2-t1>T时满足则判断为拥堵,其中T可以根据需求进行设置。
一种基于车道线和车辆识别的道路拥堵检测装置,包括:
数据获取模块,获取一定数量的车辆道路场景图像,对这些场景图像进行标注,并整合得到用来构建车辆检测模型的训练样本集;
将训练样本集中的各个场景图像输入到卷积神经网络中进行训练,并对所述卷积神经网络的参数和结构进行调整,得到车辆检测模型;
对训练样本集中的各个场景图像进行卷积运算等处理,提取场景图像的特征矩阵,将特征矩阵输入到神经网络模型中进行训练,得到车辆检测模型;需要说明的是,在对卷积神经网络进行训练的过程中,对卷积神经网络的卷积层的参数或结构进行调整,以适应不同场景下的车辆检测准确率;
车辆行驶参数确定模块,用于将得到的场景图像车辆信息及车道线确定本车周边所有车辆与本车辆位置信息,运动信息以及当前道路的车道线信息;根据得到的车辆信息以及车道线信息,结合相机标定得到的内参和外参计算出所有车辆的位置信息和速度信息;再根据车道线模型对图像中的车道线进行二次处理,根据检测出的车道线进行曲线拟合,得到一个车道线曲线方程,并结合相机内参和外参,以车道线在图像中的像素点,计算出最远和最近点的实际距离;
道路状况确定模块,根据步骤S102得到的周围车辆位置信息、运动信息以及车道线信息等来判断当前道路的拥堵状态;
若所有车辆平均速度小于预设数量阈值,且车道线场长度参数小于固定阈值,满足且持续一定时间,则确定本车车辆所在的车辆道路的发生拥堵;
拥堵等级划分模块,基于预先设置的时间区间与拥堵等级之间的对应关系,查询所述时间区间对应的拥堵等级,将所述车辆数量符合预设条件的速度区间对应的拥堵等级作为目标车辆所在的车辆道路的拥堵等级,所述拥堵等级包括:轻微拥堵:3-5分钟;一般拥堵:5-10分钟;拥堵:10-30分钟;严重拥堵:30-以上;
道路状况上报模块,采集到拥堵信息之后会实时将三张图片和一个10s视频,分别是检测到拥堵的前一秒,检测到拥堵这一刻,检测到拥堵的后一秒,这三个时间刻的图片和发生拥堵前后各五秒的视频;将图片视频、位置信息发送给指定客户、交警等、以便及时进行发布预警提示。
一种电子设备,包括存储器和处理器;
所述存储器,用于存储计算机程序;
所述处理器,用于当执行所述计算机程序时,实现如权利要求1-5任一项所述一种基于车道线和车辆识别的道路拥堵检测方法。
一种计算机可读存储介质,所述存储介质上存储有计算机程序,当所述计算机程序被处理器执行时,实现如权利要求1-5任一项所述一种基于车道线和车辆识别的道路拥堵检测方法。
综上所述,由于采用了上述技术方案,本发明的有益效果是:
本发明中,通过车辆车载设备采集到拥堵信息之后会实时将三张图片和一个10s视频,分别是检测到拥堵的前一秒,检测到拥堵这一刻,检测到拥堵的后一秒,这三个时间刻的图片和发生拥堵前后各五秒的视频;将图片视频、位置信息发送给指定客户、交警等,以便及时进行发布预警提示,通过车载实时检测道路状态,多目标检测、从多个维度提取场景综合信息并计算分析,避免了以往单一的车流量密度、手机信号密度、车辆速度等数据过于单一的问题,满足了各种不同场景的使用,避免了获取视频再分析导致的滞后性预警,性价比较高,同时设备之间也可以相互共享道路信息进行预警,提高了道路拥堵的检测效率,便于及时进行交通疏导工作。
附图说明
图1示出了根据本发明实施例提供的拥堵检测流程结构示意图;
图2示出了根据本发明实施例提供的相机标定结构示意图;
图3示出了根据本发明实施例提供的一种基于车道线和车辆识别的道路拥堵检测装置结构示意图;
图4示出了根据本发明实施例提供的一种电子设备结构示意图;
图5示出了根据本发明实施例提供的车辆拥堵结构示意图;
图6示出了根据本发明实施例提供的车辆不拥堵结构示意图一;
图7示出了根据本发明实施例提供的车辆不拥堵结构示意图二;
图8示出了根据本发明实施例提供的无车道线车辆不拥堵结构示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例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,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例,都属于本发明保护的范围。
请参阅图1-8,本发明提供一种技术方案:一种基于车道线和车辆识别的道路拥堵检测方法,包括一下步骤:
S101:获取本车周围的道路场景图像,将道路场景图像输入到预先训练得到的车辆检测模型和车道线模型得到场景图像的车辆信息和车道线信息;
通过车辆检测模型对道路场景图像进行识别,得到道路场景图像中的周边车辆的车辆数量,在获取车辆信息后,再将场景图片输入到预先训练好的车道线检测模型中,得到当前场景中所有的车道线;
S102:根据步骤S101得到的场景图像车辆信息及车道线确定本车周边所有车辆与本车辆位置信息,运动信息以及当前道路的车道线信息;
根据得到的车辆信息以及车道线信息,结合相机标定得到的内参和外参计算出所有车辆的位置信息和速度信息;再根据车道线模型对图像中的车道线进行二次处理,根据检测出的车道线进行曲线拟合,得到一个车道线曲线方程,并结合相机内参和外参,以车道线在图像中的像素点,计算出最远和最近点的实际距离;
S103:根据步骤S102得到的周围车辆位置信息、运动信息以及车道线信息等来判断当前道路的拥堵状态;
若所有车辆平均速度小于预设数量阈值,且车道线场长度参数小于固定阈值,且持续一定时间,则确定本车车辆所在的车辆道路的发生拥堵,确定本车车辆所在的车辆道路的发生拥堵的步骤包括:先判断为拥堵后进行判断拥堵等级;
S104:基于预先设置的时间区间与拥堵等级之间的对应关系,查询时间区间对应的拥堵等级,将车辆数量符合预设条件的速度区间对应的拥堵等级作为目标车辆所在的车辆道路的拥堵等级;
S105:采集到拥堵信息之后会实时将三张图片和一个10s视频,分别是检测到拥堵的前一秒,检测到拥堵这一刻,检测到拥堵的后一秒,这三个时间刻的图片和发生拥堵前后各五秒的视频;将图片视频、位置信息发送给指定客户、交警等、以便及时进行发布预警提示;特殊场景,可以进行gps屏蔽,例如当前在停车场,其经纬度为(A,B),平台下发给设备,告诉设备该点无需上报,设备上传前查询该点附近是否需要上报,如无需上报,则放弃上传给客户。
具体的,如图1所示,车辆信息包含:车辆数目、车辆离本车距离、车辆速度;车道线长度是车道线最远点和最近点之间的实际距离。
具体的,如图1所示,拥堵等级包括:轻微拥堵:3-5分钟;一般拥堵:5-10分钟;拥堵:10-30分钟;严重拥堵:30-以上。
具体的,如图2所示,相机的标定步骤如下:S201:制作棋盘格标定板,可以将其打印下来固定到一张平板上就是标定使用的标定板,使用同一相机从不同的位置,不同的角度,不同的姿态,拍摄标定板的多张照片(一般不少于3张,以10-20张为宜);
S202:提取标定板的内角点的世界坐标,这里需要注意标定板的大小是标定板在水平和竖直方向上内焦点的个数;内焦点指的是,标定板上不挨着边的角点;比如棋盘格的大小是10*7,其在水平方向有9个内焦点;竖直方向有6个内焦点;
S203:提取标定板的角点的图像坐标;
S204:对已经取得了角点的世界坐标以及对应的像素坐标进行标定;
相机标定完成之后,利用前置的两个摄像头实时获取实时视频流,利用道路车道线模型,根据颜色特征和车道线位置特征等,从视频流的每一帧图片中进行车道线提取并且拟合,得到的车道线进行车道线从左到右进行排序。
具体的,如图2所示,计算出最远和最近点的实际距离步骤包括:根据图像中的车道线像素点,最远点和最近点分别位(x1,y1)(x2,y2),两点之间构成一条直线;
根据相机参数进行转换f(point),得到世界坐标系下两点坐标:
(x1,y1)’=f((x1,y1))
(x2,y2)’=f((x2,y2))
其中(x1,y1)、(x2,y2),一条车道线像素坐标的最近点和最远点像素坐标,(x1,y1)’、(x2,y2)’一条车道线经f(point)转换关系后的真实世界坐标;
1)计算两点之间的距离
Distance=Sqrt((x1,y1)’,(x2,y2)’),单位:米
2)统计视频中的车辆种类统计小汽车car、bus的数目,分别为n,m;
3)计算距离本车最近车辆的纵向距离y,单位:米;
4)同时满足:
(n+m)>4;y<6m;Distance<10;m!=n+m;m<=1;
5)记录满足条件4)的时刻t1,单位:s,记录当前时刻t2
当t2-t1>T时满足则判断为拥堵,其中T可以根据需求进行设置。
一种基于车道线和车辆识别的道路拥堵检测装置,包括:
数据获取模块,获取一定数量的车辆道路场景图像,对这些场景图像进行标注,并整合得到用来构建车辆检测模型的训练样本集;
将训练样本集中的各个场景图像输入到卷积神经网络中进行训练,并对卷积神经网络的参数和结构进行调整,得到车辆检测模型;
对训练样本集中的各个场景图像进行卷积运算等处理,提取场景图像的特征矩阵,将特征矩阵输入到神经网络模型中进行训练,得到车辆检测模型;需要说明的是,在对卷积神经网络进行训练的过程中,对卷积神经网络的卷积层的参数或结构进行调整,以适应不同场景下的车辆检测准确率;
车辆行驶参数确定模块,用于将得到的场景图像车辆信息及车道线确定本车周边所有车辆与本车辆位置信息,运动信息以及当前道路的车道线信息;根据得到的车辆信息以及车道线信息,结合相机标定得到的内参和外参计算出所有车辆的位置信息和速度信息;再根据车道线模型对图像中的车道线进行二次处理,根据检测出的车道线进行曲线拟合,得到一个车道线曲线方程,并结合相机内参和外参,以车道线在图像中的像素点,计算出最远和最近点的实际距离;
道路状况确定模块,根据步骤S102得到的周围车辆位置信息、运动信息以及车道线信息等来判断当前道路的拥堵状态;
若所有车辆平均速度小于预设数量阈值,且车道线场长度参数小于固定阈值,满足且持续一定时间,则确定本车车辆所在的车辆道路的发生拥堵;
拥堵等级划分模块,基于预先设置的时间区间与拥堵等级之间的对应关系,查询时间区间对应的拥堵等级,将车辆数量符合预设条件的速度区间对应的拥堵等级作为目标车辆所在的车辆道路的拥堵等级,拥堵等级包括:轻微拥堵:3-5分钟;一般拥堵:5-10分钟;拥堵:10-30分钟;严重拥堵:30-以上;
道路状况上报模块,采集到拥堵信息之后会实时将三张图片和一个10s视频,分别是检测到拥堵的前一秒,检测到拥堵这一刻,检测到拥堵的后一秒,这三个时间刻的图片和发生拥堵前后各五秒的视频;将图片视频、位置信息发送给指定客户、交警等、以便及时进行发布预警提示。
一种电子设备,包括存储器和处理器;
存储器,用于存储计算机程序;
处理器,用于当执行计算机程序时,实现如权利要求1-5任一项一种基于车道线和车辆识别的道路拥堵检测方法。
一种计算机可读存储介质,存储介质上存储有计算机程序,当计算机程序被处理器执行时,实现如权利要求1-5任一项一种基于车道线和车辆识别的道路拥堵检测方法。
以上所述,仅为本发明较佳的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,根据本发明的技术方案及其发明构思加以等同替换或改变,都应涵盖在本发明的保护范围之内。
Claims (8)
1.一种基于车道线和车辆识别的道路拥堵检测方法,其特征在于,包括一下步骤:
S101:获取本车周围的道路场景图像,将所述道路场景图像输入到预先训练得到的车辆检测模型和车道线模型得到所述场景图像的车辆信息和车道线信息;
通过所述车辆检测模型对所述道路场景图像进行识别,得到所述道路场景图像中的周边车辆的车辆数量,在获取车辆信息后,再将场景图片输入到预先训练好的车道线检测模型中,得到当前场景中所有的车道线;
S102:根据步骤S101得到的场景图像车辆信息及车道线确定本车周边所有车辆与本车辆位置信息,运动信息以及当前道路的车道线信息;
根据得到的车辆信息以及车道线信息,结合相机标定得到的内参和外参计算出所有车辆的位置信息和速度信息;再根据车道线模型对图像中的车道线进行二次处理,根据检测出的车道线进行曲线拟合,得到一个车道线曲线方程,并结合相机内参和外参,以车道线在图像中的像素点,计算出最远和最近点的实际距离;
S103:根据步骤S102得到的周围车辆位置信息、运动信息以及车道线信息等来判断当前道路的拥堵状态;
若所有车辆平均速度小于预设数量阈值,且车道线场长度参数小于固定阈值,且持续一定时间,则确定本车车辆所在的车辆道路的发生拥堵,确定所述本车车辆所在的车辆道路的发生拥堵的步骤包括:先判断为拥堵后进行判断拥堵等级;
S104:基于预先设置的时间区间与拥堵等级之间的对应关系,查询所述时间区间对应的拥堵等级,将所述车辆数量符合预设条件的速度区间对应的拥堵等级作为目标车辆所在的车辆道路的拥堵等级;
S105:采集到拥堵信息之后会实时将三张图片和一个10s视频,分别是检测到拥堵的前一秒,检测到拥堵这一刻,检测到拥堵的后一秒,这三个时间刻的图片和发生拥堵前后各五秒的视频;将图片视频、位置信息发送给指定客户、交警等、以便及时进行发布预警提示。
2.根据权利要求1所述的一种基于车道线和车辆识别的道路拥堵检测方法,其特征在于,所述车辆信息包含:车辆数目、车辆离本车距离、车辆速度;车道线长度是车道线最远点和最近点之间的实际距离。
3.根据权利要求1所述的一种基于车道线和车辆识别的道路拥堵检测方法,其特征在于,所述拥堵等级包括:轻微拥堵:3-5分钟;一般拥堵:5-10分钟;拥堵:10-30分钟;严重拥堵:30-以上。
4.根据权利要求1所述的一种基于车道线和车辆识别的道路拥堵检测方法,其特征在于,所述相机的标定步骤如下:S201:制作棋盘格标定板,可以将其打印下来固定到一张平板上就是标定使用的标定板,使用同一相机从不同的位置,不同的角度,不同的姿态,拍摄标定板的多张照片,一般不少于3张;
S202:提取标定板的内角点的世界坐标,这里需要注意标定板的大小是标定板在水平和竖直方向上内焦点的个数;内焦点指的是,标定板上不挨着边的角点;比如棋盘格的大小是10*7,其在水平方向有9个内焦点;竖直方向有6个内焦点;
S203:提取标定板的角点的图像坐标;
S204:对已经取得了角点的世界坐标以及对应的像素坐标进行标定;
相机标定完成之后,利用前置的两个摄像头实时获取实时视频流,利用道路车道线模型,根据颜色特征和车道线位置特征等,从视频流的每一帧图片中进行车道线提取并且拟合,得到的车道线进行车道线从左到右进行排序。
5.根据权利要求1所述的一种基于车道线和车辆识别的道路拥堵检测方法,其特征在于,所述计算出最远和最近点的实际距离步骤包括:根据图像中的车道线像素点,最远点和最近点分别位(x1,y1)(x2,y2),两点之间构成一条直线;
根据相机参数进行转换f(point),得到世界坐标系下两点坐标:
(x1,y1)’=f((x1,y1))
(x2,y2)’=f((x2,y2))
其中(x1,y1)、(x2,y2),一条车道线像素坐标的最近点和最远点像素坐标,(x1,y1)’、(x2,y2)’一条车道线经f(point)转换关系后的真实世界坐标;
1)计算两点之间的距离
Distance=Sqrt((x1,y1)’,(x2,y2)’),单位:米
2)统计视频中的车辆种类统计小汽车car、bus的数目,分别为n,m;
3)计算距离本车最近车辆的纵向距离y,单位:米;
4)同时满足:
(n+m)>4;y<6m;Distance<10;m!=n+m;m<=1;
5)记录满足条件4)的时刻t1,单位:s,记录当前时刻t2
当t2-t1>T时满足则判断为拥堵,其中T可以根据需求进行设置。
6.一种基于车道线和车辆识别的道路拥堵检测装置,其特征在于,包括:
数据获取模块,获取一定数量的车辆道路场景图像,对这些场景图像进行标注,并整合得到用来构建车辆检测模型的训练样本集;
将训练样本集中的各个场景图像输入到卷积神经网络中进行训练,并对所述卷积神经网络的参数和结构进行调整,得到车辆检测模型;
对训练样本集中的各个场景图像进行卷积运算等处理,提取场景图像的特征矩阵,将特征矩阵输入到神经网络模型中进行训练,得到车辆检测模型;需要说明的是,在对卷积神经网络进行训练的过程中,对卷积神经网络的卷积层的参数或结构进行调整,以适应不同场景下的车辆检测准确率;
车辆行驶参数确定模块,用于将得到的场景图像车辆信息及车道线确定本车周边所有车辆与本车辆位置信息,运动信息以及当前道路的车道线信息;根据得到的车辆信息以及车道线信息,结合相机标定得到的内参和外参计算出所有车辆的位置信息和速度信息;再根据车道线模型对图像中的车道线进行二次处理,根据检测出的车道线进行曲线拟合,得到一个车道线曲线方程,并结合相机内参和外参,以车道线在图像中的像素点,计算出最远和最近点的实际距离;
道路状况确定模块,根据步骤S102得到的周围车辆位置信息、运动信息以及车道线信息等来判断当前道路的拥堵状态;
若所有车辆平均速度小于预设数量阈值,且车道线场长度参数小于固定阈值,满足且持续一定时间,则确定本车车辆所在的车辆道路的发生拥堵;
拥堵等级划分模块,基于预先设置的时间区间与拥堵等级之间的对应关系,查询所述时间区间对应的拥堵等级,将所述车辆数量符合预设条件的速度区间对应的拥堵等级作为目标车辆所在的车辆道路的拥堵等级,所述拥堵等级包括:轻微拥堵:3-5分钟;一般拥堵:5-10分钟;拥堵:10-30分钟;严重拥堵:30-以上;
道路状况上报模块,采集到拥堵信息之后会实时将三张图片和一个10s视频,分别是检测到拥堵的前一秒,检测到拥堵这一刻,检测到拥堵的后一秒,这三个时间刻的图片和发生拥堵前后各五秒的视频;将图片视频、位置信息发送给指定客户、交警等、以便及时进行发布预警提示。
7.一种电子设备,其特征在于,包括存储器和处理器;
所述存储器,用于存储计算机程序;
所述处理器,用于当执行所述计算机程序时,实现如权利要求1-5任一项所述一种基于车道线和车辆识别的道路拥堵检测方法。
8.一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程序,当所述计算机程序被处理器执行时,实现如权利要求1-5任一项所述一种基于车道线和车辆识别的道路拥堵检测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211381158.9A CN115909240A (zh) | 2022-11-06 | 2022-11-06 | 一种基于车道线和车辆识别的道路拥堵检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211381158.9A CN115909240A (zh) | 2022-11-06 | 2022-11-06 | 一种基于车道线和车辆识别的道路拥堵检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115909240A true CN115909240A (zh) | 2023-04-04 |
Family
ID=86495803
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211381158.9A Pending CN115909240A (zh) | 2022-11-06 | 2022-11-06 | 一种基于车道线和车辆识别的道路拥堵检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115909240A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117274781A (zh) * | 2023-11-21 | 2023-12-22 | 成都合能创越软件有限公司 | 基于双管道信息交错车载实时检测方法及*** |
CN117315934A (zh) * | 2023-09-25 | 2023-12-29 | 阜阳交通能源投资有限公司 | 基于无人机的高速公路车流量实时监测及拥堵预测*** |
-
2022
- 2022-11-06 CN CN202211381158.9A patent/CN115909240A/zh active Pending
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117315934A (zh) * | 2023-09-25 | 2023-12-29 | 阜阳交通能源投资有限公司 | 基于无人机的高速公路车流量实时监测及拥堵预测*** |
CN117274781A (zh) * | 2023-11-21 | 2023-12-22 | 成都合能创越软件有限公司 | 基于双管道信息交错车载实时检测方法及*** |
CN117274781B (zh) * | 2023-11-21 | 2024-04-16 | 成都合能创越软件有限公司 | 基于双管道信息交错车载实时检测方法及*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115909240A (zh) | 一种基于车道线和车辆识别的道路拥堵检测方法 | |
CN112149550B (zh) | 一种基于多传感器融合的自动驾驶车辆3d目标检测方法 | |
CN108764042B (zh) | 一种异常路况信息识别方法、装置及终端设备 | |
CN111325978B (zh) | 一种高速公路车辆异常行为的全程监测警示***和方法 | |
CN112099040A (zh) | 基于激光雷达网络的全程连续轨迹车辆追踪***及方法 | |
WO2021155685A1 (zh) | 一种更新地图的方法、装置和设备 | |
CN111458721B (zh) | 一种暴露垃圾的识别定位方法、装置及*** | |
CN105654732A (zh) | 一种基于深度图像的道路监控***及方法 | |
CN113593250A (zh) | 一种基于视觉识别的违章停车检测*** | |
CN108877269A (zh) | 一种交叉路口车辆状态检测及v2x广播方法 | |
CN111915883A (zh) | 一种基于车载摄像的道路交通状况检测方法 | |
CN115797873B (zh) | 一种人群密度检测方法、***、设备、存储介质及机器人 | |
CN111967396A (zh) | 障碍物检测的处理方法、装置、设备及存储介质 | |
CN111275957A (zh) | 一种交通事故信息采集方法、***及摄像机 | |
CN112687103A (zh) | 基于车联网技术的车辆变道的检测方法及*** | |
CN111311942A (zh) | 基于v2x技术的路况显示方法、***、v2x终端及v2x服务器 | |
CN109874099B (zh) | 一种联网车载设备流量控制*** | |
CN114627409A (zh) | 一种车辆异常变道的检测方法及装置 | |
CN112817006A (zh) | 一种车载智能道路病害检测方法及*** | |
CN114512005B (zh) | 一种道路自巡检方法、装置、无人机及存储介质 | |
CN116524311A (zh) | 路侧感知数据处理方法及其***、存储介质和电子设备 | |
CN113326715B (zh) | 一种目标关联方法及装置 | |
CN102622888B (zh) | 一种基于视频检测的车牌自学习识别方法及装置 | |
CN115691141B (zh) | 一种基于护栏的城市交通管理方法和***及网络侧服务端 | |
CN115620515B (zh) | 基于无人机视频的互通立交交通量的采集方法及相关装置 |
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 |