CN117152949A - 一种基于无人机的交通事件识别方法及*** - Google Patents

一种基于无人机的交通事件识别方法及*** Download PDF

Info

Publication number
CN117152949A
CN117152949A CN202310990535.7A CN202310990535A CN117152949A CN 117152949 A CN117152949 A CN 117152949A CN 202310990535 A CN202310990535 A CN 202310990535A CN 117152949 A CN117152949 A CN 117152949A
Authority
CN
China
Prior art keywords
vehicle
target
unmanned aerial
aerial vehicle
image
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
Application number
CN202310990535.7A
Other languages
English (en)
Inventor
闫军
张冠洲
宋瑞丹
王鹏
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Love Parking Technology Co ltd
Original Assignee
Love Parking Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Love Parking Technology Co ltd filed Critical Love Parking Technology Co ltd
Priority to CN202310990535.7A priority Critical patent/CN117152949A/zh
Publication of CN117152949A publication Critical patent/CN117152949A/zh
Pending legal-status Critical Current

Links

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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/20—Analysis of motion
    • G06T7/246—Analysis of motion using feature-based methods, e.g. the tracking of corners or segments
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
    • G06V10/806—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level of extracted features
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes
    • G06V20/17—Terrestrial scenes taken from planes or by drones
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/50—Context or environment of the image
    • G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
    • G06V20/54—Surveillance or monitoring of activities, e.g. for recognising suspicious objects of traffic, e.g. cars on the road, trains or boats
    • 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
    • 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
    • G08G1/04—Detecting movement of traffic to be counted or controlled using optical or ultrasonic detectors
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20024—Filtering details
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30232—Surveillance
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30248—Vehicle exterior or interior
    • 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)
  • Theoretical Computer Science (AREA)
  • Multimedia (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Analytical Chemistry (AREA)
  • Chemical & Material Sciences (AREA)
  • Remote Sensing (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • Databases & Information Systems (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开一种基于无人机的交通事件识别方法及***，涉及智能城市交通管理领域，包括：基于无人机采集的图像中识别提取车辆运动目标，并根据各个车辆目标分别对应的运动特征变化信息识别获取路段对应的交通事件信息，由于无人机可以灵活飞行到对应交通事件地点进行近距离的图像采集，从而可以保证图像采集的准确性，同时不用固定在监控杆上，而是按照预设的巡查路线进行灵活巡查，从而在提升了交通事件的识别准确率的同时，提升了交通事件识别的覆盖率。

Description

一种基于无人机的交通事件识别方法及***
技术领域
本发明涉及城市智慧交通管理领域，特别涉及一种基于无人机的交通事件识别方法及***。
背景技术
如果能够有效的识别出交通拥堵或交通事故等交通事件并及时的发布给周边的交通参与者，让车辆或行人提前做好应对预案，可以有效减少事故的发生或缓解交通的拥堵，提高通行效率。目前对于交通事件识别，通常采用视频识别的方式，但视频设备目前通常配置在固定的灯杆和监控赶上，灵活性较差，并且在晚上或光线不佳的时候不能有效的工作，且不能及时的发布事件信息，导致目前监测设备的成本高、覆盖率和准确率低，不能满足全路网交通事件的监测。
发明内容
为解决上述技术问题，本发明提供一种基于无人机的交通事件识别方法及***，可以解决现有全路网交通事件识别的硬件成本较高、识别准确率和覆盖率较低的问题。
为实现上述目的，一方面，本发明提供一种基于无人机的交通事件识别方法，所述方法包括：
根据预置的无人机巡查计划进行对应路段巡查和图像采集；
从所述无人机采集的图像中识别提取车辆运动目标；
根据预置***模型对每一个车辆运动目标进行跟踪获取各个车辆目标分别对应的运动特征变化信息；
根据各个车辆目标分别对应的运动特征变化信息识别获取路段对应的交通事件信息。
进一步地，所述从所述无人机采集的图像中识别提取车辆运动目标的步骤包括：
通过混合高斯算法对所述无人机采集的图像进行处理，建立图像背景模型；
根据所述图像背景模型和背景差分算法对所述图像进行差分得到所述图像中的前景运动目标；
通过自适应阈值分割、形态学去噪、阴影去除对所述前景运动目标图像进行过滤,得到运动车辆目标。
进一步地，所述根据预置***模型对每一个车辆运动目标进行跟踪获取各个车辆目标分别对应的运动特征变化信息的步骤包括：
为每一个车辆运动目标建立连续自适应均值漂移***并跟踪获取各个车辆运动目标的运动特征信息；
通过卡尔曼滤波器获取下一时刻车辆目标的运动特征信息；
根据当前各个车辆运动目标的运动特征信息和下一时刻车辆目标的运动特征信息获取各个车辆目标分别对应的运动特征变化信息。
进一步地，所述为每一个车辆运动目标建立连续自适应均值漂移***并跟踪获取各个车辆运动目标的运动特征信息的步骤包括：
在所述图像对应的颜色概率分布图中选取初始尺寸包含所述跟踪目标的搜索窗；
获取所述搜索窗的质心作为各个车辆运动目标的质心点:
重新设置搜索窗尺寸并根据所述搜索框的质心获取各个车辆运动目标的质心点；
当不同搜索窗尺寸分别对应的各个车辆运动目标的质心点的变化值小于预设阈值时，获取各个车辆运动目标的长轴、短轴和方向角。
进一步地，所述根据各个车辆运动目标的运动特征信息和下一时刻车辆目标的运动特征信息获取各个车辆目标分别对应的运动特征变化信息的包括：
对各个车辆目标分别对应的运动特征变化信息进行多特征加权融合，得到交通事件。
另一方面，本发明提供一种基于无人机的交通事件识别***，所述***包括：
采集单元，用于根据预置的无人机巡查计划进行对应路段巡查和图像采集；
识别单元，用于从所述无人机采集的图像中识别提取车辆运动目标；
获取单元，用于根据预置***模型对每一个车辆运动目标进行跟踪获取各个车辆目标分别对应的运动特征变化信息；
所述获取单元，还用于根据各个车辆目标分别对应的运动特征变化信息识别获取路段对应的交通事件信息。
进一步地，所述识别单元，具体用于通过混合高斯算法对所述无人机采集的图像进行处理，建立图像背景模型；根据所述图像背景模型和背景差分算法对所述图像进行差分得到所述图像中的前景运动目标；通过自适应阈值分割、形态学去噪、阴影去除对所述前景运动目标图像进行过滤,得到运动车辆目标。
进一步地，所述获取单元，具体用于为每一个车辆运动目标建立连续自适应均值漂移***并跟踪获取各个车辆运动目标的运动特征信息；通过卡尔曼滤波器获取下一时刻车辆目标的运动特征信息；根据当前各个车辆运动目标的运动特征信息和下一时刻车辆目标的运动特征信息获取各个车辆目标分别对应的运动特征变化信息。
进一步地，所述获取单元，具体还用于在所述图像对应的颜色概率分布图中选取初始尺寸包含所述跟踪目标的搜索窗；获取所述搜索窗的质心作为各个车辆运动目标的质心点:重新设置搜索窗尺寸并根据所述搜索框的质心获取各个车辆运动目标的质心点；当不同搜索窗尺寸分别对应的各个车辆运动目标的质心点的变化值小于预设阈值时，获取各个车辆运动目标的长轴、短轴和方向角。
进一步地，所述获取单元，具体还用于对各个车辆目标分别对应的运动特征变化信息进行多特征加权融合，得到交通事件。
本发明提供的一种基于无人机的交通事件识别方法及***，基于无人机采集的图像中识别提取车辆运动目标，并根据各个车辆目标分别对应的运动特征变化信息识别获取路段对应的交通事件信息，由于无人机可以灵活飞行到对应交通事件地点进行近距离的图像采集，从而可以保证图像采集的准确性，同时不用固定在监控杆上，而是按照预设的巡查路线进行灵活巡查，从而在提升了交通事件的识别准确率的同时，提升了交通事件识别的覆盖率。
附图说明
图1是本发明提供的一种基于无人机的交通事件识别方法的流程图；
图2是本发明提供的一种基于无人机的交通事件识别***的结构示意图。
具体实施方式
下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。
如图1所示，本发明实施例提供的一种基于无人机的交通事件识别方法，包括如下步骤：
101、根据预置的无人机巡查计划进行对应路段巡查和图像采集。
对于本发明实施例，步骤101之前，还可以包括：S1：配置无人机，包括无人机、识别相机、边缘计算盒子、通讯设备、电源设备，对无人机进行交通事件识别算法嵌入；S2：无人机***备案，将无人机编号在管理***中进行备案操作，备案后可对无人机进行任务分配、状态监测等；S3：无人机航线标定，***中用高精地图进行无人机的航线标定用以无人机的航行路径确认；S4：任务计划设置，在***中进行巡查计划设置包括巡查时间、巡查路段、巡查无人机、巡查时长、巡查频率等进行设置。此时，步骤101具体可以包括：无人机接收到***计划后，自动进行路段巡查，进行交通事件的数据采集。
102、从所述无人机采集的图像中识别提取车辆运动目标。
对于本发明实施例，步骤102具体可以包括：通过混合高斯算法对所述无人机采集的图像进行处理，建立图像背景模型；根据所述图像背景模型和背景差分算法对所述图像进行差分得到所述图像中的前景运动目标；通过自适应阈值分割、形态学去噪、阴影去除对所述前景运动目标图像进行过滤,得到运动车辆目标。
例如，可以利用道路视频图像信息,采用混合高斯算法建立背景模型；利用背景差分算法,采用当前与背景做差,得到前景运动目标,然后做自适应闽值分割,形态学去噪和阴影去除,使前景图像中只包括运动车辆目标。
103、根据预置***模型对每一个车辆运动目标进行跟踪获取各个车辆目标分别对应的运动特征变化信息。
对于本发明实施例，步骤103具体可以包括：为每一个车辆运动目标建立连续自适应均值漂移***并跟踪获取各个车辆运动目标的运动特征信息；通过卡尔曼滤波器获取下一时刻车辆目标的运动特征信息；根据当前各个车辆运动目标的运动特征信息和下一时刻车辆目标的运动特征信息获取各个车辆目标分别对应的运动特征变化信息。
进一步地，所述为每一个车辆运动目标建立连续自适应均值漂移***并跟踪获取各个车辆运动目标的运动特征信息的步骤包括：在所述图像对应的颜色概率分布图中选取初始尺寸包含所述跟踪目标的搜索窗；获取所述搜索窗的质心作为各个车辆运动目标的质心点:重新设置搜索窗尺寸并根据所述搜索框的质心获取各个车辆运动目标的质心点；当不同搜索窗尺寸分别对应的各个车辆运动目标的质心点的变化值小于预设阈值时，获取各个车辆运动目标的长轴、短轴和方向角。
例如，第一步：在颜色概率分布图中选取大小为Si的包含跟踪目标的搜索窗；第二步：计算搜索窗零阶矩:x和y的一阶矩:其中I(xi,yi)是图像坐标(xi,yi)的像素值，(xi,yi)的变化范围是搜索窗Si的范围。第三步：计算搜索窗的质心即为目标的质心点:第四步：重新设置搜索窗的大小s为上面搜索窗区域内颜色概率分布的函数。第五步：重复第二步、第三步、第四步各步骤，直到质心变化小于给定的阈值。通过计算二阶矩，可得到被跟踪目标的长轴、短轴和方向角。其中，二阶矩:目标长轴的方向角为:/>目标的长轴和短轴的计算公式:其中：需要说明的是，在视频图像中，相邻两帧目标变化不大，为减少计算量，不必计算每帧图像所有像素点的颜色概率分布图,只需计算比当前搜索窗大一些的区域内的像素点的颜色概率分布，减少计算量。Camshift算法计算量小，在简单背景环境中能够取得较好的跟踪效果，但是在复杂背景中，由于该算法对运动物体不做任何预测，不能解决大面积与目标颜色相近的背景干扰、目标被遮挡、目标运动速度过快导致跟踪失效等问题。
进一步地，Kalman滤波分为预测和修正两阶段：首先预测阶段主要包括状态预测和误差协方差预测。其次修正阶段主要含Kalman滤波器增益系数的计算和利用该增益系数对观测值和误差协方差进行修正，得到的修正值更接近于目标真实信息。从上面的推理得到Kalman滤波算法包含两个模型：信号模型：xk＝AkXk-1+BkWk，观测模型：Zk＝HkXk+Vk，式中:xk和zk分别是状态向量和观测向量；Ak是状态转移矩阵，Bk是输入矩阵Hk是观测矩阵；动态噪声Wk(协方差为Q)和观测噪声Vk(协方差为R)是互不相关的均值白噪声序列。令状态向量表示为:Xk＝[xk,yk,vxk,vyk]T，其中xk,yk分别是目标质心坐标在x,y轴上的分量，vxk,vyk分别是目标在x,y轴上的速度分量。观测向量Zk＝[xk,yk]Txk,yk分别表示当前中观测到的目标质心标在x,y方向上的分量。在x轴上根据牛顿运动定理得到运动方程:其中:t是时间变量，wk表示加速度。同理在y轴上也有相似的方程。
104、根据各个车辆目标分别对应的运动特征变化信息识别获取路段对应的交通事件信息。
对于本发明实施例，步骤104具体可以包括：对各个车辆目标分别对应的运动特征变化信息进行多特征加权融合，得到交通事件。
进一步地，还可以将识别的交通事件发送到云平台，云平台包括数据预处理、识别算法和数据分级、分类发布，数据预处理包括数据质量分级处理、抽帧和拟合，识别算法包括人工智能识别算法和融合算法；云平台与数据应用数据连接，数据应用包括车道级的交通事件提醒。
本发明提供的一种基于无人机的交通事件识别方法，基于无人机采集的图像中识别提取车辆运动目标，并根据各个车辆目标分别对应的运动特征变化信息识别获取路段对应的交通事件信息，由于无人机可以灵活飞行到对应交通事件地点进行近距离的图像采集，从而可以保证图像采集的准确性，同时不用固定在监控杆上，而是按照预设的巡查路线进行灵活巡查，从而在提升了交通事件的识别准确率的同时，提升了交通事件识别的覆盖率。
为实现本发明实施例提供的方法，本发明实施例提供一种基于无人机的交通事件识别***，如图2所示，该***包括：采集单元21、识别单元22、获取单元23；
采集单元21，用于根据预置的无人机巡查计划进行对应路段巡查和图像采集；
识别单元22，用于从所述无人机采集的图像中识别提取车辆运动目标；
获取单元23，用于根据预置***模型对每一个车辆运动目标进行跟踪获取各个车辆目标分别对应的运动特征变化信息；
所述获取单元23，还用于根据各个车辆目标分别对应的运动特征变化信息识别获取路段对应的交通事件信息。
进一步地，所述识别单元22，具体用于通过混合高斯算法对所述无人机采集的图像进行处理，建立图像背景模型；根据所述图像背景模型和背景差分算法对所述图像进行差分得到所述图像中的前景运动目标；通过自适应阈值分割、形态学去噪、阴影去除对所述前景运动目标图像进行过滤,得到运动车辆目标。
进一步地，所述获取单元23，具体用于为每一个车辆运动目标建立连续自适应均值漂移***并跟踪获取各个车辆运动目标的运动特征信息；通过卡尔曼滤波器获取下一时刻车辆目标的运动特征信息；根据当前各个车辆运动目标的运动特征信息和下一时刻车辆目标的运动特征信息获取各个车辆目标分别对应的运动特征变化信息。
进一步地，所述获取单元23，具体还用于在所述图像对应的颜色概率分布图中选取初始尺寸包含所述跟踪目标的搜索窗；获取所述搜索窗的质心作为各个车辆运动目标的质心点:重新设置搜索窗尺寸并根据所述搜索框的质心获取各个车辆运动目标的质心点；当不同搜索窗尺寸分别对应的各个车辆运动目标的质心点的变化值小于预设阈值时，获取各个车辆运动目标的长轴、短轴和方向角。
进一步地，所述获取单元23，具体还用于对各个车辆目标分别对应的运动特征变化信息进行多特征加权融合，得到交通事件。
本发明提供的一种基于无人机的交通事件识别方法及***，基于无人机采集的图像中识别提取车辆运动目标，并根据各个车辆目标分别对应的运动特征变化信息识别获取路段对应的交通事件信息，由于无人机可以灵活飞行到对应交通事件地点进行近距离的图像采集，从而可以保证图像采集的准确性，同时不用固定在监控杆上，而是按照预设的巡查路线进行灵活巡查，从而在提升了交通事件的识别准确率的同时，提升了交通事件识别的覆盖率。
应该明白，公开的过程中的步骤的特定顺序或层次是示例性方法的实例。基于设计偏好，应该理解，过程中的步骤的特定顺序或层次可以在不脱离本公开的保护范围的情况下得到重新安排。所附的方法权利要求以示例性的顺序给出了各种步骤的要素，并且不是要限于所述的特定顺序或层次。
在上述的详细描述中，各种特征一起组合在单个的实施方案中，以简化本公开。不应该将这种公开方法解释为反映了这样的意图，即，所要求保护的主题的实施方案需要比清楚地在每个权利要求中所陈述的特征更多的特征。相反，如所附的权利要求书所反映的那样，本发明处于比所公开的单个实施方案的全部特征少的状态。因此，所附的权利要求书特此清楚地被并入详细描述中，其中每项权利要求独自作为本发明单独的优选实施方案。
为使本领域内的任何技术人员能够实现或者使用本发明，上面对所公开实施例进行了描述。对于本领域技术人员来说；这些实施例的各种修改方式都是显而易见的，并且本文定义的一般原理也可以在不脱离本公开的精神和保护范围的基础上适用于其它实施例。因此，本公开并不限于本文给出的实施例，而是与本申请公开的原理和新颖性特征的最广范围相一致。
上文的描述包括一个或多个实施例的举例。当然，为了描述上述实施例而描述部件或方法的所有可能的结合是不可能的，但是本领域普通技术人员应该认识到，各个实施例可以做进一步的组合和排列。因此，本文中描述的实施例旨在涵盖落入所附权利要求书的保护范围内的所有这样的改变、修改和变型。此外，就说明书或权利要求书中使用的术语“包含”，该词的涵盖方式类似于术语“包括”，就如同“包括，”在权利要求中用作衔接词所解释的那样。此外，使用在权利要求书的说明书中的任何一个术语“或者”是要表示“非排它性的或者”。
本领域技术人员还可以了解到本发明实施例列出的各种说明性逻辑块(illustrative logical block)，单元，和步骤可以通过电子硬件、电脑软件，或两者的结合进行实现。为清楚展示硬件和软件的可替换性(interchangeability)，上述的各种说明性部件(illustrative components)，单元和步骤已经通用地描述了它们的功能。这样的功能是通过硬件还是软件来实现取决于特定的应用和整个***的设计要求。本领域技术人员可以对于每种特定的应用，可以使用各种方法实现所述的功能，但这种实现不应被理解为超出本发明实施例保护的范围。
本发明实施例中所描述的各种说明性的逻辑块，或单元都可以通过通用处理器，数字信号处理器，专用集成电路(ASIC)，现场可编程门阵列或其它可编程逻辑***，离散门或晶体管逻辑，离散硬件部件，或上述任何组合的设计来实现或操作所描述的功能。通用处理器可以为微处理器，可选地，该通用处理器也可以为任何传统的处理器、控制器、微控制器或状态机。处理器也可以通过计算***的组合来实现，例如数字信号处理器和微处理器，多个微处理器，一个或多个微处理器联合一个数字信号处理器核，或任何其它类似的配置来实现。
本发明实施例中所描述的方法或算法的步骤可以直接嵌入硬件、处理器执行的软件模块、或者这两者的结合。软件模块可以存储于RAM存储器、闪存、ROM存储器、EPROM存储器、EEPROM存储器、寄存器、硬盘、可移动磁盘、CD-ROM或本领域中其它任意形式的存储媒介中。示例性地，存储媒介可以与处理器连接，以使得处理器可以从存储媒介中读取信息，并可以向存储媒介存写信息。可选地，存储媒介还可以集成到处理器中。处理器和存储媒介可以设置于ASIC中，ASIC可以设置于用户终端中。可选地，处理器和存储媒介也可以设置于用户终端中的不同的部件中。
在一个或多个示例性的设计中，本发明实施例所描述的上述功能可以在硬件、软件、固件或这三者的任意组合来实现。如果在软件中实现，这些功能可以存储与电脑可读的媒介上，或以一个或多个指令或代码形式传输于电脑可读的媒介上。电脑可读媒介包括电脑存储媒介和便于使得让电脑程序从一个地方转移到其它地方的通信媒介。存储媒介可以是任何通用或特殊电脑可以接入访问的可用媒体。例如，这样的电脑可读媒体可以包括但不限于RAM、ROM、EEPROM、CD-ROM或其它光盘存储、磁盘存储或其它磁性存储***，或其它任何可以用于承载或存储以指令或数据结构和其它可被通用或特殊电脑、或通用或特殊处理器读取形式的程序代码的媒介。此外，任何连接都可以被适当地定义为电脑可读媒介，例如，如果软件是从一个网站站点、服务器或其它远程资源通过一个同轴电缆、光纤电缆、双绞线、数字用户线(DSL)或以例如红外、无线和微波等无线方式传输的也被包含在所定义的电脑可读媒介中。所述的碟片(disk)和磁盘(disc)包括压缩磁盘、镭射盘、光盘、DVD、软盘和蓝光光盘，磁盘通常以磁性复制数据，而碟片通常以激光进行光学复制数据。上述的组合也可以包含在电脑可读媒介中。
以上所述的具体实施方式，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施方式而已，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种基于无人机的交通事件识别方法，其特征在于，所述方法包括：
根据预置的无人机巡查计划进行对应路段巡查和图像采集；
从所述无人机采集的图像中识别提取车辆运动目标；
根据预置***模型对每一个车辆运动目标进行跟踪获取各个车辆目标分别对应的运动特征变化信息；
根据各个车辆目标分别对应的运动特征变化信息识别获取路段对应的交通事件信息。
2.根据权利要求1所述的一种基于无人机的交通事件识别方法，其特征在于，所述从所述无人机采集的图像中识别提取车辆运动目标的步骤包括：
通过混合高斯算法对所述无人机采集的图像进行处理，建立图像背景模型；
根据所述图像背景模型和背景差分算法对所述图像进行差分得到所述图像中的前景运动目标；
通过自适应阈值分割、形态学去噪、阴影去除对所述前景运动目标图像进行过滤,得到运动车辆目标。
3.根据权利要求1所述的一种基于无人机的交通事件识别方法，其特征在于，所述根据预置***模型对每一个车辆运动目标进行跟踪获取各个车辆目标分别对应的运动特征变化信息的步骤包括：
为每一个车辆运动目标建立连续自适应均值漂移***并跟踪获取各个车辆运动目标的运动特征信息；
通过卡尔曼滤波器获取下一时刻车辆目标的运动特征信息；
根据当前各个车辆运动目标的运动特征信息和下一时刻车辆目标的运动特征信息获取各个车辆目标分别对应的运动特征变化信息。
4.根据权利要求3所述的一种基于无人机的交通事件识别方法，其特征在于，所述为每一个车辆运动目标建立连续自适应均值漂移***并跟踪获取各个车辆运动目标的运动特征信息的步骤包括：
在所述图像对应的颜色概率分布图中选取初始尺寸包含所述跟踪目标的搜索窗；
获取所述搜索窗的质心作为各个车辆运动目标的质心点:
重新设置搜索窗尺寸并根据所述搜索框的质心获取各个车辆运动目标的质心点；
当不同搜索窗尺寸分别对应的各个车辆运动目标的质心点的变化值小于预设阈值时，获取各个车辆运动目标的长轴、短轴和方向角。
5.根据权利要求3所述的一种基于无人机的交通事件识别方法，其特征在于，所述根据各个车辆目标分别对应的运动特征变化信息识别获取路段对应的交通事件信息的包括：
对各个车辆目标分别对应的运动特征变化信息进行多特征加权融合，得到交通事件。
6.一种基于无人机的交通事件识别***，其特征在于，所述***包括：
采集单元，用于根据预置的无人机巡查计划进行对应路段巡查和图像采集；
识别单元，用于从所述无人机采集的图像中识别提取车辆运动目标；
获取单元，用于根据预置***模型对每一个车辆运动目标进行跟踪获取各个车辆目标分别对应的运动特征变化信息；
所述获取单元，还用于根据各个车辆目标分别对应的运动特征变化信息识别获取路段对应的交通事件信息。
7.根据权利要求6所述的一种基于无人机的交通事件识别***，其特征在于，
所述识别单元，具体用于通过混合高斯算法对所述无人机采集的图像进行处理，建立图像背景模型；根据所述图像背景模型和背景差分算法对所述图像进行差分得到所述图像中的前景运动目标；通过自适应阈值分割、形态学去噪、阴影去除对所述前景运动目标图像进行过滤,得到运动车辆目标。
8.根据权利要求6所述的一种基于无人机的交通事件识别***，其特征在于，
所述获取单元，具体用于为每一个车辆运动目标建立连续自适应均值漂移***并跟踪获取各个车辆运动目标的运动特征信息；通过卡尔曼滤波器获取下一时刻车辆目标的运动特征信息；根据当前各个车辆运动目标的运动特征信息和下一时刻车辆目标的运动特征信息获取各个车辆目标分别对应的运动特征变化信息。
9.根据权利要求8所述的一种基于无人机的交通事件识别***，其特征在于，
所述获取单元，具体还用于在所述图像对应的颜色概率分布图中选取初始尺寸包含所述跟踪目标的搜索窗；获取所述搜索窗的质心作为各个车辆运动目标的质心点:重新设置搜索窗尺寸并根据所述搜索框的质心获取各个车辆运动目标的质心点；当不同搜索窗尺寸分别对应的各个车辆运动目标的质心点的变化值小于预设阈值时，获取各个车辆运动目标的长轴、短轴和方向角。
10.根据权利要求8所述的一种基于无人机的交通事件识别***，其特征在于，
所述获取单元，具体还用于对各个车辆目标分别对应的运动特征变化信息进行多特征加权融合，得到交通事件。
CN202310990535.7A 2023-08-08 2023-08-08 一种基于无人机的交通事件识别方法及*** Pending CN117152949A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310990535.7A CN117152949A (zh) 2023-08-08 2023-08-08 一种基于无人机的交通事件识别方法及***

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310990535.7A CN117152949A (zh) 2023-08-08 2023-08-08 一种基于无人机的交通事件识别方法及***

Publications (1)

Publication Number Publication Date
CN117152949A true CN117152949A (zh) 2023-12-01

Family

ID=88901721

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310990535.7A Pending CN117152949A (zh) 2023-08-08 2023-08-08 一种基于无人机的交通事件识别方法及***

Country Status (1)

Country Link
CN (1) CN117152949A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117391911A (zh) * 2023-12-08 2024-01-12 日照先森网络科技股份有限公司 一种智慧城市综合管理方法及***

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117391911A (zh) * 2023-12-08 2024-01-12 日照先森网络科技股份有限公司 一种智慧城市综合管理方法及***
CN117391911B (zh) * 2023-12-08 2024-02-27 日照先森网络科技股份有限公司 一种智慧城市综合管理方法及***

Similar Documents

Publication Publication Date Title
CN110988912B (zh) 自动驾驶车辆的道路目标与距离检测方法、***、装置
CN109087510B (zh) 交通监测方法及装置
CN112581612B (zh) 基于激光雷达和环视摄像头融合的车载栅格地图生成方法及***
Chang et al. Video analytics in smart transportation for the AIC'18 challenge
CN110688902B (zh) 一种检测停车位内车辆区域的方法及装置
CN110136174B (zh) 一种目标对象跟踪方法和装置
CN109711256B (zh) 一种低空复杂背景无人机目标检测方法
CN115376109B (zh) 障碍物检测方法、障碍物检测装置以及存储介质
CN117152949A (zh) 一种基于无人机的交通事件识别方法及***
CN114841910A (zh) 车载镜头遮挡识别方法及装置
CN113763427A (zh) 一种基于从粗到精遮挡处理的多目标跟踪方法
CN117242489A (zh) 目标跟踪方法及装置、电子设备、计算机可读介质
CN113255444A (zh) 图像识别模型的训练方法、图像识别方法和装置
CN115761668A (zh) 摄像头的污渍识别方法、装置、车辆及存储介质
CN111723805B (zh) 一种信号灯的前景区域识别方法及相关装置
CN116912517B (zh) 相机视野边界的检测方法及装置
CN113177504B (zh) 车辆排队信息检测方法、装置、电子设备以及存储介质
CN113052118A (zh) 基于高速快球摄像机实现场景变换视频分析检测的方法、***、装置、处理器及存储介质
CN111161304B (zh) 一种快速背景估计的遥感视频目标轨迹跟踪方法
CN115482477B (zh) 道路识别方法、装置、无人机、设备及存储介质
CN115994934B (zh) 数据时间对齐方法、装置以及域控制器
CN115482478B (zh) 道路识别方法、装置、无人机、设备及存储介质
Subash Automatic road extraction from satellite images using extended Kalman filtering and efficient particle filtering
CN113129331B (zh) 目标移动轨迹检测方法、装置、设备及计算机存储介质
CN113205144B (zh) 一种模型训练的方法及装置

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