一种路口溢出检测方法、系统及存储介质技术方案

本发明专利技术公开了一种路口溢出检测方法、系统及存储介质，方法包括以下步骤：采集道路交叉口的图像数据；对所述图像数据进行区域标定，确定待检测区域；对待检测区域内的车辆进行统计，确定待检测区域内的车辆密度；通过光流法确定车辆的行车方向和行车速度，并确定车流速度；根据车辆密度和车流速度，确定路口溢出检测结果。本发明专利技术无需在道路交叉口的地面安装地感线圈，节约了成本，能够适用于各类路段；另外，本发明专利技术仅需在一定时间内通过轮询道路交叉口的摄像头来获取图像数据，即可实时确定路口溢出检测结果，时效性高，可广泛应用于智能交通技术领域。

A detection method, system and storage medium of intersection overflow

【技术实现步骤摘要】
一种路口溢出检测方法、系统及存储介质
本专利技术涉及智能交通
，尤其是一种路口溢出检测方法、系统及存储介质。
技术介绍
随着城市发展，机动车数量增加，路网的交叉路口容易出现排队溢出，若不能有效控制，拥堵现象将会波及到周边其他道路，造成部分城市道路交通的瘫痪。路口的排队溢出是指车辆排队长度超过道路长度，是一种较为严重的交通拥堵现象。通过检测城市交叉路口的车流和方向，可以对于路口是否发生溢出进行判断。深度学习的概念源于人工神经网络的研究。含多隐层的多层感知器就是一种深度学习结构。深度学习通过组合低层特征形成更加抽象的高层表示属性类别或特征，以发现数据的分布式特征表示。深度学习是机器学习中一种基于对数据进行表征学习的方法。观测值(例如一幅图像)可以使用多种方式来表示，如每个像素强度值的向量，或者更抽象地表示成一系列边、特定形状的区域等。而使用某些特定的表示方法更容易从实例中学习任务(例如，人脸识别或面部表情识别)。深度学习的好处是用非监督式或半监督式的特征学习和分层特征提取高效算法来替代手工获取特征。深度学习是机器学习研究中的一个新的领本文档来自技高网...

【技术保护点】
1.一种路口溢出检测方法，其特征在于：包括以下步骤：/n采集道路交叉口的图像数据；/n对所述图像数据进行区域标定，确定待检测区域；/n对待检测区域内的车辆进行统计，确定待检测区域内的车辆密度；/n通过光流法确定车辆的行车方向和行车速度，并确定车流速度；/n根据车辆密度和车流速度，确定路口溢出检测结果。/n

【技术特征摘要】
1.一种路口溢出检测方法，其特征在于：包括以下步骤：
采集道路交叉口的图像数据；
对所述图像数据进行区域标定，确定待检测区域；
对待检测区域内的车辆进行统计，确定待检测区域内的车辆密度；
通过光流法确定车辆的行车方向和行车速度，并确定车流速度；
根据车辆密度和车流速度，确定路口溢出检测结果。


2.根据权利要求1所述的一种路口溢出检测方法，其特征在于：所述对所述图像数据进行区域标定，确定待检测区域这一步骤，包括以下步骤：
加载基于深度学习的目标检测模型；
通过所述目标检测模型对图像数据进行车辆识别；
通过所述目标检测模型剔除图像数据中的干扰因素，所述干扰因素包括摩托车、电动车和行人。


3.根据权利要求1所述的一种路口溢出检测方法，其特征在于：所述对待检测区域内的车辆进行统计，确定待检测区域内的车辆密度这一步骤，包括以下步骤：
对待检测区域内的车辆数量进行统计；
确定待检测区域内的各个车辆的长度和宽度；
根据车辆数据、车辆长度、车辆宽度及待检测区域，计算车辆密度；所述车辆密度的计算公式为：



其中，P代表车辆密度；M1代表车辆数量；i代表第i辆车；Cari.W代表第i辆车的车辆宽度；Cari.L代表第i辆车的车辆长度；R代表待检测区域的面积。


4.根据权利要求1所述的一种路口溢出检测方法，其特征在于：所述通过光流法确定车辆的行车方向和行车速度，并确定车流速度这一步骤，包括以下步骤：
通过opencv库函数调用ShiTomasi算法对上一帧图像中的车辆进行角点检测，得到上一帧车辆的第一特征角点；
根据上一帧图像中车辆的第一特征角点，通过PyrLk光流算法确定上一帧图像的特征角点在运动后的第二特征角点位置；
根据第一特征角点和第二特征角点，确定车辆的行车方向；
根据第一特征角点和第二特征角点，确定车辆的行车速度；
根据车辆速度确定车流速度。


5.根据权利要求4所述的一种路口溢出检测方法，其特征在于：所述通过opencv库函数调用ShiT...

【专利技术属性】
技术研发人员：罗东华，
申请(专利权)人：广州方纬智慧大脑研究开发有限公司，
类型：发明
国别省市：广东;44