一种静默式低点视频监控交通拥堵事件检测方法技术

本发明专利技术属于智慧交通领域，具体公开了一种静默式低点视频监控交通拥堵事件检测方法，适用于摄像头架设高度在5‑8米的情况，基于车辆数目、静缓比、空间占有率和目标重合率四个交通参数，对交通状况进行实时的短周期内的量化分级，对分级结果在时域内进行统计分析，最终判定是否发生交通拥堵事件可以做到交通拥堵事件的自动检测，并自动识别拥堵的严重程度。本发明专利技术可以取代人工巡检，实现自动化巡检，及时的发现拥堵事件，快速提醒，使得可以快速采取措施解决交通拥堵问题。

【技术实现步骤摘要】
一种静默式低点视频监控交通拥堵事件检测方法
本专利技术涉及交通拥堵事件检测领域，特别是一种静默式低点视频监控交通拥堵事件检测方法。
技术介绍
随着中国城市快速发展，越来越多的人口向城市聚集，城市人口快速增长。由于人们生活水平提高，私家车保有量告诉增长，城市交通状况越来越糟糕，交通拥堵成为城市交通顽疾。这样的情况在区域中心城市更加的突出。而在交通拥堵事件背后隐含的事件，是什么原因导致的交通拥堵，如何更快的解决交通拥堵，如何采取有力措施预防交通拥堵，是目前城市发展必须要重视的问题。导致交通拥堵的原因有很多：红绿灯信号设置不合理，车辆引流不合理高峰期大量车辆涌入，交通事故或者车辆抛锚导致道路不通畅。为了及时解决这些问题，及时快速的发现交通拥堵事件是首先要解决的问题。目前交警部分有专人负责交通状况巡检，目的就是为了及时发现交通拥堵事件。但是碍于人力不足，难以应付众多的路段。一个区域中心城市，上千个路口，却只有不到10人在轮询监控。一天之内只能覆盖不到20％的重点路段。而现实中，天网工程的建设已经很完善，重点路段，路口都有摄像头监控。然而，目前还没有成熟的实时的交通事故感知和检测技术，更多依赖于感知交通事故发生后，对交通状况的影响，导致交通拥堵的发生。在感知到突发的交通拥堵事件，再调度摄像头查找疑似交通事故。如何充分利用视频监控，利用图像技术实时的感知交通拥堵事件，及时上报是解决以上问题的关键。
技术实现思路
本专利技术的目的是要解决现有技术中存在的不足，提供一种静默式低点视频监控交通拥堵事件检测方法。为达到上述目的，本专利技术是按照以下技术方案实施的：一种静默式低点视频监控交通拥堵事件检测方法，基于道路车辆目标的检测跟踪结果，并约定摄像头拍摄的视频中任意一帧画面的需要检测跟踪的道路ROI区域，在需要检测跟踪的道路ROI区域内的摄像头固定不动且摄像头的架设高度为5～8米；该检测方法包括以下步骤：S1、获取需要检测跟踪的道路ROI区域内车辆的车辆数目、静缓比、空间占有率和目标重合率；其中，车辆数目：在需要检测跟踪的道路ROI区域内，检测到的车辆的数目；静缓比：在需要检测跟踪的道路ROI区域内，静止和运动缓慢的车辆数占总数的百分比；空间占有率：在需要检测跟踪的道路ROI区域内检测到车辆目标，被车辆目标框占据的像素占ROI区域总像素的百分比；目标重合率：在需要检测跟踪的道路ROI区域内，利用对检测到的车辆目标框之间做重叠度IOU计算，求得所有车辆目标的重合数的均值即IOU重合目标均值；S2、根据预设的车辆数目、静缓比、空间占有率和IOU重合目标均值的参数设定需要检测跟踪的道路ROI区域的交通状况量化分级的判断条件，然后根据设定交通状况量化分级的判断条件设定交通状况量化分级标准，根据所述交通状况量化分级标准将摄像头拍摄的视频中的一帧画面的交通状况量化分级为拥堵状态、中间状态和非拥堵状态；然后自适应调整车辆数目、静缓比、空间占有率和IOU重合目标均值的预设参数，作为下次判定的参数；S3、将摄像头拍摄的视频中的连续多帧画面作为一个采样周期，根据交通状况量化分级标准将一个采样周期内的交通状况量化分级为拥堵状态、中间状态和非拥堵状态；S4、将多个采样周期作为一个判定周期，通过对一个判定周期内的多个采样周期的量化分级结果做分析，得出一个判定周期的交通拥堵状态，判定周期的交通拥堵状态分为拥堵状态、中间状态和非拥堵状态；S5、对一个判定周期的拥堵状态、中间状态和非拥堵状态做平滑处理得到实时的交通拥堵状态，所述实时的交通拥堵状态分为拥堵状态和非拥堵状态；S6、在S5的基础上，将多个判定周期组成一个长时间域，在长时间域内，通过求拥堵时间占总时间的比例即拥堵事件占空比，以及拥堵和非拥堵状态之间的跳变频率来衡量一个拥堵事件的严重程度，拥堵事件占空比越大同时跳变频率越低，拥堵就越严重。进一步地，所述S1中空间占有率的计算中，当车辆之间的间距比较近，间隙无法容纳一辆车时，车辆真实占据的像素为两个车辆目标框围城的外接多边形框。进一步地，所述S2具体包括：依据需要检测跟踪的道路ROI区域的大小和可以容纳的车辆最大数目将道路交通场景分类分为大场景和小场景两种；大场景：空间占有率达到80％时，容纳车辆数目达到M和M辆以上的场景；小场景：空间占有率达到80％时，容纳车辆数目N辆以下的场景；其中M>N，M、N均为大于零的整数；所述交通状况量化分级的判断条件为：条件一：车辆数目>预设的车辆数目；条件二：静缓比>预设的静缓比；条件三：空间占有率>预设的空间占有率；条件四：IOU重合目标均值>预设的IOU重合目标均值；所述交通状况量化分级标准包括大场景量化分级标准和小场景量化分级标准，所述大场景量化分级标准为：拥堵状态：以上四个条件均满足；中间状态：以上条件满足任意两个以上，且必须满足条件一和条件三中的任意一个；非拥堵状态：不满足拥堵状态和中间状态的情况；所述小场景量化分级标准：拥堵状态：同时满足以上条件二，条件三和条件四均满足；中间状态：以上条件二，条件三和条件四满足任意一个；非拥堵状态：不满足拥堵状态和中间状态的情况。所述自适应调整车辆数目、静缓比、空间占有率和IOU重合目标均值的预设参数具体为：在捕捉到拥堵事件后，对判断拥堵所依赖的车辆数目、静缓比、空间占有率和IOU重合目标均值的参数统计求取各自的最大值，并按照公式(1)求新的参数作为当前的配置参数，做到对参数的最适应调整：new＝max*scale(1)公式(1)中，new表示新参数，max是拥堵时参数最大值，scale为一可设定的最大值缩小的比例，scale值大于0且小于1。进一步地，所述S3中在一个采样周期内的交通状况量化分级之前还包括：对一个采样周期内的车辆数目、静缓比、空间占有率和IOU重合目标均值的参数分别进行统计，对于车辆数目、静缓比、空间占有率和IOU重合目标均值中任意的一参数在一个采样周期的计算得到的样本集N个样本，先删除最大m个和最小的n个，得到剩余的K个样本，然后求K个样本的均值，只保留大于均值的样本，并求其均值作为最终的参数值。进一步地，所述S4具体包括：通过交通状况量化分级标准，对采样周期内的交通状况进行量化分级后，将采样周期内的分级结果放入队列中，当队列中积累了连续N个采样周期的样本时，根据这N个样本统计，判断该判定周期内的拥堵状态，然后从样本队列中移除前2/3个样本，后续样本继续放入队列，当队列内样本数满N时，进行下一次拥堵状态判定，在一个判定周期的N个样本中，按照以下准判定一个判定周期的拥堵状态：1)一半以上的采样周期都是拥堵：该判定周期为拥堵状态；2)一半以上的采样周期都是非拥堵：该判定周期为非拥堵状态；不满足以上两者的：该判定周期为中间状态。进一步地，所述S5具体包括：...

【技术保护点】
1.一种静默式低点视频监控交通拥堵事件检测方法，基于道路车辆目标的检测跟踪结果，并约定摄像头拍摄的视频中任意一帧画面的需要检测跟踪的道路ROI区域，在需要检测跟踪的道路ROI区域内的摄像头固定不动且摄像头的架设高度为5～8米；其特征在于，该检测方法包括以下步骤：/nS1、获取需要检测跟踪的道路ROI区域内车辆的车辆数目、静缓比、空间占有率和目标重合率；其中，车辆数目：在需要检测跟踪的道路ROI区域内，检测到的车辆的数目；静缓比：在需要检测跟踪的道路ROI区域内，静止和运动缓慢的车辆数占总数的百分比；空间占有率：在需要检测跟踪的道路ROI区域内检测到车辆目标，被车辆目标框占据的像素占ROI区域总像素的百分比；目标重合率：在需要检测跟踪的道路ROI区域内，利用对检测到的车辆目标框之间做重叠度IOU计算，求得所有车辆目标的重合数的均值即IOU重合目标均值；/nS2、根据预设的车辆数目、静缓比、空间占有率和IOU重合目标均值的参数设定需要检测跟踪的道路ROI区域的交通状况量化分级的判断条件，然后根据设定交通状况量化分级的判断条件设定交通状况量化分级标准，根据所述交通状况量化分级标准将摄像头拍摄的视频中的一帧画面的交通状况量化分级为拥堵状态、中间状态和非拥堵状态；然后自适应调整车辆数目、静缓比、空间占有率和IOU重合目标均值的预设参数，作为下次判定的参数；/nS3、将摄像头拍摄的视频中的连续多帧画面作为一个采样周期，根据交通状况量化分级标准将一个采样周期内的交通状况量化分级为拥堵状态、中间状态和非拥堵状态；/nS4、将多个采样周期作为一个判定周期，通过对一个判定周期内的多个采样周期的量化分级结果做分析，得出一个判定周期的交通拥堵状态，判定周期的交通拥堵状态分为拥堵状态、中间状态和非拥堵状态；/nS5、对一个判定周期的拥堵状态、中间状态和非拥堵状态做平滑处理得到实时的交通拥堵状态，所述实时的交通拥堵状态分为拥堵状态和非拥堵状态；/nS6、在S5的基础上，将多个判定周期组成一个长时间域，在长时间域内，通过求拥堵时间占总时间的比例即拥堵事件占空比，以及拥堵和非拥堵状态之间的跳变频率来衡量一个拥堵事件的严重程度，拥堵事件占空比越大同时跳变频率越低，拥堵就越严重。/n...

【技术特征摘要】
1.一种静默式低点视频监控交通拥堵事件检测方法，基于道路车辆目标的检测跟踪结果，并约定摄像头拍摄的视频中任意一帧画面的需要检测跟踪的道路ROI区域，在需要检测跟踪的道路ROI区域内的摄像头固定不动且摄像头的架设高度为5～8米；其特征在于，该检测方法包括以下步骤：
S1、获取需要检测跟踪的道路ROI区域内车辆的车辆数目、静缓比、空间占有率和目标重合率；其中，车辆数目：在需要检测跟踪的道路ROI区域内，检测到的车辆的数目；静缓比：在需要检测跟踪的道路ROI区域内，静止和运动缓慢的车辆数占总数的百分比；空间占有率：在需要检测跟踪的道路ROI区域内检测到车辆目标，被车辆目标框占据的像素占ROI区域总像素的百分比；目标重合率：在需要检测跟踪的道路ROI区域内，利用对检测到的车辆目标框之间做重叠度IOU计算，求得所有车辆目标的重合数的均值即IOU重合目标均值；
S2、根据预设的车辆数目、静缓比、空间占有率和IOU重合目标均值的参数设定需要检测跟踪的道路ROI区域的交通状况量化分级的判断条件，然后根据设定交通状况量化分级的判断条件设定交通状况量化分级标准，根据所述交通状况量化分级标准将摄像头拍摄的视频中的一帧画面的交通状况量化分级为拥堵状态、中间状态和非拥堵状态；然后自适应调整车辆数目、静缓比、空间占有率和IOU重合目标均值的预设参数，作为下次判定的参数；
S3、将摄像头拍摄的视频中的连续多帧画面作为一个采样周期，根据交通状况量化分级标准将一个采样周期内的交通状况量化分级为拥堵状态、中间状态和非拥堵状态；
S4、将多个采样周期作为一个判定周期，通过对一个判定周期内的多个采样周期的量化分级结果做分析，得出一个判定周期的交通拥堵状态，判定周期的交通拥堵状态分为拥堵状态、中间状态和非拥堵状态；
S5、对一个判定周期的拥堵状态、中间状态和非拥堵状态做平滑处理得到实时的交通拥堵状态，所述实时的交通拥堵状态分为拥堵状态和非拥堵状态；
S6、在S5的基础上，将多个判定周期组成一个长时间域，在长时间域内，通过求拥堵时间占总时间的比例即拥堵事件占空比，以及拥堵和非拥堵状态之间的跳变频率来衡量一个拥堵事件的严重程度，拥堵事件占空比越大同时跳变频率越低，拥堵就越严重。


2.根据权利要求1所述的静默式低点视频监控交通拥堵事件检测方法，其特征在于，所述S1中空间占有率的计算中，当车辆之间的间距比较近，间隙无法容纳一辆车时，车辆真实占据的像素为两个车辆目标框围城的外接多边形框。


3.根据权利要求1所述的静默式低点视频监控交通拥堵事件检测方法，其特征在于，所述S2具体包括：
依据需要检测跟踪的道路ROI区域的大小和可以容纳的车辆最大数目将道路交通场景分类分为大场景和小场景两种；大场景：空间占有率达到80％时，容纳车辆数目达到M和M辆以上的场景；小场景：空间占有率达到80％时，容纳车辆数目N辆以下的场景；其中M>N，M、N均为大于零的整数；
所述交通状况量化分级的判断条件为：
条件一：车辆数目>预设的车辆数目；
条件二：静缓比>预设的静缓比；
条件三：空间占有率>预设的空间占有率；
条件四：IOU重合目标均值>预设的IOU重合目标均值；
所述交通状况量化分级标准包括大场景量化分级标准和小场景量化分级标准，所述大场景量化分级标准为：
拥堵状态：以上四个条件均满足；
中间状态：以上条件满...

【专利技术属性】
技术研发人员：韩梦江，陈杰，
申请(专利权)人：博云视觉北京科技有限公司，
类型：发明
国别省市：北京;11