本发明专利技术涉及交通控制技术领域，提出了一种基于深度学习的多路段交通事故及拥堵检测方法及系统，检测方法包括：采用轮询机制以及拥堵预判断依次访问摄像头，获取摄像头采集的车辆图像；根据获取的车辆图像，采用训练好的交通事件三分类模型进行车辆检测识别，得到交通拥堵情况；获取交通拥堵路段的车辆图像，采用拥堵事故方向二分类模型进行识别，得到车道中间线或隔离带，以及车头方向，确定拥堵事故方向；所述交通事件三分类模型依次识别图像中车辆、图像中车辆数量以及车辆移动距离，融合车辆数量与车辆移动距离得到交通拥堵情况。本发明专利技术的检测方法能够采用少量的服务器资源对海量交通监控数据进行处理，并且能够准确道路的拥堵方向。拥堵方向。拥堵方向。
【技术实现步骤摘要】
基于深度学习的多路段交通事故及拥堵检测方法及系统
[0001]本专利技术涉及交通控制相关
，具体的说，是涉及一种基于深度学习的多路段交通事故及拥堵检测方法及系统。
技术介绍
[0002]随着人们出行需求量的不断增大，高速道路建设越来越多，传统人工手段对高速道路交通拥堵及事故识别的处理工作量和难度也逐渐增大，传统手段主要通过电话接听或人为查看监控录像的方式进行检测，人工查看的工作量和难度巨大，耗费大量的人力成本。即使目前一些方案是使用人工智能自动检测的手段，受限于计算机性能以及计算机硬件限制，识别效率也会比较低，想要提高识别效率，也需要投入更多的GPU服务器才能实现，增大了建设的成本，面对大规模的监控摄像头数量，检测也会比较慢，不能保证实时性。
技术实现思路
[0003]本专利技术为了解决上述问题，提出了一种基于深度学习的多路段交通事故及拥堵检测方法及系统，能够采用少量的服务器资源对海量交通监控数据进行处理，并且能够准确识别道路的拥堵方向。
[0004]为了实现上述目的，本专利技术采用如下技术方案：一个或多个实施例提供了基于深度学习的多路段交通事故及拥堵检测方法，包括如下步骤：采用轮询机制以及拥堵预判断依次访问摄像头，获取摄像头采集的车辆图像；根据获取的车辆图像，采用训练好的交通事件三分类模型进行车辆检测识别，得到交通拥堵情况；获取交通拥堵路段的车辆图像，采用拥堵事故方向二分类模型进行识别，识别得到车道中间线或隔离带，以及车头方向，确定拥堵事故方向；所述交通事件三分类模型依次识别图像中车辆、图像中车辆数量以及车辆移动距离，融合车辆数量与车辆移动距离得到交通拥堵情况。一个或多个实施例提供了基于深度学习的多路段交通事故及拥堵检测系统，包括：摄像头轮询控制模块：被配置为用于采用轮询机制以及拥堵预判断依次访问摄像头，获取摄像头采集的车辆图像；拥堵情况识别模块：被配置为用于根据获取的车辆图像，采用训练好的交通事件三分类模型进行车辆检测识别，得到交通拥堵情况；拥堵事故方向识别模块：被配置为用于获取交通拥堵路段的车辆图像，采用拥堵事故方向二分类模型进行识别，识别得到车道中间线或隔离带，以及车头方向，确定拥堵事故方向；所述交通事件三分类模型依次识别图像中车辆、图像中车辆数量以及车辆移动距
离，融合车辆数量与车辆移动距离得到交通拥堵情况。
[0005]一种电子设备，包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令，所述计算机指令被处理器运行时，完成上述方法所述的步骤。
[0006]一种计算机可读存储介质，用于存储计算机指令，所述计算机指令被处理器执行时，完成上述方法所述的步骤。
[0007]与现有技术相比，本专利技术的有益效果为：本专利技术中，创新性地采用摄像头轮询的机制，迅速识别海量监控数据当中的拥堵及事故事件，仅需少量GPU服务器，即可实现对高速路段所有摄像头的实时检测，既能保障检测的效率，有能保障检测的精度，解决使用拥堵事故检测服务需要大量服务器资源的问题。并且创新性地采用来车方向、去车方向与隔离带左右侧两个条件，能够准确判断图像中出现拥堵或事故事件的道路。
[0008]本专利技术的优点以及附加方面的优点将在下面的具体实施例中进行详细说明。
附图说明
[0009]构成本专利技术的一部分的说明书附图用来提供对本专利技术的进一步理解，本专利技术的示意性实施例及其说明用于解释本专利技术，并不构成对本专利技术的限定。
[0010]图1是本专利技术实施例1的多路段交通事故及拥堵检测方法的流程图；图2是本专利技术实施例1的多路段交通事故及拥堵检测流程示意图；图3是本专利技术实施例1的拥堵方向识别示例的道路示意图。
具体实施方式
[0011]下面结合附图与实施例对本专利技术作进一步说明。
[0012]应该指出，以下详细说明都是示例性的，旨在对本专利技术提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本专利技术所属
的普通技术人员通常理解的相同含义。
[0013]需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本专利技术的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。需要说明的是，在不冲突的情况下，本专利技术中的各个实施例及实施例中的特征可以相互组合。下面将结合附图对实施例进行详细描述。
[0014]实施例1在一个或多个实施方式公开的技术方案中，如图1至图3所示，基于深度学习的多路段交通事故及拥堵检测方法，包括如下步骤：步骤1、采用轮询机制以及拥堵预判断依次访问摄像头，获取摄像头采集的车辆图像；步骤2、根据获取的车辆图像，采用训练好的交通事件三分类模型进行车辆检测识别，得到交通拥堵情况；步骤3、获取交通拥堵路段的车辆图像，采用拥堵事故方向二分类模型进行识别，
识别得到车道中间线或隔离带，以及车头方向，确定拥堵事故方向。
[0015]所述交通事件三分类模型进行车辆检测包括依次识别图像中车辆、图像中车辆数量以及车辆移动距离，融合车辆数量、车辆移动距离得到交通拥堵情况。
[0016]本实施例中，创新性地采用摄像头轮询机制迅速识别海量监控数据当中的拥堵及事故事件，仅需少量GPU服务器，即可实现对高速路段所有摄像头的实时检测，既能保障检测的效率，有能保障检测的精度，解决使用拥堵事故检测服务需要大量服务器资源的问题。其中，采用2至4台GPU服务器，检测摄像头的数量可以达到千数量级。并且，创新性地采用来车方向、去车方向与隔离带左右侧等条件，能够准确判断图像中哪条道路出现拥堵或事故事件。
[0017]步骤1中，采用轮询机制依次访问摄像头的方法采用二分法，预测每帧图像中道路拥堵的可能性，当预测当前摄像头的摄像区域为畅通，切换到下一摄像头进行图像获取；否则，当预测当前摄像头的摄像区域为拥堵，继续获取当前摄像头的车辆图像数据。即：先轮询访问摄像头，判断当前摄像头采集的图像区域是不是拥堵，不拥堵切换至下一摄像头轮询，拥堵就继续采集当前摄像头图像。
[0018]具体的，预测每帧图像中道路拥堵的可能性，预测方法为识别画面中车辆的数量，根据车辆的数量设定畅通自信系数的数值，根据畅通自信系数的数值的大小判断是否畅通。
[0019]将道路是否畅通通过畅通自信系数σ1标记，由于使用二分法，其标记为拥堵的自信系数为σ2，且遵循σ1+σ2=1。
[0020]一种具体的实现方式，畅通自信系数σ1的计算公式可以如下：0<sum(车辆数量)≤A: σ1=0.9；A<sum(车辆数量)≤B: σ1=0.7；B<sum(车辆数量)≤C: σ1=0.4；C<sum(车辆数量): σ1=0.2；其中，A<B<C为设定值。
[0021]可实现的一种技术方案，车辆数量小于等于5，畅通自信系数标记为0.9本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.基于深度学习的多路段交通事故及拥堵检测方法，其特征在于，包括如下步骤：采用轮询机制以及拥堵预判断依次访问摄像头，获取摄像头采集的车辆图像；根据获取的车辆图像，采用训练好的交通事件三分类模型进行车辆检测识别，得到交通拥堵情况；获取交通拥堵路段的车辆图像，采用拥堵事故方向二分类模型进行识别，识别得到车道中间线或隔离带，以及车头方向，确定拥堵事故方向；所述交通事件三分类模型依次识别图像中车辆、图像中车辆数量以及车辆移动距离，融合车辆数量与车辆移动距离得到交通拥堵情况。2.如权利要求1所述的基于深度学习的多路段交通事故及拥堵检测方法，其特征在于：采用轮询机制依次访问摄像头的方法采用二分法，预测每帧图像中道路用拥堵的可能性，当预测当前摄像头的摄像区域道路为畅通，切换到下一摄像头进行图像获取；否则，当预测当前摄像头的摄像区域道路为拥堵，继续获取当前摄像头的车辆图像数据。3.如权利要求2所述的基于深度学习的多路段交通事故及拥堵检测方法，其特征在于：预测每帧图像中道路畅通的可能性，预测方法为识别画面中车辆的数量，根据车辆的数量设定畅通自信系数的数值，根据畅通自信系数的数值的大小判断是否畅通；设定畅通自信系数的第一阈值与第二阈值，第一阈值大于第二阈值；畅通自信系数不小于设定的第一阈值，则该摄像头的摄像区域的道路为畅通，直接切换下一摄像头画面进行分析；畅通自信系数处于第一阈值与第二阈值之间，继续获取当前摄像头的第一设定帧数图像数据计算畅通自信系数的平均值，根据畅通自信系数的平均值确定当前道路是否拥堵，并切换到下一摄像头进行图像采集；畅通自信系数小于第二阈值，继续获取当前摄像头的第二设定帧数图像数据计算畅通自信系数的平均值，根据畅通自信系数的平均值确定当前道路是否拥堵，并切换到下一摄像头进行图像采集；其中，第一设定帧数大于第二设定帧数。4.如权利要求1所述的基于深度学习的多路段交通事故及拥堵检测方法，其特征在于：交通事件三分类模型包括依次连接的车辆识别网络、车辆计数模块、车辆移动识别模块以及融合输出模块；车辆识别网络，用于识别车辆图像中的车辆，并采用目标框框选车辆目标；车辆计数模块，用于对车辆识别网络框选的车辆目标框进行计数；车辆移动识别模块，用于根据车辆识别网络框选的车辆目标框，识别相邻帧图像中的同一车辆移动距离；融合输出模块，用于根据车辆计数结果以及车辆移动位移判断拥堵情况，判断是否发生事故，或/和对拥堵里程进行识别。5.如权利要求4所述的基于深度学习的多路段交通事故及拥堵检测方法，其特征在于，融合输出模块实现拥堵以及事故的识别，包括如下步骤：设定车辆移动距离的临界值；对每个...
【专利技术属性】
技术研发人员：巩华良，赵珂，刘伟杰，
申请(专利权)人：齐鲁高速公路股份有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。