基于机器视觉的高速路况分析系统及方法技术方案

本发明专利技术涉及道路交通技术领域，公开了一种基于机器视觉的高速路况分析系统及方法，通过将高速公路按照监控卡口为节点划分为多个区间，获取每个区间内监控设备拍摄的实时路况图像；对所述实时路况图像进行预处理，得到预处理后的高速路况图像，并对所述预处理后的高速路况图像进行缩放，调整为统一尺寸，得到标准化路况图像；将所述标准化路况图像输入路况分析模型中，通过所述路况分析模型对高速路况进行分析，得到路况分析结果；当所述路况分析结果为拥堵类型时，将拥堵路段的交通状况及区间信息发送至交通指挥平台；本发明专利技术收集高速路况图像，对高速路况进行分析，及时了解高速拥堵情况，为缓解拥堵提供支撑，提高用户的出行质量

【技术实现步骤摘要】
基于机器视觉的高速路况分析系统及方法


[0001]本专利技术涉及道路交通
，具体涉及一种基于机器视觉的高速路况分析系统及方法
。

技术介绍

[0002]高速公路，简称高速路，是指专供汽车高速行驶的公路；高速公路路面包括主道
、
匝道和辅助车道几大部分，主道即车行道，根据不同数量由左向右依次设为超车道
、
快车道和慢车道；随着如今交通条件的逐步发展，我国汽车保有量逐年增高，高速公路网覆盖着全国各地，随着汽车的普及，人们的出行越来越依赖汽车，这不可避免地导致道路出现拥堵的情况；高速公路会由于过多车辆行驶和交通事故而发生拥堵，导致用户出行体验差，同时交通指挥平台也只有及时了解到拥堵情况，才能进行相应的行车拥堵路况提示，因此研究一种基于机器视觉的高速路况分析系统及方法对于提高用户的出行质量具有重要的意义
。

技术实现思路

[0003]本专利技术的目的是为了解决上述问题，设计了一种基于机器视觉的高速路况分析系统及方法
。
[0004]本专利技术第一方面提供一种基于机器视觉的高速路况分析方法，所述基于机器视觉的高速路况分析方法包括以下步骤：将高速公路按照监控卡口为节点划分为多个区间，获取每个区间内监控设备拍摄的实时路况图像；对所述实时路况图像进行预处理，得到预处理后的高速路况图像，并对所述预处理后的高速路况图像进行缩放，调整为统一尺寸，得到标准化路况图像；将所述标准化路况图像输入路况分析模型中，通过所述路况分析模型对高速路况进行分析，得到路况分析结果；当所述路况分析结果为拥堵类型时，将拥堵路段的交通状况及区间信息发送至交通指挥平台
。
[0005]可选的，在本专利技术第一方面的第一种实现方式中，对所述实时路况图像进行预处理，得到预处理后的高速路况图像，包括：获取监控设备拍摄的实时路况图像，对所述实时路况图像进行畸变纠正处理，将去畸变后的点坐标投影到像素屏幕，得到第一路况图像；对所述第一路况图像依次进行双边滤波和
Canny
边缘检测处理，提取所述第一路况图像的边缘特征，得到第二路况图像；采用所述概率霍夫变换对所述第二路况图像进行目标检测，得到预处理后的高速路况图像
。
[0006]可选的，在本专利技术第一方面的第二种实现方式中，对所述第一路况图像依次进行双边滤波和
Canny
边缘检测处理，提取所述第一路况图像的边缘特征，得到第二路况图像，
包括：采用双边滤波器对所述第一路况图像进行降噪处理，得到降噪后的第一路况图像；对降噪后的第一路况图像分别进行
Sobel
水平算子和
Sobel
垂直算子，得到图像梯度信息，其中所述图像梯度信息包括水平梯度分量和垂直梯度分量；基于所述图像梯度信息对降噪后的第一路况图像进行非极大值抑制处理和双重阈值筛选，得到像素信息，其中所述像素信息包括强边缘像素
、
弱边缘像素和需要抑制的像素点；基于所述像素信息对降噪后的第一路况图像进行边缘跟踪，提取边缘特征，得到第二路况图像
。
[0007]可选的，在本专利技术第一方面的第三种实现方式中，采用所述概率霍夫变换对所述第二路况图像进行目标检测，得到预处理后的高速路况图像，包括：遍历所述第二路况图像中的边缘点，并对所述边缘点进行霍夫变换，选取在霍夫空间内值最大的点，得到最大值；基于所述最大值沿着直线方向确定左右端点，得到检测线段，并获取所述检测线段相邻一定角度阈值的线段的交点，得到候选点集合；采用欧式距离计算所述候选点集合内候选点的距离，并对距离值最小的点进行组合，进行层次聚类得到消失点；基于所述消失点选取所述第二路况图像中的高速路面的目标检测区域，得到预处理后的高速路况图像
。
[0008]可选的，在本专利技术第一方面的第四种实现方式中，将所述标准化路况图像输入路况分析模型中，通过所述路况分析模型对高速路况进行分析，得到路况分析结果，包括：将所述标准化路况图像输入路况分析模型中，通过所述路况分析模型的注意力机制的残差单元组成的轻量级骨干网络进行特征提取，输出三种尺度特征图，其中输出特征图尺寸分别为
52
×
52、26
×
26、13
×
13
；将三种尺寸特征图输出至
ECSK
‑
Residual
模块，经
ECSK
‑
Residual
模块与若干卷积操作后输出尺度为
13
×
13、
通道数为
24
的特征图；将深层特征经上采样后与中层特征进行
Concat
操作，经过卷积操作后输出尺度为
26
×
26、
通道数为
24
的特征图；将中层特征经上采样后与浅层特征进行
Concat
操作，经过卷积操作后输出尺度为
52
×
52、
通道数为
24
的特征图；在融合三种特征图后获得的特征图上划分
S
×
S
个网格，通过
Softmax
分类器对路况进行分类，输出路况分析结果
。
[0009]可选的，在本专利技术第一方面的第五种实现方式中，将所述标准化路况图像输入路况分析模型中，通过所述路况分析模型的注意力机制的残差单元组成的轻量级骨干网络进行特征提取，输出三种尺度特征图，包括：将所述标准化路况图像输入路况分析模型中，所述标准化路况图像为
H
×
W
×
C
，经过2层卷积处理尺寸与通道数保持不变；处理后的图像通过全局平均池化层生成1×1×
C
特征图，输入第1层全连接层后特
征图变为1×1×
C/r
，利用激活函数
ReLU
非线性变换后输入第2层全连接层恢复为1×1×
C
，其中
r
为缩放系数，取值为
16
；全连接层处理后的1×1×
C
图像通过
Sigmoid
函数生成权重系数矩阵，再将权重系数乘以对应的通道数生成
H
×
W
×
C
特征图；将卷积输出图像与
H
×
W
×
C
特征图进行相加操作得到对应尺寸特征
。
[0010]可选的，在本专利技术第一方面的第六种实现方式中，当所述路况分析结果为拥堵类型时，将拥堵路段的交通状况及区间信息发送至交通指挥平台之后，还包括：获取拥堵区间的上下游路况图像，采用
GraphSAGE
图神经网络提取交通数据的空间信息；将
GraphSAGE
图神经网络的输出结果与上下游路况图像的时间信息作为
LSTM
网络的输入，通过
LSTM本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
基于机器视觉的高速路况分析方法，其特征在于，所述基于机器视觉的高速路况分析方法包括以下步骤：将高速公路按照监控卡口为节点划分为多个区间，获取每个区间内监控设备拍摄的实时路况图像；对所述实时路况图像进行预处理，得到预处理后的高速路况图像，并对所述预处理后的高速路况图像进行缩放，调整为统一尺寸，得到标准化路况图像；将所述标准化路况图像输入路况分析模型中，通过所述路况分析模型对高速路况进行分析，得到路况分析结果；当所述路况分析结果为拥堵类型时，将拥堵路段的交通状况及区间信息发送至交通指挥平台
。2.
如权利要求1所述的基于机器视觉的高速路况分析方法，其特征在于，对所述实时路况图像进行预处理，得到预处理后的高速路况图像，包括：获取监控设备拍摄的实时路况图像，对所述实时路况图像进行畸变纠正处理，将去畸变后的点坐标投影到像素屏幕，得到第一路况图像；对所述第一路况图像依次进行双边滤波和
Canny
边缘检测处理，提取所述第一路况图像的边缘特征，得到第二路况图像；采用概率霍夫变换对所述第二路况图像进行目标检测，得到预处理后的高速路况图像
。3.
如权利要求2所述的基于机器视觉的高速路况分析方法，其特征在于，对所述第一路况图像依次进行双边滤波和
Canny
边缘检测处理，提取所述第一路况图像的边缘特征，得到第二路况图像，包括：采用双边滤波器对所述第一路况图像进行降噪处理，得到降噪后的第一路况图像；对降噪后的第一路况图像分别进行
Sobel
水平算子和
Sobel
垂直算子，得到图像梯度信息，其中所述图像梯度信息包括水平梯度分量和垂直梯度分量；基于所述图像梯度信息对降噪后的第一路况图像进行非极大值抑制处理和双重阈值筛选，得到像素信息，其中所述像素信息包括强边缘像素
、
弱边缘像素和需要抑制的像素点；基于所述像素信息对降噪后的第一路况图像进行边缘跟踪，提取边缘特征，得到第二路况图像
。4.
如权利要求2所述的基于机器视觉的高速路况分析方法，其特征在于，采用所述概率霍夫变换对所述第二路况图像进行目标检测，得到预处理后的高速路况图像，包括：遍历所述第二路况图像中的边缘点，并对所述边缘点进行霍夫变换，选取在霍夫空间内值最大的点，得到最大值；基于所述最大值沿着直线方向确定左右端点，得到检测线段，并获取所述检测线段相邻一定角度阈值的线段的交点，得到候选点集合；采用欧式距离计算所述候选点集合内候选点的距离，并对距离值最小的点进行组合，进行层次聚类得到消失点；基于所述消失点选取所述第二路况图像中的高速路面的目标检测区域，得到预处理后的高速路况图像
。
5.
如权利要求1所述的基于机器视觉的高速路况分析方法，其特征在于，将所述标准化路况图像输入路况分析模型中，通过所述路况分析模型对高速路况进行分析，得到路况分析结果，包括：将所述标准化路况图像输入路况分析模型中，通过所述路况分析模型的注意力机制的残差单元组成的轻量级骨干网络进行特征提取，输出三种尺度特征图，其中输出特征图尺寸分别为
52
×
52、26
×
26、13
×
13
；将三种尺寸特征图输出至
ECSK
‑
Residual
模块，经
ECSK
‑
Residual
模块与若干卷积操作后输出尺度为
13
×
13、
通道数为
24
的特征图；将深层特征经上采样后与中层特征进行
Concat
操作，经过卷积操作后输出尺度为
26
×
26、
通道数为
24
的特征图；将中层特征经上采样后与浅层特征进行
Concat
操作，经过卷积操作后输出尺度为
52
×
52、
通道数为
24
的特征图；在融合三种特征图后获得的特征图上划分
S
×
S
个网格，通过
Softmax
分类器对路况进行分类，输出路况分析结果
。6.
如权利要求5所述的基于机器视觉的高速路况分析方法，其特征在于，将所述标准化路况图像输入路况分析模型中，通过所述路况分析模型的注意力机制的残差单元组成的轻量级骨干网络进行特征提取，输出三种尺度特征图，包括：将所述标准化路况图像输入路况分析模型中，所述标准化路况图像为
H
×
W
×
C

【专利技术属性】
技术研发人员：杜芳，刘天龙，张战勋，王浩浩，夏伟钊，吴琼，郭冰伟，肖子健，李云江，张磊，
申请(专利权)人：深圳市诚识科技有限公司，
类型：发明
国别省市：