[发明专利]基于时空计数特征的密度交通流计数方法及系统

说明书

本公开提供了一种基于时空计数特征的密度交通流计数方法及系统，获取交通视频，选定的显著性区域中进行车辆检测；构建过线概率函数评估检测到的车辆可能经过计数线的概率，根据概率值选出每帧图像中需要被跟踪的车辆，提取其空间特征和时间特征；构建基于长短时递归神经网络的计数模型，对视频中的双向时空计数特征进行分析，得到分类和相应的计数结果；基于计数结果估计流量，计算得到流量交通体量、密度和速度。本公开能够描述整个密集交通流，较为准确的确定交通流量。

技术领域

本公开属于道路交通车辆流量检测技术领域，涉及一种基于时空计数特征的密度交通流计数方法及系统。

背景技术

本部分的陈述仅仅是提供了与本公开相关的背景技术信息，不必然构成在先技术。

准确实时地估算交通流量参数(体积，密度和速度)，是交通管理和智能交通中的关键技术。估计这些参数通常需要车辆计数，在密集的交通场景中精确的车辆计数仍然比较困难。主要方法可分为两类，包括基于传感器的方法和基于视觉的方法。基于传感器的方法通常使用不同类型的监控设备，这些设备通常难以安装，并且可能会错过缓慢移动的车辆或暂时停留的车辆。相比之下，基于视觉的方法通常是低成本且更灵活的。然而，由于密集的交通场景有着复杂的背景，遮挡和高计算复杂性等特点，在密集的交通场景中基于视觉的车辆计数是一个具有挑战性的问题。基于视觉的车辆计数方法可以分为两类：计算在一定时间内穿过计数线的车辆数目，称为过线车辆(LOI)计数；计算某一区域中的车辆，称为感兴趣区域(ROI)计数。LOI计数通常用于直接估算交通量，而ROI计数通常用于估算交通密度。对于密集交通场景中的车辆计数，有许多ROI计数的方法，LOI计数由于比较困难，方法较少。

据发明人了解，现有的LOI计数方法通常需要检测和跟踪每辆车，这是一个复杂而困难的过程。当车辆目标彼此接近时，提取每一辆车比较复杂。因此密集交通场景中LOI计数性能相对较差。

发明内容

本公开为了解决上述问题，提出了一种基于时空计数特征的密度交通流计数方法及系统，本公开将车辆流量作为一个整体来对待，提出了一种用于密集交通场景的新型LOI计数框架，能够描述整个密集交通流，较为准确的确定交通流量。

根据一些实施例，本公开采用如下技术方案：

一种基于时空计数特征的密度交通流计数方法，包括以下步骤：

获取交通视频，选定的显著性区域中进行车辆检测；

构建过线概率函数评估检测到的车辆可能经过计数线的概率，根据概率值选出每帧图像中需要被跟踪的车辆，提取其空间特征和时间特征；

构建基于长短时递归神经网络的计数模型，对视频中的双向时空计数特征进行分析，得到分类和相应的计数结果；

基于计数结果估计流量，计算得到流量交通体量、密度和速度。

作为进一步的限定，在显著性区域中进行车辆检测的过程中，初步选择视频数据中一定大小的区域作为车辆目标显著性区域进行车辆检测，若检测出的车辆数目小于设定数值，则检测区域高度每次扩大若干像素，重新检测一遍，直至满足检测出的车辆目标数目大于等于设定数值。

作为进一步的限定，在显著性区域中进行车辆检测的过程中，删去检测出的目标预测概率值；对于任两个检测框，计算其中心点之间的距离，若小于预定距离则进行合并，合并方式为保留预测概率值大的那一个检测框，舍弃概率值小的检测框。

作为进一步的限定，过线概率函数定义为：

其中，是第j帧中车辆的平均速度；是第j帧中第i个边界框的左上角的y轴坐标；是第j帧中第i个边界框的高度；c_y是计数线的y轴值，第j帧中所有车辆的概率形成集合按照降序排列，获取前Nv的车辆空间特征，选取当前帧之前的n帧和第j帧之后的m帧作为提取单元提取第j帧的时空计数特征。