[发明专利]基于视频分析的交通拥堵检测方法

说明书

本发明涉及计算机图像领域、智能交通领域,提出了一种基于视频分析的交通拥堵检测方法。包括配置摄像头进行剪裁、目标检测、卡尔曼预测目标跟踪框、级联匹配器进行特征提取、通过匈牙利算法进行检测框与跟踪框匹配、计算交通参数、判断短时交通状态、拥堵判定的参数自适应调整方案、根据反馈的短时的交通状态进行长时间的统计判断和对交通拥堵状态结果推送给平台接口。对于实时流交通拥堵进行判定检测，通过输入的图像反馈交通拥堵状态，便捷交管部门方便的调用该模块进行拥堵判断，大量节省人力成本、提高效率。

技术领域

本发明涉及计算机图像领域、智能交通领域,提出了一种基于视频分析的交通拥堵检测方法。

背景技术

在随着我国社会经济的持续发展，城镇化进程不断加快，道路交通发生变化，我国汽车保有量已经达到了2.6亿辆，汽车增加数量迅猛。巨大汽车数量和落后的交通基础设施导致交通拥堵、混合交通、事故多发等诸多问题，其中城市交通拥堵日益严重，已呈现常态化发展趋势，停车难、行路难已成为影响民生和社会经济发展的热点问题，亟待强有力的管理设施与对策来解决当前遭遇的难题。

近几年，信息处理技术获得突飞猛进的发展，特别是深度学习，对城市交通管理进行科学决策及管理优化，提高城市的运转效率，其中拥堵指数作为一种十分重要的路网运行评价指标，因此对交通复杂场景下拥堵状态判别的技术研究具有重要的理论和实际价值。

发明内容

为解决背景技术中提到交通拥堵的检测问题，提高城市运转效率，本发明展示了一种基于视频分析的交通拥堵检测方法。

为实现上述目的，现提供技术方案如下：一种基于视频分析的交通拥堵检测方法，包括

步骤一、配置路口摄像头，接通实时流的交通拥堵视频，逐帧或跳帧的获取图像地址并解码重编码成所需格式图像后，对图像进行剪裁出网络的输入大小的图像；

步骤二、目标检测，根据传入的拥堵检测的输入视频，利用自构建的网络进行目标检测，其中目标检测网络利用特征增强模块与特征融合网络，将特征增强模块与特征融合网络的加入单步检测器中，使得目标检测在复杂情景下具有较高的精度；

步骤三、卡尔曼预测目标跟踪框，根据每一帧生成的检测框，通过卡尔曼滤波器进行初步的跟踪预测，生成不同的跟踪链，利用表示目标检测框中心的位置、纵横比、高度以及对应图形坐标中的速度信息，其中x:检测框x坐标；y:检测框y坐标；r：检测框纵横比；h:检测框高度；卡尔曼跟踪器更新轨迹，该卡尔曼滤波器采用匀速模型和线性观测模型，其观测变量为(u,v,r,h)；

步骤四、级联匹配器进行特征提取，首先对所有生产的检测框构建一个级联匹配器用来提取特征，对不同的检出车辆目标都转换成一个128的特征向量，计算不同特征间的角度距离，通过不同的角度距离，可以对不同的检测框与跟踪框进行匹配，对不同的跟踪框可以通过深度学习的方法进行的特征提取，就可以在遮挡的时候产生准确的跟踪链，尽量避免了IDSwitch的影响；

步骤五、通过匈牙利算法进行检测框与跟踪框匹配，对生成的IOU匹配矩阵与级联匹配器生成的匹配矩阵通过匈牙利算法对前一帧中的跟踪框与当前帧中的检测框进行关联，至此生成图像中的所有跟踪目标；

步骤六、计算交通参数，通过目标检测跟踪之后的结果获取的跟踪链的各目标的坐标信息，统计各交通参数：a.车辆数目,在图像的画取的的区域中所有覆盖的车辆目标的总数；b.静止车辆数目,通过跟踪链跟踪每一条车的运动，当某一辆车始终在一个区域内维持相对静止，则判定该车为静止车辆，统计所有的在图像画面中的静止车辆；c.空间占有率,空间占有率指图像中的车辆像素与空间的整体区域的面积之和之比；d.IOU重合度,车辆之间遮挡的面积与两车面积之和的占比，对全图的中的相交的车辆进行统计相交占比，求取相交的平均值；

步骤七、判断短时交通状态，四种交通拥堵参数进行组合判定，