[发明专利]公路场景理解及交通事件判定方法及系统

权利要求书

1.一种公路场景理解及交通事件判定方法，其特征在于，该方法具体如下：

对监控场景中设定时间内出现的车辆目标进行目标检测和目标跟踪，并保存车辆目标检测结果和跟踪结果；

对目标检测结果进行聚类，挑选聚类结果中元素数据达到阈值的类；其中，元素数据达到阈值的类中元素覆盖的区域就是近似车道区域；

分析车辆目标跟踪结果，在每个近似车道区域中挑选出跟踪轨迹长度达到阈值的跟踪结果，并计算车辆的行驶方向，作为该近似车道区域的车道方向向量；

通过近似车道区域的极大值和极小值生产车流量统计线，并基于近似车道区域和车道方向向量实现车流量统计、逆行、违停及事故的交通事件研判。

2.根据权利要求1所述的公路场景理解及交通事件判定方法，其特征在于，对监控场景中设定时间内出现的车辆目标进行目标检测和目标跟踪，并保存车辆目标检测结果和跟踪结果具体如下：

从交通视频监控系统中获取视频码流，并解码出一帧图像,同时根据交通视频监控系统时间确定检测模式阈值DN；其中，白天阈值DN为1，夜晚阈值DN为2；具体如下：

当DN＝1时，基于深度学习的目标检测方法进行车辆目标检测，并进行结果优化；

当DN＝2时，基于车辆灯光特征检测车辆目标检测，并进行结果优化，保存车辆目标检测结果O_i(x,y,w,h)；其中，x,y,w,h分别表示目标检测框的左上角横坐标、纵坐标、宽和高；i表示该帧图片检测到的第i个车辆目标；

利用目标跟踪算法对车辆目标检测结果进行跟踪，并将当前帧和前一帧中的同一目标标记为同一个目标，计算目标中心点坐标，保存为车辆的目标队列T_j((x_j,0,y_j,0),(x_j,1,y_j,1),…,(x_j,Frame-1,y_j,Frame-1))；其中，j表示第j个目标队列；(x_j,0,y_j,0)表示该车辆目标第一次被检测到时的中心点坐标)；Frame_num表示视频帧统计，并设置初始值为0；Frame_num＝Frame_num+1；当Frame_num＝Frame，将status置1，公路场景理解模式；Frame表示场景理解周期，用于确定保存车辆目标检测结果和跟踪结果的视频帧数；

其中，基于深度学习的目标检测算法具体如下：

离线进行模型训练，模型训练内容包括图像采集、车辆目标标注、训练样本预处理、模型训练及模型测试组成；

推理检测是将监控区域分割成远景区域和近景区域，对远景区域保留大尺寸的锚定框，对近景区域保留小尺寸的锚定框；

运用模型训练得到的模型分别检测远景区域和近景区域的车辆目标。

3.根据权利要求1所述的公路场景理解及交通事件判定方法，其特征在于，对目标检测结果进行聚类，挑选聚类结果中元素数据达到阈值的类；其中，元素数据达到阈值的类中元素覆盖的区域就是近似车道区域具体如下：

定义车辆目标中心坐标集P，并将目标队列T_j中全部的车辆目标中心点坐标(x_j,k,y_j,k)存入车辆目标中心坐标集P中，计算P的元素总数为Sum；其中，P中元素为二维向量(x,y)；x表示车辆目标中心横坐标；y表示车辆目标中心纵坐标；(x_j,k,y_j,k)表示第j个目标队列Tj中的第k个元素；

通过密度聚类算法将车辆目标中心坐标集P中的元素聚类成K类，并找到包含元素最多的t个类，使得这t个类包含的元素总数大于Class_rate*Sum，且t-1个类包含的元素总数小于Class_rate*Sum；

针对找到的t个类，计算每个类所包含的元素组成的近似车道区域Rect₁、Rect₂、…、Rect_t；其中，每个Rect_i为若干的顶点组成的多边形区域,Rect_i中元素为二维向量(x,y)；其中，x为顶点横坐标，y为顶点纵坐标。