高速公路实时交通数据采集方法、系统、设备及存储介质与流程

1.本发明属于数据采集技术领域，涉及一种高速公路实时交通数据采集方法、系统、设备及存储介质。


背景技术：

2.随着信息化技术、通信技术和生产制造技术的不断发展，多种实时交通信息应用系统不断涌现，并且功能灵活多样，在一定程度上满足了用户的需求。实时交通信息已经成为行业发展的一个必然趋势，是解决交通问题最快捷有效的办法之一。现有的交通数据采集系统通过浮动车技术，根据装备车载全球定位系统的浮动车在其行驶过程中定期记录车辆的位置、方向和速度信息，应用地图匹配、路径推测等相关的计算模型和算法进行处理，使浮动车位置数据和城市道路在时间和空间上关联起来，最终得到浮动车所经过道路的车辆行驶速度以及道路的行车旅行时间等交通拥堵信息。
3.浮动车采集技术可以在城市道路中获得较好的数据，但是在高速公路上，由于浮动车辆的数量有限，无法达到一定的规模，样本不足，导致对各项交通数据的统计不准确，并且对于一些影响高速公路安全的特殊事件，例如逆行、车窗抛洒异物、行人通过或者非法停车等无法识别，所以只是依靠浮动车采集技术无法准确的获取高速公路上的实时交通数据。


技术实现要素：

4.本发明的目的在于解决现有技术中仅依靠浮动车采集技术无法准确获取高速公路上的实时交通数据的问题，提供一种高速公路实时交通数据采集方法、系统、设备及存储介质。
5.为达到上述目的，本发明采用以下技术方案予以实现：
6.一种高速公路实时交通数据采集方法，包括以下步骤：
7.获取原始图像数据；
8.划定检测区域，对原始图像数据进行预处理；
9.对预处理后的图像进行降噪滤波处理；
10.对降噪滤波后图像中的各目标进行检测识别及特征提取；
11.对各目标进行跟踪，得到其轨迹数据；
12.根据目标的轨迹数据进行分析计算，得到实时交通数据；
13.将实时交通数据输出。
14.所述获取原始图像数据为周期性获取，所述周期为时间周期和/或空间周期。
15.所述对原始图像数据进行预处理为对用于视频监控的摄像机进行标定，包括以下步骤：
16.在图像数据上标注检测路面的至少四个点的图像坐标；
17.标注每个点所对应的实际大地坐标；
18.得到图像坐标和大地坐标之间的对应关系。
19.所述对降噪滤波后图像中的各目标进行检测识别方法采用深度学习，包括以下步骤：
20.识别图像像素；
21.学习图像的边缘与纹理信息；
22.得到图像的局部区域统计信息；
23.得出每种图像的具体区别信息。
24.所述对图像中的各目标进行跟踪，包括以下步骤：
25.分析图像序列；
26.计算目标在每帧图像上的二维位置坐标；
27.将图像序列中不同帧内的同一目标关联；
28.得到各目标的运动轨迹。
29.所述实时交通数据至少包括目标的位置信息、方向信息和速度信息。
30.一种基于监控视频的高速公路实时交通数据采集系统，包括：
31.原始图像获取模块，所述原始图像获取模块用于获取原始图像数据；
32.图像预处理模块，所述图像预处理模块用于划定检测区域，对原始图像数据进行预处理；
33.图像处理模块，所述图像处理模块用于对预处理后的图像进行降噪滤波处理；
34.目标识别及特征提取模块，所述目标识别及特征提取模块用于对降噪滤波后图像中的各目标进行检测识别及特征提取；
35.目标跟踪模块，所述目标跟踪模块用于对各目标进行跟踪，得到其轨迹数据；
36.分析计算模块，所述分析计算模块用于根据目标的轨迹数据进行分析计算，得到实时交通数据；
37.结果输出模块，所述结果输出模块用于将实时交通数据输出。
38.一种设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如前项任一项所述方法的步骤。
39.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如前项任一项所述方法的步骤。
40.与现有技术相比，本发明具有以下有益效果：
41.通过一种高速公路实时交通数据采集方法，包括获取图像数据；划定检测区域，对图像进行预处理；对图像进行降噪、滤波处理；对图像中的各目标进行检测识别及特征提取；对图像中的各目标进行跟踪，得到其轨迹数据；根据目标的轨迹数据进行分析计算，得到实时交通数据；最后将实时交通数据输出。基于高速公路中的全程监控系统，利用视频数据的分析，得到了高速公路上一定规模的交通数据信息，实现对高速公路中实时交通数据的有效采集，提高了统计数据的准确性。
附图说明
42.为了更清楚的说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对
范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。
43.图1为本发明的实时交通数据采集方法流程图；
44.图2为本发明的实时交通数据采集系统流程图；
45.图3为本发明的交通参数和交通事件提取流程图；
46.图4为高速公路视频监测流程图。
47.图5为深度学习识别从抽象到具体的流程图；
48.图6为基于背景建模的视频运动物体识别示意图；
49.图7为基于图像处理的图像识别方法流程图；
50.图8为基于深度学习的视频运动物体识别示意图。
具体实施方式
51.为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。
52.因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
53.应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。
54.在本发明实施例的描述中，需要说明的是，若出现术语“上”、“下”、“水平”、“内”等指示的方位或位置关系为基于附图所示的方位或位置关系，或者是该发明产品使用时惯常摆放的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一”、“第二”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
55.此外，若出现术语“水平”，并不表示要求部件绝对水平，而是可以稍微倾斜。如“水平”仅仅是指其方向相对“竖直”而言更加水平，并不是表示该结构一定要完全水平，而是可以稍微倾斜。
56.在本发明实施例的描述中，还需要说明的是，除非另有明确的规定和限定，若出现术语“设置”、“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本发明中的具体含义。
57.下面结合附图对本发明做进一步详细描述：
58.参见图1，为本发明一种基于监控视频的高速公路实时交通数据采集方法流程图，包括以下步骤：
59.s1，获取图像数据；
60.s2，划定检测区域，对图像数据进行预处理；
61.s2.1，在图像数据上标注检测路面的至少四个点的图像坐标；
62.s2.2，标注每个点所对应的实际大地坐标；
63.s2.3，得到图像坐标和大地坐标之间的对应关系。
64.s3，对图像进行降噪、滤波处理；
65.s4，对图像中的各目标进行检测识别及特征提取；
66.s4.1，识别图像像素；
67.s4.2，学习图像的边缘与纹理信息；
68.s4.3，得到图像的局部区域统计信息；
69.s4.4，得出每种图像的具体区别信息。
70.s5，对图像中的各目标进行跟踪，得到其轨迹数据；
71.s5.1，分析图像序列；
72.s5.2，计算目标在每帧图像上的二维位置坐标；
73.s5.3，将图像序列中不同帧内的同一目标关联；
74.s5.4，得到各目标的完整运动轨迹。
75.s6，根据目标的轨迹数据进行分析计算，得到实时交通数据；
76.s7，将实时交通数据输出。
77.参见图2，为本发明一种基于监控视频的高速公路实时交通数据采集系统示意图，包括：
78.图像获取模块，所述图像获取模块用于获取图像数据；
79.图像预处理模块，所述图像预处理模块用于划定检测区域，对图像数据进行预处理；
80.图像处理模块，所述图像处理模块用于对图像进行降噪、滤波处理；
81.目标识别及特征提取模块，所述目标识别及特征提取模块用于对图像中的各目标进行检测识别及特征提取；
82.目标跟踪模块，所述目标跟踪模块用于对图像中的各目标进行跟踪，得到其轨迹数据；
83.分析计算模块，所述分析计算模块用于根据目标的轨迹数据进行分析计算，得到实时交通数据；
84.结果输出模块，所述结果输出模块用于将实时交通数据输出。
85.参见图3，为本发明的交通参数和交通事件提取流程图，首先需要划定视频检测区域，对图像数据进行标定，确定二维图像和三维空间的几何模型关系，利用该几何模型即可得到车辆的实际位置等信息，为车辆测速、目标大小测量等交通数据信息的获取提供数学模型。然后通过图像处理去除图像噪声，增强细节特征，为后续的目标识别提供更适合分析的图像，通过目标识别和特征提取，基于深度学习的方法，提取道路中的各目标，包括车辆、行人、动物和抛洒物等，最后通过目标提取的结果作为跟踪模块的输入，分析计算后得到各项交通数据信息。交通参数主要包括速度、位置、方向和拥堵级别(畅通、基本畅通、轻度拥堵、中度拥堵和重度拥堵)等，交通事件主要包括行人非法闯入和非法停车等。
86.参见图4，为高速公路视频监测流程，包括固定视频流采集、抓取背景并设定检测
策略、图像二值化分析、提取有效运动目标进行轨迹跟踪、发现异常目标并产生报警和实现声光联动警告。实时交通数据信息的获取选择高速公路的监控摄像机，按照时间片轮询的方式进行拥堵分析，获得该时间片内的车道流量、断面流量、占有率和平均速度等参数，进而得到当前道路的拥堵状况。时间片保证每个摄像机足够的数据更新速率，同时摄像机的选取满足拥堵数据的时间覆盖率和空间覆盖率，为有效拥堵数据的发布提供保障。假设一个时间片为30s，每个时间片内同时处理32路高清图像，在一分钟内可以处理64路，轮巡192路图像需要3分钟，即3分钟更新一次路况数据。采用时间片轮询的方式，降低了对计算性能的要求，具有实施周期快，成本低的特点。
87.深度学习是通过组合底层特征形成更加抽象的高层表示，以此来进行分析与识别，能够更好的发现数据特性与内在关联，深度学习模拟了人脑神经元在识别物体时从抽象到具体的一系列过程。参见图5，为具体识别时深度学习从抽象到具体的流程，从图像的像素开始，经过抽象学习得到边缘与纹理信息，再得到局部区域统计信息，最后得出每种图像的具体区别信息，与人脑描述事物的构建步骤是一致的。传统的视频目标检测大都是采用基于背景建模的方法，这种方法在强光、阴影或者是目标成像粘连等场景下往往会造成检测失败，对于后续的异常事件分析等功能造成不良影响。参见图6，为背景建模方法得到的视频运动物体。参见图7，为基于图像处理的图像识别方法流程，首先通过图像平滑、去噪和直方图均衡化等预处理阶段；然后通过图像特征描述子提取，即将图像通过特定的数学模型量化成一系列数字向量，以方便后续应用，常见的图像描述子有纹理特征、边缘特征、颜色特征和关键点局部特征等；最后是将获取的图像描述子通过支持向量机(svm)、随机森林和adaboost等机器学习方法进行分类学习以达到图像识别的目的。参见图8，为基于深度学习方法得到的视频运动物体，采用深度学习可以直接进行端到端的检测，通过输入图像，再进行一系列的卷积、池化、归一化、激活、抑制和误差返传等处理，直接输出分类识别结果，通过随机梯度下降与神经元迭代自更新的方式进行图像的自学习，省去了人工干预并且能够保证计算的收敛性，由于能够充分的学习与表征物体特性，所以几乎不存在误检，得到的结果更加准确紧凑，也不需要背景构建，这对于后续的目标跟踪与事件分析有积极的意义。
88.完成目标检测后对运动目标进行跟踪，通过对摄像机获得的图像序列进行分析，计算出目标在每帧图像上的二维位置坐标，并且根据不同的特征值，将图像序列中不同帧内的同一运动目标关联起来，得到各个运动目标完整的运动轨迹，通过运动轨迹也可以计算出交通数据。针对交通场景，采用结合卡尔曼滤波器的meanshift跟踪算法，为一种无参密度估计算法。对于一种采样数据，把数据的值域分成若干相等的区间，每个区间为一个单元，数据按照区间分为若干组，每组数据的个数与总数据个数的比率就是每个单元的概率，相对于直方图法，采用了平滑数据的核函数，是一种平滑的无参估计方法。在对运动目标进行跟踪时，根据实际需求对无效目标进行技术过滤，结合设定的行为轨迹规则对跟踪目标进行持续分析，根据完整、准确的目标历史跟踪轨迹数据，结合检测规则进行轨迹和行为特征异常的目标进行判定和数据输出。
89.本发明一实施例提供一种设备。该实施例的终端设备包括：处理器、存储器以及存储在所述存储器中并可在所述处理器上运行的计算机程序。所述处理器执行所述计算机程序时实现上述各个高速公路实时交通数据采集方法实施例中的步骤。或者，所述处理器执
行所述计算机程序时实现上述各实施例中各模块/单元的功能。
90.所述计算机程序可以被分割成一个或多个模块/单元，所述一个或者多个模块/单元被存储在所述存储器中，并由所述处理器执行，以完成本发明。
91.所述高速公路实时交通数据采集的终端设备可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述高速公路实时交通数据采集的终端设备可包括，但不仅限于，处理器、存储器。
92.所述处理器可以是中央处理单元(central processing unit，cpu)，还可以是其他通用处理器、数字信号处理器(digital signal processor，dsp)、专用集成电路(application specific integrated circuit，asic)、现成可编程门阵列(field-programmable gate array，fpga)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。
93.所述存储器可用于存储所述计算机程序和/或模块，所述处理器通过运行或执行存储在所述存储器内的计算机程序和/或模块，以及调用存储在存储器内的数据，实现所述高速公路实时交通数据采集的终端设备的各种功能。
94.所述高速公路实时交通数据采集终端设备集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、u盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(rom，read-only memory)、随机存取存储器(ram，random access memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是，所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括电载波信号和电信信号。
95.以上仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。