一种获取车流信息的方法、终端及存储介质与流程

1.本发明涉及交通领域，尤其涉及的是一种获取车流信息的方法、终端及存储介质。


背景技术：

2.交通流状态是城市管理的一个重要指标，及时获取城市中不同路段、不同道路交叉口的交通流状态，能够为城市道路规划、临时交通管制、特殊车辆限行和市民出行指导等等提供参考。准确的交通流量统计和类型识别能够提供重要的交通信息。交叉路口是城市路网的关键点，从交叉路口可以看出不同时段下各个方向驶入和驶出的车流数目、类型等。然而现有技术中获取车流信息的方式只能估计路口的流量信息，无法获取带车辆属性信息的车流信息。
3.因此，现有技术还有待改进和发展。


技术实现要素：

4.本发明要解决的技术问题在于，针对现有技术的上述缺陷，提供一种获取车流信息的方法、终端及存储介质，旨在解决现有技术中系统无法获取到带车辆属性信息的车流信息的问题。
5.本发明解决问题所采用的技术方案如下：
6.第一方面，本发明实施例提供一种获取车流信息的方法，其中，所述方法包括：
7.获取历史电子警察监控视频，通过多目标跟踪模型确定所述历史电子警察监控视频中的历史车辆的简化轨迹序列；
8.对所述历史车辆的简化轨迹序列进行聚类和分类，得到路径分类集合；
9.获取电子警察监控视频中的车辆的简化轨迹序列，将所述车辆的简化轨迹序列与所述路径分类集合进行匹配，并提取车辆属性信息，得到带所述车辆属性信息的车流信息。
10.在一种实施方式中，所述获取历史电子警察监控视频，通过多目标跟踪模型确定所述历史电子警察监控视频中的历史车辆的简化轨迹序列包括：
11.获取历史电子警察监控视频，通过多目标跟踪模型对所述历史电子警察监控视频进行处理，得到历史车辆的检测框坐标集合和跟踪标识号；
12.将所述历史车辆的检测框预设位置上的点作为所述历史车辆的象征点，在所述历史车辆的检测框坐标集合中获取所述象征点的坐标数据；
13.根据所述历史车辆的象征点的坐标数据以及所述跟踪标识号，确定所述历史车辆的原始轨迹序列，并对所述原始轨迹序列进行简化处理，得到简化轨迹序列。
14.在一种实施方式中，所述根据所述历史车辆的象征点的坐标数据以及所述跟踪标识号，确定所述历史车辆的原始轨迹序列，并对所述原始轨迹序列进行简化处理，得到简化轨迹序列包括：
15.通过所述跟踪标识号，获取预设时间内所述历史车辆的所有象征点的坐标数据，按照获取的时间先后顺序对所述历史车辆的所有象征点的坐标数据进行排序得到象征点
序列，并将所述象征点序列作为所述历史车辆的原始轨迹序列；
16.获取所述原始轨迹序列中相邻两个象征点之间的线段距离，将所述原始序列中相邻两个象征点之间的线段距离相加，计算出所述原始轨迹序列的总长度；
17.根据预设重采样点数对所述原始轨迹序列上的点进行重采样，并将重采样得到的点作为简化点，按所述重采样的先后顺序对所述简化点进行排序后得到简化点序列，并将所述简化点序列作为所述历史车辆的简化轨迹序列。
18.在一种实施方式中，所述对所述历史车辆的简化轨迹序列进行聚类和分类，得到路径分类集合包括：
19.当所述简化轨迹序列存储至预设数量时，获取所述预设数量的简化轨迹序列并进行轨迹聚类处理，得到聚类簇；所述聚类簇由多个相似的简化轨迹序列组成；
20.获取所述聚类簇中每一条简化轨迹序列中同一顺序位上的简化点的坐标数据并取平均值，得到代表点以及所述代表点的坐标数据，按照获取的时间先后顺序对所有代表点进行排序得到代表点序列，并将所述代表点序列作为路径信息；
21.对所述路径信息进行特征提取以及分类处理，得到路径分类集合。
22.在一种实施方式中，所述对所述路径信息进行特征提取以及分类处理，得到路径分类集合包括：
23.对所述路径信息进行特征提取，得到路径特征数据；
24.通过轨迹分类器以及所述路径特征数据对所述路径信息按照行驶方向进行分类处理，得到路径分类集合。
25.在一种实施方式中，所述获取电子警察监控视频中的车辆的简化轨迹序列，将所述车辆的简化轨迹序列与所述路径分类集合进行匹配，并提取车辆属性信息，得到带所述车辆属性信息的车流信息包括：
26.获取电子警察监控视频，通过多目标跟踪模型对所述电子警察监控视频进行处理，得到车辆的检测框坐标集合、所述车辆的跟踪识别号并输出视频帧集合；
27.根据所述车辆的检测框坐标集合、所述视频帧集合以及属性分析网络模型，获取所述车辆的图片以及车辆属性信息；
28.根据车牌检测识别算法对所述车辆的图片进行识别，得到所述车辆的车牌号；
29.将所述跟踪识别号、所述车辆的图片、所述车辆的车牌号以及所述车辆属性信息关联存储在第一记录表中；
30.获取所述车辆的简化轨迹序列，将所述车辆的简化轨迹序列与所述路径分类集合进行匹配，得到车辆轨迹分类结果，并将所述车辆轨迹分类结果作为所述车辆的路径类型；
31.通过所述第一记录表与所述车辆的路径类型对所述电子监控视频中的经过的车辆进行统计，得到带所述车辆属性信息的车流信息。
32.在一种实施方式中，所述根据所述车辆的检测框坐标集合、所述视频帧集合以及属性分析网络模型，获取所述车辆的图片以及车辆属性信息包括：
33.根据所述车辆的检测框坐标集合，在所述视频帧集合中截取出所述车辆的图片；
34.根据属性分析网络模型对所述车辆的图片进行属性分析，并将所述属性分析的结果作为提取的车辆属性信息。
35.在一种实施方式中，所述获取所述车辆的简化轨迹序列，将所述车辆的简化轨迹
序列与所述路径分类集合进行匹配，得到车辆轨迹分类结果，并将所述车辆轨迹分类结果作为所述车辆的路径类型包括：
36.当所述车辆在所述视频帧集合中的任意一个视频帧消失时，获取所述车辆的简化轨迹序列；
37.通过轨迹相似性度量方法将所述车辆的简化轨迹序列与所述路径分类集合中的路径进行匹配，得到车辆轨迹分类结果，并将所述车辆轨迹分类结果作为所述车辆的路径类型。
38.第二方面，本发明实施例还提供一种存储介质，其上存储有多条指令，其特征在于，所述指令适用于由处理器加载并执行，以实现上述任一项所述的一种获取车流信息的方法的步骤。
39.第三方面，本发明实施例还提供一种终端，其中，包括：处理器、与处理器通信连接的存储介质，所述存储介质适于存储多条指令；所述处理器适于调用所述存储介质中的指令，以实现上述任一项所述的一种获取车流信息的方法的步骤。
40.本发明的有益效果：本发明利用电子警察监控拍摄的视频，通过对历史车辆的轨迹进行分析得到路径信息，并将获取的车辆的轨迹与所述路径信息进行匹配，并提取车辆属性信息，从而得到带所述车辆属性信息的车流信息。进而为城市级道路的流量监控和道路规划提供可靠的参考信息。
附图说明
41.为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明中记载的一些实施例，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的附图。
42.图1是本发明实施例提供的一种一种获取车流信息的方法的流程示意图。
43.图2是本发明实施例提供的获取历史车辆的简化轨迹序列的流程示意图。
44.图3是本发明实施例提供的获取路径分类集合的流程示意图。
45.图4是本发明实施例提供的获取带车辆属性信息的车流信息的流程示意图。
46.图5是本发明实施例提供的电子警察监控下的交叉路口的鸟瞰图。
47.图6是本发明实施例提供的从历史轨迹中提取路径信息的示意图。
48.图7是本发明实施例提供的终端的原理框图。
具体实施方式
49.为使本发明的目的、技术方案及优点更加清楚、明确，以下参照附图并举实施例对本发明进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
50.需要说明，若本发明实施例中有涉及方向性指示(诸如上、下、左、右、前、后
……
)，则该方向性指示仅用于解释在某一特定姿态(如附图所示)下各部件之间的相对位置关系、运动情况等，如果该特定姿态发生改变时，则该方向性指示也相应地随之改变。
51.交通流状态是城市管理的一个重要指标，及时获取城市中不同路段、不同道路交
叉口的交通流状态，能够为城市道路规划、临时交通管制、特殊车辆限行和市民出行指导等等提供参考。准确的交通流量统计和类型识别能够提供重要的交通信息。交叉路口是城市路网的关键点，从交叉路口可以看出不同时段下各个方向驶入和驶出的车流数目、类型等。
52.现有的计数方式主要分为两类：依赖放置的硬件传感装置获取流量信息，以及利用视觉相关算法理解监控录像。对于第一种方法，尽管某些传感器可能更准确，但是具有很高的安装维护成本，且能够获取到的信息较为单一，并且部署需要一定的人力。对于第二种方法，可以直接利用现有的监控视频资料，并且获得更为丰富的交通信息。然而第二种方法常用的计数路线为：针对当前的电警场景，在图像上画出对应该场景的虚拟绊线(一般在路口人行道附近)，跟踪的轨迹与虚拟绊线相交从而计数。但是这样的路线同样存在部署和维护的问题。因此第二种方法在首次部署时需要手工设置对应的绊线，若摄像头移动则会导致绊线不准确。即上述两种方法均需要一定的人员参与，需要耗费一定的人力资源。此外，现有技术中获取车流信息的方式只能估计路口的流量信息，无法获取带车辆属性信息的车流信息。
53.针对现有技术的上述问题，本发明提供一种获取车流信息的方法。本发明的技术方案主要是用于获取电子警察监控下的路口的车流信息。对于交叉路口，电子警察监控的安装具有严格的规定，可以获取该道路交叉口大部分的交通流信息，且电警的安装保证了对车辆、行人和路口结构的识别度，是理想的分析数据来源。通过利用多目标检测和跟踪算法，提取交通流的轨迹，一段时间后，大量的历史轨迹可以描绘出道路交叉口形态，从而获取该电警视角下路径信息。此外，本发明所提取的路径信息可以细化到车道级，将车辆的行驶轨迹与提取的路径信息相匹配，获得该十字交叉口不同路口的车流量信息，从而为城市级道路的流量监控和道路规划提供可靠的参考信息。
54.如图1所示，本实施例提供一种获取车流信息的方法，所述方法包括如下步骤：
55.步骤s100、获取历史电子警察监控视频，通过多目标跟踪模型确定所述历史电子警察监控视频中的历史车辆的简化轨迹序列。
56.由于本实施例中需要通过历史轨迹描绘电子警察监控场景下的道路交叉口形态，因此需要首先获取历史电子警察监控视频中的历史车辆的简化轨迹序列。具体地，本实施例利用针对交通体的多目标跟踪模型(例如deepsort+yolov3模型)处理电子警察监控视频，多目标跟踪，即multiple object tracking(mot)，主要任务中是给定一个图像序列，找到图像序列中运动的物体，并将不同帧的运动物体进行识别，也然后对同一个运动物体赋予同一个跟踪识别号。进而计算出不同交通体在交叉路口处的轨迹信息，即简化轨迹序列。然后根据将这些简化轨迹序列作为后续描绘电子警察监控场景下的道路交叉口形态的基础。
57.如图2所示，在一种实现方式中，所述步骤s100具体包括如下步骤：
58.步骤s110、获取历史电子警察监控视频，通过多目标跟踪模型对所述历史电子警察监控视频进行处理，得到历史车辆的检测框坐标集合和跟踪标识号；
59.步骤s120、将所述历史车辆的检测框预设位置上的点作为所述历史车辆的象征点，在所述历史车辆的检测框坐标集合中获取所述象征点的坐标数据；
60.步骤s130、根据所述历史车辆的象征点的坐标数据以及所述跟踪标识号，确定所述历史车辆的原始轨迹序列，并对所述原始轨迹序列进行简化处理，得到简化轨迹序列。
61.本实施例中获取到历史电子警察监控视频以后，将其输入至多目标跟踪模型中，则所述多目标跟踪模型将输出在所述历史电子警察监控视频中检测到的每个车辆的检测框及其检测框的坐标数据，以及该车辆对应的跟踪识别号。然后将所述检测框上预设位置上的点作为该车辆的象征点，根据所述历史车辆的象征点的坐标数据以及所述跟踪标识号，确定所述历史车辆的原始轨迹序列，并对所述原始轨迹序列进行简化处理，得到简化轨迹序列。
62.在一种实现方式中，为了得到所述历史车辆的简化轨迹序列，本实施例首先通过所述跟踪标识号，获取预设时间内所述历史车辆的所有象征点的坐标数据，然后按照获取的时间先后顺序对所述历史车辆的所有象征点的坐标数据进行排序得到象征点序列，并将所述象征点序列作为所述历史车辆的原始轨迹序列。除此之外，还需要获取所述原始轨迹序列中相邻两个象征点之间的线段距离，将所述原始序列中相邻两个象征点之间的线段距离相加，计算出所述原始轨迹序列的总长度。最后，根据预设重采样点数对所述原始轨迹序列上的点进行重采样，并将重采样得的点作为简化点，按所述重采样的先后顺序对所述简化点进行排序后得到简化点序列，并将所述简化点序列作为所述历史车辆的简化轨迹序列。
63.举例说明，将历史电子监控视频输入多目标跟踪模型yolov4+deepsort模型中，则该模型会输出每个车辆的检测框b
i
,以及该交通体对应的跟踪识别号t_id
i
；对于每个车辆的检测框b
i
,可以将检测框下边缘中点设定为该车辆在该时刻的象征点p
i
,根据相同的跟踪识别号t_id
i
，获取同一个车辆在一段时间内的按时间先后顺序排序的象征点序列{p
0i,
p
1i,
p
2i,...,
p
ni
}，该序列即该车辆的原始轨迹序列traj_org
i
。然后对所述原始轨迹序列traj_org
i
进行简化：首先计算相邻两个象征点p
ki
,p
k+1i
(其中k属于{0,1,...,n
‑
1})之间的线段距离,设为ts
k
，则一条原始轨迹序列的总长度为所有相邻两个象征点之间的线段距离之和然后在所述原始轨迹序列上进行重采样，例如用户设定预设重采样点数为20，则将所述原始轨迹序列的总长度traj_len除以20，得到用于均分所述原始轨迹序列的长度sec_len。然后从所述原始轨迹序列的第一个象征点开始按计算出的均分所述原始轨迹序列的长度依次进行重采样，重采样得到的点即为简化点，按所述重采样的先后顺序对所述简化点进行排序后得到简化点序列，并将所述简化点序列作为所述历史车辆的简化轨迹序列traj
i
。
64.获取到所述历史车辆的简化轨迹序列之后，需要对其进行分析，得到电子警察监控下的交叉路口的路径信息，因此如图1所示，所述方法还包括如下步骤：
65.步骤s200、对所述历史车辆的简化轨迹序列进行聚类和分类，得到路径分类集合。
66.具体地，对于收集的一端时间内的历史车辆的简化轨迹序列，利用轨迹聚类算法，可以通过聚类以及分类的方法从这些轨迹中提取一些具有代表性的轨迹，这些代表性的轨迹即为历史车辆通过该交叉路口的主要路径，可以描述该交叉路口的形态。
67.如图3所示，在一种实现方式中，所述步骤s200具体包括如下步骤：
68.步骤s210、当所述简化轨迹序列存储至预设数量时，获取所述预设数量的简化轨迹序列并进行轨迹聚类处理，得到聚类簇；所述聚类簇由多个相似的简化轨迹序列组成；
69.步骤s220、获取所述聚类簇中每一条简化轨迹序列中同一顺序位上的简化点的坐
标数据并取平均值，得到代表点以及所述代表点的坐标数据，按照获取的时间先后顺序对所有代表点进行排序得到代表点序列，并将所述代表点序列作为路径信息；
70.步骤s230、对所述路径信息进行特征提取以及分类处理，得到路径分类集合。
71.具体地，用户可以自行设定所述简化轨迹序列的存储上限，存储的简化轨迹序列的数量越多，则后续对路径形态分析就会越准确。在一种实现方式中，所述简化轨迹序列存储至2000条时，获取所述预设数量的简化轨迹序列并进行轨迹聚类处理。聚类处理以后，可以获得聚类结果tc＝{tc0，tc1，tc2，...，tc
n
}，tc
k
表示第k个聚类簇，每一个聚类簇都由多条相似的简化轨迹序列组成。然后对同一个聚类簇内的所有相似的简化轨迹序列需要提取出一条具有代表性的轨迹序列，本实施例采用对同一个聚类簇内的所有的简化轨迹序列中同一顺序位上的简化点的坐标数据取平均值的方法，得到代表点以及所述代表点的坐标数据，按照获取的时间先后顺序对所有代表点进行排序得到代表点序列，并将所述代表点序列作为路径信息。举例说明，对于一个聚类簇tc
k
，由t条相似的简化轨迹序列组成，每条简化轨迹序列由n个简化点表示(n为前述重采样的点数)。获取聚类簇tc
k
内的t条简化轨迹序列的第1个简化点的坐标数据，并将获取到的坐标数据取平均值，得到的聚类簇tc
k
的代表轨迹的第1个代表点；然后再获取聚类簇tc
k
内的t条简化轨迹序列的第2个简化点的坐标数据，并将获取到的坐标数据取平均值，得到的聚类簇tc
k
的代表轨迹的第2个代表点；以此类推，直至获取聚类簇tc
k
内的t条简化轨迹序列的第n个简化点的坐标数据，并将获取到的坐标数据取平均值，得到的聚类簇tc
k
的代表轨迹的第n个代表点。将获取到的代表点按获取的时间先后顺序进行排列，得到聚类簇tc
k
的代表轨迹，即代表点序列，表示为path
k
＝{pc
k0
，pc
k2
，...，pc
kn—1
}，其中，pc
kj
表示为t条简化轨迹序列的第j个简化点的坐标数据取平均值得到的第j个代表点。将所述代表点序列作为路径信息中的其中一条路径数据。
72.获取到路径信息以后，需要对所述路径信息进行分类处理得到路径分类集合。在一种实现方式中，所述分类处理为：对所述路径信息进行特征提取，得到路径特征数据；通过轨迹分类器以及所述路径特征数据对所述路径信息按照行驶方向进行分类处理，得到路径分类集合。
73.具体地，需要先对所述路径信息进行特征提取以及分类处理，得到路径分类集合。在一种实现方式中，首先对所述路径信息进行特征提取，得到路径特征数据。然后通过轨迹分类器以及所述路径特征数据对所述路径信息按照行驶方向进行分类处理，得到路径分类集合。具体地，对所述路径信息中的每一条路径进行特征提取，由于每一条路径均是由代表点序列构成，每个代表点可以提取一个四元组的特征其中xi，yi分别为点i在x轴和y轴上的坐标值，δx
i
＝x
i+1
‑
x
i
，δy
i
＝y
i+1
‑
y
i
。最后一个点n
‑
1不提特征。一条路径的特征就表示为然后将轨迹特征输入轨迹分类器svm，轨迹分类器svn可以根据输入的一条轨迹的点序列的特征进行分类，并输出该轨迹的路径分类m＝{du，ud，rl，lr，dr，ul，ru，ld，dl，ul，rd，lu}。如图5所示，其中u，d，l，r分别表示在该电警警察监控的视角下，十字交叉口的上、下、左、右四个路口，du即表示车辆的轨迹路径是从电子警察监控本侧驶向对面路口，rl即表示车辆的轨迹路径是从右侧路口驶向左侧路口。
74.为了获取带所述车辆属性信息的车流信息，如图1所示，所述方法还包括如下步骤：
75.步骤s300、获取电子警察监控视频中的车辆的简化轨迹序列，将所述车辆的简化轨迹序列与所述路径分类集合进行匹配，并提取车辆属性信息，得到带所述车辆属性信息的车流信息。
76.根据历史电子警察监控视频获取到路径分类集合以后，便可以针对之后的电子监控视频的车辆进行分析和计数操作，将所述车辆的简化轨迹序列与所述路径分类集合进行匹配，并提取车辆属性信息，得到带所述车辆属性信息的车流信息。
77.如图4所示，在一种实现方式中，所述步骤s300具体包括如下步骤：
78.步骤s310、获取电子警察监控视频，通过多目标跟踪模型对所述电子警察监控视频进行处理，得到车辆的检测框坐标集合、所述车辆的跟踪识别号并输出视频帧集合；
79.步骤s320、根据所述车辆的检测框坐标集合、所述视频帧集合以及属性分析网络模型，获取所述车辆的图片以及车辆属性信息；
80.步骤s330、根据车牌检测识别算法对所述车辆的图片进行识别，得到所述车辆的车牌号；
81.步骤s340、将所述跟踪识别号、所述车辆的图片、所述车辆的车牌号以及所述车辆属性信息关联存储在第一记录表中；
82.步骤s350、获取所述车辆的简化轨迹序列，将所述车辆的简化轨迹序列与所述路径分类集合进行匹配，得到车辆轨迹分类结果，并将所述车辆轨迹分类结果作为所述车辆的路径类型；
83.步骤s360、通过所述第一记录表与所述车辆的路径类型对所述电子监控视频中的经过的车辆进行统计，得到带所述车辆属性信息的车流信息。
84.具体地，系统获取到新的电子警察监控视频以后，和前述处理历史电子监控视频一样，先将新的电子警察监控视频输入多目标跟踪模型中，获取到视频中的各个车辆的检查框坐标集合以及各个车辆的跟踪识别号，同时将电子警察监控视频流切分成视频帧并输出视频帧集合。根据车辆的检测框坐标集合对在视频帧集合中出现的车辆进行截取和识别，得到该车辆的图片以及车辆属性信息。
85.在一种实现方式中，为了获取车辆的图片以及车辆属性信息，本实施例需要根据所述车辆的检测框坐标集合，在所述视频帧集合中截取出所述车辆的图片，然后将所述车辆的图片输入至属性分析网络模型进行属性分析，例如可以选用多标签分类模型。然后将属性分析网络模型输出的属性分析结果作为预测的该车辆的车辆属性信息，例如类型、颜色、尺寸、社会性质、运载性质。此外，还需要将所述车辆的图片输入至车牌检测算法模块中，例如yolov3+形态学车牌分割+mlp分类器车牌识别的算法模块，得到该车辆的车牌号。然后将所述跟踪识别号、所述车辆的图片、所述车辆的车牌号以及所述车辆属性信息关联存储在第一记录表中。
86.在一种实现方式中，根据车辆的检测框坐标集合，截取出该车辆的图片，建立一个车辆的跟踪识别号与其图片的对应的第一记录表，所述第一记录表中保存车辆的跟踪识别号，车辆图片，车辆属性信息，和一个二值标记变量，所述二值标记变量为1时表示该车辆需要重新识别。
87.为了及时检测到车辆驶入以及驶出该电子警察监控下的交叉路口的情况，在一种实现方式中，对于视频的每一帧，根据车辆的检测框坐标集合，步骤s120的方法获取该车辆
在该时刻的象征点，并维护一个轨迹记录表，所述轨迹记录表共分为三个队列，分别记录消失车辆、新出现车辆、以及一直存在的车辆即状态保持车辆，并记录车辆的跟踪识别号，和该车辆从出现时刻到消失时刻的轨迹点序列。具体地，将t
‑
1帧存在，t帧不存在的车辆的跟踪识别号记入消失车辆的队列中；将t
‑
1帧不存在，t帧存在的车辆的跟踪识别号记入新出现车辆的队列中；将t
‑
1帧和t帧都存在的车辆的跟踪识别号记入状态保持车辆的队列中。从而对车辆驶入以及驶出的情况的记录细化到每一个车辆。
88.对于处于新出现车辆的队列中的车辆，在所述第一记录表中记录该车辆的跟踪识别号，以及在视频帧中截取的该车辆的图片，并将该车辆对应二值标记变量设为1，从而使系统对该车辆进行重新识别。
89.对于状态保持车辆的队列中的车辆，若当前帧截取的该车辆的图片的尺寸大于记录的车辆的图片尺寸,则将记录的车辆的图片换为当前帧的交车辆的图片，并将二值标记变量设为1；若当前帧截取的该车辆的图片的尺寸小于等于记录的车辆的图片尺寸，则保持当前状态，系统不作操作；
90.鉴于车流信息具有一定的实时性，因此在一种实现方式中，需要对所述第一记录表进行更新。具体地，本实施例设置每隔预设数目的视频帧(所述预设数目为用户设置变量，可以设置为5)，读取所述第一记录表中的图片将所述第一记录表中二值标记变量为1的车辆的图片分别输入到属性分析网络模型、车牌检测识别算法模块中，然后将输出的该车辆的车辆属性信息以及车牌号记录在所述第一记录表中。
91.对于处于消失车辆的队列中的车辆，鉴于其已经驶出该电子警察监控下的交叉路口，因此可以在所述第一记录表中删除该车辆的跟踪识别号和其对应的所有记录，同时在所述第一记录表中将该车辆的简化轨迹序列发送至轨迹匹配分类模块，通过所述轨迹匹配分类模块根据所述路径信息对所述车辆的简化轨迹序列进行分类处理，得到车辆轨迹分类结果，并将所述车辆轨迹分类结果作为所述车辆的路径类型，即实现步骤s350。换言之，本实施例中会持续跟踪车辆从驶入到驶出该电子警察监控的全过程，当某个车辆处于消失车辆的队列中时，表示该车辆已经消失在该电子警察监控的监控范围内，即该车辆已经通过交叉路口，系统已经完成了对该车辆的跟踪，因此需要获取所述车辆的简化轨迹序列，根据所述路径信息对所述车辆的简化轨迹序列进行分类处理，得到车辆轨迹分类结果，从而生成一条过车记录{车辆的跟踪识别号，车辆的车牌号，车辆的车辆属性信息，车辆的路径类型}。
92.当所述车辆在所述视频帧集合中的任意一个视频帧消失时，获取所述车辆的简化轨迹序列。通过轨迹相似性度量方法将所述车辆的简化轨迹序列与所述路径分类集合中的路径进行匹配，得到车辆轨迹分类结果，并将所述车辆轨迹分类结果作为所述车辆的路径类型。具体地，获取所述车辆的简化轨迹序列的方法和前述步骤s100中获取历史车辆的简化轨迹序列的方法相同。然后利用轨迹相似性度量方法，例如最长公共子序列lcss算法，获取所述车辆的简化轨迹序列与所述路径分类集合中的所有路径的相似度，取相似度最高的路径作为所述车辆轨迹分类结果，并将所述车辆轨迹分类结果作为所述车辆的路径类型。
93.最后系统即可通过所述第一记录表与所述车辆轨迹分类结果统计所述电子监控视频中的过车记录，得到车流信息。具体地，统计主要有两种，第一种根据路径类型统计：统计轨迹路径类型为m，m属于{du，ud，rl，lr，dr，ul，ru，ld，dl，ul，rd，lu}的车的数量，得到有
多少辆车以路径m的形式通过该电警警察监控下的交叉路口，同时通过第一记录表上的数据可以将信息细化到车辆的车牌号，以及不同属性类型的车辆占总车辆数目的比例。第二种根据路口进行统计，如图5所示，例如统计都从d路口驶入该电警警察监控下的交叉口的过车记录，即汇总{du，dl，dr}路径下的过车记录，统计都从d路口驶出交叉口的过车记录，即汇总{ud，ld，rd}路径下的过车记录,对于其他路径同理。最后对所述电子警察监控视频流的每一帧视频帧的车辆根据所述第一记录表进行统计以后，可以得到每个视频帧中带车辆属性信息的车流信息，并将其输出。
94.基于上述实施例，本发明还提供了一种智能终端，其原理框图可以如图7所示。该智能终端包括通过系统总线连接的处理器、存储器、网络接口、显示屏。其中，该智能终端的处理器用于提供计算和控制能力。该智能终端的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该智能终端的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种获取车流信息的方法。该智能终端的显示屏可以是液晶显示屏或者电子墨水显示屏。
95.本领域技术人员可以理解，图7中示出的原理框图，仅仅是与本发明方案相关的部分结构的框图，并不构成对本发明方案所应用于其上的智能终端的限定，具体的智能终端可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
96.在一种实现方式中，所述智能终端的存储器中存储有一个或者一个以上的程序，且经配置以由一个或者一个以上处理器执行所述一个或者一个以上程序包含用于进行一种获取车流信息的方法的指令。
97.本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是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非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本发明所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(rom)、可编程rom(prom)、电可编程rom(eprom)、电可擦除可编程rom(eeprom)或闪存。易失性存储器可包括随机存取存储器(ram)或者外部高速缓冲存储器。作为说明而非局限，ram以多种形式可得，诸如静态ram(sram)、动态ram(dram)、同步dram(sdram)、双数据率sdram(ddrsdram)、增强型sdram(esdram)、同步链路(synchlink)dram(sldram)、存储器总线(rambus)直接ram(rdram)、直接存储器总线动态ram(drdram)、以及存储器总线动态ram(rdram)等。
98.综上所述，本发明公开了一种获取车流信息的方法、终端及存储介质，所述方法包括：获取历史电子警察监控视频，通过多目标跟踪模型确定所述历史电子警察监控视频中的历史车辆的简化轨迹序列；对所述历史车辆的简化轨迹序列进行聚类和分类，得到路径分类集合；获取电子警察监控视频中的车辆的简化轨迹序列，将所述车辆的简化轨迹序列与所述路径分类集合进行匹配，并提取车辆属性信息，得到带所述车辆属性信息的车流信息。进而为城市级道路的流量监控和道路规划提供可靠的参考信息。。
99.应当理解的是，本发明的应用不限于上述的举例，对本领域普通技术人员来说，可以根据上述说明加以改进或变换，所有这些改进和变换都应属于本发明所附权利要求的保护范围。