br>[0038] 图8为基于不同检测间隔交通流密度的计算值与实际值之间的最大误差。
[0039] 本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
【具体实施方式】
[0040] 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。
[0041] 本发明提供一种交通状态的判定方法。参照图1，图1为交通状态的判定方法一实 施例的流程示意图。在该实施例中，该交通状态的判定方法包括：
[0042] 步骤S10、在拍摄的视野画面中划定各向交通流的车道区域，标定各向交通流车道 区域对应的实际车道长度。
[0043] 本步骤S10中通过摄像机拍摄出来的视野画面除了道路区域可能还包括其他区 域，为了避免其他区域移动物体的干扰，以及计算出各向交通流的交通流密度，需要从拍摄 出来的视野画面中划分出各向交通流的道路区域。其中，所述在拍摄的视野画面中划定各 向交通流的车道区域具体为：根据拍摄的视野画面中道路结构形态，在所述视野画面中划 定各向交通流的车道区域。即根据道路中车道边缘线划定各向交通流的道路区域。
[0044] 步骤S20、在设定的每个检测周期内的每个设定的时间点获取各向交通流车道区 域的车辆数，对每个检测周期内获取各向交通流车道区域的车辆数进行平均计算，得到每 个检测周期内的各向交通流车道区域的瞬时平均车辆数。
[0045] 本实施例中，所述检测周期的时间长度至少大于或等于一个信号周期时间长度， 以防止因红、绿灯原因计算得到的各向交通流车道的交通流密度值在短时间内波动大，不 能客观反映各向交通流的真实交通状态。当然所述检测周期的时间长度也不能太长，为了 确定出最佳的检测间隔，选择 30s、lmin、l. 5min、2min、2. 5min、3min、3. 5min、4min、4. 5min、 5min、6min、7min、8min、9min、lOmin、15min的短时序列进行分析，分析结果如图7和图8所 示，横轴为检测间隔，纵轴为交通流密度的计算值与实际值之间的误差率。根据图7和图8 的变化趋势可知，当检测间隔大于5min时，预测的平均误差和最大误差都趋于平缓，因此 检测间隔应该大于5min，但是检测间隔太长会使得交通流密度检测的时效性降低、价值丧 失，因为交通流密度的检测往往同城市信号控制系统、交通流诱导系统进行协同合作，通过 交通流密度的准确预测为信号控制系统、交通流诱导系统提供决策，检测间隔太长，则无 法及时提供决策，造成车辆更大的延误，系统效率低下。本实施例中所述检测周期的时间长 度设置为5分钟。另外在一个检测周期内相邻的设定的时间点之间的间隔时间可以相同也 可以不同，优选为相同的间隔时间，一个检测周期内相邻的设定的时间点的间隔时间可以 根据实际需要进行设定，如若要求计算出的交通流密度准确度越高则所述间隔时间的时间 长度越短，反之亦然。如可以将一个检测周期内相邻的设定的时间点的间隔时间均设置为5 秒，即在该检测周期时间内每隔5秒钟则获取当前帧视频画面中各向交通流车道区域的车 辆数。
[0046] 本实施例能够实现全天候24小时检测，即计算前一检测周期内各向交通流车道 区域的瞬时平均车辆数后，便进入下一检测周期各向交通流车道区域的瞬时平均车辆数计 算程序如此循环往复。其中本实施例时钟计时功能始终处于开启状态，在进入每个检测周 期时时钟计时功能均清零并重新计时，在每个检测周期内一旦计时到达设定的时间点则执 行各向交通流车道区域的车辆数获取操作，当到达该检测周期的终了时间点，则对该检测 周期内获取各向交通流车道区域的车辆数求平均计算，即将一个检测周期内多次采集的车 辆数相加，并将相加之和除以获取次数，即获取该检测周期内各向交通流的瞬时平均车辆 数。本实施例中每个检测周期的时间长度可以相同也可以不同。
[0047] 步骤S30、建立交通流密度计算模型：K=Q/ (L*N)，并根据所述模型计算每个检测 周期内的各向交通流车道的交通流密度。
[0048] 其中，本步骤S30中K为交通流密度，单位为辆/km*车道；L为各向交通流车道 区域对应的实际车道长度，单位为km;Q为各向交通流车道区域的瞬时平均车辆数，单位为 辆，N为各交通流向包含的车道数。
[0049] 本步骤S30中所述交通流密度的计算模型为根据交通流密度的概念建立的，所述 交通流密度的概念为：车道单位长度内某一时间内瞬时存在的平均车辆数。
[0050] 步骤S40、根据每个检测周期内的各向交通流车道的交通流密度，确定各向交通流 车道的交通状态，作为交通管理人员执行信号控制和交通诱导的依据。
[0051] 参见图2,图2为图1中步骤S40的细化流程示意图。本步骤S40中所述根据每个 检测周期内的各向交通流车道的交通流密度，确定各向交通流车道的交通状态，作为交通 管理人员执行信号控制和交通诱导的依据具体包括：
[0052] 步骤S41、根据每个检测周期内各向交通流车道的交通流密度以及预设的交通流 密度值与交通状态等级的映射关系，确定每个检测周期各向交通流车道对应的交通状态等 级。
[0053] 本步骤S41中预先设置的交通流密度值与交通状态等级的映射关系参见表1。
[0054] 表 1 :
[0056] 步骤S42、根据每个检测周期内各向交通流车道的交通状态等级，针对每个检测周 期为各向交通流车道生成相应的信号控制和交通诱导方案。
[0057] 进一步地，上述实施例中，在步骤S10之后还包括如下处理：获取各向交通流车道 区域的参考背景画面。本实施例是在所需监控的道路上空一定高度安装拍摄装置，所有拍 摄装置的拍摄方向相同，均沿道路一个方向固定不变，即拍摄装置与路面位置保持相对静 止，因此没有车辆经过时的车道区域可以作为相应车道区域的参考背景画面，即本实施中 是在某一车道没有车辆经过时，从相应的视频画面中获取该车道区域的画面，以此画面作 为该车道区域的参考背景画面。
[0058] 上述实施例中步骤S20中在设定的时间点获取各向交通流车道区域的车辆数具 体包括：从设定的时间点对应的视频画面中提取各向交通流车道区域对应的画面，将所述 各向交通流车道区域对应的画面与相应的参考背景画面相减；根据相减差值计算所述设定 的时间点对应的各向交通流车道区域内的车辆数。具体地将从设定的时间点对应的帧视频 画面中提取各向交通流车道区域对应的画面所有像素点与相应参考背景画面的所有像素 进行相减，然后对相减差值进行二值化，根据二值化处理结果统计发生变化的像素点数量， 以及发生变化的像素点之间的关系确定所述设定的时间点对应各向交通流车道区域存在 的车辆数。
[0059] 然而若要保证计算出来的交通流密度的准确率高还需考虑以下三点因素：
[0060] 一、照明条件的存在不稳定性，当强烈的阳光突然被乌云遮挡，会被认为当前帧视 频画面相应参考背景画面几乎帧视频画面均发生了变化；二、运动点的连续性，汽车为较大 物体，当有汽车经过则有多个连续的像素点同时发生变化，而某些孤立的像素点发生变化 不可能由车辆的存在引起，很可能是由噪声引起；三、视频捕获传输信道存在噪声，即使在 光照未变化，也不存在车辆，某些像素点的RGB亮度仍有可能发生变化。本实施例中为了防 止上述三点因素的干扰，确保各向交通流的交通流密度的准确率，将发生变化的像素点的 坐标值代入如下公式（1)、（2)、（3)。
[0064] 当代入上式公式中有一个成立，则表明该发生变化的像素点（x，y)为运动点，即 车辆对应的像素点。并根据所有运动点相互之间的关系，如连续性等确定各向交通流车道 区域内的所有运动点由多少车辆引起，即确定当前帧视频画面中各向交通流车道区域的存 在的车辆数。
[0065] 上式公式（1)、（2)、⑶中a，0为常数，2)、nt(x，y)为是一个连通因子，它的其 值的大小与点（x，y)的八邻域的运动属性有关，参见图3,图3为像素点（x，y)及其八邻域
C8之间的关系示意图。 其中M(x'，y')为是一个二进制量。如果点 t (x'，太）是运动点，那么M(x'，y')为1;否则为0。因为扫描顺序的关系，排在（x，y) 后面的四个点的值可以用上一帧视频画面的