施例的流程 示意图。本实施例中，所述基于无人机监控的交通流密度检测方法包括：
[0054] 步骤S10,获取无人机在设定的检测周期及虚拟区域内拍摄的交通视频图像信息；
[0055] 交通流密度具体是指某一时刻，某单位长度的路段上一条车道或几条车道内的车 辆数，具体用于反映道路上车辆的密集程度W及衡量道路上车流杨通情况。根据W上定义， 交通流密度为一段道路上所测得的瞬时值，它不仅随时间的变化而变动，也随测定区间的 长度而变化。因此，本实施例中预先设定相应的检测周期，并优选将该检测周期内所测得的 多个瞬时时刻所对应的交通流密度的平均值作为该检测周期的交通流密度。因此，不同检 测周期内所对应的交通流密度可能相同，也可能不相同。此外，虚拟区域具体是指摄像视野 内所对应的用于统计车辆数量的路段，该虚拟区域所对应的路段(也即路段的长度、车道数 等设置不限)具体根据实际需要进行设置。
[0056] 另外，需要说明的是，本实施例中，对于无人机的设置不限，例如摄像头的数量及 位置、飞行高度、摄像方式(悬停摄像)等。本实施例中，为便于无人机所拍摄到的交通视频 图像信息与城市信号控制系统W及交通诱导系统对接，因此，优选通过无线传输方式同步 获取无人机在设定的检测周期及虚拟区域内拍摄的交通视频图像信息。例如，在当前检测 周期结束时，无人机将所拍摄到的交通视频图像信息通过移动通信信号发送给交通监控平 台，并由交通监控平台完成对当前检测周期内车辆数量的统计，从而得到当前检测周期所 对应的交通流密度。
[0057] 此外，需要进一步说明的是，对于城市道路，特别是道路长度不是很长的路段，由 于受到信号控制，往往会出现短时间内交通流密度上下剧烈波动，即红灯时交通流密度较 大，而绿灯时间交通流密度逐渐减小。因此，为了削弱信号控制所带来的检测干扰，本实施 例中要求交通流数据检测周期错开信号的红、绿灯启亮时间，并且通过检测误差趋势变化 图分析W确定出合理的检测间隔（也即检测周期）。本实施例中优选30s ,Imin，1.5min， 2min，2.5min，3min，3.5min，4min，4.5min，5min，6min，7min，8min，9min，IOmin, 15min的短 时序列进行分析，分析结果如图2-3所示。
[0058] 根据图2-3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，因此检测间隔需要大于5min，但是检测间隔太长则会使得交通流密度检测的 时效性降低且检测的价值丧失，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，倘若检测间隔太长，则无法及时提供决策，进而可能造成车辆更大的延误W及系统 效率低下。因此，综合上述各方面因素，本实施例中优选5min作为检测周期。
[0059] 步骤S20,对所述交通视频图像信息进行运动分割处理，并统计所选定的所述交通 视频图像信息中多个时刻所对应的多帖样本图像中进入所述虚拟区域内的车辆数量W及 计算得到在所述检测周期内进入所述虚拟区域的平均车辆数；
[0060] 本实施例中，为便于计算得到当前检测周期所对应的交通流密度，因此，需要对获 取到的交通视频图像信息进行处理W实现对该交通视频图像信息中进入虚拟区域内的车 辆数量的统计。本实施例中优选采用运动分割的方式对交通视频图像信息进行处理，也即 通过运动分割，将视频图像中运动的部分(车辆)与相对静止的部分(背景)进行分割，从而 便于对进入虚拟区域内的车辆进行统计。
[0061] 此外，本实施例中，为获得当前检测周期内进入设定的虚拟区域的平均车辆数，因 此，需要选定多个时刻并分别统计该多个时刻所对应的多帖样本图像中进入虚拟区域内的 车辆数量，进而得到当前检测周期的平均车辆数。
[0062] 步骤S30,根据所述虚拟区域所对应的路段长度与所述平均车辆数，计算得到当前 所述检测周期内的交通流密度。
[0063] 本实施例中，根据上述计算所得到的平均车辆数W及对应虚拟区域所对应的路段 长度，计算当前所述检测周期内的交通流密度。其中，具体的计算方式及过程不限。比如对 虚拟区域所对应的路段的车道数、车道长度等进行标准化处理等。
[0064] 基于现有技术中一般都是通过时间占有率或者空间占有率来间接判定交通流密 度，或者通过流量与速度公式计算得到交通流密度，但该类方式并不能精确反映当前的交 通流密度，同时计算过程也比较繁琐复杂。
[0065] 因此进一步可选的，在一实施例中，根据交通流密度的定义建立交通流密度数学 模型，也即根据虚拟区域所对应的路段长度与计算得到的平均车辆数构建交通流密度数学 模型，其中，所述交通流密度数学模型为：
[0066] K = Q/!;
[0067] 其中，K为交通流密度，L为虚拟区域的路段长度，Q为虚拟区域路段内的瞬时平均 车辆数。本优选实施例中仅需根据虚拟区域所对应的路段长度W及进入该虚拟区域的瞬时 平均车辆数即可计算得到当前检测周期内的交通流密度，也即直接根据交通流密度的定义 计算交通流密度，从而简化了交通流密度计算过程，同时也保证计算结果的精确性。需要进 一步说明的是，虚拟区域路段内的瞬时平均车辆数(也即Q)具体是指为便于测量平均车辆 数而在当前检测周期内的多个非连续的瞬时时刻所对应的样本图像中所统计得到的进入 虚拟区域路段内的平均车辆数，也即可认为该Q值即为在当前检测周期进入虚拟区域的平 均车辆数。
[0068] 本实施例中，通过无人机(带有摄像机)实时获取道路的车流情况(也即交通视频 图像信息）W捕捉道路上一定区域内的所有车辆，获取瞬间的车辆数，进而可W计算出对应 的交通流密度。相比其他检测方法，无人机价格相对低廉，同时无人机监控检测法可实现对 重点路段的实时监控W及可进行多个区域巡回监控检测且精确度较高。此外，采用无人机 拍摄交通视频图像，不仅降低了拍摄设备的成本，同时进一步可根据实际需要调整拍摄的 高度、角度及拍摄区域等，从而可保证交通数据信息的实时性W及准确性，进而可相应提高 交通流密度计算的精确性，比如为交通管理部口提供准确的决策依据，通过与城市信号控 制系统和交通诱导系统进行协调，进而缓解部口路段的交通拥堵情况。此外，本实施例中仅 统计在检测周期内进入设定的虚拟区域的车辆数量，因而通过虚拟区域限定了图像处理的 像素区域范围，进而可简化对图像的处理效率W及提高了车辆识别的精度。
[0069] 参照图4,图4为本发明基于无人机监控的交通流密度检测方法第二实施例的流程 示意图。基于上述实施例，本实施例中，在上述步骤Sl0之前包括：
[0070] 步骤SOl，根据所述无人机所监控的目标道路的结构特征，在所述无人机的监控视 野内划定所述虚拟区域并标定所述虚拟区域所对应的路段长度，其中，所述虚拟区域包括 多个虚拟线圈且所述虚拟线圈分别对应覆盖所述目标道路的同向所有车道。
[0071] 本实施例中，目标道路的结构特征具体包括道路的车道数、车流方向、监测视野内 的道路长度W及是否有弯道等等，目标道路的结构特征既可W由系统自动识别并完成虚拟 区域的设定，或者由操控无人机的用户远程手动完成虚拟区域的设定，从而在无人机的监 控视野内划定虚拟区域，而系统（比如交通监控平台）则只会在虚拟区域内进行车辆捕捉并 进行车辆数统计，从而可避免其他目标道路外移动因素的干扰。虚拟区域需要根据目标道 路的结构特征来划定，并且还需要标定出对应的目标道路的路段长度，W便于后续计算。其 中，虚拟区域进一步包括多个虚拟线圈且拟线圈分别对应覆盖目标道路的同向所有车道， 如图5所示的虚拟区域一实施例的示意图。
[0072] 本实施例中，根据道路结构，在监控视野内划定虚拟区域，并且标定出该虚拟区域 路段的实际长度。虚拟区域的路段长度一旦标定出来，且获取到虚拟区域内的平均车辆数， 即可计算出该区域路段的交通流密度，从而能够W更为简便地方式获得被监控的任意路段 的交通流密度。
[0073] 参照图6,图6为图1中步骤S20的细化流程示意图。基于上述实施例，本实施例中， 上述步骤S20包括：
[0074] 步骤S201，采用背景差分法并基于动态的分割阔值对所述交通视频图像信息进行 运动分割处理，得到多帖样本图像中分别进入所述虚拟区域内的车辆所对应的像素点集 合；
[0075] 本实施例中，运动分割的目的在于把视频图像中运动的部分与相对静止的部分进 行分割。由于无人机的摄像机与路面位置保持相对静止，因此可采用背景差分法来进行运 动分割。其基本实现原理为:首先把视频图像中的静止部分提取出来，作为参考背景，然后 再把当前帖样本图像与参考背景相减，并将差值进行二值化处理，最后统计发生变化的像 素的数量，而当变化超过噪声阔值(也即固定的分割阔值)后便可W认为有车辆经过了虚拟 区域。
[0076] 此外，本实施例中，基于W下=点的考虑:第一，照明条件的存在不稳定性，如强烈 的阳光突然被乌云遮挡，简单的相减会认为几乎整幅图像都发生了变化。第二，运动点的连 续性，因为运动的是汽车等较大的物体，所W运动点应在空间上与其他点相连接，那些孤立 的点很可能是由噪声引起的。第=，视频捕获传输信道存在噪声，即使光照条件和景物都没 有发生变化，像素点的R