GB亮度仍有可能发生一定的变化。为适应上述因素所引起的变化， 因此，基于W上=点的考虑，本实施例中，采用局部动态阔值进行运动分割并具体根据W下 式子进行(依RGBS种颜色计算）：
[0080] W上=个式子只要有一个成立，坐标点（x，y)就可被判断为运动的物体，否则，就 是静止的背景点。对于运=个式子的理解如下：
[0081] 1)、lR,t(x，y)表示坐标为(x，y)的像素点的红色通道在t时刻的灰度值，BR,t(x，y) 表示(x，y)的像素点在t时刻参考背景的灰度值，其中，I、B通常取[0,25引间的整数，Ie,t(x， 7)、16,1；(又，50、8。,1；(又，50、86,1；(又，50与虹1；^，50、1^,1；(又，50类似。
[00剧 2)、日，0都是常数。
[0083] 3)、nt(x，y)是一个连通因子，它的值与点（x，y)的八邻域（即与之相邻的八个点， 如图7所示）的运动属性有关，"'^^ = ^.|^1€。^0：'^)其中M(厶/)是一个二进制量。 如果点，/)是运动点，那么，/)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W用上一帖的运动属性来确定。不难知道，如果待处理点（x，y)周围运动 点越多，（x，y)的分割值就越小，（x，y)就越容易被判为运动点;反之亦然。
[0084] 4)、〇t(x，y)是标准差，其定义是：
[0086] 其中，y(x，y)是数学期望。有时为了节省内存空间和运算时间，标准差可W利用递 增的方法进行计算（W红色通道为例）：
[0087] 〇^,t(x,y) = (l-p)〇^R,t-i(x,y)+p[lR,t(x,y)-BR,t(x,y)]^
[0088] 其中P可W是一个时间的变量，也可W地近似认为是一个常数。其他两个颜色通道 的标准差的计算与红色通道相同。
[0089] 5)、kt(x，y)是对照条件变化的考虑。如图8所示，先把当前一帖的图像划分为一个 个小的正方形区域Wi J，每个窗口的边长是m个像素，m的取值根据被检测物体的大小确定， 对于车辆的检测，一般取5-9"(x，y)必属于所有正方形区域中的一个，记为S，那么
[0091] 步骤S202,采用多目标跟踪算法对所述像素点集合进行跟踪，并对应统计进入所 述虚拟区域的车辆数量；
[0092] 通过上述运动分割处理后所得到多帖样本图像中分别进入虚拟区域内的车辆所 对应的像素点集合，进而可进行车辆数量的统计，但由于虚拟区域内可能存在多部车辆，而 仅仅通过每个车道仅有的虚拟线圈来捕捉车辆是无法满足多车辆同时捕捉需求的，因此， 本实施例中优选采用多目标跟踪算法对虚拟区域内所有车辆进行捕捉并计数。多目标跟踪 算法与现有技术相同，因此不做过多寶述。
[0093] 步骤S203,根据统计得到的车辆数量，计算每帖样本图像中进入所述虚拟区域内 的平均车辆数量W得到在所述检测周期内进入所述虚拟区域的平均车辆数。
[0094] 本实施例中，基于上述实施例中的交通流密度数学模型，因此，需要获得在所述检 测周期内进入所述虚拟区域的平均车辆数，具体通过计算每帖样本图像中进入该虚拟区域 内的平均车辆数量得到。也即在检测周期内获取多个时刻进入虚拟区域内的车辆数，然后 求取算数平均值。例如监控摄像机在检测周期5min内5次捕捉到的进入虚拟区域内的车辆 数分别为18辆、32辆、23辆、37辆、20辆，则反映出的在本检测周期5min内进入虚拟区域内的 平均车辆数为24辆，也即上述交通流密度数学模型中的Q值为24。
[00M]本实施例中，通过在视频内划定虚拟区域，并且多目标跟踪算法只对区域内的多 个车辆进行多目标跟踪捕捉并进行数量统计，从而可相应提高车辆捕捉的精确度。此外，通 过对交通视频图像信息进行运动分割，并统计进入虚拟区域内的车辆数量，即可根据本发 明的交通流密度数学模型，计算得到当前检测周期内的交通流密度，从而简化了交通流密 度的确定方式，同时也使得交通流密度的精确性得到提升。
[0096] 参照图9,图9为本发明基于无人机监控的交通流密度检测方法第=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S30之后还包括：
[0097] 步骤S40,根据计算得到的所述交通流密度及预设的交通流状态阔值，识别当前所 述检测周期内所述无人机所监控的目标道路的交通流状态。
[0098] 本实施例中，在获取到目标道路的交通流密度后，即可根据交通状态分级标准判 别目标道路交通流状态。由于道路交通流密度受到道路结构和道路车辆组成等因素影响， 不同的道路设定的交通流密度临界值及交通流密度的变化特性应该有所不同。所W根据实 测的交通流密度数据来确定某个特定路段的交通流密度临界值非常必要。而在实践中，一 般根据测得的交通流密度与设定的交通流密度临界值比较后直接来判断道路的交通流状 况。如下表1所示为某一条道路的交通流状态判定临界值，其中0、12、44、90为交通流状态阔 值，通过比较计算得到的交通流密度与设定的交通流状态阔值，即可确定当前的交通流状 态，例如，若计算得到的当前交通流密度为55,则可确定为当前监测的目标道路的交通流状 态为轻度拥挤。
[0099] 表 1
[0101] 本实施例中，通过无人机实时获取道路的车流情况，并采用多目标捕捉技术统计 目标道路上一定虚拟区域内的所有车辆，W及获取多个瞬间时刻的车辆数W得到检测周期 内的平均车辆数，进而计算出交通流密度，同时进一步直接给出当前的交通流状态W便于 用户读取并做出主观判断。无人机监控检测法可对重点路段、交叉口进行实时监控，同时还 可进行多个区域路段的巡回监控检测，机动性很强，监控面广，并能将路段的实时交通状况 回传监控中屯、W为交通管理部口提供准确的决策依据。
[0102] 参照图10,图10为本发明基于无人机监控的交通流密度检测系统一实施例的功能 模块示意图。本实施例中，所述基于无人机监控的交通流密度检测系统包括:无人机10、交 通流密度检测装置20;其中，无人机10与交通流密度检测装置20的设置不限，例如，交通流 密度检测装置20直接设置在无人机10上，或者无人机10与交通流密度检测装置20通过移动 通信信号连接W进行数据交换。
[0103] 如图11所示，其中，所述交通流密度检测装置20包括：
[0104] 交通图像获取模块201，用于获取所述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；
[0105] 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。
[0106] 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。
[0107] 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。
[0108] 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。
[0109] 交通图像处理模块202,用于对所述交通视频图像信息进行运动分割处理，