一种基于无人机机载平台的广域交通拥堵检测方法
【专利摘要】本发明公开了一种基于无人机机载平台的广域交通拥堵检测方法，属于视频图像技术领域。包括以下步骤：步骤一：利用GPS技术获取无人机对地高度H，并判断可否进行拥堵检测，若否则对无人机空间位置进行调整；步骤二：离线采集车辆红外图像正负样本，提取其HOG特征并训练SVM模型；步骤三：利用红外相机获取红外图像信号；步骤四：对红外图像滑窗采样，提取滑窗区域HOG特征，利用SVM模型进行车辆检测，统计当前视域中的车辆总数N；步骤五：据无人机高度H与车辆总数N，计算拥堵指标C，返回检测结果。本方法采用红外摄像机能在天气恶劣、能见度低等复杂情况下，完成交通拥堵状态检测。同时，无人机机载平台可以动态选取检测区域，使检测系统更加灵活。
【专利说明】
-种基于无人机机载平台的广域交通拥堵检测方法
技术领域
[0001] 本发明属于视频图像技术和智能交通技术领域，设及一种基于无人机机载平台的 广域交通拥堵检测方法。
【背景技术】
[0002] 随着经济发展、城市化进程的加快W及城市规模不断扩大，机动车保有量不断增 多。据公安部交管局统计数据显示，截至2015年底，全国机动车保有量达2.79亿辆，其中汽 车1.72亿辆，新能源汽车58.32万辆;全国私家车保有量已达1.24亿辆，平均每百户家庭拥 有31辆。此外，机动车驾驶人已达3.27亿人，其中汽车驾驶人超过2.8亿人。机动车保有量及 道路交通流的急剧增加，使得城市交通拥堵日益严重。
[0003] 交通拥堵不仅导致交通事故的增多，带来经济上的损失，甚至还危及到人们的生 命安全。据交通部统计数据显示，交通拥堵带来的经济损失占城市人口可支配收入的20%， 相当于每年国内生产总值的5-8%，每年达2500亿元人民币。据世界卫生组织统计资料，我 国每年交通事故死亡人数超25万。交通拥堵问题给我国带来了极大的生命、财产损失，已成 为制约我国大中城市经济发展和人民生活质量提高的主要瓶颈。
[0004] 智能交通系统（InteIligentlYansportation System, ITS)是解决交通拥堵问题 的最有效手段之一，其借助各种感知设备W及数据通信、电子传感、电子控制等技术手段， 对各种交通情况进行感知、分析处理与协调，最终建立起一种实时、准确和高效的综合运输 管理体系。在ITS系统的应用过程中，实时、有效地获取交通信息显得十分重要。能否实现道 路交通拥堵状态的检测，对解决城市交通拥堵起到了十分重要的支撑作用。
[0005] 目前，常用交通拥堵检测方法主要有环形线圈检测、地磁检测、电磁检测、微波检 测、超声波检测、微波检测W及视频图像检测等方法。其中，磁感应(电磁、地磁)检测方法不 受天气、光照等的影响，性能稳定且应用广泛，但其通常需要埋设在固定地面，对车辆非正 常行驶等情况易产生误判，且存在故障率高、难W维护等不足;波频(超声波、微波)检测方 法因其在传播过程中会随传播距离而衰减，故其回波信号比较微弱，易淹没在噪声中，同时 也存在安装复杂、遮挡、不便维护等诸多缺点；相比而言，视频检测方法因其具有应用范围 广、安装过程简便、准确度较高等优点，逐渐成为当前交通拥堵检测的主流方法。
[0006] 然而，当前的视频检测方法多基于彩色图像原理进行流量检测，其在夜晚、天气条 件恶劣、能见度较低等情况下极易产生车辆漏检，拥堵检测精度极低。此外，用于采集交通 数据的摄像设备通常安装较固定，缺乏灵活性。红外信号受天气状况、光照变化、遮挡等影 响较小，特别是将红外摄像机安装于无人机平台上，用于交通拥堵检测，具有检测视域广、 检测区域灵活等特点，对于动态获取交通状态信息，解决交通拥堵具有极其重要的意义。因 此，目前急需一种基于无人机机载平台的广域交通拥堵检测方法。
【发明内容】
[0007] 有鉴于此，本发明的目的在于克服现有的基于视频的交通流量检测方法存在的缺 陷，提供一种鲁棒、灵活的交通流量检测方法，该方法基于机载平台、红外摄像技术和目标 检测算法，可W在夜晚、天气状况恶劣、能见度较低的情况下对局部路段的车辆进行检测， 并能灵活选取检测区域，计算当前位置交通流量状态。为达到上述目的，本发明提供如下技 术方案:一种广域视角下基于机载平台的交通流量检测方法。包括W下步骤：
[0008] 步骤一:利用GPS定位技术获取无人机对地高度H，并判断当前高度是否可进行交 通拥堵检测，若是则进行车辆目标检测，若否则对无人机空间位置进行调整；
[0009] 步骤二:离线采集用于车辆目标检测的红外图像正负样本，分别提取其梯度直方 图特征化OG)，进行支持向量机（SVM)分类器训练，得到用于在线车辆检测的SVM分类器模 型。
[0010] 步骤利用红外线摄像机进行红外线摄像，获取视频图像信号；
[0011] 步骤四：对所摄取红外图像序列在不同尺度的滑动窗口下进行采样，提取滑窗区 域册G特征，将该特征送入步骤二中得到的分类器模型中，对车辆目标区域进行分类，检测 当前广域视角下的车辆，并统计当前视域中的车辆总数N;
[0012] 步骤五:根据无人机对地高度H与车辆总数N，计算拥堵指标C，并将该指标与设定 阔值进行比较，大于设定阔值，则返回交通拥堵状态；小于设定阔值，则返回交通通行正常 状态。
[0013] 进一步，在步骤一中具体包括W下步骤：11:利用GPS定位技术获取无人机对地高 度H;12:若当前高度满足式则进行车辆目标检测，否则调整无人机空间位置。
[0014] 进一步，所述步骤=中具体包括W下步骤：21:离线采集用于车辆检测的正负样 本，其中正样本是指含有待检车辆的样本，负样本的选取较随意，但需与车辆目标无关;22: 分别提取正负样本的册G特征，将采集样本映射至一个特征向量空间，并相应地做好样本的 正负标签;23:将提取的特征向量及相应标签输入SVM训练算法中，得到一个用于红外图像 车辆目标检测的分类器模型。
[0015] 进一步，所述步骤四中具体包括W下步骤:41:对所采集的红外图像不同尺度大小 上进行滑动窗口采样，提取滑窗区域的HOG特征;42:将提取得到的特征向量送入权利要求1 所述步骤=中得到的分类模型，对车辆目标进行检测分类;43:当检测到车辆目标是将车辆 总数计数器N加1，统计当前视域下的车辆目标总数。
[0016] 进一步，所述步骤五中具体包括W下步骤:51:拥堵指标C按下式进行计算：
[0017]
…
[0018] 其中，N为车辆总数，H为无人机对地高度，a为无人机视角，n为通行车道数；52:若 拥堵指标C大于设定阔值，则返回交通拥堵状态;52:若拥堵指标C小于设定阔值，则返回交 通通行正常状态。
[0019] 本发明的有益效果在于:本发明所述方法基于无人机机载平台与红外图像处理技 术，其中，红外摄像机能准确地探测热目标，克服背景W及恶劣天气条件的不良影响，因此 适用范围广，鲁棒性较强;此外，与目前现有的固定检测位置的交通拥堵检测方法相比，无 人机不仅可W灵活选取检测区域，实现检测设备"一机多用"，能够在一定程度上降低检测 成本，而且无人机具有较高的检测视角，检测结果更为准确可靠。
【附图说明】
[0020]为了使本发明的目的、技术方案和有益效果更加清楚，本发明提供如下附图进行 说明：
[0021 ]图1为本发明所述方法的流程图；
[0022] 图2为无人机空间位置部署示意图。
【具体实施方式】
[0023] 下面将结合附图，对本发明的优选实施例进行详细的描述。
[0024] 图1为本发明所述方法的流程图，本方法包括W下步骤：
[0025] SI:对无人机机载平台空间位置进行预处理，将其调整至可检测的高度范围内。无 人机空间位置调整具体步骤如下：
[00%] Sll:利用GPS定位技术获取无人机对地高度H;
[0027] S12:判断无人机当前空间高度是否满足式若是则进行车辆目标检 ，否则调整无人机空间位置W满足上述空间约束条件。
[0028] S2:离线采集用于车辆目标检测的红外图像正负样本，分别提取其梯度直方图 化OG)特征，进行支持向量机(SVM)分类器训练，得到用于在线车辆检测的SVM分类器模型。 具体步骤如下：
[0029] S21:离线采集用于车辆检测的正负样本，其中正样本是指含有待检车辆的样本， 负样本的选取较随意，但需与车辆目标无关；
[0030] S22:分别提取正负样本的HOG特征，将采集样本映射至一个特征向量空间，并相应 地做好样本的正负标签；
[0031] S23:将提取的特征向量及相应标签输入SVM训练算法中，得到一个用于红外图像 车辆目标检测的分类器模型。
[0032] S3:利用红外线摄像机进行红外线摄像，获取红外视频图像信号。
[0033] S4:对所述步骤S3所摄取的红外图像信号进行车辆目标检测，并统计车辆总数。车 辆目标检测与计数统计的具体步骤如下：
[0034] S41:对所采集的红外图像在不同尺度大小上进行滑动窗口采样，提取滑窗区域的 HOG特征；
[0035] S42:将提取得到的特征向量送入所述步骤S23中得到的分类模型，对车辆目标进 行检测分类；
[0036] S43:当检测到车辆目标是将车辆总数计数器N加1，统计当前视域下的车辆目标总 数。
[0037] S5:计算用于评判交通通行状态的拥堵指标，得到交通通行状态。具体步骤如下：
[0038] S51:根据附图2所示的无人机交通拥堵检测方案示意图，根据=角形计算原理，可 计算出当前路段平均车距，可将其作为评判交通通行状态的拥堵指标。其中，拥堵指标C按 下式进行计算：
[0039]
…
[0040] 其中，N为车辆总数，H为无人机对地高度，a为无人机视角，n为通行车道数；
[0041 ] S52:若拥堵指标C大于设定阔值，则返回交通拥堵状态；
[0042] S52:若拥堵指标C小于设定阔值，则返回交通通行正常状态。
[0043] 最后说明的是，W上优选实施例仅用W说明本发明的技术方案而非限制，尽管通 过上述优选实施例已经对本发明进行了详细的描述，但本领域技术人员应当理解，可W在 形式上和细节上对其作出各种各样的改变，而不偏离本发明权利要求书所限定的范围。
【主权项】
1. 一种基于无人机机载平台的广域交通拥堵检测方法，其特征在于:包括以下步骤： 步骤一:利用GPS定位技术获取无人机对地高度H，并判断当前高度是否可进行交通拥 堵检测，若是则进行车辆目标检测，若否则对无人机空间位置进行调整； 步骤二：离线采集用于车辆目标检测的红外图像正负样本，分别提取其梯度直方图 (HOG)特征，进行支持向量机(SVM)分类器训练，得到用于在线车辆检测的SVM分类器模型。 步骤三:利用红外线摄像机进行红外线摄像，获取视频图像信号； 步骤四：对所摄取红外图像序列在不同尺度的滑动窗口下进行采样，提取滑窗区域HOG 特征，将该特征送入步骤二中得到的分类器模型中，对车辆目标区域进行分类，检测当前广 域视角下的车辆，并统计当前视域中的车辆总数N; 步骤五:根据无人机对地高度Η与车辆总数N，计算拥堵指标C，并将该指标与设定阈值 进行比较，大于设定阈值，则返回交通拥堵状态;小于设定阈值，则返回交通通行正常状态。2. 根据权利要求1所述的一种基于无人机机载平台的广域交通拥堵检测方法，其特征 在于:在步骤一中具体包括以下步骤:11:利用GPS定位技术获取无人机对地高度Η; 12:若当 前高度满足式KH<Hmax，则进行车辆目标检测，否则调整无人机空间位置。3. 根据权利要求1所述的一种基于无人机机载平台的广域交通拥堵检测方法，其特征 在于:在步骤二中具体包括以下步骤:21:离线采集用于车辆检测的正负样本，其中正样本 是指含有待检车辆的样本，负样本的选取较随意，但需与车辆目标无关;22:分别提取正负 样本的HOG特征，将采集样本映射至一个特征向量空间，并相应地做好样本的正负标签;23: 将提取的特征向量及相应标签输入SVM训练算法中，得到一个用于红外图像车辆目标检测 的分类器模型。4. 根据权利要求1所述的一种基于无人机机载平台的广域交通拥堵检测方法，其特征 在于:在步骤四中具体包括以下步骤:41:对所采集的红外图像不同尺度大小上进行滑动窗 口采样，提取滑窗区域的HOG特征;42:将提取得到的特征向量送入权利要求1所述步骤三中 得到的分类模型，对车辆目标进行检测分类;43:当检测到车辆目标是将车辆总数计数器N 加1，统计当前视域下的车辆目标总数。5. 根据权利要求1所述的一种基于无人机机载平台的广域交通拥堵检测方法，其特征 在于:在步骤五中具体包括以下步骤:51:拥堵指标C按下式进行计算：其中，N为车辆总数，Η为无人机对地高度，α为无人机视角，η为通行车道数;52:若拥堵 指标C大于设定阈值，则返回交通拥堵状态;52:若拥堵指标C小于设定阈值，则返回交通通 行正常状态。
【文档编号】G08G1/01GK105957341SQ201610367802
【公开日】2016年9月21日
【申请日】2016年5月30日
【发明人】尹宏鹏, 柴毅, 陈波, 李天柱, 王唯
【申请人】重庆大学