本发明涉及一种建模方法，尤其涉及一种基于车辆检测的道路拥堵建模方法。
背景技术：
智能交通系统将先进的信息技术、数据通讯传输技术、电子传感技术、控制技术及计算机技术等有效地集成运用于整个地面交通管理系统而建立的一种在大范围内、全方位发挥作用的，实时、准确、高效的综合交通运输管理。
机器学习算法在模式识别领域广泛应用，首先需要进行特征提取，然后使用分类器对提取的特征进行分类，haar-like特征能够描述图像的边缘信息，车辆边缘信息丰富，适合于使用haar-like特征进行描述，adaboost分类器是一种级联强分类器，由多个弱分类器组成，通过多次判别能够很好的识别目标。
随着经济的发展和城市规模的不断扩大，道路拥堵成为各大城市面临的共同难题，快速、准确的发现道路中的交通拥堵状况，对于制定合理有效的交通拥堵疏导策略具有重要意义，各个国家也对交通拥堵模型进行了研究，目前的判定方法大多是通过比较某一个交通参数与一个阈值的关系，当参数处于某一个阈值区域的时候，我们便认为此时的交通处于某一种状态。
技术实现要素：
本发明的目的就在于为了解决上述问题而提供一种基于车辆检测的道路拥堵建模方法。
本发明通过以下技术方案来实现上述目的：
本发明包括以下步骤
a、车辆检测；
b、车辆判别；
c、车辆矫正；
d、车辆跟踪；
e、计算车辆速度；
f、计算车辆密度；
g、提出车辆拥堵模型；
h、判断道路拥堵情况。
本发明优选的，根据步骤a，所述车辆检测通过机器学习方法获取，首先提取图像中的haar-like特征，进而使用adaboost分类器进行分类，提取出图像中的车辆。
本发明优选的，根据步骤b，通过车辆检测技术找到车辆信息中一部分误检区域，通过车辆大小、边缘点过滤进行车辆判别，通过平滑算法与边缘检测，检测检测区域的边缘信息，若边缘信息过少，则认为是路面，滤除该检测区域。
本发明优选的，根据步骤c，通过车辆边缘检测技术对车辆边缘进行定位，进行车辆矫正。
本发明优选的，根据步骤d，通过卡尔曼滤波算法对车辆跟踪。
本发明优选的，根据步骤e，根据车辆跟踪结果计算车辆每辆车的速度，总体的车辆速度为所有车的速度的平均值。
本发明优选的，根据步骤f，所述车辆密度vd指道路上行驶的车辆个数与道路面积的比值，不考虑车辆体积的影响，假设共n个通道，道路长度为l，共行驶m辆车，则车辆密度是：
vd＝m/(n*l)；
本发明优选的，根据步骤g，根据所述车辆密度和所述车辆速度提出一种车 辆拥堵模型，rci表示道路拥堵指数，根据日常常识，车辆密度越小，车辆速度越大，则道路越畅通，建立的车辆拥堵模型为：
rci＝vs/(p*vd)，其中p为参数；
本发明优选的，通过对历史交通数据的分析，拥堵情况为：rci＞1，则道路非常畅通；rci＞0.7，道路畅通；rci＞0.3，轻度拥堵；rci＜0.3，重度拥堵。
本发明的有益效果在于：
本发明通过车辆检测技术使用机器学习算法，检测率高，检测之后进行过滤和矫正，使得检测图像更加稳定，适合于做后续的跟踪计算，依据车辆速度和车辆密度提出的拥堵模型能够真实反应道路的拥堵情况。
附图说明
图1是本发明所述一种基于车辆检测的道路拥堵建模方法的流程图。
具体实施方式
下面结合附图对本发明作进一步说明：
如图1所示：本发明包括以下步骤
a、车辆检测，所述车辆检测通过机器学习方法获取，首先提取图像中的haar-like特征，进而使用adaboost分类器进行分类，提取出图像中的车辆；
b、车辆判别，通过车辆检测技术找到车辆信息中一部分误检区域，通过车辆大小、边缘点过滤进行车辆判别，通过平滑算法与边缘检测，检测检测区域的边缘信息，若边缘信息过少，则认为是路面，滤除该检测区域；
c、车辆矫正，通过车辆边缘检测技术对车辆边缘进行定位，进行车辆矫正；
d、车辆跟踪，通过卡尔曼滤波算法对车辆跟踪；
e、计算车辆速度，根据车辆跟踪结果计算车辆每辆车的速度，总体的车辆速度为所有车的速度的平均值；
f、计算车辆密度，所述车辆密度vd指道路上行驶的车辆个数与道路面积的比值，不考虑车辆体积的影响，假设共n个通道，道路长度为l，共行驶m辆车，则车辆密度是：
vd＝m/(n*l)；
g、提出车辆拥堵模型，根据所述车辆密度和所述车辆速度提出一种车辆拥堵模型，rci表示道路拥堵指数，根据日常常识，车辆密度越小，车辆速度越大，则道路越畅通，建立的车辆拥堵模型为：
rci＝vs/(p*vd)，其中p为参数；
h、判断道路拥堵情况，通过对历史交通数据的分析，拥堵情况为：rci＞1，则道路非常畅通；rci＞0.7，道路畅通；rci＞0.3，轻度拥堵；rci＜0.3，重度拥堵。
本发明的工作原理如下：
使用车辆模型检测视频中的车辆，在车辆模型的训练阶段：整理大量的正样本车辆图像与负样本非车辆图像，提取样本的haar-like特征，结合adaboost分类器进行训练，得到二类判别模型。在检测阶段，使用同样的特征和分类器以及训练好的模型进行车辆的检测，提取视频中的车辆子图像。对提取的子图像进行过滤，依据先验知识，包括车辆大小、车辆边缘信息对提取的子图像进行过滤。由于adaboost分类器和haar-like特征的检测结果会使得检测到的子图像有偏差，根据边缘信息精确定位车辆边缘，进行检测结果的矫正。使用卡尔曼滤波算法对车辆进行跟踪。根据跟踪结果，计算每辆车的速度，假设共有m辆车，则平均车辆速度为所有车的速度和除以m得到的平均值。计算车辆密度。建立车辆拥堵模型公司：rci＝vs/(p*vd)，通过对历史交通数据的分析，p＝1000比较合适，rci越大，表示道路越畅通，rci越小表示道路越拥堵。通过对数据 的分析，判断拥堵情况为：rci＞1，则道路非常畅通；rci＞0.7，道路畅通；rci＞0.3，轻度拥堵；rci＜0.3，重度拥堵。
本领域技术人员不脱离本发明的实质和精神，可以有多种变形方案实现本发明，以上所述仅为本发明较佳可行的实施例而已，并非因此局限本发明的权利范围，凡运用本发明说明书及附图内容所作的等效结构变化，均包含于本发明的权利范围之内。