本发明涉及一种拥堵检测方法及装置，更具体涉及一种道路拥堵检测方法及装置。
背景技术：
随着我国经济发展水平的提高，越来越多的家庭选择购车出行。随着汽车销量的提升，道路拥堵也成为了驾驶员头疼的问题，因此，如何检测出拥堵路段是亟待解决的技术问题。
目前，可以采用以下步骤获取道路的拥堵状况：先对获取的当前道路的视频图像进行处理，得到当前道路的背景和前景，具体获取背景和前景的方法可以为：采用混合高斯模型对当前帧的每个像素进行建模；对车辆和路面进行分类；计算前景的连通区域，判断各连通区域的大小是否小于设定值，若是，则将对应的像素归入背景；对单一像素，根据其邻域内像素的变化抽取特征来判断是光照变化还是前景变化；判断前景是否处于非车辆出现区域，若是，则将对应的像素归入背景。再利用获取的背景的像素重新训练混合高斯模型，并更新分类器；利用更新后的分类器对待识别图像进行识别，然后根据识别后的前景图像的像素计算当前道路的道路占有率。可以理解的是，前景为车辆、背景为车道。
但是，在实际应用中，车辆的宽度小于车道的宽度，若仅根据车辆的像素计算道路的占有率，会导致道路的占有率计算不够准确，进而导致道路拥堵检测不够准确。
技术实现要素：
本发明所要解决的技术问题在于提供了一种道路拥堵检测方法及装置以提高道路拥堵检测的准确率。
本发明是通过以下技术方案解决上述技术问题的：
本发明实施例提供了一种道路拥堵检测方法，所述方法包括：
步骤1：获取监控视频数据；
步骤2：对所述监控视频数据进行分类和预处理，得到处理后的数据，其中，所述处理后的数据包括车道数据和车辆数据；
步骤3：分别将车道数据作为车道检测网络的输入，车辆数据作为车辆检测网络的输入，进行迭代训练，得到车道检测模型和车辆检测模型；
步骤4：待识别图像作为车道检测模型的输入，得到待识别图像中的车道信息；将所述待识别图像作为车辆检测模型的输入，得到待识别图像中的车辆信息；
步骤5：整合车道信息和车辆信息，得到含有车道车辆分布的目标图像；
步骤6：针对所述目标图像中的每一车道，计算所述待识别图像对应的车道占用率；
步骤7：根据所述待识别图像对应的车道占用率与预设阈值的对应关系，和所述预设阈值与所述拥堵等级的对应关系，获取所述待识别图像对应的拥堵等级，其中，所述拥堵等级包括：畅通、部分畅通、低速前行和拥堵。
可选的，在本发明实施例的一种具体实施方式中，所述步骤2，包括：
抽取监控视频数据中的视频帧；并将获取的视频帧中含有车道特征的视频帧作为车道训练图片集；将获取的视频帧中含有车辆特征的视频帧作为车辆训练图片集。
可选的，所述将获取的视频帧中含有车道特征的视频帧作为车道训练图片集；将获取的视频帧中含有车辆特征的视频帧作为车辆训练图片集，包括：
获取道路监控场景中的监控视频，将所述监控视频中分辨率大于预设阈值的监控视频作为目标监控视频；
根据预设的帧间隔，从所述目标监控视频中提出第一预设数量个图片；
利用图片缩放算法对所述第一预设数量个图片进行缩放处理，利用图片剪裁算法对所述第一预设数量各图片进行剪裁处理，获取目标分辨率的目标尺寸的图片；
用矩形框并对所述目标尺寸的图片中的车道进行标注，用连贯线包围所述目标尺寸的图片中的车辆以进行标注；
将标注后的图片中的第二预设数量个图片的集合作为车道训练图片集；将标注后的图片中的第三预设数量个图片的集合作为车辆训练图片集。
可选的，所述步骤3，包括：
利用所述车道训练图片集训练车道识别卷积神经网络，获取训练好的用于车道识别的第一卷积神经网络；利用所述车辆训练图片集训练车辆识别卷积神经网络，获取训练好的用于车辆识别的第二卷积神经网络；
将待识别图像分别输入到所述第一卷积神经网络和所述第二卷积神经网络；获取包含所述待识别图像中的车道信息的车道分布图，和包含所述待识别图像中的车辆信息的车辆分布图。
可选的，所述步骤5，包括：
根据所述车道分布图与所述车辆分布图的对应关系，将所述车道分布图与所述车辆分布图合成至同一张图中，获取包含车辆分布和车道分布的目标图像。
可选的，所述步骤6，包括：
针对当前车道中的每一车辆，将所述车辆的前边缘与所述车辆的后边缘之间的车道区域作为所述车辆对应的车道被占用的区域；
根据所述待识别图像中包含的车辆所对应的车道被占用的区域的总面积，与所述待识别图像中所有车道的总面积的商计算所述待识别图像对应的车道占用率。
可选的，在本发明实施例的一种具体实施方式中，在根据所述待识别图像中包含的车辆所对应的车道被占用的区域的总面积，与所述待识别图像中所有车道的总面积的商计算所述待识别图像对应的车道占用率，之前，所述方法还包括：
利用视角损失原理，还原出所述待识别图像中包含的车辆所对应的车道被占用的区域的未变形图像；还原出所述待识别图像中包含的车道的未变形图像；
所述根据所述待识别图像中包含的车辆所对应的车道被占用的区域的总面积，与所述待识别图像中所有车道的总面积的商计算所述待识别图像对应的车道占用率，包括：
根据所述待识别图像中包含的车辆所对应的车道被占用的区域的未变形图像对应的总面积，与所述待识别图像中包含的车道的未变形图像对应的所有车道的总面积的商计算所述待识别图像对应的车道占用率。
可选的，所述方法还包括：
利用光流法，获取所述待识别图像中的车辆的运动距离；并判断所述车辆的运动距离，是否不小于预设阈值，若是，则拥堵等级为低速前行，若否，则拥堵等级为拥堵。
本发明实施例还提供了一种道路拥堵检测装置，所述装置包括：
第一获取模块，用于获取监控视频数据；
处理模块，用于对所述监控视频数据进行分类和预处理，得到处理后的数据，其中，所述处理后的数据包括车道数据和车辆数据；
训练模块，用于分别将车道数据作为车道检测网络的输入，车辆数据作为车辆检测网络的输入，进行迭代训练，得到车道检测模型和车辆检测模型；
检测模块，用于待识别图像作为车道检测模型的输入，得到待识别图像中的车道信息；将所述待识别图像作为车辆检测模型的输入，得到待识别图像中的车辆信息；
整合模块，用于整合车道信息和车辆信息，得到含有车道车辆分布的目标图像；
计算模块，用于针对所述目标图像中的每一车道，计算所述待识别图像对应的车道占用率；
第二获取模块，用于根据所述待识别图像对应的车道占用率与预设阈值的对应关系，和所述预设阈值与所述拥堵等级的对应关系，获取所述待识别图像对应的拥堵等级，其中，所述拥堵等级包括：畅通、部分畅通、低速前行和拥堵。
可选的，所述处理模块，还用于：
抽取监控视频数据中的视频帧；并将获取的视频帧中含有车道特征的视频帧作为车道训练图片集；将获取的视频帧中含有车辆特征的视频帧作为车辆训练图片集。
可选的，所述处理模块，还用于：
获取道路监控场景中的监控视频，将所述监控视频中分辨率大于预设阈值的监控视频作为目标监控视频；
根据预设的帧间隔，从所述目标监控视频中提出第一预设数量个图片；
利用图片缩放算法对所述第一预设数量个图片进行缩放处理，利用图片剪裁算法对所述第一预设数量各图片进行剪裁处理，获取目标分辨率的目标尺寸的图片；
用矩形框并对所述目标尺寸的图片中的车道进行标注，用连贯线包围所述目标尺寸的图片中的车辆以进行标注；
将标注后的图片中的第二预设数量个图片的集合作为车道训练图片集；将标注后的图片中的第三预设数量个图片的集合作为车辆训练图片集。
可选的，所述训练模块，还用于：
利用所述车道训练图片集训练车道识别卷积神经网络，获取训练好的用于车道识别的第一卷积神经网络；利用所述车辆训练图片集训练车辆识别卷积神经网络，获取训练好的用于车辆识别的第二卷积神经网络；
将待识别图像分别输入到所述第一卷积神经网络和所述第二卷积神经网络；获取包含所述待识别图像中的车道信息的车道分布图，和包含所述待识别图像中的车辆信息的车辆分布图。
可选的，所述整合模块，还用于：
根据所述车道分布图与所述车辆分布图的对应关系，将所述车道分布图与所述车辆分布图合成至同一张图中，获取包含车辆分布和车道分布的目标图像。
可选的，所述计算模块，还用于：
针对当前车道中的每一车辆，将所述车辆的前边缘与所述车辆的后边缘之间的车道区域作为所述车辆对应的车道被占用的区域；
根据所述待识别图像中包含的车辆所对应的车道被占用的区域的总面积，与所述待识别图像中所有车道的总面积的商计算所述待识别图像对应的车道占用率。
可选的，所述计算模块，还用于：
利用视角损失原理，还原出所述待识别图像中包含的车辆所对应的车道被占用的区域的未变形图像；还原出所述待识别图像中包含的车道的未变形图像；
所述根据所述待识别图像中包含的车辆所对应的车道被占用的区域的总面积，与所述待识别图像中所有车道的总面积的商计算所述待识别图像对应的车道占用率，包括：
根据所述待识别图像中包含的车辆所对应的车道被占用的区域的未变形图像对应的总面积，与所述待识别图像中包含的车道的未变形图像对应的所有车道的总面积的商计算所述待识别图像对应的车道占用率。
可选的，，所述装置还包括：
判断模块，用于利用光流法，获取所述待识别图像中的车辆的运动距离；并判断所述车辆的运动距离，是否不小于预设阈值，若是，则拥堵等级为低速前行，若否，则拥堵等级为拥堵。
本发明相比现有技术具有以下优点：
应用本发明实施例，针将述目标图像中的每一车道，针对当前车道中的每一车辆，将所述车辆的前边缘与所述车辆的后边缘之间的车道区域作为所述车辆对应的车道被占用的区域；可以使车辆的宽度在目标图像中拓展至车道的边缘，相对于现有技术中，车辆的侧边到车道边缘的区域未被计算为车辆占有的道路区域，进而可以使道路占有率的计算更加准确，进而使道路拥堵检测更加准确。
附图说明
图1为本发明实施例提供的一种道路拥堵检测方法的流程示意图；
图2为本发明实施例提供的一种车道标注后目标尺寸的图片的示意图；
图3为本发明实施例提供的一种车辆标注后目标尺寸的图片的示意图；
图4为本发明实施例提供的目标图像的示意图；
图5为本发明实施例提供的车道被占用区域的示意图；
图6为本发明实施例提供的视角损失原理示意图；
图7为本发明实施例提供的道路畅通的示意图；
图8为本发明实施例提供的道路低速前行的示意图；
图9为本发明实施例提供的部分通畅的示意图；
图10为本发明实施例提供的拥堵的示意图；
图11为本发明实施例提供的一种道路拥堵检测装置的结构示意图。
具体实施方式
下面对本发明的实施例作详细说明，本实施例在以本发明技术方案为前提下进行实施，给出了详细的实施方式和具体的操作过程，但本发明的保护范围不限于下述的实施例。
本发明实施例提供了一种道路拥堵检测方法及装置，下面首先就本发明实施例提供的一种道路拥堵检测方法进行介绍。
图1为本发明实施例提供的一种道路拥堵检测方法的流程示意图，如图1所示，所述方法包括：
s101：获取监控视频数据。
示例性的，可以搜集不同道路监控场景的监控视频。
s102：对所述监控视频数据进行分类和预处理，得到处理后的数据，其中，所述处理后的数据包括车道数据和车辆数据。
具体的，抽取监控视频数据中的视频帧；并将获取的视频帧中含有车道特征的视频帧作为车道训练图片集；将获取的视频帧中含有车辆特征的视频帧作为车辆训练图片集。
具体的，取道路监控场景中的监控视频，将所述监控视频中分辨率大于预设阈值的监控视频作为目标监控视频；根据预设的帧间隔，从所述目标监控视频中提出第一预设数量个图片；利用图片缩放算法对所述第一预设数量个图片进行缩放处理，利用图片剪裁算法对所述第一预设数量各图片进行剪裁处理，获取目标分辨率的目标尺寸的图片；用矩形框并对所述目标尺寸的图片中的车道进行标注，用连贯线包围所述目标尺寸的图片中的车辆以进行标注；将标注后的图片中的第二预设数量个图片的集合作为车道训练图片集；将标注后的图片中的第三预设数量个图片的集合作为车辆训练图片集。
示例性的，获取不同道路的道路监控设备拍摄的监控视频，然后筛选出分辨率大于预设阈值720*480的监控视频，将筛选出来的监控视频作为目标监控视频。
然后针对每一个目标监控视频，每隔120帧，提取一个视频帧，进而获取第一预设数量个10000张视频帧。
然后利用图像缩放算法，将10000张视频帧中的分辨率大于720*480的图片缩小成分辨率为720*480的图片，可以理解的是，图像缩放算法只改变图像的分辨率，不改变图像的长宽尺寸比，另外，缩放后的分辨率不大于预设阈值。
然后对缩放后的10000张图片中，尺寸大于40mm*50mm的图像进行剪裁，剪裁掉图像中包含的非道路区域的像素，进而获取目标尺寸的图片。
再将获取的10000张目标尺寸的图片中的6000张进行车道标注，可以使用矩形框将车道标注出来。如图2所示，图2为本发明实施例提供的一种车道标注后目标尺寸的图片的示意图。在图2中，201为用于标注车道的矩形。
将获取的10000张目标尺寸图片中的6000张进行车辆标注，使用线条沿车辆的轮廓描边进行车辆标注，在用连贯线描边车辆轮廓时，要使连贯线尽量和车辆的轮廓重合。如图3所示，图3为本发明实施例提供的一种车辆标注后目标尺寸的图片的示意图。在图3中，301为用于标注车辆的连贯线。
将标注了车道信息的目标尺寸的图片进行灰度处理，然后将处理后的图片进行旋转，将旋转后的图片和未被旋转的图片的集合作为车道训练图片集；将标注了车辆信息的目标尺寸的图片进行灰度处理，然后将处理后的图片进行旋转，将旋转后的图片和未被旋转的图片的集合作为车辆训练图片集。
s103：分别将车道数据作为车道检测网络的输入，车辆数据作为车辆检测网络的输入，进行迭代训练，得到车道检测模型和车辆检测模型。
具体的，利用所述车道训练图片集训练车道识别卷积神经网络，获取训练好的用于车道识别的第一卷积神经网络；利用所述车辆训练图片集训练车辆识别卷积神经网络，获取训练好的用于车辆识别的第二卷积神经网络；将待识别图像分别输入到所述第一卷积神经网络和所述第二卷积神经网络；获取包含所述待识别图像中的车道信息的车道分布图，和包含所述待识别图像中的车辆信息的车辆分布图。
示例性的，分别使用车道训练图片集训练用于车道识别的第一卷积神经网络，使用车辆训练图片集训练用于车辆识别的第二卷积神经网络。
车道数据经过车道检测网络迭代60k次，得到车道检测模型。
车辆数据经过车辆检测网络迭代100k次，得到车辆检测模型。
s104：待识别图像作为车道检测模型的输入，得到待识别图像中的车道信息；将所述待识别图像作为车辆检测模型的输入，得到待识别图像中的车辆信息。
示例性的，使用第一卷积神经网络对待识别图片进行检测，获取待识别图像对应的车道分布图，获取待识别图像对应的车辆分布图。
s105：整合车道信息和车辆信息，得到含有车道车辆分布的目标图像。
具体的，根据所述车道分布图与所述车辆分布图的对应关系，将所述车道分布图与所述车辆分布图合成至同一张图中，获取包含车辆分布和车道分布的目标图像。
示例性的，由于车辆分布图和车道分布图是来源于同一张待识别图片，因此，车道分布图中的车道与车辆分布图中的相同位置或者相同缩放比例的位置具有对应关系，因此，可以将识别出的车道合成到车辆分布图中，合成结果如图4所示，图4为本发明实施例提供的目标图像的示意图，401为识别出的车辆-1、402为识别出的车辆-2、403为识别出的车辆-3、404为识别出的车辆-4、405为识别出的车辆-5、406为识别出的车道。
s106：针对所述目标图像中的每一车道，计算所述待识别图像对应的车道占用率。
具体的，针对当前车道中的每一车辆，将所述车辆的前边缘与所述车辆的后边缘之间的车道区域作为所述车辆对应的车道被占用的区域；根据所述待识别图像中包含的车辆所对应的车道被占用的区域的总面积，与所述待识别图像中所有车道的总面积的商计算所述待识别图像对应的车道占用率。
具体的，在根据所述待识别图像中包含的车辆所对应的车道被占用的区域的总面积，与所述待识别图像中所有车道的总面积的商计算所述待识别图像对应的车道占用率，之前，所述方法还包括：
利用视角损失原理，还原出所述待识别图像中包含的车辆所对应的车道被占用的区域的未变形图像；还原出所述待识别图像中包含的车道的未变形图像；
所述根据所述待识别图像中包含的车辆所对应的车道被占用的区域的总面积，与所述待识别图像中所有车道的总面积的商计算所述待识别图像对应的车道占用率，包括：
根据所述待识别图像中包含的车辆所对应的车道被占用的区域的未变形图像对应的总面积，与所述待识别图像中包含的车道的未变形图像对应的所有车道的总面积的商计算所述待识别图像对应的车道占用率。
示例性的，图5为本发明实施例提供的车道被占用区域的示意图，如图5所示，将车辆头部两端，即车辆的右前方端部，车辆的左前方端部分别向车辆两侧的车道延伸；将车辆尾部两端，即车辆的右后方端部，车辆的后前方端部分别向车辆两侧的车道延伸。将延伸后的车辆的头部与尾部之间的区域作为该车辆对应的车道占用的区域，如图5中的501所示。
在实际应用中，可以将间距小于预设间距的前后相邻的车辆之间的车道区域，与前后相邻的车辆分别占用的区域的和作为前后相邻的车辆占用的车道的总区域。如图5所示，图5与图4相对应，501为车辆-1对应的车道被占用的区域，502为车辆2、车辆-3和车辆-4对应的车道被占用的总区域。
应用本发明上述实施例，可以对于多台车辆，将车辆之间的间隔对应的道路作为车辆对应的车道被占用的面积，可以进一步提高车道被占用率的计算的准确性，进而提高道路拥堵检测的准确性。
根据获取的各个车辆对应的车道被占用的区域的总面积，除以待识别图像对应的车道的总面积，计算待识别图像对应的车道占用率。
可以理解的是，车辆对应的车道被占用的区域的面积，为该区域对应的待识别图像中的像素区域的面积。
另外，示例性的，在本发明实施例的一种具体实施方式中，图6为本发明实施例提供的视角损失原理示意图，在图6中，θ为视角，即眼睛与道路的夹角；l为眼睛看到的物体的长度，x为眼睛至物体的距离；通常情况下，可以将眼睛理解为监控摄像头。如图6和图2所示，由于拍摄监控视频的摄像机位于车道的上方，且以一定的倾斜角朝向车道，因此摄像机拍摄的车道图像会发生如图2所示的畸变，即视角畸变，也称视角损失。视角损失会导致车道的图像比例与真实的车道比例之间产生差别，进而会导致在进行车道占用率的计算结果不够准确。因此，需要基于视角损失原理，将摄像机拍摄的车道图片消除视角损失，转换为真实比例，然后执行s103a步骤。
需要说明的是，基于视角损失原理对摄像机拍摄的图像消除畸变的过程为现有技术，这里不再赘述。
示例性的，消除畸变后的待识别图像中的车辆与车道的比例都被转换为真实比例，然后再计算车道占用率，消除了待识别图片的比例误差对车道占用率计算过程的影响，可以使车道占用率的计算结果更加准确，进而使道路拥堵检测结果更加准确。
s107：根据所述待识别图像对应的车道占用率与预设阈值的对应关系，和所述预设阈值与所述拥堵等级的对应关系，获取所述待识别图像对应的拥堵等级，其中，所述拥堵等级包括：畅通、部分畅通、低速前行和拥堵；
示例性的，图7为本发明实施例提供的道路畅通的示意图；图8为本发明实施例提供的道路低速前行的示意图；图9为本发明实施例提供的部分通畅的示意图；图10为本发明实施例提供的拥堵的示意图。
如图7-9所示，如果图7对应的预设阈值为阈值-1、图8对应的预设阈值为阈值-2、图9对应的预设阈值为阈值-3、图10对应的预设阈值为阈值-4。
当s106步骤计算的车道占用率介于阈值-1和阈值-2之间时，说明待识别图像对应的拥堵等级为低速前行。
在实际应用中，还可以将识别出的车道划分为左车道和右车道，例如左车道的行车是远离拍摄待识别图像的摄像机，右车道的行车是靠近拍摄待识别图像的摄像机。然后在s106步骤中分别计算左车道对应的车道占用率，和右车道对应的车道占有率，进而判断左车道的拥堵级别和右车道的拥堵级别。应用本发明前述实施例，可以识别出左车道和右车道的拥堵级别，例如，左车道不拥堵，就不会发出左车道拥堵的警报，相对于将所有车道作为一个整体进行拥堵级别的判断，减少了误警报的发生。另外，本发明前述实施例，尤其适用于左右车道的分界不是绿化带的道路，例如，省道、县道等道路，一个摄像头可以同时监控左车道和右车道的拥堵级别，提高了监控效率，节省了资源。
另外，还可以，针对每一个车道分别计算每一个车道对应的拥堵级别。
应用本发明图1所示实施例，针将述目标图像中的每一车道，针对当前车道中的每一车辆，将所述车辆的前边缘与所述车辆的后边缘之间的车道区域作为所述车辆对应的车道被占用的区域；可以使车辆的宽度在目标图像中拓展至车道的边缘，相对于现有技术中，车辆的侧边到车道边缘的区域未被计算为车辆占有的道路区域，进而可以使道路占有率的计算更加准确，进而使道路拥堵检测更加准确。
在本发明的一种具体实施方式中，在本发明图1所示实施例的基础上增加了s108(图中未示出)：利用光流法，获取所述待识别图像中的车辆的运动距离；并判断所述车辆的运动距离，是否不小于预设阈值，若是，则拥堵等级为低速前行，若否，则拥堵等级为拥堵。
具体的，可以获取待识别图像对应的当前时刻，将所述当前时刻与预设时长之和作为目标时刻，获取目标时刻对应的待识别图像。获取所述当前时刻对应的待识别图像中各个像素的坐标，和所述目标时刻对应的待识别图像中各个像素的坐标，从而检测出运动物体及位置。
应用本发明上述实施例，利用光流法检测出车辆的运动距离，进而根据车辆的运动距离判断车道的拥堵等级是否为低速行驶，可以针对低速行驶这一拥堵级别的判断更加准确，降低了道路拥堵检测的错误率。
与本发明图1所示实施例相对应，本发明实施例还提供了一种道路拥堵检测装置。
图11为本发明实施例提供的一种道路拥堵检测装置的结构示意图，如图11所示，所述装置包括：
第一获取模块1101，用于获取监控视频数据；
处理模块1102，用于对所述监控视频数据进行分类和预处理，得到处理后的数据，其中，所述处理后的数据包括车道数据和车辆数据；
训练模块1103，用于分别将车道数据作为车道检测网络的输入，车辆数据作为车辆检测网络的输入，进行迭代训练，得到车道检测模型和车辆检测模型；
检测模块1104，用于待识别图像作为车道检测模型的输入，得到待识别图像中的车道信息；将所述待识别图像作为车辆检测模型的输入，得到待识别图像中的车辆信息；
整合模块1105，用于整合车道信息和车辆信息，得到含有车道车辆分布的目标图像；
计算模块1106，用于针对所述目标图像中的每一车道，计算所述待识别图像对应的车道占用率；
第二获取模块1107，用于根据所述待识别图像对应的车道占用率与预设阈值的对应关系，和所述预设阈值与所述拥堵等级的对应关系，获取所述待识别图像对应的拥堵等级，其中，所述拥堵等级包括：畅通、部分畅通、低速前行和拥堵。
应用本发明图11所示实施例，针将述目标图像中的每一车道，针对当前车道中的每一车辆，将所述车辆的前边缘与所述车辆的后边缘之间的车道区域作为所述车辆对应的车道被占用的区域；可以使车辆的宽度在目标图像中拓展至车道的边缘，相对于现有技术中，车辆的侧边到车道边缘的区域未被计算为车辆占有的道路区域，进而可以使道路占有率的计算更加准确，进而使道路拥堵检测更加准确。
可选的，所述处理模块1102，还用于：
抽取监控视频数据中的视频帧；并将获取的视频帧中含有车道特征的视频帧作为车道训练图片集；将获取的视频帧中含有车辆特征的视频帧作为车辆训练图片集。
可选的，所述处理模块1102，还用于：
获取道路监控场景中的监控视频，将所述监控视频中分辨率大于预设阈值的监控视频作为目标监控视频；
根据预设的帧间隔，从所述目标监控视频中提出第一预设数量个图片；
利用图片缩放算法对所述第一预设数量个图片进行缩放处理，利用图片剪裁算法对所述第一预设数量各图片进行剪裁处理，获取目标分辨率的目标尺寸的图片；
用矩形框并对所述目标尺寸的图片中的车道进行标注，用连贯线包围所述目标尺寸的图片中的车辆以进行标注；
将标注后的图片中的第二预设数量个图片的集合作为车道训练图片集；将标注后的图片中的第三预设数量个图片的集合作为车辆训练图片集。
可选的，所述训练模块1103，还用于：
利用所述车道训练图片集训练车道识别卷积神经网络，获取训练好的用于车道识别的第一卷积神经网络；利用所述车辆训练图片集训练车辆识别卷积神经网络，获取训练好的用于车辆识别的第二卷积神经网络；
将待识别图像分别输入到所述第一卷积神经网络和所述第二卷积神经网络；获取包含所述待识别图像中的车道信息的车道分布图，和包含所述待识别图像中的车辆信息的车辆分布图。
可选的，所述整合模块1105，还用于：
根据所述车道分布图与所述车辆分布图的对应关系，将所述车道分布图与所述车辆分布图合成至同一张图中，获取包含车辆分布和车道分布的目标图像。
可选的，所述计算模块1106，还用于：
针对当前车道中的每一车辆，将所述车辆的前边缘与所述车辆的后边缘之间的车道区域作为所述车辆对应的车道被占用的区域；
根据所述待识别图像中包含的车辆所对应的车道被占用的区域的总面积，与所述待识别图像中所有车道的总面积的商计算所述待识别图像对应的车道占用率。
可选的，所述计算模块1106，还用于：
利用视角损失原理，还原出所述待识别图像中包含的车辆所对应的车道被占用的区域的未变形图像；还原出所述待识别图像中包含的车道的未变形图像；
所述根据所述待识别图像中包含的车辆所对应的车道被占用的区域的总面积，与所述待识别图像中所有车道的总面积的商计算所述待识别图像对应的车道占用率，包括：
根据所述待识别图像中包含的车辆所对应的车道被占用的区域的未变形图像对应的总面积，与所述待识别图像中包含的车道的未变形图像对应的所有车道的总面积的商计算所述待识别图像对应的车道占用率。
在本发明实施例的一种具体实施方式中，所述装置还包括：
判断模块1108(图中未示出)，用于利用光流法，获取所述待识别图像中的车辆的运动距离；并判断所述车辆的运动距离，是否不小于预设阈值，若是，则拥堵等级为低速前行，若否，则拥堵等级为拥堵。
应用本发明上述实施例，利用光流法检测出车辆的运动距离，进而根据车辆的运动距离判断车道的拥堵等级是否为低速行驶，可以针对低速行驶这一拥堵级别的判断更加准确，降低了道路拥堵检测的错误率。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。