路况确定方法、装置、计算机设备和存储介质与流程

本申请涉及交通路况技术领域，特别是涉及一种路况确定方法、装置、计算机设备和存储介质。

背景技术：

随着车辆技术的发展和用户生活水平的提高，越来越多的用户使用私人车辆作为交通工具，使得出现道路拥堵的可能性也越来越高。实时交通路况信息能够方便用户知晓道路拥堵情况，合理规划出行路线，还能帮助城市构建交通预警，调度城市交通系统。准确的路况，可提供更加优质的eta(estimatedtimeofarrival，预计到达时间)服务和路径规划，节省城市道路资源和用户时间。

传统方法通过采集道路上车辆gps(globalpositioningsystem，全球定位系统)定位点信息，计算车辆在各路段上的实时速度，并融合多车在同一路段上的速度，通过速度的快慢来确定路段拥堵情况。该方法不允许车流速度计算带来的误差，当遇到无法通过轨迹识别异常车辆时，因无现场视觉信息易导致路况发布错误。

技术实现要素：

基于此，有必要针对传统方法因无现场视觉信息易导致路况发布错误的技术问题，提供一种路况确定方法、装置、计算机设备和存储介质。

一种路况确定方法，所述方法包括：

获取目标路段上的各车辆的实时定位信息和采集的道路图像；

对各所述车辆采集的道路图像进行识别，获得各所述车辆的周围交通信息和自身行驶信息；

根据各所述车辆的周围交通信息、自身行驶信息和实时定位信息，确定所述目标路段的路况。

一种路况确定装置，所述装置包括：

一种计算机可读存储介质，存储有计算机程序，所述计算机程序被处理器执行时，使得所述处理器执行以下步骤：

获取目标路段上的各车辆的实时定位信息和采集的道路图像；

对各所述车辆采集的道路图像进行识别，获得各所述车辆的周围交通信息和自身行驶信息；

根据各所述车辆的周围交通信息、自身行驶信息和实时定位信息，确定所述目标路段的路况。

一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行以下步骤：

获取目标路段上的各车辆的实时定位信息和采集的道路图像；

对各所述车辆采集的道路图像进行识别，获得各所述车辆的周围交通信息和自身行驶信息；

根据各所述车辆的周围交通信息、自身行驶信息和实时定位信息，确定所述目标路段的路况。

上述路况确定方法、装置、计算机可读存储介质和计算机设备，获取目标路段上的各车辆的实时定位信息和采集的道路图像；对各车辆采集的道路图像进行识别，获得各车辆的周围交通信息和自身行驶信息；根据各车辆的周围交通信息、自身行驶信息和实时定位信息，确定目标路段的路况。其中，车辆采集的道路图像可以提供路段现场视觉信息，通过该道路图像，不仅可以识别出车辆自身行驶信息，还可以使得车辆从自身视角观察并检测到周围交通信息，综合车辆的自身行驶信息、周围交通信息和实时定位信息对路况进行判定，可以提高路况判定结果的准确性。

附图说明

图1为一个实施例中路况确定方法的应用环境图；

图2为一个实施例中路况确定方法的流程示意图；

图3为一个实施例中车辆采集的道路图像及相应的定位信息的示意图；

图4为一个实施例中对各车辆采集的道路图像进行识别，获得各车辆的周围交通信息步骤的流程示意图；

图5为一个实施例中对各车辆采集的道路图像进行识别，获得各车辆的自身行驶信息步骤的流程示意图；

图6为一个实施例中根据各车辆的周围交通信息、自身行驶信息和实时定位信息，确定目标路段的路况步骤的流程示意图；

图7为一个实施例中根据各车辆的周围交通信息、自身行驶信息和实时定位信息，获得目标路段的路况特征统计数据步骤的流程示意图；

图8为一个实施例中路况确定方法的流程示意图；

图9为一个实施例中路况确定装置的结构框图；

图10为一个实施例中路况确定装置的结构框图；

图11为一个实施例中路况确定装置的结构框图；

图12为一个实施例中路况确定装置的结构框图；

图13为一个实施例中计算机设备的结构框图；

图14为一个实施例中计算机设备的结构框图。

具体实施方式

人工智能是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。换句话说，人工智能是计算机科学的一个综合技术，它企图了解智能的实质，并生产出一种新的能以人类智能相似的方式做出反应的智能机器。人工智能也就是研究各种智能机器的设计原理与实现方法，使机器具有感知、推理与决策的功能。人工智能技术是一门综合学科，涉及领域广泛，既有硬件层面的技术也有软件层面的技术。人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互系统、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。

计算机视觉技术是一门研究如何使机器“看”的科学，更进一步的说，就是指用摄影机和电脑代替人眼对目标进行识别、跟踪和测量等机器视觉，并进一步做图形处理，使电脑处理成为更适合人眼观察或传送给仪器检测的图像。作为一个科学学科，计算机视觉研究相关的理论和技术，试图建立能够从图像或者多维数据中获取信息的人工智能系统。计算机视觉技术通常包括图像处理、图像识别、图像语义理解、图像检索、ocr、视频处理、视频语义理解、视频内容/行为识别、三维物体重建、3d技术、虚拟现实、增强现实、同步定位与地图构建等技术，还包括常见的人脸识别、指纹识别等生物特征识别技术。

机器学习是一门多领域交叉学科，涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科。专门研究计算机怎样模拟或实现人类的学习行为，以获取新的知识或技能，重新组织已有的知识结构使之不断改善自身的性能。机器学习是人工智能的核心，是使计算机具有智能的根本途径，其应用遍及人工智能的各个领域。机器学习和深度学习通常包括人工神经网络、置信网络、强化学习、迁移学习、归纳学习、式教学习等技术。

本申请涉及人工智能中的计算机视觉技术和机器学习，基于计算机视觉技术以及神经网络模型对道路图像进行识别，并根据图像识别信息判断道路路况。

为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。

图1为一个实施例中路况确定方法的应用环境图。如图1所示，该应用环境涉及终端110和服务器120，终端110和服务器120通过网络连接。用户可以通过终端110访问可展示实时交通路况的平台，服务器120可以是该平台所在的服务器。终端110或者服务器120，获取目标路段上的各车辆的实时定位信息和采集的道路图像，对各车辆采集的道路图像进行识别，并基于道路图像识别信息和实时定位信息，确定目标路段的路况。可展示实时交通路况的平台具体可以是数字大屏、地图软件、打车软件、物流调度系统等。终端110具体可以是台式终端或移动终端，移动终端具体可以手机、平板电脑、笔记本电脑等中的至少一种。服务器120可以用独立的服务器或者是多个服务器组成的服务器集群来实现。

如图2所示，在一个实施例中，提供了一种路况确定方法。本实施例主要以该方法应用于上述图1中的终端110或者服务器120来举例说明。参照图2，该路况确定方法具体包括如下步骤s202至步骤s206。

s202，获取目标路段上的各车辆的实时定位信息和采集的道路图像。

其中，目标路段上的各车辆可以是预设时间段内经过该目标路段的车辆，包括预设时间段内到达该目标路段的车辆、一直在该目标路段上的车辆、以及驶离该目标路段的车辆。车辆的实时定位信息可以是时间上连续的定位点组成的序列，反映车辆的行驶轨迹。车辆采集的道路图像可以提供车辆前方视野的道路信息，反映车辆的周围交通情况。

在一个实施例中，通过车辆上安装的gps(全球定位系统)和行车记录仪分别获得车辆的实时定位信息和行驶影像，可以根据预设时间间隔采集行驶影像中的图像，获得道路图像，也可以根据实时定位信息估计车辆行驶速度，在车辆行驶速度较低的时候采集行驶影像中的图像，获得道路图像。

在一个实施例中，如图3所示，左侧显示了一车辆采集的道路图像，图像采集时间点为2019-04-0916:04:54，右侧显示了该车辆的gps定位信息图，根据图像采集时间点，可以在gps定位信息图找到车辆在该图像采集时间点对应的定位位置，根据定位位置确定该道路图像所拍摄的路段，从而将道路图像与其所属路段进行匹配。

s204，对各车辆采集的道路图像进行识别，获得各车辆的周围交通信息和自身行驶信息。

其中，周围交通信息可以包括前方车辆的数量和位置信息、前方车道线的位置信息、前方车流密度等级、前方车道是否空旷等信息，自身行驶信息可以包括预估车速、是否异常行驶等信息。

s206，根据各车辆的周围交通信息、自身行驶信息和实时定位信息，确定目标路段的路况。

其中，路况可以反映道路的通行情况，在一个实施例中，路况包括畅通、缓行和拥堵三种状态。

上述路况确定方法，车辆采集的道路图像可以提供路段现场视觉信息，通过该道路图像，不仅可以识别出车辆自身行驶信息，还可以使得车辆从自身视角观察并检测到周围交通信息，综合车辆的自身行驶信息、周围交通信息和实时定位信息对路况进行判定，可以提高路况判定结果的准确性，且能够适用于高速路、城市快速路等多种等级道路，道路覆盖面广。

在一个实施例中，周围交通信息包括前方车辆的数量和位置信息，如图4所示，对各车辆采集的道路图像进行识别，获得各车辆的周围交通信息，包括以下步骤s402：采用已训练车辆检测模型，对各车辆采集的道路图像中车辆进行识别，获得车辆识别信息，基于车辆识别信息，确定各车辆的前方车辆数量和位置信息。

其中，已训练车辆检测模型可以使用现有的车辆检测模型，通过车辆检测模型输出的车辆识别信息包括识别到的各车辆目标框的中心点像素坐标、长度和宽度。具体地，可以根据识别到的车辆目标框的数量确定前方车辆数量，根据各车辆目标框的中心点像素坐标确定各前方车辆在图像中的位置。进一步地，还可以根据各车辆目标框的长度和宽度计算车辆目标框的面积，再根据车辆目标框的面积大小确定各前方车辆与当前车辆的距离。具体地，车辆目标框面积越大，表明车辆目标框对应的前方车辆与当前车辆的距离越近，车辆目标框面积越小，表明车辆目标框对应的前方车辆与当前车辆的距离越远。

在一个实施例中，还根据识别到的车辆目标框面积确定前方车辆数量，具体地，若车辆目标框的面积小于面积阈值，则不考虑将车辆目标框对应的前方车辆。例如，假设识别到的车辆目标框的数量为n，其中有m个车辆目标框的面积小于面积阈值，则确定前方车辆数量为n-m。其中，面积阈值可以结合实际情况进行设定。

在一个实施例中，周围交通信息包括前方车道线的位置信息，如图4所示，对各车辆采集的道路图像进行识别，获得各车辆的周围交通信息，包括以下步骤s404：采用已训练车道线检测模型，对各车辆采集的道路图像中的车道线进行识别，获得车道线识别信息，基于车道线识别信息，确定各车辆的前方车道线的位置信息。

其中，已训练车道线检测模型可以使用现有的车道线检测模型，通过车道线检测模型输出的车道线识别信息包括识别到的各车道线的像素坐标，具体地，可以根据识别到的车道线的像素坐标确定前方车道线的位置。

在一个实施例中，如图4所示，对各车辆采集的道路图像进行识别，获得各车辆的周围交通信息，还包括以下步骤s406：根据各车辆的前方车辆的数量和位置信息、以及前方车道线的位置信息，获得各车辆的前方车道的车辆数量，根据各车辆的前方车道的车辆数量，确定各车辆的前方车道是否空旷。

其中，前方车道包括当前车道、左车道和右车道。具体地，可以根据前方车道线的位置以及当前车辆的位置，确定当前车辆所在的当前车道。在一个实施例中，可以认为当前车辆的位置为道路图像的底边中点，若该底边中点位于两条车道线之间，则认为当前车辆所在的当前车道为该两条车道线之间的车道，当前车道左边的车道为左车道，当前车道右边的车道为右车道。

在一个实施例中，针对当前车辆采集的同一道路图像，可以根据识别到的前方车辆位置信息和前方车道线位置信息，确定各前方车辆位于当前车辆的当前车道、左车道还是右车道，再分别根据当前车辆的当前车道、左车道、右车道的前方车辆数量，分别确定各车辆的当前车道、左车道、右车道是否空旷。具体地，若当前车道(或左车道、右车道)的前方车辆数量小于数量阈值，确定当前车道(或左车道、右车道)空旷，若当前车道(或左车道、右车道)的前方车辆数量大于或者等于数量阈值，确定当前车道(或左车道、右车道)不空旷。其中，数量阈值可以结合实际情况进行设定。

在一个实施例中，周围交通信息包括前方车流密度等级，如图4所示，对各车辆采集的道路图像进行识别，获得各车辆的周围交通信息，包括以下步骤s408：采用已训练车流密度分类模型，对各车辆采集的道路图像进行识别，获得各车辆的前方车流密度等级。

其中，前方车流密度等级包括“车少”、“一般”、“车多”、“不在路上”四种等级。在一个实施例中，已训练车流密度分类模型的训练过程如下：采用设有样本标签的样本道路图像，对待训练分类模型进行训练，获得已训练车流密度分类模型。其中，样本标签包括四类标签，用于表示样本道路图像对应的真实前方车流密度等级，例如分别设为0、1、2、3，分别对应“车少”、“一般”、“车多”、“不在路上”四种前方车流密度等级。

在一个实施例中，采用已训练车流密度分类模型，对各车辆采集的道路图像进行识别，输出识别等级及相应的概率，取其中最大概率对应的识别等级，确定为各车辆的前方车流密度等级。例如，输出结果中，识别等级为“车少”、“一般”、“车多”、“不在路上”的概率分别为0.752563、0.241254、0.006182、0.000001，则确定前方车流密度等级为“车少”。

在一个实施例中，自身行驶信息包括预估车速，如图5所示，对各车辆采集的道路图像进行识别，获得各车辆的自身行驶信息，包括以下步骤s502：采用已训练神经网络模型，对各车辆采集的道路图像中的两相邻图像的亮度差进行分析，获得各车辆的预估车速。

其中，两相邻图像表示采集时间相邻的两图像，在一个实施例中，已训练神经网络模型的训练过程如下：采用设有样本标签的样本道路图像，对待训练神经网络模型进行训练，获得已训练神经网络模型。其中，样本道路图像包括三张采集时间连续的道路图像，样本标签为车辆实际仪表盘车速数据。

在一个实施例中，自身行驶信息包括是否异常行驶，如图5所示，对各车辆采集的道路图像进行识别，获得各车辆的自身行驶信息，包括以下步骤s504：根据各车辆采集的道路图像中的两相邻图像的采集时间差，以及两相邻图像对应的车辆在采集时间差内的移动距离，获得各车辆的移动速度，根据各车辆的移动速度、以及各车辆的前方车流密度等级和/或前方车道是否空旷，确定各车辆是否异常行驶。

其中，两相邻图像表示采集时间相邻的两图像，车辆在采集时间差内的移动距离可以根据车辆gps定位信息获得。在一个实施例中，若当前车辆的前方车流密度等级为车少，且当前车辆的移动速度小于第一速度阈值，确定该当前车辆为异常行驶。在一个实施例中，若当前车辆的当前车道、左车道、右车道中的任一车道空旷，且当前车辆的移动速度小于第一速度阈值，确定该当前车辆为异常行驶。在一个实施例中，若当前车辆的前方车流密度等级为车少，且当前车辆的当前车道、左车道、右车道中的任一车道空旷，且当前车辆的移动速度小于第一速度阈值，确定该当前车辆为异常行驶。其中，第一速度阈值可以结合实际情况进行设定。

上述实施例中，通过道路图像识别出来的信息可以检测异常行驶行为，异常行驶行为具体可以是异常停车，例如临时停车，可能导致在路况原本是畅通的情况下，从该异常行驶车辆的实时定位信息反映出来的却是路况拥堵，因此，在后续进行路况判定时，考虑异常行驶行为的影响，有助于获得更准确的判定结果。

如图6所示，在一个实施例中，根据各车辆的周围交通信息、自身行驶信息和实时定位信息，确定目标路段的路况，包括以下步骤s602至步骤s604。

s602，根据各车辆的周围交通信息、自身行驶信息和实时定位信息，获得目标路段的路况特征统计数据。

其中，路况特征统计数据包括：车辆数据、车道数据、车流密度数据、通行速度数据、异常行驶数据和定位点数据。如图7所示，在一个实施例中，根据各车辆的周围交通信息、自身行驶信息和实时定位信息，获得目标路段的路况特征统计数据，包括以下步骤s702至步骤s712。

s702，根据各车辆的前方车辆数量，确定目标路段的车辆数据。

具体地，车辆数据包括车辆数量，计算各车辆的前方车辆数量中排在预设名次之前的前方车辆数量的平均值，将该平均值确定为目标路段的车辆数量。在一个实施例中，取排名前三的前方车辆数量的平均值作为目标路段的车辆数量。

s704，根据各车辆的前方车道是否空旷，确定目标路段的车道数据。

具体地，车道数据包括当前车道是否空旷、左车道是否空旷、右车道是否空旷，当各车辆中存在至少一个车辆的当前车道空旷，确定目标路段的当前车道空旷，当各车辆中存在至少一个车辆的左车道空旷，确定目标路段的左车道空旷，当各车辆中存在至少一个车辆的右车道空旷，确定目标路段的右车道空旷。

s706，根据各车辆的前方车流密度等级，确定目标路段的车流密度数据。

具体地，车流密度数据包括车流密度等级及对应的比例，根据各车辆的前方车流密度等级，获得各前方车流密度等级对应的车辆数量，基于各前方车流密度等级对应的车辆数量、以及目标路段的车辆总数量，确定目标路段的车流密度等级及对应的比例。

在一个实施例中，认为前方车流密度等级为“不在路上”对应的车辆为异常车辆，因此在确定目标路段的车流密度数据时，不考虑前方车流密度等级为“不在路上”对应的车辆。例如，假设目标路段的车辆总数量为11，前方车流密度等级为“车少”对应的车辆数量为5，前方车流密度等级为“一般”对应的车辆数量为3，前方车流密度等级为“车多”对应的车辆数量为2，前方车流密度等级为“不在路上”对应的车辆数量为1，则目标路段的车流密度等级及对应的比例为：“车少”比例为50％，“一般”比例为30％，“车多”比例为20％。

s708，根据各车辆的预估车速，确定目标路段的通行速度数据。

具体地，通行速度数据包括目标路段各位置区间的通行速度，根据各车辆的预估车速及对应的定位信息，获得位于目标路段各位置区间内的各车辆的预估车速，分别计算位于目标路段各位置区间内的车辆的预估车速平均值，将各位置区间内的车辆的预估车速平均值，确定为目标路段各位置区间的通行速度。例如，将目标路段均分为五个区间，假设有两个车辆的预估车速(分别为v1和v2)对应的路段位置位于第一区间，则将v1和v2的平均值确定为第一区间的通行速度。

s710，根据各车辆是否异常行驶，确定目标路段的异常行驶数据。

具体地，异常行驶数据包括异常车辆数量比例，根据各车辆是否异常行驶，获得目标路段的异常车辆数量，将目标路段的异常车辆数量与目标路段的车辆总数量的比值，确定为目标路段的异常车辆数量比例。

s712，根据各车辆的实时定位信息，确定目标路段的定位点数据。

在一个实施例中，定位点数据包括定位点频率，根据各车辆的实时定位信息，获得预设时间段内目标路段上的定位点总数量，将该定位点总数量与预设时间段的比值，确定为目标路段的定位点频率。

在一个实施例中，定位点数据包括低速定位点比例，根据各车辆的实时定位信息，获得预设时间段内目标路段上的定位点总数量以及各定位点的实时速度，将低速定位点数量和该定位点总数量的比值，确定为目标路段的低速定位点比例，其中，低速定位点为实时速度小于第二速度阈值的定位点，第二速度阈值可以结合实际情况进行设定。

在一个实施例中，定位点数据包括定位点均速，根据各车辆的实时定位信息，获得预设时间段内相关路段上各定位点的实时速度，将相关路段上各定位点的实时速度的平均值，确定为目标路段的定位点均速，其中，相关路段包括目标路段、目标路段上游的第一预设距离路段以及目标路段下游的第二预设距离路段，第一预设距离和第二预设距离可以结合实际情况进行设定。

在一个实施例中，定位点数据包括走完率，根据各车辆的实时定位信息，获得预设时间段内目标路段上的车辆总数量以及驶离目标路段的车辆数量，将驶离目标路段的车辆数量与该车辆总数量的比值，确定为目标路段的走完率。其中，目标路段上的车辆总数量包括预设时间段内到达该目标路段的车辆数量、一直在该目标路段上的车辆数量、以及驶离该目标路段的车辆数量。

s604，采用已训练路况分类模型，对路况特征统计数据进行判定，确定目标路段的路况。

在一个实施例中，已训练路况分类模型包括两个模型，分别为已训练拥堵模型和已训练畅通模型。已训练拥堵模型的训练过程如下：采用设有样本标签的样本数据，对待训练拥堵模型进行训练，获得已训练拥堵模型，其中，样本数据包括样本路段的路况特征统计数据，样本标签包括拥堵标签和非拥堵标签，分别用于表示样本数据对应的真实路况为拥堵状态和非拥堵状态。已训练畅通模型的训练过程如下：采用设有样本标签的样本数据，对待训练畅通模型进行训练，获得已训练畅通模型，其中，样本数据包括样本路段的路况特征统计数据，样本标签包括畅通标签和非畅通标签，分别用于表示样本数据对应的真实路况为畅通状态和非畅通状态。

在一个实施例中，先采用已训练拥堵模型对目标路段的路况特征统计数据进行判定，输出目标路段为拥堵状态的概率，当拥堵状态的概率大于或等于第一概率阈值时，确定目标路段的路况为拥堵状态。当拥堵状态的概率小于第一概率阈值时，采用已训练畅通模型对目标路段的路况特征统计数据进行判定，输出目标路段为畅通状态的概率，当畅通状态的概率大于或等于第二概率阈值时，确定目标路段的路况为畅通状态。当畅通状态的概率小于第二概率阈值时，确定目标路段的路况为缓行状态。其中，第一概率阈值和第二概率阈值可以结合实际情况进行设定，在一个实施例中，第一概率阈值设为0.52，第二概率阈值设为0.487。

如图8所示，在一个实施例中，提供一种路况确定方法，针对一目标路段在待预测时刻的路况，根据待预测时刻前的一时间段内经过该目标路段的车辆的图像识别信息和实时定位信息，预测该目标路段在待预测时刻的路况。假设待预测时刻为12:00，时间段为5分钟，在11:55-12:00时间段内经过目标路段的车辆为n个，分别用车辆1、车辆2、……、车辆n表示，则根据车辆1至车辆n的图像识别信息和实时定位信息，获得该目标路段的路况特征统计数据，根据路况特征统计数据，预测该目标路段在12:00的路况。

每个车辆的图像识别信息包括该车辆的周围交通信息和自身行驶信息。周围交通信息包括：前方车辆数量、前方车道是否空旷、前方车流密度等级。自身行驶信息包括：预估车速和是否异常驾驶。路况特征统计数据包括：车辆数据、车道数据、车流密度数据、通行速度数据、异常行驶数据和定位点数据。

根据车辆1至车辆n的前方车辆数量，获得该目标路段的车辆数据。根据车辆1至车辆n的前方车道是否空旷，获得该目标路段的车道数据。根据车辆1至车辆n的前方车流密度等级，获得该目标路段的车流密度数据。根据车辆1至车辆n的预估车速，获得该目标路段的通行速度数据。根据车辆1至车辆n是否异常驾驶，获得该目标路段的异常行驶数据。将车辆1至车辆n中存在异常行驶的车辆的实时定位信息过滤，根据车辆1至车辆n中无异常行驶的车辆的实时定位信息，获得该目标路段的定位点数据。

将该目标路段的路况特征统计数据输入训练好的路况预测模型，模型利用一定的策略和规则对路况特征统计数据进行判定，获得该目标路段的路况。

上述实施例中，通过融合多个车辆的图像识别信息与实时定位信息，作为用于判定路况的统计数据，每一辆车都会从自身视角观察并检测周围交通信息，结合并协同利用其他车辆的现场视觉信息，使路况发布更准确，更符合人的现场感受。

应该理解的是，虽然图2、4-8的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图2、4-8中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些子步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。

如图9所示，在一个实施例中，提供了一种路况确定装置900，包括：获取模块910、识别模块920和确定模块930。

获取模块910，用于获取目标路段上的各车辆的实时定位信息和采集的道路图像。

识别模块920，用于对各车辆采集的道路图像进行识别，获得各车辆的周围交通信息和自身行驶信息。

确定模块930，用于根据各车辆的周围交通信息、自身行驶信息和实时定位信息，确定目标路段的路况。

上述路况确定装置，车辆采集的道路图像可以提供路段现场视觉信息，通过该道路图像，不仅可以识别出车辆自身行驶信息，还可以使得车辆从自身视角观察并检测到周围交通信息，综合车辆的自身行驶信息、周围交通信息和实时定位信息对路况进行判定，可以提高路况判定结果的准确性，且能够适用于高速路、城市快速路等多种等级道路，道路覆盖面广。

在一个实施例中，周围交通信息包括前方车辆的数量和位置信息，如图10所示，识别模块920包括车辆识别单元921，用于采用已训练车辆检测模型，对各车辆采集的道路图像中的车辆进行识别，获得车辆识别信息，基于车辆识别信息，确定各车辆的前方车辆的数量和位置信息。

在一个实施例中，周围交通信息包括前方车道线的位置信息，如图10所示，识别模块920包括车道线识别单元922，用于采用已训练车道线检测模型，对各车辆采集的道路图像中的车道线进行识别，获得车道线识别信息，基于车道线识别信息，确定各车辆的前方车道线的位置信息。

在一个实施例中，如图10所示，识别模块920还包括车道识别单元923，用于根据各车辆的前方车辆的数量和位置信息、以及前方车道线的位置信息，获得各车辆的前方车道的车辆数量，根据各车辆的前方车道的车辆数量，确定各车辆的前方车道是否空旷，前方车道包括当前车道、左车道和右车道。

在一个实施例中，周围交通信息包括前方车流密度等级，如图10所示，识别模块920包括车流密度识别单元924，用于采用已训练车流密度分类模型，对各车辆采集的道路图像进行识别，获得各车辆的前方车流密度等级。

在一个实施例中，自身行驶信息包括预估车速，如图10所示，识别模块920包括车速预估单元925，用于采用已训练神经网络模型，对各车辆采集的道路图像中的两相邻图像的亮度差进行分析，获得各车辆的预估车速。

在一个实施例中，自身行驶信息包括是否异常行驶，如图10所示，识别模块920包括异常识别单元926，用于根据各车辆采集的道路图像中的两相邻图像的采集时间差，以及两相邻图像对应的车辆在采集时间差内的移动距离，获得各车辆的移动速度，根据各车辆的移动速度、以及各车辆的前方车流密度等级和/或前方车道是否空旷，确定各车辆是否异常行驶。

在一个实施例中，如图11所示，确定模块930包括统计单元931和确定单元932。

统计单元931，用于根据各车辆的周围交通信息、自身行驶信息和实时定位信息，获得目标路段的路况特征统计数据。

确定单元932，用于采用已训练路况分类模型，对路况特征统计数据进行判定，确定目标路段的路况。

在一个实施例中，路况特征统计数据包括：车辆数据、车道数据、车流密度数据、通行速度数据、异常行驶数据和定位点数据，如图12所示，统计单元931包括车辆数据统计单元9311、车道数据统计单元9312、车流密度数据统计单元9313、通行速度数据统计单元9314、异常行驶数据统计单元9315和定位点数据统计单元9316。

车辆数据统计单元9311，用于根据各车辆的前方车辆数量，确定目标路段的车辆数据。

车道数据统计单元9312，用于根据各车辆的前方车道是否空旷，确定目标路段的车道数据。

车流密度数据统计单元9313，用于根据各车辆的前方车流密度等级，确定目标路段的车流密度数据。

通行速度数据统计单元9314，用于根据各车辆的预估车速，确定目标路段的通行速度数据。

异常行驶数据统计单元9315，用于根据各车辆是否异常行驶，确定目标路段的异常行驶数据。

定位点数据统计单元9316，用于根据各车辆的实时定位信息，确定目标路段的定位点数据。

在一个实施例中，目标路段的车辆数据包括目标路段的车辆数量，车辆数据统计单元9311具体用于：计算各车辆的前方车辆数量中，排在预设名次之前的前方车辆数量的平均值；将排在预设名次之前的前方车辆数量的平均值，确定为目标路段的车辆数量。

在一个实施例中，目标路段的车道数据包括目标路段的当前车道是否空旷、左车道是否空旷、右车道是否空旷，车道数据统计单元9312具体用于：当各车辆中存在至少一个车辆的当前车道空旷，确定目标路段的当前车道空旷；当各车辆中存在至少一个车辆的左车道空旷，确定目标路段的左车道空旷；当各车辆中存在至少一个车辆的右车道空旷，确定目标路段的右车道空旷。

在一个实施例中，目标路段的车流密度数据包括目标路段的车流密度等级及对应的比例，车流密度数据统计单元9313具体用于：根据各车辆的前方车流密度等级，获得各前方车流密度等级对应的车辆数量；基于各前方车流密度等级对应的车辆数量、以及目标路段的车辆总数量，确定目标路段的车流密度等级及对应的比例。

在一个实施例中，目标路段的通行速度数据包括目标路段各位置区间的通行速度，通行速度数据统计单元9314具体用于：根据各车辆的预估车速及对应的定位信息，获得位于目标路段各位置区间内的各车辆的预估车速；分别计算位于目标路段各位置区间内的车辆的预估车速平均值；将各位置区间内的车辆的预估车速平均值，确定为目标路段各位置区间的通行速度。

在一个实施例中，目标路段的异常行驶数据包括目标路段的异常车辆数量比例，异常行驶数据统计单元9315具体用于：根据各车辆是否异常行驶，获得目标路段的异常车辆数量；将目标路段的异常车辆数量与目标路段的车辆总数量的比值，确定为目标路段的异常车辆数量比例。

在一个实施例中，目标路段的定位点数据包括目标路段的定位点频率，定位点数据统计单元9316具体用于：根据各车辆的实时定位信息，获得预设时间段内目标路段上的定位点总数量；将定位点总数量与预设时间段的比值，确定为目标路段的定位点频率。

在一个实施例中，目标路段的定位点数据包括目标路段的低速定位点比例，定位点数据统计单元9316具体用于：根据各车辆的实时定位信息，获得预设时间段内目标路段上的定位点总数量以及各定位点的实时速度；将低速定位点数量和定位点总数量的比值，确定为目标路段的低速定位点比例，低速定位点为实时速度小于速度阈值的定位点。

在一个实施例中，目标路段的定位点数据包括目标路段的定位点均速，定位点数据统计单元9316具体用于：根据各车辆的实时定位信息，获得预设时间段内相关路段上各定位点的实时速度，相关路段包括目标路段、目标路段上游的第一预设距离路段以及目标路段下游的第二预设距离路段；将相关路段上各定位点的实时速度的平均值，确定为目标路段的定位点均速。

在一个实施例中，目标路段的定位点数据包括目标路段的走完率，定位点数据统计单元9316具体用于：根据各车辆的实时定位信息，获得预设时间段内目标路段上的车辆总数量以及驶离目标路段的车辆数量；将驶离目标路段的车辆数量与车辆总数量的比值，确定为目标路段的走完率。

关于路况确定装置的具体限定可以参见上文中对于路况确定方法的限定，在此不再赘述。上述路况确定装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。

图13示出了一个实施例中计算机设备的内部结构图。该计算机设备具体可以是图1中的终端110。如图13所示，该计算机设备包括通过系统总线连接的处理器、存储器、网络接口、输入装置和显示屏。其中，存储器包括非易失性存储介质和内存储器。该计算机设备的非易失性存储介质存储有操作系统，还可存储有计算机程序，该计算机程序被处理器执行时，可使得处理器实现路况确定方法。该内存储器中也可储存有计算机程序，该计算机程序被处理器执行时，可使得处理器执行路况确定方法。计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏，计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。

图14示出了一个实施例中计算机设备的内部结构图。该计算机设备具体可以是图1中的服务器120。如图14所示，该计算机设备包括通过系统总线连接的处理器、存储器和网络接口。其中，存储器包括非易失性存储介质和内存储器。该计算机设备的非易失性存储介质存储有操作系统，还可存储有计算机程序，该计算机程序被处理器执行时，可使得处理器实现路况确定方法。该内存储器中也可储存有计算机程序，该计算机程序被处理器执行时，可使得处理器执行路况确定方法。

本领域技术人员可以理解，图13或图14中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。

在一个实施例中，本申请提供的路况确定装置可以实现为一种计算机程序的形式，计算机程序可在如图13或图14所示的计算机设备上运行。计算机设备的存储器中可存储组成该路况确定装置的各个程序模块，比如，图9所示的获取模块、识别模块和确定模块。各个程序模块构成的计算机程序使得处理器执行本说明书中描述的本申请各个实施例的路况确定方法中的步骤。

例如，图13或图14所示的计算机设备可以通过如图9所示的路况确定装置中的获取模块执行步骤s202。计算机设备可通过识别模块执行步骤s204。计算机设备可通过确定模块执行步骤s206。

在一个实施例中，提供了一种计算机设备，包括存储器和处理器，存储器存储有计算机程序，计算机程序被处理器执行时，使得处理器执行上述路况确定方法的步骤。此处路况确定方法的步骤可以是上述各个实施例的路况确定方法中的步骤。

在一个实施例中，提供了一种计算机可读存储介质，存储有计算机程序，计算机程序被处理器执行时，使得处理器执行上述路况确定方法的步骤。此处路况确定方法的步骤可以是上述各个实施例的路况确定方法中的步骤。

需要理解的是，上述实施例中的术语“第一”、“第二”等仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。

本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一非易失性计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(rom)、可编程rom(prom)、电可编程rom(eprom)、电可擦除可编程rom(eeprom)或闪存。易失性存储器可包括随机存取存储器(ram)或者外部高速缓冲存储器。作为说明而非局限，ram以多种形式可得，诸如静态ram(sram)、动态ram(dram)、同步dram(sdram)、双数据率sdram(ddrsdram)、增强型sdram(esdram)、同步链路(synchlink)dram(sldram)、存储器总线(rambus)直接ram(rdram)、直接存储器总线动态ram(drdram)、以及存储器总线动态ram(rdram)等。

以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。

以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本申请专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。