[发明专利]一种基于深度学习的交通拥堵程度多维度分析方法

权利要求书

1.一种基于深度学习的交通拥堵程度多维度分析方法，其特征在于，包括如下步骤：

1)相机预置位设置以及相机标定，相机预置位为进行拥堵程度分析时相机所处的固定位置；即将摄像头调整到合适的交通拥堵程度分析位置，并将当前相机位置设置为预置位；相机标定具体为截取相机视频流的一帧图像，在其上进行车道线、兴趣区域、拥堵程度分析区域标定；

2)卷积神经网络模型初始化；其中，卷积神经网络模型为tiny-YOLO v3，卷积神经网络模型初始化为将卷积网络模型加载到GPU显卡中以及权重参数恢复；

3)获取实时视频流；

4)检查相机工作状态；具体包括以下步骤：

4.1):检查当前是否为休眠状态，如果为休眠状态，则不进行拥堵程度分析；

4.2):获取当前相机的位置信息，与预置位比较是否相同，若相同则进行拥堵程度分析；否则，不进行拥堵程度分析；

4.3):根据公式(1)计算当前视频帧时间T_cur与前一帧时间T_pre的时间间隔T_space，单位均为秒；若T_space≥T₀，则将目标跟踪队列重置；否则，进行正常的拥堵程度分析；T₀表示时间阈值；

T_space＝T_cur-T_pre (1)

5)使用卷积神经网络模型对兴趣区域进行车辆目标检测；

6)车辆目标跟踪；包含以下步骤：

6.1):得到当前帧的车辆目标检测结果后，过滤掉不在车道线内以及拥堵程度分析区域内的车辆；

6.2):基于IoU匹配的车辆目标跟踪：

6.2.1):计算当前帧检测到的车辆目标D和跟踪队列中目标Q的IoU和宽高误差E_w、E_h；IoU根据公式(2)计算，宽高误差E_w、E_h分别根据公式(3)、公式(4)计算：

其中，D_box为当前帧的车辆目标D的边界框，Q_TrackingBox为跟踪队列中目标Q的实时跟踪边界框，∩为求交集，∪为求并集；D_w和D_h分别为当前帧的车辆目标D实时跟踪边界框的宽高，Q_w和Q_h分别为跟踪队列中目标Q的实时跟踪边界框的宽高；

6.2.2):如果IoU≥IoU_t，E_w≤E_wt，E_h≤E_ht，则认为D和Q是同一辆车，将D标记为已匹配，将Q标记为已检测，实时跟踪框更新为当前目标D的边界框；其中IoU_t，E_wt，E_ht为预先设置的可调值，IoU_t的取值范围为0～1.0，E_wt和E_ht的取值要求大于等于0；

6.2.3)：将处于拥堵程度分析区域且未匹配的车辆目标D加入跟踪队列中，初始边界框以及实时跟踪框为当前目标D的边界框，初始图像为当前视频帧，初始时间Q_{init_time}为当前视频帧的时间；

6.3):维护跟踪队列：

6.3.1):将跟踪队列中不处于拥堵程度分析区域的跟踪目标移除；

6.3.2):若跟踪队列中存在跟踪目标Q在当前帧中没有检测到且前E_{tolerate_frame}帧也没有得到更新，则认为该目标已经驶离，并将该跟踪目标Q从跟踪队列中移除；其中E_{tolerate_frame}为预先设置的可调值，其取值要求为E_{tolerate_frame}≥1；

7)交通参数采集；包含以下步骤：

7.1)：道路容纳率计算：根据公式(5)-(7)计算拥堵程度分析区域的容纳率R＝{R₁,R₂}；

其中，T_i∈L表示跟踪目标T_i位于拥堵程度分析区域L内，Area(T_i∩L)为计算两者交集的面积，C₁为拥堵分析区域极限容纳车辆，C₂为拥堵分析区域极限容纳面积；极限容纳面积C₁和极限容纳车辆为C₂为预先设定的可调值，单位分别为像素和辆，取值范围分别为C₁≥1，C₂≥1；

7.2)：拥堵程度分析区域平均车速计算：

7.2.1):选择跟踪队列中车辆跟踪次数达到T_{TrackingFrame}帧的目标为有效目标；其中T_{TrackingFrame}为预先设置的可调值，单位为帧，其取值要求为T_{TrackingFrame}≥1；

7.2.2):如果不存在有效目标，则将平均像素速度V置为无穷大；否则根据公式(8)-(10)计算平均像素速度计算表示车辆在单位时间内移动距离为个车身长度；

其中，为第i个有效目标的平均车身长度，S_ij为第i有效目标的第j个时刻的车身长度；为第i有效目标的移动速度，X_end和X_begin分别为该有效目标结束跟踪t_end和开始跟踪t_begin时刻的目标位置；n为该目标跟踪次数，m为有效目标数量；

8)拥堵勘探初步进行拥堵预测，具体为：如果且则初步判断之后一段时间内不会存在拥堵事件，因此拥堵程度分析方法进入睡眠状态并清空跟踪队列，直至后重新进行拥堵程度分析；其中和为预先设定的可调值，取值范围分别为和为预先设定的可调值，单位为秒，取值范围为

9)拥堵程度分析，所述拥堵程度分析包括:如果当前存在拥堵现象，按如下步骤判断是否为静止拥堵：

9.1)判断有效静止目标：将跟踪目标的初始边界框和实时跟踪边界框根据公式(11)计算IoU，并且计算其停留时间Parking，如果其IoU≥IoU_t且Parking≥T_parking，则认为跟踪目标为有效静止目标；其中IoU_t，T_parking为预先设置的可调值，IoU_t的取值范围为0～1.0，T_parking取值要求大于等于0；

其中，Q_initBox为跟踪队列中目标Q的初始边界框，Q_TrackingBox为跟踪队列中目标Q的实时跟踪边界框，∩为求交集，∪为求并集；

9.2)如果有效静止目标的数量大于T_JamPark，则认为当前为静止拥堵现象，否则认为当前为缓行拥堵现象；其中T_JamPark为预先设定的可调值，取值要求为T_JamPark≥0；

10)拥堵事件上报并设置睡眠状态，具体包含以下步骤：

10.1):如果当前存在拥堵现象，选择在前T_jam时刻的视频帧和当前视频帧上绘制出当前的拥堵程度分析区域，并在视频帧底边添加视频帧时间、地点信息以及拥堵程度后将两张图像左右排列合并，最后将拥堵信息以及合成图进行上报；

10.2） :如果成功将拥堵现象上报，则设置为睡眠状态，直至T_sleep后重新开启道路溢出检测，其中T_sleep为预先设置的可调值，单位为秒，其取值范围为T_sleep≥1。