[发明专利]一种基于多目标跟踪检测的智能交通拥堵检测方法及系统

说明书

本发明涉及交通拥堵检测技术领域，特别涉及一种基于多目标跟踪检测的智能交通拥堵检测方法及系统。通过在视频中划定感兴趣区域ROI,采用yolov4目标检测模型结合tensorRT加速技术对视频帧进行实时目标检测，用多目标跟踪方法对检测出的目标进行跟踪，缓存行驶车辆在ROI中停留的帧数，根据双高斯模型更新正常行驶车辆的帧数，一旦出现停留帧数异常则对相应车辆标记为慢速，出现多辆车辆为慢速的情况则上报交通拥堵事件。本发明采用了深度学习模型yolov4和tensorRT加速技术进行目标检测，并用多目标跟踪方法进行跟踪，能够细化到目标层级进行分析，同时根据不同行驶场景实时更新正常行驶标准，具有精细分析、误报率低、检测速度快、自适应判断拥堵情况等优点。

技术领域

本发明属于交通拥堵检测技术领域，特别涉及一种基于多目标跟踪检测的智能交通拥堵检测方法及系统。

背景技术

随着深度学习技术的逐步发展成熟，深度学习技术已经深入应用到了计算机视觉的各个领域，对于多目标跟踪领域，将深度学习目标检测技术和多目标跟踪技术相结合的基于检测的目标跟踪方法正成为多目标跟踪技术的主流。

如专利号为CN202110594521.4，提出的一种以鲁棒性车辆目标检测为核心的道路拥堵状况检测方法，该专利采用yolov3模型进行车辆检测，对检测的车辆进行计数，并记录车辆在一定时间内的位置和大小信息，利用NMS估算最大承载量，最后具体量化拥堵指数CI，采用拥堵指数CI判断路段拥堵程度。

上述专利使用了yolov3目标检测模型，利用卷积神经网络提取特征，相对于人工提取特征，提高了提取特征的自动性和准确性。但该专利通过对检测的车辆进行计数量化拥堵指数的方式过于简单，车辆有大小，计数便有不同，对不同车辆大小的场景适用性差；对车辆进行宏观上的计数过于笼统，不能进行每辆车辆的精细公析；对于缓慢行驶的情况，误报的概率大。

发明内容

针对上述问题，本发明提供了一种基于多目标跟踪检测的智能交通拥堵检测方法，包括如下步骤：步骤一、从视频中读入视频帧，用作后续处理；步骤二、对读入的所述视频帧用yolov4模型和tensorrt加速技术进行车辆检测，得到车辆目标框；步骤三、对所述车辆目标框用卡尔滤波和匈牙利算法进行多目标跟踪；步骤四、记录跟踪到的目标车辆信息，包括停留帧数、坐标；步骤五、通过所述目标车辆信息进行构建双高斯模型，统计所有车辆的运动帧数对应的均值和标准差信息；步骤六、判断每一个车辆是否慢速，并给车辆赋状态值；步骤七、判断整体慢速车辆是否大于设定值，如果大于设定值则将交通状态赋为拥堵，如果不大于设定值，则将交通状态赋为不拥堵。步骤八、将满足标准行驶要求的车辆帧数更新正常行驶标准帧数。

另一方面，本发明还提出一种基于多目标跟踪检测的智能交通拥堵检测系统，包括视频读入模块、目标检测模块、目标跟踪模块及跟踪处理模块；其中，所述视频读入模块、目标检测模块、目标跟踪模块及跟踪处理模块依次连接。

所述视频读入模块用于从视频中读取图像帧用于后续处理；所述目标检测模块用于采用yolov4模型和tensorrt加速技术进行车辆检测，得到车辆目标框；所述目标跟踪模块用于采用卡尔曼滤波和匈牙利匹配等算法进行多目标跟踪，给每辆车赋id；所述跟踪处理模块用于记录所述目标跟踪模块跟踪到的目标车辆信息，包括在ROI区域停留的帧数、坐标点，并对跟踪到的目标进行处理。

进一步的，在所述跟踪处理模块对跟踪到的目标进行处理时，包括如下步骤：

a、记录每一个目标车辆运动轨迹，对车辆运动轨迹进行筛选；b、对车辆位置点进行坐标分析；c、删除目标在ROI区域内不是以直线运动的轨迹，删除没有贯穿ROI区域的轨迹；d、融合ransac拟合运动轨迹的方案，协同判断目标运动轨迹的可靠程度；e、得到目标轨迹。

进一步的，所述坐标分析时，需满足以下条件：条件一，目标在ROI区域内运行轨迹必须是直线，该条件使用目标轨迹点之间的标准差来保证；条件二，必须是贯穿进过ROI区域的运动轨迹，该条件通过同方向最大距离保证。