CN117727182A - 一种交叉路口的车流量检测方法、装置、设备和介质 - Google Patents

Abstract

本申请涉及车流量检测的技术领域，尤其是涉及一种交叉路口的车流量检测方法、装置、设备和介质，方法包括：基于车道特征进行车道划分，确定交叉路口中每一车道对应的车道类别，并基于视频监控图像进行预处理，在视频监控图像中框选出车流量检测区域，车流量检测区域用于集中处理和分析真正与车流量相关的部分，提高了车流量检测的准确性。基于目标支路中每一车道对应的车道类别和视频监控图像中的车流量检测区域进行车流量检测，确定目标支路的支路车流量，在进行车流量检测时，针对不同车道类别选取相适应的车流量检测方法，以提升支路车流量的精准性和车流量检测效率。最终，综合交叉路口中每一目标支路的支路车流量，得到交叉路口的总车流量。

Description

一种交叉路口的车流量检测方法、装置、设备和介质

技术领域

本申请涉及车流量检测的技术领域，尤其是涉及一种交叉路口的车流量检测方法、装置、设备和介质。

背景技术

城市交通网络交通拥堵情况时，分析交叉路口的车流量就显得格外重要了，进而，基于交叉路口的车流量给出相应的交通信号控制方案，传统方式为由信号控制工程师观察通过交通视频监控系统人工计算出车流量，这种方式虽然能够统计出车流量，但是人工分析交通流量的方式不仅耗时长工作效率低，而且由于人工分析具有一定的主观性，也无法保证分析车流量的准确性。

因而，当今大多采用视频检测技术来自动统计交叉路口的车流量，利用视频检测技术进行自动检测时，把车流量作为一个静态的参数测量，即单位时间内通过该交叉路口的车辆数。然而，这种检测方法无法区分同一个车道内不同行驶方向的车辆数，比如，当车道同时放行左转和执行的车辆时，相关技术中的检测方法无法精准的区分这两种不同行驶方向的车辆，使得车流量检测的准确性不高。

因而，如何提供一种准确性高的交叉路口的车流量检测方法是本领域技术人员亟待解决的问题。

发明内容

本申请的目的是提供一种交叉路口的车流量检测方法、装置、设备和介质，用于解决以上至少一项技术问题。

本申请的上述发明目的是通过以下技术方案得以实现的：

第一方面，本申请提供一种交叉路口的车流量检测方法，采用如下的技术方案：

一种交叉路口的车流量检测方法，包括：

获取交叉路口中目标支路的车道特征，基于所述车道特征进行车道划分，确定交叉路口中每一车道对应的车道类别，其中，所述车道类别包括：单向直行车道和多向车道，所述目标支路为交叉路口中任意一个分支马路；

获取所述目标支路的视频监控图像，基于所述视频监控图像进行预处理，在所述视频监控图像中框选出车流量检测区域；

基于所述目标支路中每一车道对应的所述车道类别和所述视频监控图像中的所述车流量检测区域进行车流量检测，确定所述目标支路的支路车流量；

综合所述交叉路口中每一所述目标支路的所述支路车流量，得到所述交叉路口的总车流量。

通过采用上述技术方案，基于车道特征进行车道划分，确定交叉路口中每一车道对应的车道类别，与此同时，基于视频监控图像进行预处理，在视频监控图像中框选出车流量检测区域，框选车流量检测区域用于集中处理和分析真正与车流量相关的部分，不仅减少了误检和漏检，提高了车流量检测的准确性，还节省了电子设备的计算资源和存储资源。然后，基于目标支路中每一车道对应的车道类别和视频监控图像中的车流量检测区域进行车流量检测，确定目标支路的支路车流量，在进行车流量检测时，针对不同车道类别选取相适应的车流量检测方法，以提升支路车流量的精准性和车流量检测效率。最终，综合交叉路口中每一目标支路的支路车流量，得到交叉路口的总车流量。为了提升交叉路口的车流量的准确性，针对交叉路口中的每一目标支路进行车流检测，得到目标支路的支路车流量，然后，再对支路车流量汇总，以得到交叉路口的总车流量。

本申请在一较佳示例中可以进一步配置为：所述基于所述目标支路中每一车道对应的所述车道类别和所述视频监控图像中的所述车流量检测区域进行车流量检测，确定所述目标支路的支路车流量，包括：

基于所述视频监控图像中的所述车流量检测区域进行车辆识别，标记出每一车辆对应的车辆标识框；

基于所述视频监控图像中的所述车流量检测区域，对所述多向车道对应的每一车辆标识框进行车辆追踪，确定所述多向车道中的第一直行车流量和转向车流量；

基于所述视频监控图像中的所述车流量检测区域，对所述单向直行车道对应的每一车辆标识框进行车辆追踪，确定所述单向直行车道中的第二直行车流量；

基于所述第一直行车流量和所述第二直行车流量进行求和，确定所述目标支路的直行车流量，其中，所述支路车流量包括：所述直行车流量和所述转向车流量。

本申请在一较佳示例中可以进一步配置为：所述基于所述视频监控图像中的所述车流量检测区域，对所述多向车道对应的每一车辆标识框进行车辆追踪，确定所述多向车道中的第一直行车流量和转向车流量，包括：

基于所述视频监控图像中的所述车流量检测区域，对所述多向车道对应的每一所述车辆标识框进行车辆追踪，确定每一所述车辆标识框对应的旋转方向角度集合；

基于每一所述车辆标识框对应的所述旋转方向角度集合，确定所述多向车道中的所述第一直行车流量和所述转向车流量。

本申请在一较佳示例中可以进一步配置为：所述基于所述目标支路中每一车道对应的所述车道类别和所述视频监控图像中的所述车流量检测区域进行车流量检测，确定所述目标支路的支路车流量之后，还包括：

利用车流量预测模型对所述目标支路进行车流量预测，得到所述目标支路对应的预测车流量；

基于所述目标支路对应的所述预测车流量和所述支路车流量进行车流量比对分析，确定比对分析结果；

当所述比对分析结果为正常时，则将所述目标支路的所述支路车流量作为训练数据集，利用所述训练数据集对所述车流量预测模型进行再训练，得到更新后的车流量预测模型。

本申请在一较佳示例中可以进一步配置为：所述基于所述目标支路对应的所述预测车流量和所述支路车流量进行车流量比对分析，确定比对分析结果之后，还包括：

当所述比对分析结果为异常时，则利用定位联动方式重新检测所述目标支路的车流量，得到精准支路车流量，其中，所述定位联动方式为通过车辆的定位系统来精准检测车流量。

本申请在一较佳示例中可以进一步配置为：所述目标支路的所述车道特征的采集方法，包括：

当达到车道特征采集周期时，采集所述目标支路在交通低谷期的道路图像，基于所述道路图像进行特征提取，得到所述目标支路的当前车道特征；

获取已存车道特征，基于所述当前车道特征和所述已存车道特征进行特征比较，当特征存在差异时，则利用所述当前车道特征更新所述已存车道特征，记为所述目标支路的所述车道特征。

第二方面，本申请提供一种交叉路口的车流量检测装置，采用如下的技术方案：

一种交叉路口的车流量检测装置，包括：

车道划分模块，用于获取交叉路口中目标支路的车道特征，基于所述车道特征进行车道划分，确定交叉路口中每一车道对应的车道类别，其中，所述车道类别包括：单向直行车道和多向车道，所述目标支路为交叉路口中任意一个分支马路；

检测区域划分模块，用于获取所述目标支路的视频监控图像，基于所述视频监控图像进行预处理，在所述视频监控图像中框选出车流量检测区域；

车流量检测模块，用于基于所述目标支路中每一车道对应的所述车道类别和所述视频监控图像中的所述车流量检测区域进行车流量检测，确定所述目标支路的支路车流量；

车流量汇总模块，用于综合所述交叉路口中每一所述目标支路的所述支路车流量，得到所述交叉路口的总车流量。

第三方面，本申请提供一种电子设备，采用如下的技术方案：

至少一个处理器；

存储器；

至少一个应用程序，其中至少一个应用程序被存储在存储器中并被配置为由至少一个处理器执行，所述至少一个应用程序配置用于：执行上述的交叉路口的车流量检测方法。

第四方面，本申请提供一种计算机可读存储介质，采用如下的技术方案：

一种计算机可读存储介质，其上存储有计算机程序，当所述计算机程序在计算机中执行时，令所述计算机执行上所述的交叉路口的车流量检测方法。

综上所述，本申请包括以下至少一种有益技术效果：

1.基于车道特征进行车道划分，确定交叉路口中每一车道对应的车道类别，与此同时，基于视频监控图像进行预处理，在视频监控图像中框选出车流量检测区域，框选车流量检测区域用于集中处理和分析真正与车流量相关的部分，不仅减少了误检和漏检，提高了车流量检测的准确性，还节省了电子设备的计算资源和存储资源。然后，基于目标支路中每一车道对应的车道类别和视频监控图像中的车流量检测区域进行车流量检测，确定目标支路的支路车流量，在进行车流量检测时，针对不同车道类别选取相适应的车流量检测方法，以提升支路车流量的精准性和车流量检测效率。最终，综合交叉路口中每一目标支路的支路车流量，得到交叉路口的总车流量。为了提升交叉路口的车流量的准确性，针对交叉路口中的每一目标支路进行车流检测，得到目标支路的支路车流量，然后，再对支路车流量汇总，以得到交叉路口的总车流量；

2.基于视频监控图像中的车流量检测区域进行车辆识别，标记出每一车辆对应的车辆标识框。然后，基于视频监控图像中的车流量检测区域，对多向车道对应的每一车辆标识框进行车辆追踪，确定多向车道中的第一直行车流量和转向车流量。与此同时，基于视频监控图像中的车流量检测区域，对单向直行车道对应的每一车辆标识框进行车辆追踪，确定单向直行车道中的第二直行车流量。最终，基于第一直行车流量和第二直行车流量进行求和，确定目标支路的直行车流量。在进行车流量检测时，针对不同车道类别选取相适应的车流量检测方法，以提升支路车流量的精准性和车流量检测效率。

附图说明

图1是本申请其中一实施例的一种交叉路口的车流量检测方法的流程示意图；

图2是本申请其中一实施例的行车流量检测确定目标支路的支路车流量的流程示意图；

图3是本申请其中一实施例的一种交叉路口的车流量检测装置的结构示意图；

图4是本申请其中一实施例的一种电子设备的结构示意图。

具体实施方式

以下结合图1至图4对本申请作进一步详细说明。

本具体实施例仅仅是对本申请的解释，其并不是对本申请的限制，本领域技术人员在阅读完本说明书后可以根据需要对本实施例做出没有创造性贡献的修改，但只要在本申请的范围内都受到专利法的保护。

为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。

另外，本文中术语“和/或”，仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。另外，本文中字符“/”，如无特殊说明，一般表示前后关联对象是一种“或”的关系。

下面结合说明书附图对本申请实施例作进一步详细描述。

本申请实施例提供了一种交叉路口的车流量检测方法，由电子设备执行，该电子设备可以为服务器也可以为终端设备，其中，该服务器可以是独立的物理服务器，也可以是多个物理服务器构成的服务器集群或者分布式系统，还可以是提供云计算服务的云服务器。终端设备可以是智能手机、平板电脑、笔记本电脑、台式计算机等，但并不局限于此，该终端设备以及服务器可以通过有线或无线通信方式进行直接或间接地连接，本申请实施例在此不做限制，如图1所示，该方法包括步骤S101、步骤S102、步骤S103以及步骤S104，其中：

步骤S101：获取交叉路口中目标支路的车道特征，基于车道特征进行车道划分，确定交叉路口中每一车道对应的车道类别，其中，车道类别包括：单向直行车道和多向车道，目标支路为交叉路口中任意一个分支马路。

对于本申请实施例，交叉路口由多条支路交汇而成，每条支路都有车辆进出，为了提升交叉路口的车流量的准确性，并降低电子设备后续进行车流量检测的计算量，针对交叉路口中的每一目标支路进行车流检测，得到目标支路的支路车流量，然后，再对支路车流量汇总，以得到交叉路口的总车流量。

具体的，获取交叉路口中目标支路的车道特征，车道特征包括但不限于：车道线位置、车道宽度、车道标识，其中，车道标识指的是目标支路上的标记，用于指示车道的方向、功能、限制等。然后，基于目标支路的车道特征中车道标识进行车道划分，确定交叉路口中每一车道对应的车道类别，车道类别包括：单向直行车道和多向车道，其中，单向直行车道为在该车道车辆仅能够直行行驶，多向车道为在该车道车辆不仅能够直行行驶，还能够进行转弯行驶。针对单向直行车道上的车辆而言，行驶方向是确定的；针对多向车道上的车辆而言，行驶方向不确定，即，不确定为直行还是转弯，因而，优先将两种类型的车道划分开来，以便于后续针对不同车道类别选取相适应的车流量检测方法，用于确保各类车道上的车流量都得到准确且高效的检测。

步骤S102：获取目标支路的视频监控图像，基于视频监控图像进行预处理，在视频监控图像中框选出车流量检测区域。

对于本申请实施例，为了提升车流量检测的精准性，针对每一目标支路均设置了图像采集装置，图像采集装置用于采集在目标支路上经过交叉路口的全景视频图像。图像采集装置所采集到的全景视频图像所覆盖的面积比较大，倘若直接针对全景视频图像进行车流量检测，不仅需要消耗较高的计算资源，还会引入较多的无关干扰，因而，在本申请实施例中，基于视频监控图像进行预处理，在视频监控图像中框选出车流量检测区域，其中，车流量检测区域为视频监控图像中贴近交叉路口的部分区域。针对车流量检测区域的大小和位置，用户可以根据自己的需求自行进行设定，本申请实施例不再进行限定。框选车流量检测区域用于集中处理和分析真正与车流量相关的部分，去除与车流量检测无关的区域，如远离交叉路口的部分，通过这种方式，不仅减少了误检和漏检，提高了车流量检测的准确性，还节省了电子设备的计算资源和存储资源。

步骤S103：基于目标支路中每一车道对应的车道类别和视频监控图像中的车流量检测区域进行车流量检测，确定目标支路的支路车流量；

对于本申请实施例，针对单向直行车道上的车辆而言，行驶方向是确定的；针对多向车道上的车辆而言，行驶方向不确定，即，不确定为直行还是转弯，因而，在进行车流量检测时，针对不同车道类别选取相适应的车流量检测方法，以提升支路车流量的精准性和车流量检测效率。

具体的，基于视频监控图像中的车流量检测区域进行车辆识别，标记出每一车辆对应的车辆标识框。针对多向车道而言，基于视频监控图像中的车流量检测区域，对多向车道对应的每一车辆标识框进行车辆追踪，确定多向车道中的第一直行车流量和转向车流量，其中，针对多向车道中的车辆进行追踪时，采用车辆轨迹分析的方法，分别对不同方向的车流进行统计。针对单向直行车道而言，基于视频监控图像中的车流量检测区域，对单向直行车道对应的每一车辆标识框进行车辆追踪，确定单向直行车道中的第二直行车流量，其中，针对单向直行车道中的车辆进行追踪时，通过统计单位时间内通过的车辆数量来确定第二车流量。最终，基于第一直行车流量和第二直行车流量进行求和，确定目标支路的直行车流量，其中，支路车流量包括：直行车流量和转向车流量，直行车流量为目标支路中所有单向直行车道上车流量的总数。

步骤S104：综合交叉路口中每一目标支路的支路车流量，得到交叉路口的总车流量。

对于本申请实施例，综合每一目标支路的支路车流量的方式有多种，本申请实施例不再进行限定，用户可自行进行设定。在一种可实现的方式中，基于支路车流量的时段信息进行时段划分，得到按照时序排列的支路时段车流量，然后，针对每一目标支路中相同时段信息的支路时段车流量进行格式统一化，确定支路时段车流量对应的至少一个车流方向、车流方向对应的车流量。针对任意时段而言，基于所有目标支路的支路时段车流量对应的车流方向、车流方向对应的车流量进行汇总，得到交叉路口的总车流量，其中，总车流量包括：多个时段内各自对应的时段总车流量。

可见，在本申请实施例中，基于车道特征进行车道划分，确定交叉路口中每一车道对应的车道类别，与此同时，基于视频监控图像进行预处理，在视频监控图像中框选出车流量检测区域，框选车流量检测区域用于集中处理和分析真正与车流量相关的部分，不仅减少了误检和漏检，提高了车流量检测的准确性，还节省了电子设备的计算资源和存储资源。然后，基于目标支路中每一车道对应的车道类别和视频监控图像中的车流量检测区域进行车流量检测，确定目标支路的支路车流量，在进行车流量检测时，针对不同车道类别选取相适应的车流量检测方法，以提升支路车流量的精准性和车流量检测效率。最终，综合交叉路口中每一目标支路的支路车流量，得到交叉路口的总车流量。为了提升交叉路口的车流量的准确性，针对交叉路口中的每一目标支路进行车流检测，得到目标支路的支路车流量，然后，再对支路车流量汇总，以得到交叉路口的总车流量。

进一步的，为了提升支路车流量的精准性和车流量检测效率，在本申请实施例中，如图2所示，基于目标支路中每一车道对应的车道类别和视频监控图像中的车流量检测区域进行车流量检测，确定目标支路的支路车流量，包括：步骤S1031-步骤S1034，其中：

步骤S1031：基于视频监控图像中的车流量检测区域进行车辆识别，标记出每一车辆对应的车辆标识框。

对于本申请实施例，利用计算机视觉技术进行车辆识别，即，利用目标检测算法对车流量检测区域的任意一帧图像进行车辆识别，目标检测算法包括但不限于：YOLO、SSD、Faster R-CNN等，识别出车流量检测区域内的所有车辆，并针对车流量检测区域内的每一车辆进行标记，得到每一车辆对应的车辆标识框，其中，车辆标识框需要全部框选住车辆，用于标记车辆的位置和大小。

步骤S1032：基于视频监控图像中的车流量检测区域，对多向车道对应的每一车辆标识框进行车辆追踪，确定多向车道中的第一直行车流量和转向车流量。

对于本申请实施例，基于视频监控图像中的车流量检测区域，对多向车道对应的每一车辆标识框进行车辆追踪，即，使用车辆追踪算法对多向车道中的每一车辆标识进行车辆追踪，其中，车辆追踪算法根据车辆在连续帧之间的位置和外观特征，预测和更新每一车辆的车辆标识框。针对车辆追踪确定多向车道中直行车流量和转向车流量的方式有多种，本申请实施例不再进行限定，在一种可实现的方式中，基于视频监控图像中的车流量检测区域，对多向车道对应的每一车辆标识框进行车辆追踪，确定每一车辆标识框对应的旋转方向角度集合，其中，旋转方向角度集合由车辆标识框在不同视频帧中各自对应的旋转方向角度组成，旋转方向角度为车辆行驶方向与车道方向之间构成的夹角。然后，基于每一车辆标识框对应的旋转方向角度集合，确定多向车道中的第一直行车流量和转向车流量。在另一种可实现的方式中，利用目标追踪算法，例如，SORT、DeepSORT等，对多向车道中的车辆标识框进行追踪，建立车辆的运动轨迹，然后，基于每一车辆的运动轨迹分析车辆行驶方向，基于分析得到的车辆行驶方向统计多向车道中的第一直行车流量和转向车流量。

步骤S1033：基于视频监控图像中的车流量检测区域，对单向直行车道对应的每一车辆标识框进行车辆追踪，确定单向直行车道中的第二直行车流量。

对于本申请实施例，由于单向直行车道内的车辆仅能够直行行驶，不能够向其他方向行驶，故，不需要分析单向直行车道上车辆的行驶方向，用于节省了电子设备的计算资源。因而，基于视频监控图像中的车流量检测区域，对单向直行车道对应的每一车辆标识框进行车辆追踪时，仅仅利用目标追踪算法对单向直行车道对应的每一车辆标识框进行车辆追踪，当检测到该车辆的车辆标识框消失在车流量检测区域后，控制车流量计数器加一，以得到单向直行车道中的第二直行车流量。

步骤S1034：基于第一直行车流量和第二直行车流量进行求和，确定目标支路的直行车流量，其中，支路车流量包括：直行车流量和转向车流量。

对于本申请实施例，直行车流量为第一直行车流量和第二直行车流量的总和，与此同时，直行车流量为目标支路中所有单向直行车道上车流量的总数。转向车流量为目标支路中非直行的车流量，转向车流量包括但不限于：左转车流量、右转车流量、掉头车流量。

可见，在本申请实施例中，基于视频监控图像中的车流量检测区域进行车辆识别，标记出每一车辆对应的车辆标识框。然后，基于视频监控图像中的车流量检测区域，对多向车道对应的每一车辆标识框进行车辆追踪，确定多向车道中的第一直行车流量和转向车流量。与此同时，基于视频监控图像中的车流量检测区域，对单向直行车道对应的每一车辆标识框进行车辆追踪，确定单向直行车道中的第二直行车流量。最终，基于第一直行车流量和第二直行车流量进行求和，确定目标支路的直行车流量。在进行车流量检测时，针对不同车道类别选取相适应的车流量检测方法，以提升支路车流量的精准性和车流量检测效率。

进一步的，为了提高多向车道中车流量的准确性，在本申请实施例中，基于视频监控图像中的车流量检测区域，对多向车道对应的每一车辆标识框进行车辆追踪，确定多向车道中的第一直行车流量和转向车流量，包括：

基于视频监控图像中的车流量检测区域，对多向车道对应的每一车辆标识框进行车辆追踪，确定每一车辆标识框对应的旋转方向角度集合；

基于每一车辆标识框对应的旋转方向角度集合，确定多向车道中的第一直行车流量和转向车流量。

对于本申请实施例，由于视频监控图像是由连续的多帧图像组成，故，车流量检测区域也是由连续的多帧图像组成，因而，基于检测区域的连续的多帧图像，对多向车道对应的目标车辆标识框进行车辆追踪，得到目标车辆标识框在每一帧图像中的旋转方向角度，按照时序排布的每一帧图像中的旋转方向角度共同构成目标车辆标识框对应的旋转方向角度集合，其中，目标车辆标识框为任意一个车辆标识框。确定目标车辆标识框的旋转方向角度的方式有多种，在一种可实现的方式中，根据目标车辆标识框在连续帧图像之间的位置变化，计算出旋转方向角度，即，利用最小二乘法拟合目标车辆标识框的运动轨迹，然后根据轨迹的变化计算出旋转方向角度。当然，还可以基于三维刚体运动模型的方法，更准确地估计旋转方向角度。在另一种可实现的方式中，针对任意一帧图像而言，利用计算机视觉技术，计算车道线和目标车辆标识框之间的夹角，将两者之间的夹角记为该帧图像对应的旋转方向角度。

由于交叉路口中目标支路存在特异性，使得目标支路的实际道路情况决定了转向车辆的转向角度，例如，道路的转弯半径和布局会决定车辆在转弯过程中的角度变化、车道的宽度会对方向角度产生影响。因而，电子设备内会预先存储目标支路所对应的转向方向角度范围，该转向方向角度范围的大小是本领域技术人员基于大量的实验操作测量得到的。故，基于转向方向角度范围和每一车辆标识框对应的旋转方向角度集合，确定多向车道中的第一直行车流量和转向车流量。具体的，当旋转方向角度集合中落在转向方向角度范围中的数量大于预设数量时，确定该车辆标识框为转向；否则，确定该车辆标识框为直行，其中，预设数量的大小是本领域技术人员基于大量的实验操作确定的。综合每一车辆标识框的行驶方向，得到多向车道中的第一直行车流量和转向车流量。

可见，在本申请实施例中，基于视频监控图像中的车流量检测区域，对多向车道对应的每一车辆标识框进行车辆追踪，确定每一车辆标识框对应的旋转方向角度集合，然后，基于每一车辆标识框对应的旋转方向角度集合，确定多向车道中的第一直行车流量和转向车流量。通过车辆的旋转方向角度来确定多向车道的第一直行车流量和转向车流量时，综合考虑了交叉路口中目标支路的特异性，提高了多向车道中车流量的准确性。

进一步的，为了使得更新后的车流量预测模型能够更好地应对交通状况的变化，并及时调整预测，在本申请实施例中，基于目标支路中每一车道对应的车道类别和视频监控图像中的车流量检测区域进行车流量检测，确定目标支路的支路车流量之后，还包括：

利用车流量预测模型对目标支路进行车流量预测，得到目标支路对应的预测车流量；

基于目标支路对应的预测车流量和支路车流量进行车流量比对分析，确定比对分析结果；

当比对分析结果为正常时，则将目标支路的支路车流量作为训练数据集，利用训练数据集对车流量预测模型进行再训练，得到更新后的车流量预测模型。

对于本申请实施例，由于道路行驶过程中常常会存在多种突发情况、由于天气等特殊原因造成车流量检测存在误差的情况等多种特殊情况，均会使得交叉路口车流量统计结果与实际情况不相符，因而，在确定支路车流量后，基于支路车流量与预测车流量进行车流量比对分析，在相差较多的情况下，调整目标支路对应的支路车流量，以使得支路车流量能够更加准确地表征目标支路的交通情况。

车流量预测模型是基于目标支路的历史车流量训练样本对卷积神经网络进行训练得到的，故，向车流量预测模型内输入目标支路的相关信息时，车流量预测模型自动进行车流量预测，得到目标支路对应的预测车流量，即，利用车流量预测模型得到的预测车流量时，考虑了目标支路的独特特性和影响因素，使得预测车流量更加准确，并且能更好地反映目标支路的实际情况。然后，基于目标支路对应的预测车流量和支路车流量进行车流量比对分析，当预测车流量和支路车流量之间的差值大于车流量阈值时，则确定比对分析结果为异常；否则，确定比对分析结果为正常，其中，车流量阈值为预测情况与实际情况之间能够存在的合理的车流量差距值。当比对分析结果为正常时，表征车流量检测确定支路车流量与目标支路的通常情况相符，则将标支路的支路车流量作为训练数据集，利用训练数据集对车流量预测模型进行再训练，得到更新后的车流量预测模型。由于交通状况是动态变化的，故，将最新的支路车流量纳入训练数据集，可以捕捉到交通状况的最新变化，使得更新后的车流量预测模型能够更好地应对交通状况的变化，并及时调整预测。

可见，在本申请实施例中，由于道路行驶过程中常常会存在多种突发情况、由于天气等特殊原因造成车流量检测存在误差的情况等多种特殊情况，均会使得交叉路口车流量统计结果与实际情况不相符。因而，利用车流量预测模型对目标支路进行车流量预测，得到目标支路对应的预测车流量，与此同时，基于目标支路对应的预测车流量和支路车流量进行车流量比对分析，确定比对分析结果。当比对分析结果为正常时，则将目标支路的支路车流量作为训练数据集，利用训练数据集对车流量预测模型进行再训练，得到更新后的车流量预测模型。将最新的支路车流量纳入训练数据集，可以捕捉到交通状况的最新变化，使得更新后的车流量预测模型能够更好地应对交通状况的变化，并及时调整预测。

进一步的，为了提升车流量数据的准确性和可靠性，在本申请实施例中，基于目标支路对应的预测车流量和支路车流量进行车流量比对分析，确定比对分析结果之后，还包括：

当比对分析结果为异常时，则利用定位联动方式重新检测目标支路的车流量，得到精准支路车流量，其中，定位联动方式为通过车辆的定位系统来精准检测车流量。

对于本申请实施例，当比对分析结果为异常时，表征车流量检测确定的支路车流量与目标支路的通常情况相差很大，造成这种状况的原因有多种，例如，数据采集错误、特殊事件影响车辆正常行驶、恶略的天气状况、道路基础设施变化等。为了提高车流量检测的准确度和可靠性，在车流量检测确定的支路车流量与目标支路的通常情况相差很大的情况下，将定位联动方式作为一种车流量检测的补充手段，得到了目标支路对应的精准支路车流量，极大程度上提升了车流量数据的准确性和可靠性。

具体的，当比对分析结果为异常时，通过与车辆定位系统（如GPS）的接口，收集目标支路上行驶的车辆的定位数据，其中，定位数据包括但不限于：车辆位置、车辆速度、行驶方向和车辆ID。然后，对收集到的定位数据进行预处理，得到预处理后的定位数据，其中，预处理包括但不限于：数据清洗、数据过滤、数据转换和数据分析。进而，基于预处理后的定位数据进行车辆追踪，确定每一车辆的行驶轨迹，并基于目标支路中所有车辆各自对应的行驶轨迹进行车流量统计，得到精准支路车流量，其中，精准支路车流量包括：目标支路中每一行驶方向对应的方向车流量。

可见，在本申请实施例中，为了提高车流量检测的准确度和可靠性，在车流量检测确定的支路车流量与目标支路的通常情况相差很大的情况下，将定位联动方式作为一种车流量检测的补充手段，得到了目标支路对应的精准支路车流量，极大程度上提升了车流量数据的准确性和可靠性。

进一步的，为了提高车道特征提取的准确性和自动化程度，为后续的车流量分析和应用提供可靠的数据支持，在本申请实施例中，目标支路的车道特征的采集方法，包括：

当达到车道特征采集周期时，采集目标支路在交通低谷期的道路图像，基于道路图像进行特征提取，得到目标支路的当前车道特征；

获取已存车道特征，基于当前车道特征和已存车道特征进行特征比较，当特征存在差异时，则利用当前车道特征更新已存车道特征，记为目标支路的车道特征。

对于本申请实施例，伴随着道路的不断修建，交叉路口中目标支路的车道分布可能会发生变化，为了保证车道特征能够精准地表征目标支路的当前情况，故，每间隔车道特征采集周期后，会重新采集一次车道特征，以确保目标支路的车道特征的准确性和时效性。

具体的，当达到车道特征采集周期时，采集目标支路在交通低谷期的道路图像，采集道路图像的方式有多种，例如，利用安装在目标支路处的摄像头进行拍摄、利用无人机进行道路图像采集，与此同时，交通低谷期的选择可以确保道路上的车辆较少，减少干扰因素，便于准确提取车道特征。然后，基于道路图像进行特征提取，得到目标支路的当前车道特征，即，利用计算机视觉和图像处理技术进行特征提取，以提取到车道线信息、车道宽度、车道标识等，将目标支路的车道线信息、车道宽度、车道标识记为当前车道特征。然后，获取电子设备内预先存储的已存车道特征，已存车道特征为之前保存的目标支路的车道特征，并基于当前车道特征和已存车道特征进行特征比较，判断两者之前是否存在差异，当特征存在差异时，则利用当前车道特征更新已存车道特征，记为目标支路的车道特征，以便于后续进行车流量检测时使用。基于图像处理和计算机视觉技术的特征提取方法，能够提高车道特征提取的准确性和自动化程度，为后续的车流量分析和应用提供可靠的数据支持。

可见，在本申请实施例中，当达到车道特征采集周期时，采集目标支路在交通低谷期的道路图像，基于道路图像进行特征提取，得到目标支路的当前车道特征，每间隔车道特征采集周期后，会重新采集一次车道特征，以确保目标支路的车道特征的准确性和时效性。然后，基于当前车道特征和已存车道特征进行特征比较，当特征存在差异时，则利用当前车道特征更新已存车道特征，记为目标支路的车道特征。基于图像处理和计算机视觉技术的特征提取方法，能够提高车道特征提取的准确性和自动化程度，为后续的车流量分析和应用提供可靠的数据支持。

上述实施例从方法流程的角度介绍一种交叉路口的车流量检测方法，下述实施例从虚拟模块或者虚拟单元的角度介绍了一种交叉路口的车流量检测装置，具体详见下述实施例。

本申请实施例提供一种交叉路口的车流量检测装置，如图3所示，该交叉路口的车流量检测装置具体可以包括：

车道划分模块210，用于获取交叉路口中目标支路的车道特征，基于车道特征进行车道划分，确定交叉路口中每一车道对应的车道类别，其中，车道类别包括：单向直行车道和多向车道，目标支路为交叉路口中任意一个分支马路；

检测区域划分模块220，用于获取目标支路的视频监控图像，基于视频监控图像进行预处理，在视频监控图像中框选出车流量检测区域；

车流量检测模块230，用于基于目标支路中每一车道对应的车道类别和视频监控图像中的车流量检测区域进行车流量检测，确定目标支路的支路车流量；

车流量汇总模块240，用于综合交叉路口中每一目标支路的支路车流量，得到交叉路口的总车流量。

对于本申请实施例，基于车道特征进行车道划分，确定交叉路口中每一车道对应的车道类别，与此同时，基于视频监控图像进行预处理，在视频监控图像中框选出车流量检测区域，框选车流量检测区域用于集中处理和分析真正与车流量相关的部分，不仅减少了误检和漏检，提高了车流量检测的准确性，还节省了电子设备的计算资源和存储资源。然后，基于目标支路中每一车道对应的车道类别和视频监控图像中的车流量检测区域进行车流量检测，确定目标支路的支路车流量，在进行车流量检测时，针对不同车道类别选取相适应的车流量检测方法，以提升支路车流量的精准性和车流量检测效率。最终，综合交叉路口中每一目标支路的支路车流量，得到交叉路口的总车流量。为了提升交叉路口的车流量的准确性，针对交叉路口中的每一目标支路进行车流检测，得到目标支路的支路车流量，然后，再对支路车流量汇总，以得到交叉路口的总车流量。

本申请实施例的一种可能的实现方式，车流量检测模块230在执行基于目标支路中每一车道对应的车道类别和视频监控图像中的车流量检测区域进行车流量检测，确定目标支路的支路车流量时，用于：

基于视频监控图像中的车流量检测区域进行车辆识别，标记出每一车辆对应的车辆标识框；

基于视频监控图像中的车流量检测区域，对多向车道对应的每一车辆标识框进行车辆追踪，确定多向车道中的第一直行车流量和转向车流量；

基于视频监控图像中的车流量检测区域，对单向直行车道对应的每一车辆标识框进行车辆追踪，确定单向直行车道中的第二直行车流量；

基于第一直行车流量和第二直行车流量进行求和，确定目标支路的直行车流量，其中，支路车流量包括：直行车流量和转向车流量。

本申请实施例的一种可能的实现方式，车流量检测模块230在执行基于视频监控图像中的车流量检测区域，对多向车道对应的每一车辆标识框进行车辆追踪，确定多向车道中的第一直行车流量和转向车流量时，用于：

基于视频监控图像中的车流量检测区域，对多向车道对应的每一车辆标识框进行车辆追踪，确定每一车辆标识框对应的旋转方向角度集合；

基于每一车辆标识框对应的旋转方向角度集合，确定多向车道中的第一直行车流量和转向车流量。

本申请实施例的一种可能的实现方式，交叉路口的车流量检测装置，还包括：

比对分析模块，用于利用车流量预测模型对目标支路进行车流量预测，得到目标支路对应的预测车流量；

基于目标支路对应的预测车流量和支路车流量进行车流量比对分析，确定比对分析结果；

当比对分析结果为正常时，则将目标支路的支路车流量作为训练数据集，利用训练数据集对车流量预测模型进行再训练，得到更新后的车流量预测模型。

本申请实施例的一种可能的实现方式，交叉路口的车流量检测装置，还包括：

精准检测模块，用于当比对分析结果为异常时，则利用定位联动方式重新检测目标支路的车流量，得到精准支路车流量，其中，定位联动方式为通过车辆的定位系统来精准检测车流量。

本申请实施例的一种可能的实现方式，交叉路口的车流量检测装置，还包括：

车道特征采集模块，用于当达到车道特征采集周期时，采集目标支路在交通低谷期的道路图像，基于道路图像进行特征提取，得到目标支路的当前车道特征；

获取已存车道特征，基于当前车道特征和已存车道特征进行特征比较，当特征存在差异时，则利用当前车道特征更新已存车道特征，记为目标支路的车道特征。

所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的一种交叉路口的车流量检测装置的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

本申请实施例中提供了一种电子设备，如图4所示，图4所示的电子设备300包括：处理器301和存储器303。其中，处理器301和存储器303相连，如通过总线302相连。可选地，电子设备300还可以包括收发器304。需要说明的是，实际应用中收发器304不限于一个，该电子设备300的结构并不构成对本申请实施例的限定。

处理器301可以是CPU（Central Processing Unit，中央处理器），通用处理器，DSP（Digital Signal Processor，数据信号处理器），ASIC（Application SpecificIntegrated Circuit，专用集成电路），FPGA（Field Programmable Gate Array，现场可编程门阵列）或者其他可编程逻辑器件、晶体管逻辑器件、硬件部件或者其任意组合。其可以实现或执行结合本申请公开内容所描述的各种示例性的逻辑方框，模块和电路。处理器301也可以是实现计算功能的组合，例如包含一个或多个微处理器组合，DSP和微处理器的组合等。

总线302可包括一通路，在上述组件之间传送信息。总线302可以是PCI（Peripheral Component Interconnect，外设部件互连标准）总线或EISA（ExtendedIndustry Standard Architecture，扩展工业标准结构）总线等。总线302可以分为地址总线、数据总线、控制总线等。为便于表示，图4中仅用一条粗线表示，但并不表示仅有一根总线或一型的总线。

存储器303可以是ROM（Read Only Memory，只读存储器）或可存储静态信息和指令的其他类型的静态存储设备，RAM（Random Access Memory，随机存取存储器）或者可存储信息和指令的其他类型的动态存储设备，也可以是EEPROM（Electrically ErasableProgrammable Read Only Memory，电可擦可编程只读存储器）、CD-ROM（Compact DiscRead Only Memory，只读光盘）或其他光盘存储、光碟存储（包括压缩光碟、激光碟、光碟、数字通用光碟、蓝光光碟等）、磁盘存储介质或者其他磁存储设备、或者能够用于携带或存储具有指令或数据结构形式的期望的程序代码并能够由计算机存取的任何其他介质，但不限于此。

存储器303用于存储执行本申请方案的应用程序代码，并由处理器301来控制执行。处理器301用于执行存储器303中存储的应用程序代码，以实现前述方法实施例所示的内容。

其中，电子设备包括但不限于：移动电话、笔记本电脑、数字广播接收器、PDA（个人数字助理）、PAD（平板电脑）、PMP（便携式多媒体播放器）、车载终端（例如车载导航终端）等等的移动终端以及诸如数字TV、台式计算机等等的固定终端。还可以为服务器等。图4示出的电子设备仅仅是一个示例，不应对本申请实施例的功能和使用范围带来任何限制。

本申请实施例提供了一种计算机可读存储介质，该计算机可读存储介质上存储有计算机程序，当其在计算机上运行时，使得计算机可以执行前述方法实施例中相应内容。与相关技术相比，本申请实施例，基于车道特征进行车道划分，确定交叉路口中每一车道对应的车道类别，与此同时，基于视频监控图像进行预处理，在视频监控图像中框选出车流量检测区域，框选车流量检测区域用于集中处理和分析真正与车流量相关的部分，不仅减少了误检和漏检，提高了车流量检测的准确性，还节省了电子设备的计算资源和存储资源。然后，基于目标支路中每一车道对应的车道类别和视频监控图像中的车流量检测区域进行车流量检测，确定目标支路的支路车流量，在进行车流量检测时，针对不同车道类别选取相适应的车流量检测方法，以提升支路车流量的精准性和车流量检测效率。最终，综合交叉路口中每一目标支路的支路车流量，得到交叉路口的总车流量。为了提升交叉路口的车流量的准确性，针对交叉路口中的每一目标支路进行车流检测，得到目标支路的支路车流量，然后，再对支路车流量汇总，以得到交叉路口的总车流量。

应该理解的是，虽然附图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，其可以以其他的顺序执行。而且，附图的流程图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，其执行顺序也不必然是依次进行，而是可以与其他步骤或者其他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。

以上仅是本申请的部分实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本申请原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本申请的保护范围。

Claims (9)

1.一种交叉路口的车流量检测方法，其特征在于，包括：

获取交叉路口中目标支路的车道特征，基于所述车道特征进行车道划分，确定交叉路口中每一车道对应的车道类别，其中，所述车道类别包括：单向直行车道和多向车道，所述目标支路为交叉路口中任意一个分支马路；

获取所述目标支路的视频监控图像，基于所述视频监控图像进行预处理，在所述视频监控图像中框选出车流量检测区域；

基于所述目标支路中每一车道对应的所述车道类别和所述视频监控图像中的所述车流量检测区域进行车流量检测，确定所述目标支路的支路车流量；

综合所述交叉路口中每一所述目标支路的所述支路车流量，得到所述交叉路口的总车流量。

2.根据权利要求1所述的交叉路口的车流量检测方法，其特征在于，所述基于所述目标支路中每一车道对应的所述车道类别和所述视频监控图像中的所述车流量检测区域进行车流量检测，确定所述目标支路的支路车流量，包括：

基于所述视频监控图像中的所述车流量检测区域进行车辆识别，标记出每一车辆对应的车辆标识框；

基于所述视频监控图像中的所述车流量检测区域，对所述多向车道对应的每一车辆标识框进行车辆追踪，确定所述多向车道中的第一直行车流量和转向车流量；

基于所述视频监控图像中的所述车流量检测区域，对所述单向直行车道对应的每一车辆标识框进行车辆追踪，确定所述单向直行车道中的第二直行车流量；

基于所述第一直行车流量和所述第二直行车流量进行求和，确定所述目标支路的直行车流量，其中，所述支路车流量包括：所述直行车流量和所述转向车流量。

3.根据权利要求2所述的交叉路口的车流量检测方法，其特征在于，所述基于所述视频监控图像中的所述车流量检测区域，对所述多向车道对应的每一车辆标识框进行车辆追踪，确定所述多向车道中的第一直行车流量和转向车流量，包括：

基于所述视频监控图像中的所述车流量检测区域，对所述多向车道对应的每一所述车辆标识框进行车辆追踪，确定每一所述车辆标识框对应的旋转方向角度集合；

基于每一所述车辆标识框对应的所述旋转方向角度集合，确定所述多向车道中的所述第一直行车流量和所述转向车流量。

4.根据权利要求1所述的交叉路口的车流量检测方法，其特征在于，所述基于所述目标支路中每一车道对应的所述车道类别和所述视频监控图像中的所述车流量检测区域进行车流量检测，确定所述目标支路的支路车流量之后，还包括：

利用车流量预测模型对所述目标支路进行车流量预测，得到所述目标支路对应的预测车流量；

基于所述目标支路对应的所述预测车流量和所述支路车流量进行车流量比对分析，确定比对分析结果；

当所述比对分析结果为正常时，则将所述目标支路的所述支路车流量作为训练数据集，利用所述训练数据集对所述车流量预测模型进行再训练，得到更新后的车流量预测模型。

5.根据权利要求4所述的交叉路口的车流量检测方法，其特征在于，所述基于所述目标支路对应的所述预测车流量和所述支路车流量进行车流量比对分析，确定比对分析结果之后，还包括：

当所述比对分析结果为异常时，则利用定位联动方式重新检测所述目标支路的车流量，得到精准支路车流量，其中，所述定位联动方式为通过车辆的定位系统来精准检测车流量。

6.根据权利要求1所述的交叉路口的车流量检测方法，其特征在于，所述目标支路的所述车道特征的采集方法，包括：

当达到车道特征采集周期时，采集所述目标支路在交通低谷期的道路图像，基于所述道路图像进行特征提取，得到所述目标支路的当前车道特征；

获取已存车道特征，基于所述当前车道特征和所述已存车道特征进行特征比较，当特征存在差异时，则利用所述当前车道特征更新所述已存车道特征，记为所述目标支路的所述车道特征。

7.一种交叉路口的车流量检测装置，其特征在于，包括：

车道划分模块，用于获取交叉路口中目标支路的车道特征，基于所述车道特征进行车道划分，确定交叉路口中每一车道对应的车道类别，其中，所述车道类别包括：单向直行车道和多向车道，所述目标支路为交叉路口中任意一个分支马路；

检测区域划分模块，用于获取所述目标支路的视频监控图像，基于所述视频监控图像进行预处理，在所述视频监控图像中框选出车流量检测区域；

车流量检测模块，用于基于所述目标支路中每一车道对应的所述车道类别和所述视频监控图像中的所述车流量检测区域进行车流量检测，确定所述目标支路的支路车流量；

车流量汇总模块，用于综合所述交叉路口中每一所述目标支路的所述支路车流量，得到所述交叉路口的总车流量。

8.一种电子设备，其特征在于，包括：

至少一个处理器；

存储器；

至少一个应用程序，其中至少一个应用程序被存储在存储器中并被配置为由至少一个处理器执行，所述至少一个应用程序配置用于：执行权利要求1～6任一项所述的交叉路口的车流量检测方法。

9.一种计算机可读存储介质，其特征在于，其上存储有计算机程序，当所述计算机程序在计算机中执行时，令所述计算机执行权利要求1～6任一项所述的交叉路口的车流量检测方法。