一種基于無人機機載平臺的廣域交通擁堵檢測方法
【專利摘要】本發(fā)明公開了一種基于無人機機載平臺的廣域交通擁堵檢測方法，屬于視頻圖像技術(shù)領(lǐng)域。包括以下步驟：步驟一：利用GPS技術(shù)獲取無人機對地高度H，并判斷可否進行擁堵檢測，若否則對無人機空間位置進行調(diào)整；步驟二：離線采集車輛紅外圖像正負樣本，提取其HOG特征并訓(xùn)練SVM模型；步驟三：利用紅外相機獲取紅外圖像信號；步驟四：對紅外圖像滑窗采樣，提取滑窗區(qū)域HOG特征，利用SVM模型進行車輛檢測，統(tǒng)計當前視域中的車輛總數(shù)N；步驟五：據(jù)無人機高度H與車輛總數(shù)N，計算擁堵指標C，返回檢測結(jié)果。本方法采用紅外攝像機能在天氣惡劣、能見度低等復(fù)雜情況下，完成交通擁堵狀態(tài)檢測。同時，無人機機載平臺可以動態(tài)選取檢測區(qū)域，使檢測系統(tǒng)更加靈活。
【專利說明】
-種基于無人機機載平臺的廣域交通擁堵檢測方法
技術(shù)領(lǐng)域
[0001] 本發(fā)明屬于視頻圖像技術(shù)和智能交通技術(shù)領(lǐng)域，設(shè)及一種基于無人機機載平臺的 廣域交通擁堵檢測方法。
【背景技術(shù)】
[0002] 隨著經(jīng)濟發(fā)展、城市化進程的加快W及城市規(guī)模不斷擴大，機動車保有量不斷增 多。據(jù)公安部交管局統(tǒng)計數(shù)據(jù)顯示，截至2015年底，全國機動車保有量達2.79億輛，其中汽 車1.72億輛，新能源汽車58.32萬輛;全國私家車保有量已達1.24億輛，平均每百戶家庭擁 有31輛。此外，機動車駕駛?cè)艘堰_3.27億人，其中汽車駕駛?cè)顺^2.8億人。機動車保有量及 道路交通流的急劇增加，使得城市交通擁堵日益嚴重。
[0003] 交通擁堵不僅導(dǎo)致交通事故的增多，帶來經(jīng)濟上的損失，甚至還危及到人們的生 命安全。據(jù)交通部統(tǒng)計數(shù)據(jù)顯示，交通擁堵帶來的經(jīng)濟損失占城市人口可支配收入的20%， 相當于每年國內(nèi)生產(chǎn)總值的5-8%，每年達2500億元人民幣。據(jù)世界衛(wèi)生組織統(tǒng)計資料，我 國每年交通事故死亡人數(shù)超25萬。交通擁堵問題給我國帶來了極大的生命、財產(chǎn)損失，已成 為制約我國大中城市經(jīng)濟發(fā)展和人民生活質(zhì)量提高的主要瓶頸。
[0004] 智能交通系統(tǒng)（InteIligentlYansportation System, ITS)是解決交通擁堵問題 的最有效手段之一，其借助各種感知設(shè)備W及數(shù)據(jù)通信、電子傳感、電子控制等技術(shù)手段， 對各種交通情況進行感知、分析處理與協(xié)調(diào)，最終建立起一種實時、準確和高效的綜合運輸 管理體系。在ITS系統(tǒng)的應(yīng)用過程中，實時、有效地獲取交通信息顯得十分重要。能否實現(xiàn)道 路交通擁堵狀態(tài)的檢測，對解決城市交通擁堵起到了十分重要的支撐作用。
[0005] 目前，常用交通擁堵檢測方法主要有環(huán)形線圈檢測、地磁檢測、電磁檢測、微波檢 測、超聲波檢測、微波檢測W及視頻圖像檢測等方法。其中，磁感應(yīng)(電磁、地磁)檢測方法不 受天氣、光照等的影響，性能穩(wěn)定且應(yīng)用廣泛，但其通常需要埋設(shè)在固定地面，對車輛非正 常行駛等情況易產(chǎn)生誤判，且存在故障率高、難W維護等不足;波頻(超聲波、微波)檢測方 法因其在傳播過程中會隨傳播距離而衰減，故其回波信號比較微弱，易淹沒在噪聲中，同時 也存在安裝復(fù)雜、遮擋、不便維護等諸多缺點；相比而言，視頻檢測方法因其具有應(yīng)用范圍 廣、安裝過程簡便、準確度較高等優(yōu)點，逐漸成為當前交通擁堵檢測的主流方法。
[0006] 然而，當前的視頻檢測方法多基于彩色圖像原理進行流量檢測，其在夜晚、天氣條 件惡劣、能見度較低等情況下極易產(chǎn)生車輛漏檢，擁堵檢測精度極低。此外，用于采集交通 數(shù)據(jù)的攝像設(shè)備通常安裝較固定，缺乏靈活性。紅外信號受天氣狀況、光照變化、遮擋等影 響較小，特別是將紅外攝像機安裝于無人機平臺上，用于交通擁堵檢測，具有檢測視域廣、 檢測區(qū)域靈活等特點，對于動態(tài)獲取交通狀態(tài)信息，解決交通擁堵具有極其重要的意義。因 此，目前急需一種基于無人機機載平臺的廣域交通擁堵檢測方法。

【發(fā)明內(nèi)容】

[0007] 有鑒于此，本發(fā)明的目的在于克服現(xiàn)有的基于視頻的交通流量檢測方法存在的缺 陷，提供一種魯棒、靈活的交通流量檢測方法，該方法基于機載平臺、紅外攝像技術(shù)和目標 檢測算法，可W在夜晚、天氣狀況惡劣、能見度較低的情況下對局部路段的車輛進行檢測， 并能靈活選取檢測區(qū)域，計算當前位置交通流量狀態(tài)。為達到上述目的，本發(fā)明提供如下技 術(shù)方案:一種廣域視角下基于機載平臺的交通流量檢測方法。包括W下步驟：
[0008] 步驟一:利用GPS定位技術(shù)獲取無人機對地高度H，并判斷當前高度是否可進行交 通擁堵檢測，若是則進行車輛目標檢測，若否則對無人機空間位置進行調(diào)整；
[0009] 步驟二:離線采集用于車輛目標檢測的紅外圖像正負樣本，分別提取其梯度直方 圖特征化OG)，進行支持向量機（SVM)分類器訓(xùn)練，得到用于在線車輛檢測的SVM分類器模 型。
[0010] 步驟利用紅外線攝像機進行紅外線攝像，獲取視頻圖像信號；
[0011] 步驟四：對所攝取紅外圖像序列在不同尺度的滑動窗口下進行采樣，提取滑窗區(qū) 域冊G特征，將該特征送入步驟二中得到的分類器模型中，對車輛目標區(qū)域進行分類，檢測 當前廣域視角下的車輛，并統(tǒng)計當前視域中的車輛總數(shù)N;
[0012] 步驟五:根據(jù)無人機對地高度H與車輛總數(shù)N，計算擁堵指標C，并將該指標與設(shè)定 闊值進行比較，大于設(shè)定闊值，則返回交通擁堵狀態(tài)；小于設(shè)定闊值，則返回交通通行正常 狀態(tài)。
[0013] 進一步，在步驟一中具體包括W下步驟：11:利用GPS定位技術(shù)獲取無人機對地高 度H;12:若當前高度滿足式則進行車輛目標檢測，否則調(diào)整無人機空間位置。
[0014] 進一步，所述步驟=中具體包括W下步驟：21:離線采集用于車輛檢測的正負樣 本，其中正樣本是指含有待檢車輛的樣本，負樣本的選取較隨意，但需與車輛目標無關(guān);22: 分別提取正負樣本的冊G特征，將采集樣本映射至一個特征向量空間，并相應(yīng)地做好樣本的 正負標簽;23:將提取的特征向量及相應(yīng)標簽輸入SVM訓(xùn)練算法中，得到一個用于紅外圖像 車輛目標檢測的分類器模型。
[0015] 進一步，所述步驟四中具體包括W下步驟:41:對所采集的紅外圖像不同尺度大小 上進行滑動窗口采樣，提取滑窗區(qū)域的HOG特征;42:將提取得到的特征向量送入權(quán)利要求1 所述步驟=中得到的分類模型，對車輛目標進行檢測分類;43:當檢測到車輛目標是將車輛 總數(shù)計數(shù)器N加1，統(tǒng)計當前視域下的車輛目標總數(shù)。
[0016] 進一步，所述步驟五中具體包括W下步驟:51:擁堵指標C按下式進行計算：
[0017]
…
[0018] 其中，N為車輛總數(shù)，H為無人機對地高度，a為無人機視角，n為通行車道數(shù)；52:若 擁堵指標C大于設(shè)定闊值，則返回交通擁堵狀態(tài);52:若擁堵指標C小于設(shè)定闊值，則返回交 通通行正常狀態(tài)。
[0019] 本發(fā)明的有益效果在于:本發(fā)明所述方法基于無人機機載平臺與紅外圖像處理技 術(shù)，其中，紅外攝像機能準確地探測熱目標，克服背景W及惡劣天氣條件的不良影響，因此 適用范圍廣，魯棒性較強;此外，與目前現(xiàn)有的固定檢測位置的交通擁堵檢測方法相比，無 人機不僅可W靈活選取檢測區(qū)域，實現(xiàn)檢測設(shè)備"一機多用"，能夠在一定程度上降低檢測 成本，而且無人機具有較高的檢測視角，檢測結(jié)果更為準確可靠。
【附圖說明】
[0020]為了使本發(fā)明的目的、技術(shù)方案和有益效果更加清楚，本發(fā)明提供如下附圖進行 說明：
[0021 ]圖1為本發(fā)明所述方法的流程圖；
[0022] 圖2為無人機空間位置部署示意圖。
【具體實施方式】
[0023] 下面將結(jié)合附圖，對本發(fā)明的優(yōu)選實施例進行詳細的描述。
[0024] 圖1為本發(fā)明所述方法的流程圖，本方法包括W下步驟：
[0025] SI:對無人機機載平臺空間位置進行預(yù)處理，將其調(diào)整至可檢測的高度范圍內(nèi)。無 人機空間位置調(diào)整具體步驟如下：
[00%] Sll:利用GPS定位技術(shù)獲取無人機對地高度H;
[0027] S12:判斷無人機當前空間高度是否滿足式若是則進行車輛目標檢 ，否則調(diào)整無人機空間位置W滿足上述空間約束條件。
[0028] S2:離線采集用于車輛目標檢測的紅外圖像正負樣本，分別提取其梯度直方圖 化OG)特征，進行支持向量機(SVM)分類器訓(xùn)練，得到用于在線車輛檢測的SVM分類器模型。 具體步驟如下：
[0029] S21:離線采集用于車輛檢測的正負樣本，其中正樣本是指含有待檢車輛的樣本， 負樣本的選取較隨意，但需與車輛目標無關(guān)；
[0030] S22:分別提取正負樣本的HOG特征，將采集樣本映射至一個特征向量空間，并相應(yīng) 地做好樣本的正負標簽；
[0031] S23:將提取的特征向量及相應(yīng)標簽輸入SVM訓(xùn)練算法中，得到一個用于紅外圖像 車輛目標檢測的分類器模型。
[0032] S3:利用紅外線攝像機進行紅外線攝像，獲取紅外視頻圖像信號。
[0033] S4:對所述步驟S3所攝取的紅外圖像信號進行車輛目標檢測，并統(tǒng)計車輛總數(shù)。車 輛目標檢測與計數(shù)統(tǒng)計的具體步驟如下：
[0034] S41:對所采集的紅外圖像在不同尺度大小上進行滑動窗口采樣，提取滑窗區(qū)域的 HOG特征；
[0035] S42:將提取得到的特征向量送入所述步驟S23中得到的分類模型，對車輛目標進 行檢測分類；
[0036] S43:當檢測到車輛目標是將車輛總數(shù)計數(shù)器N加1，統(tǒng)計當前視域下的車輛目標總 數(shù)。
[0037] S5:計算用于評判交通通行狀態(tài)的擁堵指標，得到交通通行狀態(tài)。具體步驟如下：
[0038] S51:根據(jù)附圖2所示的無人機交通擁堵檢測方案示意圖，根據(jù)=角形計算原理，可 計算出當前路段平均車距，可將其作為評判交通通行狀態(tài)的擁堵指標。其中，擁堵指標C按 下式進行計算：
[0039]
…
[0040] 其中，N為車輛總數(shù)，H為無人機對地高度，a為無人機視角，n為通行車道數(shù)；
[0041 ] S52:若擁堵指標C大于設(shè)定闊值，則返回交通擁堵狀態(tài)；
[0042] S52:若擁堵指標C小于設(shè)定闊值，則返回交通通行正常狀態(tài)。
[0043] 最后說明的是，W上優(yōu)選實施例僅用W說明本發(fā)明的技術(shù)方案而非限制，盡管通 過上述優(yōu)選實施例已經(jīng)對本發(fā)明進行了詳細的描述，但本領(lǐng)域技術(shù)人員應(yīng)當理解，可W在 形式上和細節(jié)上對其作出各種各樣的改變，而不偏離本發(fā)明權(quán)利要求書所限定的范圍。
【主權(quán)項】
1. 一種基于無人機機載平臺的廣域交通擁堵檢測方法，其特征在于:包括以下步驟： 步驟一:利用GPS定位技術(shù)獲取無人機對地高度H，并判斷當前高度是否可進行交通擁 堵檢測，若是則進行車輛目標檢測，若否則對無人機空間位置進行調(diào)整； 步驟二：離線采集用于車輛目標檢測的紅外圖像正負樣本，分別提取其梯度直方圖 (HOG)特征，進行支持向量機(SVM)分類器訓(xùn)練，得到用于在線車輛檢測的SVM分類器模型。 步驟三:利用紅外線攝像機進行紅外線攝像，獲取視頻圖像信號； 步驟四：對所攝取紅外圖像序列在不同尺度的滑動窗口下進行采樣，提取滑窗區(qū)域HOG 特征，將該特征送入步驟二中得到的分類器模型中，對車輛目標區(qū)域進行分類，檢測當前廣 域視角下的車輛，并統(tǒng)計當前視域中的車輛總數(shù)N; 步驟五:根據(jù)無人機對地高度Η與車輛總數(shù)N，計算擁堵指標C，并將該指標與設(shè)定閾值 進行比較，大于設(shè)定閾值，則返回交通擁堵狀態(tài);小于設(shè)定閾值，則返回交通通行正常狀態(tài)。2. 根據(jù)權(quán)利要求1所述的一種基于無人機機載平臺的廣域交通擁堵檢測方法，其特征 在于:在步驟一中具體包括以下步驟:11:利用GPS定位技術(shù)獲取無人機對地高度Η; 12:若當 前高度滿足式KH<Hmax，則進行車輛目標檢測，否則調(diào)整無人機空間位置。3. 根據(jù)權(quán)利要求1所述的一種基于無人機機載平臺的廣域交通擁堵檢測方法，其特征 在于:在步驟二中具體包括以下步驟:21:離線采集用于車輛檢測的正負樣本，其中正樣本 是指含有待檢車輛的樣本，負樣本的選取較隨意，但需與車輛目標無關(guān);22:分別提取正負 樣本的HOG特征，將采集樣本映射至一個特征向量空間，并相應(yīng)地做好樣本的正負標簽;23: 將提取的特征向量及相應(yīng)標簽輸入SVM訓(xùn)練算法中，得到一個用于紅外圖像車輛目標檢測 的分類器模型。4. 根據(jù)權(quán)利要求1所述的一種基于無人機機載平臺的廣域交通擁堵檢測方法，其特征 在于:在步驟四中具體包括以下步驟:41:對所采集的紅外圖像不同尺度大小上進行滑動窗 口采樣，提取滑窗區(qū)域的HOG特征;42:將提取得到的特征向量送入權(quán)利要求1所述步驟三中 得到的分類模型，對車輛目標進行檢測分類;43:當檢測到車輛目標是將車輛總數(shù)計數(shù)器N 加1，統(tǒng)計當前視域下的車輛目標總數(shù)。5. 根據(jù)權(quán)利要求1所述的一種基于無人機機載平臺的廣域交通擁堵檢測方法，其特征 在于:在步驟五中具體包括以下步驟:51:擁堵指標C按下式進行計算：其中，N為車輛總數(shù)，Η為無人機對地高度，α為無人機視角，η為通行車道數(shù);52:若擁堵 指標C大于設(shè)定閾值，則返回交通擁堵狀態(tài);52:若擁堵指標C小于設(shè)定閾值，則返回交通通 行正常狀態(tài)。
【文檔編號】G08G1/01GK105957341SQ201610367802
【公開日】2016年9月21日
【申請日】2016年5月30日
【發(fā)明人】尹宏鵬, 柴毅, 陳波, 李天柱, 王唯
【申請人】重慶大學(xué)