一种基于多目标跟踪的道路交通状态预测方法及系统与流程
- 国知局
- 2024-07-31 20:17:52
本发明涉及交通控制,特别涉及一种基于多目标跟踪的道路交通状态预测方法及系统,通过对的车辆结构化数据识别分析对车流量、车辆平均速度、路段拥堵情况进行判断,从而预测道路交通状态。
背景技术:
1、在现代社会,交通管理系统对于维护交通秩序、减少拥堵和提高道路安全至关重要。随着智能交通系统的发展,利用相机技术进行车辆识别已经成为一种常见的手段。这种技术可以通过捕捉图像帧来分析并获取车辆的相关信息,如车牌号、车型、颜色以及精确的地理位置等,这些信息通常被称为车辆结构化数据。通过整合多台相机收集的数据,可以更全面地了解特定路段的交通情况。
2、然而,目前车辆识别技术仍面临一些挑战,这些挑战包括物体遮挡和交错、不同的光照条件、目标激增、外观相似等,在错综复杂的场景中,物体可能会被遮挡物或其他实体遮挡,从而妨碍精确跟踪,光照的变化会改变物体的特征,从而对跟踪器的性能产生不利影响,包含众多目标的场景会影响跟踪速度和精度,相似的物体外观会导致混淆和跟踪差异。
3、为了解决这些问题,研究人员正在探索更先进的图像处理算法、深度学习和计算机视觉技术来提高车辆识别的准确性。同时,大数据处理和云计算技术也被提出来提升数据分析和处理的效率。此外,通过结合机器学习和数据挖掘技术,可以更加准确地实时判断道路的拥堵情况,从而为交通管理决策提供科学依据。因此,开发能够实时捕捉、准确识别并分析车辆数据的技术,以及利用这些技术来评估和优化道路交通状况,对于实现智能交通管理和提高城市交通效率具有重要意义。
技术实现思路
1、为了解决上述复杂情况下物体遮挡和交错、不同的光照条件、目标激增、外观相似等问题,本发明提出了一种基于多目标跟踪的道路交通状态预测方法及系统,基于改进的yolov8算法和deepsort算法,充分融合车辆跟踪id、车牌号、车辆颜色、车型、车辆坐标等车辆结构化数据,将部署在低计算成本的边缘计算设备上,所有计算都将在本地进行,只有实时车辆计数将通过网络传递,使用先进的目标检测算法,作为自定义车辆检测算法的基础模型,确保在特定路段上准确检测,同时为跟踪多个摄像头拍摄的视频序列中不同帧的车辆,使用deepsort算法进行车辆的实时跟踪,基于上面得到的数据,进行特定路段车流量、车辆平均速度、路段拥堵情况进行判断。
2、为了实现上述目的,本发明采用如下技术方案:
3、第一方面,本发明提供了一种基于多目标跟踪的道路交通状态预测方法,包括以下步骤:
4、s1、车辆检测:收集某一路段不同位置的摄像头拍摄的车辆经过的视频,使用改进后的yolov8模型检测视频中的车辆,获取车辆的相关特征信息,特征信息包括车牌号、车型、颜色以及精确的地理位置,并将其用作deepsort多目标跟踪算法的输入;
5、s2、车辆跟踪:采用deepsort多目标跟踪算法分配车辆id,当车辆在不同视频序列中的不同帧中移动时对其进行跟踪;
6、s3、车辆计数:对跟踪车辆经过该路段时实时计数,得到一定时间段内该路段区域的车流量;
7、s4、车辆平均速度评估:通过计算连续帧之间车辆位置的变化,并结合车辆的地理位置坐标来估算车辆平均速度;
8、s5、道路拥堵情况评估:根据步骤s4得到的车辆平均速度以及步骤s3得到的车流量,判断道路是否拥堵。
9、作为本发明的进一步技术方案,步骤s1所述改进后的yolov8模型在以现有yolov8框架为基础,采用softnms替换非最大值抑制(nms)来细化车辆候选框,采用卷积块注意力模块替代现有yolov8框架的平均精度(map)中的卷积模块,并在平均精度中添加上采样层。
10、作为本发明的进一步技术方案,采用softnms细化车辆候选框的过程具体表示如下:
11、,
12、其中表示第i个车辆候选框的得分,m和分别表示具有最高得分的车辆候选框的坐标和第i个车辆候选框的坐标,函数iou(.)量化第i个车辆候选框与m之间的交集与并集之比,为预定阈值。
13、作为本发明的进一步技术方案,所述卷积块注意力模块包括通道注意力模块(cam)和空间注意力模块(sam)两个子模块,通道注意力模块用于识别车辆图像中存在哪些重要元素或特征,空间注意力模块用于识别车辆重要特征位于车辆图像中的位置,具体过程如下:
14、通道注意力模块(cam)利用平均池化和最大池化来生成通道注意力
本文地址:https://www.jishuxx.com/zhuanli/20240731/185759.html
版权声明:本文内容由互联网用户自发贡献,该文观点仅代表作者本人。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如发现本站有涉嫌抄袭侵权/违法违规的内容, 请发送邮件至 YYfuon@163.com 举报,一经查实,本站将立刻删除。
下一篇
返回列表