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

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