本發(fā)明涉及智能交通技術(shù)領(lǐng)域，具體涉及一種基于車型分類的高速公路車輛引導(dǎo)系統(tǒng)及方法。

背景技術(shù)：

高速公路在交通運輸業(yè)中占有舉足輕重的地位，在設(shè)計和建設(shè)上，高速公路采取限制出入、分向分車道、汽車專用、全封閉、全立交等較高的技術(shù)標準和完善的交通基礎(chǔ)設(shè)施，為汽車快速、安全、經(jīng)濟、舒適地運行創(chuàng)造了條件。與普通公路相比，高速公路具有行車速度快、通行能力大、運輸成本低、行車安全等突出優(yōu)勢，其行車速度比普通公路高出百分之五十以上，通行能力提高了二至六倍，并可降低百分之三十以上的燃油消耗，減少三分之一的汽車尾氣排放，降低三分之一的交通事故率。

然而，一旦在高速公路上發(fā)生交通事故，由于高速公路出入口較少、封閉等特點，同時也易造成長時間交通擁堵，甚至癱瘓。為了提供高速公路的運輸流量，同時保證高速公路的運行安全，必須對高速公路的運行狀態(tài)進行監(jiān)控。現(xiàn)有的對高速公路運行狀態(tài)監(jiān)控的手段主要是通過在高速公路沿線安裝攝像頭、測速裝置等進行監(jiān)控。單憑這些孤立的檢測點對交通某一參數(shù)進行檢測，很難判斷交通的運行狀態(tài)。因此有必要將這些孤立的交通參數(shù)進行融合，形成一套系統(tǒng)的方案，來進行高速公路的擁堵情況進行識別，并進行正確的車輛引導(dǎo)，從而緩解高速公路的交通壓力。

技術(shù)實現(xiàn)要素：

本發(fā)明所要解決的技術(shù)問題是：一種基于車型分類的高速公路車輛引導(dǎo)系統(tǒng)及方法，旨在充分利用現(xiàn)有的交通基礎(chǔ)設(shè)施，同過對車輛密度和平均速度進行檢測，分析高速公路的運行狀態(tài)，判斷不同類型的車輛對高速公路的運行狀態(tài)的影響，為提高高速公路的通行能力進行車輛引導(dǎo)。

本發(fā)明解決上述技術(shù)問題所采用的方案是：

一種基于車型分類的高速公路車輛引導(dǎo)系統(tǒng)，包括：

采集單元，檢測跟蹤模塊，測速模塊，分類單元、處理系統(tǒng)、判斷模塊及決策模塊；

所述采集單元包括高速公路上的攝像裝置，其用于采集待檢測區(qū)域的視頻圖像，并將視頻圖像序列傳入車輛檢測跟蹤模塊；

所述檢測跟蹤模塊接收圖像采集單元傳送的圖像，并對待檢測區(qū)域的車輛進行檢測和跟蹤，將車輛的檢測信息傳入分類單元，將車輛的跟蹤信息傳入到測速模塊；

所述測速模塊接收檢測跟蹤模塊傳送的車輛跟蹤信息，對待檢測區(qū)域的車輛測量其平均速度，將測量結(jié)果傳入處理系統(tǒng)；

所述分類單元接收檢測跟蹤模塊傳送的車輛檢測信息，對待檢測區(qū)域的車輛的車型進行分類，并將分類結(jié)果傳入處理系統(tǒng)；

所述處理系統(tǒng)接收測速模塊傳送的車輛平均速度信息和分類單元傳送的分類信息，對總車輛密度和總平均車速進行計算，并計算每種車輛的密度所占車輛總密度值比例，將總車輛密度和總平均車速的計算結(jié)果傳入判斷模塊，將車輛密度占比結(jié)果傳入決策模塊；

所述判斷模塊接收處理系統(tǒng)模塊的總車輛密度和總平均車速的計算結(jié)果，并判斷該檢測區(qū)域是否發(fā)生擁堵，將判斷結(jié)果傳入決策模塊；

所述決策模塊接收處理系統(tǒng)的不同類型的車輛密度占比結(jié)果和判斷模塊的判斷結(jié)果，在發(fā)生車輛長時間擁堵時，某類型車輛一直處于車輛密度占比較高的狀態(tài)，則認為該類車型是影響交通阻塞的重要原因，并在該類型車輛將通過該高速公路路段前往目的地時加以引導(dǎo)。

作為進一步優(yōu)化，所述檢測跟蹤模塊采用Adaboost方法對車輛進行檢測，采用Kernelized Correlation Filters(KCF)對車輛對象進行跟蹤，當(dāng)車輛進入檢測區(qū)域時，對車輛進行跟蹤；當(dāng)車輛駛出檢測區(qū)域時，結(jié)束該車輛的跟蹤。

作為進一步優(yōu)化，所述對待檢測區(qū)域的車輛測量其平均速度，具體包括：

假設(shè)車輛通過檢測區(qū)域的視頻張數(shù)為a，視頻圖像傳輸速率為b幀每秒，檢測區(qū)域長度為l，則該車輛通過檢測區(qū)域在時間為1/b×a，那么該車輛平均速度為l/(1/b×a)×3.6千米每小時。

作為進一步優(yōu)化，所述分類單元對待測區(qū)域的進行分類，具體包括：

首先收集不同類型的車輛樣本，每類車輛的樣本數(shù)量為c個，樣本大小統(tǒng)一采用X×Y的大小，根據(jù)樣本的HOG特征訓(xùn)練不同車輛類型的模型，并將不同車輛的模型與檢測跟蹤模塊傳來的檢測到的車輛信息進行匹配，從而對檢測區(qū)域內(nèi)車輛進行分類。

作為進一步優(yōu)化，所述分類單元將車型分為轎車、客車、貨車三類。

作為進一步優(yōu)化，所述處理系統(tǒng)的總車輛密度由檢測區(qū)域內(nèi)不同類型的車輛數(shù)量得到，假如檢測區(qū)域內(nèi)轎車數(shù)量為k₁，客車數(shù)量為k₂，貨車數(shù)量為k₃，其他類型車輛數(shù)量為k₄,k₅,…k_n，總車輛密度則為k＝k₁+k₂+k₃+k₄+…+k_n，則每種類型的車輛密度所占總車輛密度的比例為

作為進一步優(yōu)化，所述判斷模塊判斷該檢測區(qū)域是否發(fā)生擁堵，具體包括:

當(dāng)總車輛密度大于閾值T時，且車輛總平均速度小于閾值M，則交通發(fā)生擁堵；反之，交通順暢。

作為進一步優(yōu)化，所述決策模塊在該類型車輛將通過該高速公路路段前往目的地時加以引導(dǎo)，其引導(dǎo)方法為通過網(wǎng)絡(luò)向車載導(dǎo)航設(shè)備發(fā)出該路段擁堵信號和該類型車輛造成堵塞的預(yù)警，并指示和引導(dǎo)將通過該高速路段前往目的地的該類型車輛采用其他的交通要道前往目的地。

此外，本發(fā)明的另一目的還在于，提出一種基于車型分類的高速公路車輛引導(dǎo)方法，其包括以下步驟：

A、利用現(xiàn)有高速公路上裝有的監(jiān)控攝像頭采集待檢測區(qū)域的視頻圖像；

B、在視頻圖像序列中進行車輛檢測和跟蹤，并計算每輛車的平均速度；

C、對檢測區(qū)域內(nèi)的所有車輛進行分類；

D、對檢測區(qū)域的所有車輛計算總密度值、總平均車速及每種車輛的密度所占車輛總密度值比例；

E、根據(jù)車輛的總密度值和總平均車速判斷該檢測區(qū)域是否發(fā)生擁堵；

F、根據(jù)對每種車輛的密度所占車輛總密度值比例，在發(fā)生車輛長時間擁堵時，某類型車輛一直處于車輛密度占比較高的狀態(tài)，則認為該類車型是影響交通阻塞的重要原因，并在該類型車輛將通過該高速公路路段前往目的地時加以引導(dǎo)。

作為進一步優(yōu)化，步驟F中，所述在該類型車輛將通過該高速公路路段前往目的地時加以引導(dǎo)，其引導(dǎo)方法為通過網(wǎng)絡(luò)向車載導(dǎo)航設(shè)備發(fā)出該路段擁堵信號和該類型車輛造成堵塞的預(yù)警，并指示和引導(dǎo)將通過該高速路段前往目的地的該類型車輛采用其他的交通要道前往目的地。

本發(fā)明的有益效果是：

利用已有的交通設(shè)施，對高速公路的交通參數(shù)進行檢測，掌握高速公路的運行狀態(tài)，由于不同車型對交通流量也存在著重要影響，故本發(fā)明創(chuàng)新性的提出同時對不同車型的密度進行監(jiān)控，挖掘是否由于某一車型在車輛總密度中占比過大，導(dǎo)致交通流量變小、交通擁堵等，從而對造成該車型的車輛進行引導(dǎo)，緩解交通壓力。

附圖說明

為了更清楚地說明本發(fā)明實施例或現(xiàn)有技術(shù)中的技術(shù)方案，下面將對實施例或現(xiàn)有技術(shù)描述中所需要使用的附圖作簡單地介紹，顯而易見地，下面描述中的附圖僅僅是本發(fā)明的實施例，對于本領(lǐng)域普通技術(shù)人員來講，在不付出創(chuàng)造性勞動的前提下，還可以根據(jù)提供的附圖獲得其他的附圖。

圖1為本發(fā)明實施例1公開的一種基于車型分類的高速公路車輛引導(dǎo)系統(tǒng)結(jié)構(gòu)示意圖。

圖2為本發(fā)明實施例1公開的一種待檢測區(qū)域設(shè)置的示意圖。

圖3為本發(fā)明實施例2公開的一種基于車型分類的高速公路車輛引導(dǎo)方法的實施流程圖。

具體實施方式

本發(fā)明提出一種基于車型分類的高速公路車輛引導(dǎo)系統(tǒng)及方法，旨在充分利用現(xiàn)有的交通基礎(chǔ)設(shè)施，同過對車輛密度和平均速度進行檢測，分析高速公路的運行狀態(tài)，判斷不同類型的車輛對高速公路的運行狀態(tài)的影響，為提高高速公路的通行能力提供數(shù)據(jù)支持和引導(dǎo)。其方案核心為：利用現(xiàn)有高速公路上裝有的監(jiān)控攝像頭采集待檢測區(qū)域的視頻圖像，利用該視頻圖像進行車輛檢測、跟蹤、分類，計算相關(guān)參數(shù)并進行擁堵判別，當(dāng)發(fā)生長時間擁堵時，對部分參數(shù)占比較高的某類型車輛加以引導(dǎo)。

本發(fā)明實施例1公開了一種基于車型分類的高速公路車輛引導(dǎo)系統(tǒng)，參見圖1所示，該系統(tǒng)包括：

采集單元，用于采集待檢測區(qū)域的視頻圖像，并將視頻圖像序列傳入車輛檢測跟蹤模塊；

檢測跟蹤模塊，用于接收圖像采集單元傳送的圖像，并對待檢測區(qū)域的車輛進行檢測和跟蹤，將車輛的檢測信息傳入分類單元，將車輛的跟蹤信息傳入到測速模塊；

測速模塊，用于接收檢測跟蹤模塊傳送的車輛跟蹤信息，對待檢測區(qū)域的車輛測量其平均速度，將測量結(jié)果傳入處理系統(tǒng)；

分類單元，用于接收檢測跟蹤模塊傳送的車輛檢測信息，對待檢測區(qū)域的車輛的車型進行分類，并將分類結(jié)果傳入處理系統(tǒng)；

處理系統(tǒng)，用于接收測速模塊傳送的車輛平均速度信息和分類單元傳送的分類信息，對總車輛密度和總平均車速進行計算，并計算每種車輛的密度所占車輛總密度值比例，將總車輛密度和總平均車速的計算結(jié)果傳入判斷模塊，將車輛密度占比結(jié)果傳入決策模塊；

判斷模塊，用于接收處理系統(tǒng)模塊的總車輛密度和總平均車速的計算結(jié)果，并判斷該檢測區(qū)域是否發(fā)生擁堵，將判斷結(jié)果傳入決策模塊；

決策模塊，用于接收處理系統(tǒng)的不同類型的車輛密度占比結(jié)果和判斷模塊的判斷結(jié)果，在發(fā)生車輛長時間擁堵時，某類型車輛一直處于車輛密度占比較高的狀態(tài)，則認為該類車型是影響交通阻塞的重要原因，并在該類型車輛將通過該高速公路路段前往目的地時加以引導(dǎo)。

在具體實現(xiàn)上，采集單元利用現(xiàn)有高速公路上裝有的監(jiān)控攝像頭采集待檢測區(qū)域的視頻圖像，視頻圖像傳輸速率為25幀每秒，將其收到的視頻圖像格式統(tǒng)一轉(zhuǎn)換成RGB的圖像格式。

由于高速公路上的車道線都是具有固定尺寸大小的，所以可以根據(jù)高速公路已有的車道線，設(shè)置檢測區(qū)域，方便車輛檢測。這里的待檢測區(qū)域的設(shè)置方法如圖2所示，檢測區(qū)域橫跨過兩個車道，每個車道寬度為3.5米，則檢測區(qū)域的寬為7米；檢測區(qū)域縱跨“六九線”的一根白線和兩個間隙，故檢測區(qū)域的長為24米。

檢測跟蹤模塊在視頻圖像序列中采用經(jīng)典的Adaboost方法對檢測區(qū)域的車輛進行檢測，采用Kernelized Correlation Filters(KCF)對車輛進行跟蹤，當(dāng)車輛進入檢測區(qū)域時，對車輛進行跟蹤；當(dāng)車輛駛出檢測區(qū)域時，結(jié)束該車輛的跟蹤。

需要說明的是，本實施例的車輛檢測方法并不限于經(jīng)典的Adaboost方法，車輛跟蹤方法并不限于經(jīng)典的KCF方法，例如還可以采用Auto-Correlation Funcion(ACF)算法對車輛進行檢測，采用光流法對車輛進行跟蹤。

測速模塊的測速方法為：由于在本實施例中視頻圖像傳輸速率為25幀每秒，檢測區(qū)域的長為24米，車輛通過檢測區(qū)域的視頻張數(shù)為a，則該車輛通過檢測區(qū)域在時間為0.04s×a，那么該車輛的平均速度為24/(0.04s×a)×3.6千米每小時。

需要說明的是，本實施例的測速方法不限于上述方法，例如還可以通過世界坐標與攝像機坐標的轉(zhuǎn)換,獲得車輛在進入檢測區(qū)域時和駛出檢測區(qū)域時的兩幀圖像間行駛距離,從而計算出當(dāng)前車輛的平均行駛速度。

分類單元首先收集轎車、客車、貨車三種類型的車輛樣本，每類車輛的樣本數(shù)量c為10萬個，樣本大小采用統(tǒng)一大小128×64，即取M＝128，N＝64，根據(jù)樣本的HOG特征訓(xùn)練不同車輛類型的模型，并將不同車輛的模型與檢測跟蹤模塊傳來的檢測到的車輛信息進行匹配，從而對檢測區(qū)域內(nèi)車輛進行分類。

處理系統(tǒng)的總車輛密度由檢測區(qū)域內(nèi)不同類型的車輛數(shù)量得到，假如檢測區(qū)域內(nèi)轎車數(shù)量為k₁，客車數(shù)量為k₂，貨車數(shù)量為k₃，總的車輛密度則為k＝k₁+k₂+k₃，則每種類型的車輛密度所占總車輛密度的比例為處理系統(tǒng)的總平均速度為該檢測區(qū)域所有車輛的平均速度的均值。

需要說明的是，本實施例的車輛類型并不限于以上三種，可以采用不同的分類方式將車輛類型進行更大程度上的細分。同時，模型訓(xùn)練的方法也不限于HOG特征，例如還可以采用SHIFT特征。

判斷模塊對該檢測區(qū)域是否發(fā)生擁堵的判斷方法為：當(dāng)總車輛密度k大于閾值8時，且車輛總平均速度v小于某一閾值20，則交通發(fā)生擁堵；反之，交通順暢。

需要說明的是，本實施例中判斷模塊對閾值選取與檢測區(qū)域的尺寸相關(guān)，因為在該實施例中檢測區(qū)域長24米，寬7米，所以對閾值進行上述設(shè)置。但是隨著檢測區(qū)域尺寸的擴大或者縮小，閾值的大小也將相應(yīng)發(fā)生變化。

決策模塊在該類型車輛將通過該高速公路路段前往目的地時加以引導(dǎo)，其引導(dǎo)方法為通過網(wǎng)絡(luò)向車載導(dǎo)航設(shè)備發(fā)出該路段擁堵信號和該類型車輛造成堵塞的預(yù)警，并指示和引導(dǎo)將通過該高速路段前往目的地的該類型車輛采用其他的交通要道前往目的地。

基于上述系統(tǒng)，如圖3所示，本發(fā)明實施例2公開了一種基于車型分類的高速公路車輛引導(dǎo)方法，包括以下實現(xiàn)步驟：

1)利用現(xiàn)有高速公路上裝有的監(jiān)控攝像頭采集待檢測區(qū)域的視頻圖像；

2)在視頻圖像序列中進行車輛檢測和跟蹤，并計算每輛車的平均速度；

3)對檢測區(qū)域內(nèi)的所有車輛進行分類；

4)對檢測區(qū)域的所有車輛計算總密度值、總平均車速及每種車輛的密度所占車輛總密度值比例；

5)根據(jù)車輛的總密度值和總平均車速判斷該檢測區(qū)域是否發(fā)生擁堵；

6)根據(jù)對每種車輛的密度所占車輛總密度值比例，在發(fā)生車輛長時間擁堵時，某類型車輛一直處于車輛密度占比較高的狀態(tài)，則認為該類車型是影響交通阻塞的重要原因，并在該類型車輛將通過該高速公路路段前往目的地時加以引導(dǎo)。

在具體實現(xiàn)上，步驟6)中，所述在該類型車輛將通過該高速公路路段前往目的地時加以引導(dǎo)，其引導(dǎo)方法為通過網(wǎng)絡(luò)向車載導(dǎo)航設(shè)備發(fā)出該路段擁堵信號和該類型車輛造成堵塞的預(yù)警，并指示和引導(dǎo)將通過該高速路段前往目的地的該類型車輛采用其他的交通要道前往目的地。

以上所述僅為本發(fā)明較佳的實施例，并非因此限制本發(fā)明的實施方式及保護范圍，對于本領(lǐng)域技術(shù)人員而言，應(yīng)當(dāng)能夠意識到凡運用本發(fā)明說明書及圖示內(nèi)容所作出的等同替換和顯而易見的變化所得到的方案，均應(yīng)當(dāng)包含在本發(fā)明的保護范圍內(nèi)。