1.一种多车道拥堵检测及持续时间预测方法,其特征是,包括:获取道路交通监控实时视频流,进而获取运动前景图像;
利用若干帧运动前景图像计算视频流中的道路行车兴趣区域;
基于光流提取神经网络,获取道路行车兴趣区域的光流矩阵,并根据行车兴趣区域的光流矩阵得到车道分割结果;
基于车辆密度热图提取网络,获取当前场景的车辆密度热图;
将道路行车兴趣区域的光流矩阵与车辆密度热图叠加后输入拥堵判定模型,得到拥堵判定结果;
将道路行车兴趣区域的光流矩阵与车辆密度热图叠加后输入循环卷积神经网络,获得设定时间段后的车辆密度热图与拥堵置信度,进而获取拥堵持续时间的预测值。
2.根据权利要求1所述的多车道拥堵检测及持续时间预测方法,其特征是,所述利用若干帧运动前景图像计算视频流中的道路行车兴趣区域,具体为:S211、获取实时视频流中每一帧的前景图像;
S212、基于图像透视原理对各前景图像做自适应膨胀处理;
S213、循环完成步骤S211,S212若干次后,获取若干帧前景图像构成前景图像集合M,通过前景图像集合M合成行车道路关注区域;
S214、对S213生成的行车道路关注区域进行中值滤波,平滑边界,获得道路行车兴趣区域。
3.根据权利要求1所述的多车道拥堵检测及持续时间预测方法,其特征是,所述基于光流提取神经网络,获取道路行车兴趣区域的光流矩阵,并根据行车兴趣区域的光流矩阵得到车道分割结果,具体为:S311、利用针对交通监控场景训练的光流提取神经网络对一定间隔的帧图像提取第一光流矩阵;
S312、重复S311并对其生成的第一光流矩阵叠加后的第二光流矩阵各像素的光流做单位化处理,获得光流方向矩阵;
S313、将光流方向矩阵与道路行车兴趣区域进行叠加,得到仅包含道路行车兴趣区域的光流矩阵;
S314、对行车兴趣区域的光流矩阵中的元素按照矢量角度进行聚类,所获得的聚类结果中,归属同一类的区域即为道路分割结果。
4.根据权利要求3所述的多车道拥堵检测及持续时间预测方法,其特征是,所述仅包含道路行车兴趣区域的光流矩阵,是以二维向量加车道分割标签形式表示光流方向的矩阵。
5.根据权利要求1所述的多车道拥堵检测及持续时间预测方法,其特征是,所述基于车辆密度热图提取网络,获取当前场景的车辆密度热图,具体为:S411、对实时视频流的各视频帧中的车辆目标框进行标注,构建车辆检测数据集;
S412、利用S411构建的车辆检测数据集对车辆密度热图提取网络进行训练,且车辆密度热图提取网络采用Anchor free形式的目标检测网络;
S413、将视频帧输入训练好的车辆密度热图提取网络,得到当前场景的车辆密度热图。
6.根据权利要求1所述的多车道拥堵检测及持续时间预测方法,其特征是,所述将道路行车兴趣区域的光流矩阵与车辆密度热图叠加后输入拥堵判定模型,得到拥堵判定结果,具体为:S511、对视频数据中的拥堵事件进行标注,构建拥堵分类数据集;
S512,利用构建的拥堵分类数据集训练基于双流特征的拥堵判定模型;
S513,将道路行车兴趣区域的光流矩阵与车辆密度热图叠加后输入基于双流特征的拥堵判定模型,得到拥堵判定结果。
7.根据权利要求1所述的多车道拥堵检测及持续时间预测方法,其特征是,所述将道路行车兴趣区域的光流矩阵与车辆密度热图叠加后输入循环卷积网络,获得设定时间段后的车辆密度热图与拥堵置信度,进而获取拥堵持续时间的预测值,具体为:S611,利用车辆密度热图与道路行车兴趣区域的光流矩阵构造拥堵持续时间预测数据集;
S612,利用所构造的拥堵持续时间预测数据集对循环卷积神经网络进行训练;
S613,将道路行车兴趣区域的光流矩阵与车辆密度热图叠加后输入循环卷积神经网络,获得设定时间段后的车辆密度热图与拥堵置信度;循环步骤S613,并根据后续时刻获得的车辆密度热图与拥堵置信度对循环卷积神经网络进行更新修正,得到此时刻拥堵持续时间的预测值。
8.一种多车道拥堵检测及持续时间预测系统,其特征是,包括:第一模块,用于获取道路交通监控实时视频流,进而获取运动前景图像;
第二模块,用于利用若干帧运动前景图像计算视频流中的道路行车兴趣区域;
第三模块,用于基于光流提取神经网络,获取道路行车兴趣区域的光流矩阵,并根据行车兴趣区域的光流矩阵得到车道分割结果;
第四模块,用于基于车辆密度热图提取网络,获取当前场景的车辆密度热图;
第五模块,用于将道路行车兴趣区域的光流矩阵与车辆密度热图叠加后输入拥堵判定模型,得到拥堵判定结果;
第六模块,用于将道路行车兴趣区域的光流矩阵与车辆密度热图叠加后输入循环卷积神经网络,获得设定时间段后的车辆密度热图与拥堵置信度,进而获取拥堵持续时间的预测值。