一种基于ETC数据的交通路段区间拥挤状态在线识别方法与流程 专利技术说明

信号装置的制造及其应用技术一种基于etc数据的交通路段区间拥挤状态在线识别方法技术领域1.本发明涉及大数据处理技术领域，尤其涉及一种基于etc数据的交通路段区间拥挤状态在线识别方法。背景技术：2.高速公路，简称高速路，是指专供汽车高速行驶的公路。高速公路在不同国家地区、不同时代和不同的科研学术领域有不同规定。根据中国《公路工程技术标准》(jtg b01-2014)规定：高速公路为专供汽车分向行驶、分车道行驶，全部控制出入的多车道公路。高速公路年平均日设计交通量宜在15000辆小客车以上，设计速度每小时可达120千米。3.对于高速路行驶，很多人认为超速行驶会导致危险的发生，但实际上在高速路慢速行驶也会导致危险的发生。据统计，在高速路上发生的事故或拥堵，有接近30％的事故都是由慢速行驶引起的，而慢速行驶必然会引发道路拥堵。相关人员和单位会对高速路段的拥堵情况进行监控，但他们往往只会考虑车祸引发的拥堵情况，对车祸发生地点进行定位，然后安排工程车辆救援。即使是市面上惯用的地图导航软件，也更多的利用驾驶员上传的车祸发生地点来对拥堵路段进行预警。虽然有相关人员提出过，通过监测车辆行驶速度来区别出慢速车辆，但仅仅从某一瞬间的车速或者单一的车辆速度，无法准确地判断正在慢速行驶的车辆就是引发道路拥堵的诱发点，所以如何准确地对道路拥堵的诱发点进行精准确定是目前需要解决的技术问题。然而目前市面上对于慢速行驶在高速路段而引发的高速拥堵问题，至今没有相关解决策略。4.在信息化发展的今天，越来越多的家庭购买和使用车辆，很多女性和中老年群体也加入到驾驶日常当中。在车辆售卖量愈发增长的时代，车辆拥堵情况也愈发明显，随之而来的就是车辆安全行驶问题。如何对高速路段上慢速行驶而引发的路段拥堵情况进行分析，精准地确定引发路段拥堵的慢速车辆而进行预警导航，是高速路段安全行驶的一道难题。在现有技术中，在高速路段的各个区间会设置有龙门架，龙门架上安装了拍照计费的etc设备，车辆每经过一个龙门架，上面的etc设备就会按照车型进行拍照计费，同时，etc设备会与车上的车载obu进行数据交互。然而随着成本的增加，如何利用现有的etc设备解决上述安全行驶的问题，而不额外加装其他设备，同样成为了工程师们重点关注的内容。5.因此，目前市面上亟需一种基于etc数据的交通路段区间拥挤状态在线识别策略，解决现有技术中无法对高速路段上慢速行驶而引发拥堵情况的慢速车辆进行识别预警的技术问题。技术实现要素：6.本发明提供了一种基于etc数据的交通路段区间拥挤状态在线识别方法，在不额外加装其他设备的情况下，利用现有的etc数据对高速路段上慢速行驶而引发拥堵情况的慢速车辆进行精准识别，能够为交通路段区间拥挤的诱发点进行精确预警，为驾驶员提供安全的行驶支撑信息，保障广大驾驶员的行驶安全。7.为了解决上述技术问题，本发明实施例提供了一种基于etc数据的交通路段区间拥挤状态在线识别方法，包括：8.实时获取通过龙门架的etc数据；其中，所述etc数据包括车辆图像数据和etc交互数据；9.根据所述etc交互数据，实时统计预设单位时长内通过所述龙门架的车流量，并根据所述车辆图像数据确定所述预设单位时长内通过车辆的平均速度，根据所述平均速度和所述车流量确定当前交通路段区域的拥挤值；10.当所述拥挤值达到预设阈值时，确定当前交通路段区域为拥挤状态，并根据所述车辆图像数据，对在所述预设单位时长内通过所述龙门架的所有车辆定义为疑似慢速车辆；11.将所述预设单位时长内形成的车辆图像数据进行提取，生成车辆行驶动态数据，将所述车辆行驶动态数据输入到预设的拥堵区域识别模型中，对形成拥堵区间的车辆进行识别，在所述疑似慢速车辆中确定并输出形成拥堵区间的标记车辆；同时，对所有的标记车辆赋予一个相同的初始诱发值；12.在所述车辆图像数据中，提取含有标记车辆的车辆行驶图像，确定所有的标记车辆的行驶车道，并根据所述标记车辆的行驶车道，确定每一标记车辆在所述车辆行驶图像中的变道情况；13.根据每一标记车辆的变道情况对所述标记车辆的初始诱发值进行调整，得到拥堵诱发值；14.确定所述拥堵诱发值最大的前n个标记车辆为诱发拥挤车辆，提取所述诱发拥挤车辆的当前所在车道和车辆信息作为当前交通路段区间拥挤的诱发点，并发送到交通指挥中心进行预警。15.作为优选方案，在所述根据所述etc交互数据，实时统计预设单位时长内通过所述龙门架的车流量之后，还包括：16.根据所述etc交互数据，在所述车辆图像数据中对已经进行etc交互统计的车辆进行过滤，得到所述车辆图像数据中没有安装车载obu的车辆；17.根据预设单位时长内通过所述龙门架的没有安装车载obu的车辆数量，对所述车流量进行更新。18.作为优选方案，所述根据所述车辆图像数据确定所述预设单位时长内通过车辆的平均速度的步骤，具体包括：19.在所述预设单位时长内确定多个监测时间点，在所述车辆图像数据中提取所述监测时间点所对应的车辆图像，并根据所述监测时间点的先后顺序对所述车辆图像进行依次排列；其中，所述监测时间点包括所述预设单位时长的初始时间点和最终时间点；20.对第一帧车辆图像中的车辆特征进行识别，将第一帧车辆图像划分为多个行驶区域并分别在每一个行驶区域中确定基准点位置；其中，每一个行驶区域至少包含有一辆车；21.对相邻的下一帧车辆图像中的车辆特征进行识别，判断下一帧车辆图像中各个行驶区域的基准点位置，根据相同基准点在相邻的两帧车辆图像中形成的距离与两帧车辆图像之间的时间差值，计算出每一个基准点在相邻的两帧车辆图像中形成的平均速度；22.统计相邻的两帧车辆图像中每一个基准点的平均速度，计算出相邻的两帧车辆图像之间的平均速度，通过计算所有相邻的两帧车辆图像之间平均速度的均值，得到预设单位时长内通过车辆的平均速度。23.作为优选方案，所述拥挤值的计算公式为：[0024][0025]其中：w为拥挤值；i为车流量，i0为预设流量值；v为预设单位时长内通过车辆的平均速度，v0为预设速度值；k1和k2均为常数；[0026]其中，[0027]其中，vj为相邻的两帧车辆图像之间的平均速度，j指代相邻的两帧车辆图像,m为车辆图像的总数量-1；hij为第i个基准点在相邻的两帧车辆图像中形成的距离，i指代基准点，n为基准点的总数量，tj为相邻的两帧车辆图像之间的时间差值。[0028]作为优选方案，所述将所述预设单位时长内形成的车辆图像数据进行提取，生成车辆行驶动态数据的步骤，具体包括：[0029]在所述车辆图像数据中提取所述预设单位时长内采集的车辆图像，作为输入图像；[0030]对每一帧输入图像中的车辆特征进行识别，对每一台车辆进行标记，并在每一帧输入图像中建立相同的空间坐标系，确定每一台标记车辆在所述空间坐标系中的位置；[0031]根据所述每一台标记车辆在所述空间坐标系中的位置，计算相邻两帧输入图像中每一台标记车辆的移动位置并确定其加速度值；[0032]对每一帧输入图像中的每一台车辆进行标记当前输入图像与上一帧输入图像之间的加速度值，得到加速度图像集；[0033]按照时间先后顺序对所述加速度图像集中的所有图像帧进行依次排序组合，得到车辆行驶动态数据。[0034]作为优选方案，所述预设的拥堵区域识别模型的构建过程，具体包括：[0035]获取历史车辆图像；其中，所述历史车辆图像中显示的交通路段区域为拥挤状态；[0036]获取所述历史车辆图像中每一台车辆在预设单位时长内的加速度值，并将所述加速度值在所述历史车辆图像中对应的车辆位置上进行标记；[0037]在所述历史车辆图像中确定造成交通路段区域拥挤的多个诱发点，并将所述多个诱发点分别与标记的车辆位置进行相关联，形成拥堵诱发网络图像；[0038]通过神经网络算法建立初始识别模型，并将所述拥堵诱发网络图像输入到所述初始识别模型中进行训练，直到训练次数和训练准确度达到预设数值时，完成训练，得到拥堵区域识别模型。[0039]作为优选方案，所述在所述车辆图像数据中，提取含有标记车辆的车辆行驶图像，确定所有的标记车辆的行驶车道的步骤，具体包括：[0040]对含有标记车辆的车辆行驶图像按照时间先后顺序进行依次排序，并对所述车辆行驶图像中的车道线进行识别，确定车道线位置；[0041]对标记车辆进行特征识别，分别提取所述标记车辆中最左端和最右端的两个高亮点，分别计算两个高亮点与各个车道线位置在水平方向之间的距离值，确定与所述最左端的高亮点的距离值最小所对应的第一车道线位置，以及与所述最右端的高亮点的距离值最小所对应的第二车道线位置；[0042]将所述第一车道线位置和所述第二车道线位置之间的车道，确定为标记车辆的行驶车道。[0043]作为优选方案，所述根据所述标记车辆的行驶车道，确定每一标记车辆在所述车辆行驶图像中的变道情况的步骤，具体包括：[0044]判断所述标记车辆在每一帧车辆行驶图像上的行驶车道，当确定所述标记车辆在下一帧车辆行驶图像上的行驶车道与上一帧不同时，确定所述标记车辆发生变道；同时，确定所述标记车辆在上一帧车辆行驶图像上的目标前车；[0045]判断所述标记车辆在确定发生变道之后，在预设的第一变道时间段内是否超越所述目标前车，如果超越，则确定所述标记车辆的本次变道为有效变道；否则，判断所述标记车辆在预设的第二变道时间段内是否再次发送变道；[0046]当确定所述标记车辆在预设的第二变道时间段内再次发送变道时，判断所述标记车辆是否变道到原行驶车道，如果是，则确定所述标记车辆的连续两次变道为无效变道；否则，确定所述标记车辆的连续两次变道为待定变道；[0047]当确定所述标记车辆在预设的第二变道时间段内没有再次发送变道时，确定所述标记车辆的本次变道为待定变道。[0048]作为优选方案，所述根据每一标记车辆的变道情况对所述标记车辆的初始诱发值进行调整，得到拥堵诱发值的步骤，具体包括：[0049]当确定标记车辆的变道情况为有效变道时，对所述标记车辆的初始诱发值进行减1，对所述目标前车的初始诱发值进行加1；[0050]当确定标记车辆的变道情况为无效变道时，对所述标记车辆的初始诱发值不处理，对所述目标前车的初始诱发值进行减1；[0051]当确定标记车辆的变道情况为待定变道时，对所述标记车辆的初始诱发值进行加1，对所述目标前车的初始诱发值不处理；[0052]当每一标记车辆在所有的车辆行驶图像中的变道情况进行遍历调整完成后，得到每一标记车辆所对应的拥堵诱发值。[0053]本发明实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质包括存储的计算机程序；其中，所述计算机程序在运行时控制所述计算机可读存储介质所在的设备执行如上述任一项所述的基于etc数据的交通路段区间拥挤状态在线识别方法。[0054]本发明实施例还提供了一种终端设备，包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序，所述处理器在执行所述计算机程序时实现如上述任一项所述的基于etc数据的交通路段区间拥挤状态在线识别方法。[0055]相比于现有技术，本发明实施例具有如下有益效果：[0056]本发明技术方案通过获取龙门架的etc数据，不需要额外加装其他设备，通过etc数据确定当前交通路段区域的拥挤状态，并利用etc数据中由etc设备采集的车辆图像数据准确的识别出车辆的变道情况，利用每一标记车辆的变道情况对初始诱发值进行调整，可以准确地了解到通过该拥挤区域过程中，各个标记车辆的最终拥堵诱发值，从而判断出诱发拥挤车辆；以解决现有技术中无法对高速路段上慢速行驶而引发拥堵情况的慢速车辆进行识别预警的技术问题，实现在不额外加装其他设备的情况下，利用现有的etc数据对高速路段上慢速行驶而引发拥堵情况的慢速车辆进行精准识别，能够为交通路段区间拥挤的诱发点进行精确预警，为驾驶员提供安全的行驶支撑信息，保障广大驾驶员的行驶安全。附图说明[0057]图1：为本发明实施例提供的一种基于etc数据的交通路段区间拥挤状态在线识别方法的步骤流程图；[0058]图2：为本发明实施例提供的终端设备的一种实施例的结构示意图。具体实施方式[0059]下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。[0060]实施例一[0061]请参照图1，为本发明实施例提供的一种基于etc数据的交通路段区间拥挤状态在线识别方法的步骤流程图，包括步骤101至步骤107，各步骤具体如下：[0062]步骤101，实时获取通过龙门架的etc数据；其中，所述etc数据包括车辆图像数据和etc交互数据。[0063]具体地，为了实现不额外加装设备，我们通过正常设置在龙门架上的etc设备对高速路段的车辆数据进行采集。可以理解的是，本步骤中的etc数据包含了etc设备对道路上行驶的车辆进行拍摄的车辆图像数据，以及etc设备与行驶车辆上安装的车载obu进行数据交互，以获取车辆信息的etc交互数据。[0064]步骤102，根据所述etc交互数据，实时统计预设单位时长内通过所述龙门架的车流量，并根据所述车辆图像数据确定所述预设单位时长内通过车辆的平均速度，根据所述平均速度和所述车流量确定当前交通路段区域的拥挤值。[0065]具体地，本步骤首先要利用etc交互数据来确定车流量，我们可以利用etc设备与车载obu的交互情况，来确定预设单位时长内有多少辆车通过当前的龙门架，从而确定车流量。此外，我们还需要考虑两个方面，一方面是如何利用车辆图像数据来确定车辆的平均速度；另一方面是如何利用平均速度和车流量来计算出拥挤值，用于判断当前交通路段区域的拥挤状态。下面将进行详细解释。[0066]在本实施例的第一方面中，所述根据所述车辆图像数据确定所述预设单位时长内通过车辆的平均速度的步骤，具体包括：步骤1021，在所述预设单位时长内确定多个监测时间点，在所述车辆图像数据中提取所述监测时间点所对应的车辆图像，并根据所述监测时间点的先后顺序对所述车辆图像进行依次排列；其中，所述监测时间点包括所述预设单位时长的初始时间点和最终时间点。步骤1022，对第一帧车辆图像中的车辆特征进行识别，将第一帧车辆图像划分为多个行驶区域并分别在每一个行驶区域中确定基准点位置；其中，每一个行驶区域至少包含有一辆车。步骤1023，对相邻的下一帧车辆图像中的车辆特征进行识别，判断下一帧车辆图像中各个行驶区域的基准点位置，根据相同基准点在相邻的两帧车辆图像中形成的距离与两帧车辆图像之间的时间差值，计算出每一个基准点在相邻的两帧车辆图像中形成的平均速度。步骤1024，统计相邻的两帧车辆图像中每一个基准点的平均速度，计算出相邻的两帧车辆图像之间的平均速度，通过计算所有相邻的两帧车辆图像之间平均速度的均值，得到预设单位时长内通过车辆的平均速度。[0067]具体地，在不额外增加其他设备的情况下，如何利用仅有的etc设备来确定车辆的平均速度其实是一个难题。因为现有技术用于确定车速的设备是监控设备，etc设备本身并不具备测速功能。而高速路段的监控设备并不是安装在每一个龙门架上，所以并非所有的高速区域都能对车辆进行测速。再加上高速上的测速路段区间设置不均衡，所以在利用etc设备进行数据采集的同时，无法同步利用现有的监控设备对车辆进行测速。因此，我们需要研究出一种突破的策略，仅利用etc数据即可完成车辆的平均速度计算。在本步骤中，我们首先设置了监测时间点，利用上一步骤采集的车辆图像数据提取这些监测时间点的车辆图像，注意，此时我们需要提取预设单位时长中初始时间点和最终时间点的车辆图像，以使后续的车辆平均速度计算更具准确性。而将采集到的车辆图像以第一帧图像为起始，开始对图像中的车辆进行识别。由于在行驶过程中，会出现部分车辆在同一批区域内行驶的情况，所以我们需要将车辆图像划分为多个行驶区域，这些行驶区域就是由多辆车行驶而形成的。因此这些行驶区域至少包含有一辆车，我们将这些行驶区域中的某个车辆作为基准点位置，所以我们还需要在步骤中进行基准点位置的确定。可以理解的是，对于基准点位置的确定有多个变化，我们只需要确定行驶区域的基准点就行，后续利用这些基准点的位置移动来确定对应行驶区域的位置移动。所以在此处对基准点位置的选择不作限定。接着，我们只需要计算出位置移动所对应的时间点，通过计算比值即可得到平均速度。[0068]具体地，当我们计算得到平均速度和车流量之后，我们利用拥挤值的计算公式即可计算出拥挤值。在研究中表明，通过车流量和平均速度之间的关系，可以准确地反映出道路的拥挤情况。所以在本实施例的第二方面中，所述拥挤值的计算公式为：[0069][0070]其中：w为拥挤值；i为车流量，i0为预设流量值；v为预设单位时长内通过车辆的平均速度，v0为预设速度值；k1和k2均为常数；[0071]其中，[0072]其中，vj为相邻的两帧车辆图像之间的平均速度，j指代相邻的两帧车辆图像,m为车辆图像的总数量-1；hij为第i个基准点在相邻的两帧车辆图像中形成的距离，i指代基准点，n为基准点的总数量，tj为相邻的两帧车辆图像之间的时间差值。[0073]再者，在另一实施例中，在所述根据所述etc交互数据，实时统计预设单位时长内通过所述龙门架的车流量之后，还包括：根据所述etc交互数据，在所述车辆图像数据中对已经进行etc交互统计的车辆进行过滤，得到所述车辆图像数据中没有安装车载obu的车辆；根据预设单位时长内通过所述龙门架的没有安装车载obu的车辆数量，对所述车流量进行更新。[0074]具体地，为了判断高速路段上的拥挤情况更为准确。考虑到有极小部分车主还是没有安装车载obu，不能够与龙门架上的etc设备进行数据交互。所以为了解决etc交互数据上存在的可能数据缺失问题，我们利用车辆图像数据对车辆进行识别，首先对etc交互数据中以及统计的车辆进行过滤，即可节省大量的图像运算量，以提高处理效率。随后我们对没有进行交互的车辆进行筛选出来，利用图像识别功能对这些车辆的车辆信息(例如车型、车牌号码等)进行识别提取，以补充到车流量数据中即可。[0075]步骤103，当所述拥挤值达到预设阈值时，确定当前交通路段区域为拥挤状态，并根据所述车辆图像数据，对在所述预设单位时长内通过所述龙门架的所有车辆定义为疑似慢速车辆。[0076]具体地，在确定拥挤之后，根据确定拥挤所对应的时间点，我们可以准确地确定这些时间段内通过龙门架的车辆。我们先把这些车辆定义为疑似慢速车辆，后续再进行精准确定。[0077]步骤104，将所述预设单位时长内形成的车辆图像数据进行提取，生成车辆行驶动态数据，将所述车辆行驶动态数据输入到预设的拥堵区域识别模型中，对形成拥堵区间的车辆进行识别，在所述疑似慢速车辆中确定并输出形成拥堵区间的标记车辆；同时，对所有的标记车辆赋予一个相同的初始诱发值。[0078]具体地，我们将确定拥挤所对应时长的车辆图像进行提取，利用这些图像数据生成输入拥堵区域识别模型的输入数据，即车辆行驶动态数据。这里的拥堵区域识别模型用于对输入图像进行识别，然后再输入图像中标记出形成拥堵区间的标记车辆。下面将进行详细解释。[0079]在本实施例的第一方面中，所述将所述预设单位时长内形成的车辆图像数据进行提取，生成车辆行驶动态数据的步骤，具体包括：步骤10411，在所述车辆图像数据中提取所述预设单位时长内采集的车辆图像，作为输入图像。步骤10412，对每一帧输入图像中的车辆特征进行识别，对每一台车辆进行标记，并在每一帧输入图像中建立相同的空间坐标系，确定每一台标记车辆在所述空间坐标系中的位置。步骤10413，根据所述每一台标记车辆在所述空间坐标系中的位置，计算相邻两帧输入图像中每一台标记车辆的移动位置并确定其加速度值。步骤10414，对每一帧输入图像中的每一台车辆进行标记当前输入图像与上一帧输入图像之间的加速度值，得到加速度图像集。步骤10415，按照时间先后顺序对所述加速度图像集中的所有图像帧进行依次排序组合，得到车辆行驶动态数据。[0080]具体地，首先我们将图像输入到拥堵区域识别模型之前，我们需要对图像进行处理，以便于后续的模型识别。由于在模型识别的过程中，其原理是识别模型通过输入图像中车辆加速度与真正的诱发点之间的关系，从而确定输入图像中的诱发点。因此，我们需要对输入图像进行加速度值的标记。我们通过建立空间坐标系，利用每一帧图像之间标记车辆的移动位置，结合两帧图像的时间差，从而计算出加速度值。将得到的加速度值在图像中进行标记，对标记完成后的图像依次排序组合，形成数据流即可。[0081]在本实施例的第二方面中，所述预设的拥堵区域识别模型的构建过程，具体包括：步骤10421，获取历史车辆图像；其中，所述历史车辆图像中显示的交通路段区域为拥挤状态。步骤10422，获取所述历史车辆图像中每一台车辆在预设单位时长内的加速度值，并将所述加速度值在所述历史车辆图像中对应的车辆位置上进行标记。步骤10423，在所述历史车辆图像中确定造成交通路段区域拥挤的多个诱发点，并将所述多个诱发点分别与标记的车辆位置进行相关联，形成拥堵诱发网络图像。步骤10424，通过神经网络算法建立初始识别模型，并将所述拥堵诱发网络图像输入到所述初始识别模型中进行训练，直到训练次数和训练准确度达到预设数值时，完成训练，得到拥堵区域识别模型。[0082]具体地，上述内容为具体的拥堵区域识别模型的构建过程，通过上述构建策略，我们可以得到精准的识别模型，用于对输入图像中车辆加速度与诱发点之间的精准识别，从而确定输入图像中诱发点，以帮助过滤庞大的疑似慢速车辆，得到在疑似慢速车辆中确定并输出形成拥堵区间的标记车辆。与此同时，我们对所有的标记车辆赋予一个相同的初始诱发值，以便于后续确定真正的诱发车辆。[0083]步骤105，在所述车辆图像数据中，提取含有标记车辆的车辆行驶图像，确定所有的标记车辆的行驶车道，并根据所述标记车辆的行驶车道，确定每一标记车辆在所述车辆行驶图像中的变道情况。[0084]具体地，本步骤涉及两个方面，一个方面是如何确定车辆的行驶车道；另一方面是如何利用车辆的行驶车道来确定车辆的变道情况，从而在后续中便于对诱发车辆的确定。[0085]在本实施例的第一方面中，所述在所述车辆图像数据中，提取含有标记车辆的车辆行驶图像，确定所有的标记车辆的行驶车道的步骤，具体包括：步骤10511，对含有标记车辆的车辆行驶图像按照时间先后顺序进行依次排序，并对所述车辆行驶图像中的车道线进行识别，确定车道线位置。步骤10512，对标记车辆进行特征识别，分别提取所述标记车辆中最左端和最右端的两个高亮点，分别计算两个高亮点与各个车道线位置在水平方向之间的距离值，确定与所述最左端的高亮点的距离值最小所对应的第一车道线位置，以及与所述最右端的高亮点的距离值最小所对应的第二车道线位置。步骤10513，将所述第一车道线位置和所述第二车道线位置之间的车道，确定为标记车辆的行驶车道。[0086]具体地，我们首先对车道线进行识别，利用车辆行驶图像中对车辆的识别标记，我们需要确定标记车辆最接近哪一个车道。因为考虑到车辆有时候并非会行驶在车道线之间，有可能会横跨车道，或者压线。这种情况，我们需要对图像进行处理，通过标记车辆在图像中产生的两个高亮点，此处采集了最左端和最右端的两个高亮点。需要理解的是，此处的最左端和最右端的高亮点可以是车辆左右两个车大灯的位置，便于图像识别并方便计算高亮点与车道线之间距离。然后我们将距离值最小的车道线进行确定。根据两个车道线之间的车道确定标记车辆的行驶车道。[0087]在本实施例的第二方面中，所述根据所述标记车辆的行驶车道，确定每一标记车辆在所述车辆行驶图像中的变道情况的步骤，具体包括：步骤10521，判断所述标记车辆在每一帧车辆行驶图像上的行驶车道，当确定所述标记车辆在下一帧车辆行驶图像上的行驶车道与上一帧不同时，确定所述标记车辆发生变道；同时，确定所述标记车辆在上一帧车辆行驶图像上的目标前车。步骤10522，判断所述标记车辆在确定发生变道之后，在预设的第一变道时间段内是否超越所述目标前车，如果超越，则确定所述标记车辆的本次变道为有效变道；否则，判断所述标记车辆在预设的第二变道时间段内是否再次发送变道。步骤10523，当确定所述标记车辆在预设的第二变道时间段内再次发送变道时，判断所述标记车辆是否变道到原行驶车道，如果是，则确定所述标记车辆的连续两次变道为无效变道；否则，确定所述标记车辆的连续两次变道为待定变道。步骤10524，当确定所述标记车辆在预设的第二变道时间段内没有再次发送变道时，确定所述标记车辆的本次变道为待定变道。[0088]具体地，此处的变道情况我们分为三种情况：第一种是标记车辆发生了变道，而且在一定时间内变道后是超越了原车道的前车，此时为有效变道。第二种是标记车辆发生了变道后没有超越前车，而在一定时间内再次发生变道，并且重新变道到原车道，此时认为标记车辆在发生变道后的道路情况更坏，而原车道的前车实际上是没有问题的，降低前车作为诱发点的可能性。第三种是标记车辆虽然发生二次变道，但没有重新变道到原车道，而是变道到第三车道；或者，车辆在发生变道后，既没有超越前车，也没有再次发生变道。此时我们认为标记车辆有可能作为慢速行驶的诱发点。[0089]步骤106，根据每一标记车辆的变道情况对所述标记车辆的初始诱发值进行调整，得到拥堵诱发值。[0090]在本实施例中，所述步骤106具体包括：步骤1061，当确定标记车辆的变道情况为有效变道时，对所述标记车辆的初始诱发值进行减1，对所述目标前车的初始诱发值进行加1。步骤1062，当确定标记车辆的变道情况为无效变道时，对所述标记车辆的初始诱发值不处理，对所述目标前车的初始诱发值进行减1。步骤1063，当确定标记车辆的变道情况为待定变道时，对所述标记车辆的初始诱发值进行加1，对所述目标前车的初始诱发值不处理。步骤1064，当每一标记车辆在所有的车辆行驶图像中的变道情况进行遍历调整完成后，得到每一标记车辆所对应的拥堵诱发值。[0091]具体地，通过研究表明，通过上述对于初始诱发值的调整策略，可以准确地对每一个标记车辆在行驶中对于拥挤状态所作出的贡献，从而最终确定每一个标记车辆的拥堵诱发值。可以理解的是，其拥堵诱发值越高，则该标记车辆作为诱发点的可能性就越高。[0092]步骤107，确定所述拥堵诱发值最大的前n个标记车辆为诱发拥挤车辆，提取所述诱发拥挤车辆的当前所在车道和车辆信息作为当前交通路段区间拥挤的诱发点，并发送到交通指挥中心进行预警。[0093]具体地，我们可以根据实际需求选择相应个数的拥堵诱发值最大的前n个标记车辆为诱发拥挤车辆，并完成预警。可以理解的是，此处的车辆信息可以包含车型、车牌号码等信息，可以通过etc交互数据或图像识别而得到。[0094]本发明技术方案通过获取龙门架的etc数据，不需要额外加装其他设备，通过etc数据确定当前交通路段区域的拥挤状态，并利用etc数据中由etc设备采集的车辆图像数据准确的识别出车辆的变道情况，利用每一标记车辆的变道情况对初始诱发值进行调整，可以准确地了解到通过该拥挤区域过程中，各个标记车辆的最终拥堵诱发值，从而判断出诱发拥挤车辆；以解决现有技术中无法对高速路段上慢速行驶而引发拥堵情况的慢速车辆进行识别预警的技术问题，实现在不额外加装其他设备的情况下，利用现有的etc数据对高速路段上慢速行驶而引发拥堵情况的慢速车辆进行精准识别，能够为交通路段区间拥挤的诱发点进行精确预警，为驾驶员提供安全的行驶支撑信息，保障广大驾驶员的行驶安全。[0095]实施例二[0096]本发明实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质包括存储的计算机程序；其中，所述计算机程序在运行时控制所述计算机可读存储介质所在的设备执行上述任一实施例所述的基于etc数据的交通路段区间拥挤状态在线识别方法。[0097]实施例三[0098]请参照图2，是本发明实施例提供的终端设备的一种实施例的结构示意图，所述终端设备包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序，所述处理器在执行所述计算机程序时实现上述任一实施例所述的基于etc数据的交通路段区间拥挤状态在线识别方法。[0099]优选地，所述计算机程序可以被分割成一个或多个模块/单元(如计算机程序、计算机程序)，所述一个或者多个模块/单元被存储在所述存储器中，并由所述处理器执行，以完成本发明。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述所述计算机程序在所述终端设备中的执行过程。[0100]所述处理器可以是中央处理单元(centra l process i ng un it，cpu)，还可以是其他通用处理器、数字信号处理器(d i g ita l s i gna l processor，dsp)、专用集成电路(app l i cat i on spec i f i c i ntegrated ci rcu it，as i c)、现成可编程门阵列(f i e l d-programmab l e gate array，fpga)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等，通用处理器可以是微处理器，或者所述处理器也可以是任何常规的处理器，所述处理器是所述终端设备的控制中心，利用各种接口和线路连接所述终端设备的各个部分。[0101]所述存储器主要包括程序存储区和数据存储区，其中，程序存储区可存储操作系统、至少一个功能所需的应用程序等，数据存储区可存储相关数据等。此外，所述存储器可以是高速随机存取存储器，还可以是非易失性存储器，例如插接式硬盘，智能存储卡(smart med i a card，smc)、安全数字(secure d i gita l，sd)卡和闪存卡(f l ash card)等，或所述存储器也可以是其他易失性固态存储器件。[0102]需要说明的是，上述终端设备可包括，但不仅限于，处理器、存储器，本领域技术人员可以理解，上述终端设备仅仅是示例，并不构成对终端设备的限定，可以包括更多或更少的部件，或者组合某些部件，或者不同的部件。[0103]以上所述的具体实施例，对本发明的目的、技术方案和有益效果进行了进一步的详细说明，应当理解，以上所述仅为本发明的具体实施例而已，并不用于限定本发明的保护范围。特别指出，对于本领域技术人员来说，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。









图片声明：本站部分配图来自人工智能系统AI生成,觅知网授权图片,PxHere摄影无版权图库。本站只作为美观性配图使用,无任何非法侵犯第三方意图,一切解释权归图片著作权方,本站不承担任何责任。如有恶意碰瓷者,必当奉陪到底严惩不贷!




内容声明：本文中引用的各种信息及资料（包括但不限于文字、数据、图表及超链接等）均来源于该信息及资料的相关主体（包括但不限于公司、媒体、协会等机构）的官方网站或公开发表的信息。部分内容参考包括:(百度百科,百度知道,头条百科,中国民法典,刑法,牛津词典,新华词典,汉语词典,国家院校,科普平台)等数据,内容仅供参考使用,不准确地方联系删除处理！本站为非盈利性质站点,发布内容不收取任何费用也不接任何广告!




免责声明：我们致力于保护作者版权，注重分享，被刊用文章因无法核实真实出处，未能及时与作者取得联系，或有版权异议的，请联系管理员，我们会立即处理，本文部分文字与图片资源来自于网络，部分文章是来自自研大数据AI进行生成,内容摘自(百度百科,百度知道,头条百科,中国民法典,刑法,牛津词典,新华词典,汉语词典,国家院校,科普平台)等数据,内容仅供学习参考,不准确地方联系删除处理!的,若有来源标注错误或侵犯了您的合法权益，请立即通知我们，情况属实，我们会第一时间予以删除，并同时向您表示歉意,谢谢!