一种车辆拥堵检测方法以及终端与流程

1.本发明涉及视频图像处理领域，尤其涉及一种车辆拥堵检测方法以及终端。


背景技术：

2.高速收费站在节假日等高峰期存在着严重的车辆拥堵排队现象，目前的收费站所用的拥堵检测设备一般是视频检测摄像机，但由于收费站场景的复杂性，传统的视频检测摄像机无法覆盖并监控整个收费广场，而且视频检测摄像机在进行单个区域的拥堵检测时存在误报情况，导致检测装置无法正确获取收费广场整体的拥堵状态，并且单一画面的相机监控由于距离远，其采集的视频比较模糊，无法正确识别画面中的车辆。


技术实现要素：

3.本发明所要解决的技术问题是：提供一种车辆拥堵检测方法以及终端，避免单个区域计算拥堵率导致误报的问题，提高车辆拥堵检测的精确性。
4.为了解决上述技术问题，本发明采用的技术方案为：一种车辆拥堵检测方法，包括：获取目标区域的视频信息，通过深度学习算法分析所述目标区域的视频信息得到所述目标区域的车辆拥堵信息；所述车辆拥堵信息包括拥堵率以及车辆速度；判断所述目标区域的拥堵率是否超过预设阈值，若是，则获取所述目标区域对应的预置区域的视频信息，通过深度学习算法分析所述预置区域的视频信息得到所述预置区域的车辆拥堵信息；根据所述目标区域的车辆拥堵信息以及所述预置区域的车辆拥堵信息获取所述目标区域对应的连续路段内的车辆拥堵情况。
5.为了解决上述技术问题，本发明采用的另一种技术方案为：一种车辆拥堵检测终端，包括存储器、处理器及存储在所述存储器上并在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述的一种车辆拥堵检测方法中的各个步骤。
6.本发明的有益效果在于：通过区分目标区域以及预置区域轮流获取对应的视频信息，使得视频监控区域能够更加集中，从而保证视频信息的清晰度，提高深度学习算法分析处理的效果。并且通过深度学习算法分析对应区域的视频信息，得到对应区域的拥堵率以及车辆速度，在非拥堵情况时，只需要获取目标区域的视频信息，使得处理对象单一，从而保证检测算法的实时有效性；在目标区域发生拥堵情况后，再获取预置区域的视频信息，从而对包括目标区域以及预置区域的连续路段的车辆拥堵情况进行汇总处理，以此方式来确保监控区域的整体拥堵状态，避免单个区域计算拥堵率造成误报的问题。
附图说明
7.图1为本发明公开的一种车辆拥堵检测方法的流程图；
图2为本发明实施例提供的区域分布图；图3为本发明实施例提供的实时路况图；图4为本发明公开的一种车辆拥堵检测终端的结构示意图；图5为本发明实施例提供的车辆拥堵检测终端的结构示意图；标号说明：201、存储器；202、处理器；2011、第一存储器；2021、第一处理器；2012、第二存储器；2022、第二处理器；2013、第三存储器；2023、第三处理器。
具体实施方式
8.为详细说明本发明的技术内容、所实现目的及效果，以下结合实施方式并配合附图予以说明。
9.请参照图1，本发明实施例提供了一种车辆拥堵检测方法，包括：获取目标区域的视频信息，通过深度学习算法分析所述目标区域的视频信息得到所述目标区域的车辆拥堵信息；所述车辆拥堵信息包括拥堵率以及车辆速度；判断所述目标区域的拥堵率是否超过预设阈值，若是，则获取所述目标区域对应的预置区域的视频信息，通过深度学习算法分析所述预置区域的视频信息得到所述预置区域的车辆拥堵信息；根据所述目标区域的车辆拥堵信息以及所述预置区域的车辆拥堵信息获取所述目标区域对应的连续路段内的车辆拥堵情况。
10.从上述描述可知，本发明的有益效果在于：通过区分目标区域以及预置区域轮流获取对应的视频信息，使得视频监控区域能够更加集中，从而保证视频信息的清晰度，提高深度学习算法分析处理的效果。并且通过深度学习算法分析对应区域的视频信息，得到对应区域的拥堵率以及车辆速度，在非拥堵情况时，只需要获取目标区域的视频信息，使得处理对象单一，从而保证检测算法的实时有效性；在目标区域发生拥堵情况后，再获取预置区域的视频信息，从而对包括目标区域以及预置区域的连续路段的车辆拥堵情况进行汇总处理，以此方式来确保监控区域的整体拥堵状态，避免单个区域计算拥堵率造成误报的问题。
11.进一步地，所述通过深度学习算法分析所述目标区域的视频信息得到所述目标区域的车辆拥堵信息，或所述通过深度学习算法分析所述预置区域的视频信息得到所述预置区域的车辆拥堵信息包括：通过yolov4模型分析对应区域的视频信息得到对应区域内的车辆数以及车辆面积总和；所述对应区域为目标区域或预置区域；根据对应区域内的最大车辆数以及所述车辆数得到车辆占有率；根据对应区域的面积以及所述车辆面积总和得到面积占有率；获取所述车辆占有率以及所述面积占有率中的最小值，得到对应区域的拥堵率；获取对应区域内已识别的车辆在预设时间段内的目标视频信息，根据所述目标视频信息得到对应区域的车辆速度；根据所述拥堵率和所述车辆速度得到对应区域的车辆拥堵信息。
12.由上述描述可知，采用深度学习yolov4模型框架作为图像分析算法，其优势在于yolov4模型作为one-stage算法，跳过传统two-stage第一阶段的生成获选区域，直接产生
物体的类别概率和位置坐标值，经过单次检测直接得到最终的检测结果，速度更快，可以满足本发明应用场景中分析实时视频的需求。通过深度学习算法获取到对应区域内的车辆数以及车辆面积总和，通过两种方式分别计算对应区域的车辆占有率和面积占有率，然后将车辆占有率或面积占有率作为对应区域的拥堵率，二者进行相互校验，以此方式来避免单一区域计算拥堵率存在误差的情况。同时获取对应区域中车辆速度，便于对包括目标区域以及预置区域的连续路段进行整体拥堵情况的判定，提高整体检测的精确性。
13.进一步地，所述预置区域包括连续的多个子区域；所述根据所述目标区域的车辆拥堵信息以及所述预置区域的车辆拥堵信息获取所述目标区域对应的连续路段内的车辆拥堵情况包括：获取所述目标区域作为第一待测区域，将所述第一待测区域标记为上游区域；判断所述预置区域在预设方向上是否存在与所述第一待测区域相邻的子区域，若是，则获取所述子区域作为第二待测区域，将所述第二待测区域标记为下游区域；根据所述上游区域的车辆拥堵信息以及所述下游区域的车辆拥堵信息判断所述上游区域的车辆拥堵情况，并获取所述下游区域作为第一待测区域，执行将所述第一待测区域标记为上游区域步骤；否则，根据所述预设条件判断所述第一待测区域的拥堵率是否超过所述预设阈值，得到所述目标区域以及每一个所述子区域的车辆拥堵情况；根据所述目标区域以及每一个所述子区域的车辆拥堵情况确定所述连续路段内的车辆拥堵等级以及车辆拥堵长度。
14.由上述描述可知，通过相邻监控区域之间的连续关系判断上游区域是否发生拥堵，能够有效地衡量连续路段内的交通情况，避免区域之间独立判断造成拥堵检测误报，提高检测的精确性。
15.进一步地，所述根据所述上游区域的车辆拥堵信息以及所述下游区域的车辆拥堵信息判断所述上游区域的车辆拥堵情况具体为：判断所述上游区域的车辆拥堵信息以及所述下游区域的车辆拥堵信息是否满足第一条件：；若满足所述第一条件，则判断所述上游区域的车辆拥堵信息以及所述下游区域的车辆拥堵信息是否满足第二条件：；若满足所述第二条件，则表示所述上游区域的车辆拥堵情况为发生拥堵；其中，r1为上游区域的拥堵率；r2为下游区域的拥堵率；v1为下游区域的车辆速度；v2为下游区域的车辆速度；n1为上游区域的车辆数；n2为下游区域的车辆数；l1为上游区域
的长度；l2为下游区域的长度；k1为预设的第一阈值；k2为预设的第二阈值。
16.由上述描述可知，通过改进后的加利福尼亚算法对各个邻近区域进行拥堵判断，从而衡量连续路段的拥堵情况，避免上游区域与下游区域之间独立判断造成拥堵情况的误报，提高监控区域整体检测的精确性。
17.进一步地，所述根据所述目标区域以及每一个所述子区域的车辆拥堵情况确定所述连续路段内的车辆拥堵等级以及车辆拥堵长度具体为：根据所述目标区域以及所述子区域中发生拥堵的区域数量确定所述连续路段内的车辆拥堵等级；根据所述子区域中发生拥堵的区域数量以及长度确定所述连续路段内的车辆拥堵长度。
18.由上述描述可知，通过目标区域和子区域发生拥堵的区域数量，将监控区域的车辆拥堵情况具象化为对应的拥堵等级以及长度，使得监控人员能够更为直观地得知当前监控区域的车辆拥堵问题。
19.进一步地，所述得到所述目标区域的车辆拥堵信息之后包括：获取所述目标区域的视频信息中最新一帧的第一图像信息；所述得到所述预置区域的车辆拥堵信息之后包括：获取所述预置区域的视频信息中最新一帧的第二图像信息；所述获取所述目标区域对应的连续路段内的车辆拥堵情况之后包括：根据所述第一图像信息以及第二图像信息生成所述目标区域对应的连续路段内的实时路况图。
20.由上述描述可知，在获取到对应的车辆拥堵情况后，同步生成连续路段内的实时路况图，以此方式让监控人员更为直观有效地获取当前监控区域的车辆拥堵状态。
21.进一步地，还包括：若所述目标区域的拥堵率未超过所述预设阈值，则返回执行获取目标区域的视频信息的步骤。
22.由上述描述可知，在目标区域未发生拥堵情况时，则表示监控整体区域均未发生拥堵问题，故无需对预置区域进行进一步检测，以此方式减少不必要的拥堵检测与识别，从而降低监控检测的能耗，降低检测运营成本。
23.进一步地，所述根据对应区域内的最大车辆数以及所述车辆数得到车辆占有率具体为：；其中，ng为对应区域内的车辆数；m为对应区域内的最大车辆数；所述根据对应区域的面积以及所述车辆面积总和得到面积占有率具体为：；其中，ag为对应区域内的车辆面积总和；a为对应区域的面积。
24.由上述描述可知，通过对应区域内的车辆数与最大车辆数之比，获取当前对应区域内的车辆占有率；同时通过对应区域的车辆面积总和与区域面积之比，获取对应区域内的面积占有率，其中，因为在深度学习算法中车辆的识别框反应的是车辆侧面面积，其会比
实际投影面积偏大，故需要将其车辆面积总和缩小为相应的比例。采用两种方式分别验证对应区域的拥堵率，提高拥堵检测的精确性。
25.进一步地，所述获取所述目标区域对应的预置区域的视频信息，通过深度学习算法分析所述预置区域的视频信息得到所述预置区域的车辆拥堵信息具体为：获取所述预置区域中预设帧数的视频信息，通过深度学习算法分析每一帧所述视频信息得到每一帧视频信息的车辆拥堵信息；根据所述每一帧视频信息的车辆拥堵信息计算所述预置区域的平均车辆拥堵信息作为所述预置区域的车辆拥堵信息。
26.由上述描述可知，由于预置区域内包含多个子区域，为了保证监控以及检测效率，故对于每个子区域所获取的视频信息需要限制时长，避免单一区域监控时间过长，而整体拥堵情况发生实时变化而无法精确估计的问题。
27.请参照图4，本发明另一实施例提供了一种车辆拥堵检测终端，包括存储器、处理器及存储在所述存储器上并在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述的一种车辆拥堵检测方法中的各个步骤。
28.本发明实施例提供了一种车辆拥堵检测方法以及终端，可应用于高速收费站等占地面积较大的交通路段，实现该路段的车辆拥堵检测，且避免单个区域计算拥堵率导致误报的问题，提高车辆拥堵检测的精确性，以下通过具体实施例来说明：请参照图1，本发明的实施例一为：一种车辆拥堵检测方法，包括：s1、获取目标区域的视频信息，通过深度学习算法分析所述目标区域的视频信息得到所述目标区域的车辆拥堵信息。其中，所述车辆拥堵信息包括拥堵率以及车辆速度。
29.需要说明的是，所述车辆速度为视频信息中全体车辆的平均像素速度。
30.s2、判断所述目标区域的拥堵率是否超过预设阈值，若是，则执行步骤s3；否则，返回执行步骤s1；s3、获取所述目标区域对应的预置区域的视频信息，通过深度学习算法分析所述预置区域的视频信息得到所述预置区域的车辆拥堵信息。
31.所述s3具体为：s31、获取所述预置区域中预设帧数的视频信息，通过深度学习算法分析每一帧所述视频信息得到每一帧视频信息的车辆拥堵信息。
32.s32、根据所述每一帧视频信息的车辆拥堵信息计算所述预置区域的平均车辆拥堵信息作为所述预置区域的车辆拥堵信息。
33.需要说明的是，所述目标区域为该方法所使用的视频采集装置在日常运行时的监控区域，即连续路段内未发生车辆拥堵情况时，视频采集装置仅监控目标区域；所述预置区域为预设方向上与所述目标区域相邻的路段，在目标区域发生车辆拥堵情况时，视频采集装置通过轮训监控的方式，监控目标区域对应的预置区域。
34.具体的，所述s1或所述s3包括：s601、通过yolov4模型分析对应区域的视频信息得到对应区域内的车辆数以及车辆面积总和；所述对应区域为目标区域或预置区域；s602、根据对应区域内的最大车辆数以及所述车辆数得到车辆占有率；
所述s602具体为：；其中，ng为对应区域内的车辆数；m为对应区域内的最大车辆数；s603、根据对应区域的面积以及所述车辆面积总和得到面积占有率；所述s603具体为：；其中，ag为对应区域内的车辆面积总和；a为对应区域的面积。
35.s604、获取所述车辆占有率以及所述面积占有率中的最小值，得到对应区域的拥堵率；s605、获取对应区域内已识别的车辆在预设时间段内的目标视频信息，根据所述目标视频信息得到对应区域的车辆速度；s606、根据所述拥堵率和所述车辆速度得到对应区域的车辆拥堵信息。
36.s4、根据所述目标区域的车辆拥堵信息以及所述预置区域的车辆拥堵信息获取所述目标区域对应的连续路段内的车辆拥堵情况。其中，所述预置区域包括连续的多个子区域。
37.具体的，所述s4包括：s41、获取所述目标区域作为第一待测区域，将所述第一待测区域标记为上游区域。
38.s42、判断所述预置区域在预设方向上是否存在与所述第一待测区域相邻的子区域，若是，则执行步骤s43；若否，则执行步骤s45。
39.s43、获取所述子区域作为第二待测区域，将所述第二待测区域标记为下游区域。
40.s44、根据所述上游区域的车辆拥堵信息以及所述下游区域的车辆拥堵信息判断所述上游区域的车辆拥堵情况，并获取所述下游区域作为第一待测区域，执行所述s41中将第一待测区域标记为上游区域的步骤。
41.所述s44中，根据所述上游区域的车辆拥堵信息以及所述下游区域的车辆拥堵信息判断所述上游区域的车辆拥堵情况具体为：s441、判断所述上游区域的车辆拥堵信息以及所述下游区域的车辆拥堵信息是否满足第一条件：；s442、若满足所述第一条件，则判断所述上游区域的车辆拥堵信息以及所述下游区域的车辆拥堵信息是否满足第二条件：
；若满足所述第二条件，则表示所述上游区域的车辆拥堵情况为发生拥堵；其中，r1为上游区域的拥堵率；r2为下游区域的拥堵率；v1为下游区域的车辆速度；v2为下游区域的车辆速度；n1为上游区域的车辆数；n2为下游区域的车辆数；l1为上游区域的长度；l2为下游区域的长度；k1为预设的第一阈值；k2为预设的第二阈值。
42.需要说明的是，所述k1以及k2是根据人为测算的经验值获取。此外，若上游区域的车辆拥堵信息以及下游区域的车辆拥堵信息不满足第二条件，则表示上游区域的车辆拥堵情况为未发生拥堵。
43.s45、判断所述第一待测区域的拥堵率是否超过所述预设阈值，得到所述目标区域以及每一个所述子区域的车辆拥堵情况。
44.需要说明的是，若第一待测区域的拥堵率超过预设阈值，则表示第一待测区域的车辆拥堵情况为发生拥堵；若第一待测区域的拥堵率未超过预设阈值，则表示第一待测区域的车辆拥堵情况为未发生拥堵。
45.s46、根据所述目标区域以及每一个所述子区域的车辆拥堵情况确定所述连续路段内的车辆拥堵等级以及车辆拥堵长度。
46.所述s46具体为：s461、根据所述目标区域以及所述子区域中发生拥堵的区域数量确定所述连续路段内的车辆拥堵等级。
47.在一些实施例中，以目标区域发生车辆拥堵作为最低车辆拥堵等级。
48.s462、根据所述子区域中发生拥堵的区域数量以及长度确定所述连续路段内的车辆拥堵长度。
49.在一些实施例中，所述目标区域以及所述子区域中标注有对应的距离线，用于示出每一区域之间的间隔长度，便于确定车辆拥堵长度。
50.具体的，所述s1之后包括：s101、获取所述目标区域的视频信息中最新一帧的第一图像信息。
51.所述s3之后包括：s201、获取所述预置区域的视频信息中最新一帧的第二图像信息。
52.所述s4之后包括：s401、根据所述第一图像信息以及第二图像信息生成所述目标区域对应的连续路段内的实时路况图。
53.请参照图1至图3，本发明的实施例二为：将实施例一所述的一种车辆拥堵检测方法应用于实际场景中；例如：在高速收费广场实现车辆拥堵检测，包括如下步骤：d1、将高速收费站的收费广场划分为看守位以及预置区域。
54.具体的，参照图2，所述收费站的预设方向包括进入高速方向和驶出高速方向。以
进入高速方向上最靠近收费站的区域标记为看守位1，即为目标区域1；以驶出高速方向上最靠近收费站的区域标记为看守位2，即为目标区域2。在进入高速方向上将看守位1所对应的连续路段划分为子区域1、子区域2以及子区域3；在驶出高速方向上将看守位2所对应的连续路段划分为子区域4、子区域5以及子区域6。同时，根据划分的区域设定每个区域的最大车辆数m以及面积a，即每个区域的最大车辆数m以及面积a均相同。最后，在每个区域的对应位置分别标注50m、100m、150m以及200m距离线。
55.d2、获取看守位1以及看守位2的视频信息，通过深度学习算法分别分析看守位1以及看守位2的视频信息得到看守位1以及看守位2的车辆拥堵信息。
56.具体的，d11、先获取看守位1的视频信息，采集目标区域的实时高清视频。
57.d12、通过yolov4模型分别分析看守位1的视频信息得到看守位1的车辆数n
g1
以及看守位1的车辆面积总和a
g1
。
58.d13、根据看守位1内的最大车辆数m以及车辆数n
g1
得到看守位1的车辆占有率r
n1
：。
59.d14、根据看守位1的面积a以及车辆面积总和a
g1
得到看守位1的面积占有率r
a1
：。
60.d15、获取车辆占有率r
n1
以及面积占有率r
a1
中的最小值，得到看守位1的拥堵率r
g1
：r
g1
=min（r
n1 ，ra1
）。
61.d16、获取看守位1内已识别的车辆在1分钟内的目标视频信息，即对已识别的车辆进行跟踪监控，根据所述目标视频信息得到看守位1的车辆速度为v
g1
。
62.d17、获取看守位1的视频信息中最新一帧的第一图像信息。
63.d18、切换视频采集装置的监控区域为看守位2，获取看守位2的视频信息，采集目标区域的实时高清视频。基于步骤d12-d17，同理，得到看守位2的车辆数n
g2
、看守位2的车辆面积总和a
g2
以及看守位2的拥堵率r
g2
：r
g2
=min（r
n2 ，ra2
）。
64.d3、判断看守位1以及看守位2的拥堵率是否超过预设阈值，若是，则表示对应区域可能存在拥堵情况，执行步骤d4；否则，返回执行步骤d2。
65.d4、获取看守位1的视频信息中最新一帧的第一图像信息，并保存第一图像信息。
66.d5、获取所述看守位1对应的预置区域（子区域1-6）的视频信息，通过深度学习算法分析预置区域（子区域1-6）的视频信息得到预置区域（子区域1-6）的车辆拥堵信息。
67.具体的，d51、切换视频采集装置的监控区域为子区域1，并放大到指定倍率，获取1帧实时高清视频信息，通过yolov4模型分析子区域1这1帧高清视频信息得到1帧高清视频信息的车辆数n以及车辆面积总和a。
68.d52、重复获取子区域1的125帧高清视频信息（视频时长约为5秒），并执行步骤d51，得到每1帧高清视频信息中的车辆数n以及车辆面积总和a。
69.d53、计算125帧高清视频信息的平均车辆数n
a1
以及平均车辆面积总和a
r1
，得到子区域1的车辆数n
a1
以及车辆面积总和a
r1
。
70.d54、基于步骤d13-d16，同理，得到子区域1的拥堵率r
a1
和平均车辆速度v
a1
。
71.d55、基于步骤d51-d53，同理，得到子区域2的车辆数n
a2
以及车辆面积总和a
r2
、子区域3的车辆数n
a3
以及车辆面积总和a
r3
、子区域4的车辆数n
a4
以及车辆面积总和a
r4
、子区域5的车辆数n
a5
以及车辆面积总和a
r5
、子区域6的车辆数n
a6
以及车辆面积总和a
r6
。
72.d56、基于步骤d13-d16，同理，得到子区域2的拥堵率r
a2
和平均车辆速度v
a2
、子区域3的拥堵率r
a3
和平均车辆速度v
a3
、子区域4的拥堵率r
a4
和平均车辆速度v
a4
、子区域5的拥堵率r
a5
和平均车辆速度v
a5
、子区域6的拥堵率r
a6
和平均车辆速度v
a6
。
73.需要说明的是，在每次切换视频采集装置的监控区域之前，获取当前监控区域的视频信息中最新一帧的第二图像信息，并保存第二图像信息；例如：在切换视频采集装置的监控区域为子区域2之前，获取子区域1的视频信息中最新一帧的第二图像信息。此外，无论看守位1还是看守位2发生车辆拥堵情况，子区域1-6都需要执行步骤d5，以便于后续生成实时路况图。
74.d6、根据看守位1和看守位1的车辆拥堵信息以及预置区域（子区域1-6）的车辆拥堵信息获取看守位1和看守位1对应的连续路段内的车辆拥堵情况。
75.具体的，d61、先获取看守位1作为第一待测区域，将所述第一待测区域标记为上游区域。
76.d62、判断子区域1-6中在进入高速方向上是否存在与所述第一待测区域（看守位1）相邻的子区域，若是，则执行步骤d63；若否，则执行步骤d65。
77.在本实施例中，参照图2可知，与看守位1相邻的子区域为子区域1；与看守位2相邻的子区域为子区域4；子区域3在进入高速方向上不存在相邻的子区域，子区域6在驶出高速方向上不存在相邻的子区域。
78.d63、获取子区域1作为第二待测区域，将第二待测区域（子区域1）标记为下游区域。
79.d64、根据上游区域（看守位1）的车辆拥堵信息以及下游区域（子区域1）的车辆拥堵信息判断上游区域（看守位1）的车辆拥堵情况。
80.具体的，d641、判断上游区域（看守位1）的车辆拥堵信息以及下游区域（子区域1）的车辆拥堵信息是否满足第一条件：；d642、若满足所述第一条件，则判断上游区域（看守位1）的车辆拥堵信息以及下游区域（子区域1）的车辆拥堵信息是否满足第二条件：；若满足所述第二条件，则表示上游区域（看守位1）的车辆拥堵情况为发生拥堵。
81.d65、获取下游区域（子区域1）作为第一待测区域，执行步骤d61中将第一待测区域
标记为上游区域以及步骤d62。
82.d66、判断所述第一待测区域（子区域3或子区域6）的拥堵率是否超过所述预设阈值，得到看守位1、看守位2以及子区域1-6的车辆拥堵情况。
83.d67、根据看守位1、看守位2以及子区域1-6的车辆拥堵情况确定所述连续路段内的车辆拥堵等级以及车辆拥堵长度。
84.具体的，车辆拥堵情况1：看守位1（看守位2）为发生拥堵，子区域1（子区域4）、子区域2（子区域5）、子区域3（子区域6）为未发生拥堵，则判定进入高速方向（驶出高速方向）的车辆拥堵等级为等级1，排队长度为50m。
85.车辆拥堵情况2：看守位1（看守位2）、子区域1（子区域4）为发生拥堵，子区域2（子区域5）、子区域3（子区域6）为未发生拥堵，则判定进入高速方向（驶出高速方向）的车辆拥堵等级为等级2，排队长度为100m。
86.车辆拥堵情况3：看守位1（看守位2）、子区域1（子区域4）、子区域2（子区域5）为发生拥堵，子区域3（子区域6）为未发生拥堵，则判定进入高速方向（驶出高速方向）的车辆拥堵等级为等级3，排队长度为150m。
87.车辆拥堵情况4：看守位1（看守位2）、子区域1（子区域4）、子区域2（子区域5）、子区域3（子区域6）为发生拥堵，则判定进入高速方向（驶出高速方向）的车辆拥堵等级为等级4，排队长度为200m。
88.参照图3，d7、将看守位1和看守位2的第一图像信息以及子区域1-6的第二图像信息合成一张整体的实时路况图，并将实时路况图、车辆拥堵等级以及车辆拥堵长度上报至检测信息管理中心。
89.请参照图4至图5，本发明的实施例三为：一种车辆拥堵检测终端，包括存储器201、处理器202及存储在所述存储器201上并在所述处理器202上运行的计算机程序，所述处理器202执行所述计算机程序时实现实施例一以及实施例二所述的一种车辆拥堵检测方法中的各个步骤。
90.在一些实施例中，参照图5，所述一种车辆拥堵检测终端，包括视频采集单元、深度学习分析单元以及数据处理单元；所述视频采集单元包括第一存储器2011、第一处理器2021及存储在所述第一存储器2011上并在所述第一处理器2021上运行的计算机程序，所述第一处理器2021执行所述计算机程序时实现如下步骤：获取目标区域的视频信息；获取所述目标区域对应的预置区域的视频信息。
91.所述深度分析单元包括第二存储器2012、第二处理器2022及存储在所述第二存储器2012上并在所述第二处理器2022上运行的计算机程序，所述第二处理器2022执行所述计算机程序时实现如下步骤：通过深度学习算法分析所述目标区域的视频信息得到所述目标区域的车辆拥堵信息；通过深度学习算法分析所述预置区域的视频信息得到所述预置区域的车辆拥堵信息。
92.所述数据处理单元包括第三存储器2013、第三处理器2023及存储在所述第三存储
器2013上并在所述第三处理器2023上运行的计算机程序，所述第三处理器2023执行所述计算机程序时实现如下步骤：根据所述目标区域的车辆拥堵信息以及所述预置区域的车辆拥堵信息获取所述目标区域对应的连续路段内的车辆拥堵情况。
93.综上所述，本发明提供的一种车辆拥堵检测方法以及终端，通过区分目标区域以及预置区域轮流获取对应的视频信息，使得视频监控区域能够更加集中，从而保证视频信息的清晰度，提高深度学习算法分析处理的效果。此外，在预置区域中通过划分多个子区域，使得视频监控范围能够覆盖整个收费站广场。并且通过yolov4模型分析对应区域的视频信息，得到对应区域的拥堵率以及车辆速度，在非拥堵情况时，只需要获取目标区域的视频信息，使得处理对象单一，从而保证检测算法的实时有效性，降低视频采集装置的功耗，降低成本；在目标区域发生拥堵情况后，再获取连续子区域的视频信息，从而对包括目标区域的连续路段的车辆拥堵情况进行汇总处理，以此方式来实时获取整体的拥堵情况和拥堵长度，避免单个区域计算拥堵率造成误报的问题。同时，通过拥堵等级、拥堵长度以及实时路况图三种不同的数据呈现方式，使得监控人员能够更为直观有效地获取当前监控区域的车辆拥堵情况，以便及时对车辆进行引流，降低车辆拥堵等级。
94.以上所述仅为本发明的实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等同变换，或直接或间接运用在相关的技术领域，均同理包括在本发明的专利保护范围内。

技术特征：
1.一种车辆拥堵检测方法，其特征在于，包括：获取目标区域的视频信息，通过深度学习算法分析所述目标区域的视频信息得到所述目标区域的车辆拥堵信息；所述车辆拥堵信息包括拥堵率以及车辆速度；判断所述目标区域的拥堵率是否超过预设阈值，若是，则获取所述目标区域对应的预置区域的视频信息，通过深度学习算法分析所述预置区域的视频信息得到所述预置区域的车辆拥堵信息；根据所述目标区域的车辆拥堵信息以及所述预置区域的车辆拥堵信息获取所述目标区域对应的连续路段内的车辆拥堵情况。2.根据权利要求1所述的一种车辆拥堵检测方法，其特征在于，所述通过深度学习算法分析所述目标区域的视频信息得到所述目标区域的车辆拥堵信息，或所述通过深度学习算法分析所述预置区域的视频信息得到所述预置区域的车辆拥堵信息包括：通过yolov4模型分析对应区域的视频信息得到对应区域内的车辆数以及车辆面积总和；所述对应区域为目标区域或预置区域；根据对应区域内的最大车辆数以及所述车辆数得到车辆占有率；根据对应区域的面积以及所述车辆面积总和得到面积占有率；获取所述车辆占有率以及所述面积占有率中的最小值，得到对应区域的拥堵率；获取对应区域内已识别的车辆在预设时间段内的目标视频信息，根据所述目标视频信息得到对应区域的车辆速度；根据所述拥堵率和所述车辆速度得到对应区域的车辆拥堵信息。3.根据权利要求1所述的一种车辆拥堵检测方法，其特征在于，所述预置区域包括连续的多个子区域；所述根据所述目标区域的车辆拥堵信息以及所述预置区域的车辆拥堵信息获取所述目标区域对应的连续路段内的车辆拥堵情况包括：获取所述目标区域作为第一待测区域，将所述第一待测区域标记为上游区域；判断所述预置区域在预设方向上是否存在与所述第一待测区域相邻的子区域，若是，则获取所述子区域作为第二待测区域，将所述第二待测区域标记为下游区域；根据所述上游区域的车辆拥堵信息以及所述下游区域的车辆拥堵信息判断所述上游区域的车辆拥堵情况，并获取所述下游区域作为第一待测区域，执行将所述第一待测区域标记为上游区域步骤；否则，判断所述第一待测区域的拥堵率是否超过所述预设阈值，得到所述目标区域以及每一个所述子区域的车辆拥堵情况；根据所述目标区域以及每一个所述子区域的车辆拥堵情况确定所述连续路段内的车辆拥堵等级以及车辆拥堵长度。4.根据权利要求3所述的一种车辆拥堵检测方法，其特征在于，所述根据所述上游区域的车辆拥堵信息以及所述下游区域的车辆拥堵信息判断所述上游区域的车辆拥堵情况具体为：判断所述上游区域的车辆拥堵信息以及所述下游区域的车辆拥堵信息是否满足第一条件：
；若满足所述第一条件，则判断所述上游区域的车辆拥堵信息以及所述下游区域的车辆拥堵信息是否满足第二条件：；若满足所述第二条件，则表示所述上游区域的车辆拥堵情况为发生拥堵；其中，r1为上游区域的拥堵率；r2为下游区域的拥堵率；v1为下游区域的车辆速度；v2为下游区域的车辆速度；n1为上游区域的车辆数；n2为下游区域的车辆数；l1为上游区域的长度；l2为下游区域的长度；k1为预设的第一阈值；k2为预设的第二阈值。5.根据权利要求3所述的一种车辆拥堵检测方法，其特征在于，所述根据所述目标区域以及每一个所述子区域的车辆拥堵情况确定所述连续路段内的车辆拥堵等级以及车辆拥堵长度具体为：根据所述目标区域以及所述子区域中发生拥堵的区域数量确定所述连续路段内的车辆拥堵等级；根据所述子区域中发生拥堵的区域数量以及长度确定所述连续路段内的车辆拥堵长度。6.根据权利要求1所述的一种车辆拥堵检测方法，其特征在于，所述得到所述目标区域的车辆拥堵信息之后包括：获取所述目标区域的视频信息中最新一帧的第一图像信息；所述得到所述预置区域的车辆拥堵信息之后包括：获取所述预置区域的视频信息中最新一帧的第二图像信息；所述获取所述目标区域对应的连续路段内的车辆拥堵情况之后包括：根据所述第一图像信息以及第二图像信息生成所述目标区域对应的连续路段内的实时路况图。7.根据权利要求1所述的一种车辆拥堵检测方法，其特征在于，还包括：若所述目标区域的拥堵率未超过所述预设阈值，则返回执行获取目标区域的视频信息的步骤。8.根据权利要求2所述的一种车辆拥堵检测方法，其特征在于，所述根据对应区域内的最大车辆数以及所述车辆数得到车辆占有率具体为：；其中，n
g
为对应区域内的车辆数；m为对应区域内的最大车辆数；所述根据对应区域的面积以及所述车辆面积总和得到面积占有率具体为：
；其中，a
g
为对应区域内的车辆面积总和；a为对应区域的面积。9.根据权利要求1所述的一种车辆拥堵检测方法，其特征在于，所述获取所述目标区域对应的预置区域的视频信息，通过深度学习算法分析所述预置区域的视频信息得到所述预置区域的车辆拥堵信息具体为：获取所述预置区域中预设帧数的视频信息，通过深度学习算法分析每一帧所述视频信息得到每一帧视频信息的车辆拥堵信息；根据所述每一帧视频信息的车辆拥堵信息计算所述预置区域的平均车辆拥堵信息作为所述预置区域的车辆拥堵信息。10.一种车辆拥堵检测终端，包括存储器、处理器及存储在所述存储器上并在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1-9中任意一项所述的一种车辆拥堵检测方法中的各个步骤。

技术总结
本发明提供的一种车辆拥堵检测方法以及终端，通过区分目标区域以及预置区域轮流获取对应的视频信息，使得视频监控区域能够更加集中，从而保证视频信息的清晰度，提高深度学习算法分析处理的效果。并且通过深度学习算法分析对应区域的视频信息，得到对应区域的拥堵率以及车辆速度，在非拥堵情况时，只需要获取目标区域的视频信息，使得处理对象单一，从而保证检测算法的实时有效性；在目标区域发生拥堵情况后，再获取预置区域的视频信息，从而对包括目标区域以及预置区域的连续路段的车辆拥堵情况进行汇总处理，以此方式来确保监控区域的整体拥堵状态，避免单个区域计算拥堵率造成误报的问题。误报的问题。误报的问题。


技术研发人员：吴荣琛 张宇 李文蒙
受保护的技术使用者：深圳金三立视频科技股份有限公司
技术研发日：2023.06.08
技术公布日：2023/7/12