交通拥堵检测方法、装置、电子设备及存储介质与流程

1.本公开涉及人工智能技术领域，具体而言，涉及一种基于人工智能的交通拥堵检测方法、交通拥堵检测装置、电子设备及存储介质。


背景技术：

2.在交通路口、停车场出入口等容易发生交通拥堵的场景，可通过智能化技术对目标场景进行交通拥堵检测，在发生拥堵时及时作出告警。
3.部分现有的交通拥堵检测方法中，仅靠单一的车辆数目进行判断，未引入速度和时间概念进行综合判断，导致判断的准确性不足；也有部分交通拥堵检测方法通过图像采集装置获取目标场景的图像信息，然后基于图像信息来判断是否发生交通拥堵，但在雨、雪、雾等干扰较大的场景下，采集的图像质量较差，进而影响检测效果；基于此，交通拥堵检测的准确性仍存在一定的提升空间。
4.需要说明的是，在上述背景技术部分公开的信息仅用于加强对本公开的背景的理解，因此可以包括不构成对本领域普通技术人员已知的现有技术的信息。


技术实现要素：

5.本公开的目的在于提供一种交通拥堵检测方法、交通拥堵检测装置及电子设备，进而至少在一定程度上提升交通拥堵检测的准确性。
6.根据本公开的第一方面，提供一种交通拥堵检测方法，所述方法包括：
7.获取目标场景的点云数据，其中，所述点云数据是通过毫米波雷达传感器得到的；
8.对所述点云数据进行聚类以得到初始点云簇；
9.根据簇内点云速度方差对所述初始点云簇进行噪声剔除以得到车辆点云簇；
10.根据所述车辆点云簇的点云簇数目及点云簇平均速度判断所述目标场景是否发生交通拥堵。
11.在本公开的一些示例性实施例中，基于以上技术方案，所述毫米波雷达传感器为77ghz毫米波雷达传感器。
12.在本公开的一些示例性实施例中，基于以上技术方案，所述获取目标场景的点云数据，包括：基于贝叶斯滤波对所述目标场景中的点云进行多目标跟踪处理，得到所述点云的位置估计值；对所述点云的位置估计值进行修正，得到所述点云数据。
13.在本公开的一些示例性实施例中，基于以上技术方案，所述基于贝叶斯滤波对所述目标场景中的点云进行多目标跟踪处理，得到所述点云的位置估计值，包括：根据所述点云建立多目标状态模型和多目标观测模型；通过多目标状态转移密度函数得到所述多目标状态模型中的目标状态的运动过程；通过传感器感测似然函数得到所述多目标观测模型中观测目标产生随机集的概率；基于贝叶斯滤波处理得到点云的位置估计值。
14.在本公开的一些示例性实施例中，基于以上技术方案，所述对所述点云的位置估计值进行修正，包括：确定所述点云的位置估计值与该所述点云在前一时刻的位置估计值
在对应维度的维度距离；当所述维度距离大于距离阈值时，将所述点云的位置估计值中对应的维度坐标乘以修正系数，其中，所述修正系数为不大于1的正实数。
15.在本公开的一些示例性实施例中，基于以上技术方案，所述对所述点云数据进行聚类以得到初始点云簇，包括：基于多个簇间距离阈值对所述点云数据进行层次聚类，得到多种聚类结果；在所述多种聚类结果中确定所述初始点云簇。
16.在本公开的一些示例性实施例中，基于以上技术方案，所述基于多个簇间距离阈值对所述点云数据进行层次聚类，得到多种聚类结果，包括：将所述点云数据中距离最小且所述距离不大于所述簇间距离阈值的两个点云合并为一个聚类簇；重复合并两个不同的距离最小且所述距离不大于所述簇间距离阈值的所述聚类簇并计算不同所述聚类簇的簇间距离；当所述簇间距离大于所述簇间距离阈值时，完成一次的所述层次聚类；调整所述簇间距离阈值并重复进行所述层次聚类，得到所述多种聚类结果。
17.在本公开的一些示例性实施例中，基于以上技术方案，所述在所述多种聚类结果中确定所述初始点云簇，包括：计算所述多种聚类结果的紧密度；将所述多种聚类结果中所述紧密度最大的聚类结果作为所述初始点云簇。
18.在本公开的一些示例性实施例中，基于以上技术方案，所述根据簇内点云速度方差对所述初始点云簇进行噪声剔除以得到车辆点云簇，包括：计算所述初始点云簇的簇内点云速度方差；将所述初始点云簇中所述簇内点云速度方差不小于方差阈值的点云簇剔除，得到所述车辆点云簇。
19.在本公开的一些示例性实施例中，存在位于第一时刻之后的第二时刻，基于以上技术方案，所述根据所述车辆点云簇的点云簇数目及点云簇平均速度判断所述目标场景是否发生交通拥堵，包括：获取所述车辆点云簇的点云簇数目及点云簇平均速度；当所述第一时刻的所述点云簇数目不大于数目阈值时，判定当前所述目标场景未发生交通拥堵；当所述第一时刻的所述点云簇数目大于所述数目阈值，且所述第二时刻的所述点云簇数目小于所述数目阈值时，判定当前所述目标场景未发生交通拥堵；当第一时刻的所述点云簇数目大于所述数目阈值，且第二时刻的所述点云簇数目不小于所述数目阈值时，若所述第一时刻至所述第二时刻的所述内点云簇平均速度大于速度阈值，则判定当前所述目标场景发生拥堵，若所述第一时刻至所述第二时刻的所述点云簇平均速度不大于所述速度阈值，则判定当前所述目标场景未发生拥堵。
20.根据本公开的第二方面，提供一种交通拥堵检测装置，所述装置包括：
21.数据获取模块，获取目标场景的点云数据，其中，所述点云数据是通过毫米波雷达传感器得到的；
22.聚类处理模块，对所述点云数据进行聚类以得到初始点云簇；
23.噪声剔除模块，根据簇内点云速度方差对所述初始点云簇进行噪声剔除以得到车辆点云簇；
24.拥堵判断模块，根据所述车辆点云簇的点云簇数目及点云簇平均速度判断所述目标场景是否发生交通拥堵。
25.根据本公开的第三方面，提供一种电子设备，包括：处理器；以及存储器，用于存储所述处理器的可执行指令；其中，所述处理器配置为经由执行所述可执行指令来执行上述任意一项所述的方法。
26.根据本公开的第四方面，提供一种一种计算机可读介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述任意一项所述的方法。
27.本公开示例性实施例可以具有以下部分或全部有益效果：
28.在公开示例性实施例所提供的交通拥堵检测方法中，可以通过毫米波雷达传感器获取目标场景的点云数据，然后对点云数据进行聚类得到初始点云簇，并根据簇内点云速度方差对初始点云簇进行噪声剔除得到车辆点云簇，最后，根据车辆点云簇的点云簇数目及点云簇平均速度自动地判断目标场景是否发生交通拥堵。一方面，通过毫米波雷达传感器获取目标场景的点云数据，可以避免雨、雪、雾等干扰对检测结果造成影响，进而可以得到准确的目标场景信息；另一方面，根据簇内点云速度方差对初始点云簇进行噪声剔除得到车辆点云簇，不仅可以去除行人等干扰目标，而且基于簇内点云速度方差可以保证噪声剔除的准确性；再一方面，结合了点云簇数目及点云簇平均速度两个方面的信息来判断目标场景是否发生交通拥堵，使得判断更加准确；从而，达到提升交通拥堵检测准确性的效果。
29.应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本公开。
附图说明
30.此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本公开的实施例，并与说明书一起用于解释本公开的原理。显而易见地，下面描述中的附图仅仅是本公开的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
31.图1示出了可以应用本公开实施例的一种交通拥堵检测方法及装置的示例性系统架构的示意图；
32.图2示意性示出了根据本公开的一个实施例的交通拥堵检测方法的流程图；
33.图3示意性示出了根据本公开的一个实施例的获取目标场景的点云数据的流程图；
34.图4示意性示出了根据本公开的一个实施例的对点云的位置估计值进行修正的流程图；
35.图5示意性示出了根据本公开的一个实施例的获取目标场景的点云数据的过程图；
36.图6示意性示出了根据本公开的一个实施例的得到初始点云簇的流程图；
37.图7示意性示出了根据本公开的一个实施例的得到多种聚类结果的流程图；
38.图8示意性示出了根据本公开的一个实施例的在多种聚类结果中确定初始点云簇的流程图；
39.图9示意性示出了根据本公开的一个实施例的在得到初始点云簇的过程图；
40.图10示意性示出了根据本公开的一个实施例的得到车辆点云簇的流程图；
41.图11示意性示出了根据本公开的一个实施例的判定目标场景是否发生交通拥堵的流程图；
42.图12示意性示出了根据本公开的一个实施例的交通拥堵检测装置的框图；
43.图13示意性示出了适于用来实现本公开实施例的电子设备的计算机系统的结构示意图。
具体实施方式
44.现在将参考附图更全面地描述示例实施方式。然而，示例实施方式能够以多种形式实施，且不应被理解为限于在此阐述的范例；相反，提供这些实施方式使得本公开将更加全面和完整，并将示例实施方式的构思全面地传达给本领域的技术人员。所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施方式中。在下面的描述中，提供许多具体细节从而给出对本公开的实施方式的充分理解。然而，本领域技术人员将意识到，可以实践本公开的技术方案而省略所述特定细节中的一个或更多，或者可以采用其他的方法、组元、装置、步骤等。在其他情况下，不详细示出或描述公知技术方案以避免喧宾夺主而使得本公开的各方面变得模糊。
45.此外，附图仅为本公开的示意性图解，并非一定是按比例绘制。图中相同的附图标记表示相同或类似的部分，因而将省略对它们的重复描述。附图中所示的一些方框图是功能实体，不一定必须与物理或逻辑上独立的实体相对应。可以采用软件形式来实现这些功能实体，或在一个或多个硬件模块或集成电路中实现这些功能实体，或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。
46.图1示出了可以应用本公开实施例的一种交通拥堵检测及装置的示例性应用环境的系统架构的示意图。
47.如图1所示，系统架构100可以包括毫米波雷达传感器101、102中的一个或多个，网络103和设备104。毫米波雷达传感器101、102设置于交通路口区域，其可以设置于道路两侧，也可设置于道路上方，其探测区域需覆盖交通路口。网络103用以在毫米波雷达传感器101、102和设备104之间提供通信链路的介质。网络103可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等。设备104具有数据处理功能，包括但不限于台式计算机、便携式计算机等。应该理解，图1中的毫米波雷达传感器、网络和设备的数目仅仅是示意性的。根据实现需要，可以具有任意数目的毫米波雷达传感器、网络和设备。比如设备104可以是多个设备组成的设备集群等。
48.举例而言，在一种示例性实施例中，可以是毫米波雷达传感器101、102获取到目标场景的点云数据后，将点云数据通过网络103发送至设备104；设备104对点云数据进行聚类得到初始点云簇，并根据簇内点云速度方差对初始点云簇进行噪声剔除得到车辆点云簇，最后，根据车辆点云簇的点云簇数目及点云簇平均速度自动地判断目标场景是否发生交通拥堵。但本领域技术人员容易理解的是，上述应用场景仅是用于举例，本示例性实施例中并不以此为限。
49.以下对本公开示例性实施例的技术方案进行详细阐述：
50.本示例性实施例提供了一种交通拥堵检测方法，参考图2所示，该交通拥堵检测方法可以包括以下步骤：
51.步骤s210，获取目标场景的点云数据，其中，所述点云数据是通过毫米波雷达传感器得到的；
52.步骤s220，对所述点云数据进行聚类以得到初始点云簇；
53.步骤s230，根据簇内点云速度方差对所述初始点云簇进行噪声剔除以得到车辆点云簇；
54.步骤s240，根据所述车辆点云簇的点云簇数目及点云簇平均速度判断所述目标场景是否发生交通拥堵。
55.在本示例性实施例所提供的交通拥堵检测方法中，一方面，通过毫米波雷达传感器获取目标场景的点云数据，可以避免雨、雪、雾等干扰对检测结果造成影响，而且可以得到准确的目标场景信息；另一方面，根据簇内点云速度方差对初始点云簇进行噪声剔除得到车辆点云簇，不仅可以去除行人等干扰目标，而且基于簇内点云速度方差可以保证噪声剔除的准确性；再一方面，结合了点云簇数目及点云簇平均速度两个方面的信息来判断目标场景是否发生交通拥堵，使得判断更加准确；从而，达到提升交通拥堵检测准确性的效果。
56.下面，在另一示例性实施例中，对上述步骤进行更加详细的说明。
57.在步骤s210中，获取目标场景的点云数据，其中，所述点云数据是通过毫米波雷达传感器得到的。
58.其中，点云数据是指在一个三维坐标系统中的一组向量的集合，其除了表示一个点的位置信息外，还可以表示一个点的颜色、灰度值、深度等信息。本示例性实施例中，点云数据可以包含目标点的位置信息，也可以包含目标点的入射角信息，当然，还可以包含目标点的时间信息等其他类型的信息。
59.具体的，毫米波雷达传感器是指工作在毫米波波段探测的雷达传感器，其工作频域一般为30-300ghz。同激光雷达传感器、摄像机这些类型的目标场景信息获取装置相比，毫米波雷达传感器的性能优势主要体现在其穿透雨、雾、烟、雪的能力较强，不易受到气候条件的影响，抗干扰能力较强；另外，毫米波雷达传感器全天候工作性能良好，可保证长期稳定的工作运行；还有，毫米波雷达传感器的尺寸较小且功耗较低，成本不高。目前毫米波雷达传感器多用于对车辆自动驾驶过程中的辅助判断，尚未用于对目标场景的交通拥堵检测。本示例性实施例中，可以利用毫米波雷达传感器获取目标场景中车辆的点云数据，基于车辆的点云数据判断目标场景是否发生拥堵；其中，毫米波雷达传感器可以是24ghz毫米波雷达传感器，也可以是77ghz毫米波雷达传感器，本示例性实施例并不以此为限。
60.本示例性实施例中，目标场景可以是道路的交通路口，也可以是停车场出入口，还可以是学校、医院、商场等公共场所出入口容易发生交通拥堵的场景。
61.毫米波雷达传感器采集到的数据因为遮挡、环境问题等原因往往会存在一定的误差，影响检测的准确性，因此可对点云进行多目标跟踪处理以提升点云数据的准确性。而在对点云进行多目标跟踪处理过程中，在车辆增多、车辆行进路线复杂，或者车辆数目随时间改变等场景中，部分以数据关联为基础的多目标跟踪方法可能出现“组合爆炸”、航迹聚集等问题，导致算法性能下降、出现航迹合并、漏跟踪、误跟踪等现象。基于此，在一种示例性实施例中，提出了一种改进的随机集多目标跟踪方法，即对目标场景中的点云进行多目标跟踪，并对点云的位置估计值进行修正，以获取准确的点云数据。参考图3所示，可以通过下述步骤s310至步骤s320获取目标场景的点云数据。其中：
62.在步骤s310中，基于贝叶斯滤波对所述目标场景中的点云进行多目标跟踪处理，得到所述点云的位置估计值。
63.其中，贝叶斯滤波是通过假设系统的状态和观测都服从一定的概率分布，从而利用贝叶斯法则求解最优估计的问题的算法。多目标跟踪是指在不确定目标数量及状态的条件下，对场景中的多个目标进行检测并跟踪其轨迹。下面，结合具体的过程对如何得到点云的状态估计值进行详细说明：
64.由于目标场景中点云的随机性，可将点云看作随机有限集合，然后构建多目标状态集合与多目标观测集合，其中，多目标状态集合的元素数量为实际目标数量即实际的点云数量，多目标观测集合的元素数量为毫米波雷达传感器观测到的目标数量。然后，基于多目标状态集合与多目标观测集合构建多目标状态模型与多目标观测模型，多目标状态模型如(1)式所示，多目标观测模型如(2)式所示：
[0065][0066][0067]
其中，xk表示k时刻的多目标状态集合，zk表示k时刻的观测随机集，es表示状态空间，eo表示观测空间，nk表示k时刻的实际目标数量，mk表示k时刻的观测目标数量。
[0068]
另外，通过多目标状态转移密度函数表达目标状态的运动过程，通过传感器观测似然函数表达观测目标产生随机集的概率，多目标状态转移密度函数如(3)式所示：
[0069][0070]
其中，为多目标状态有限集ωk的概率律用信任质量函数，表示k-1时刻多目标状态为x
k-1
条件下，k时刻在观测区域q中发现所有目标的全局概率。
[0071]
传感器观测似然函数如(4)式所示：
[0072][0073]
其中，表示为在k时刻多目标状态xk条件下，传感器一次扫描所有观测集φk出现在给定区域p内的全局概率。
[0074]
最后，基于多目标贝叶斯滤波处理目标的预测过程与更新过程，从而得到跟踪目标的状态估计值即点云的位置估计值，多目标贝叶斯滤波的预测过程如(5)式所示，多目标贝叶斯滤波的更新过程如(6)式所示：
[0075]
p
k|k-1
(xk|z
1:k-1
)＝∫f
k|k-1
(xk|x
k-1
)p
k-1
(xk|z
1:k-1
)μ(dx
k-1
)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(5)
[0076][0077]
基于贝叶斯滤波对目标场景中的点云进行多目标跟踪处理，可以有效降低噪声，并得到点云的位置估计值。
[0078]
在步骤s320中，对所述点云的位置估计值进行修正，得到所述点云数据。具体的，点云的状态估计值由于遮挡等原因往往会存在一定的偏差，因此，可对点云的状态估计值进行修正，以提升获取到的点云数据的准确性。参考图4所示，在一种示例性实施例中，可以通过下述步骤s410至s420对点云的状态估计值进行修正。其中：
[0079]
在步骤s410中，确定所述点云的位置估计值与该所述点云在前一时刻的位置估计值在对应维度的维度距离。举例而言，点云位置估计值以三维坐标(x，y，z)的形式表示，当点云的位置估计值为(24，15，16)，该点云在前一时刻的位置为(23.99，10，15.97)时，则该点云的位置估计值与其在前一时刻的位置估计值在x、y、z维度的维度距离分别为0.01、5、0.03。
[0080]
在步骤s420中，当所述维度距离大于距离阈值时，将所述点云的位置估计值中对应的维度坐标乘以修正系数，其中，所述修正系数为不大于1的正实数。其中，距离阈值和修正系数为预设的参数，其可以根据检测精度设定。维度距离大于距离阈值，表示点云的位置估计值在该维度的坐标值存在一定的偏差，通过乘以修正系数的方式来减小偏差，从而提高点云数据的准确性。举例而言，当距离阈值为0.04米，修正系数为0.8时，参考上述点云的位置估计值为(24，15，16)，该点云在前一时刻的位置为(23.99，10，15.97)，则该点云的位置估计值与其在前一时刻的位置估计值在y维度的维度距离超过维度阈值，则将该点云的位置估计值在y维度的坐标值15乘以0.8，该点云的位置估计值变为(24，12，16)。
[0081]
在一种示例性实施例中，参考图5所示，可基于上述改进的随机集多目标跟踪方法获取目标场景的点云数据。具体的，基于贝叶斯滤波对点云进行多目标跟踪，并得到点云的位置估计值，然后根据修正系数k及维度阈值s，对点云的位置估计值进行更新。
[0082]
在步骤s220中，对所述点云数据进行聚类以得到初始点云簇。
[0083]
其中，聚类(clustering)表示按照某个特定标准把数据集分割成不同的簇，使得同一个簇内的数据对象的相似性尽可能大，同时不在同一个簇中的数据对象的差异性也尽可能大。在得到点云数据后，还需要计算目标的数量进而判断目标场景的拥堵程度，而单个点云无法反映真实的目标数量，因此需要对点云数据进行聚类。在一些聚类方法中，需要指定聚类数目，或者指定点云之间的距离从而进行密度聚类，其无法针对聚类的结果进行动态的调整，得到的聚类结果往往依赖于预设参数，进而可能得到不准确的聚类结果和聚类数目。基于此，在一种示例性实施例中，提出了一种改进的自适应层次聚类方法，该方法可通过调整簇间距离得到多种聚类结果，并在多种聚类结果中确定出聚类效果最好的聚类结果。参考图6所示，可通过下述步骤s610至步骤s620对所述点云数据进行聚类以得到初始点云簇。其中：
[0084]
在步骤s610中，基于多个簇间距离阈值对所述点云数据进行层次聚类，得到多种聚类结果。
[0085]
其中，簇间距离是指两个不同簇的中心点的距离。层次聚类是指在不同层次对数据集进行划分，从而形成树形的聚类结构，其将数据集划分为多层的聚类，后面一层生成的聚类基于前面一层的聚类结果。本示例性实施例中，层次聚类可以是自顶向下的层次聚类方法，也可以是自底向上的层次聚类方法，当然，也可以是其他类型的层次聚类方法，本示例性实施例并不以此为限。在一种示例性实施例中，参考图7所示，可通过下述步骤s710至步骤s740对点云数据进行层次聚类，得到多种聚类结果。其中：
[0086]
在步骤s710中，将所述点云数据中距离最小且所述距离不大于所述簇间距离阈值的两个点云合并为一个聚类簇。其中，簇间距离阈值为预设的参数，其为正实数，可根据检测精度调整。例如，可设置簇间距离阈值为0.15米，在点云数据中找出距离最小的两个点云，若其距离小于0.15米，则将这两个点云合并为一个聚类簇。
[0087]
在步骤s720中，重复合并两个不同的距离最小且所述距离不大于所述簇间距离阈值的所述聚类簇并计算不同所述聚类簇的簇间距离。结合步骤s710中的聚类簇及其他点云，将距离最小的两个点云或点云簇合并为一个新的聚类簇，然后通过簇间距离由小变大的过程不断聚类不同的聚类簇及点云，并计算不同的聚类簇的簇间距离。
[0088]
在步骤s730中，当所述簇间距离大于所述簇间距离阈值时，完成一次的所述层次聚类。当不同聚类簇的簇间距离中有一个大于簇间距离阈值时，完成本次的层次聚类并得到本次的聚类结果。
[0089]
在步骤s740中，调整所述簇间距离阈值并重复进行所述层次聚类，得到所述多种聚类结果。举例而言，当预设的簇间距离阈值为0.15时，调整簇间距离阈值可以是将0.15进行增加或减小0.01操作，并更新簇间距离阈值，在进行下一次的层次聚类时簇间距离阈值需与上一次的簇间距离阈值间隔0.01，且每次层次聚类的簇间距离阈值不同并在预设范围内；当预设范围为0.1至0.2时，不同的簇间距离阈值可以为0.1、0.11、0.12、0.13、0.14、0.15、0.16、0.17、0.18、0.19、0.2中的一个。调整簇间距离阈值并重复进行上述层次聚类的过程，得到多种聚类结果。
[0090]
在步骤s620中，在所述多种聚类结果中确定所述初始点云簇。不同的聚类结果所对应的聚类效果也不同，因此可以将聚类效果最好的聚类结果作为初始点云簇。在一种示例性实施例中，参考图8所示，可以通过下述步骤s810至步骤s820在多种聚类结果中确定初始点云簇。其中：
[0091]
在步骤s810中，计算所述多种聚类结果的紧密度。
[0092]
其中，紧密度表示不同聚类结果的聚类簇的紧密程度，紧密度越大，表明聚类效果越好。可通过下述(7)式来计算不同聚类结果的紧密度：
[0093][0094]
其中，ch(k)表示紧密度，k表示聚类簇数，n表示样本点即点云的数量，trb(k)表示簇间离差矩阵的迹，trw(k)表示簇内离差矩阵的迹。
[0095]
在步骤s820中，将所述多种聚类结果中所述紧密度最大的聚类结果作为所述初始点云簇。其中，紧密度越大表示聚类效果越好，因此将紧密度最大的聚类结果作为初始点云簇。
[0096]
此外，在本公开的其他示例性实施例中，也可以通过其他方法在多种聚类结果中确定初始点云簇；例如，可以是将多种聚类结果中轮廓系数(silhouette coefficient)系数最大的聚类结果作为初始点云簇；也可以是将多种聚类结果中戴维森堡丁指数(davies bouldin score，dbi)最小的聚类结果作为初始点云簇；还可以是将多种聚类结果中间隔性(separation)最大的聚类结果作为初始点云簇；当然，还可以是将多种聚类结果中邓恩指数(dunn validity index)最大的聚类结果作为初始点云簇等；这些均同样属于本公开的保护范围。
[0097]
在一种示例性实施例中，参考图9所示，可基于上述改进的自适应层次聚类方法得到初始点云簇。具体的，输入点云数据并设置簇间距离阈值t，然后对点云数据进行层次聚类，当簇间距离大于簇间距离阈值时停止聚类并输出本次聚类的聚类结果，然后对本次聚类结果的紧密度进行计算，最后迭代不同的簇间距离阈值t，重复上述过程，并将紧密度最
小的聚类结果作为初始点云簇。
[0098]
在步骤s230中，根据簇内点云速度方差对所述初始点云簇进行噪声去除以得到车辆点云簇。
[0099]
其中，簇内点云速度方差表示点云簇中所有点云的速度的方差，利用簇内点云速度方差的不同，对初始点云簇中进行噪声剔除，得到车辆点云簇。在一种示例性实施例中，参考图10所示，可以通过步骤s1010至步骤s1020得到车辆点云簇。其中：
[0100]
在步骤s1010中，计算所述初始点云簇的簇内点云速度方差。具体的，基于点云数据可以得到不同点云在目标场景中不同时刻的位置信息，并根据位置信息可以计算出不同点云的点云速度，然后根据不同点云的点云速度可以得到一个点云簇的簇内点云速度方差。其中，簇内点云速度方差可以反映出该点云簇中点云的运动速度的离散程度。
[0101]
在步骤s1020中，将所述初始点云簇中所述簇内点云速度方差不小于方差阈值的点云簇剔除，得到所述车辆点云簇。
[0102]
具体的，行人及动物运动过程中由于身体不同部位的摆动，造成行人及动物所对应的点云簇中不同点云速度的偏差较大及离散程度较大，所对应的簇内点云速度方差也就较大；而车辆运动过程中车辆表面不同部位的运动速度基本一致，因此，车辆所对应的点云簇中不同点云的速度也基本一致，所对应的簇内点云速度方差较小。基于此，可以设置预设参数方差阈值，例如，可设置方差阈值为1，当簇内点云速度方差超过1时，表示该点云簇对应的目标为行人或动物，则将该点云簇剔除，最终剩余的点云簇作为车辆点云簇。
[0103]
在步骤s240中，根据所述车辆点云簇的点云簇数目及点云簇平均速度判断所述目标场景是否发生交通拥堵。
[0104]
本示例性实施例中，车辆点云簇的点云簇数目表示目标场景中车辆的数目，点云簇平均速度表示目标场景中车辆的平均速度；其中，点云簇平均速度可以由不同车辆点云簇的点云簇速度的均值来表示；而点云簇速度可以由点云簇中心点的点云速度来表示，也可以由点云簇中不同点云的点云速度的均值来表示。
[0105]
具体的，在发生交通拥堵时，目标场景中的车辆数目相对较多，车辆的平均速度也相对较小，则其对应的车辆点云簇的点云簇数目也就较多，点云簇平均速度也就较小，因此，可以根据车辆点云簇的点云簇数目及点云簇平均速度判断目标场景是否发生交通拥堵。在一种示例性实施例中，具有位于第一时刻之后的第二时刻，参考图11所示，可以通过步骤s1110至步骤s1140判断目标场景是否发生交通拥堵。其中：
[0106]
在步骤s1110中，获取所述车辆点云簇的点云簇数目及点云簇平均速度。其中，点云簇数目可以反映出目标场景中的车辆数目，点云簇平均速度可以反映出目标场景中车辆的平均速度。
[0107]
在步骤s1120中，当所述第一时刻的所述点云簇数目不大于数目阈值时，判定当前所述目标场景未发生交通拥堵。其中，数目阈值为预设的参数，例如，可设置数目阈值为5，若第一时刻的点云簇数目为4，则判定当前目标场景未发生交通拥堵。
[0108]
在步骤s1130中，当所述第一时刻的所述点云簇数目大于所述数目阈值，且所述第二时刻的所述点云簇数目小于所述数目阈值时，判定当前所述目标场景未发生交通拥堵。其中，第二时刻位于第一时刻之后，第二时刻与第一时刻的间隔不超过10秒。
[0109]
在步骤s1140中，当第一时刻的所述点云簇数目大于所述数目阈值，且第二时刻的
所述点云簇数目不小于所述数目阈值时，若所述第一时刻至所述第二时刻的所述内点云簇平均速度大于速度阈值，则判定当前所述目标场景发生拥堵，若所述第一时刻至所述第二时刻的所述点云簇平均速度不大于所述速度阈值，则判定当前所述目标场景未发生拥堵。其中，速度阈值为预设的参数，例如，速度阈值可设置为5m/s。
[0110]
应当注意，尽管在附图中以特定顺序描述了本公开中方法的各个步骤，但是，这并非要求或者暗示必须按照该特定顺序来执行这些步骤，或是必须执行全部所示的步骤才能实现期望的结果。附加的或备选的，可以省略某些步骤，将多个步骤合并为一个步骤执行，以及/或者将一个步骤分解为多个步骤执行等。
[0111]
进一步的，在一种示例性实施例中，还提供了一种交通拥堵检测装置。该参考图12所示，该交通拥堵检测装置1200可以包括数据获取模块1210、聚类处理模块1220、噪声剔除模块1230以及拥堵判断模块1240。其中：
[0112]
数据获取模块1210可以用于获取目标场景的点云数据，其中，所述点云数据是通过毫米波雷达传感器得到的；
[0113]
聚类处理模块1220可以用于对所述点云数据进行聚类以得到初始点云簇；
[0114]
噪声剔除模块1230可以用于根据簇内点云速度方差对所述初始点云簇进行噪声剔除以得到车辆点云簇；
[0115]
拥堵判断模块1240可以用于根据所述车辆点云簇的点云簇数目及点云簇平均速度判断所述目标场景是否发生交通拥堵。
[0116]
上述交通拥堵检测装置中各模块的具体细节已经在对应的交通拥堵检测方法中进行了详细的描述，因此此处不再赘述。
[0117]
作为另一方面，本公开还提供了一种电子设备，图13示出了适于用来实现本公开实施例的电子设备的计算机系统的结构示意图。
[0118]
需要说明的是，图13示出的电子设备的计算机系统1300仅是一个示例，不应对本公开实施例的功能和适用范围带来任何限制。
[0119]
如图13所示，计算机系统1300包括中央处理单元(cpu)1301，其可以根据存储在只读存储器(rom)1302中的程序或者从存储部分1308加载到随机访问存储器(ram)1303中的程序而执行各种适当的动作和处理。在ram 1303中，还存储有系统操作所需的各种程序和数据。cpu1301、rom 1302以及ram 1303通过总线1304彼此相连。输入/输出(i/o)接口1305也连接至总线1304。
[0120]
以下部件连接至i/o接口1305：包括键盘、鼠标等的输入部分1306；包括诸如阴极射线管(crt)、液晶显示器(lcd)等以及扬声器等的输出部分1307；包括硬盘等的存储部分1308；以及包括诸如lan卡、调制解调器等的网络接口卡的通信部分1309。通信部分1309经由诸如因特网的网络执行通信处理。驱动器1310也根据需要连接至i/o接口1305。可拆卸介质1311，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器1310上，以便于从其上读出的计算机程序根据需要被安装入存储部分1308。
[0121]
特别地，根据本公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信部分1309从网络上被下载和安装，和/或从可拆卸介质
1311被安装。在该计算机程序被中央处理单元(cpu)1301执行时，执行本公开的方法和装置中限定的各种功能。在一些实施例中，计算机系统1300还可以包括数据处理器，该数据处理器用于处理有关交通拥堵检测的计算操作。
[0122]
作为另一方面，本公开还提供了一种计算机可读介质，该计算机可读介质可以是上述实施例中描述的电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被一个该电子设备执行时，使得该电子设备实现如下述实施例中所述的方法。例如，所述的电子设备可以实现如图2—图11所示的各个步骤等。
[0123]
需要说明的是，本公开所示的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(ram)、只读存储器(rom)、可擦式可编程只读存储器(eprom或闪存)、光纤、便携式紧凑磁盘只读存储器(cd-rom)、光存储器件、磁存储器件，或者上述的任意合适的组合。在本公开中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本公开中，计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：无线、电线、光缆、rf等等，或者上述的任意合适的组合。
[0124]
附图中的流程图和框图，图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，上述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图或流程图中的每个方框、以及框图或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
[0125]
应当理解的是，本公开并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本公开的范围仅由所附的权利要求来限制。

技术特征：
1.一种交通拥堵检测方法，其特征在于，包括：获取目标场景的点云数据，其中，所述点云数据是通过毫米波雷达传感器得到的；对所述点云数据进行聚类以得到初始点云簇；根据簇内点云速度方差对所述初始点云簇进行噪声剔除以得到车辆点云簇；根据所述车辆点云簇的点云簇数目及点云簇平均速度判断所述目标场景是否发生交通拥堵。2.根据权利要求1所述的方法，其特征在于，所述获取目标场景的点云数据包括：基于贝叶斯滤波对所述目标场景中的点云进行多目标跟踪处理，得到所述点云的位置估计值；对所述点云的位置估计值进行修正，得到所述点云数据。3.根据权利要求2所述的方法，其特征在于，所述对所述点云的位置估计值进行修正，包括：确定所述点云的位置估计值与该所述点云在前一时刻的位置估计值在对应维度的维度距离；当所述维度距离大于距离阈值时，将所述点云的位置估计值中对应的维度坐标乘以修正系数，其中，所述修正系数为不大于1的正实数。4.根据权利要求1所述的方法，其特征在于，所述对所述点云数据进行聚类以得到初始点云簇，包括：基于多个簇间距离阈值对所述点云数据进行层次聚类，得到多种聚类结果；在所述多种聚类结果中确定所述初始点云簇。5.根据权利要求4所述的方法，其特征在于，所述基于多个簇间距离阈值对所述点云数据进行层次聚类，得到多种聚类结果，包括：将所述点云数据中距离最小且所述距离不大于所述簇间距离阈值的两个点云合并为一个聚类簇；重复合并两个不同的距离最小且所述距离不大于所述簇间距离阈值的所述聚类簇并计算不同所述聚类簇的簇间距离；当所述簇间距离大于所述簇间距离阈值时，完成一次的所述层次聚类；调整所述簇间距离阈值并重复进行所述层次聚类，得到所述多种聚类结果。6.根据权利要求4所述的方法，其特征在于，所述在所述多种聚类结果中确定所述初始点云簇，包括：计算所述多种聚类结果的紧密度；将所述多种聚类结果中所述紧密度最大的聚类结果作为所述初始点云簇。7.根据权利要求1所述的方法，其特征在于，所述根据簇内点云速度方差对所述初始点云簇进行噪声剔除以得到车辆点云簇，包括：计算所述初始点云簇的簇内点云速度方差；将所述初始点云簇中所述簇内点云速度方差不小于方差阈值的点云簇剔除，得到所述车辆点云簇。8.根据权利要求1所述的方法，其特征在于，位于第一时刻之后的第二时刻，所述根据所述车辆点云簇的点云簇数目及点云簇平均速度判断所述目标场景是否发生交通拥堵，包
括：获取所述车辆点云簇的点云簇数目及点云簇平均速度；当所述第一时刻的所述点云簇数目不大于数目阈值时，判定当前所述目标场景未发生交通拥堵；当所述第一时刻的所述点云簇数目大于所述数目阈值，且所述第二时刻的所述点云簇数目小于所述数目阈值时，判定当前所述目标场景未发生交通拥堵；当第一时刻的所述点云簇数目大于所述数目阈值，且第二时刻的所述点云簇数目不小于所述数目阈值时，若所述第一时刻至所述第二时刻的所述内点云簇平均速度大于速度阈值，则判定当前所述目标场景发生拥堵，若所述第一时刻至所述第二时刻的所述点云簇平均速度不大于所述速度阈值，则判定当前所述目标场景未发生拥堵。9.一种交通拥堵检测装置，其特征在于，所述装置包括：数据获取模块，获取目标场景的点云数据，其中，所述点云数据是通过毫米波雷达传感器得到的；聚类处理模块，对所述点云数据进行聚类以得到初始点云簇；噪声剔除模块，根据簇内点云速度方差对所述初始点云簇进行噪声剔除以得到车辆点云簇；拥堵判断模块，根据所述车辆点云簇的点云簇数目及点云簇平均速度判断所述目标场景是否发生交通拥堵。10.一种电子设备，其特征在于，包括：处理器；以及存储器，用于存储所述处理器的可执行指令；其中，所述处理器配置为经由执行所述可执行指令来执行权利要求1-8任一项所述的方法。

技术总结
本公开提供一种交通拥堵检测方法、装置、电子设备及存储介质；涉及人工智能技术领域。所述交通拥堵检测方法包括：获取目标场景的点云数据，其中，所述点云数据是通过毫米波雷达传感器得到的；对所述点云数据进行聚类以得到初始点云簇；根据簇内点云速度方差对所述初始点云簇进行噪声剔除以得到车辆点云簇；根据所述车辆点云簇的点云簇数目及点云簇平均速度判断所述目标场景是否发生交通拥堵。本公开可以提升交通拥堵检测的准确性。以提升交通拥堵检测的准确性。以提升交通拥堵检测的准确性。


技术研发人员：闫帅 胡治满 于亚洲 陶和平 王毅成 陶江龙 李振宇
受保护的技术使用者：中国电信股份有限公司
技术研发日：2022.12.26
技术公布日：2023/6/28