一种基于视频分析评估道路运行指数的方法与流程

1.本发明涉及互联网技术领域，特别是涉及一种基于视频分析评估道路运行指数的方法。


背景技术：

2.近年来，我国居民收入水平快速提升，自驾车消费崛起，分流了部分公共交通客运量；另一方面，网约车，共享出行单车及电单车大规模投放，对城市客运系统造成一定挤压。长期以来，我国交通拥堵问题存在普遍性，在大城市的城市交通中尤为明显。
3.在我国公路交通线路网中，主干线最基础的也有单向两车道，双向四车道的情况，一些大型交通枢纽的干线更是有单向四车道，双向八车道的情况。但当前常用的技术方案在评估道路拥堵情况时只是对单方向总体的道路评估，并没有具体到某一车道的拥堵情况，这样的道路评估并不能反映实际情况，对交通疏通决策有消极影响。因此，设计一种基于视频分析评估道路运行指数的方法是十分必要的。


技术实现要素：

4.本发明的目的是提供一种基于视频分析评估道路运行指数的方法，能够评估每一车道的道路运行指数，从而反映每条车道的道路运行指数。
5.为实现上述目的，本发明提供了如下方案：
6.一种基于视频分析评估道路运行指数的方法，包括如下步骤：
7.步骤一：获取待评估路段的监控视频数据；
8.步骤二：对所述监控视频数据进行车道检测，在车道线所在区域划定分界线；
9.步骤三：构建道路车辆检测数据集，搭建车辆检测模型及车辆测速模型，通过道路检测车辆数据集对车辆检测模型及车辆测速模型进行训练，通过训练后的车辆检测模型对所述监控视频数据进行车辆检测，通过训练的车辆测速模型对每一辆机动车进行车辆id分配、车辆轨迹还原及车辆测速；
10.步骤四：将步骤三的所述的带id的车辆及其轨迹与步骤二中的每条车道的分界线做匹配，得出每条车道的车辆数和车辆平均行驶速度；
11.步骤五：比较步骤四得到的每条车道的所述车辆平均速度与预设速度范围之间的关系和比较步骤四得到的每条车道的所述车辆数与预设车辆数量范围之间的关系，并依此评估出每条车道的道路运行指数，为交通疏通决策提供数据支持。
12.可选的，步骤二中，对所述监控视频数据进行车道检测，在车道线所在区域划定分界线，具体为：
13.车道检测选用fld算法，将车道线检测定义为寻找车道线在图像中h个行的位置的集合，即基于行方向上的位置选择、分类，再在车道线所在区域划定分界线。
14.可选的，步骤三中，构建道路车辆检测数据集，具体为：
15.构建一个含10万张真实场景的图片的道路车辆检测数据集，其中，数据集中的图
片均为真实公路场景中架设的高清摄像头拍摄所得。
16.可选的，步骤三中，搭建车辆检测模型，通过道路检测车辆数据集对车辆检测模型进行训练，通过训练后的车辆检测模型对所述监控视频数据进行车辆检测，具体为：
17.搭建yolov5s目标检测模型，将道路车辆检测数据集按照7：2：1的比例，划分为训练集、验证集及测试集，通过训练集、验证集及测试集对yolov5s目标检测模型进行训练，得到训练后的车辆检测模型，通过训练后的车辆检测模型对所述监控视频数据进行车辆检测。
18.可选的，步骤三中，搭建车辆测速模型，通过道路检测车辆数据集车辆测速模型进行训练，通过训练的车辆测速模型对每一辆机动车进行车辆id分配、车辆轨迹还原及车辆测速，具体为：
19.车辆测速模型包括车辆追踪模型及车辆测速模块，其中，车辆追踪模型为fairmot多目标追踪模型，通过道路检测车辆数据集对fairmot多目标追踪模型进行训练，得到训练后的车辆追踪模型，通过车辆追踪模型对所述监控视频数据进行车辆id分配；通过车辆测速模块对所述监控视频数据进行车辆轨迹还原及车辆测速。
20.可选的，通过车辆测速模块对所述监控视频数据进行车辆轨迹还原及车辆测速，具体为：
21.获取监控视频数据，通过车辆测速模块将车辆在世界坐标系上运动的轨迹映射在像素坐标系中，得到车辆的运动轨迹及时间，由此计算出车辆的运动速度。
22.可选的，车辆测速部分应用机器视觉坐标系之间转化思想，将车辆在世界坐标系上运动的轨迹映射在像素坐标系中，具体为：
23.令一点p在像素坐标系坐标为(u，v)，图像坐标系坐标为(x，y)，相机坐标系坐标为(xc，yc，zc)，世界坐标系坐标为(xw，yw，zw)，p点在世界坐标系绕z轴旋转θ可得：
[0024][0025]
推导得出：
[0026][0027]
同理可得，p点绕x轴旋转φ、绕y轴旋转ω，分别得到相应的矩阵：
[0028][0029][0030]
由此可得3*3旋转矩阵r＝r1r2r3，
[0031]
由
[0032]
可得从世界坐标系到相机坐标系坐标变换为：
[0033][0034]
其中，t为3*1偏移向量；
[0035]
从相机坐标系到图像坐标系是将三维坐标转化成二维坐标，得到如下公式：
[0036][0037]
其中，f为相机焦距，即相机光心到成像平面的距离；
[0038]
从图像坐标系到像素坐标系，相应矩阵为：
[0039][0040]
其中，dx和dy分别表示每一列和每一行分别代表多少相机坐标系单位长度，(u0，v0)为图像坐标系原点在像素坐标系上的坐标；
[0041]
综上，p点从世界坐标系到像素坐标系的数学变化过程如下：
[0042][0043]
其中，为相机内参，为相机外参，相机的内参和外参可以通过张正友标定获取，由上述公式得到车辆的运动轨迹及时间。
[0044]
可选的，步骤四中，将步骤三的所述的带id的车辆及其轨迹与步骤二中的每条车道的分界线做匹配，得出每条车道的车辆数和车辆平均行驶速度，具体为：
[0045]
根据每辆车辆轨迹与每条车道的分界线位置的对比结果，将每量车辆划分到对应车道，根据相应车道的车辆数及每辆车的运动速度，得出每条车道的车辆数和车辆平均速度。
[0046]
可选的，步骤五中，比较步骤四得到的每条车道的所述车辆平均速度与预设速度
范围之间的关系和比较步骤四得到的每条车道的所述车辆数与预设车辆数量范围之间的关系，并依此评估出每条车道的道路运行指数，具体为：
[0047]
为预设速度范围设定速度阈值上限和速度阈值下限，为预设车辆数量范围设定车辆阈值上限和车辆阈值下限，将所述道路运行指数分为通畅，轻微拥堵，严重拥堵；根据所述车辆平均速度与所述速度阈值之间的大小关系以及所述车辆数与所述车辆阈值之间的大小关系评估对应每一所述车道的道路运行指数，具体为：
[0048]
若所述根据所述车辆平均速度大于所述速度阈值上限且所述车辆数小于所述车辆阈值下限，则评估对应每一所述车道的道路运行指数为所述通畅；
[0049]
若所述根据所述车辆平均速度在所述预设速度范围内且所述车辆数在所述预设车辆数量范围内，则评估对应每一所述车道的道路运行指数为所述轻微拥堵；或者若所述根据所述车辆平均速度小于所述速度阈值下限且所述车辆数大于所述车辆阈值上限，则评估对应每一所述车道的道路运行指数为所述严重拥堵。
[0050]
根据本发明提供的具体实施例，本发明公开了以下技术效果：本发明提供的一种基于视频分析评估道路运行指数的方法，能够评估每一车道的道路运行指数，从而反映每条车道的道路运行指数，该方法中车道线检测模型采用了fld算法，将车道线检测定义为寻找车道线在图像中某些行的位置的集合，将计算复杂度缩减到了一个极小的范围内，解决了分割速度慢的问题，极大地提速的了车道线检测算法的速度；对监控视频做车辆检测时采用yolov5s目标检测模型构建含10万张真实场景的图片的道路车辆检测数据集，提升了车辆检测模型在应用场景中的鲁棒性；车辆测速部分应用机器视觉坐标系之间转化的思想，简化计算，只利用现有监控设施，无需增加购买额外的测距或监控设备。
附图说明
[0051]
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
[0052]
图1为本发明实施例提供的评估道路运行指数的方法的流程图；
[0053]
图2为步骤四的车道划分图；
[0054]
图3为fld算法检测车道线示意图；
[0055]
图4为机器视觉坐标系之间转化流程图；
[0056]
图5为绕z轴旋转θ示意图；
[0057]
图6为从相机坐标系到图像坐标系转换示意图；
[0058]
图7为从图像坐标系到像素坐标系转换示意图。
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做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]
本发明的目的是提供一种基于视频分析评估道路运行指数的方法，能够评估每一车道的道路运行指数，从而反映每条车道的道路运行指数。
[0061]
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
[0062]
如图1所示，一种基于视频分析评估道路运行指数的方法，包括如下步骤：
[0063]
步骤一：获取待评估路段的监控视频数据；
[0064]
步骤二：对所述监控视频数据进行车道检测，在车道线所在区域划定分界线；
[0065]
步骤三：构建道路车辆检测数据集，搭建车辆检测模型及车辆测速模型，通过道路检测车辆数据集对车辆检测模型及车辆测速模型进行训练，通过训练后的车辆检测模型对所述监控视频数据进行车辆检测，通过训练的车辆测速模型对每一辆机动车进行车辆id分配、车辆轨迹还原及车辆测速；
[0066]
步骤四：将步骤三的所述的带id的车辆及其轨迹与步骤二中的每条车道的分界线做匹配，得出每条车道的车辆数和车辆平均行驶速度；
[0067]
步骤五：比较步骤四得到的每条车道的所述车辆平均速度与预设速度范围之间的关系和比较步骤四得到的每条车道的所述车辆数与预设车辆数量范围之间的关系，并依此评估出每条车道的道路运行指数，为交通疏通决策提供数据支持。
[0068]
步骤二中，对所述监控视频数据进行车道检测，在车道线所在区域划定分界线，具体为：
[0069]
车道检测选用fld算法，将车道线检测定义为寻找车道线在图像中h个行的位置的集合，即基于行方向上的位置选择、分类，再在车道线所在区域划定分界线。
[0070]
道线检测是自动驾驶中的一个基础模块，早期已有很多基于传统图像处理实现的车道线检测算法。但随着大家研究的深入，车道线检测任务所应对的场景越来越多样化，逐步已经脱离了对于“白、黄色线条”这种低阶理解。本发明复现的fld算法是寻求对于语义上车道线存在位置的检测，即使它是模糊的、被光照影响的、甚至是完全被遮挡的车道线本发明也能检测到。
[0071]
相比一般的分割算法，要对图像中每一个像素点进行分类，为了分割车道线要进行非常密集的计算，导致的结果就是速度比较慢，如图3所示，fld算法将车道线检测定义为寻找车道线在图像中某些行的位置的集合，即基于行方向上的位置选择、分类。假设本发明要检测一条车道线的图像大小为hxw，对于分割问题，本发明需要处理hxw个分类问题。
[0072]
由于本发明的方案是行向选择，假设本发明在h个行上做选择，本发明只需要处理h个行上的分类问题，只不过每行上的分类问题是w维的。因此可以把原来hxw个分类问题简化为h个分类问题，h的大小按需设置，但一般h都是远小于图像高度h的。
[0073]
这样，本发明就把分类数目从hxw直接缩减到了h，并且h远远小于hxw，更不用说h远小于了，因此本发明的方法将计算复杂度缩减到了一个极小的范围内，解决了分割速度慢的问题，极大地提速的了车道线检测算法的速度。
[0074]
步骤三中，构建道路车辆检测数据集，具体为：
[0075]
构建一个含10万张真实场景的图片的道路车辆检测数据集，其中，数据集中的图片均为真实公路场景中架设的高清摄像头拍摄所得。
[0076]
步骤三中，搭建车辆检测模型，通过道路检测车辆数据集对车辆检测模型进行训
练，通过训练后的车辆检测模型对所述监控视频数据进行车辆检测，具体为：
[0077]
搭建yolov5s目标检测模型，将道路车辆检测数据集按照7：2：1的比例，划分为训练集、验证集及测试集，通过训练集、验证集及测试集对yolov5s目标检测模型进行训练，得到训练后的车辆检测模型，通过训练后的车辆检测模型对所述监控视频数据进行车辆检测。所述车辆检测模型经过训练集的训练后，在测试集上得到了96％的准确率，以及95％的召回率。
[0078]
步骤三中，搭建车辆测速模型，通过道路检测车辆数据集车辆测速模型进行训练，通过训练的车辆测速模型对每一辆机动车进行车辆id分配、车辆轨迹还原及车辆测速，具体为：
[0079]
车辆测速模型包括车辆追踪模型及车辆测速模块，其中，车辆追踪模型为fairmot多目标追踪模型，通过道路检测车辆数据集对fairmot多目标追踪模型进行训练，得到训练后的车辆追踪模型，使本发明的应用场景追踪的更加准确；通过车辆追踪模型对所述监控视频数据进行车辆id分配；通过车辆测速模块对所述监控视频数据进行车辆轨迹还原及车辆测速。
[0080]
通过车辆测速模块对所述监控视频数据进行车辆轨迹还原及车辆测速，具体为：
[0081]
获取监控视频数据，应用机器视觉坐标系之间转化思想，通过车辆测速模块将车辆在世界坐标系上运动的轨迹映射在像素坐标系中，得到车辆的运动轨迹及时间，由此计算出车辆的运动速度，具体流程如图4所示。
[0082]
机器视觉中的坐标系有像素坐标系，图像坐标系，相机坐标系，世界坐标系。像素坐标系(u，v)单位尺度为一个pixel，是离散图像坐标或像素坐标，原点在图片的左上角。图像坐标系(x，y)单位米或毫米，是连续图像坐标或者空间坐标，以图片对角线交点作为基准原点建立的坐标系。摄像机坐标系(xc，yc，zc)是摄像机在自己角度上的坐标系，原点在摄像机的光心上，z轴与摄像机光轴平行，即摄像机的镜头拍摄方向。世界坐标系(xw，yw，zw)是目标物体位置的参考系，根据运算方便自由设置圆点位置，可以位于机器手底座或者机器手前端执行器上。
[0083]
车辆测速部分应用机器视觉坐标系之间转化思想，将车辆在世界坐标系上运动的轨迹映射在像素坐标系中，具体为：
[0084]
令一点p在像素坐标系坐标为(u，v)，图像坐标系坐标为(x，y)，相机坐标系坐标为(xc，yc，zc)，世界坐标系坐标为(xw，yw，zw)，p点在世界坐标系绕z轴旋转θ可得：
[0085][0086]
推导得出：
[0087][0088]
同理可得，p点绕x轴旋转φ、绕y轴旋转ω，分别得到相应的矩阵：
[0089][0090][0091]
由此可得3*3旋转矩阵r＝r1r2r3，
[0092]
由
[0093]
可得从世界坐标系到相机坐标系坐标变换为：
[0094][0095]
其中，t为3*1偏移向量；
[0096]
如图6所示，从相机坐标系到图像坐标系是将三维坐标转化成二维坐标的过程，称之为透视投影变换。为了求解它们之间的关系，将普通图像坐标(x，y)拓展为齐次坐标(x，y，1)空间中的某点，投影到图像平面上的点与相机的光心在一条直线上，以光心为原点建立相机坐标系，根据相似三角形关系可得到：
[0097]
△
aboc～
△
ococ[0098]
△
pboc～
△
pcoc[0099][0100][0101]
可得到如下公式：
[0102][0103]
其中，f为相机焦距，即相机光心到成像平面的距离；
[0104]
如图7所示，从图像坐标系到像素坐标系，
[0105]
由
[0106]
[0107]
推导得相应矩阵为：
[0108][0109]
像素坐标系和图像坐标系都在成像平面上，只是各自的原点和度量单位不一样。图像坐标系的原点为相机光轴与成像平面的交点，通常情况下是成像平面的中点；图像坐标系的单位是mm，属于物理单位，而像素坐标系的单位是pixel，平常描述一个像素点都是几行几列，所以这二者之间的转换如下：其中dx和dy表示每一列和每一行分别代表多少mm，即1pixel＝dx mm，(u0，v0)为图像坐标系原点在像素坐标系上的坐标；
[0110]
综上，p点从世界坐标系到像素坐标系的数学变化过程如下：
[0111][0112]
其中，为相机内参，为相机外参，相机的内参和外参可以通过张正友标定获取，由上述公式得到车辆的运动轨迹及时间。
[0113]
步骤四中，将步骤三的所述的带id的车辆及其轨迹与步骤二中的每条车道的分界线做匹配，得出每条车道的车辆数和车辆平均行驶速度，具体为：
[0114]
根据每辆车辆轨迹与每条车道的分界线位置的对比结果，将每量车辆划分到对应车道，根据相应车道的车辆数及每辆车的运动速度，得出每条车道的车辆数和车辆平均速度。假设车辆a的轨迹落在图2中的车道线a和车道线b之间，那车辆a便属于车道一的车辆，以此类推，便可得出每条车道的车辆数和车辆平均速度。
[0115]
步骤五中，比较步骤四得到的每条车道的所述车辆平均速度与预设速度范围之间的关系和比较步骤四得到的每条车道的所述车辆数与预设车辆数量范围之间的关系，并依此评估出每条车道的道路运行指数，具体为：
[0116]
为预设速度范围设定速度阈值上限和速度阈值下限，为预设车辆数量范围设定车辆阈值上限和车辆阈值下限，将所述道路运行指数分为通畅，轻微拥堵，严重拥堵；根据所述车辆平均速度与所述速度阈值之间的大小关系以及所述车辆数与所述车辆阈值之间的大小关系评估对应每一所述车道的道路运行指数，具体为：
[0117]
若所述根据所述车辆平均速度大于所述速度阈值上限且所述车辆数小于所述车辆阈值下限，则评估对应每一所述车道的道路运行指数为所述通畅；
[0118]
若所述根据所述车辆平均速度在所述预设速度范围内且所述车辆数在所述预设车辆数量范围内，则评估对应每一所述车道的道路运行指数为所述轻微拥堵；或者若所述根据所述车辆平均速度小于所述速度阈值下限且所述车辆数大于所述车辆阈值上限，则评
估对应每一所述车道的道路运行指数为所述严重拥堵。
[0119]
本发明提供的一种基于视频分析评估道路运行指数的方法，能够评估每一车道的道路运行指数，从而反映每条车道的道路运行指数，该方法中车道线检测模型采用了fld算法，将车道线检测定义为寻找车道线在图像中某些行的位置的集合，将计算复杂度缩减到了一个极小的范围内，解决了分割速度慢的问题，极大地提速的了车道线检测算法的速度；对监控视频做车辆检测时采用yolov5s目标检测模型构建含10万张真实场景的图片的道路车辆检测数据集，提升了车辆检测模型在应用场景中的鲁棒性；车辆测速部分应用机器视觉坐标系之间转化的思想，简化计算，只利用现有监控设施，无需增加购买额外的测距或监控设备。
[0120]
本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。

技术特征：
1.一种基于视频分析评估道路运行指数的方法，其特征在于，包括如下步骤：步骤一：获取待评估路段的监控视频数据；步骤二：对所述监控视频数据进行车道检测，在车道线所在区域划定分界线；步骤三：构建道路车辆检测数据集，搭建车辆检测模型及车辆测速模型，通过道路检测车辆数据集对车辆检测模型及车辆测速模型进行训练，通过训练后的车辆检测模型对所述监控视频数据进行车辆检测，通过训练的车辆测速模型对每一辆机动车进行车辆id分配、车辆轨迹还原及车辆测速；步骤四：将步骤三的所述的带id的车辆及其轨迹与步骤二中的每条车道的分界线做匹配，得出每条车道的车辆数和车辆平均行驶速度；步骤五：比较步骤四得到的每条车道的所述车辆平均速度与预设速度范围之间的关系和比较步骤四得到的每条车道的所述车辆数与预设车辆数量范围之间的关系，并依此评估出每条车道的道路运行指数，为交通疏通决策提供数据支持。2.根据权利要求1所述的一种基于视频分析评估道路运行指数的方法，其特征在于，步骤二中，对所述监控视频数据进行车道检测，在车道线所在区域划定分界线，具体为：车道检测选用fld算法，将车道线检测定义为寻找车道线在图像中h个行的位置的集合，即基于行方向上的位置选择、分类，再在车道线所在区域划定分界线。3.根据权利要求1所述的一种基于视频分析评估道路运行指数的方法，其特征在于，步骤三中，构建道路车辆检测数据集，具体为：构建一个含10万张真实场景的图片的道路车辆检测数据集，其中，数据集中的图片均为真实公路场景中架设的高清摄像头拍摄所得。4.根据权利要求3所述的一种基于视频分析评估道路运行指数的方法，其特征在于，步骤三中，搭建车辆检测模型，通过道路检测车辆数据集对车辆检测模型进行训练，通过训练后的车辆检测模型对所述监控视频数据进行车辆检测，具体为：搭建yolov5s目标检测模型，将道路车辆检测数据集按照7：2：1的比例，划分为训练集、验证集及测试集，通过训练集、验证集及测试集对yolov5s目标检测模型进行训练，得到训练后的车辆检测模型，通过训练后的车辆检测模型对所述监控视频数据进行车辆检测。5.根据权利要求4所述的一种基于视频分析评估道路运行指数的方法，其特征在于，步骤三中，搭建车辆测速模型，通过道路检测车辆数据集车辆测速模型进行训练，通过训练的车辆测速模型对每一辆机动车进行车辆id分配、车辆轨迹还原及车辆测速，具体为：车辆测速模型包括车辆追踪模型及车辆测速模块，其中，车辆追踪模型为fairmot多目标追踪模型，通过道路检测车辆数据集对fairmot多目标追踪模型进行训练，得到训练后的车辆追踪模型，通过车辆追踪模型对所述监控视频数据进行车辆id分配；通过车辆测速模块对所述监控视频数据进行车辆轨迹还原及车辆测速。6.根据权利要求5所述的一种基于视频分析评估道路运行指数的方法，其特征在于，通过车辆测速模块对所述监控视频数据进行车辆轨迹还原及车辆测速，具体为：获取监控视频数据，通过车辆测速模块将车辆在世界坐标系上运动的轨迹映射在像素坐标系中，得到车辆的运动轨迹及时间，由此计算出车辆的运动速度。7.根据权利要求6所述的基于视频分析评估道路运行指数的方法，其特征在于，车辆测速部分应用机器视觉坐标系之间转化思想，将车辆在世界坐标系上运动的轨迹映射在像素
坐标系中，具体为：令一点p在像素坐标系坐标为(u，v)，图像坐标系坐标为(x，y)，相机坐标系坐标为(xc，yc，zc)，世界坐标系坐标为(xw，yw，zw)，p点在世界坐标系绕z轴旋转θ可得：推导得出：同理可得，p点绕x轴旋转φ、绕y轴旋转ω，分别得到相应的矩阵：同理可得，p点绕x轴旋转φ、绕y轴旋转ω，分别得到相应的矩阵：由此可得3*3旋转矩阵r＝r1r2r3，由可得从世界坐标系到相机坐标系坐标变换为：其中，t为3*1偏移向量；从相机坐标系到图像坐标系是将三维坐标转化成二维坐标，得到如下公式：其中，f为相机焦距，即相机光心到成像平面的距离；从图像坐标系到像素坐标系，相应矩阵为：
其中，dx和dy分别表示每一列和每一行分别代表多少相机坐标系单位长度，(u0，v0)为图像坐标系原点在像素坐标系上的坐标；综上，p点从世界坐标系到像素坐标系的数学变化过程如下：其中，为相机内参，为相机外参，相机的内参和外参可以通过张正友标定获取，由上述公式得到车辆的运动轨迹及时间。8.根据权利要求7所述的一种基于视频分析评估道路运行指数的方法，其特征在于，步骤四中，将步骤三的所述的带id的车辆及其轨迹与步骤二中的每条车道的分界线做匹配，得出每条车道的车辆数和车辆平均行驶速度，具体为：根据每辆车辆轨迹与每条车道的分界线位置的对比结果，将每量车辆划分到对应车道，根据相应车道的车辆数及每辆车的运动速度，得出每条车道的车辆数和车辆平均速度。9.根据权利要求8所述的一种基于视频分析评估道路运行指数的方法，其特征在于，步骤五中，比较步骤四得到的每条车道的所述车辆平均速度与预设速度范围之间的关系和比较步骤四得到的每条车道的所述车辆数与预设车辆数量范围之间的关系，并依此评估出每条车道的道路运行指数，具体为：为预设速度范围设定速度阈值上限和速度阈值下限，为预设车辆数量范围设定车辆阈值上限和车辆阈值下限，将所述道路运行指数分为通畅，轻微拥堵，严重拥堵；根据所述车辆平均速度与所述速度阈值之间的大小关系以及所述车辆数与所述车辆阈值之间的大小关系评估对应每一所述车道的道路运行指数，具体为：若所述根据所述车辆平均速度大于所述速度阈值上限且所述车辆数小于所述车辆阈值下限，则评估对应每一所述车道的道路运行指数为所述通畅；若所述根据所述车辆平均速度在所述预设速度范围内且所述车辆数在所述预设车辆数量范围内，则评估对应每一所述车道的道路运行指数为所述轻微拥堵；或者若所述根据所述车辆平均速度小于所述速度阈值下限且所述车辆数大于所述车辆阈值上限，则评估对应每一所述车道的道路运行指数为所述严重拥堵。

技术总结
本发明提供了一种基于视频分析评估道路运行指数的方法，包括如下步骤：获取待评估路段的监控视频数据；对监控视频数据进行车道检测，在车道线所在区域划定分界线；对监控视频数据进行车辆检测，启动预设车辆测速模块对每一辆机动车进行车辆ID分配、车辆轨迹还原及车辆测速；将带ID的车辆及其轨迹与每条车道的分界线做匹配，得出每条车道的车辆数和车辆平均行驶速度；比较每条车道的车辆平均速度与预设速度范围之间的关系和比较每条车道的车辆数与预设车辆数量范围之间的关系，依此评估每条车道的道路运行指数。本发明提供的一种基于视频分析评估道路运行指数的方法，能够评估每一车道的道路运行指数，从而反映每条车道的道路运行指数。运行指数。运行指数。


技术研发人员：许梦菲 李湾 郑晏群 朱宇 林松荣
受保护的技术使用者：深圳市综合交通运行指挥中心
技术研发日：2023.01.28
技术公布日：2023/6/26