基于mask矩阵的车流量智能识别方法、系统技术方案

本发明专利技术公开了一种基于mask矩阵的车流量智能识别方法、系统，该方法通过在视频图像中设定与道路横向交叉的虚拟检测线，并构建每一辆车辆的车辆像素点mask矩阵以及虚拟检测线的检测像素点mask矩阵，将每一辆车辆的车辆像素点mask矩阵分别与检测像素点mask矩阵相乘并将结果逐项累加，在每一辆车辆对应的计算结果第一次出现大于零时，累计一次车辆计数，最后统计预定时段内的车辆计数累计值，根据预定时段以及车辆计数累计值计算得到车流量。应用本发明专利技术能够快速、准确识别车流量。

【技术实现步骤摘要】
基于mask矩阵的车流量智能识别方法、系统
本专利技术涉及图像识别
，特别是涉及一种基于mask矩阵的车流量智能识别方法、系统。
技术介绍
交通流量是指在选定时间段内通过道路某一车道的车辆数，从车流量的大小可以判定交通的拥挤状况，从而决定采取何种交通管理措施，因此对交通流量的准确检测在交通工程中占有十分重要的位置。而目前还没有很准确、实时的交通流量监测产品。
技术实现思路
本专利技术的目的在于提供一种基于mask矩阵的车流量智能识别方法、系统，能够快速、准确识别车流量。为解决上述技术问题，本专利技术采用的一个技术方案是：提供一种基于mask矩阵的车流量智能识别方法，包括以下步骤：S1：实时采集道路的视频图像，并在所述视频图像的预定位置处设定虚拟检测线，所述虚拟检测线与道路横向交叉；S2：对每一张视频图像中出现的同一车辆进行跟踪识别；S3：对于每一张视频图像，根据视频图像中当前车辆的位置生成与视频图像的尺寸相同的当前车辆的车辆像素点mask矩阵，其中，当前车辆在车辆像素点mask矩阵中对应的像素点的像素值与其他像素点的像素值不同；S4：根据视频图像中虚拟检测线的位置生成与所述视频图像的尺寸相同的检测像素点mask矩阵，其中，所述虚拟检测线在检测像素点mask矩阵中对应的像素点的像素值与其他像素点的像素值不同；S5：对于每一张视频图像，将每一辆车辆的车辆像素点mask矩阵分别与检测像素点mask矩阵相乘得到结果矩阵，并将结果矩阵的各项元素逐项累加得到计算结果，并持续预定时段；S6：对于每一辆车辆，仅在其对应的计算结果第一次出现大于零的情形时,累计一次车辆计数；S7：根据所述预定时段以及车辆计数累计值计算得到车流量。优选的，所述道路包含多条车道，所述步骤S2还包括：对每一张视频图像中同一车辆所在的车道进行识别；所述步骤S5具体为：对于每一张视频图像中的每一车道，将每一车道上每一辆车辆的车辆像素点mask矩阵分别与检测像素点mask矩阵相乘得到结果矩阵，并将结果矩阵的各项元素逐项累加得到计算结果，并持续预定时间；所述步骤S7具体为：根据所述预定时段以及每一车道对应的车辆计数累计值计算得到每一车道的车流量。优选的，所述对每一张视频图像中同一车辆所在的车道进行识别的步骤具体包括：S201：识别视频图像中的目标车辆以及每条车道的车道线；S202：根据目标车辆在视频图像中的位置生成与所述视频图像尺寸相同的车辆像素点mask矩阵，其中，所述目标车辆在车辆像素点mask矩阵中对应的像素点的像素值与其他像素点的像素值不同；S203：根据每条车道的车道线在视频图像中的位置生成与视频图像尺寸相同的每条车道的车道像素点mask矩阵，其中，对于当前车道，当前车道的车道线在当前车道的车道像素点mask矩阵中对应的像素点的像素值与其他像素点的像素值不同；S204：将所述车辆像素点mask矩阵分别与每条车道的车道像素点mask矩阵相乘得到车道识别矩阵，并将每个车道识别矩阵的各项元素逐项累加得到计算结果；S205：将计算结果最大的车道识别矩阵对应的车道识别为目标车辆所在的车道。优选的，所述预定时段的起始时间为所有车辆对应的计算结果中第一次出现大于零的情形的时间。优选的，所述当前车辆在车辆像素点mask矩阵中对应的像素点的像素值为1，其他像素点的像素值为0；虚拟检测线在检测像素点mask矩阵中对应的像素点的像素值为1，其他像素点的像素值为0。为解决上述技术问题，本专利技术采用的另一个技术方案是：提供一种基于mask矩阵的车流量智能识别系统，所述车流量智能识别系统包括图像采集模块、图像识别模块、第一矩阵构建模块、第二矩阵构建模块、矩阵计算模块、车辆计数模块和车流量识别模块；所述图像采集模块用于实时采集道路的视频图像，并在所述视频图像的预定位置处设定虚拟检测线，所述虚拟检测线与道路横向交叉；所述图像识别模块用于对每一张视频图像中出现的同一车辆进行跟踪识别；对于每一张视频图像，所述第一矩阵构建模块用于根据视频图像中当前车辆的位置生成与视频图像的尺寸相同的当前车辆的车辆像素点mask矩阵，其中，当前车辆在车辆像素点mask矩阵中对应的像素点的像素值与其他像素点的像素值不同；所述第二矩阵构建模块用于根据视频图像中虚拟检测线的位置生成与所述视频图像的尺寸相同的检测像素点mask矩阵，其中，所述虚拟检测线在检测像素点mask矩阵中对应的像素点的像素值与其他像素点的像素值不同；对于每一张视频图像，所述矩阵计算模块用于将每一辆车辆的车辆像素点mask矩阵分别与检测像素点mask矩阵相乘得到结果矩阵，并将结果矩阵的各项元素逐项累加得到计算结果，并持续预定时段；对于每一辆车辆，所述车辆计数模块用于仅在其对应的计算结果第一次出现大于零的情形时,累计一次车辆计数；所述车流量识别模块用于根据所述预定时段以及车辆计数累计值计算得到车流量。优选的，所述道路包含多条车道，所述图像识别模块还用于对每一张视频图像中同一车辆所在的车道进行识别；对于每一张视频图像，所述车辆计数模块用于将每一车道上每一辆车辆的车辆像素点mask矩阵分别与检测像素点mask矩阵相乘得到结果矩阵，并将结果矩阵的各项元素逐项累加得到计算结果，并持续预定时间；所述车流量识别模块还用于根据所述预定时段以及每一车道对应的车辆计数累计值计算得到每一车道的车流量。优选的，所述图像识别模块具体用于识别视频图像中的目标车辆以及每条车道的车道线；根据目标车辆在视频图像中的位置生成与所述视频图像尺寸相同的车辆像素点mask矩阵，其中，所述目标车辆在车辆像素点mask矩阵中对应的像素点的像素值与其他像素点的像素值不同；根据每条车道的车道线在视频图像中的位置生成与视频图像尺寸相同的每条车道的车道像素点mask矩阵，其中，对于当前车道，当前车道的车道线在当前车道的车道像素点mask矩阵中对应的像素点的像素值与其他像素点的像素值不同；将所述车辆像素点mask矩阵分别与每条车道的车道像素点mask矩阵相乘得到车道识别矩阵，并将每个车道识别矩阵的各项元素逐项累加得到计算结果；将计算结果最大的车道识别矩阵对应的车道识别为目标车辆所在的车道。优选的，所述预定时段的起始时间为所有车辆对应的计算结果中第一次出现大于零的情形的时间。优选的，所述当前车辆在车辆像素点mask矩阵中对应的像素点的像素值为1，其他像素点的像素值为0；虚拟检测线在检测像素点mask矩阵中对应的像素点的像素值为1，其他像素点的像素值为0。区别于现有技术的情况，本专利技术的有益效果是：能够快速、准确识别车流量。附图说明图1是本专利技术实施例提供的基于mask矩阵的车流量智能识别方法的流程示意图；图2是一种应用场景中的监控区域的视频图像的示意图；图3是某一辆车辆的车辆像素点mask矩阵示意图；图4是虚拟检测线的检测像素点mask矩阵示意图；图5是车流量智能识别方法中对车道进行识别的具体流程示意图；图6是本专利技术实施例提供的基于mask矩阵的车流量智能识别系统的原理框图。...

【技术保护点】
1.一种基于mask矩阵的车流量智能识别方法，其特征在于，包括以下步骤：/nS1：实时采集道路的视频图像，并在所述视频图像的预定位置处设定虚拟检测线，所述虚拟检测线与道路横向交叉；/nS2：对每一张视频图像中出现的同一车辆进行跟踪识别；/nS3：对于每一张视频图像，根据视频图像中当前车辆的位置生成与视频图像的尺寸相同的当前车辆的车辆像素点mask矩阵，其中，当前车辆在车辆像素点mask矩阵中对应的像素点的像素值与其他像素点的像素值不同；/nS4：根据视频图像中虚拟检测线的位置生成与所述视频图像的尺寸相同的检测像素点mask矩阵，其中，所述虚拟检测线在检测像素点mask矩阵中对应的像素点的像素值与其他像素点的像素值不同；/nS5：对于每一张视频图像，将每一辆车辆的车辆像素点mask矩阵分别与检测像素点mask矩阵相乘得到结果矩阵，并将结果矩阵的各项元素逐项累加得到计算结果，并持续预定时段；/nS6：对于每一辆车辆，仅在其对应的计算结果第一次出现大于零的情形时,累计一次车辆计数；/nS7：根据所述预定时段以及车辆计数累计值计算得到车流量。/n

【技术特征摘要】
1.一种基于mask矩阵的车流量智能识别方法，其特征在于，包括以下步骤：
S1：实时采集道路的视频图像，并在所述视频图像的预定位置处设定虚拟检测线，所述虚拟检测线与道路横向交叉；
S2：对每一张视频图像中出现的同一车辆进行跟踪识别；
S3：对于每一张视频图像，根据视频图像中当前车辆的位置生成与视频图像的尺寸相同的当前车辆的车辆像素点mask矩阵，其中，当前车辆在车辆像素点mask矩阵中对应的像素点的像素值与其他像素点的像素值不同；
S4：根据视频图像中虚拟检测线的位置生成与所述视频图像的尺寸相同的检测像素点mask矩阵，其中，所述虚拟检测线在检测像素点mask矩阵中对应的像素点的像素值与其他像素点的像素值不同；
S5：对于每一张视频图像，将每一辆车辆的车辆像素点mask矩阵分别与检测像素点mask矩阵相乘得到结果矩阵，并将结果矩阵的各项元素逐项累加得到计算结果，并持续预定时段；
S6：对于每一辆车辆，仅在其对应的计算结果第一次出现大于零的情形时,累计一次车辆计数；
S7：根据所述预定时段以及车辆计数累计值计算得到车流量。


2.根据权利要求1所述的车流量智能识别方法，其特征在于，所述道路包含多条车道，所述步骤S2还包括：对每一张视频图像中同一车辆所在的车道进行识别；
所述步骤S5具体为：
对于每一张视频图像中的每一车道，将每一车道上每一辆车辆的车辆像素点mask矩阵分别与检测像素点mask矩阵相乘得到结果矩阵，并将结果矩阵的各项元素逐项累加得到计算结果，并持续预定时间；
所述步骤S7具体为：
根据所述预定时段以及每一车道对应的车辆计数累计值计算得到每一车道的车流量。


3.根据权利要求2所述的车流量智能识别方法，其特征在于，所述对每一张视频图像中同一车辆所在的车道进行识别的步骤具体包括：
S201：识别视频图像中的目标车辆以及每条车道的车道线；
S202：根据目标车辆在视频图像中的位置生成与所述视频图像尺寸相同的车辆像素点mask矩阵，其中，所述目标车辆在车辆像素点mask矩阵中对应的像素点的像素值与其他像素点的像素值不同；
S203：根据每条车道的车道线在视频图像中的位置生成与视频图像尺寸相同的每条车道的车道像素点mask矩阵，其中，对于当前车道，当前车道的车道线在当前车道的车道像素点mask矩阵中对应的像素点的像素值与其他像素点的像素值不同；
S204：将所述车辆像素点mask矩阵分别与每条车道的车道像素点mask矩阵相乘得到车道识别矩阵，并将每个车道识别矩阵的各项元素逐项累加得到计算结果；
S205：将计算结果最大的车道识别矩阵对应的车道识别为目标车辆所在的车道。


4.根据权利要求1所述的车流量智能识别方法，其特征在于，所述预定时段的起始时间为所有车辆对应的计算结果中第一次出现大于零的情形的时间。


5.根据权利要求1所述的车流量智能识别方法，其特征在于，所述当前车辆在车辆像素点mask矩阵中对应的像素点的像素值为1，其他像素点的像素值为0；虚拟检测线在检测像素点mask矩阵中对应的像素点的像素值为1，其他像素点的像素值为0。


6.一种基于mask矩阵的...

【专利技术属性】
技术研发人员：张峻领，鲍朝莉，董辉，相峥，
申请(专利权)人：成都旸谷信息技术有限公司，
类型：发明
国别省市：四川;51