CN118968750A - 基于雷达图像信息融合的交通管理辅助感知方法及装置 - Google Patents

Abstract

本发明公开了基于雷达图像信息融合的交通管理辅助感知方法及装置，涉及智慧交通技术领域。该基于雷达图像信息融合的交通管理辅助感知方法，首先，将监控数据和雷达图像信息进行融合处理，对移动目标进行感知监测、识别和跟踪，之后进行交通密度系数判断，再进行交通更新系数判断，最后进行临近监测与堵塞预警，能够实现对交通状况的全面感知和实时监测，并根据交通密度系数和更新情况进行预警和管理，有助于提高交通安全和效率，解决了单纯通过交通数据进行状态感知，无法解决各路况、交通拥堵以及交通事故对交通状态的影响，从而使得交通状态感知的效果大打折扣，影响状态的判断的问题。

Description

基于雷达图像信息融合的交通管理辅助感知方法及装置

技术领域

本发明涉及智能交通技术领域，具体为基于雷达图像信息融合的交通管理辅助感知方法及装置。

背景技术

随着道路交通的发展迅速以及城市路网的不断完善，交通基础设施减伤已经得到很大的进步，伴随着人们生活水平的提高，汽车也逐渐成为一些家庭出行的必备品。

随着机动车数量的增加，交通拥堵、交通事故以及交通违法违规的事件频发，交通信息是机动车在交通运输领域内流通的可利用信息，在交通信息中存储有各类机动车的行驶状态以及行驶数据，然而，现有技术中，利用交通信息进行交通状态感知，大都是利用已有的交通数据进行聚类，根据预先构建好的分析模型对聚类结果进行分类，从而判断出交通状态，然而单纯通过交通数据进行状态感知，无法解决各路况、交通拥堵以及交通事故对交通状态的影响，从而使得交通状态感知的效果大打折扣，影响状态的判断。

发明内容

针对现有技术的不足，本发明提供了基于雷达图像信息融合的交通管理辅助感知方法及装置，解决了单纯通过交通数据进行状态感知，无法解决各路况、交通拥堵以及交通事故对交通状态的影响，从而使得交通状态感知的效果大打折扣，影响状态的判断的问题。

为实现以上目的，本发明通过以下技术方案予以实现：一种基于雷达图像信息融合的交通管理辅助感知方法，包括以下步骤：将监控数据与雷达图像信息进行融合处理，对待监测车道区间的移动目标进行感知监测，识别和跟踪待监测车道区间的移动目标；基于识别和跟踪到的待监测车道区间的移动目标确定当前监测周期的待监测车道区间的交通密度系数，并当前监测周期的判断监测车道区间的交通密度系数是否大于设定的第一密度系数阈值，若否则继续判断下一监测周期的监测车道区间的交通密度系数是否大于设定的第一密度系数阈值，若是则进行交通堵塞预警；获取待监测车道区间当前监测周期的交通更新系数，并判断当前监测周期交通更新系数是否小于设定的交通更新阈值系数，若是则进行临近监测车道区间感知监测，若否则在下一监测周期的待监测车道区间的交通密度系数大于设定的第一密度系数阈值时判断下一监测周期的交通更新系数是否小于设定的交通更新阈值系数；基于临近监测车道区间感知监测，识别和跟踪临近监测车道区间的移动目标，并确定当前监测周期的临近监测车道区间的交通密度系数，并判断当前监测周期的临近监测车道区间的交通密度系数是否大于设定的第二密度系数阈值，若是则进行交通堵塞一级严重预警，若否则判断当前监测周期的临近监测车道区间的交通更新系数是否小于设定的交通更新阈值系数，若是则进行交通堵塞二级严重预警，若否则在下一监测周期的待监测车道区间的交通密度系数大于设定的第一密度系数阈值且下一监测周期的临近监测车道区间的交通密度系数大于设定的第二密度系数阈值时判断下一监测周期的临近监测车道区间的交通更新系数是否小于设定的交通更新阈值系数。

可选地，所述移动目标包括移动行人和移动车辆，所述交通密度系数的计算公式为：；式中，为交通密度系数，为行人交通密度，所述行人交通密度基于待监测车道区间的行人数量或临近监测车道区间的行人数量确定，为设定的行人交通密度阈值，为车辆交通密度，为设定的车辆交通密度阈值，为行人密度权重系数，为车辆密度权重系数，且。

可选地，所述第一密度系数阈值包括第一行人密度系数阈值、第一车辆密度系数阈值和第一综合密度系数阈值，所述交通堵塞预警包括行人堵塞预警、车辆堵塞预警和综合堵塞预警，判断监测车道区间的交通密度系数是否大于设定的第一密度系数阈值的过程如下：当行人交通密度大于设定的行人交通密度阈值且车辆交通密度小于设定的车辆交通密度阈值时，判断交通密度系数是否大于设定的第一行人密度系数阈值，若是则进行行人堵塞预警；当行人交通密度小于设定的行人交通密度阈值且车辆交通密度大于设定的车辆交通密度阈值时，判断交通密度系数是否大于设定的第一车辆密度系数阈值，若是则进行车辆堵塞预警；当行人交通密度大于设定的行人交通密度阈值且车辆交通密度大于设定的车辆交通密度阈值时，判断交通密度系数是否大于设定的第一综合密度系数阈值，若是则进行综合堵塞预警。

可选地，所述第二密度系数阈值包括第二行人密度系数阈值、第二车辆密度系数阈值和第二综合密度系数阈值，所述交通堵塞预警包括行人严重堵塞预警、车辆严重堵塞预警和综合严重堵塞预警，判断监测车道区间的交通密度系数是否大于设定的第二密度系数阈值的过程如下：当行人交通密度大于设定的行人交通密度阈值且车辆交通密度小于设定的车辆交通密度阈值时，判断交通密度系数是否大于设定的第二行人密度系数阈值，若是则进行行人严重堵塞预警；当行人交通密度小于设定的行人交通密度阈值且车辆交通密度大于设定的车辆交通密度阈值时，判断交通密度系数是否大于设定的第二车辆密度系数阈值，若是则进行车辆严重堵塞预警；当行人交通密度大于设定的行人交通密度阈值且车辆交通密度大于设定的车辆交通密度阈值时，判断交通密度系数是否大于设定的第二综合密度系数阈值，若是则进行综合严重堵塞预警。

可选地，所述交通更新系数的计算公式为：

;

式中，为交通更新系数，为行人更新率，为设定的行人更新参考率，为车辆更新率，为设定的车辆更新参考率，为行人更新率权重系数，为车辆更新率权重系数，且，为自然常数，为行人交通密度，所述行人交通密度基于待监测车道区间的行人数量或临近监测车道区间的行人数量确定，为设定的行人交通密度阈值，为车辆交通密度，为设定的车辆交通密度阈值。

可选地，所述交通更新阈值系数包括行人更新阈值系数、车辆更新阈值系数和综合更新阈值系数，判断交通更新系数是否小于设定的交通更新阈值系数的过程如下：当行人交通密度大于设定的行人交通密度阈值且车辆交通密度小于设定的车辆交通密度阈值时，判断交通更新系数是否小于设定的行人更新阈值系数，若是则判断临近监测车道区间的交通密度系数是否大于设定的第二密度系数阈值，若否则继续判断交通更新系数是否小于设定的行人更新阈值系数；当行人交通密度小于设定的行人交通密度阈值且车辆交通密度大于设定的车辆交通密度阈值时，判断交通更新系数是否小于设定的车辆更新阈值系数，若是则判断临近监测车道区间的交通密度系数是否大于设定的第二密度系数阈值，若否则继续判断交通更新系数是否小于设定的车辆更新阈值系数；当行人交通密度大于设定的行人交通密度阈值且车辆交通密度大于设定的车辆交通密度阈值时，判断交通更新系数是否小于设定的综合更新阈值系数，若是则判断临近监测车道区间的交通密度系数是否大于设定的第二密度系数阈值，若否则继续判断交通更新系数是否小于设定的综合更新阈值系数。

可选地，对移动目标进行感知监测，识别和跟踪移动目标的过程如下：基于监控数据对进入待监测车道区间或临近监测车道区间的移动目标进行特征提取，获取行人特征匹配数据集和车辆特征匹配数据集并存储；基于设定的匹配周期，对待监测车道区间或临近监测车道区间的移动目标进行特征提取，获取行人特征数据集和车辆特征数据集，将行人特征数据集和车辆特征数据集与行人特征匹配数据集和车辆特征匹配数据集进行匹配；基于匹配结果对移动目标进行识别和跟踪，确定待监测车道区间或临近监测车道区间的移动行人和移动车辆，待监测车道区间的移动行人和移动车辆作为监测车道区间的交通密度系数的分析依据，临近监测车道区间的移动行人和移动车辆作为临近监测车道区间的交通密度系数的分析依据。

可选地，所述行人特征数据集包括面部特征数据集、头部特征数据集和服装特征数据集，所述行人特征匹配数据集包括面部特征匹配数据集、头部特征匹配数据集和服装特征匹配数据集，所述行人特征数据集和行人特征匹配数据集进行匹配得到行人匹配系数，所述行人匹配系数作为识别和跟踪移动目标的依据，还作为交通更新系数的分析依据；所述车辆特征数据集和车辆特征匹配数据集进行匹配得到车辆匹配系数，所述车辆匹配系数作为识别和跟踪移动目标的依据，还作为交通更新系数的分析依据。

可选地，所述面部特征匹配数据集包括面部遮挡物面积、遮挡物弯曲度和遮挡物弯曲角度，所述头部特征数据集包括眉间距离、唇宽和上唇至眉间距离，所述服装特征数据集包括上衣宽度值和领口曲率；所述面部特征匹配数据集包括面部遮挡物匹配面积、遮挡物匹配弯曲度和遮挡物匹配弯曲角度，所述头部特征匹配数据集包括眉间匹配距离、匹配唇宽和上唇至眉间匹配距离，所述服装特征匹配数据集包括上衣匹配宽度值和领口匹配曲率；若面部遮挡物面积小于设定的面部遮挡物面积阈值，则基于头部特征数据集和服装特征数据集以及头部特征匹配数据集和服装特征匹配数据集分析获得行人匹配系数，若面部遮挡物面积大于设定的面部遮挡物面积阈值，则基于面部特征数据集和服装特征数据集以及面部特征匹配数据集和服装特征匹配数据集分析获得行人匹配系数；所述车辆特征数据集包括挡风玻璃面积和车辆HSV值，所述车辆特征匹配数据集包括挡风玻璃匹配面积和车辆HSV匹配值。

一种基于雷达图像信息融合的交通管理辅助感知方法装置，包括移动目标感知监测模块、待监测车道区间监测预警模块、待监测车道区间交通更新监测模块和临近监测车道区间监测预警模块，其中：所述移动目标感知监测模块用于将监控数据与雷达图像信息进行融合处理，对待监测车道区间的移动目标进行感知监测，识别和跟踪待监测车道区间的移动目标；所述待监测车道区间监测预警模块用于基于识别和跟踪到的待监测车道区间的移动目标确定当前监测周期的待监测车道区间的交通密度系数，并当前监测周期的判断监测车道区间的交通密度系数是否大于设定的第一密度系数阈值，若否则继续判断下一监测周期的监测车道区间的交通密度系数是否大于设定的第一密度系数阈值，若是则进行交通堵塞预警；所述待监测车道区间交通更新监测模块用于获取待监测车道区间当前监测周期的交通更新系数，并判断当前监测周期交通更新系数是否小于设定的交通更新阈值系数，若是则进行临近监测车道区间感知监测，若否则在下一监测周期的待监测车道区间的交通密度系数大于设定的第一密度系数阈值时判断下一监测周期的交通更新系数是否小于设定的交通更新阈值系数；所述临近监测车道区间监测预警模块用于基于临近监测车道区间感知监测，识别和跟踪临近监测车道区间的移动目标，并确定当前监测周期的临近监测车道区间的交通密度系数，并判断当前监测周期的临近监测车道区间的交通密度系数是否大于设定的第二密度系数阈值，若是则进行交通堵塞一级严重预警，若否则判断当前监测周期的临近监测车道区间的交通更新系数是否小于设定的交通更新阈值系数，若是则进行交通堵塞二级严重预警，若否则在下一监测周期的待监测车道区间的交通密度系数大于设定的第一密度系数阈值且下一监测周期的临近监测车道区间的交通密度系数大于设定的第二密度系数阈值时判断下一监测周期的临近监测车道区间的交通更新系数是否小于设定的交通更新阈值系数。

本发明的技术方案，与现有技术相比至少具有以下有益效果：

上述方案中，通过整合监控数据和雷达图像信息，并对移动目标进行感知监测、识别和跟踪，实现了对交通场景的全面感知和跟踪，从而有效地监测交通状况，利用行人和车辆密度等信息，结合相关的计算公式和阈值，实现了对交通密度的实时分析和预警，能够及时发现交通拥堵等问题。

通过设定不同的密度系数阈值和更新阈值，以及综合考虑不同特征的匹配结果，实现了对行人和车辆严重堵塞情况的精准预警，有助于及时采取交通管理措施，采用了多维度的特征匹配，如行人的面部特征、头部特征、服装特征，以及车辆的挡风玻璃面积和HSV值等，提高了匹配的准确性和可靠性。

附图说明

图1为本发明基于雷达图像信息融合的交通管理辅助感知方法流程图；

图2为本发明基于雷达图像信息融合的交通管理辅助感知装置连接图。

具体实施方式

本发明实施例通过基于雷达图像信息融合的交通管理辅助感知方法，通过融合雷达图像信息，结合监控数据，实现了对交通状态的全面感知和监测，并能够及时进行预警和调整，从而有效地缓解交通拥堵，提高道路通行效率，增强交通安全性。

本发明实施例中的问题，总体思路如下：

首先，将监控数据与雷达图像信息进行融合处理。这可能涉及到数据预处理、特征提取和数据融合等步骤，以确保从两种不同数据源中获取的信息能够被有效地结合起来，利用融合后的数据进行移动目标的感知监测，这一步涉及到目标检测、目标识别等感知算法，可以从监控数据和雷达图像中提取出移动目标的位置信息。

基于识别和跟踪到的移动目标，确定待监测车道区间的交通密度系数，这一步可以通过对移动目标的数量信息进行统计分析来实现，以反映车道区间的交通密度情况。根据交通密度系数判断交通状态，并进行相应的预警。例如，如果交通密度系数超过设定的阈值，则进行交通堵塞预警；如果交通密度系数低于设定的阈值，但交通更新系数较低，则进行临近监测车道区间的感知监测；如果临近监测车道区间的交通密度系数超过第二密度系数阈值，则进行交通严重堵塞预警。

监测交通更新系数，及时发现交通状况的变化。如果交通更新系数低于设定的阈值，则进行临近监测车道区间的感知监测，以及可能的交通状态调整。

如图1所示，本发明实施例提供一种基于雷达图像信息融合的交通管理辅助感知方法，包括以下步骤：将监控数据与雷达图像信息进行融合处理，对待监测车道区间的移动目标进行感知监测，识别和跟踪待监测车道区间的移动目标；基于识别和跟踪到的待监测车道区间的移动目标确定当前监测周期的待监测车道区间的交通密度系数，并当前监测周期的判断监测车道区间的交通密度系数是否大于设定的第一密度系数阈值，若否则继续判断下一监测周期的监测车道区间的交通密度系数是否大于设定的第一密度系数阈值，若是则进行交通堵塞预警；获取待监测车道区间当前监测周期的交通更新系数，并判断当前监测周期交通更新系数是否小于设定的交通更新阈值系数，若是则进行临近监测车道区间感知监测，若否则在下一监测周期的待监测车道区间的交通密度系数大于设定的第一密度系数阈值时判断下一监测周期的交通更新系数是否小于设定的交通更新阈值系数；基于临近监测车道区间感知监测，识别和跟踪临近监测车道区间的移动目标，并确定当前监测周期的临近监测车道区间的交通密度系数，并判断当前监测周期的临近监测车道区间的交通密度系数是否大于设定的第二密度系数阈值，若是则进行交通堵塞一级严重预警，若否则判断当前监测周期的临近监测车道区间的交通更新系数是否小于设定的交通更新阈值系数，若是则进行交通堵塞二级严重预警，若否则在下一监测周期的待监测车道区间的交通密度系数大于设定的第一密度系数阈值且下一监测周期的临近监测车道区间的交通密度系数大于设定的第二密度系数阈值时判断下一监测周期的临近监测车道区间的交通更新系数是否小于设定的交通更新阈值系数。

将监控数据与雷达图像信息进行融合处理，识别和跟踪待监测车道区间的移动目标的过程为通过安装在待监测车道区间的摄像头，实时获取监控视频数据，通过安装在同一区间的雷达系统，实时获取雷达探测到的移动目标信息，包括目标的距离、速度、方向等数据，对视频数据和雷达数据进行时间同步，确保两种数据源的信息在同一时间轴上进行处理，基于监控摄像头和雷达的安装位置和角度，进行空间对齐，将视频数据和雷达数据映射到同一个坐标系中，利用图像特征和雷达特征进行匹配，将雷达检测到的目标与视频中的目标进行关联，确保同一个目标在两种数据源中有一致的标识。使用多目标跟踪算法，对融合后的数据进行处理，实时跟踪每一个移动目标。根据目标的历史位置和运动状态，预测目标的未来位置，更新跟踪轨迹，利用目标的外观特征（如形状、颜色等）和运动特征（如速度、方向等），确保跟踪目标身份的一致性。在监控界面上显示融合后的监控数据和雷达信息，包括每个目标的实时位置、运动轨迹等，并通过监控数据获得行人特征数据和车辆特征数据。

具体地，移动目标包括移动行人和移动车辆，交通密度系数除了可以通过相关监测设备获取或者直接利用行人和车辆密度表示之外，也可以通过如下的公式计算得到，交通密度系数的计算公式为：

；

式中，为交通密度系数，为行人交通密度，行人交通密度基于待监测车道区间的行人数量或临近监测车道区间的行人数量确定，为设定的行人交通密度阈值，为车辆交通密度，为设定的车辆交通密度阈值，为行人密度权重系数，为车辆密度权重系数，且。

本实施方案中，考虑了行人和车辆两种移动目标对交通密度的影响，使得交通密度系数更全面地反映了道路上的交通状况，通过动态调整行人密度权重系数和车辆密度权重系数，使得交通密度系数的计算更具灵活性，能够根据实际情况进行调整，能够根据不同交通场景的特点进行调整，从而适应不同的交通环境，使得交通密度系数的计算更具普适性和适应性。

具体地，第一密度系数阈值包括第一行人密度系数阈值、第一车辆密度系数阈值和第一综合密度系数阈值，交通堵塞预警包括行人堵塞预警、车辆堵塞预警和综合堵塞预警，判断监测车道区间的交通密度系数是否大于设定的第一密度系数阈值的过程如下：当行人交通密度大于设定的行人交通密度阈值且车辆交通密度小于设定的车辆交通密度阈值时，判断交通密度系数是否大于设定的第一行人密度系数阈值，若是则进行行人堵塞预警；当行人交通密度小于设定的行人交通密度阈值且车辆交通密度大于设定的车辆交通密度阈值时，判断交通密度系数是否大于设定的第一车辆密度系数阈值，若是则进行车辆堵塞预警；当行人交通密度大于设定的行人交通密度阈值且车辆交通密度大于设定的车辆交通密度阈值时，判断交通密度系数是否大于设定的第一综合密度系数阈值，若是则进行综合堵塞预警。

本实施方案中，根据行人交通密度和车辆交通密度的情况，将交通堵塞预警分为行人堵塞预警、车辆堵塞预警和综合堵塞预警，使得预警更具针对性和有效性，通过分别判断行人和车辆交通密度是否超过阈值，并进行相应的堵塞预警，可以更准确地发现交通拥堵问题，使得预警更加精准和有效。

根据行人和车辆密度情况的不同，进行不同类型的堵塞预警，有利于交通管理部门根据实际情况采取相应的措施，提高了交通管理的效率和针对性。

具体地，第二密度系数阈值包括第二行人密度系数阈值、第二车辆密度系数阈值和第二综合密度系数阈值，交通堵塞预警包括行人严重堵塞预警、车辆严重堵塞预警和综合严重堵塞预警，判断监测车道区间的交通密度系数是否大于设定的第二密度系数阈值的过程如下：当行人交通密度大于设定的行人交通密度阈值且车辆交通密度小于设定的车辆交通密度阈值时，判断交通密度系数是否大于设定的第二行人密度系数阈值，若是则进行行人严重堵塞预警；当行人交通密度小于设定的行人交通密度阈值且车辆交通密度大于设定的车辆交通密度阈值时，判断交通密度系数是否大于设定的第二车辆密度系数阈值，若是则进行车辆严重堵塞预警；当行人交通密度大于设定的行人交通密度阈值且车辆交通密度大于设定的车辆交通密度阈值时，判断交通密度系数是否大于设定的第二综合密度系数阈值，若是则进行综合严重堵塞预警。

首先，根据行人交通密度和车辆交通密度的情况，分别判断是否满足不同的条件。这些条件包括行人交通密度是否大于设定的行人交通密度阈值，车辆交通密度是否小于设定的车辆交通密度阈值，以及相反的情况，在确定满足特定条件后，根据所得到的行人交通密度和车辆交通密度，计算交通密度系数。该系数可以根据公式中给出的方式计算，考虑到行人和车辆密度的权重系数，以及与阈值的比较。

将计算得到的交通密度系数与设定的第二密度系数阈值进行比较。若交通密度系数大于设定的第二密度系数阈值，则表示交通密度已经超过了预设的严重堵塞水平，需要进行相应的严重堵塞预警，根据判断结果，确定进行何种类型的严重堵塞预警。若满足条件的是行人密度超过阈值而车辆密度未超过阈值，则进行行人严重堵塞预警；反之，则进行车辆严重堵塞预警。如果同时满足行人密度和车辆密度都超过阈值，则进行综合严重堵塞预警。

通过再次判断行人和车辆交通密度是否超过第二密度系数阈值，并进行相应的严重堵塞预警，可以更准确地发现交通拥堵问题，使得预警更加精准和有效。

交通更新系数处理可以直接通过每个确定时期内行人或者车辆更新速度来表示之外，还可以通过如下的方式计算得到，交通更新系数的计算公式为：

;

式中，为交通更新系数，为行人更新率，为设定的行人更新参考率，为车辆更新率，为设定的车辆更新参考率，为行人更新率权重系数，为车辆更新率权重系数，且，为自然常数，为行人交通密度，行人交通密度基于待监测车道区间的行人数量或临近监测车道区间的行人数量确定，为设定的行人交通密度阈值，为车辆交通密度，为设定的车辆交通密度阈值。

本实施方案中，交通更新率指的是在一定时期内，行人和车辆的数量变化率，可以通过每个确定时期内行人或车辆的更新速度来表示，交通更新率的高低可以反映出交通流量的变化情况，即道路上行人和车辆数量的变化快慢程度。交通更新系数的计算逻辑基于行人和车辆更新率的比较和权衡。当行人或车辆更新率高于设定的参考率时，交通更新系数将反映出相对较高的交通更新程，不同情况下的交通更新系数计算方式不同，根据行人和车辆交通密度的不同组合，选择相应的计算公式进行计算，以便更准确地反映出交通状况的变化。

交通更新系数基于行人和车辆的更新率，能够反映出交通情况的动态变化，使得交通管理能够更及时地作出响应，综合考虑了行人和车辆的更新率，使得交通更新系数更全面地反映了交通状况的综合情况，有利于提高交通管理的全面性和准确性。

具体地，交通更新阈值系数包括行人更新阈值系数、车辆更新阈值系数和综合更新阈值系数，判断交通更新系数是否小于设定的交通更新阈值系数的过程如下：当行人交通密度大于设定的行人交通密度阈值且车辆交通密度小于设定的车辆交通密度阈值时，判断交通更新系数是否小于设定的行人更新阈值系数，若是则判断临近监测车道区间的交通密度系数是否大于设定的第二密度系数阈值，若否则继续判断交通更新系数是否小于设定的行人更新阈值系数；当行人交通密度小于设定的行人交通密度阈值且车辆交通密度大于设定的车辆交通密度阈值时，判断交通更新系数是否小于设定的车辆更新阈值系数，若是则判断临近监测车道区间的交通密度系数是否大于设定的第二密度系数阈值，若否则继续判断交通更新系数是否小于设定的车辆更新阈值系数；当行人交通密度大于设定的行人交通密度阈值且车辆交通密度大于设定的车辆交通密度阈值时，判断交通更新系数是否小于设定的综合更新阈值系数，若是则判断临近监测车道区间的交通密度系数是否大于设定的第二密度系数阈值，若否则继续判断交通更新系数是否小于设定的综合更新阈值系数。

本实施方案中，首先，根据行人交通密度和车辆交通密度的情况，分别判断是否满足特定条件，包括行人密度大于设定的阈值且车辆密度小于设定的阈值、行人密度小于设定的阈值且车辆密度大于设定的阈值，以及两者都大于对应的阈值，根据不同的情况，进行相应的处理和判断。

在满足特定条件的情况下，进一步判断交通更新系数是否小于设定的交通更新阈值系数，交通更新系数的比较是通过将计算得到的交通更新系数与设定的行人更新阈值系数、车辆更新阈值系数或综合更新阈值系数进行比较，以确定是否满足预警条件。若交通更新系数小于设定的交通更新阈值系数，则继续进行后续的判断，包括判断临近监测车道区间的交通密度系数是否大于设定的第二密度系数阈值，并继续判断交通更新系数是否小于设定的阈值系数，通过连续的判断，能够更加准确地确定交通状况的变化趋势和严重程度，为交通管理提供更全面的数据支持。

具体地，对移动目标进行感知监测，识别和跟踪移动目标的过程如下：基于监控数据对进入待监测车道区间或临近监测车道区间的移动目标进行特征提取，获取行人特征匹配数据集和车辆特征匹配数据集并存储；基于设定的匹配周期，对待监测车道区间或临近监测车道区间的移动目标进行特征提取，获取行人特征数据集和车辆特征数据集，将行人特征数据集和车辆特征数据集与行人特征匹配数据集和车辆特征匹配数据集进行匹配；基于匹配结果对移动目标进行识别和跟踪，确定待监测车道区间或临近监测车道区间的移动行人和移动车辆，待监测车道区间的移动行人和移动车辆作为监测车道区间的交通密度系数的分析依据，临近监测车道区间的移动行人和移动车辆作为临近监测车道区间的交通密度系数的分析依据。

本实施方案中，首先，基于监控数据对进入待监测车道区间或临近监测车道区间的移动目标进行特征提取，提取的特征数据被存储在行人特征匹配数据集和车辆特征匹配数据集中，以便后续的匹配和识别过程使用。在设定的匹配周期内，再次对待监测车道区间或临近监测车道区间的移动目标进行特征提取，并获取行人特征数据集和车辆特征数据集，将这些新提取的特征数据与之前存储的行人特征匹配数据集和车辆特征匹配数据集进行匹配，以寻找对应的移动目标。

基于匹配结果，对移动目标进行识别和跟踪。通过匹配成功的特征数据，确定待监测车道区间或临近监测车道区间的移动行人和移动车辆，这些被识别和跟踪的移动目标将作为后续交通密度系数分析的依据。

通过周期性的特征提取和匹配，能够实现对移动目标的实时感知监测，及时反映出待监测车道区间和临近监测车道区间的交通情况变化，并且通过特征提取和匹配，能够精准地识别和跟踪移动目标，减少了误识别和漏识别的可能性，提高了识别和跟踪的准确性。通过对行人和车辆的特征提取和匹配，实现了对不同类型移动目标的感知监测，从而全面了解了交通状况，为后续的交通密度系数分析提供了更全面的数据支持。

具体地，行人特征数据集包括面部特征数据集、头部特征数据集和服装特征数据集，行人特征匹配数据集包括面部特征匹配数据集、头部特征匹配数据集和服装特征匹配数据集，行人特征数据集和行人特征匹配数据集进行匹配得到行人匹配系数，行人匹配系数作为识别和跟踪移动目标的依据，还作为交通更新系数的分析依据；车辆特征数据集和车辆特征匹配数据集进行匹配得到车辆匹配系数，车辆匹配系数作为识别和跟踪移动目标的依据，还作为交通更新系数的分析依据。

行人特征数据集包括面部特征数据集、头部特征数据集和服装特征数据集，而行人特征匹配数据集则包括对应的匹配数据集，用于存储之前获取的特征数据，同样地，车辆特征数据集和车辆特征匹配数据集也具有相似的结构，用于存储车辆的特征数据和匹配数据。

通过将行人特征数据集与行人特征匹配数据集进行匹配，可以得到行人匹配系数，该系数反映了行人特征数据与之前存储的特征数据的匹配程度，类似地，车辆特征数据集与车辆特征匹配数据集进行匹配，得到车辆匹配系数。

面部特征匹配数据集包括面部遮挡物面积、遮挡物弯曲度和遮挡物弯曲角度，头部特征数据集包括眉间距离、唇宽和上唇至眉间距离，服装特征数据集包括上衣宽度值和领口曲率；面部特征匹配数据集包括面部遮挡物匹配面积、遮挡物匹配弯曲度和遮挡物匹配弯曲角度，头部特征匹配数据集包括眉间匹配距离、匹配唇宽和上唇至眉间匹配距离，服装特征匹配数据集包括上衣匹配宽度值和领口匹配曲率；若面部遮挡物面积小于设定的面部遮挡物面积阈值，则基于头部特征数据集和服装特征数据集以及头部特征匹配数据集和服装特征匹配数据集分析获得行人匹配系数，若面部遮挡物面积大于设定的面部遮挡物面积阈值，则基于面部特征数据集和服装特征数据集以及面部特征匹配数据集和服装特征匹配数据集分析获得行人匹配系数。

根据面部特征数据集、头部特征数据集和服装特征数据集的描述，提取了与人体相关的面部、头部和服装特征数据，将这些特征数据与相应的特征匹配数据集进行匹配，以便后续分析行人的匹配程度。面部遮挡物面积是一个重要的特征，用于判断人脸是否被遮挡。若面部遮挡物面积小于设定的阈值，则采用头部特征和服装特征进行匹配；若面部遮挡物面积大于设定的阈值，则采用面部特征和服装特征进行匹配，根据不同的匹配情况，分别使用头部特征数据集和服装特征数据集或面部特征数据集和服装特征数据集，结合相应的匹配数据集，进行匹配分析。

考虑到了面部遮挡物对匹配的影响，不仅仅局限于面部特征的匹配，还兼顾了头部特征和服装特征，使得匹配分析更加全面，不同的匹配方案根据面部遮挡情况调整，更具灵活性和适应性，能够适应各种不同场景下的人体特征匹配需求。

行人匹配系数除了可以通过深度学习算法或基于深度学习的 Siamese 网络进行匹配获得外，还可以通过如下的计算公式得到：

；

式中，为行人特征匹配数据集的编号，，为行人特征匹配数据集的总个数，为行人特征数据集与第个行人特征匹配数据集进行匹配得到的行人匹配系数，为头部特征数据集，为头部特征匹配数据集，为头部特征数据集与第个行人特征匹配数据集中的头部特征匹配数据集进行匹配的计算函数，为计算函数的权重因子，为服装特征数据集，为服装特征匹配数据集，为服装特征数据集与第个行人特征匹配数据集中的服装特征匹配数据集进行匹配的计算函数，为计算函数的权重因子，为面部特征数据集，为面部特征匹配数据集，为面部特征数据集与第个行人特征匹配数据集中的面部特征匹配数据集进行匹配的计算函数，为计算函数的权重因子，为面部遮挡物面积，为设定的面部遮挡物面积阈值。

匹配系数的计算公式使用了多种特征数据集（头部、服装、面部）以及它们与匹配数据集的匹配函数，公式分为两种情况：当面部遮挡物面积小于设定阈值时，使用头部特征和服装特征进行匹配；当面部遮挡物面积大于设定阈值时，采用头部特征和面部特征进行匹配。匹配函数用于评估特征数据集与匹配数据集之间的匹配程度。这些函数可以基于各种相似性度量方法，如欧氏距离、余弦相似度等，来计算特征之间的相似性，也可以通过如下的计算方式进行计算。

其中, ，为眉间距离，为第个行人特征匹配数据集中的头部特征匹配数据集中的眉间匹配距离，为唇宽，为第个行人特征匹配数据集中的头部特征匹配数据集中的匹配唇宽，为上唇至眉间距离，为第个行人特征匹配数据集中的头部特征匹配数据集中的上唇至眉间匹配距离，为眉间距离和唇宽的综合权重因子，为上唇至眉间距离的权重因子。

,

式中，为上衣宽度值，为第个行人特征匹配数据集中的服装特征匹配数据中的上衣匹配宽度值，为上衣宽度值的权重因子，为领口曲率，为第个行人特征匹配数据集中的服装特征匹配数据中的领口匹配曲率，为领口曲率的权重因子。

，

式中，为面部遮挡物面积，为第个行人特征匹配数据集中的面部特征匹配数据集中的面部遮挡物匹配面积，为面部遮挡物面积的权重因子，为遮挡物弯曲度，为第个行人特征匹配数据集中的面部特征匹配数据集中的遮挡物匹配弯曲度，为遮挡物弯曲角度，为第个行人特征匹配数据集中的面部特征匹配数据集中的遮挡物匹配弯曲角度，为弯曲权重因子。

对于上述行人特征匹配数据集中的各个匹配参数，通过获取当前周期内的各个行人的特征进行获取，将各个行人的特征进行提取后存储与数据库中，并在下一个监测周期删除上一监测周期存储的匹配参数，实现更新。

车辆特征数据集包括挡风玻璃面积和车辆HSV值，车辆特征匹配数据集包括挡风玻璃匹配面积和车辆HSV匹配值。

车辆匹配系数除了可以通过深度学习算法或基于深度学习的 Siamese 网络进行匹配获得外，还可以通过如下的计算公式得到：

；

式中，为车辆特征匹配数据集的编号，，为车辆特征匹配数据集的总个数，为挡风玻璃面积，为第个车辆特征匹配数据集中的挡风玻璃匹配面积，为挡风玻璃面积权重因子，为车辆HSV值中的H值，为第个车辆特征匹配数据集中的车辆HSV匹配值的H值，为车辆HSV值中的S值为第个车辆特征匹配数据集中的车辆HSV匹配值的S值，为车辆HSV值中的V值，为第个车辆特征匹配数据集中的车辆HSV匹配值的V值，为HSV值权重因子。

同样的，对于上述车辆特征匹配数据集中的各个匹配参数，通过获取当前周期内的各个车辆的特征进行获取，将各个车辆的特征进行提取后存储与数据库中，并在下一个监测周期删除上一监测周期存储的匹配参数，实现更新。

本实施方案中，车辆匹配系数的计算采用了两个方面的考量：挡风玻璃面积和车辆HSV值，使得匹配过程更加全面，可以从多个角度对车辆进行识别和跟踪，权重因子可以根据实际情况进行调节，使得算法具有一定的灵活性和适应性，可以根据不同场景和需求进行调整，提高了算法的适用性。

一种基于雷达图像信息融合的交通管理辅助感知方法装置，包括移动目标感知监测模块、待监测车道区间监测预警模块、待监测车道区间交通更新监测模块和临近监测车道区间监测预警模块，其中：所述移动目标感知监测模块用于将监控数据与雷达图像信息进行融合处理，对待监测车道区间的移动目标进行感知监测，识别和跟踪待监测车道区间的移动目标；所述待监测车道区间监测预警模块用于基于识别和跟踪到的待监测车道区间的移动目标确定当前监测周期的待监测车道区间的交通密度系数，并当前监测周期的判断监测车道区间的交通密度系数是否大于设定的第一密度系数阈值，若否则继续判断下一监测周期的监测车道区间的交通密度系数是否大于设定的第一密度系数阈值，若是则进行交通堵塞预警；所述待监测车道区间交通更新监测模块用于获取待监测车道区间当前监测周期的交通更新系数，并判断当前监测周期交通更新系数是否小于设定的交通更新阈值系数，若是则进行临近监测车道区间感知监测，若否则在下一监测周期的待监测车道区间的交通密度系数大于设定的第一密度系数阈值时判断下一监测周期的交通更新系数是否小于设定的交通更新阈值系数；所述临近监测车道区间监测预警模块用于基于临近监测车道区间感知监测，识别和跟踪临近监测车道区间的移动目标，并确定当前监测周期的临近监测车道区间的交通密度系数，并判断当前监测周期的临近监测车道区间的交通密度系数是否大于设定的第二密度系数阈值，若是则进行交通堵塞一级严重预警，若否则判断当前监测周期的临近监测车道区间的交通更新系数是否小于设定的交通更新阈值系数，若是则进行交通堵塞二级严重预警，若否则在下一监测周期的待监测车道区间的交通密度系数大于设定的第一密度系数阈值且下一监测周期的临近监测车道区间的交通密度系数大于设定的第二密度系数阈值时判断下一监测周期的临近监测车道区间的交通更新系数是否小于设定的交通更新阈值系数。

本实施方案中，通过移动目标感知监测模块，将监控数据与雷达图像信息融合，实现对移动目标的全面感知、识别和跟踪，提高了对交通情况的准确性和全面性，待监测车道区间监测预警模块根据识别和跟踪到的移动目标，确定待监测车道区间的交通密度系数，并实时判断是否超过设定的第一密度系数阈值。若超过阈值，则进行交通更新并发出交通堵塞预警，从而及时提醒驾驶员和交通管理者采取措施。

待监测车道区间交通更新监测模块获取交通更新系数，并判断是否小于设定的交通更新阈值系数。若小于阈值，则进行临近监测车道区间感知监测，实现了对交通状况的持续监测和更新，临近监测车道区间监测预警模块根据识别和跟踪到的移动目标，确定临近监测车道区间的交通密度系数，并判断是否超过设定的第二密度系数阈值。若未超过阈值，则进一步判断待监测车道区间的交通更新系数是否小于设定的交通更新阈值系数，若是则进行交通严重堵塞预警，提高了对交通异常情况的及时发现和处理能力。

一种电子设备，包括：处理器；以及存储器，在存储器中存储有计算机程序指令，计算机程序指令在被处理器运行时使得处理器执行如上的基于雷达图像信息融合的交通管理辅助感知方法。

一种计算机可读存储介质，用于存储程序，程序被处理器执行时实现如上的基于雷达图像信息融合的交通管理辅助感知方法。

本发明实施例，通过整合监控数据和雷达图像信息，并对移动目标进行感知监测、识别和跟踪，实现了对交通场景的全面感知和跟踪，从而有效地监测交通状况，利用行人和车辆密度等信息，结合相关的计算公式和阈值，实现了对交通密度的实时分析和预警，能够及时发现交通拥堵等问题。

通过设定不同的密度系数阈值和更新阈值，以及综合考虑不同特征的匹配结果，实现了对行人和车辆严重堵塞情况的精准预警，有助于及时采取交通管理措施，采用了多维度的特征匹配，如行人的面部特征、头部特征、服装特征，以及车辆的挡风玻璃面积和HSV值等，提高了匹配的准确性和可靠性。

本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质（包括但不限于磁盘存储器、CD-ROM、光学存储器等）上实施的计算机程序产品的形式。

本发明是参照根据本发明实施例的系统、设备（系统）、和计算机程序产品的流程图和／或方框图来描述的。应理解可由计算机程序指令实现流程图和／或方框图中的每一流程和／或方框、以及流程图和／或方框图中的流程和／或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的步骤。

尽管已描述了本发明的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。

显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。

Claims (10)

1.一种基于雷达图像信息融合的交通管理辅助感知方法，其特征在于，包括以下步骤：

将监控数据与雷达图像信息进行融合处理，对待监测车道区间的移动目标进行感知监测，识别和跟踪待监测车道区间的移动目标；

基于识别和跟踪到的待监测车道区间的移动目标确定当前监测周期的待监测车道区间的交通密度系数，并当前监测周期的判断监测车道区间的交通密度系数是否大于设定的第一密度系数阈值，若否则继续判断下一监测周期的监测车道区间的交通密度系数是否大于设定的第一密度系数阈值，若是则进行交通堵塞预警；

获取待监测车道区间当前监测周期的交通更新系数，并判断当前监测周期交通更新系数是否小于设定的交通更新阈值系数，若是则进行临近监测车道区间感知监测，若否则在下一监测周期的待监测车道区间的交通密度系数大于设定的第一密度系数阈值时判断下一监测周期的交通更新系数是否小于设定的交通更新阈值系数；

基于临近监测车道区间感知监测，识别和跟踪临近监测车道区间的移动目标，并确定当前监测周期的临近监测车道区间的交通密度系数，并判断当前监测周期的临近监测车道区间的交通密度系数是否大于设定的第二密度系数阈值，若是则进行交通堵塞一级严重预警，若否则判断当前监测周期的临近监测车道区间的交通更新系数是否小于设定的交通更新阈值系数，若是则进行交通堵塞二级严重预警，若否则在下一监测周期的待监测车道区间的交通密度系数大于设定的第一密度系数阈值且下一监测周期的临近监测车道区间的交通密度系数大于设定的第二密度系数阈值时判断下一监测周期的临近监测车道区间的交通更新系数是否小于设定的交通更新阈值系数。

2.根据权利要求1所述的基于雷达图像信息融合的交通管理辅助感知方法，其特征在于，所述移动目标包括移动行人和移动车辆，所述交通密度系数的计算公式为：

；

式中，为交通密度系数，为行人交通密度，所述行人交通密度基于待监测车道区间的行人数量或临近监测车道区间的行人数量确定，为设定的行人交通密度阈值，为车辆交通密度，为设定的车辆交通密度阈值，为行人密度权重系数，为车辆密度权重系数，且。

3.根据权利要求2所述的基于雷达图像信息融合的交通管理辅助感知方法，其特征在于,所述第一密度系数阈值包括第一行人密度系数阈值、第一车辆密度系数阈值和第一综合密度系数阈值，所述交通堵塞预警包括行人堵塞预警、车辆堵塞预警和综合堵塞预警，判断监测车道区间的交通密度系数是否大于设定的第一密度系数阈值的过程如下：

当行人交通密度大于设定的行人交通密度阈值且车辆交通密度小于设定的车辆交通密度阈值时，判断交通密度系数是否大于设定的第一行人密度系数阈值，若是则进行行人堵塞预警；

当行人交通密度小于设定的行人交通密度阈值且车辆交通密度大于设定的车辆交通密度阈值时，判断交通密度系数是否大于设定的第一车辆密度系数阈值，若是则进行车辆堵塞预警；

当行人交通密度大于设定的行人交通密度阈值且车辆交通密度大于设定的车辆交通密度阈值时，判断交通密度系数是否大于设定的第一综合密度系数阈值，若是则进行综合堵塞预警。

4.根据权利要求2所述的基于雷达图像信息融合的交通管理辅助感知方法，其特征在于，所述第二密度系数阈值包括第二行人密度系数阈值、第二车辆密度系数阈值和第二综合密度系数阈值，所述交通堵塞预警包括行人严重堵塞预警、车辆严重堵塞预警和综合严重堵塞预警，判断监测车道区间的交通密度系数是否大于设定的第二密度系数阈值的过程如下：

当行人交通密度大于设定的行人交通密度阈值且车辆交通密度小于设定的车辆交通密度阈值时，判断交通密度系数是否大于设定的第二行人密度系数阈值，若是则进行行人严重堵塞预警；

当行人交通密度小于设定的行人交通密度阈值且车辆交通密度大于设定的车辆交通密度阈值时，判断交通密度系数是否大于设定的第二车辆密度系数阈值，若是则进行车辆严重堵塞预警；

当行人交通密度大于设定的行人交通密度阈值且车辆交通密度大于设定的车辆交通密度阈值时，判断交通密度系数是否大于设定的第二综合密度系数阈值，若是则进行综合严重堵塞预警。

5.根据权利要求1所述的基于雷达图像信息融合的交通管理辅助感知方法，其特征在于，所述交通更新系数的计算公式为：

;

式中，为交通更新系数，为行人更新率，为设定的行人更新参考率，为车辆更新率，为设定的车辆更新参考率，为行人更新率权重系数，为车辆更新率权重系数，且，为自然常数，为行人交通密度，所述行人交通密度基于待监测车道区间的行人数量或临近监测车道区间的行人数量确定，为设定的行人交通密度阈值，为车辆交通密度，为设定的车辆交通密度阈值。

6.根据权利要求5所述的基于雷达图像信息融合的交通管理辅助感知方法，其特征在于，所述交通更新阈值系数包括行人更新阈值系数、车辆更新阈值系数和综合更新阈值系数，判断交通更新系数是否小于设定的交通更新阈值系数的过程如下：

当行人交通密度大于设定的行人交通密度阈值且车辆交通密度小于设定的车辆交通密度阈值时，判断交通更新系数是否小于设定的行人更新阈值系数，若是则判断临近监测车道区间的交通密度系数是否大于设定的第二密度系数阈值，若否则继续判断交通更新系数是否小于设定的行人更新阈值系数；

当行人交通密度小于设定的行人交通密度阈值且车辆交通密度大于设定的车辆交通密度阈值时，判断交通更新系数是否小于设定的车辆更新阈值系数，若是则判断临近监测车道区间的交通密度系数是否大于设定的第二密度系数阈值，若否则继续判断交通更新系数是否小于设定的车辆更新阈值系数；

当行人交通密度大于设定的行人交通密度阈值且车辆交通密度大于设定的车辆交通密度阈值时，判断交通更新系数是否小于设定的综合更新阈值系数，若是则判断临近监测车道区间的交通密度系数是否大于设定的第二密度系数阈值，若否则继续判断交通更新系数是否小于设定的综合更新阈值系数。

7.根据权利要求1所述的基于雷达图像信息融合的交通管理辅助感知方法，其特征在于，对移动目标进行感知监测，识别和跟踪移动目标的过程如下：

基于监控数据对进入待监测车道区间或临近监测车道区间的移动目标进行特征提取，获取行人特征匹配数据集和车辆特征匹配数据集并存储；

基于设定的匹配周期，对待监测车道区间或临近监测车道区间的移动目标进行特征提取，获取行人特征数据集和车辆特征数据集，将行人特征数据集和车辆特征数据集与行人特征匹配数据集和车辆特征匹配数据集进行匹配；

基于匹配结果对移动目标进行识别和跟踪，确定待监测车道区间或临近监测车道区间的移动行人和移动车辆，待监测车道区间的移动行人和移动车辆作为监测车道区间的交通密度系数的分析依据，临近监测车道区间的移动行人和移动车辆作为临近监测车道区间的交通密度系数的分析依据。

8.根据权利要求7所述的基于雷达图像信息融合的交通管理辅助感知方法，其特征在于：所述行人特征数据集包括面部特征数据集、头部特征数据集和服装特征数据集，所述行人特征匹配数据集包括面部特征匹配数据集、头部特征匹配数据集和服装特征匹配数据集，所述行人特征数据集和行人特征匹配数据集进行匹配得到行人匹配系数，所述行人匹配系数作为识别和跟踪移动目标的依据，还作为交通更新系数的分析依据；

所述车辆特征数据集和车辆特征匹配数据集进行匹配得到车辆匹配系数，所述车辆匹配系数作为识别和跟踪移动目标的依据，还作为交通更新系数的分析依据。

9.根据权利要求8所述的基于雷达图像信息融合的交通管理辅助感知方法，其特征在于，所述面部特征匹配数据集包括面部遮挡物面积、遮挡物弯曲度和遮挡物弯曲角度，所述头部特征数据集包括眉间距离、唇宽和上唇至眉间距离，所述服装特征数据集包括上衣宽度值和领口曲率；

所述面部特征匹配数据集包括面部遮挡物匹配面积、遮挡物匹配弯曲度和遮挡物匹配弯曲角度，所述头部特征匹配数据集包括眉间匹配距离、匹配唇宽和上唇至眉间匹配距离，所述服装特征匹配数据集包括上衣匹配宽度值和领口匹配曲率；

若面部遮挡物面积小于设定的面部遮挡物面积阈值，则基于头部特征数据集和服装特征数据集以及头部特征匹配数据集和服装特征匹配数据集分析获得行人匹配系数，若面部遮挡物面积大于设定的面部遮挡物面积阈值，则基于面部特征数据集和服装特征数据集以及面部特征匹配数据集和服装特征匹配数据集分析获得行人匹配系数；

所述车辆特征数据集包括挡风玻璃面积和车辆HSV值，所述车辆特征匹配数据集包括挡风玻璃匹配面积和车辆HSV匹配值。

10.一种基于雷达图像信息融合的交通管理辅助感知方法装置，其特征在于，包括移动目标感知监测模块、待监测车道区间监测预警模块、待监测车道区间交通更新监测模块和临近监测车道区间监测预警模块，其中：

所述移动目标感知监测模块用于将监控数据与雷达图像信息进行融合处理，对待监测车道区间的移动目标进行感知监测，识别和跟踪待监测车道区间的移动目标；

所述待监测车道区间监测预警模块用于基于识别和跟踪到的待监测车道区间的移动目标确定当前监测周期的待监测车道区间的交通密度系数，并当前监测周期的判断监测车道区间的交通密度系数是否大于设定的第一密度系数阈值，若否则继续判断下一监测周期的监测车道区间的交通密度系数是否大于设定的第一密度系数阈值，若是则进行交通堵塞预警；

所述待监测车道区间交通更新监测模块用于获取待监测车道区间当前监测周期的交通更新系数，并判断当前监测周期交通更新系数是否小于设定的交通更新阈值系数，若是则进行临近监测车道区间感知监测，若否则在下一监测周期的待监测车道区间的交通密度系数大于设定的第一密度系数阈值时判断下一监测周期的交通更新系数是否小于设定的交通更新阈值系数；

所述临近监测车道区间监测预警模块用于基于临近监测车道区间感知监测，识别和跟踪临近监测车道区间的移动目标，并确定当前监测周期的临近监测车道区间的交通密度系数，并判断当前监测周期的临近监测车道区间的交通密度系数是否大于设定的第二密度系数阈值，若是则进行交通堵塞一级严重预警，若否则判断当前监测周期的临近监测车道区间的交通更新系数是否小于设定的交通更新阈值系数，若是则进行交通堵塞二级严重预警，若否则在下一监测周期的待监测车道区间的交通密度系数大于设定的第一密度系数阈值且下一监测周期的临近监测车道区间的交通密度系数大于设定的第二密度系数阈值时判断下一监测周期的临近监测车道区间的交通更新系数是否小于设定的交通更新阈值系数。