# 基于云边协同的车流量分析系统

**Repository Path**: smalling56345/cloud-edge_cooperative_vehicle_flow_analytics_system

## Basic Information

- **Project Name**: 基于云边协同的车流量分析系统
- **Description**: No description available
- **Primary Language**: Unknown
- **License**: Not specified
- **Default Branch**: master
- **Homepage**: None
- **GVP Project**: No

## Statistics

- **Stars**: 0
- **Forks**: 17
- **Created**: 2025-12-16
- **Last Updated**: 2025-12-16

## Categories & Tags

**Categories**: Uncategorized

**Tags**: None

## README

# 基于云边协同的车流量分析系统

## 项目简介

随着城市化进程加速与智能交通系统发展，传统交通监控系统面临信息获取成本高、数据处理效率低、实时性不足等问题。本项目设计并实现了一套基于云边协同架构的车流量分析系统，充分融合边缘计算的低延迟特性与云计算的强算力优势，实现对车流量的高效、精准分析，为交通管理、城市规划及道路安全提供数据支撑，同时响应国家信创战略，采用国产化硬件设备保障数据安全与技术自主可控。

**系统核心实现算法层协同与系统层协同：**

- **算法层：** 边缘端完成车辆检测与跟踪，云端专注车牌识别与数据分析，两端分工协作提升处理效率；
- **系统层：** 云边两端均提供可视化操作界面，支持用户灵活操作与实时监控，适配不同使用场景需求。

## 项目架构

### 总体架构

系统围绕边端、云端及云边交互三大核心模块构建，整体架构如下：

```
摄像头 → 边端（华为Atlas设备）→ 数据传输（Socket/FTP）→ 云端（本地电脑）→ 数据库存储与分析
```

#### 1. 边端模块

- **硬件载体：** 华为 Atlas 300I 推理卡（基于昇腾 310 芯片，8TOPS INT8 算力，支持 80 路高清视频解码）；
- **核心功能：** 视频流实时获取、车辆检测（Yolov8）、目标跟踪（SORT）、车流量计数、关键数据本地缓存；
- **数据输出：** 车辆图片、车辆类别、车辆 ID、检测时间等核心信息。

#### 2. 云端模块

- **硬件载体：** 本地电脑（模拟云端服务器）；
- **核心功能：** 接收边端数据、车牌检测（Yolov8 训练模型）、字符识别（PaddleOCR）、数据库存储与管理、数据查询与可视化分析；
- **数据输出：** 车牌号码、识别置信度、车流量统计图表、历史数据查询结果。

#### 3. 云边交互模块

- **传输协议：** 支持 Socket（TCP 协议）与 FTP 两种传输方式，根据网络环境灵活选择（FTP 在网络不稳定时鲁棒性更优）；
- **传输内容：** 边端缓存的车辆图片及相关元数据（类别、ID、检测时间等）；
- **核心保障：** 确保数据传输的实时性、完整性与安全性，避免数据丢失或泄露。

## 核心技术栈

### 硬件设备

| 设备名称     | 型号            | 核心参数与优势                                               |
| :----------- | :-------------- | :----------------------------------------------------------- |
| 边缘计算设备 | 华为 Atlas 300I | 昇腾 310 芯片，8TOPS 算力，32GB LPDDR4 显存，支持 80 路高清视频解码，国产化自主可控 |
| 云端服务器   | 本地电脑        | 提供充足算力支持车牌识别、数据库运算与可视化展示             |
| 数据采集设备 | 网络摄像头      | 支持 RTSP 协议，实时输出视频流                               |

### 软件与算法

| 技术类别     | 核心技术 / 工具                | 应用场景与作用                                  |
| :----------- | :----------------------------- | :---------------------------------------------- |
| 开发语言     | Python 3.6                     | 系统核心开发语言，适配边缘端环境                |
| 开发工具     | PyCharm、Navicat、Qt Designer  | 代码开发、数据库管理、界面设计                  |
| 边缘计算框架 | 华为 CANN、PyACL               | 昇腾芯片适配，实现模型转换与推理                |
| 目标检测算法 | Yolov8                         | 边端车辆检测、云端车牌检测，高精度与高效率兼顾  |
| 目标跟踪算法 | SORT                           | 视频流中车辆持续跟踪，分配唯一 ID，避免重复计数 |
| 字符识别工具 | PaddleOCR（PaddlePaddle 平台） | 车牌字符提取与识别，支持中文车牌精准识别        |
| 数据库技术   | MySQL                          | 存储车辆检测数据、车牌识别结果等核心信息        |
| 可视化框架   | PyQt5                          | 云边两端可视化界面开发，支持交互操作            |
| 数据传输协议 | Socket（TCP）、FTP             | 云边数据交互，保障传输可靠性                    |
| 系统环境     | Windows 11、麒麟系统           | 云端 Windows 环境，边端适配麒麟国产系统         |

## 功能说明

### 边端功能

1. **视频流接入：** 支持通过 RTSP 协议接入网络摄像头视频流，实时获取道路画面；
2. **车辆检测与跟踪：**
   - 基于 Yolov8 算法检测车辆，支持识别 5 类车型（汽车、卡车、公交车、自行车、摩托车）；
   - SORT 算法实现车辆连续跟踪，分配唯一 ID，避免跨帧重复计数；
3. **车流量计数：** 统计指定区域内通行车辆总数，实时显示在界面上；
4. **数据缓存与上传：** 检测结果（图片 + 元数据）本地缓存，通过 Socket/FTP 上传至云端；
5. **可视化操作：** 支持模型初始化、开始 / 暂停 / 结束检测、RTSP 地址配置等操作。

### 云端功能

1. **数据接收：** 兼容 Socket 与 FTP 两种传输协议，自动接收边端上传的数据；
2. **车牌识别：**
   - 基于 Yolov8 训练的车牌检测模型，精准定位车牌位置（支持蓝牌、黄牌、绿牌）；
   - PaddleOCR 字符识别，提取车牌号码，输出识别置信度；
3. **数据库管理：**
   - 存储字段：车辆 ID、车辆类型、车牌号码、识别置信度、检测时间、车辆图片路径；
   - 核心操作：数据插入、全量导出、按时间查询、按车牌地区筛选（如晋 A 开头车辆）；
4. **数据可视化：**
   - 支持生成指定时间段内车流量趋势折线图（每半小时统计一次）；
   - 检测结果实时展示（车牌号码、置信度、目标位置坐标）；
   - 扩展功能：支持单张图片检测、批量文件夹检测、视频流车牌检测三种模式。

## 环境搭建

### 边端环境搭建

1. **硬件准备**

   - 华为 Atlas 300I 推理卡及配套开发者套件；
   - 网络摄像头（支持 RTSP 协议，配置固定 IP 地址）。

2. **系统与依赖安装**

   - 操作系统：安装麒麟国产系统；

   - Python 环境：编译安装 Python 3.6（适配 Atlas 设备生态，避免 Python 3.8+ 的兼容性问题）；

   - 核心依赖库：

     bash

     ```
     # 基础依赖
     pip install opencv-python numpy pyqt5
     # 昇腾芯片适配依赖
     pip install pyacl  # 华为CANN平台Python API
     # 算法依赖
     pip install ultralytics  # Yolov8官方库
     ```

     

   - 模型转换工具：使用 Atlas 设备自带的 ATC（Ascend Tensor Compiler）工具，用于将 ONNX 模型转换为 OM 模型（适配昇腾芯片推理）。

3. **模型准备**

   - 下载 Yolov8 预训练模型（.pt 格式），通过 PyTorch 转换为 ONNX 格式：

     python

     ```
     from ultralytics import YOLO
     model = YOLO('yolov8n.pt')
     model.export(format='onnx', input_shape=(1,3,640,640))  # 导出ONNX模型
     ```

     

   - 通过 ATC 工具将 ONNX 模型转换为 OM 模型（在 Atlas 设备 root 用户下执行）：

     bash

     ```
     atc --model=./yolov8.onnx --framework=5 --input_format=NCHW --input_shape="images:1,3,640,640" --output=./yolov8 --soc_version=Ascend310
     ```

     

### 云端环境搭建

1. **系统与依赖安装**

   - 操作系统：Windows 11；

   - Python 环境：Python 3.8+；

   - 核心依赖库：

     bash

     ```
     # 基础依赖
     pip install opencv-python numpy pyqt5 pandas matplotlib
     # 算法依赖
     pip install ultralytics paddlepaddle paddleocr
     # 数据库依赖
     pip install mysql-connector-python
     ```

     

2. **模型准备**

   - 车牌检测模型：基于 Yolov8 训练自定义车牌数据集（16770 张图片，含蓝牌、黄牌、绿牌），生成车牌检测模型（.pt 格式）；
   - 字符识别模型：从 PaddleOCR 官方仓库下载预训练中文识别模型（方向分类器 + 文本识别模型），直接加载使用。

3. **数据库配置**

   - 安装 MySQL 数据库（推荐 8.0 版本），通过 Navicat 创建数据库 `traffic_flow`；

   - 创建数据表 `cardect`，字段设计如下：

     sql

     ```
     CREATE TABLE cardect (
         id INT AUTO_INCREMENT PRIMARY KEY,
         car_type VARCHAR(20) NOT NULL COMMENT '车辆类型',
         conf FLOAT NOT NULL COMMENT '识别置信度',
         plate_num VARCHAR(20) COMMENT '车牌号码',
         gather_time DATETIME NOT NULL COMMENT '检测时间'
     );
     ```

     

   - 配置数据库连接信息（在云端代码中修改）：

     python

     ```
     db_config = {
         'user': 'root',
         'password': 'your_password',
         'host': 'localhost',
         'database': 'traffic_flow'
     }
     ```

     

## 使用教程

### 边端操作步骤

1. **启动设备：** 开启华为 Atlas 300I 设备，确保网络与摄像头正常连接；

2. **启动边端程序：**

   ```
   python main_track.py
   ```

3. **界面操作：**

   - 输入 RTSP 地址：在弹出的输入框中填写网络摄像头的 RTSP 流地址（格式：`rtsp://username:password@ip:port`）；
   - 初始化模型：点击「初始化模型」按钮，加载 OM 格式的 Yolov8 检测模型；
   - 开始检测：点击「摄像头检测」按钮，实时显示视频流、车辆检测框、车辆 ID 及车流量计数；
   - 暂停 / 结束：根据需求点击「暂停 / 继续」或「结束检测」，结束后自动缓存数据至本地。

4. **数据上传：** 检测过程中，系统自动通过配置的传输协议（Socket/FTP）将数据上传至云端，可在界面查看上传状态。

### 云端操作步骤

1. **启动云端程序：**

   ```
   # 启动云端主程序
   python main.py
   ```

2. **界面操作：**

   - **数据接收：** 自动接收边端上传的数据，无需手动操作；
   - **车牌检测：**
     - 单张图片检测：点击「请选择图片文件」，选择本地车辆图片，自动输出车牌识别结果；
     - 批量检测：点击「图片文件夹检测」，选择边端上传的图片文件夹，批量完成车牌识别；
   - **数据存储：** 点击「保存」按钮，将检测结果存入 MySQL 数据库；
   - **数据查询：**
     - 按时间查询：点击「按时间查询」，选择起始时间与结束时间，查询指定时段的车流量数据；
     - 按车牌地区查询：在查询框中输入车牌前缀（如「晋 A」），结合时间范围筛选特定地区车辆；
   - **可视化分析：** 点击「车流统计」，生成指定时段内的车流量趋势折线图，支持直观查看车流波动。

## 关键技术细节

### 1. 边端模型部署优化

- **模型转换：** 通过 ATC 工具完成 PT→ONNX→OM 的格式转换，适配昇腾芯片的 NPU 加速；
- **多线程处理：** 采用 ThreadedCamera 类单独处理视频流读取，避免单线程卡顿；
- **目标跟踪：** 基于 SORT 算法（卡尔曼滤波 + 匈牙利算法），为每个车辆分配唯一 ID，解决跨帧关联问题。

### 2. 车牌识别优化

- **数据集增强：** 训练集包含不同天气（晴、雨、雾）、不同角度的车牌图片，提升模型鲁棒性；
- **损失函数：** 采用 DFL（分布式焦点损失）+ BCE（分类损失）+ CIoU（回归损失），提升车牌定位精度；
- **字符识别：** 使用 PaddleOCR v4中文模型，支持车牌字符（含省份简称、字母、数字）的精准识别，识别准确率达 98% 以上。

### 3. 数据传输选择

| 传输方式   | 优势                   | 劣势               | 适用场景               |
| :--------- | :--------------------- | :----------------- | :--------------------- |
| **Socket** | 传输延迟低，实时性强   | 网络不稳定时易丢包 | 网络带宽充足、稳定环境 |
| **FTP**    | 鲁棒性强，支持断点续传 | 延迟略高于 Socket  | 网络波动较大的环境     |

## 常见问题排查

- **边端模型初始化失败：**
  1. 检查 OM 模型文件是否存在，ATC 转换命令是否正确；
  2. 确认 PyACL 库安装成功，昇腾驱动版本与设备兼容。
- **数据传输失败：**
  1. 检查网络连接，确认云端服务已启动；
  2. 排查防火墙是否拦截端口，Socket/FTP 端口是否被占用。
- **车牌识别准确率低：**
  1. 检查输入图片是否清晰，避免遮挡、模糊等情况；
  2. 重新训练车牌检测模型，扩大数据集覆盖范围。
- **数据库连接失败：**
  1. 验证数据库配置（用户名、密码、地址）是否正确；
  2. 确认 MySQL 服务已启动，远程访问权限已开启。

## 项目成果

- **功能完整性：** 实现车流量检测、跟踪、车牌识别、数据存储、查询与可视化全流程；
- **国产化适配：** 基于华为 Atlas 设备实现核心算法部署，摆脱对国外硬件依赖，保障数据安全；
- **实用性：** 提供友好的可视化界面，支持交通管理部门快速上手，适配实时监控与离线分析场景。

## 边端结果展示

![a0ff17ef64add7dcfff034628513e108](F:\xwechat_files\wxid_usemmv0xqcm522_2144\temp\RWTemp\2025-12\a0ff17ef64add7dcfff034628513e108.png)

## 云端结果展示

![image-20251215230039729](C:\Users\lenovo\AppData\Roaming\Typora\typora-user-images\image-20251215230039729.png)

![image-20251215230047857](C:\Users\lenovo\AppData\Roaming\Typora\typora-user-images\image-20251215230047857.png)

![image-20251215230056146](C:\Users\lenovo\AppData\Roaming\Typora\typora-user-images\image-20251215230056146.png)



## 未来展望

1. **功能扩展：**
   - 边端增加车辆违规检测（如闯红灯、逆行）、事故识别功能；
   - 云端引入车流预测算法（如 LSTM、Transformer），支持未来时段车流趋势预测；
2. **性能优化：**
   - 优化边端模型推理延迟，提升实时性；
   - 引入 5G 传输技术，解决带宽限制导致的数据传输瓶颈；
3. **生态适配：**
   - 适配更多国产化边缘设备，扩展硬件支持范围；
   - 完善开发者生态，提供模型训练、部署的标准化工具链；
4. **场景延伸：**
   - 与智能交通信号系统对接，实现车流自适应调度；
   - 融入智慧城市生态，与智能停车、公共交通调度系统协同工作。