一种道路车辆密度评估方法及装置制造方法及图纸

本发明专利技术公开了一种道路车辆密度评估方法及装置，在训练阶段，将图像作为所设计的网络模型的输入，对应的密度分布图作为网络模型的输出，训练得到网络模型。在使用阶段，通过获取当前道路的图像信息；对图像信息进行预处理，生成处理后图像信息；将处理后图像信息输入至经过深度学习训练的多列全卷积神经网络模型中，进行前向传播，确定各子网络模型生成的特征映射图；对特征映射图进行加权处理，生成当前道路的车辆密度分布图。本发明专利技术所提供的道路车辆密度评估方法及装置，利用深度学习方法对图像中的车辆密度进行高效准确评估，具有较强的鲁棒性和准确性。

【技术实现步骤摘要】

本专利技术涉及机器视觉
，特别是涉及一种道路车辆密度评估方法及装置。
技术介绍
随着经济水平的快速提高，我国的机动车数量快速增加。伴随机动车数量的快速增长，公路交通拥堵情况日益严重。为了解决交通拥堵情况，国家在基础设施建设上投入了大量的人力、物力和财力，特别是在高速公路的建设方面取得极大的进展。由于高速公路封闭性强、车速高的特点，交通拥堵在高速公路上的危害更加严重。为缓解高速公路的交通拥堵情况，人们一方面扩建高速公路交通设施，但随着车辆数量的增长，这种方法的效果日趋变差；另一方面则采用高新技术改造现有的交通系统和提高高速公路交通管理系统水平。智能高速公路交通管理系统中重要的一部分是当前高速公路的交通信息的实时准确获取，并根据该信息做出相应决策。因此在高速公路交通拥堵情况日益严重的今天，能够实时准确地获取当前高速公路场景下的车辆密度愈发重要。现有获取高速公路上的车辆密度的技术方案为：首先利用视频数据对场景进行前景分割，将车辆从图像中分割出来，然后在分割出来的车辆区域内使用事先设计好的车辆检测器滑动窗口进行检测，检测得到车辆数量，再根据事先人工设定好的阈值对车辆的密度进行分级。现有技术当图像中的车辆存在遮挡时，检测器无法检测到被遮挡的车辆，导致获取结果准确性较差。且车辆检测器中分类器使用的特征和密度分级阈值均需要人工设计，鲁棒性较差。
技术实现思路
本专利技术的目的是提供一种道路车辆密度评估方法及装置，以解决现有道路车辆密度评估技术准确性较差以及鲁棒性较差的问题。为解决上述技术问题，本专利技术提供一种道路车辆密度评估方法，包括：获取当前道路的图像信息；对所述图像信息进行预处理，生成处理后图像信息；调用多列全卷积神经网络模型；所述多列全卷积神经网络模型为对多张图像信息进行深度学习训练生成的网络模型，所述网络模型的输入为图像信息，输出为图像对应的车辆密度分布图；将所述处理后图像信息输入至所述多列全卷积神经网络模型中，进行前向传播，生成当前道路的车辆密度分布图。可选地，所述多列全卷积神经网络模型的训练过程包括：获取多张不同交通情况下的图像信息，构建用于训练网络模型的训练集；获取用户对所述图像信息中的车辆位置和大小进行标注的标注信息；根据所述车辆位置和大小，生成对应的车辆密度分布图；将所述图像信息作为所述多列全卷积神经网络模型的输入，对应的车辆密度分布图作为网络模型的输出，训练得到网络模型。可选地，所述根据所述车辆位置和大小，生成对应的车辆密度分布图包括：采用公式生成对应的车辆密度分布图；式中，N为图像中的车辆总数，δ(x-xi)为车辆所在位置的冲击函数，xi为第i辆车在图像中的位置，为与第i辆车相邻的m辆车与该车的平均距离，G(x)为高斯核函数，σi为标准差，β为人为设置的参数值。可选地，所述将所述图像信息作为所述多列全卷积神经网络模型的输入，对应的车辆密度分布图作为网络模型的输出，训练得到网络模型包括：将所述图像信息作为所述多列全卷积神经网络模型的输入，各子卷积网络前向传播生成特征映射图；对各子卷积网络分别得到的特征映射图进行加权处理，得到车辆密度分布图；根据得到的所述特征映射图以及所述车辆密度分布图计算损失函数，将损失函数值按极小化误差的方法反向传播调整网络模型的参数，得到最终的网络模型。可选地，所述多列全卷积神经网络模型中每列的子卷积网络采用不同作用范围的滤波卷积和进行卷积滤波。可选地，所述损失函数采用下述欧式损失函数，式中，M为训练样本总数，Xi为输入训练样本，θ为网络模型参数，Di为输入训练样本对应的车辆密度分布图。可选地，在所述将所述处理后图像信息输入至所述多列全卷积神经网络模型中，进行前向传播，生成当前道路的车辆密度分布图之后还包括：根据所述车辆密度分布图，对车辆密度高于预设阈值的异常区域进行标注，并显示所述异常区域对应的车辆密度值。可选地，所述对所述图像信息进行预处理，生成处理后图像信息包括：对所述图像信息进行灰度化预处理，生成处理后图像信息。可选地，所述对各子卷积网络分别得到的特征映射图进行加权处理，得到车辆密度分布图包括：对各子卷积网络分别得到的特征映射图进行线性加权处理，得到车辆密度分布图。本专利技术还提供了一种道路车辆密度评估装置，包括：获取模块，用于获取当前道路的图像信息；预处理模块，用于对所述图像信息进行预处理，生成处理后图像信息；调用模块，用于调用多列全卷积神经网络模型；所述多列全卷积神经网络模型为对多张图像信息进行深度学习训练生成的网络模型，所述网络模型的输入为图像信息，输出为图像对应的车辆密度分布图；生成模块，用于将所述处理后图像信息输入至所述多列全卷积神经网络模型中，进行前向传播，生成当前道路的车辆密度分布图。本专利技术所提供的道路车辆密度评估方法及装置，在训练阶段，将图像作为所设计的网络模型的输入，对应的密度分布图作为网络模型的输出，训练得到网络模型。在使用阶段，通过获取当前道路的图像信息；对图像信息进行预处理，生成处理后图像信息；将处理后图像信息输入至经过深度学习训练的多列全卷积神经网络模型中，进行前向传播，确定各子网络模型生成的特征映射图；对特征映射图进行加权处理，生成当前道路的车辆密度分布图。本专利技术所提供的道路车辆密度评估方法及装置，利用深度学习方法对图像中的车辆密度进行高效准确评估，具有较强的鲁棒性和准确性。附图说明为了更清楚的说明本专利技术实施例或现有技术的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，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。图1为本专利技术所提供的道路车辆密度评估方法的一种具体实施方式的流程图；图2为本专利技术所提供的道路车辆密度评估方法的另一种具体实施方式中训练过程的流程图；图3为本专利技术所提供的道路车辆密度评估方法的另一种具体实施方式中训练网络模型的流程图；图4为为本专利技术所提供的道路车辆密度评估方法的另一种具体实施方式中网络模型示意图；图5为本专利技术实施例所提供的训练过程示意图；图6为本专利技术实施例所提供的使用过程示意图；图7为本专利技术实施例提供的道路车辆密度评估装置的结构框图。具体实施方式为了使本
的人员更好地理解本专利技术方案，下面结合附图和具体实施方式对本专利技术作进一步的详细说明。显然，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，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，都属于本专利技术保护的范围。本专利技术所提供的道路车辆密度评估方法的一种具体实施方式的流程图如图1所示，该方法包括：步骤S101：获取当前道路的图像信息；具体地，可以在道路的待监控区域固定安装多个监控设备，实时对当前道路进行监控，获取对应的图像信息。步骤S102：对所述图像信息进行预处理，生成处理后图像信息；对图像信息进行预处理的过程可以具体为对图像进行灰度化处理，或其他标准化处理，并不限于这一种。步骤S103：调用多列全卷积神经网络模型；所述多列全卷积神经网络模型为对多张图像信息进行深度学习训练生成的网络模型，所述网络模型的输入为图像信息，输出为图像对应的车辆密度分布图；步骤S104：将所述处理后图像信息输入本文档来自技高网...

【技术保护点】
一种道路车辆密度评估方法，其特征在于，包括：获取当前道路的图像信息；对所述图像信息进行预处理，生成处理后图像信息；调用多列全卷积神经网络模型；所述多列全卷积神经网络模型为对多张图像信息进行深度学习训练生成的网络模型，所述网络模型的输入为图像信息，输出为图像对应的车辆密度分布图；将所述处理后图像信息输入至所述多列全卷积神经网络模型中，进行前向传播，生成当前道路的车辆密度分布图。

【技术特征摘要】
1.一种道路车辆密度评估方法，其特征在于，包括：获取当前道路的图像信息；对所述图像信息进行预处理，生成处理后图像信息；调用多列全卷积神经网络模型；所述多列全卷积神经网络模型为对多张图像信息进行深度学习训练生成的网络模型，所述网络模型的输入为图像信息，输出为图像对应的车辆密度分布图；将所述处理后图像信息输入至所述多列全卷积神经网络模型中，进行前向传播，生成当前道路的车辆密度分布图。2.如权利要求1所述的道路车辆密度评估方法，其特征在于，所述多列全卷积神经网络模型的训练过程包括：获取多张不同交通情况下的图像信息，构建用于训练网络模型的训练集；获取用户对所述图像信息中的车辆位置和大小进行标注的标注信息；根据所述车辆位置和大小，生成对应的车辆密度分布图；将所述图像信息作为所述多列全卷积神经网络模型的输入，对应的车辆密度分布图作为网络模型的输出，训练得到网络模型。3.如权利要求2所述的道路车辆密度评估方法，其特征在于，所述根据所述车辆位置和大小，生成对应的车辆密度分布图包括：采用公式生成对应的车辆密度分布图；式中，N为图像中的车辆总数，δ(x-xi)为车辆所在位置的冲击函数，xi为第i辆车在图像中的位置，为与第i辆车相邻的m辆车与该车的平均距离，G(x)为高斯核函数，σi为标准差，β为人为设置的参数值。4.如权利要求2所述的道路车辆密度评估方法，其特征在于，所述将所述图像信息作为所述多列全卷积神经网络模型的输入，对应的车辆密度分布图作为网络模型的输出，训练得到网络模型包括：将所述图像信息作为所述多列全卷积神经网络模型的输入，各子卷积网络前向传播生成特征映射图；对各子卷积网络分别得到的特征映射图进行加权处理，得到车辆密度分布图；根据得到的所述特征映射图以及所述车辆密度分布图计算损失函数，将...

【专利技术属性】
技术研发人员：陈志超，李轩，徐一丹，谷瑞翔，
申请(专利权)人：成都通甲优博科技有限责任公司，
类型：发明
国别省市：四川;51