The invention provides a method for depth estimation based on convolutional neural network traffic flow density, including the collection of road video image using the camera, through image preprocessing, the multi-scale Pyramid image blocks into the convolutional neural network, extracting features from bottom to top is simple and abstract, get the distribution map of various scale traffic images; then connect to the network layer learning multi-scale distribution density map to map the whole image and the image density distribution map of total vehicle number; density distribution graph partitioning video image output of the convolutional neural network ROI region of interest pixel sum lane or multi Lane vehicle number; get the regional instantaneous traffic density by region length calculation. The invention greatly improves the accuracy and the real-time performance of vehicle counting and traffic density estimation.
【技术实现步骤摘要】
一种基于深度卷积神经网络的车流密度估计方法
本专利技术涉及一种基于深度卷积神经网络的车流密度估计方法,属于智能交通
技术介绍
随着科学技术的发展和人民生活水平的提高,车已经成为了人们出行、运输不可或缺的交通工具。道路上各种机动车辆随处可见,汽车交通让人们感受现代化生活便捷舒适的同时,也体现出了道路设施的滞后性与有限性。交通拥堵会带来车辆等待时间长,交通事故的发生,以及环境污染等一系列不容忽视的问题。为了解决以上问题,智能交通应运而生。车辆计数与车流密度检测是智能交通的重要内容。车辆个数和车流密度是反映道路上车辆拥挤程度的最直观的指标,直接反映了道路上车辆的密集程度和交通堵塞状况。车辆个数和车流密度同时也对道路通行能力的研究十分有用。此外,随着道路上车辆的增多,汽车尾气污染已经成为大气污染的重要组成部分,严重威胁着人们的身体健康和生活环境,对于汽车尾气的相关研究已经迫在眉睫,刻不容缓。尾气的污染和道路的阻塞程度也有一定的关系,车辆拥堵程度大,阻塞时间长,尾气排放量增大,对环境的影响也增大,因此,车流密度和车辆数与地区汽车尾气污染程度密切相关,有必要对道路车流密度和车辆数进行实时的检测。对于车辆的计数,最开始是使用环形线圈的方法,该方法根据电磁感应原理将环形线圈与车辆检测器构成一个简单的计数系统,它的传感器是一个埋设在路面下,通有一定交变电流的环形线圈。车辆通过环形线圈时,引起线圈回路电感量的变化,检测器便检测出有车辆经过,计数器的数字加一。这种方法在车距较小时,检测精度大大降低,从而影响计数准确性。且该方法是针对运动中的车辆,而本专利技术所需研究的 ...
【技术保护点】
一种基于深度卷积神经网络的车流密度估计方法,其特征在于包括以下步骤:第一步,获取道路视频图像作为训练图像,根据训练图像的尺寸设计卷积神经网络,将训练图像输入卷积神经网络训练得到车辆计数模型;第二步,获取实时道路视频图像作为检测图像,将检测图像输入训练得到的车辆计数模型,从而得到分布密度图和车辆数;第三步,在所述检测图像上划分感兴趣区域,根据第二步得到的分布密度图,计算感兴趣区域的像素和从而得到感兴趣区域的车辆数,根据感兴趣区域的实际长度及公式密度=车辆数÷长度,计算出瞬时车流密度。
【技术特征摘要】
1.一种基于深度卷积神经网络的车流密度估计方法,其特征在于包括以下步骤:第一步,获取道路视频图像作为训练图像,根据训练图像的尺寸设计卷积神经网络,将训练图像输入卷积神经网络训练得到车辆计数模型;第二步,获取实时道路视频图像作为检测图像,将检测图像输入训练得到的车辆计数模型,从而得到分布密度图和车辆数;第三步,在所述检测图像上划分感兴趣区域,根据第二步得到的分布密度图,计算感兴趣区域的像素和从而得到感兴趣区域的车辆数,根据感兴趣区域的实际长度及公式密度=车辆数÷长度,计算出瞬时车流密度。2.根据权利要求1所述的基于深度卷积神经网络的车流密度估计方法,其特征在于:所述第一步,具体实现如下:(1)从已有的不同的道路场景的视频终端监控视频中,选取不同密度车流量的视频图像分成训练集图像和验证集图像;(2)对视频图像进行预处理,得到归一化后的视频图像;(3)从视频图像中获取不同尺度的图像块,作为卷积神经网络的输入;(4)生成每张视频图像的标准分布密度图;(5)车辆计数模型的设计;构造一个卷积神经网络作为车辆计数模型,所述卷积神经网络包括两个部分,第一部分为含有不同尺度图像块输入的多个子网络结构,输出为不同尺度图像块的分布密度图;第二部分为融合不同尺度分布密度图信息的全连接网络结构,利用全连接层融合不同尺度分布密度图,得到两个学习目标即分布密度图和车辆计数,每个目标连接多个全连接层,其中最后一层两个并列的全连接层不同,其余的全连接层共享;在两个并列全连接层的后面各连接一个损失层。3.根据权利要求2所述的基于深度卷积神经网络的车流密度估计方法,其特征在于:所述第一部分中,所述每个子网络输入不同尺度的图像块,输出对应尺度的分布密度图,且每个子网络结构均相同,即卷积神经网络的每个子网络具有相同的卷积层数,各个对应的卷积层有相同大小和个数的卷积核,使用相同的激活函数。4.根据权利要求2所述的基于深度卷积神经网络的车流密度估计方法,其特征在于:所述在两个并列全连接层的后面各连接一个损失层,其中一个损失层用来计算卷积神经网络估计的分布密度图和标准分布密度图之间的欧氏距离:式中,F(Xi;Θ)为第i幅输入图像估计的分布密度图,Xi为第i幅输入图像的图像矩阵,Θ为待学习参数,N为输入图像的总数量,Di为第i幅输入图像的标准分布密度图矩阵;第二个损失层用来计算卷积神经网络估计的车辆数和标准车辆数之间的欧氏距离:式中,M(Xi;Θ)为第i幅输入图像的车辆个数的估计值,Xi为第i幅输入图像的图像矩阵,Θ为待学习参数,N为输入图像的总数量,Mi为第i幅输入图像的标准车辆数。5.根据权利要求1所述的基于深度卷积神经网络的车流密度估计方法,其特征在于:所述第一步中,得到车辆计数模型的过程如下:(1)对卷积神经网络中的参数初始化,卷积层的卷积核用高斯函数初始化,偏置初始化为0;(2)卷积神经网络初始化后,冻结卷积神经网络目标为车辆计数的最后一层全连接层,优先开始训练目标为分布密度图的卷积神经网络,计算输入的训练集图像经过卷积神经网络后得到的结...
【专利技术属性】
技术研发人员:康宇,魏梦,宋卫国,曹洋,袁璟,
申请(专利权)人:中国科学技术大学,
类型:发明
国别省市:安徽,34
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。