一种基于深度学习的航拍公路车辆计数方法及装置制造方法及图纸

本发明专利技术提供一种基于深度学习的航拍公路车辆计数方法及装置，包括获取多种成像条件下的航拍公路车辆样本图像，并对所述航拍公路车辆样本图像进行预处理；构建深度神经网络模型，利用预处理后的航拍公路车辆样本图像训练构建的深度神经网络模型；使用所述深度神经网络模型对待检测航拍公路车辆图像进行检测，输出检测的公路与车辆对象识别概率、对象位置、对象区域分割；根据识别的公路与车辆结果，对位于公路区域中的车辆计数，输出计数结果。通过共用深度图像特征提取网络，有效利用了计算资源，节省了模型训练与公路、车辆检测运行时间，准确率、检出率都大大提高。本发明专利技术应用于交通数据采集、交通流监测和图像数据处理、图像分析应用领域。

A method and device for counting aerial aerial vehicles based on deep learning

The invention provides an aerial road vehicle counting method and device based on depth learning, which includes acquiring aerial road vehicle sample images under various imaging conditions, preprocessing the aerial road vehicle sample images, constructing a depth neural network model, and utilizing the pre-processed aerial road vehicle sample images. The depth neural network model is trained and constructed; the depth neural network model is used to detect the aerial road vehicle image to be detected, and the recognition probability, object position and object region segmentation of the detected road and vehicle object are outputted; according to the identified road and vehicle results, the vehicles in the highway region are counted. Output count results. By sharing the depth image feature extraction network, the computing resources are effectively utilized, the running time of model training, highway and vehicle detection is saved, and the accuracy and detection rate are greatly improved. The invention is applied to traffic data acquisition, traffic flow monitoring, image data processing and image analysis application fields.

【技术实现步骤摘要】
一种基于深度学习的航拍公路车辆计数方法及装置
本专利技术涉及图像数据处理、图像分析、图像数据识别，以及交通应用中的数据采集等领域，尤其涉及一种基于深度学习的航拍公路车辆计数方法及装置。
技术介绍
随着社会经济发展，车辆数量急剧增加，拥挤、堵塞、车祸等交通问题时常发生。为了解决此类问题，有必要对车辆，尤其是车流量进行监控，以便及时发现问题，疏导交通。目前，常用的车辆探测与计数方法还是以安装监控相机、地磁感应检测器等为主的固定地点监控。这类方法覆盖范围有限，存在监控盲区。尤其是在城市周边、郊区，以及西部广大稀疏路网，基本无法监控。近几年，无人机以其灵活机动与大范围巡航的特点，为交通巡查领域的诸多问题提供了一种良好的解决方案。在无人机交通巡查中，车辆检测与计数是一项重要核心技术。其关键是利用计算机视觉、人工智能等技术自动识别公路中的车辆并统计数量。无人机由于其飞行高度较地面监控设备高很多，所以航拍图像通常视场较大，场景复杂。其中，公路航拍图像通常会拍摄到路边人行道、停车场、楼前广场等。这些地方常常会停放大量车辆。所以，与地面监控设备不同，基于无人机航拍图像的车辆计数，需要涉及两个方面的内容本文档来自技高网...

【技术保护点】
1.一种基于深度学习的航拍公路车辆计数方法，其特征在于，具体包括以下步骤：S1、获取多种成像条件下的航拍公路车辆样本图像组成样本库，并对所述样本库中的航拍公路车辆样本图像进行预处理；S2、构建深度神经网络模型，利用预处理后的航拍公路车辆样本图像训练构建的深度神经网络模型；S3、使用所述深度神经网络模型对待检测航拍公路车辆图像进行检测，输出检测的公路与车辆对象识别概率、对象位置、对象区域分割；S4、根据识别的公路与车辆结果，对位于公路区域中的车辆计数，输出计数结果。

【技术特征摘要】
1.一种基于深度学习的航拍公路车辆计数方法，其特征在于，具体包括以下步骤：S1、获取多种成像条件下的航拍公路车辆样本图像组成样本库，并对所述样本库中的航拍公路车辆样本图像进行预处理；S2、构建深度神经网络模型，利用预处理后的航拍公路车辆样本图像训练构建的深度神经网络模型；S3、使用所述深度神经网络模型对待检测航拍公路车辆图像进行检测，输出检测的公路与车辆对象识别概率、对象位置、对象区域分割；S4、根据识别的公路与车辆结果，对位于公路区域中的车辆计数，输出计数结果。2.根据权利要求1所述基于深度学习的航拍公路车辆计数方法，其特征在于，步骤S2中，构建的深度神经网络模型其网络结构包括基础主干网络与头部任务网络；基础主干网络包括：全局图像特征提取子网络，由若干卷积层、池化层组成，用于提取图像由浅至深的深度特征图；候选目标位置提名子网络，由若干卷积层、输出层组成，通过在深度特征图上滑动预设大小与步长的窗口，对不同窗口下的特征图进行判别，输出目标的候选位置；目标尺度适配子网络，由多个池化层组成，将提名的不同尺度大小的窗口对应的特征图进一步提取为固定维度的特征图，以满足头部任务网络全连接层对输入数据需要固定维度大小的要求；头部任务网络包括：车辆识别子网络，由多个全连接层组成，对提名的候选目标窗口特征图是否为车辆目标进行识别，输出该窗口在原图中的位置，以及识别概率，即车辆在图像中的位置与车辆的识别概率；车辆分割子网络，由多个卷积层组成，对提名的候选目标窗口特征图进行像素级分割，输出每个像素为车辆的概率，形成车辆分割掩膜热力图，即车辆的分割掩膜；公路识别子网络，由多个全连接层组成，对提名的候选目标窗口特征图是否为公路目标进行识别，输出该窗口在原图中的位置，以及识别概率，即公路在图像中的位置与公路的识别概率；公路分割子网络，由多个卷积层组成，对提名的候选目标窗口特征图进行像素级分割，输出每个像素为公路的概率，形成公路分割掩膜热力图，即公路的分割掩膜。3.根据权利要求1所述基于深度学习的航拍公路车辆计数方法，其特征在于，步骤S2中，所述深度神经网络模型的训练步骤具体包括：S21、对预处理后的样本库中的样本图像进行标注，获取带有标记的航拍公路车辆样本图像，并获取各带有标记的航拍公路车辆样本图像的标记结果；S22、利用预设初始参数的深度神经网络模型对带有标记的航拍公路车辆样本图像进行分类、分割，获取带有标记的航拍公路车辆样本图像的输出结果；S23、根据所述深度神经网络模型的输出结果与标记结果之间的误差按从后至前的方式反向逐层传播至整个所述深度神经网络模型，更新深度神经网络模型的所有参数；S24、读取新的带有标记的航拍公路车辆样本图像，利用更新参数的深度神经网络模型对新的带有标记的航拍公路车辆样本图像进行分类、分割；S25、判断是否满足收敛条件或停止条件，若满足则停止训练，若不满足，回到步骤S23，继续训练。4.根...

【专利技术属性】
技术研发人员：谭鑫，罗林燕，马维力，李思勤，张一癸，
申请(专利权)人：湖南鲲鹏智汇无人机技术有限公司，
类型：发明
国别省市：湖南,43