【技术实现步骤摘要】
一种基于无人机的交通流量监测方法、智能系统及数据集
本专利技术涉及城市基于无人机的交通流量监测
，尤其涉及一种基于无人机的交通流量监测方法、智能系统及数据集。
技术介绍
城市交通流量监测对于道路交通的发展及管理有着举足轻重的作用，然而目前应用广泛的监控手段诸如道路摄像头、感应线圈、红外线、超声波等，普遍存在监测参数单一、覆盖范围小、易受遮挡干扰、和可靠性等局限，对于交通流量监测系统的精度及功能多样性产生了诸多不利影响；近年来，随着无人机及传感器集成技术的快速发展，交通信息的采集也从传统的地面平台扩展到低空平台，搭载高清摄像头的无人机为交通监控领域带来了新的数据采集方式，并可以解决传统监测方式位置固定、监测方式单一、数据质量低等缺陷；然而，使用无人机拍摄的低空遥感视频包含了丰富的道路交通信息以及种类繁杂的背景噪声，也对传统的交通流量分析方法提出了新的挑战；因此，为低空遥感视频提供新的图像与视频信号处理方法对于交通流量监测系统的发展和完善具有重大意义。因此，现有技术还有待于改进和发展。
技术实现思路
本专利技术要解决的技术问题在于，针对现有技术上述缺陷，本专利技术提...
【技术保护点】
1.一种基于无人机的交通流量监测方法，其特征在于，所述基于无人机的交通流量监测方法包括：采集交通监控路段的道路交通视频数据，将采集到的高清视频数据进行标注，建立基于深度神经网络的训练及测试数据集；多尺度神经网络根据训练及测试数据集对网络进行参数学习和权重调整，定位不同类型的车辆在交通视频中的位置；将车辆检测的结果使用多特征融合算法及贝叶斯粒子滤波算法进行处理，同时跟踪不同类型的车辆，得到各种类型车辆的实时流量监测结果。
【技术特征摘要】
1.一种基于无人机的交通流量监测方法，其特征在于，所述基于无人机的交通流量监测方法包括：采集交通监控路段的道路交通视频数据，将采集到的高清视频数据进行标注，建立基于深度神经网络的训练及测试数据集；多尺度神经网络根据训练及测试数据集对网络进行参数学习和权重调整，定位不同类型的车辆在交通视频中的位置；将车辆检测的结果使用多特征融合算法及贝叶斯粒子滤波算法进行处理，同时跟踪不同类型的车辆，得到各种类型车辆的实时流量监测结果。2.根据权利要求1所述的基于无人机的交通流量监测方法，其特征在于，所述采集交通监控路段的道路交通视频数据，将采集到的高清视频数据进行标注，建立基于深度神经网络的训练及测试数据集具体包括：通过已搭载4K超清摄像头的无人机以低空悬停的方式在选定的交通监控路段采集大量高峰时段的道路交通视频数据；将采集后的道路交通视频数据置于存储卡中，对视频进行分帧操作，并将每一帧分割为尺寸相同的小块图像进行车辆位置及类别的标注，建立基于深度神经网络的训练及测试数据集。3.根据权利要求1所述的基于无人机的交通流量监测方法，其特征在于，所述多尺度神经网络根据训练及测试数据集对网络进行参数学习和权重调整，定位不同类型的车辆在交通视频中的位置具体包括：多尺度卷积神经网络根据训练及测试数据集获取包含分类信息的特征提取层，通过卷积和池化操作过滤图像噪声，提取较大表征意义的特征作为输出图像的基础特征；多尺度卷积神经网络根据训练及测试数据集获取目标检测特征提取层，初始化一系列大小和形状各异的检测框，比较每个检测框与用户标定的检测框之间的差异，同时计算车辆属于某个具体车型类别的概率。4.根据权利要求3所述的基于无人机的交通流量监测方法，其特征在于，所述多尺度神经网络根据训练及测试数据集对网络进行参数学习和权重调整需要进行网络参数优化，所述网络参数优化如下：给定网络的类别损失函数Lloca(δ，p，g)和Lconf(δ，c)，则整个卷积神经网络的损失函数L(δ，c，p，g)表示为：其中，是匹配到的检测框，Lloca(δ，p，g)通过计算预测的检测框与真实的检测框之间的L1标准化差值，Lconf(δ，c)定义为多标签分类问题中的损失函数，权重γ控制两种不同损失函数在总损失函数中的占比。5.根据权利要求4所述的基于无人机的交通流量监测方法，其特征在于，基于观测概率的特征融合策略包括乘性融合和加性融合，在目标状态给定的条件下，并假设目标的各种观测是条件独立的，那么n种特征的乘性融合表示为：相对的，n种特征的乘性融合可以表示为：其中，θi是一个权...
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。