【技术实现步骤摘要】
一种基于深度学习的视频大数据交通场景分析方法
本专利技术涉及计算机视觉领域,具体涉及一种基于深度学习的视频大数据交通场景分析方法。
技术介绍
随着现代化交通、安防等行业的迅速发展,深度学习技术越来越受到人们的重视,是近年来计算机视觉与模式识别技术在智能交通领域的重要研究课题之一。同时,近年来国家大力度推展智慧安全城市和智能交通系统,也使二者结合成为了可能。智能交通系统是将先进的信息技术、定位导航技术、数据通信技术、电子传感器技术、自动控制技术、图像处理技术、计算机网络技术、人工智能技术等有效地综合运用于交通运输管理体系,加强了车辆、道路、使用者三者间的联系,从而实现交通运输服务和管理的智能化,在综合集成思想指导下,建立一种大范围、全方位实时、准确的综合交通运输系统。城市智能交通系统中核心之一就是视频大数据场景分析。而目前来说,在现有的交通系统平台里,大部分城市均有应用道路大数据系统,能对交通场景视频进行结构化处理。但是一般交通视频进行结构化系统指望用户输入背景或环璄有关的信息。通常来说,有经验的标注人员,往往需要十分钟标注一段视频,而智能交通系统中,摄像机的普及,需要大量人力物力及维护标注去进行生成和提取相应信息和数据。同时,现有的交通视频分析系统主要是针对动态的车辆和行人,而相对静止的背景信息,例如马路的位置,交通灯号的位置及交通指示路牌等常常容易被忽略。针对这些实际的特定问题,本专利技术提出了一种基于深度学习的视频大数据交通场景分析方法。
技术实现思路
本专利技术的主要目的是提供一种基于深度学习的视频大数据交通场景分析方法,旨在针对现行智能交通系统存在的这 ...
【技术保护点】
1.一种基于深度学习的视频大数据交通场景分析方法,其特征在于,具体包括如下步骤:S1、系统视频前景与背景分析:采用SOBS进行背景建模,去除视频定格中的前景,保留背景视频;S2、系统视频交通标识的检测与分类:采用R‑FCN算法对背景图像马路信息进行检测并进行二次结构化,具体步骤如下:S2.1、对S1中处理过后的背景图像进行基于PCA的数据增强处理;S2.2、对数据增强后的背景图像做基于R‑FCN的背景交通标识图像检测模型训练;S2.3、将训练好的背景交通标识图像检测模型进行训练改进,增加多个分支,同时调整算法中对输入图片动态长宽比的实际需求模型,训练出判别交通标识的模型,按其性质可以分成全局、路面和路边三大项,然后对R‑FCN检测输出的结果进行二次分类;S3、统计各项数据,分析马路上的信息,综合汇总,结合车辆自动检测系统做出车辆违章统计与道路规划。
【技术特征摘要】
1.一种基于深度学习的视频大数据交通场景分析方法,其特征在于,具体包括如下步骤:S1、系统视频前景与背景分析:采用SOBS进行背景建模,去除视频定格中的前景,保留背景视频;S2、系统视频交通标识的检测与分类:采用R-FCN算法对背景图像马路信息进行检测并进行二次结构化,具体步骤如下:S2.1、对S1中处理过后的背景图像进行基于PCA的数据增强处理;S2.2、对数据增强后的背景图像做基于R-FCN的背景交通标识图像检测模型训练;S2.3、将训练好的背景交通标识图像检测模型进行训练改进,增加多个分支,同时调整算法中对输入图片动态长宽比的实际需求模型,训练出判别交通标识的模型,按其性质可以分成全局、路面和路边三大项,然后对R-FCN检测输出的结果进行二次分类;S3、统计各项数据,分析马路上的信息,综合汇总,结合车辆自动检测系统做出车辆违章统计与道路规划。2.如权利要求1所述的一种基于深度学习的视频大数据交通场景分析方法,其特征在于,所述步骤S1包括:S1.1、背景建模:将背景模型中的一个像素映射到模型中的多个位置,直至SOBS背景模型建立完成;S1.2、视频帧图像的前景检测与背景更新:对于新进来的视频帧,将其对应位置的像素与背景模型中对应位置的模型进行比较;计算当前像素点与其对应的模型块里像素点的最小距离,对于视频图像,若最小距离小于阈值,则判定为背景,更新背景模型;若判定为阴影,则只标识为背景,不更新背景模型。3.如权利要求2所述的一种基于深度学习的视频大数据交通场景分析方法,其特征在于,所述步骤S1.1中,映射方式为:对于每个像素,在背景模型中采用n×n来表示,在背景模型初始化时,将图像转换到HSV颜色空间,模型中的每个值用ai=(hi,si,vi)表示,对于原图中(x,y)处的一个像素,则对应于背景模型中的(i,j),其定义为:i=n*x,n*x+1,...,x*(n+1)-1),j=n*y,n*y+1,...,y*(n+1)-1)。4.如权利要求3所述的一种基于深度学习的视频大数据交通场景分析方法,其特征在于,所述步骤S1.2中,对应位置的像素与模型比较中,在HSV颜色空间,两个像素pi与pj的距离如下式来计算:5.如权利要求4所述的一种基于深度学习的视频大数据交通场景分析方法,其特征在于,所述S1.2中更新背景模型的公式如下:其中,d(cm,pt)为计算任一像素点与背景模型的距离,ci为i处的背景模型,pt为当前像素点。6.如权利要求5所述的一种基于深度学习的视频大数据交通场景分析方法,其特征在于,所述S1.2中阴影判断公式如下:其中,上标V、S、H分别对应任意像素点颜色空间HSV上的分量,γ、β、τS、τH分别为分量上的阈值。7.如权利要求6所述的一种基于深度学习的视频大数据交通场景分析方法,其特征在于,所述步骤S2.1包括:S2.1.1、对数据进行镜面对称增强数据集,具体分为左右对称和上下对称,使数据集数量翻两番;S2.1.2、对于刮痕这一个系列的数据集,进行背景分割;S2.1.3、对处理过后的背景图像进行PCA处理。8.如权利要求7所述的一种基于深度学习的视频大数据交通场景分析方法,其特征在于,所述步骤S2...
【专利技术属性】
技术研发人员:张斯尧,王思远,谢喜林,张诚,黄晋,蒋杰,
申请(专利权)人:长沙千视通智能科技有限公司,
类型:发明
国别省市:湖南,43
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。