一种基于深度学习的交通拥堵程度多维度分析方法技术

本发明专利技术公布了一种基于深度学习的交通拥堵程度多维度分析方法，包括有以下步骤：1)相机预置位设置以及相机标定；2)卷积神经网络模型初始化；3)获取实时视频流；4)检查相机工作状态；5)使用卷积神经网络模型对兴趣区域进行车辆目标检测；6)车辆目标跟踪；7)交通参数采集；8)拥堵勘探初步进行拥堵预测；9)拥堵程度分析；10)拥堵事件上报并设置睡眠状态。本发明专利技术采用了道路容纳率、平均速度等多维度的交通参数来进行准确而快速地交通拥堵程度分析，鲁棒性好且检测准确率较高。

A multidimensional analysis method of traffic congestion based on deep learning

【技术实现步骤摘要】
一种基于深度学习的交通拥堵程度多维度分析方法
本专利技术涉及深度学习
，具体涉及一种基于深度学习的交通拥堵程度多维度分析方法。
技术介绍
近年来，随着城市化发展进程的不断推进，汽车保有量不断增长，这给交通带来便利的同时，也使交通拥堵、交通事故等问题日益突出。其中，交通拥堵问题不仅仅会影响人们的出行效率，甚至会导致严重的交通事故，危害人民的出行安全。因此，准确地检测并实时地进行交通拥堵程度分析就显得尤为重要。交通拥堵检测最直接的方法是人为观察监控视频上的道路拥堵情况，但必然无法同时观察24小时所有路段的情况，而且需要耗费大量人力。因此依赖于计算机的实时而的拥堵检测算法是实际需要的。当前常见的拥堵检测算法主要分为两类，一种是基于感应线圈等传感设备采集到的拥堵参数结合拥堵的统计特性进行拥堵检测，但感应线圈的建设需要对路面造成破坏且施工复杂，易损坏，难修复，而且该方法预测准确性较低；另一种则是基于交通监控视频，使用计算机视觉相关算法进行拥堵分析，但该类检测方法大多采用了传统的图像处理方法，存在着使用的局限性，雨雾天、摄像头抖动、光线变化等本文档来自技高网...

【技术保护点】
1.一种基于深度学习的交通拥堵程度多维度分析方法，其特征在于，包括如下步骤：/n1)相机预置位设置以及相机标定，相机预置位为进行拥堵程度分析时相机所处的固定位置；/n2)卷积神经网络模型初始化；/n3)获取实时视频流；/n4)检查相机工作状态；/n5)使用卷积神经网络模型对兴趣区域进行车辆目标检测；/n6)车辆目标跟踪；/n7)交通参数采集；/n8)拥堵勘探初步进行拥堵预测；/n9)拥堵程度分析；/n10)拥堵事件上报并设置睡眠状态。/n

【技术特征摘要】
1.一种基于深度学习的交通拥堵程度多维度分析方法，其特征在于，包括如下步骤：
1)相机预置位设置以及相机标定，相机预置位为进行拥堵程度分析时相机所处的固定位置；
2)卷积神经网络模型初始化；
3)获取实时视频流；
4)检查相机工作状态；
5)使用卷积神经网络模型对兴趣区域进行车辆目标检测；
6)车辆目标跟踪；
7)交通参数采集；
8)拥堵勘探初步进行拥堵预测；
9)拥堵程度分析；
10)拥堵事件上报并设置睡眠状态。


2.如权利要求1所述的一种基于深度学习的交通拥堵程度多维度分析方法，其特征在于，步骤1)中，所述的相机预置位设置为将摄像头调整到合适的交通拥堵程度分析位置，并将当前相机位置设置为预置位。


3.如权利要求1所述的一种基于深度学习的交通拥堵程度多维度分析方法，其特征在于，步骤1)中，所述的相机标定为截取相机视频流的一帧图像，在其上进行车道线、兴趣区域、拥堵程度分析区域标定。


4.如权利要求1所述的一种基于深度学习的交通拥堵程度多维度分析方法，其特征在于，步骤2)中，所述的卷积神经网络模型为tiny-YOLOv3，卷积神经网络模型初始化为将卷积网络模型加载到GPU显卡中以及权重参数恢复。


5.如权利要求1所述的一种基于深度学习的交通拥堵程度多维度分析方法，其特征在于，步骤4)中，所述的检查相机工作状态具体包括以下步骤：
4.1:检查当前是否为休眠状态，如果为休眠状态，则不进行拥堵程度分析；
4.2:获取当前相机的位置信息，与预置位比较是否相同，若相同则进行拥堵程度分析；否则，不进行拥堵程度分析；
4.3:根据公式(1)计算当前视频帧时间Tcur与前一帧时间Tpre的时间间隔Tspace，单位均为秒；若Tspace≥T0，则将目标跟踪队列重置；否则，进行正常的拥堵程度分析；T0表示时间阈值。
Tspace＝Tcur-Tpre(1)。


6.如权利要求1所述的一种基于深度学习的交通拥堵程度多维度分析方法，其特征在于，步骤(6)中，所述的车辆目标跟踪包含以下步骤：
6.1:得到当前帧的车辆目标检测结果后，过滤掉不在车道线内以及拥堵程度分析区域内的车辆；
6.2:基于IoU匹配的车辆目标跟踪：
6.2.1:计算当前帧检测到的车辆目标D和跟踪队列中目标Q的IoU和宽高误差Ew、Eh；IoU根据公式(2)计算，宽高误差Ew、Eh分别根据公式(3)、公式(4)计算：









其中，Dbox为当前帧的车辆目标D的边界框，QTrackingBox为跟踪队列中目标Q的实时跟踪边界框，∩为求交集，∪为求并集；Dw和Dh分别为当前帧的车辆目标D实时跟踪边界框的宽高，Qw和Qh分别为跟踪队列中目标Q的实时跟踪边界框的宽高；
6.2.2:如果IoU≥IoUt，Ew≤Ewt，Eh≤Eht，则认为D和Q是同一辆车，将D标记为已匹配，将Q标记为已检测，实时跟踪框更新为当前目标D的边界框；其中IoUt，Ewt，Eht为预先设置的可调值，IoUt的取值范围为0～1.0，Ewt和Eht的取值要求大于等于0；
6.2.3：将处于拥堵程度分析区域且未匹配的车辆目标D加入跟踪队列中，初始边界框以及实时跟踪框为当前目标D的边界框，初始图像为当前视频帧，初始时间Qinit_time为当前视频帧的时间；
6.3:维护跟踪队列：
6.3.1:将跟踪队列中不处于拥堵程度分析区域的跟踪目标移除；
6.3.2:若跟踪队列中存在跟踪目标Q在当前帧中没有检测到且前Etolerate_frame帧也没有得到更新，则认为该目标已经驶离，并将该跟踪目标Q从跟踪队列中移除；其中Etolerate_frame为预先设置的可调值，其取值要求为Etolerate_frame≥1。


7.如权利要求1所述的一种基于深度学...

【专利技术属性】
技术研发人员：高飞，王金超，李云阳，卢书芳，陆佳炜，张元鸣，
申请(专利权)人：浙江工业大学，
类型：发明
国别省市：浙江;33