【技术实现步骤摘要】
基于Ghost卷积特征融合神经网络实时车流量检测系统及方法
本专利技术涉及车流量检测的
，尤其是指一种基于Ghost卷积特征融合神经网络实时车流量检测系统及方法。
技术介绍
近年来，随着交通车辆数量高速增长，交通监管面临巨大挑战。随着智能城市智能交通系统(IntelligentTransportSystem,ITS)的推广，其应用的核心技术得到了迅速的发展。车流量检测，作为构建交通状况视频监控的一项关键技术，一直是其重要的组成部分。现有车流量检测的方法大致可以归于三类：第一类是在地下埋感应线圈，当车辆经过感应线圈区域时，由感应线圈装置受到压力发出脉冲信号，从而判断是否有车辆。常用的方法有环形线圈检测法、地磁检测法、电磁检测法等。这类方法较在安装和维修时需要破坏地面，安装成本较高，同时也给车辆的出行造成了不便。第二类是悬挂式检测方法，当车辆驶入检测范围时，检测器发出的微波、超声波或红外线，以此来判断是否有车辆。这类检测方法易于安装，对路面不会造成破坏，但当两辆车并排进入检测范围时，只能计数一辆车，检测精度...
【技术保护点】
1.一种基于Ghost卷积特征融合神经网络实时车流量检测系统，其特征在于，包括：/n数据预处理模块，用于从拍摄的视频中进行抽帧，得到第一训练集，对所述第一训练集中的目标图像进行标记形成第二训练集，再利用高斯滤波器生成目标图像的密度图，形成第三训练集；/n网络训练模块，通过所述第三训练集对网络进行训练得到网络模型，其中所述网络包括多个Ghost卷积层；/n目标信息预测模块，从拍摄的视频中进行抽帧，作为测试图像，将所述测试图像输入至所述网络模型中进行预测，得到测试图像的目标信息。/n
【技术特征摘要】
1.一种基于Ghost卷积特征融合神经网络实时车流量检测系统，其特征在于，包括：
数据预处理模块，用于从拍摄的视频中进行抽帧，得到第一训练集，对所述第一训练集中的目标图像进行标记形成第二训练集，再利用高斯滤波器生成目标图像的密度图，形成第三训练集；
网络训练模块，通过所述第三训练集对网络进行训练得到网络模型，其中所述网络包括多个Ghost卷积层；
目标信息预测模块，从拍摄的视频中进行抽帧，作为测试图像，将所述测试图像输入至所述网络模型中进行预测，得到测试图像的目标信息。
2.根据权利要求1所述的基于Ghost卷积特征融合神经网络实时车流量检测系统，其特征在于：所述网络包括第一层、第二层、第三层、第四层以及第五层，其中所述第一层是三列卷积层，且所述三列卷积层的卷积核大小不同，所述第二层是五层卷积核大小均相同的卷积层，所述第五层是两层卷积核大小均相同的特征融合层。
3.根据权利要求2所述的基于Ghost卷积特征融合神经网络实时车流量检测系统，其特征在于：所述第一层的三列卷积得到的特征图连结后经过最大池化层处理。
4.根据权利要求2所述的基于Ghost卷积特征融合神经网络实时车流量检测系统，其特征在于：所述第三层和第四层卷积得到的特征图均经过最大池化层处理。
5.根据权利要求1所述的基于Ghost卷积特征融合神经网络实时车流量检测系统，其特征在于：对所述第一训练集中的目...
【专利技术属性】
技术研发人员：张莉，于厚舜，屈蕴茜，王邦军，孙涌，
申请(专利权)人：苏州大学，
类型：发明
国别省市：江苏;32
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。