一种基于深度学习的转向比及车流量统计方法技术

本发明专利技术公布了一种基于深度学习的转向比及车流量统计方法，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)车道转向比统计；8)车流量统计。本发明专利技术采用了深度卷积神经网络CNN进行车辆目标检测，以及IoU匹配规则进行车辆多目标跟踪，并基于此统计车道的转向比以及车流量。

【技术实现步骤摘要】
一种基于深度学习的转向比及车流量统计方法
本专利技术涉及深度学习
，具体涉及一种基于深度学习的转向比及车流量统计方法。
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。为了缓解以上交通拥堵等情况，经常需要交警进行交通调度。而合理的交通调度策略需要底层的交通数据支撑。因此实时而准确地检测出交通道路的转向比以及车流量就显得尤为重要。交通道路的转向比以及车流量统计最直接的方法是人为观察监控视频上的道路情况，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统计算法是实际需要的。当前常见的转向比以及车流量统计算法主要分为两类，一种是基于感应线圈等传感设备进行参数采集，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转向比以及车流量统计，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、光线变化等现本文档来自技高网...

【技术保护点】
1.一种基于深度学习的转向比及车流量统计方法，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：所述相机预置位为进行转向比及车流量统计时相机所处的固定位置，将摄像头调整到合适的转向比及车流量统计分析位置，并将当前相机位置设置为预置位，并截取相机视频流的一帧图像，在图像上标定车道线、红灯停止线、兴趣区域、车流量统计区域、过车检测区域、左转跟踪停止线、右转跟踪停止线及直行跟踪停止线；/n2)卷积神经网络模型初始化：将卷积网络模型加载到GPU显卡中以及权重参数恢复；/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，得到当前帧的车辆目标...

【技术特征摘要】
1.一种基于深度学习的转向比及车流量统计方法，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：所述相机预置位为进行转向比及车流量统计时相机所处的固定位置，将摄像头调整到合适的转向比及车流量统计分析位置，并将当前相机位置设置为预置位，并截取相机视频流的一帧图像，在图像上标定车道线、红灯停止线、兴趣区域、车流量统计区域、过车检测区域、左转跟踪停止线、右转跟踪停止线及直行跟踪停止线；
2)卷积神经网络模型初始化：将卷积网络模型加载到GPU显卡中以及权重参数恢复；
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，得到当前帧的车辆目标检测结果；
6)车辆目标跟踪；
7)车道转向比统计；
8)车流量统计。


2.根据权利要求1所述的一种基于深度学习的转向比及车流量统计方法，其特征在于步骤4)中的检查相机工作状态具体包括以下步骤：
4.1)获取当前相机的位置信息，与预置位比较是否相同，若相同则进行转向比及车流量统计；若不相同，则为相机异常，不进行统计；
4.2)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，进行正常的转向比及车流量统计；T0表示时间阈值，
Tspace＝Tcur-Tpre(1)。


3.根据权利要求1所述的一种基于深度学习的转向比及车流量统计方法，其特征在于，步骤6)中的车辆目标跟踪包含以下步骤：
6.1)对于步骤5)得到的当前帧的车辆目标检测结果，过滤掉不处于车流量统计区域和过车检测区域内的车辆；
6.2)基于IoU指标匹配的车辆目标跟踪，具体为：
6.2.1)计算当前帧检测到的车辆目标D和跟踪队列中的跟踪目标Q的IoU指标和宽高误差Ew、Eh；其中，跟踪队列中存放着上一帧图像中车辆目标跟踪的结果；IoU指标根据公式(2)计算，宽、高误差Ew、Eh分别根据公式(3)、公式(4)计算：









其中，BD为当前帧的车辆目标D的边界框，BQ为跟踪目标Q的实时跟踪边界框，∩为求交集，∪为求并集；wD和hD分别为当前帧的车辆目标D实时跟踪边界框的宽和高，wQ和hQ分别为跟踪目标Q的实时跟踪边界框的宽和高；
6.2.2)如果IoU≥α·IoUt且Ew≤α·Ewt且Eh≤α·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为预先设置的可调阈值，IoUt的取值范围为0～1.0，Ewt和Eht的取值要求大于等于0；其中α为动态更新的参数，取值范围为0～1.0，初始值为1；
6.2.3)根据公式(5)到公式(8)计算跟踪目标Q的转弯角度的余弦值k；



P0P1*P1P2＝(P1.x-P0.x)*(P2.x-P1.x)+(P1.y-P0.y)*(P2.y-P1.y)(6)






其中，P0为跟踪目标Q前2秒被检测到的边界框的中心点，P1为跟踪目标Q前1秒第一次经过红...

【专利技术属性】
技术研发人员：王金超，高飞，卢书芳，翁立波，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