一种基于卷积神经网络的交通状况检测方法、系统及存储介质技术方案

本发明专利技术公开了一种基于卷积神经网络的交通状况检测方法、系统及存储介质。基于卷积神经网络的交通状况检测方法包括如下步骤：获取车载设备采集的路面图片；在所述路面图片中提取感兴趣区域，所述感兴趣区域包含有路况特征区域；将所述感兴趣区域输入预先训练好的卷积神经网络，得到路况检测结果；所述路况检测结果包括路况类型及对应的概率。本发明专利技术解决了目前交通状况检测方法与系统收集信息不全面、检测不实时等问题，提高了交通状况检测的全面性和实时性。此外本发明专利技术还通过引入多种交通状况分类，提升了检测精度。

【技术实现步骤摘要】
一种基于卷积神经网络的交通状况检测方法、系统及存储介质
本专利技术涉及交通检测领域，尤其涉及一种基于卷积神经网络的交通状况检测方法、系统及存储介质。
技术介绍
道路交通状况实时检测是出行者制定出行计划的重要参考，也是交通管理部门做出管理决策的重要依据。道路交通状况实时检测在智能交通中发挥着不可替代的作用。然而现有的道路交通状况实时检测系统往往是基于道路摄像头或人工上报获取原始信息数据。然而这两种获取原始信息数据的方式都无法实现全面、实时的道路交通状况检测。一方面，针对人工上报，由于人工上报的报告途径少、传递效率低，且许多司机在驾驶过程中无法进行上报操作，检测的全面性和实时性均无法保证。另一方面，针对道路摄像头收集原始信息数据，由于道路摄像头分布点较散，无法收集路况的全面信息；且道路摄像头必须将其所拍摄的图像反馈至云端服务器，由云端服务器处理数据才可得到结果，大幅增加了云端服务器的处理负担，降低了处理效率，无法实现较精准的实时检测。因此，亟需提供一种可实现对路况进行全面、实时的检测方法。
技术实现思路
本文档来自技高网...

【技术保护点】
1.一种基于卷积神经网络的交通状况检测方法，其特征在于，包括如下步骤：/n获取车载设备采集的路面图片；/n在所述路面图片中提取感兴趣区域，所述感兴趣区域包含有路况特征区域；/n将所述感兴趣区域输入预先训练好的卷积神经网络，得到路况检测结果；所述路况检测结果包括路况类型及对应的概率。/n

【技术特征摘要】
1.一种基于卷积神经网络的交通状况检测方法，其特征在于，包括如下步骤：
获取车载设备采集的路面图片；
在所述路面图片中提取感兴趣区域，所述感兴趣区域包含有路况特征区域；
将所述感兴趣区域输入预先训练好的卷积神经网络，得到路况检测结果；所述路况检测结果包括路况类型及对应的概率。


2.根据权利要求1所述的基于卷积神经网络的交通状况检测方法，其特征在于，所述步骤在所述路面图片中提取感兴趣区域，包括：
基于SSDMobileNet的对象检测模型在所述路面图片中识别并提取所述感兴趣区域。


3.根据权利要求1所述的基于卷积神经网络的交通状况检测方法，其特征在于，所述步骤在所述路面图片中提取感兴趣区域之后，还包括：
将所述感兴趣区域的分辨率调整至目标分辨率，所述目标分辨率为256*256像素。


4.根据权利要求1所述的基于卷积神经网络的交通状况检测方法，其特征在于，所述步骤获取车载设备采集的路面图片之前，还包括：
构建卷积神经网络，所述卷积神经网络包括输入层、N个激活层、全连接层、和输出层；所述激活层包括卷积层和池化层；
所述步骤将所述感兴趣区域输入预先训练好的卷积神经网络，得到路况检测结果，包括：
在激活层中采用Relu函数作为神经元的输出激活函数，输入层的输入值经过N个激活层后，通过全连接层将特征数据映射到样本空间当中，在输出层输出得到感兴趣区域中的路况类型及对应的概率组合。


5.根据权利要求4所述的基于卷积神经网络的交通状况检测方法，其特征在于，所述卷积神经网络包括3个激活层，分别为激活层一、激活层二、激活层三；
所述激活层一包括卷积层一和池化层一，卷积层一得输出值经Relu函数激活后作为池化层一的输入值；所述激活层二包括卷积层二和池化层二，卷积层二的输出值经Relu函数激活后作为池化层二的输入值；所述激活层三包括卷积层三和池化层三，卷积层三的输出值经Relu函数激活后作为池化层三的输入值。


6.根据权...

【专利技术属性】
技术研发人员：钟雨沛，杨超，林芷薇，谭美健，方思凡，邹毅，
申请(专利权)人：广东工业大学，
类型：发明
国别省市：广东;44