一种交通路况智能监测方法和计算机可读存储介质技术

一种交通路况智能监测方法和计算机可读存储介质，本发明专利技术采用了端到端的基于卷积神经网络的深度学习方法，极大增加了目标检测效率，泛能能力较强，能在不同环境背景下对目标进行检测，具有检测鲁棒性，直接输出目标的姿态信息和运动信息，无需人工设计算子。同时预训练的分类器能够以不同非正常交通情况的样本作为训练样本，得到能识别不同交通情况的分类模型。类模型。类模型。

【技术实现步骤摘要】
一种交通路况智能监测方法和计算机可读存储介质


[0001]本专利技术涉及图像目标检测
，具体涉及一种交通路况智能监测方法和计算机可读存储介质。

技术介绍

[0002]随着社会进步与发展，汽车拥有量与日俱增。随之引发的交通拥堵严重、非法行驶、交通事故等非正常交通路况愈发频繁。为了预防和实时监测非正常路况的发生，对交通路况的在线分析越来越受到重视。
[0003]基于智能交通系统的快速发展，精准的与高适应性地智能路况监测系统受到很多学者的关注。目前，比较主流的交通事故监测方法包括：轨迹分析和运动分析。但是两种方法的主要目的都是构建正常情况下的交通运动模型，而不是直接在视频中捕捉发生的交通事故。轨迹分析方法通过使用目标轨迹建立正常的车辆轨迹模型，从而来检测异常事件，虽然这个方法取得了很大的成就，但是在不好的光照环境和复杂的交通环境等条件下快速地获得精确的车辆轨迹仍然是一个很大的难题。运动分析方法主要是通过分析整个视频帧来提取时间和空间上的特征来描述特定的目标信息。与轨迹分析方法相比，运动分析方法有着更好的能力去适应不同的交通环境，在单个事本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种交通路况智能监测方法，其特征在于，包括：获取监控视频流；对所述监控视频流的每一帧进行目标检测与姿态估计，得到目标的姿态信息；对检测到的目标进行跟踪与预测，得到目标的运动信息；根据所述目标的姿态信息和所述目标的运动信息构造全局交通流特征向量；将所述全局交通流特征向量代入预训练的分类器中，得到当前交通路况。2.如权利要求1所述的交通路况智能监测方法，其特征在于，所述对所述监控视频流的每一帧进行目标检测与姿态估计，得到目标的姿态信息，包括：使用R3Det检测器对所述监控视频流中的车辆目标进行检测，得到目标的2D框和朝向角，并通过透视原理得到目标在世界坐标系下的真实位置。3.如权利要求2所述的交通路况智能监测方法，其特征在于，所述R3Det检测器采用基于深度学习神经网络的单级目标检测器RetinaNet，所述RetinaNet包括主干网络和分类与回归子网络。4.如权利要求3所述的交通路况智能监测方法，其特征在于，在基于所述RetinaNet的旋转目标检测中，网络的输出参数采用（x，y，w，h，θ）表示具有方向的检测到的目标框，其中，（x，y）为检测到的目标框的中心坐标；w为检测到的目标框的长度；h为检测到的目标框的宽度；θ为检测到的目标框的角度，θ的取值范围为[
‑
π/2，0]，表示检测到的目标框的长边与x轴的锐角夹角；在所述回归子网络中，预测的网络的输出参数均为偏移量，所述预测的网络的输出为：t
x
=(x
‑
x
a
)/w
a
，t
y
=(y
‑
y
a
)/h
a
，t
w
= log(w/w
a
)，t
h
= log(h/h
a
)，t
θ
=θ
–
θ
a
，t
x
’
=(x
’‑
x
a
)/w
a
，t
y
’
=(y
’‑
y
a
)/h
a
，t
w
’
= log(w
’
/w
a
)，t
h
’
= log(h
’
/h
a
)，t
θ
’
=θ
’–
θ
a
；其中，（x，y，w，h，θ）表示检测到的目标框；（x
a
，y
a
，w
a
，h
a
，θ
a
）表示预设目标框；（x
’
，y
’
，w
’
，h

【专利技术属性】
技术研发人员：黄文艺，宋士佳，王博，孙超，王文伟，
申请(专利权)人：北京理工大学深圳汽车研究院电动车辆国家工程实验室深圳研究院，
类型：发明
国别省市：