一种车流量检测方法及系统技术方案

本发明专利技术涉及一种车流量检测方法和系统，属于车流量检测技术领域。本发明专利技术提供的车流量检测方法，通过将待检测路面的可见光车流视频的图像序列输入至L

【技术实现步骤摘要】
一种车流量检测方法及系统


[0001]本专利技术涉及车流量检测
，特别是涉及一种车流量检测方法及系统。

技术介绍

[0002]智慧灯杆是未来城市基础设施不可或缺的重要组成部分，通过在智慧灯杆上搭载车流量检测系统，能够实现全市交通信息的感知和收集，从而为城市的交通规划和管理提供可靠的数据支撑，有效提升交通运输效率、保障交通安全、改善交通运输环境。
[0003]随着计算机视觉技术的发展，基于视频的车流量检测方法得到了广泛研究和应用。然而，现有算法大多直接采用通用目标检测网络进行车流量检测（陈佳倩,金晅宏,王文远,陆莹洁.基于YOLOv3和DeepSort的车流量检测[J].计量学报,2021,42(06):718
‑
723.），导致网络模型参数量和计算需求过大，难以部署在智慧灯杆这一应用场景中。

技术实现思路

[0004]本专利技术的目的是提供一种车流量检测方法及系统，以在减小计算需求的同时，提高车流量检测效果。
[0005]为实现上述目的，本专利技术提供了如下方案：一种车流量检测方法，包括：对YOLOv5网络模型进行改进，得到L
‑
YOLOv5网络模型；L
‑
YOLOv5网络模型包括依次连接的输入端、骨干网络、轻量融合模块和预测端；所述骨干网络包括B1部分、B2部分和B3部分；将待检测路面的可见光车流视频的图像序列输入至所述L
‑
YOLOv5网络模型，得到车辆检测结果；根据所述车辆检测结果统计得到待检测路面的可见光车流视频中的车辆数量；根据所述车辆数量确定车流量级别。
[0006]优选地，所述L
‑
YOLOv5网络模型中特征图处理过程包括：将所述B3部分的输出特征图输入第一1*1卷积层得到输出特征图B3_1将所述B3部分的输出特征图输入第二1*1卷积层后，对所述第二1*1卷积的输出特征图进行扩大两倍的上采样操作，获得输出特征图B3_2；将所述B2部分的输出特征图输入第三1*1卷积层，获得输出特征图B2_1；将所述B1部分的输出特征图输入第四1*1卷积层后，对第四1*1卷积层的输出特征图进行卷积核为3*3、步长为2的卷积操作，获得输出特征图B1_1；将所述B1部分的输出特征图输入第五1*1卷积层，获得输出特征图B1_2；将所述特征图B3_2、所述特征图B2_1和所述特征图B1_1进行通道维度拼接，获得特征图B2_2；将所述特征图B2_2输入第六1*1卷积层后，将第六1*1卷积层的输出特征图与所述特征图B3_1进行通道拼接，获得特征图B3_3；
对所述特征图B2_2进行扩大两倍的上采样操作；对进行扩大两倍的上采样操作后的所述特征图B2_2通过1*1卷积操作进行通道转换，并将转换后获得的输出特征图与所述特征图B1_2进行通道拼接，获得特征图B1_3；将所得特征图B1_3、特征图B2_3和特征图B3_3依次输入YOLOv5的预测端。
[0007]优选地，所述第一1*1卷积层的卷积核个数、所述第二1*1卷积层的卷积核个数、所述第三1*1卷积层的卷积核个数、第四1*1卷积层的卷积核个数和第五1*1卷积层的卷积核个数均为85。
[0008]优选地，所述第六1*1卷积层的卷积核个数为170，步长为2。
[0009]优选地，将待检测路面的可见光车流视频的图像序列输入至所述L
‑
YOLOv5网络模型，得到车辆检测结果，之前还包括：获取车辆检测数据集；基于所述车辆检测数据集对L
‑
YOLOv5网络模型进行训练。
[0010]优选地，所述车辆检测数据集的构建过程包括：采用智慧灯杆上安装可见光摄像拍摄路面车流视频，获得车流视频集；按预设采样频率将车流视频集中的车流视频转换为车辆图像序列；采用标注软件进行车辆图像标注，在每张图像中标注出各个车辆的所在位置框，获得每张图像对应的标注文件；将得到的图像和对应的标注文件划分为训练集和测试集，从而得到车辆检测数据集。
[0011]优选地，预设采样频率为10s/次。
[0012]优选地，所述根据所述车辆数量确定车流量级别，具体包括：获取一级阈值、二级阈值和三级阈值；当所述车辆数量大于等于所述一级阈值时，将所述车流量级别设置为“A级”；当所述车辆数量小于所述一级阈值且大于等于所述二级阈值时，将所述车流量级别设置为“B级”；当所述车辆数量小于所述二级阈值且大于等于所述三级阈值时，将所述车流量级别设置为“C级”；当所述车辆数量小于所述三级阈值时，将所述车流量级别设置为“D级”。
[0013]根据本专利技术提供的具体实施例，本专利技术公开了以下技术效果：本专利技术提供的车流量检测方法，通过将待检测路面的可见光车流视频的图像序列输入至L
‑
YOLOv5网络模型，得到车辆检测结果，然后，根据车辆检测结果统计得到待检测路面的可见光车流视频中的车辆数量，最后，根据车辆数量确定车流量级别，进而能够在减小计算需求的同时，提高车流量检测效果。
[0014]此外，本专利技术还提供了一种车流量检测系统，该系统包括：可见光摄像头、智慧灯杆和处理器；所述可见光摄像头搭载在所述智慧灯杆上；所述可见光摄像头与所述处理器连接；所述可见光摄像头用于获取待检测路段的车流视频；所述处理器用于执行上述提供的车流量检测方法。
[0015]因本专利技术提供的车流量检测系统实现的技术效果与上述提供的车流量检测方法
实现的技术效果相同，故在此不再进行赘述。
附图说明
[0016]为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0017]图1为本专利技术提供的车流量检测方法的流程图；图2为本专利技术实施例提供的L
‑
YOLOv5的网络结构示意图；图3为本专利技术实施例提供的车流量检测方法的数据处理流程示意图；图4为本专利技术实施例提供的车流量检测流程图。
具体实施方式
[0018]下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。
[0019]本专利技术的目的是提供一种车流量检测方法及系统，以在减小计算需求的同时，提高车流量检测效果。
[0020]为使本专利技术的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本专利技术作进一步详细的说明。
[0021]如图1所示，本专利技术提供的车流量检测方法，包括：步骤100：对YOLOv5网络模型进行改进，得到L
‑
YOLOv5网络模型。如图2所示，L
‑
YOLOv5网络模型包括依次连接的输入端、骨干网络、轻本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种车流量检测方法，其特征在于，包括：对YOLOv5网络模型进行改进，得到L
‑
YOLOv5网络模型；L
‑
YOLOv5网络模型包括依次连接的输入端、骨干网络、轻量融合模块和预测端；所述骨干网络包括B1部分、B2部分和B3部分；将待检测路面的可见光车流视频的图像序列输入至所述L
‑
YOLOv5网络模型，得到车辆检测结果；根据所述车辆检测结果统计得到待检测路面的可见光车流视频中的车辆数量；根据所述车辆数量确定车流量级别。2.根据权利要求1所述的车流量检测方法，其特征在于，所述L
‑
YOLOv5网络模型中特征图处理过程包括：将所述B3部分的输出特征图输入第一1*1卷积层得到输出特征图B3_1将所述B3部分的输出特征图输入第二1*1卷积层后，对所述第二1*1卷积的输出特征图进行扩大两倍的上采样操作，获得输出特征图B3_2；将所述B2部分的输出特征图输入第三1*1卷积层，获得输出特征图B2_1；将所述B1部分的输出特征图输入第四1*1卷积层后，对第四1*1卷积层的输出特征图进行卷积核为3*3、步长为2的卷积操作，获得输出特征图B1_1；将所述B1部分的输出特征图输入第五1*1卷积层，获得输出特征图B1_2；将所述特征图B3_2、所述特征图B2_1和所述特征图B1_1进行通道维度拼接，获得特征图B2_2；将所述特征图B2_2输入第六1*1卷积层后，将第六1*1卷积层的输出特征图与所述特征图B3_1进行通道拼接，获得特征图B3_3；对所述特征图B2_2进行扩大两倍的上采样操作；对进行扩大两倍的上采样操作后的所述特征图B2_2通过1*1卷积操作进行通道转换，并将转换后获得的输出特征图与所述特征图B1_2进行通道拼接，获得特征图B1_3；将所得特征图B1_3、特征图B2_3和特征图B3_3依次输入YOLOv5的预测端。3.根据权利要求2所述的车流量检测方法，其特征在于，所述第一1*1卷积层的卷积核个数、所述第二1...

【专利技术属性】
技术研发人员：钱浩，张超，张波，
申请(专利权)人：科大天工智能装备技术天津有限公司，
类型：发明
国别省市：