一种基于车流方向判别高速公路车流监控设备转动的方法技术

本发明专利技术公开一种基于车流方向判别高速公路车流监控设备转动的方法，其特征在于：包括以下步骤：(S1)获取车流数据信息，记录视频的车辆轨迹，统计路面的车辆的轨迹；实现车流数据信息的采集；（S2）采用基于深度卷积神经网络的视频图像编码算法完成视频图像压缩处理，提高了深度卷积神经网络处理视频图像数据信息的识别能力；（S3）通过所构建的构建车流数据信息分析模型实现车流数据信息分析；（S4）构建分析优化模型。本发明专利技术通过对视频的车辆轨迹进行记录，通过统计路面的车辆的轨迹，然后比较一定时间内的的整体车辆的轨迹偏差，判别设备是否移位,减少光照影响和车流对路面特征的影响,大大提高了高速公路车流监控能力。响,大大提高了高速公路车流监控能力。响,大大提高了高速公路车流监控能力。

【技术实现步骤摘要】
一种基于车流方向判别高速公路车流监控设备转动的方法


[0001]本专利技术涉及视频分析
，且更确切地涉及一种基于车流方向判别高速公路车流监控设备转动的方法。

技术介绍

[0002]随着国家经济实力、科学技术等全方面的发展进步，我国公路建设的规模也日趋庞大，公路不仅与人们的日常出行息息相关，还对我国各地区的经济、文化交流等活动起着巨大的推进作用。但是目前的公路勘查技术还存在着各式各样的问题，如：对公路信息获取不准确，无法有效排除环境对勘探设备的影响，勘探设备采集到的信息无法及时传输到用户手中造成信息落后等问题，因此对公路状态的实时勘探就显得极其重要。
[0003]现有技术对高速公路车流监控进行了研究与研究，其中郑义在车联网环境下无信号交叉口车辆协同控制算法研究一文中，提出采用协同控制算法在无信号的情况下通过交叉路口，通过建立一种通过车辆行为预测的方案设计行车风险最小化算法模型，但是由于所采用的协同算法针对于每一项任务都进行数据交换，重复性进行数据传输，所以数据传输的效率较差。廖梦迪的车联网的模拟仿真技术及其在多车跟车的应用研究，廖梦迪在一篇文章中对VANET Tool Box车联网平台进行二次开发，设计一种多车跟车运行模型，分析多车跟车运行模型和延迟通信的特点，提高运行效率，但由于运行过程中数据通信有一定的延迟作用，所以通信过程中会发生较严重的丢包现象。
[0004]目前通过视频判别移位主要是对整张图片进行特征提取来比较判别。也有通过局部的路面特征进行判别，但是在数据分析过程中，数据分析能力差，分析效果滞后，在分析过程中容易会受到光照变化影响，路面特征容易受到车流影响，采集的数据信息不准确。

技术实现思路

[0005]针对上述技术的不足，本专利技术公开一种基于车流方向判别高速公路车流监控设备转动的方法，本专利技术通过对视频的车辆轨迹进行记录，通过统计路面的车辆的轨迹，然后比较一定时间内的的整体车辆的轨迹偏差，判别设备是否移位, 减少光照影响和车流对路面特征的影响, 大大提高了高速公路车流监控能力。
[0006]为了实现上述技术效果，本专利技术采用以下技术方案：一种基于车流方向判别高速公路车流监控设备转动的方法，包括：作为本专利技术进一步的技术方案，包括以下步骤：(S1)获取车流数据信息，记录视频的车辆轨迹，统计路面的车辆的轨迹；实现车流数据信息的采集；在本步骤中，针对车流数据信息利用集成电路总线接口连接视频图像传感器，控制信息采集，（S2） 采用基于深度卷积神经网络的视频图像编码算法完成视频图像压缩处理，提高了深度卷积神经网络处理视频图像数据信息的识别能力，采用YOLO
‑
4算法模型实现车
辆目标数据和车道信息的提取；跟踪每辆的位置，获取每辆车在视频对应车道的轨迹，统计一定时间的车辆在每个车道的轨迹；利用深度卷积神经网络编码算法对采集到的图像信息进行压缩，通过FPGA的并行化计算控制方法，提高了图像数据信息获取的加速能力；（S3）通过所构建的构建车流数据信息分析模型实现车流数据信息分析，并比较一定时间内的整体车辆的轨迹偏差，判别设备是否移位；通过YOLO
‑
V4算法模型实现高速公路车流数据信息分析；（S4）构建分析优化模型，通过优化模块提高了YOLO
‑
V4算法模型的优化效果；减少光照影响和车流对路面特征的影响, 大大提高了高速公路车流监控能力。
[0007]作为本专利技术进一步的技术方案，车流数据信息采集的方法为：将输入图像传输至卷积器中，通过控制器控制卷积计算，各卷积器包含存储权值的系数存储器，利用输入图像和权值实施卷积运算获取输出结果，在计算卷积时间，输入不同尺寸大小的图像尺寸、卷积核大小与数量，并配置深度卷积神经网络编码算法计算过程中的参数，进而确定采集图像的地址。
[0008]作为本专利技术进一步的技术方案，视频图像编码算法的工作步骤为：采用基于深度卷积神经网络的视频图像编码算法完成视频图像压缩处理；首先通过预训练模型采集视频图像特征，选取K均值算法计算不同视频图像间特征的距离信息，基于相同来源的视频图像属一类的原则调整视频图像特征的距离信息，由此获取视频图像聚类标签，然后利用深度卷积神经网络学习距离信息，通过多次迭代计算，进而依照自编码位数实际要求，实施图像稀疏自编码。
[0009]作为本专利技术进一步的技术方案，所述YOLO
‑
4算法模型包括以下步骤：步骤一、从高速公路车流数据集信息中获取提取的数据集合，将YOLO
‑
V4检测模型构建成数据网络模型，在该模型中加入聚类分析算法实现不同数据信息的分类；步骤二、将YOLO
‑
V4算法中数学含义以YOLO
‑
V4网络结构的形式展现，高速公路车流特征提取主网络采用的CSPDarknet53网络，该网络支撑的图像大小608*608；并输出四个或者四个以上的信息特征，能够提高网络目标的检索能力；在池化时通过SPP模块实现，其中该模块具有四个以上的最大池化层，尺寸有1*1、6*6、9*9以及13*13，该算法还能够将不同池化的图像信息进行不同程度的拼接，输出最佳池化特征图像；通过聚类分类模块实现数据信息分析，个数大于4，分类器采用通过级联的方式连接的YOLO Head 分类器，能够提高分类的精度和能力；步骤三、利用步骤二构建的YOLO
‑
V4算法模型对接收到的高速公路车流数据信息集合进行信息训练，当训练输出的最佳权重文件输送至YOLO
‑
V4算法，则构建出高速公路车流状态数据信息，步骤四、数据输出，最终数据输出高速公路车流信息，数据信息以数据帧的方式出现。
[0010]作为本专利技术进一步的技术方案，优化模块优化的方法为：首先对公路监控图像缺陷数据集进行统一标准化，缩放每个输入变量在预定义的[0,1]范围内，其表达式为：
ꢀ
（1）式（2）中，是指缩放后的标准化值，和是训练集中变量的最小值和最大值，是变量的实际值；则公路图像信息缺陷评估指标均值计算公式为：（2）式（2）中，表示公路监控图像缺陷评估指标均值，表示预测运行周期，表示深度学习模型各项超参数，表示工作人员需求评价指标；通过建立正交化的评估矩阵将公路监控图像缺陷评估指标进行信息交叠，不同信息交叠图像之间相互影响迭代过程为：（3）式（3）中，表示公路监控图像缺陷评估指标相互交叠函数，表示相互交叠函数之间相互影响迭代过程；根据公路监控图像缺陷评估指标之间的迭代公式，对等式（4）矩阵建立算法程序，即：（4）式（4）中，表示公路监控图像缺陷评估正交化安全矩阵，表示正交化矩阵编辑参数。
[0011]作为本专利技术进一步的技术方案，优化图像经过OATM计算模型对设定的公路监控图像缺陷评估指标进行评估，将各项公路监控图像缺陷评估指标数据通过施密特公式应用在预测平台中，则在线测试获得最佳评估效果为：（5）式（5）中，表示OATM模型验算的公路车流数据信息评估指标效果，m表示公路监控图像架构节点数量，通过判定OATM算法模型实现指标验本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于车流方向判别高速公路车流监控设备转动的方法，其特征在于：包括以下步骤：(S1)获取车流数据信息，记录视频的车辆轨迹，统计路面的车辆的轨迹；实现车流数据信息的采集；在本步骤中，针对车流数据信息利用集成电路总线接口连接视频图像传感器，控制信息采集，（S2）采用基于深度卷积神经网络的视频图像编码算法完成视频图像压缩处理，提高了深度卷积神经网络处理视频图像数据信息的识别能力，采用YOLO
‑
4算法模型实现车辆目标数据和车道信息的提取；跟踪每辆的位置，获取每辆车在视频对应车道的轨迹，统计一定时间的车辆在每个车道的轨迹；利用深度卷积神经网络编码算法对采集到的图像信息进行压缩，通过FPGA的并行化计算控制方法，提高了图像数据信息获取的加速能力；（S3）通过所构建的构建车流数据信息分析模型实现车流数据信息分析，并比较一定时间内的整体车辆的轨迹偏差，判别设备是否移位；通过YOLO
‑
V4算法模型实现高速公路车流数据信息分析；（S4）构建分析优化模型，通过优化模块提高了YOLO
‑
V4算法模型的优化效果；减少光照影响和车流对路面特征的影响, 大大提高了高速公路车流监控能力。2.根据权利要求1所述的一种基于车流方向判别高速公路车流监控设备转动的方法，其特征在于：车流数据信息采集的方法为：将输入图像传输至卷积器中，通过控制器控制卷积计算，各卷积器包含存储权值的系数存储器，利用输入图像和权值实施卷积运算获取输出结果，在计算卷积时间，输入不同尺寸大小的图像尺寸、卷积核大小与数量，并配置深度卷积神经网络编码算法计算过程中的参数，进而确定采集图像的地址。3.根据权利要求1所述的一种基于车流方向判别高速公路车流监控设备转动的方法，其特征在于：视频图像编码算法的工作步骤为：采用基于深度卷积神经网络的视频图像编码算法完成视频图像压缩处理；首先通过预训练模型采集视频图像特征，选取K均值算法计算不同视频图像间特征的距离信息，基于相同来源的视频图像属一类的原则调整视频图像特征的距离信息，由此获取视频图像聚类标签，然后利用深度卷积神经网络学习距离信息，通过多次迭代计算，进而依照自编码位数实际要求，实施图像稀疏自编码。4.根据权利要求1所述的一种基于车流方向判别高速公路车流监控设备转动的方法，其特征在于：所述YOLO
‑
4算法模型包括以下步骤：步骤一、从高速公路车流数据集信息中获取提取的数据集合，将YOLO
‑
V4检测模型构建成数据网络模型，在该模型中加入聚类分析算法实现不同数据信息的分类；步骤二、将YOLO
‑
V4算法中数学含义以YOLO
‑
V4网络结构的形式展现，高速公路车流特征提取主网络采用的CSPDarknet53网络，该网络支撑的图像大小608*608；并输出四个或者四个以上的信息特征，能够提高网络目标的检索能力；在池化时通过SPP模块实现，其中该模块具有四个以上的最大池化层，尺寸有1*1、6*6、9*9以及13*13，该算法还能够将不同池化的图像信息进行不同程度的拼接，输出最佳池化特征图像；通过聚类分类模块实现数据信息分析，个数大于4，分类器采用通过级联的方式连接的
YOLOHead分类器，能够提高分类的精度和能力；步骤三、利用步骤二构建的YOLO
‑
V4算法模型对接收到的高速公路车流数据信息集合进行信息训练，当训练输出的最佳权重文件输送至YOLO
‑
V4算法，则构建出高速公路车流状态数据信息，步骤四、数据输出，最终数据输出高速公路车...

【专利技术属性】
技术研发人员：刘电，吕洪燕，张星明，吴国平，陈嘉琪，黄宇波，
申请(专利权)人：广州国交润万交通信息有限公司，
类型：发明
国别省市：