【技术实现步骤摘要】
一种基于深度学习的车辆追踪统计系统及方法
[0001]本申请涉及人工智能
，尤其涉及一种基于深度学习的车辆追踪统计系统及方法。
技术介绍
[0002]随着私家车的增多，道路交通面临压力愈发增大，智能化的交通管控及方法亟待实现。而要实现智能化的交通管控，首先需要的是车流量数据的统计与获取。车流量统计是指在规定的统计时间内，通过指定路面或者区域的车辆的数量。
[0003]目前，进行车流量统计的方法主要是：云服务器运用YOLOv5和Deep SORT算法训练车辆跟踪模型；将训练好的车辆跟踪模型移植到边缘服务器上，通过架设在道路交通杆上的高分辨率摄像机收集交通视频数据并实时上传至边缘服务器，进而实现车辆的采集。
[0004]但是，上述方案在对车流量进行统计时，经常会出现车辆漏检，重复计数等情况，而且对同时统计多路摄像头的车流量上，并发支持不高，计算量大，实时性不高。
技术实现思路
[0005]针对现有技术的上述不足，本专利技术提供一种基于深度学习的车辆追踪统计系统及方法，以解决上述技术问题。
【技术保护点】
【技术特征摘要】
1.一种基于深度学习的车辆追踪统计系统，其特征在于，所述系统包括：视频拉取模块，用于获取预设采集设备上传的视频数据；视频解析模块，用于获取视频数据对应的解码图像；将所述解码图像导入预设目标检测算法以及预设目标追踪算法，以获得解码图像对应的时间戳、车辆位置数据、追踪ID以及所述时间戳、所述位置数据与所述追踪ID三者之间的第一关系；其中，所述时间戳为解码图像在视频数据视频帧中对应的生成时间；逻辑处理模块，用于基于所述位置数据，提取解码图像中的车辆目标抠图；获得所述车辆目标抠图对应的hash特征值以及所述hash特征值与追踪ID和时间戳之间的第二关系；基于时间戳，对若干hash特征值进行对比，确定异常的hash特征值，以为异常hash特征值更新追踪ID；时序判断模块，用于获取同一时间戳对应的若干解码图像；获取所述若干解码图像对应的hash特征值以及追踪ID，以确定是否存在异常的hash特征值，进而确定是否出现车辆漏检或重复计数。2.根据权利要求1所述的基于深度学习的车辆追踪统计系统，其特征在于，所述视频拉取模块包括：设备检测单元、远程mesh接入单元；所述设备检测单元，用于检测预设采集设备是否在线；所述远程mesh接入单元，用于在检测到预设采集设备不在线时，接入远程mesh节点建立自组网络，以为预设采集设备提供无线网络。3.根据权利要求1所述的基于深度学习的车辆追踪统计系统，其特征在于，所述视频解析模块包括：目标检测单元、目标追踪单元、时间定位单元；所述时间定位单元，用于在将视频数据中的若干帧解码成若干解码图像时，确定各个解码图像对应的生成时间；并存储所述解码图像与所述生成时间之间的第三关系；所述目标检测单元，用于通过预设目标检测算法采集识别解码图像中的车辆，进而确定车辆在解码图像中的位置数据；所述目标追踪单元，用于通过预设目标追踪算法以及所述位置数据，为车辆赋予追踪ID。4.根据权利要求1所述的基于深度学习的车辆追踪统计系统，其特征在于，所述逻辑处理模块包括：特征值计算单元、特征值对比单元；所述特征值计算单元，用于基于位置数据，提取解码图像中的车辆目标抠图，进而确定所述车辆目标抠图对应的hash特征值；基于所述第一关系，确定hash特征值与追踪ID和时间戳之间的第二关系；所述特征值对比单元，用于基于时间戳，对若干hash特征值进行对比；检测同一hash特征值对应的追踪ID是否一致以及检测同一追踪ID对应的hash特征值是否一致；当追踪ID不一致时，确定存在异常的hash特征值，将当前时间戳hash特征值对应的追踪ID更新为上一时间戳hash特征值对应的追踪ID；当hash特征值不一致时，确定存在异常的hash特征值，更新当前时间戳hash特征值对应的追踪ID。5.根据权利要求1所述的基于深度学习的车辆追踪统计系统，其特征在于，所述时序判断模块包括：时间戳排序单元、hash对比单元；所述时间戳排序单元，用于将来自若干预设采集设备的视频数据中的解密图像，按照
时间戳的先后顺序进行排列，以获取时间戳
‑
解密图像数据库；所述hash对比单元，用于基于所...
【专利技术属性】
技术研发人员：崔海东，冯政，于海涛，郭杰，
申请(专利权)人：瞳见科技有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。