基于深度卷积神经网络的道路交通目标跟踪方法技术

本发明专利技术公开了基于深度卷积神经网络的道路交通目标跟踪方法。通过监控终端对需要查找的目标车辆进行车牌和特征输入，使卷积神经网络对道路摄像头进行捕捉命令，通过道路摄像头对特征车辆进行筛选和排查确定出目标车辆，再通过多组道路摄像头相互配合，将目标车辆的实时定位实时图像和视频传输给监控终端进行追踪显示，且监控终端能够对目标车辆进行确定和否定，从而增加了目标车辆的定位和追踪的精准度；通过对车辆否定筛选掉的车辆会进行自动排除，有效提高了对目标车辆捕捉的效率，避免系统重复捕捉而造成时间的浪费；通过卷积神经网络的智能性能够对目标车辆进行快速有效的捕捉和追踪，增加锁定的及时性和速率，具有防止目标车辆丢失的效果。目标车辆丢失的效果。

【技术实现步骤摘要】
基于深度卷积神经网络的道路交通目标跟踪方法


[0001]本专利技术涉及道路交通
，具体为基于深度卷积神经网络的道路交通目标跟踪方法。

技术介绍

[0002]对车辆的持续跟踪对于肇事车辆的追捕以及减少交通事故，具有重要意义。随着计算机技术的快速发展，推动着视频图像的智能化应用。当前对于视频图像的研究热点之一，就包括运动目标跟踪。当前对于运动目标的研究主要集中在单个摄像头的跟踪，但是此类研究存在遮挡问题，监控区域小等问题，在实际的应用中存在很多的弊端。跨摄像头的目标跟踪，在监控区域和时间上都能够很好的满足实际的需要。为了实现跨摄像头的车辆目标检测与跟踪，本论文中的核心算法由两大部分组成：第一部分是基于背景差分法求单摄像头目标轨迹。第二部分是基于图像透视变换算法。将不同摄像头视角下的运动轨迹矫正为正俯视角，再根据空间规则进行拼接达到跨摄像头跟踪的目的。本论文利用这两种核心算法，对目标跟踪和检测的结果进行综合处理，来找出运动车辆目标并实现跨摄像头跟踪的目的。道路交通是指简称交通，车辆和行人在道路上的流动和滞留，有时还包括停放车，企业对人的流动的服务和人对货物的移动，有时还包括货物的储存，则称为运输，如旅客运输、货物运输、公路运输、铁路运输、航空运输、水路运输等，以上两者总称交通运输或交通与运输，在中国也常简称为交通，或简称为运输。卷积神经网络是人工神经网络的一种已成为当前语音分析和图像识别领域的研究热点，它的权值共享网络结构使之更类似于生物神经网络，降低了网络模型的复杂度，减少了权值的数量。该优点在网络的输入是多维图像时表现的更为明显，使图像可以直接作为网络的输入，避免了传统识别算法中复杂的特征提取和数据重建过程。卷积网络是为识别二维形状而特殊设计的一个多层感知器，这种网络结构对平移、比例缩放、倾斜或者共他形式的变形具有高度不变性。卷积神经网络是近年来广泛应用于模式识别、图像处理篾领域的一种高效识别算法，它具有结构简单训练参数少和适应性强等特点。本文丛卷积神经网络的发展历开始,详细阐述了卷想神经四络的网络结构、神经元模型和训练算法。在此基础上以卷积神经网络在人脸检测和形状识别方面的应用为例，简单介绍了卷积神经网络在工程上的应用，并给出了设计思路和网络结构。
[0003]现有的基于深度卷积神经网络的道路交通目标跟踪方法对目标车辆的捕捉效率较低，捕捉目标车辆的精准度差，易造成不能对目标车辆及时捕捉的问题。

技术实现思路

[0004](一)解决的技术问题
[0005]针对现有技术的不足，本专利技术提供了基于深度卷积神经网络的道路交通目标跟踪方法，具备自动筛选目标车俩等优点，解决了上述
技术介绍
中的问题。
[0006](二)技术方案
[0007]为实现上述目的，本专利技术提供如下技术方案：基于深度卷积神经网络的道路交通
目标跟踪方法，包括以下步骤：
[0008]S1：通过监控确定车辆通过监测路段的正常行驶时间；
[0009]S2：通过卷积神经网络对道路摄像头进行目标车辆的排查；
[0010]S3：卷积神经网络对道路摄像头排查后将目标车辆传输至监控终端判断该车是否遭遇异常情况；
[0011]S4：确定目标车辆后对该车进行锁定和跟踪；
[0012]S5：当捕捉到目标车辆后，通过目标捕捉模块对车辆的行驶进行多组图像和多组不同位置的图像并对图像进行实时切换；
[0013]S6：通过追踪切换模块对目标车辆捕捉和追踪目标车辆通过卷积神经网络将此时道路摄像头的实时定位发送给监控终端，使监控终端上显示出车辆移动轨迹。
[0014]优选的，所述S1中是通过监测系统采集监测点的车速分布特点然后再统计车速的均值和方差确定的。
[0015]优选的，所述S2中监控终端是终端将测得的信号转换成数据上传至监控中心,并将监控中心发送的数据转换成命令,实现对路灯、景观灯、楼宇光彩等的智能化控制，对目标车辆进行显示和车辆信息进行输入。
[0016]优选的，所述S3中卷积神经网络的输入层可以处理多维数据，常见地，一维卷积神经网络的输入层接收一维或二维数组，其中一维数组通常为时间或频谱采样；二维数组可能包含多个通道；二维卷积神经网络的输入层接收二维或三维数组；三维卷积神经网络的输入层接收四维数组，通过智能网络对设备进行传输和命令，图像检测的中心任务是对图像进行识别和对图像进行特征提取，即是将物体形图像检测的中心任务是对图像进行识别和对图像进行特征提取，即是将物体形状，位置,图像边界,阴影轮廓等重要图像边缘产生的视觉信息让计算机分析理状，位置，图像边界，阴影轮廓等重要图像边缘产生的视觉信息让计算机分析理解，图像的边缘负载的信息，能让图像处理过程中达到识别作用，在对图像进行解，图像的边缘负载的信息，能让图像处理过程中达到识别作用。
[0017]优选的，所述S4中如果监控终端进行判定结果为是，继续以下步骤S5，如果监控终端进行判定为否，则返回S2继续对车辆进行再次筛选，直到选中目标车辆为主，这时已经被筛选过的目标车辆会进行自动排出，通过这样的筛选方式可以提高对目标车辆捕捉的效率，避免系统重复捕捉而造成时间的浪费。
[0018]优选的，所述S5中目标捕捉模块对目标车辆进行动态捕捉，确定车辆行经路线并对图像进行实时切换，以防车辆跑出视屏外。
[0019]优选的，所述S6中追踪切换模块为视频图像切换并通过多组道路摄像头对目标车辆进行锁定，最后并将画面传输给监控终端最终通过检测模块将摄像头和各个模块的运行数据通过积神经网络与正常的运行数据进行对比，并将检测结果发送给监控终端。
[0020](三)有益效果
[0021]与现有技术相比，本专利技术提供了基于深度卷积神经网络的道路交通目标跟踪方法，具备以下有益效果：
[0022]1、该基于深度卷积神经网络的道路交通目标跟踪方法，通过监控终端对需要查找的目标车辆进行车牌和特征输入，使卷积神经网络对道路摄像头进行捕捉命令，通过道路摄像头对特征车辆进行筛选和排查确定出目标车辆，再通过多组道路摄像头相互配合，将
目标车辆的实时定位和实时图像和视频传输给监控终端进行追踪显示，且监控终端能够对目标车辆进行确定和否定，从而增加了目标车辆的定位和追踪的精准度。
[0023]2、该基于深度卷积神经网络的道路交通目标跟踪方法，通过对车辆否定筛选掉的车辆会进行自动排除，有效提高了对目标车辆捕捉的效率，避免系统重复捕捉而造成时间的浪费。
[0024]3、该基于深度卷积神经网络的道路交通目标跟踪方法，通过卷积神经网络的智能性能够对目标车辆进行快速有效的捕捉和追踪，增加锁定的及时性和速率，具有防止目标车辆丢失的效果；当任务结束后通过检测模块和卷积神经网络对摄像头和各个模块的运行数据与正常的运行数据进行对比，对道路摄像头和各个模块进行检测，确保装置的正常运行。
具体实施方式
[0025]下面将结合本专利技术的实施例，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本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于深度卷积神经网络的道路交通目标跟踪方法，其特征在于，包括以下步骤：S1：通过监控确定车辆通过监测路段的正常行驶时间；S2：通过卷积神经网络对道路摄像头进行目标车辆的排查；S3：卷积神经网络对道路摄像头排查后将目标车辆传输至监控终端判断该车是否遭遇异常情况；S4：确定目标车辆后对该车进行锁定和跟踪；S5：当捕捉到目标车辆后，通过目标捕捉模块对车辆的行驶进行多组图像和多组不同位置的图像并对图像进行实时切换；S6：通过追踪切换模块对目标车辆捕捉和追踪目标车辆通过卷积神经网络将此时道路摄像头的实时定位发送给监控终端，使监控终端上显示出车辆移动轨迹。2.根据权利要求1所述的基于深度卷积神经网络的道路交通目标跟踪方法，其特征在于，所述S1中是通过监测系统采集监测点的车速分布特点然后再统计车速的均值和方差确定的。3.根据权利要求1所述的基于深度卷积神经网络的道路交通目标跟踪方法，其特征在于，所述S2中监控终端是终端将测得的信号转换成数据上传至监控中心,并将监控中心发送的数据转换成命令,实现对路灯、景观灯、楼宇光彩等的智能化控制，对目标车辆进行显示和车辆信息进行输入。4.根据权利要求1所述的基于深度卷积神经网络的道路交通目标跟踪方法，...

【专利技术属性】
技术研发人员：李德成，董栋，吴晓峰，王磊，佟哲，
申请(专利权)人：江苏嘉和天盛信息科技有限公司，
类型：发明
国别省市：