一种基于智能灯杆的道路识别方法及系统技术方案

本申请公开了一种基于智能灯杆的道路识别方法及系统。其采用基于机器视觉的人工智能监控技术，以通过对于道路监控图像进行清晰度增强后，提取出其在高维空间中的多尺度隐含关联特征分布信息，并以此来进行道路拥挤程度的判断。也就是，将人工智能技术应用于智慧交通中来构建道路识别方案，以此来进行道路拥挤程度的等级检测。通过这样的方式，可以精准地对于道路的实时情况进行智能识别，以满足人们的出行需求，保障出行安全。保障出行安全。保障出行安全。

【技术实现步骤摘要】
一种基于智能灯杆的道路识别方法及系统


[0001]本申请涉及智能识别
，且更为具体地，涉及一种基于智能灯杆的道路识别方法及系统。

技术介绍

[0002]目前，随着城市的智能化程度的加快，人们在出行前及出行时，需要精准的掌握道路信息，以提高出行的安全性。而现有技术方案采用工作人员或者用户对道路信息进行录入更新，以保证道路信息的及时性。但采用工作人员和用户录入道路信息的方式，存在道路实时信息不全面、不精准以及用户使用不方便的问题，无法满足用户出行对道路信息获取的需求。
[0003]因此，期待一种优化的道路信息识别方案。

技术实现思路

[0004]为了解决上述技术问题，提出了本申请。本申请的实施例提供了一种基于智能灯杆的道路识别方法及系统。其采用基于机器视觉的人工智能监控技术，以通过对于道路监控图像进行清晰度增强后，提取出其在高维空间中的多尺度隐含关联特征分布信息，并以此来进行道路拥挤程度的判断。也就是，将人工智能技术应用于智慧交通中来构建道路识别方案，以此来进行道路拥挤程度的等级检测。通过这样的方式，可以精准地对于道路的实时情况进行智能识别，以满足人们的出行需求，保障出行安全。
[0005]根据本申请的一个方面，提供了一种基于智能灯杆的道路识别方法，其包括：
[0006]获取由部署于智能灯杆的摄像头采集的道路监控图像；
[0007]将所述道路监控图像通过基于自动编解码器的图像清晰度增强模块以得到增强道路监控图像；
[0008]将所述增强道路监控图像通过使用具有第一空洞率的空洞卷积核的第一卷积神经网络模型以得到第一尺度道路监控特征图；
[0009]将所述增强道路监控图像通过使用具有第二空洞率的空洞卷积核的第二卷积神经网络模型以得到第二尺度道路监控特征图；
[0010]融合所述第一尺度道路监控特征图和所述第二尺度道路监控特征图以得到道路监控特征图；
[0011]对所述道路监控特征图进行特征分布调整以得到优化后道路监控特征图；
[0012]将所述优化后道路监控特征图通过分类器以得到分类结果，所述分类结果用于表示道路拥挤程度的等级标签。
[0013]在上述的基于智能灯杆的道路识别方法中，所述将所述道路监控图像通过基于自动编解码器的图像清晰度增强模块以得到增强道路监控图像，包括：
[0014]通过所述自动编解码器的编码器使用卷积层对所述道路监控图像进行显式空间编码以得到图像特征；
[0015]通过所述自动编解码器的解码器使用反卷积层对所述图像特征进行反卷积处理以得到所述增强道路监控图像。
[0016]在上述的基于智能灯杆的道路识别方法中，所述将所述增强道路监控图像通过使用具有第一空洞率的空洞卷积核的第一卷积神经网络模型以得到第一尺度道路监控特征图，包括：
[0017]所述具有第一空洞率的空洞卷积核的第一卷积神经网络模型的各层在层的正向传递中对输入数据分别进行：
[0018]对输入数据进行卷积处理以得到第一卷积特征图；
[0019]对所述第一卷积特征图进行均值池化处理以得到第一池化特征图；
[0020]对所述第一池化特征图进行非线性激活以得到第一激活特征图；
[0021]其中，所述具有第一空洞率的空洞卷积核的第一卷积神经网络模型的最后一层的输出为所述第一尺度道路监控特征图，所述具有第一空洞率的空洞卷积核的第一卷积神经网络模型的第一层的输入为所述增强道路监控图像。
[0022]在上述的基于智能灯杆的道路识别方法中，所述将所述增强道路监控图像通过使用具有第二空洞率的空洞卷积核的第二卷积神经网络模型以得到第二尺度道路监控特征图，包括：
[0023]所述具有第二空洞率的空洞卷积核的第二卷积神经网络模型的各层在层的正向传递中对输入数据分别进行：
[0024]对输入数据进行卷积处理以得到第二卷积特征图；
[0025]对所述第二卷积特征图进行均值池化处理以得到第二池化特征图；
[0026]对所述第二池化特征图进行非线性激活以得到第二激活特征图；
[0027]其中，所述具有第二空洞率的空洞卷积核的第二卷积神经网络模型的最后一层的输出为所述第二尺度道路监控特征图，所述具有第二空洞率的空洞卷积核的第二卷积神经网络模型的第一层的输入为所述增强道路监控图像。
[0028]在上述的基于智能灯杆的道路识别方法中，对所述道路监控特征图进行特征分布调整以得到优化后道路监控特征图，包括：
[0029]将所述道路监控特征图进行特征图展开以得到道路监控展开特征向量；
[0030]对所述道路监控展开特征向量进行正定赋范空间的几何约束重参数化以得到优化后道路监控展开特征向量；
[0031]将所述优化后道路监控展开特征向量重构为所述优化后道路监控特征图。
[0032]在上述的基于智能灯杆的道路识别方法中，将所述道路监控特征图进行特征图展开以得到道路监控展开特征向量，包括：将所述道路监控特征图沿着列向量进行展开以得到所述道路监控展开特征向量。
[0033]在上述的基于智能灯杆的道路识别方法中，对所述道路监控展开特征向量进行正定赋范空间的几何约束重参数化以得到优化后道路监控展开特征向量，包括：
[0034]以如下公式对所述道路监控展开特征向量进行正定赋范空间的几何约束重参数化以得到优化后道路监控展开特征向量；
[0035]其中，所述公式为：
[0036][0037]其中，μ和σ是特征集合v
i
∈V的均值和方差，表示向量的二范数的平方，||
·
||
F
表示矩阵的Frobenius范数，V表示所述道路监控展开特征向量，V
T
表示所述道路监控展开特征向量的转置，exp表示以自然常数e为底的指数函数值，v
i
是所述道路监控展开特征向量V的第i个位置的特征值，v
i
′
是所述优化后道路监控展开特征向量的第u个位置的特征值。
[0038]在上述的基于智能灯杆的道路识别方法中，所述将所述优化后道路监控特征图通过分类器以得到分类结果，所述分类结果用于表示道路拥挤程度的等级标签，包括：
[0039]将所述优化后道路监控特征图按照行向量或列向量展开为分类特征向量；
[0040]使用所述分类器的多个全连接层对所述分类特征向量进行全连接编码以得到编码分类特征向量；
[0041]将所述编码分类特征向量通过所述分类器的Softmax分类函数以得到所述分类结果。
[0042]根据本申请的另一方面，提供了一种基于智能灯杆的道路识别系统，其包括：
[0043]监控图像获取模块，用于获取由部署于智能灯杆的摄像头采集的道路监控图像；
[0044]自动编解码模块，用于将所述道路监控图像通过基于自动编解码器的图像清晰度增强模块以得到增强道路监控图像；
[0045]第一卷积编码模块，用于将所述增强本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于智能灯杆的道路识别方法，其特征在于，包括：获取由部署于智能灯杆的摄像头采集的道路监控图像；将所述道路监控图像通过基于自动编解码器的图像清晰度增强模块以得到增强道路监控图像；将所述增强道路监控图像通过使用具有第一空洞率的空洞卷积核的第一卷积神经网络模型以得到第一尺度道路监控特征图；将所述增强道路监控图像通过使用具有第二空洞率的空洞卷积核的第二卷积神经网络模型以得到第二尺度道路监控特征图；融合所述第一尺度道路监控特征图和所述第二尺度道路监控特征图以得到道路监控特征图；对所述道路监控特征图进行特征分布调整以得到优化后道路监控特征图；将所述优化后道路监控特征图通过分类器以得到分类结果，所述分类结果用于表示道路拥挤程度的等级标签。2.根据权利要求1所述的基于智能灯杆的道路识别方法，其特征在于，所述将所述道路监控图像通过基于自动编解码器的图像清晰度增强模块以得到增强道路监控图像，包括：通过所述自动编解码器的编码器使用卷积层对所述道路监控图像进行显式空间编码以得到图像特征；通过所述自动编解码器的解码器使用反卷积层对所述图像特征进行反卷积处理以得到所述增强道路监控图像。3.根据权利要求2所述的基于智能灯杆的道路识别方法，其特征在于，所述将所述增强道路监控图像通过使用具有第一空洞率的空洞卷积核的第一卷积神经网络模型以得到第一尺度道路监控特征图，包括：所述具有第一空洞率的空洞卷积核的第一卷积神经网络模型的各层在层的正向传递中对输入数据分别进行：对输入数据进行卷积处理以得到第一卷积特征图；对所述第一卷积特征图进行均值池化处理以得到第一池化特征图；对所述第一池化特征图进行非线性激活以得到第一激活特征图；其中，所述具有第一空洞率的空洞卷积核的第一卷积神经网络模型的最后一层的输出为所述第一尺度道路监控特征图，所述具有第一空洞率的空洞卷积核的第一卷积神经网络模型的第一层的输入为所述增强道路监控图像。4.根据权利要求3所述的基于智能灯杆的道路识别方法，其特征在于，所述将所述增强道路监控图像通过使用具有第二空洞率的空洞卷积核的第二卷积神经网络模型以得到第二尺度道路监控特征图，包括：所述具有第二空洞率的空洞卷积核的第二卷积神经网络模型的各层在层的正向传递中对输入数据分别进行：对输入数据进行卷积处理以得到第二卷积特征图；对所述第二卷积特征图进行均值池化处理以得到第二池化特征图；对所述第二池化特征图进行非线性激活以得到第二激活特征图；其中，所述具有第二空洞率的空洞卷积核的第二卷积神经网络模型的最后一层的输出
为所述第二尺度道路监控特征图，所述具有第二空洞率的空洞卷积核的第二卷积神经网络模型的第一层的输入为所述增强道路监控图像。5.根据权利要求4所述的基于智能灯杆的道路识别方法，其特征在于，对所述道路监控特征图进行特征分布调整以得到优化后道路监控特征图，包括：将所述道路监控特征图进行特征图展开以得到道路监控展开特征向量；对所述道路监控展开特征向量进行正定赋范空间的几何约束重参数化以得到优化后道路监控展开特征向量；将所述优化后道路监控展...

【专利技术属性】
技术研发人员：谢天长，林郭敏，张金美，陶斌斌，董彪，王海英，周磊，胡志强，郭志辉，
申请(专利权)人：江西通慧科技集团股份有限公司，
类型：发明
国别省市：