基于神经网络和联合数据概率数据关联法的交通监测方法技术

本发明专利技术公开了一种基于神经网络和联合数据概率数据关联法的交通监测方法，通过目标识别模块将视频中车辆识别出来，获得观测信息，通过目标跟踪模块对观测信息进行处理，将不同观测信息内的车辆的关联，实现对车辆的跟踪，所述目标识别模块中设置有神经网络模型和NMS模型，在所述目标跟踪模块中采用JPDA法对观测信息进行处理。本发明专利技术公开了基于神经网络和联合数据概率数据关联法的交通监测方法，运算速度快，跟踪精度高，能够实现交通实时监测。能够实现交通实时监测。能够实现交通实时监测。

【技术实现步骤摘要】
基于神经网络和联合数据概率数据关联法的交通监测方法


[0001]本专利技术涉及一种基于神经网络和联合数据概率数据关联法的交通监测方法，属于交通监测


技术介绍

[0002]通过路面摄像头或搭载于无人机视频传感器模块，对路面车辆进行监测，一方面可以对目标车辆进行有效跟踪、定位；另一方面可以准确判断路面车流状况，对交通进行有效调节，减少交通拥堵情况。
[0003]现有的监测方法，存在对路面车辆识别精确低的问题，容易出现目标识别错误，导致车流量判断错误。
[0004]此外，现有的监测方法，存在多目标跟踪混乱问题，导致跟踪过程中出现多个新目标或目标突然消失，进而导致监测的车流量数据与实际车流量数据存在较大误差。
[0005]因此，有必要提出一种高识别精度、高追踪精度的交通监测方法。

技术实现思路

[0006]为了克服上述问题，本专利技术人进行了深入研究，提出了一种基于神经网络和联合数据概率数据关联法的交通监测方法，通过目标识别模块将视频中车辆识别出来，获得观测信息，通过目标跟踪模块对观测信息进行处理，将不同观测信息内的车辆的关联，实现对车辆的跟踪。
[0007]在一个优选的实施方式中，所述目标识别模块中设置有神经网络模型，用于识别车辆，获取车辆的位置信息和分类情况，所述神经网络模型为YOLOV5网络模型。
[0008]在一个优选的实施方式中，在所述目标识别模块中还设置有NMS模型，通过NMS模型筛选神经网络模型输出的识别结果，将一张图片中识别到的重复结果删除或合并。
[0009]在一个优选的实施方式中，在NMS模型中，将检测框的置信度设置为：
[0010][0011]其中，s
i
表示不同检测框的得分，b
i
表示不同的检测框，N
t
表示可设置的阈值，表示当前得分最高的检测框，IoU()表示重叠区域面积比例。
[0012]在一个优选的实施方式中，在目标识别模块中，根据神经网络模型输出的位置以及传感器的位置，通过坐标变化获取车辆相对传感器的方位角或方位角与距离，将方位角或方位角与距离作为观测信息。
[0013]在一个优选的实施方式中，在所述目标跟踪模块中采用JPDA法对观测信息进行处理，实现对多个车辆的跟踪。
[0014]在一个优选的实施方式中，将JPDA法中的多目标运动信息以及测量值模型设置为：
[0015]X(k)＝{x1(k),
…
,x
n(k)
(k)}
[0016]Y(k)＝{y1(k),
…
,y
m(k)
(k)}
[0017]其中，X(k)表示k时刻车辆的状态信息集合，Y(k)表示k时刻车辆的观测信息集合；x
i
(k)∈R
N
表示k时刻车辆i对应的状态信息，i∈(1,n(k))；y
j
(k)∈R
M
表示k时刻车辆j对应的观测信息，j∈(1,m(k))
[0018]在一个优选的实施方式中，将JPDA方法中的目标运动的模型设置为：
[0019]x(k)＝Fx(k
‑
1)+Gw(k
‑
1)
[0020]y(k)＝Hx(k)+v(k)
[0021]其中，k表示离散时刻，x表示目标状态向量，y表示目标观测向量，w为均值为0、协方差矩阵为Q的输入白噪声，v为均值为0，协方差矩阵为R的观测白噪声；F表示状态转移矩阵，G表示噪声驱动矩阵，H表示观测矩阵。
[0022]本专利技术所具有的有益效果包括：
[0023](1)采用了YOLOv5神经网络，更具轻量化，能够快速提出图像当中的目标信息，实现试试监测；
[0024](2)改善了NMS模块，减少了目标重合或遮挡时的漏检情况；
[0025](3)采用了JPDA算法进行数据关联，提高数据处理速度，并减弱了传感器或坐标转化过程中的噪声。
附图说明
[0026]图1示出根据本专利技术一种优选实施方式的基于神经网络和联合数据概率数据关联法的交通监测方法流程示意图；
[0027]图2示出实施例1仿真中目标识别模块的识别结果；
[0028]图3示出实施例1仿真中不同车辆跟踪位置与实际位置的均方根误差；
[0029]图4示出实施例1仿真中所有车辆跟踪位置与实际位置的整体误差均值。
具体实施方式
[0030]下面通过附图和实施例对本专利技术进一步详细说明。通过这些说明，本专利技术的特点和优点将变得更为清楚明确。
[0031]在这里专用的词“示例性”意为“用作例子、实施例或说明性”。这里作为“示例性”所说明的任何实施例不必解释为优于或好于其它实施例。尽管在附图中示出了实施例的各种方面，但是除非特别指出，不必按比例绘制附图。
[0032]本专利技术提供了一种基于神经网络和联合数据概率数据关联法的交通监测方法，通过目标识别模块将视频中车辆识别出来，获得观测信息，通过目标跟踪模块对观测信息进行处理，实现对车辆的跟踪，如图1所示。
[0033]所述目标识别模块用于识别视频中车辆，并根据车辆的位置信息以及传感器的位置获取车辆相对传感器的方位角或方位角与距离，将方位角或方位角与距离作为观测信息传递至目标跟踪模块。
[0034]所述目标跟踪模块根据目标识别模块持续输出的观测信息，将不同观测信息内的车辆的关联，从而完成对多个车辆的跟踪。
[0035]根据本专利技术，所述目标识别模块中设置有神经网络模型，所述神经网络模型优选
为YOLO网络模型，更优选为YOLOV5网络模型。
[0036]YOLO网络模型为一种单步检测模型，它直接将图片输入到网络中利用CNN来提取整个图片的特征，最后再对整张图片进行回归操作来检测目标，相较于其它网络模型，例如两阶段方法中的Faster R
‑
CNN，其具有识别速度优势，处理效率高，更适用于实时性要求高的交通检测任务。
[0037]进一步地，YOLOv5网络模型相较于YOLO网络模型中的其它模型，其在准确率相当的情况下实现了模型的轻量化。
[0038]在YOLOv5网络模型中，将车辆检测的位置以及分类的预估视为一个回归任务，只需要将输入的图片进行一次卷积，便可以得到车辆的位置信息和分类情况。
[0039]在实际识别中，一张图上同一个车辆可能被识别为两个结果，例如车头及部分车身被识别为一辆车，车尾及部分车身被识别为另一辆车，导致神经网络识别出的车辆数目与实际不符。
[0040]根据本专利技术，在所述目标识别模块中还设置有NMS模型(非极大值抑制模型)，通过NMS模型筛选神经网络模型输出的识别结果，将一张图片中识别到的重复结果删除，避免出现重复识别造成车辆识别数目与实际数目不符。
[0041]NMS模型为计算机视觉领域中常用的一种模型，在本专利技术中，对其结构不做赘述。
[0本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于神经网络和联合数据概率数据关联法的交通监测方法，其特征在于，通过目标识别模块将视频中车辆识别出来，获得观测信息，通过目标跟踪模块对观测信息进行处理，将不同观测信息内的车辆的关联，实现对车辆的跟踪。2.根据权利要求1所述的基于神经网络和联合数据概率数据关联法的交通监测方法，其特征在于，所述目标识别模块中设置有神经网络模型，用于识别车辆，获取车辆的位置信息和分类情况，所述神经网络模型为YOLOV5网络模型。3.根据权利要求2所述的基于神经网络和联合数据概率数据关联法的交通监测方法，其特征在于，在所述目标识别模块中还设置有NMS模型，通过NMS模型筛选神经网络模型输出的识别结果，将一张图片中识别到的重复结果删除或合并。4.根据权利要求3所述的基于神经网络和联合数据概率数据关联法的交通监测方法，其特征在于，在NMS模型中，将检测框的置信度设置为：其中，s
i
表示不同检测框的得分，b
i
表示不同的检测框，N
t
表示可设置的阈值，表示当前得分最高的检测框，IoU()表示重叠区域面积比例。5.根据权利要求1所述的基于神经网络和联合数据概率数据关联法的交通监测方法，其特征在于，在目标识别模块中，根据神经网络模型输出的位置以及传感器的位置，通过坐标变化获取车辆相对传感器的方位角或方位角与距离，将方位角或方位角与距离作为观测信息。6.根据权利要求1所述的基于神经网络和联合数据概率数据...

【专利技术属性】
技术研发人员：何绍溟，柴剑铎，时俊祺，杨希雯，王江，林德福，
申请(专利权)人：北京理工大学，
类型：发明
国别省市：