System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术属于隧道监控技术,具体涉及yolov8算法在车流量监控方面的应用技术,尤其是一种基于yolov8算法的隧道车流量检测系统及方法。
技术介绍
1、目前,主流的隧道内现有针对车流量的统计主要还是依靠于铺设于路面的地感线圈,当车辆行驶过改线圈时计算一次车流量数据。该方法现有成熟产品很多,但是也存在如下缺点,如必须挖开路面进行铺设;必须准确压过该线圈;车辆很多时存在较大计算误判。针对这个情况后来开发了基于视频监控的分析功能,依靠yolov5算法来进行图像的识别。
2、现有的基于yolov5的路段车流量检测系统通过监控摄像头实时采集交通视频,采用yolov5目标检测算法对车辆进行识别,但这种方式精度和推理速度相较欠缺,且在光线不足的情况下识别的准确度低,小目标识别难,无法同时进行车牌识别。
3、本专利技术是利用yolov8技术,不仅具有更快的推理速度、更高的精度、占用的硬件资源更小,而且能对来往车辆进行车牌识别等。
技术实现思路
1、专利技术目的:本专利技术的第一目的是提供一种基于yolov8算法的隧道车流量检测方法,基于该方法,本专利技术还提供一种基于yolov8算法的隧道车流量检测系统,实现隧道的监控。
2、技术方案:一种基于yolov8算法的隧道车流量检测方法,包括如下步骤:
3、s1、数据采集:通过监控摄像头获取车流量的视频数据,包括隧道出入口处的视频图像;
4、s2、视频图像预处理:针对采集到的视频数据,提取目标
5、s3、目标检测:使用预训练的yolov8模型对隧道内的每一帧图像进行目标检测,所述yolov8模型会返回每个检测到的车辆以及车牌的边界框位置、类别标签和置信度;
6、s4、车辆跟踪,基于隧道出入口的监控摄像头进行数据比对,且基于卡尔曼滤波多目标跟踪算法来实现车辆的连续跟踪,消除重复计数和漏计的数据;
7、s5、车流量计数和车牌识别记录:根据跟踪到的车辆边界框信息,进行车流量的计数,并相应的匹配记录该车辆的车牌信息;且每次通过边界框判断车辆进入或离开隧道的情况,根据进出的车辆数量来更新车流量;
8、s6、数据分析和统计:通过对车流量数据进行分析和统计,得到隧道的车流量时段分布、不同类型车辆的统计信息,将对此做可视化监控展示。
9、进一步的,步骤(s1)中用车流量视频图像数据的采集摄像头包括分布设置于隧道内的其他区域,对隧道内实现全方位监控,对于数据采集包括基于隧道内不同区段的摄像头进行综合分析取平均值。
10、步骤(s2)中对于感兴趣区域的标记是以车辆通行道路进行矩形框标记,并且针对不同的车道分别做感兴趣区域的颜色标记。
11、步骤(s3)包括获取待检测图像,所述的待检测图像是隧道内动态物体的视频图像,然后将动态物体的图像信息进行目标检测得到包含检测目标框的待分类图像,所述的待分类图像包括车辆图像、隧道内发生运动的异物,然后通过多阶特征交互的目标检测模型进行识别,并将其找到匹配的文本特征,对应检测目标框的类别信息。
12、步骤(s4)中的目标跟踪包括目标移动速度的判断,对于隧道内移动速度低于判断值或超过判断值的物体进行预警,对于给定的速度区间内移动的车辆基于一个以上的监控摄像头进行比对、去重和补漏。
13、步骤(s5)对于车辆的识别包括根据车辆的颜色、车辆的大小进行分析,针对相邻的两个监控摄像头同一时段内出现相同颜色、相同大小的车辆进行车牌的比对,对于未识别到车牌的车辆图像做二次人工判断。
14、进一步的,所述的yolov8模型包括backbone单元、neck单元、head单元;
15、所述的backbone单元包括卷积模块、c2f模块、sppf模块,其中,卷积模块包括卷积层、批归一化层和silu激活函数层;c2f模块包括卷积模块、bottleneck模块和残差结构模块;sppf模块中包括卷积层、池化层;
16、neck单元包括卷积模块、c2f模块、上采样层;head单元包括检测模块,检测模块包括卷积模块、卷积层;
17、基于backbone单元对训练集中的每张图片进行放缩以及卷积操作,从而获得初始的特征图;基于neck单元对得到的初始特征图进行二次提取,获得不同尺度的中间特征图;将获得的不同尺度的中间特征图输入head单元,得到yolov8网络模型中各个车辆图片;将获得的车辆图像利用训练好的yolov8网络模型进行目标检测,实现目标车辆的各种信息。
18、一种基于yolov8的隧道车流量检测系统,包括监控摄像头、视频处理单元、信号收发装置和监控终端;
19、监控摄像头:布置于隧道的进出口,用于采集获取隧道内的车流量视频图像;
20、所述的视频处理单元包括图像识别模块和图像处理模块,所述的图像识别模块用于提取隧道内车辆信息,所述的图像处理模块用于交通流程统计、车行速度计算、车牌人脸识别和车辆违章分析;
21、信号收发装置,用于将视频处理单元处理后的数据传输至监控终端,并由监控终端进行展示。
22、有益效果:与现有技术相比,本专利技术显著的效果包括如下几点:
23、(1)高精度的车辆检测和计数,本专利技术是yolov8目标检测算法对车辆进行识别,并通过卡尔曼滤波器实现车辆目标跟踪,以保证车辆不会重复计数。可以进一步提高车辆检测的精度和鲁棒性,实现更准确的车流量计数。
24、(2)实时性能:隧道车流量检测系统需要具备实时监测和计数的能力,以及对车辆的快速响应能力。本专利技术基于隧道内的多个监控摄像头进行综合分析,并且还基于相邻的两个之间进行对比分析,划区域进行监控,适用于对时间要求较高的应用场景,可以实现实时车流量监测和计数。
25、(3)车牌识别、异常识别:本专利技术可以对小目标进行准确的识别,在进行目标检测时,可以同步检测记录车辆的车牌信息。当车辆长期停驶可以识别为违章停车、当车辆有追尾等事故可以快速报警、也可以识别车辆是否有抛洒滴漏等违规行为。
26、(4)数据分析和统计功能:本专利技术除了实时车流量计数,还利用检测到的车辆数据进行数据分析和统计,包括车流量的时段分布、车辆类型的统计等,为隧道管理和交通规划提供更全面的数据支持。
本文档来自技高网...【技术保护点】
1.一种基于YOLOv8算法的隧道车流量检测方法,其特征在于,该方法包括如下步骤:
2.根据权利要求1所述的基于YOLOv8的隧道车流量检测方法,其特征在于,步骤(S1)中用车流量视频图像数据的采集摄像头包括分布设置于隧道内的其他区域,对隧道内实现全方位监控,对于数据采集包括基于隧道内不同区段的摄像头进行综合分析取平均值。
3.根据权利要求1所述的基于YOLOv8的隧道车流量检测方法,其特征在于,步骤(S2)中对于感兴趣区域的标记是以车辆通行道路进行矩形框标记,并且针对不同的车道分别做感兴趣区域的颜色标记。
4.根据权利要求1所述的基于YOLOv8的隧道车流量检测方法,其特征在于,步骤(S3)包括获取待检测图像,所述的待检测图像是隧道内动态物体的视频图像,然后将动态物体的图像信息进行目标检测得到包含检测目标框的待分类图像,所述的待分类图像包括车辆图像、隧道内发生运动的异物,然后通过多阶特征交互的目标检测模型进行识别,并将其找到匹配的文本特征,对应检测目标框的类别信息。
5.根据权利要求1所述的基于YOLOv8的隧道车流量检测方法,其
6.根据权利要求1所述的基于YOLOv8的隧道车流量检测方法,其特征在于,步骤(S5)对于车辆的识别包括根据车辆的颜色、车辆的大小进行分析,针对相邻的两个监控摄像头同一时段内出现相同颜色、相同大小的车辆进行车牌的比对,对于未识别到车牌的车辆图像做二次人工判断。
7.根据权利要求1所述的基于YOLOv8的隧道车流量检测方法,其特征在于,所述的YOLOv8模型包括Backbone单元、Neck单元、Head单元;
8.一种基于YOLOv8的隧道车流量检测系统,其特征在于,包括监控摄像头、视频处理单元、信号收发装置和监控终端;
...【技术特征摘要】
1.一种基于yolov8算法的隧道车流量检测方法,其特征在于,该方法包括如下步骤:
2.根据权利要求1所述的基于yolov8的隧道车流量检测方法,其特征在于,步骤(s1)中用车流量视频图像数据的采集摄像头包括分布设置于隧道内的其他区域,对隧道内实现全方位监控,对于数据采集包括基于隧道内不同区段的摄像头进行综合分析取平均值。
3.根据权利要求1所述的基于yolov8的隧道车流量检测方法,其特征在于,步骤(s2)中对于感兴趣区域的标记是以车辆通行道路进行矩形框标记,并且针对不同的车道分别做感兴趣区域的颜色标记。
4.根据权利要求1所述的基于yolov8的隧道车流量检测方法,其特征在于,步骤(s3)包括获取待检测图像,所述的待检测图像是隧道内动态物体的视频图像,然后将动态物体的图像信息进行目标检测得到包含检测目标框的待分类图像,所述的待分类图像包括车辆图像、隧道内发生运动的异物,然后通过多阶特征交互的目标检测模型进行识别,并将其找...
【专利技术属性】
技术研发人员:周爱众,徐蕾,李明,胡毅,张壮,张文卿,丁乔木,
申请(专利权)人:南京城建隧桥智慧管理有限公司,
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。