智能网联车中基于深度学习的路口车流量检测方法及系统技术方案

本发明专利技术涉及深度学习与智能网联技术领域，公开了智能网联车中基于深度学习的路口车流量检测方法及系统，其技术方案要点是获取路口摄像头实时帧；对帧图像进行预处理；预处理后的图像再经过集成了RFCBAMConv注意力机制的Backbone模块，提取图像中的丰富特征；通过DFMhead检测头对提取的特征进行分类和回归任务，进一步确定检测出的目标类别并估算其边界框位置，输出最终的检测结果；在损失计算模块中引入SIWL作为损失函数，增强对小目标的检测能力；通过改进基于深度学习的车流量检测算法并将其应用于智能网联车中，以提高对小目标和遮挡目标的检测准确性和稳定性，使得智能网联车在已规划路径中遇到远距离路口拥堵时能够提前重新规划路径以避开拥堵路段。

【技术实现步骤摘要】

本专利技术涉及深度学习与智能网联，更具体地说，它涉及智能网联车中基于深度学习的路口车流量检测方法及系统。

技术介绍

1、目前，智能网联车主要研究自身传感和自身控制，不能感知远距离路口的车流量。智能网联车面临着在已规划路径的远距离路口出现拥堵的情况，不能提前重新规划路径来避开拥堵路口的问题。

2、近几年，基于深度学习的车流量检测算法在路口广泛应用，与此同时，基于深度学习的车流量检测算法也面临一些问题。首先当前交通路口十分宽广，交通路口摄像头距离路口车辆较远，摄像头拍摄照片中出现较多的小目标车辆。其次，路口车辆之间相距较近，车与车之间会形成相互遮挡，摄像头拍摄照片中出现不少的遮挡车辆。

3、由此，本专利技术提供了智能网联车中基于深度学习的路口车流量检测方法及系统，改善了上述技术问题。

技术实现思路

1、本公开实施例旨在针对现有技术的不足，提供智能网联车中基于深度学习的路口车流量检测方法及系统，本专利技术通过改进基于深度学习的车流量检测算法并将其应用于智能网联车中，以提高对小目标和遮挡目标的本文档来自技高网...

【技术保护点】

1.智能网联车中基于深度学习的路口车流量检测方法，其特征在于，所述方法包括以下步骤：

2.根据权利要求1所述的智能网联车中基于深度学习的路口车流量检测方法，其特征在于，通过路口的摄像头实时获取交通流量的帧序列数据；所述数据将作为目标检测的基础输入，用于监测路口的车辆、行人和其他交通要素。

3.根据权利要求1所述的智能网联车中基于深度学习的路口车流量检测方法，其特征在于，集成RFCBAMConv注意力机制的Backbone模块包括：RFAConv和CBAM；

4.根据权利要求3所述的智能网联车中基于深度学习的路口车流量检测方法，其特征在于，集成RFCBA...

【技术特征摘要】

1.智能网联车中基于深度学习的路口车流量检测方法，其特征在于，所述方法包括以下步骤：

2.根据权利要求1所述的智能网联车中基于深度学习的路口车流量检测方法，其特征在于，通过路口的摄像头实时获取交通流量的帧序列数据；所述数据将作为目标检测的基础输入，用于监测路口的车辆、行人和其他交通要素。

3.根据权利要求1所述的智能网联车中基于深度学习的路口车流量检测方法，其特征在于，集成rfcbamconv注意力机制的backbone模块包括：rfaconv和cbam；

4.根据权利要求3所述的智能网联车中基于深度学习的路口车流量检测方法，其特征在于，集成rfcbamconv注意力机制的backbone模块的计算公式为：

5.根据权利要求1所述的智能网联车中基于深度学习的路口车流量检测方法，其特征在于，所述dfmhead检测头由以下模块组成:尺度感知模块、空间感知模块和任务感知注意力模块；

6.根据权利要求5所述的智能...

【专利技术属性】
技术研发人员：马小陆，洪鹏，唐得志，沈浩，李诺，张睿，
申请(专利权)人：安徽工业大学，
类型：发明
国别省市：