[發(fā)明專利]云環(huán)境下基于卷積神經(jīng)網(wǎng)絡(luò)車型識(shí)別的車流量統(tǒng)計(jì)方法

在審

• 申請(qǐng)?zhí)枺?/td>: 201510995736.1
• 申請(qǐng)日: 2015-12-21
• 公開(kāi)（公告）號(hào): CN105678214A
• 公開(kāi)（公告）日: 2016-06-15
• 發(fā)明（設(shè)計(jì)）人: 張衛(wèi)山;徐亮;宮文娟;盧清華;李忠偉
• 申請(qǐng)（專利權(quán)）人: 中國(guó)石油大學(xué)(華東)
• 主分類號(hào): G06K9/00
• 分類號(hào): G06K9/00;G06K9/62
• 代理公司: 暫無(wú)信息
• 代理人: 暫無(wú)信息

1.一種云環(huán)境下基于卷積神經(jīng)網(wǎng)絡(luò)車型識(shí)別的車流量統(tǒng)計(jì)方法，包括：卷 積神經(jīng)網(wǎng)絡(luò)離線訓(xùn)練模塊以及實(shí)時(shí)車流量統(tǒng)計(jì)模塊，其特征在于，

卷積神經(jīng)網(wǎng)絡(luò)離線訓(xùn)練模塊，進(jìn)行卷積神經(jīng)網(wǎng)絡(luò)的訓(xùn)練，生成訓(xùn)練參數(shù)；

實(shí)時(shí)車流量統(tǒng)計(jì)模塊進(jìn)行車型識(shí)別，統(tǒng)計(jì)車流量。

2.如權(quán)利要求1所述的云環(huán)境下基于卷積神經(jīng)網(wǎng)絡(luò)車型識(shí)別的車流量統(tǒng)計(jì) 方法，其特征在于，所述卷積神經(jīng)網(wǎng)絡(luò)離線訓(xùn)練模塊進(jìn)行卷積神經(jīng)網(wǎng)絡(luò)的訓(xùn)練， 生成訓(xùn)練參數(shù)的步驟，包括：

卷積神經(jīng)網(wǎng)絡(luò)離線訓(xùn)練模塊存儲(chǔ)來(lái)自流媒體服務(wù)器的視頻流，然后利用歷 史數(shù)據(jù)構(gòu)建訓(xùn)練數(shù)據(jù)集，結(jié)合卷積神經(jīng)網(wǎng)絡(luò)，訓(xùn)練卷積神經(jīng)網(wǎng)絡(luò)得到最優(yōu)的卷 積神經(jīng)網(wǎng)絡(luò)參數(shù)。

3.如權(quán)利要求2所述的云環(huán)境下基于卷積神經(jīng)網(wǎng)絡(luò)車型識(shí)別的車流量統(tǒng)計(jì) 方法，其特征在于，所述卷積神經(jīng)網(wǎng)絡(luò)包括：四層卷積與池化層，一層全連接 層，最后一層是softmax回歸分類器層。

4.如權(quán)利要求1所述的云環(huán)境下基于卷積神經(jīng)網(wǎng)絡(luò)車型識(shí)別的車流量統(tǒng)計(jì) 方法，其特征在于，所述實(shí)時(shí)車流量統(tǒng)計(jì)模塊進(jìn)行車型識(shí)別，統(tǒng)計(jì)車流量的步 驟，包括：

實(shí)時(shí)車流量統(tǒng)計(jì)模塊采集來(lái)自流媒體服務(wù)器的實(shí)時(shí)視頻流，將實(shí)時(shí)視頻流 解碼為幀圖像之后將其作為Storm的輸入源，將每一幀圖像在Storm中進(jìn)行處理。

5.如權(quán)利要求4所述的云環(huán)境下基于卷積神經(jīng)網(wǎng)絡(luò)車型識(shí)別的車流量統(tǒng)計(jì) 方法，其特征在于，通過(guò)storm的spout進(jìn)行處理，在Storm中分別經(jīng)過(guò)背景分 割、車型識(shí)別、車輛跟蹤、車流統(tǒng)計(jì)，最終輸出車流量并進(jìn)行持久化。