[發(fā)明專利]一種融合深度學(xué)習(xí)與背景差法的平安城市車流統(tǒng)計方法

有效

• 申請?zhí)枺?/td>: 201710801432.6
• 申請日: 2017-09-07
• 公開（公告）號: CN108074244B
• 公開（公告）日: 2021-05-25
• 發(fā)明（設(shè)計）人: 厲紫陽;沈徐蘭;馮盧夢;周紅晶
• 申請（專利權(quán)）人: 漢鼎宇佑互聯(lián)網(wǎng)股份有限公司
• 主分類號: G06T7/11
• 分類號: G06T7/11;G06T7/194;G06T7/246;G06K9/62
• 代理公司: 杭州君度專利代理事務(wù)所(特殊普通合伙) 33240
• 代理人: 朱月芬

1.一種融合深度學(xué)習(xí)與背景差法的平安城市車流統(tǒng)計方法，其主要特征包括如下步驟：

步驟(1)用混合高斯背景建模分離原視頻幀圖像的前景和背景，提取前景圖像，對前景圖像進(jìn)行預(yù)處理，二值化、中值濾波和形態(tài)學(xué)操作；

步驟(2)將提取出的前景圖像中位于車輛駛?cè)敕较?0米之內(nèi)的目標(biāo)切割成251*251像素的圖片，人工對切割好的前景圖像進(jìn)行標(biāo)記，依據(jù)車長將切割后前景圖像中的汽車標(biāo)記成5類:類Ⅰ為3到6米，類Ⅱ為6-9米，類Ⅲ為9-12米，類Ⅳ為12-15米，類Ⅴ為15-18米；具體分類如下：

2-1.選取100輛車計算成像比例prop，取平均值；通過測量原視頻幀圖像中車輛長度即成像車長length_img，查詢該車輛實際車長length_real，確定車輛的成像比例，計算如下：

prop＝length_real/length_img (1)

2-2.根據(jù)式(1)中所得成像比例prop，確定車輛駛?cè)敕较?0米在前景圖像中的位置，即確定待分類車輛所在區(qū)域zone；

zone＝20/prop (2)

2-3.根據(jù)式(1)中所得成像比例prop，測量原視頻幀圖像中車輛長度length_img’，計算待標(biāo)記車輛實際車長length_real’:

length_real’＝prop*length_img’ (3)

2-4.根據(jù)式(3)中計算所得實際車長length_real’，對前景圖像中待標(biāo)記車輛進(jìn)行分類標(biāo)記；

步驟(3)選取五類汽車圖片各500張作為訓(xùn)練樣本，采用如下處理方案：

3-1.劃分?jǐn)?shù)據(jù)區(qū)：

數(shù)據(jù)集有五類圖像，其中每一類別有500張，對每一類分別取出100張作為測試集，則總共有500張圖像的測試集不會參與模型的訓(xùn)練，而是用來驗證模型識別圖像的準(zhǔn)確率；

3-2.數(shù)據(jù)增廣：

對數(shù)據(jù)集中除測試集之外的圖像進(jìn)行基于OpenCV的處理來擴(kuò)增圖像數(shù)量；具體采用以下技術(shù)手段：

A.對圖像進(jìn)行水平翻轉(zhuǎn)或者隨機(jī)角度的旋轉(zhuǎn)；

B.對圖像進(jìn)行隨機(jī)裁剪至227x227像素；

C.在原視頻幀圖像上添加一些隨機(jī)噪音和細(xì)微的顏色抖動；

D.PCA均值化處理；

3-3.創(chuàng)建生成式對抗網(wǎng)絡(luò)GAN模型：

GAN模型中的兩位博弈方分別有生成模型G和判別模型D充當(dāng)；生成模型G捕捉樣本數(shù)據(jù)的分布，用服從某一分布的噪聲z生成一個類似真實訓(xùn)練數(shù)據(jù)的樣本；判別模型D是一個二分類器，估計一個樣本來自于訓(xùn)練數(shù)據(jù)的概率，如果樣本來自于真實的訓(xùn)練數(shù)據(jù)，D輸出大概率，否則，D輸出小概率；

GAN訓(xùn)練過程中固定一方，更新另外一方的網(wǎng)絡(luò)權(quán)重，交替迭代,過程公式如下：

整個式子由兩項構(gòu)成；x表示真實圖片，z表示輸入生成模型G的噪聲，而G(z)表示生成模型G生成的圖片；

D(x)表示判別模型D判斷真實圖片是否真實的概率,而D(G(z))是判別模型D判斷生成模型G生成的圖片的是否真實的概率；

當(dāng)固定生成生成模型G的時候，對于判別模型D優(yōu)化如下：輸入的若是真實數(shù)據(jù)，判別模型D優(yōu)化使得模型結(jié)果輸出為1；輸入的數(shù)據(jù)如果高仿的，判別模型D優(yōu)化使得模型結(jié)果輸出為0；當(dāng)固定判別模型D時，生成模型G優(yōu)化模型使其輸出的數(shù)據(jù)分布和真實數(shù)據(jù)一樣，并且該樣本在經(jīng)過判別模型D的判別之后輸出較高概率；

為每一種類型構(gòu)建一個對應(yīng)的GAN對抗網(wǎng)絡(luò)模型，用每一類的4000張訓(xùn)練集圖像作為真實數(shù)據(jù)來不斷提高判別模型D和生成模型G；最后選取最優(yōu)生成模型G來識別該類，并且規(guī)定：當(dāng)生成模型G輸出概率大于等于90％，返回值1；當(dāng)輸出概率小于90％時，返回0；

對五個類別構(gòu)造五個對應(yīng)的判別模型D，分別為GAN_D1,GAN_D2,GAN_D3,GAN_D4,GAN_D5；構(gòu)建完成后，依次使用五個判別模型D對一張輸入圖像進(jìn)行鑒別，用一個全局變量result來記錄每個判別模型D的結(jié)果；

3-4.構(gòu)建基于卷積神經(jīng)網(wǎng)絡(luò)的分類器：

當(dāng)不止一個判別模型D返回1，則說明同時有多個判別模型D認(rèn)為輸入圖像是屬于該判別模型所在的類別，說明該輸入圖像屬于多種類別，但是一張圖像有且僅屬于一類，因此需要構(gòu)建一個CNN分類器來對該輸入圖像進(jìn)行再分類；

3-4-1.設(shè)計一個能夠完全提取灰度圖像車流特征的網(wǎng)絡(luò)架構(gòu)；該架構(gòu)包含33層結(jié)構(gòu)，架構(gòu)中包含卷積層、池化層、歸一化層、激活層、殘差層和全連接層；用訓(xùn)練集的總共2萬張圖像訓(xùn)練該網(wǎng)絡(luò)架構(gòu)，最終選取最優(yōu)的模型作為五分類識別器；該網(wǎng)絡(luò)架構(gòu)能夠充分提取該灰度圖中汽車特征，并且給出精準(zhǔn)的唯一分類結(jié)果：

3-4-2.通過五種GAN的判別模型D分別判定圖像屬于哪一個種類；如果只有一個GAN判別模型D返回1，則該圖像就屬于該判別模型D所對應(yīng)的類別，否則用基于深度學(xué)習(xí)的卷積神經(jīng)網(wǎng)絡(luò)分類器對該輸入的圖像進(jìn)行識別再分類，最終輸入唯一精確的所屬類別；

步驟(4)從視頻幀圖像中車輛駛?cè)敕较?0米內(nèi)獲取待識別目標(biāo)，將各個車道內(nèi)的目標(biāo)圖像切割后分別交給步驟(3)進(jìn)行識別分類，獲得分類結(jié)果；

步驟(5)針對不同類別的車輛，動態(tài)確定判定軸和車輛檢測識別區(qū)域，進(jìn)行計數(shù)；具體如下：

5-1.依據(jù)步驟(4)中的分類結(jié)果，確定判定軸，類Ⅰ為6米，類Ⅱ為9米，類Ⅲ為12米，類Ⅳ為15米，類Ⅴ為18米；相應(yīng)的識別區(qū)域為車輛駛?cè)敕较?米到判定軸；

5-2.在視頻幀圖像中識別出車輛時，計數(shù)器加1，設(shè)置監(jiān)控標(biāo)志位為0，設(shè)置車輛檢測識別區(qū)域為該車輛所屬分類對應(yīng)的識別區(qū)域；

5-3.在最近一輛已計數(shù)車輛所對應(yīng)判定軸的0.5至1.5倍區(qū)間內(nèi)，若有車輛在該區(qū)間內(nèi)被識別，則監(jiān)控標(biāo)志位為1，重置車輛檢測識別區(qū)域。