[發明專利]一種融合深度學習與背景差法的平安城市車流統計方法

有效

• 申請號: 201710801432.6
• 申請日: 2017-09-07
• 公開（公告）號: CN108074244B
• 公開（公告）日: 2021-05-25
• 發明（設計）人: 厲紫陽;沈徐蘭;馮盧夢;周紅晶
• 申請（專利權）人: 漢鼎宇佑互聯網股份有限公司
• 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所(特殊普通合伙) 33240
• 代理人: 朱月芬

本發明公開了一種融合深度學習與背景差法的平安城市車流統計方法。本發明針對紅外檢測、地感應線圈檢測、超聲波檢測等方法的缺陷，先使用背景差法獲取圖像內目標，交由深度學習進行訓練分類。通過CNN和GAN網絡對待識別目標進行分類，針對分類結果動態設置判定軸和識別區域，對車輛進行識別計數。本發明在多種環境中有比較高的統計精度，適應訓練樣本不豐富的情況下的模型訓練，能夠更加準確的提取數據特征，從而提高模型的分類準確性。

技術領域

本發明設計一種車流統計方法，具體是一種融合深度學習與背景差法的車流統計方法。

背景技術

隨著社會經濟迅速發展，對交通的需求日益增加，城市交通擁堵與事故頻發，交通環境日益惡化，發達國家與發展中國家都受到不斷惡化的交通問題的困擾。傳統的解決交通問題的方法是修建或擴建道路，提高道路網絡的承載能力，然而隨著人口增長，可供修建道路的空間也越來越少，而且擴大道路網絡的速度遠遠低于對交通需求的增長速度。同時，交通系統是一個復雜的綜合性系統，單純從車輛或者道路的角度來考慮都將很難解決交通問題，在這種背景下，把車輛和道路統一系統的解決交通問題的思想就應運而生，這就是智能交通系統(ITS)。

傳統的車輛檢測的方法有紅外檢測、地感應線圈檢測、超聲波檢測、聲學檢測等。紅外線檢測的方法可提供大量的交通管理信息，但它抗噪能力不強，有時可能需要降低可靠性來提高靈敏度；地感應線圈檢測的技術已比較成熟，性能穩定且計數非常精確，它可檢測車流量、道路占有率等，但是這種方法要在公路線鋪設線圈，影響路面壽命，并且易被重型車輛等損壞；超聲波檢測方法根據接收和返回的超聲波的時間差來確定車輛通過情況，具有體積小，易于安裝等優點，但是它受天氣和溫度影響較大；聲學檢測方法通過檢測車輛內部聲音以及車輛與地面接觸的聲音來進行車輛檢測，但是這種方法較難檢測停止車輛，有時會漏檢車輛。

發明內容

本發明針對現有技術中均存在城市道路車流量統計的不足，提供了一種融合深度學習與背景差法的車流統計方法。

本發明解決其技術問題所采用的技術方案具體包括以下步驟：

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，對前景圖像進行預處理，二值化、中值濾波和形態學操作；

步驟(2)將提取出的前景圖像中位于車輛駛入方向20米之內的目標切割成251*251像素的圖片，人工對切割好的前景圖像進行標記，依據車長將切割后前景圖像中的汽車標記成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.根據式(1)中所得成像比例prop，確定車輛駛入方向20米在前景圖像中的位置，即確定待分類車輛所在區域zone。

zone＝20/prop (2)

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

length_real＝prop*length_img (3)

2-4.根據式(3)中計算所得實際車長length_real，對前景圖像中待標記車輛進行分類標記；

步驟(3)選取五類汽車圖片各500張作為訓練樣本，采用如下處理方案：

3-1.劃分數據區：