[發明專利]一種融合視覺特征和卷積神經網絡的道路擁堵檢測方法

有效

• 申請號: 201711032264.5
• 申請日: 2017-10-30
• 公開（公告）號: CN107705560B
• 公開（公告）日: 2020-10-02
• 發明（設計）人: 柯逍;施玲鳳
• 申請（專利權）人: 福州大學
• 主分類號: G08G1/01
• 分類號: G08G1/01;G08G1/017;G06K9/00;G06K9/46;G06K9/62
• 代理公司: 福州元創專利商標代理有限公司 35100
• 代理人: 蔡學俊

1.一種融合視覺特征和卷積神經網絡的道路擁堵檢測方法，其特征在于，包括：

步驟1：對輸入的影像視頻序列進行移動前景檢測與背景建模，得到原始影像的背景和初步移動前景；

步驟2：將初步移動前景集合輸入卷積神經網絡，進行移動車輛識別，排除其他非移動車輛的移動前景，得到最終移動前景集合；

步驟3：利用最終移動前景集合計算反映交通狀態的圖像視覺特征，所述圖像視覺特征包括交通密度、交通速度、交通占有率和交通流量；

步驟4：計算圖像光流直方圖的信息熵；

步驟5：利用交通密度、交通速度、交通占有率、交通流量和光流直方圖的信息熵，判斷交通道路擁堵狀態；

其中，所述步驟3中，圖像視覺特征的計算方法如下：

對待檢測的大小為M×N的圖像I計算灰度共生矩陣M_glcm，i,j表示0～255之間的灰度值，則灰度共生矩陣M_glcm第i行第j列的值M_glcm(i,j)為：

M_glcm(i,j)＝#{(x₁,y₁),(x₂,y₂)∈M×N|I(x₁,y₁)＝i,I(x₂,y₂)＝j}，

其中，#{·}表示集合元素的個數，I(x₁,y₁)表示圖像I在位置(x₁,y₁)的灰度值，且位置和θ分別表示(x₁,y₁)與(x₂,y₂)的偏離步長和方向；當取水平方向時，θ＝±(1,0)；取垂直方向時，θ＝±(0,1)；取45°方向時，θ＝±(1,-1)；取135°方向時，θ＝±(1,1)；取灰度共生矩陣M_glcm的反差特征值Con作為交通密度，

Con＝E(Con')

其中，N_g為圖像灰度級，E(·)為數學期望；

計算待檢測圖像的金字塔Lucas-Kanade光流場，計算光流的期望值v^*作為交通速度，

其中，v'_m為在金字塔圖像上對第m個跟蹤角點計算出光流速度，n是光流場中跟蹤的角點個數；

對最終移動前景集合，計算交通占有率σ，

其中，d_p表示最終移動前景集合的第p個元素即第p個前景塊目標，S'(d_p)表示該前景的連通區域的最小外接矩面積之和，q表示前景塊目標個數，S為圖像道路面積；

統計最終移動前景集合中運動目標前景數量，計算交通流量γ，

γ＝#{d_p|d_p∈D}

其中，D為最終移動前景集合，#{·}表示集合元素的個數；

其中，所述步驟5具體包括：

步驟51：利用交通密度Con、交通速度v^*、交通占有率σ、交通流量γ和光流直方圖信息熵Ent計算擁堵系數

其中，w_Con、w_σ、w_γ，w_Ent分別為交通密度Con、交通占有率σ、交通流量γ和光流直方圖信息熵Ent的權值系數，ε為誤差調節因子；

步驟52：利用道路擁堵系數來判斷交通道路所處的交通狀態，當時，道路擁擠；

當時，道路緩行；當時，道路通暢，其中，與分別為預設的最大和最小判別閾值。