[發(fā)明專利]一種融合視覺(jué)特征和卷積神經(jīng)網(wǎng)絡(luò)的道路擁堵檢測(cè)方法

有效

• 申請(qǐng)?zhí)枺?/td>: 201711032264.5
• 申請(qǐng)日: 2017-10-30
• 公開(kāi)（公告）號(hào): CN107705560B
• 公開(kāi)（公告）日: 2020-10-02
• 發(fā)明（設(shè)計(jì)）人: 柯逍;施玲鳳
• 申請(qǐng)（專利權(quán)）人: 福州大學(xué)
• 主分類號(hào): G08G1/01
• 分類號(hào): G08G1/01;G08G1/017;G06K9/00;G06K9/46;G06K9/62
• 代理公司: 福州元?jiǎng)?chuàng)專利商標(biāo)代理有限公司 35100
• 代理人: 蔡學(xué)俊

本發(fā)明公開(kāi)了一種融合視覺(jué)特征和卷積神經(jīng)網(wǎng)絡(luò)的道路擁堵檢測(cè)方法，包括步驟：1）對(duì)輸入的影像視頻序列進(jìn)行移動(dòng)前景檢測(cè)與背景建模，得到原始影像的背景和初步移動(dòng)前景；2）將初步移動(dòng)前景集合輸入卷積神經(jīng)網(wǎng)絡(luò)，進(jìn)行移動(dòng)車輛識(shí)別，排除其他非移動(dòng)車輛的移動(dòng)前景；3）利用最終移動(dòng)前景集合計(jì)算反映交通狀態(tài)的圖像視覺(jué)特征，圖像視覺(jué)特征包括交通密度、交通速度、交通占有率和交通流量；4）計(jì)算圖像光流直方圖的信息熵；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?tīng)顟B(tài)。本發(fā)明融合多維度的視覺(jué)特征與卷積神經(jīng)網(wǎng)絡(luò)，可以更加準(zhǔn)確的判斷道路的擁堵程度。

技術(shù)領(lǐng)域

本發(fā)明涉及計(jì)算機(jī)視覺(jué)技術(shù)領(lǐng)域，具體涉及一種融合視覺(jué)特征和卷積神經(jīng)網(wǎng)絡(luò)的道路擁堵檢測(cè)方法。

背景技術(shù)

隨著城鎮(zhèn)化進(jìn)程的加速，交通問(wèn)題不斷加劇，造成一定的經(jīng)濟(jì)損失，導(dǎo)致城市功能的癱瘓，而且道路擁堵問(wèn)題造成了交通能耗與環(huán)境污染的加劇。因此不少文獻(xiàn)致力于智能交通上的研究。道路擁堵問(wèn)題也成為人們共同關(guān)注的焦點(diǎn)。道路擁堵檢測(cè)是智能交通上的關(guān)鍵步驟。道路擁堵的檢測(cè)可以及時(shí)了解道路交通情況，進(jìn)行有效的交通信號(hào)調(diào)度，進(jìn)一步避免和降低交通事故的產(chǎn)生。

傳統(tǒng)的道路擁堵檢測(cè)，均依賴于對(duì)道路的先驗(yàn)知識(shí)的收集以及道路參數(shù)的估計(jì)，例如道路分布網(wǎng)，道路長(zhǎng)度，道路數(shù)量，交通燈信號(hào)循環(huán)與實(shí)時(shí)車輛信息等。不僅如此，這類傳統(tǒng)智能交通系統(tǒng)信息的采集均依賴于地感線圈與GPS等硬件設(shè)施。而地感線圈的建設(shè)需要對(duì)路面造成破壞且施工復(fù)雜，易損壞，難修復(fù)；基于GPS的智慧交通系統(tǒng)又依賴于對(duì)車輛對(duì)GPS使用，當(dāng)使用GPS人數(shù)較少，則大大會(huì)影響交通道路狀態(tài)的檢測(cè)精準(zhǔn)度。

因此，隨著近來(lái)影像處理技術(shù)的不斷發(fā)展，且基于視頻監(jiān)控的交通擁堵檢測(cè)技術(shù)由于具有無(wú)需對(duì)路面造成破壞且能實(shí)時(shí)反映和采集大量交通信息的優(yōu)點(diǎn)，基于視頻監(jiān)控的智慧交通逐漸成為熱門的研究領(lǐng)域?？偟膩?lái)說(shuō)，基于監(jiān)控視頻的交通道路擁堵檢測(cè)技術(shù)以上的優(yōu)勢(shì)，其具有很強(qiáng)的研究?jī)r(jià)值和潛在的商業(yè)應(yīng)用。

近來(lái)基于視頻監(jiān)控的交通擁堵檢測(cè)技術(shù)大都基于選取合適的視覺(jué)特征來(lái)進(jìn)行檢測(cè)，但是選取的特征都無(wú)法全面評(píng)估整個(gè)道路擁堵?tīng)顟B(tài)。再者，這些方法在運(yùn)動(dòng)前景檢測(cè)的精準(zhǔn)度也有一定的限制，并未能考慮陰影等其他運(yùn)動(dòng)前景。對(duì)道路的狀態(tài)也具有局限性，近來(lái)基于視頻監(jiān)控的交通擁堵檢測(cè)技術(shù)可以應(yīng)用在道路暢通的情況下，但是在交通擁堵或復(fù)雜的情況下則效果一般。

發(fā)明內(nèi)容

針對(duì)現(xiàn)有技術(shù)的不足，本發(fā)明提出一種融合視覺(jué)特征和卷積神經(jīng)網(wǎng)絡(luò)的道路擁堵檢測(cè)方法，用深度卷積神經(jīng)網(wǎng)絡(luò)CNN特征來(lái)進(jìn)一步精確檢測(cè)運(yùn)動(dòng)前景，并且融合多維度的視覺(jué)特征，來(lái)全面準(zhǔn)確地刻畫道路擁堵的狀態(tài)。

為實(shí)現(xiàn)上述目的，本發(fā)明的技術(shù)方案是：

一種融合視覺(jué)特征和卷積神經(jīng)網(wǎng)絡(luò)的道路擁堵檢測(cè)方法，包括：

步驟1：對(duì)輸入的影像視頻序列進(jìn)行移動(dòng)前景檢測(cè)與背景建模，得到原始影像的背景和初步移動(dòng)前景；

步驟2：將初步移動(dòng)前景集合輸入卷積神經(jīng)網(wǎng)絡(luò)，進(jìn)行移動(dòng)車輛識(shí)別，排除其他非移動(dòng)車輛的移動(dòng)前景，得到最終移動(dòng)前景集合；

步驟3：利用最終移動(dòng)前景集合計(jì)算反映交通狀態(tài)的圖像視覺(jué)特征，所述圖像視覺(jué)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(jì)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?tīng)顟B(tài)。

進(jìn)一步地，所述步驟2中，移動(dòng)車輛識(shí)別的方法包括：

步驟21：對(duì)輸入的初步移動(dòng)前景進(jìn)行縮放，使圖像滿足輸入圖像的要求，圖像I縮放后為圖像I'；