[發(fā)明專(zhuān)利]基于無(wú)人機(jī)的道路車(chē)流量檢測(cè)方法、系統(tǒng)及計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)

有效

• 申請(qǐng)?zhí)枺?/td>: 202110366055.4
• 申請(qǐng)日: 2021-04-06
• 公開(kāi)（公告）號(hào): CN112907972B
• 公開(kāi)（公告）日: 2022-11-29
• 發(fā)明（設(shè)計(jì)）人: 李才博;王迅
• 申請(qǐng)（專(zhuān)利權(quán)）人: 昭通亮風(fēng)臺(tái)信息科技有限公司
• 主分類(lèi)號(hào): G06V20/54
• 分類(lèi)號(hào): G06V20/54;G06V10/25;G06V10/40;G06V10/764;G06V10/82;G06N3/08;G06N3/04
• 代理公司: 上海雍灝知識(shí)產(chǎn)權(quán)代理事務(wù)所(普通合伙) 31368
• 代理人: 沈汶波

1.一種基于無(wú)人機(jī)的道路車(chē)流量檢測(cè)方法，其特征在于，包括如下步驟：

控制無(wú)人機(jī)飛到需要進(jìn)行車(chē)輛檢測(cè)的路段，通過(guò)無(wú)人機(jī)的機(jī)載攝像頭以第一預(yù)設(shè)時(shí)間為間隔拍攝目標(biāo)道路的實(shí)景照片；

對(duì)所述實(shí)景照片進(jìn)行降噪和去模糊處理獲取初級(jí)處理照片；

將相鄰兩張所述初級(jí)處理照片采用SURF算法進(jìn)行去重復(fù)處理獲取終級(jí)處理照片，包括：采用SURF算法提取相鄰兩張所述初級(jí)處理照片的特征點(diǎn)、及兩所述初級(jí)處理照片的相應(yīng)特征點(diǎn)之間的匹配點(diǎn)集；

通過(guò)所述匹配點(diǎn)集將兩張所述初級(jí)處理照片轉(zhuǎn)換到同一坐標(biāo)，并利用所述匹配點(diǎn)集求得單應(yīng)變換矩陣，然后對(duì)兩張所述初級(jí)處理照片進(jìn)行配準(zhǔn)；

將配準(zhǔn)后的兩張所述初級(jí)處理照片放到同一坐標(biāo)下進(jìn)行對(duì)比，找到重復(fù)區(qū)域，并去除拍攝時(shí)間靠后的一張所述初級(jí)處理照片中的所述重復(fù)區(qū)域，將兩張所述初級(jí)處理照片輸出記為終級(jí)處理照片；

將所述終級(jí)處理照片輸入深度壓縮后的SSD模型神經(jīng)網(wǎng)絡(luò)，SSD模型神經(jīng)網(wǎng)絡(luò)采用通道注意力機(jī)制進(jìn)行車(chē)輛檢測(cè)，判斷是否通過(guò)車(chē)輛及通過(guò)車(chē)輛的數(shù)量；

統(tǒng)計(jì)無(wú)人機(jī)當(dāng)前飛行里程內(nèi)所獲取的所有所述終級(jí)處理照片中通過(guò)的車(chē)輛的數(shù)量，并將該數(shù)量發(fā)送至無(wú)人機(jī)控制中心。

2.根據(jù)權(quán)利要求1所述的道路車(chē)流量檢測(cè)方法，其特征在于，所述采用SURF算法提取相鄰兩張所述初級(jí)處理照片的特征點(diǎn)、及兩所述初級(jí)處理照片的相應(yīng)特征點(diǎn)之間的匹配點(diǎn)集包括：

構(gòu)建黑塞矩陣，生成所有的興趣點(diǎn)，用于特征的提取；

構(gòu)建SURF的尺度空間，包括m組n層，不同組間圖像的尺寸一致，但不同組間使用的盒式濾波器的模板尺寸逐漸增大，同一組間不同層間使用相同尺寸的濾波器，但濾波器的模糊系數(shù)逐漸增大；

將經(jīng)過(guò)黑塞矩陣處理的每個(gè)像素點(diǎn)與二維圖像空間和尺度空間鄰域內(nèi)的26個(gè)點(diǎn)進(jìn)行比較，定位出關(guān)鍵點(diǎn)，刪除能量較弱的所述關(guān)鍵點(diǎn)和錯(cuò)誤定位的所述關(guān)鍵點(diǎn)，以篩選出穩(wěn)定的所述關(guān)鍵點(diǎn)，記為特征點(diǎn)；

在特征點(diǎn)的圓形鄰域內(nèi)，統(tǒng)計(jì)60度扇形內(nèi)所有點(diǎn)的水平方向、垂直方向harr小波特征總和；再將扇形以預(yù)設(shè)角度為間隔進(jìn)行旋轉(zhuǎn)，并再次統(tǒng)計(jì)該區(qū)域內(nèi)harr小波特征值之和；最后將特征值之和最大的方向作為該特征點(diǎn)的主方向；

沿特征點(diǎn)的主方向在特征點(diǎn)周?chē)?×2的矩形區(qū)域塊，在每個(gè)所述矩形區(qū)域塊內(nèi)統(tǒng)計(jì)16個(gè)像素的水平方向和垂直方向的haar小波特征，獲取64維的向量作為SURF特征點(diǎn)的描述子；

當(dāng)兩個(gè)特征點(diǎn)的矩陣跡的正負(fù)性相同，則計(jì)算該兩個(gè)特征點(diǎn)間的歐式距離，統(tǒng)計(jì)歐氏距離小于預(yù)設(shè)閾值的所有特征點(diǎn)的點(diǎn)集，記為特征點(diǎn)的匹配點(diǎn)集。

3.根據(jù)權(quán)利要求1所述的道路車(chē)流量檢測(cè)方法，其特征在于，所述將所述終級(jí)處理照片輸入深度壓縮后的SSD模型神經(jīng)網(wǎng)絡(luò)，SSD模型神經(jīng)網(wǎng)絡(luò)采用通道注意力機(jī)制進(jìn)行車(chē)輛檢測(cè)，判斷是否通過(guò)車(chē)輛及通過(guò)車(chē)輛的數(shù)量包括：

控制無(wú)人機(jī)在指定飛行高度范圍內(nèi)拍攝若干目標(biāo)道路的實(shí)景照片獲取車(chē)流量的數(shù)據(jù)集；

對(duì)所述數(shù)據(jù)集進(jìn)行標(biāo)注獲取若干個(gè)標(biāo)注框；

將所有所述標(biāo)注框的尺寸出現(xiàn)的范圍分為k個(gè)聚類(lèi)中心，根據(jù)k個(gè)聚類(lèi)中心得到先驗(yàn)框集合B＝{b1，b2，…，bk}；

根據(jù)先驗(yàn)框集合B設(shè)置先驗(yàn)框尺寸。

4.根據(jù)權(quán)利要求3所述的道路車(chē)流量檢測(cè)方法，其特征在于，所述SSD模型神經(jīng)網(wǎng)絡(luò)采用通道注意力機(jī)制進(jìn)行車(chē)輛檢測(cè)包括：

SSD模型神經(jīng)網(wǎng)絡(luò)通過(guò)SENet分類(lèi)網(wǎng)絡(luò)調(diào)節(jié)所述終級(jí)處理照片的處理權(quán)重，使得檢測(cè)過(guò)程的最大注意力放在車(chē)輛這一信息上。

5.根據(jù)權(quán)利要求4所述的道路車(chē)流量檢測(cè)方法，其特征在于，所述SSD模型神經(jīng)網(wǎng)絡(luò)還包括：

通過(guò)特征金字塔提取淺層特征圖，即將輸入的對(duì)應(yīng)層的特征圖經(jīng)過(guò)1×1卷積后再和上采樣后的下層特征圖進(jìn)行特征融合輸出該特征圖；

最后一層的特征圖由原來(lái)的特征圖經(jīng)過(guò)1×1卷積后輸出得到。

6.根據(jù)權(quán)利要求5所述的道路車(chē)流量檢測(cè)方法，其特征在于，所述特征融合前還包括：使用批歸一化進(jìn)行歸一化處理。