[發明專利]一種基于深度學習的城市主干道路車流量統計方法

在審

• 申請號: 202210047562.6
• 申請日: 2022-01-17
• 公開（公告）號: CN114387310A
• 公開（公告）日: 2022-04-22
• 發明（設計）人: 鮑泓;徐歆愷;王晨曦;付一豪;寧晴;潘衛國;徐成
• 申請（專利權）人: 北京聯合大學
• 主分類號: G06T7/246
• 分類號: G06T7/246;G06K9/62;G06N3/04;G06N3/08;G06V20/54;G06V10/80;G06V10/82
• 代理公司: 北京東方盛凡知識產權代理事務所(普通合伙) 11562
• 代理人: 李娜

1.一種基于深度學習的城市主干道路車流量統計方法，其特征在于，包括以下步驟：

在城市主干道監控場景中設置虛擬計數線；

構造改進的YOLOv5檢測網絡提取所述城市主干道監控場景中的車輛，獲取車輛位置信息，其中，所述改進的YOLOv5檢測網絡包括GhostBottleneckCSP模塊，并使用CIOU_LOSS損失函數；

基于所述車輛位置信息，跟蹤所述車輛，獲取所述車輛的運動軌跡；

基于所述運動軌跡與所述虛擬計數線的相交情況，判斷所述車輛是否通過所述虛擬計數線，是，則統計所述所述車輛的數目。

2.根據權利要求1所述的基于深度學習的城市主干道路車流量統計方法，其特征在于，所述虛擬計數線在不同方向道路設置兩條，橫跨不同方向的所有車道，并且不同方向車道的所述虛擬計數線之間保持平行。

3.根據權利要求1所述的基于深度學習的城市主干道路車流量統計方法，其特征在于，在提取所述城市主干道監控場景中的車輛的過程中，所述改進的YOLOv5檢測模型中包括輸入端、主干網絡、Neck網絡、輸出端，所述輸入端用于輸入車輛位置信息圖像并進行預處理獲得特征圖，所述主干網絡應用于對所述特征圖進行特征提取獲得有效特征層；所述Neck網絡用于對所述主干網絡提取到的所述有效特征層進行特征融合，得到用于預測的特征圖；所述輸出端用于對所述用于預測的特征圖進行檢測并輸出檢測結果。

4.根據權利要求3所述的基于深度學習的城市主干道路車流量統計方法，其特征在于，提取所述城市主干道監控場景中的運動車輛，獲得車輛位置信息包括：

利用所述改進YOLOv5檢測模型中的骨干提取網絡提取每幀所述城市主干道監控場景中的車輛目標圖像特征，預測圖像車輛目標檢測框位置信息和置信度，進而獲得車輛位置信息。

5.根據權利要求3所述的基于深度學習的城市主干道路車流量統計方法，其特征在于，所述主干網絡包括Focus單元、CBL單元、GhostBottleneckCSP單元和SPP單元，所述Focus單元用于對所述特征圖進行切片操作；所述CBL單元用于提取切片后的所述特征圖的特征信息；所述GhostBottleneckCSP單元用于消除冗余特征，獲得更輕量的模型；所述SPP單元采用池化窗口對所述特征圖做池化操作，再融合形成池化特征。

6.根據權利要求1所述的基于深度學習的城市主干道路車流量統計方法，其特征在于，預測圖像車輛目標檢測框位置信息和置信度過程中采用損失函數，其中，所述損失函數由置信度損失L_conf、類別損失L_cla以及改進的邊界框坐標損失L_CIoU構成。

7.根據權利要求1所述的基于深度學習的城市主干道路車流量統計方法，其特征在于，基于所述車輛位置信息，跟蹤所述運動車輛包括：

DeepSort利用卡爾曼濾波器預測車輛檢測框在下一幀的狀態，使用匈牙利算法將預測到的狀態與下一幀的檢測結果進行匹配，進行卡爾曼濾波更新，實現跟蹤所述運動車輛。

8.根據權利要求6所述的基于深度學習的城市主干道路車流量統計方法，其特征在于，基于所述車輛位置信息，跟蹤所述車輛，獲取所述車輛的運動軌跡包括：

基于所述車輛位置信息，跟蹤所述車輛，預測下一幀中所述車輛的軌跡，其中，所述軌跡包括若干條，對若干條所述軌跡進行檢測，保留有效軌跡，對所述有效軌跡進行級聯匹配，獲取所述車輛的運動軌跡。