[发明专利]云环境下基于卷积神经网络车型识别的车流量统计方法

说明书

技术领域

本发明涉及云计算领域，具体涉及到一种云环境下基于卷积神经网络车型 识别的车流量统计方法。

背景技术

近年来云存储和云计算技术迅速发展，云计算的应用大大提高了系统的计 算能力和存储能力，降低系统部署难度，减少管理和维护成本，云存储的发展 有利于推动各种视频监控资源在云中融合，有效解决了智能交通系统发展中遇 到的海量视频存储和基于图像智能应用等的一系列难题。

由于深度学习是目前机器学习发展的主流，尝试把深度学习应用于传统的 交通视频图像处理领域以得到期望的效果，具有十分重要的意义。卷积神经网 络作为一种深度学习的方法，在处理图像、视频、语音和音频方面实现了突破。

现有的车型识别有图像的高分辨率与识别速度相矛盾的问题，算法复杂， 目前没有成型的基于深度学习车型识别的车流量统计系统。

发明内容

为解决现有技术中的缺点和不足，本发明提出了一种云环境下基于卷积神 经网络车型识别的车流量统计方法，根据目前实时云计算技术的特点，将深度 学习与实时云计算技术结合；以深度学习为支撑，系统能够大大提高车流量统 计的准确率；以实时云计算为支撑，系统能够大大提高车流量统计的效率。

本发明的技术方案是这样实现的：

一种云环境下基于卷积神经网络车型识别的车流量统计方法，包括：卷积 神经网络离线训练模块以及实时车流量统计模块。

卷积神经网络离线训练模块，进行卷积神经网络的训练，生成训练参数；

实时车流量统计模块进行车型识别，统计车流量。

可选地，所述卷积神经网络离线训练模块进行卷积神经网络的训练，生成 训练参数的步骤，包括：

卷积神经网络离线训练模块存储来自流媒体服务器的视频流，然后利用历 史数据构建训练数据集，结合设计好的卷积神经网络，训练卷积神经网络得到 最优的卷积神经网络参数。

可选地，所述卷积神经网络包括：四层卷积与池化层，一层全连接层，最 后一层是softmax回归分类器层。

可选地，所述实时车流量统计模块进行车型识别，统计车流量的步骤：

实时车流量统计模块采集来自流媒体服务器的实时视频流，将实时视频流 解码为帧图像之后将其作为Storm的输入源，将每一帧图像在Storm中进行处理。

可选地，在Storm中分别经过背景分割、车型识别、车辆跟踪、车流统计， 最终输出车流量并进行持久化。

本发明的有益效果是：

(1)通过深度学习识别，优化识别效果，有效地提高了统计的准确率；

(2)利用Storm并行化实时识别，达到实时识别的目的，有效地提高了统 计的效率；

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施 例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述 中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付 出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本发明云环境下基于卷积神经网络车型识别的车流量统计方法的总 体流程图；

图2为本发明中训练神经网络的流程图；

图3为本发明中利用训练好的卷积神经网络进行实时识别的流程图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清 楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是 全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造 性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

如图1所示，本发明云环境下基于卷积神经网络车型识别的车流量统计方 法，包括：卷积神经网络离线训练模块以及实时车流量统计模块。

下面结合图1、图2以及图3，对云环境下基于卷积神经网络车型识别的车 流量统计方法的流程进行详细说明：

如图2所示，卷积神经网络离线训练模块存储来自流媒体服务器的视频流， 然后利用历史数据构建训练数据集，结合设计好的卷积神经网络，训练卷积神 经网络得到最优的卷积神经网络参数。

图2中的卷积神经网络包括：四层卷积与池化层，一层全连接层，最后一 层是softmax回归分类器层。