[发明专利]一种基于深度卷积神经网络的车流密度估计方法

说明书

本发明提出了一种基于深度卷积神经网络的车流密度估计方法，包括利用摄像机收集道路视频图像，通过图像预处理，将多尺度金字塔图像块送入卷积神经网络，提取由底层简单到高层抽象的特征，得到各种尺度车流图像的分布密度图；再用全连接网络层学习多尺度分布密度图到整体图像分布密度图以及图像总车辆个数的映射；对卷积神经网络输出的视频图像的分布密度图划分感兴趣区域，对感兴趣区域像素求和得到单车道或多车道车辆数；通过区域长度计算得到区域瞬时车流密度。本发明大大提高了车辆计数和车流密度估计的准确性和实时性。

技术领域

本发明涉及一种基于深度卷积神经网络的车流密度估计方法，属于智能交通技术领域。

背景技术

随着科学技术的发展和人民生活水平的提高，车已经成为了人们出行、运输不可或缺的交通工具。道路上各种机动车辆随处可见，汽车交通让人们感受现代化生活便捷舒适的同时，也体现出了道路设施的滞后性与有限性。交通拥堵会带来车辆等待时间长，交通事故的发生，以及环境污染等一系列不容忽视的问题。为了解决以上问题，智能交通应运而生。车辆计数与车流密度检测是智能交通的重要内容。车辆个数和车流密度是反映道路上车辆拥挤程度的最直观的指标，直接反映了道路上车辆的密集程度和交通堵塞状况。车辆个数和车流密度同时也对道路通行能力的研究十分有用。此外，随着道路上车辆的增多，汽车尾气污染已经成为大气污染的重要组成部分，严重威胁着人们的身体健康和生活环境，对于汽车尾气的相关研究已经迫在眉睫，刻不容缓。尾气的污染和道路的阻塞程度也有一定的关系，车辆拥堵程度大，阻塞时间长，尾气排放量增大，对环境的影响也增大，因此，车流密度和车辆数与地区汽车尾气污染程度密切相关，有必要对道路车流密度和车辆数进行实时的检测。

对于车辆的计数，最开始是使用环形线圈的方法，该方法根据电磁感应原理将环形线圈与车辆检测器构成一个简单的计数系统，它的传感器是一个埋设在路面下，通有一定交变电流的环形线圈。车辆通过环形线圈时，引起线圈回路电感量的变化，检测器便检测出有车辆经过，计数器的数字加一。这种方法在车距较小时，检测精度大大降低，从而影响计数准确性。且该方法是针对运动中的车辆，而本发明所需研究的是某一瞬间对一段道路上的车辆进行计数。在道路下埋线圈也会影响道路使用，不便于维修，因此，当前的方法多是基于道路视频图像进行一系列图像处理，得到车辆的计数。

对于视频的区域车辆计数方法，包括帧间差分法和背景差分法。帧间差分法是当图像序列中出现异常物体运动时，帧与帧之间会出现较为明显的差别，通过差分后得到的绝对值，确定图像序列中是否物体运动。帧间差分法对慢速运动和静止的物体不敏感，不能准确检测静止物体。背景差分法，即当前视频帧和一张背景图像相比较，如果同位置的像素特征存在一定程度的差别，则当前视频帧中这些位置的像素点就构成前景运动目标。背景差分法可以检测静态目标，但是背景建模受光照、目标物等影响，不能得到实时、准确的背景图像，造成车辆计数的误差。

在北京中星微电子有限公司王磊、王皓、黄英申请、2010年1月6日公开、公开号为CN100578563C、发明名称为“基于视频图像的车辆计数方法”的中国发明专利申请中，提出从预定的帧图像开始，根据收集的该多帧图像中每个像素点的像素值，计算该预定帧视频图像的每个像素在预定时刻的像素值的概率密度值，确定所述视频图像中的前景图像，前景图像中面积大于一给定值的区域为运动的车辆，跟踪检测出的车辆，获得新出现的车辆数量以及离开的车辆的数量。该发明申请利用了背景建模的方法检测前景点，为保证获得的前景像素点的准确性，获得好的背景图像至关重要，一方面由于前景车辆目标的存在，给背景建模工作增加了难度，另一方面，对于室外道路环境，光照变化、背景扰动等都会引起背景图像发生变化，为背景建模工作带来困难。

车流密度是指单位长度车道上，某一瞬间所存在的车辆数，一般用辆/(km×车道)表示。目前，车流密度主要通过感应线圈、红外检测器、微博雷达等检测器得到时间占有率，定性判断车流密度大小，即时间占有率大，车流密度越大。这种方法没有定量的测量车流密度。另一种方法时根据检测器得到的流量和速度数据，根据公式：流量＝速度×密度，计算得到车流密度，这种方法在流量和速度检测出现较大误差时，检测结果出现较大出入。