[发明专利]基于深度卷积神经网络的交通拥堵视觉检测系统

说明书

技术领域

本发明涉及人工智能、卷积神经网络和计算机视觉在交通拥堵检测方面的应用，属于智能交通领域。

背景技术

当今交通问题已经成为全球性的“城市通病”，而交通拥堵是城市“交通病症”的主要表现。城市交通拥堵的“病因”源于多种因素，且交通拥堵直接影响着人们的出行质量，特别是利用车辆交通的人们。道路车辆拥挤，交通事故频发，交通环境恶化，能源紧张，环境污染不断加重，这些日益严重交通问题与现代化交通的基本的理念，即通达、有序、安全、舒适、低能耗、低污染等要求是完全相违背的。

现代化交通系统的评价标准是安全、畅通、节能。因此把握城市道路交通运行状况中服务水平如何，需要建立起一种科学的、客观的评价方法。但是由于目前缺少一种比较科学有效的对道路交通服务水平进行评价的体系和有效的道路交通状态检测手段，尤其是在道路交通拥堵检测方面。

交通信息采集技术被认为是智能交通中一项重中之重的关键技术，目前常用的交通信息采集技术有地感线圈、磁敏传感器、超声波传感器、微波、GPS和视觉传感器；由于地感线圈、磁敏、超声波、微波等交通信息检测传感器需要埋设在道路地下面，安装与维护时必须破坏原有路面，影响了道路交通，同时我国的道路由于车辆的超载等原因造成的路面损坏必须时常对埋在道路下面的传感器进行维护；另外这些检测手段只能感知出道路上的某个点或者某条线上的所经过的车辆，因此只能在传感器的设置地点的通过车辆的速度间接地推定拥堵状况；因此上述的检测手段存在着安装维护不方便、投资成本高、抗干扰能力差和感知范围有限等缺陷。另外，这些检测手段难以对道路上的静止车辆进行检测。

视觉传感器则是一种非接触式的交通流检测手段，它模拟人类视觉原理，融合计算机技术和图像处理技术，通过视频信号来检测交通流和道路拥堵状态，是近年来逐步发展起来的新型道路交通检测系统。但是目前对道路交通状态的视频检测普遍采用分析跟踪道路上车辆的检测和统计方法，这种检测方法需要花费很大计算资源，难以同时获取各种交通基本参数和道路服务水平等反映全息的交通状态。

中国发明专利申请号为201110108851.4公开了一种基于视频分析技术的交通拥塞检测方法，在视频分割及关键帧提取的基础上通过获取视频镜头的平均相异度、关键帧数、平均光流场能量三个拥堵特征量，采用多分类SVM方法实现交通拥堵检测。该技术还是属于前深度学习时代的视觉检测技术，存在着检测精度不高的问题。

中国发明专利申请号为201510969912.4公开了一种基于视频的城市道路交通拥堵检测系统，主要包括读取视频以及预处理视频，以获取视频帧；对获取的视频帧进行背景建模，获得背景帧序列和前景帧序列；对与背景帧序列同帧的前景帧序列进行检测并提取运动目标，并在平滑滤波处理后按前景帧序列保存单帧前景图片；按前景帧序列顺序播放单帧前景图片并对运动目标进行滤波跟踪，以获得道路中车辆情况；根据车辆情况和/或运动目标的前景帧序列，计算并得出交通参数。该技术还是属于前深度学习时代的视觉检测技术，存在着检测精度不高的问题。此外，对于交通拥堵检测通过计算交通参数方式来判断，这种判断方式需要有多个交通参数支持，拥堵状态判别的准确性受相关交通流参数获取的准确性的影响。

道路拥堵视觉检测的核心是道路上静止车辆的检测。由于我国城市道路中的人车和机动车和非机动车的混杂特殊情况，加上道路的运行的车辆车型种类繁多，通过视觉的方式要准确无误地检测道路上的所有车辆并非容易之事，还需进一步判断这些车辆是运动的还是静止的，检测的难度会更大。

最近几年深度学习在计算机视觉领域的技术得到了迅速的发展,深度学习能利用大量的训练样本和隐藏层逐层深入地学习图像的抽象信息,更全面直接地获取图像特征。数字图像是以矩阵来描述的,卷积神经网络更好地从局部信息块出发,进而描述图像的整体结构,故在计算机视觉领域,深度学习方法中大多采用卷积神经网络来解决问题。回绕着提高检测精度和检测时间，深度卷积神经网络技术从R-CNN，Fast R-CNN到Faster R-CNN。具体表现为进一步精度提升、加速、端到端及更实用化，几乎覆盖了从分类到检测、分割、定位各个领域。深度学习技术运用于道路拥堵视觉检测将是一个非常有实际应用价值的研究领域。