[发明专利]基于多尺度卷积神经网络的车辆智能排队的系统及方法

权利要求书

1.一种基于多尺度卷积神经网络的车辆智能排队的系统，其特征在于，包括下述模块：

筛选模块，用来对搜集来的收费站服务道路数据进行筛选，去除干扰较大的图片；

数据预处理模块：将搜集到的图像数据进行数据增强处理，增强后的数据通过背景减法，获得一组包含运动信息的数据，通过人工标定，每个标注的图片包含两种信息：车辆所属窗口信息，车辆数信息；

训练模块：将含有运动信息的数据作为运动全卷积神经网络的输入，含有外观信息的数据作为外观全卷积神经网络的输入并通过两个网络独立训练，经过多次迭代，最终得到两个模型；

微调模块：通过级联结构，训练特征融合和决策融合两种融合方案，通过微调，将运动信息模型和外观信息模型级联起来，得到最终的检测模型；

输出模块：将待测试的图片作为最终模型的输入，输出每个服务通道车辆数目和预计等待时间；

引导模块：通过收费站前方电子屏幕，实时引导车辆进入排队时间相对较短的服务车道。

2.根据权利要求1所述的一种基于多尺度卷积神经网络的车辆智能排队的系统，其特征在于，所述训练模块中含有运动信息的数据运动全卷积神经网络与含有外观信息的数据外观全卷积神经网络的结构相同，均为多尺度全卷积神经网络,所述多尺度全卷积神经网络损失函数如下：

其中，θ是待优化的网络参数，N是参与训练图片的数目，Xi表示输入图片，Yi表示第i个图片的真值图，F(Xi；θ)表示由网络生成的密度图；

某个车道上，车辆计数损失函数为：

其中M表示车道总数，k为几号车道，Fk为预测第k号车道上车辆数，Yk是第k号车道上车辆的真实数量。

3.一种基于多尺度卷积神经网络的车辆智能排队的方法，其特征在于，包括以下步骤：

(1)对搜集来的收费站服务道路数据进行筛选，去除干扰较大的图片；

(2)数据预处理：将搜集到的图像数据进行数据增强处理，增强后的数据通过背景减法，获得一组包含运动信息的数据，通过人工标定，每个标注的图片包含两种信息：车辆所属窗口信息，车辆数信息；

(3)将含有运动信息的数据作为运动全卷积神经网络的输入，含有外观信息的数据作为外观全卷积神经网络的输入并通过两个网络独立训练，经过多次迭代，最终得到两个模型；

(4)通过级联结构，训练特征融合和决策融合两种融合方案，通过微调，将运动信息模型和外观信息模型级联起来，得到最终的检测模型；

(5)将待测试的图片作为最终模型的输入，输出每个服务通道车辆数目和预计等待时间；

(6)通过收费站前方电子屏幕，实时引导车辆进入排队时间相对较短的服务车道。

4.根据权利要求3所述的一种基于多尺度卷积神经网络的车辆智能排队的方法，其特征在于，所述步骤(2)中，通过人工标定的方法，获得足量的且对应外观信息或动信息的图片，随机将这些图片分为训练集和测试集，比例为5:1。

5.根据权利要求4所述的一种基于多尺度卷积神经网络的车辆智能排队的方法，其特征在于，所述通过人工标定方法获得的运动信息数据和外观数据信息数据一一对应。

6.根据权利要求3所述的一种基于多尺度卷积神经网络的车辆智能排队的方法，其特征在于，所述数据增强处理的方法为对每张图片进行对比度变换。

7.根据权利要求3所述的一种基于多尺度卷积神经网络的车辆智能排队的方法，其特征在于，所述步骤(3)中含有运动信息的数据运动全卷积神经网络与含有外观信息的数据外观全卷积神经网络的结构相同，均为多尺度全卷积神经网络。

8.根据权利要求3所述的一种基于多尺度卷积神经网络的车辆智能排队的方法，其特征在于，所述级联结构相当于新的分支，微调对象为该新的分支。