[发明专利]智慧交通中的车流统计方法

权利要求书

1.智慧交通中的车流统计方法，包括车辆检测方法和车辆跟踪方法，其特征在于：

所述的车辆检测方法具体是：

(1).建立SSD网络，所述的SSD网络包括两部分：一部分是位于前端的深度卷积神经网络，采用的是去除分类层的图像分类网络；一部分是位于后端的多尺度特征检测网络，为一组级联的卷积神经网络；所述的SSD为单次检测器；

(2).SSD采用多尺度的方法得到多个不同尺寸的特征图，假设模型检测时采用m个特征图，则第k个特征图的默认框比例：k∈(1,2,···,m)；其中，S_k是第k个特征图默认框占输入图像的比例、S_max是最大的特征层默认框占输入图像的比例、S_min是最小的特征层默认框占输入图像的比例；

(3).SSD采用锚定机制，对于同一特征层上的默认框采取不同的宽高比，以增强默认框对物体形状的鲁棒性；默认框的宽高比同时针对宽高比等于1这一类，添加S_k′是对S_k求解梯度，则：

其中，|f_k|是第k个特征图的尺寸大小；a、b为调整参数，a,b∈(0,1,2,···,|f_k|-1)；(c_x,c_y)为特征图上默认框中心的坐标；w_b、h_b为默认的框的宽和高；w_feature、h_feature为特征图的宽和高；w_img、h_img为原始图像的宽和高；得到的(x_min,y_min,x_max,y_max)为第k个特征图上中心为宽和高大小为w_k和h_k的默认框映射到原始图像的物体框坐标；

(4).SSD训练同时对位置和目标种类进行回归，其目标损失函数是置信损失和位置损失之和：其中，L(z,c,l,g)是目标损失函数，L_conf(z,c)是置信损失函数，L_loc(z,l,g)是位置损失函数，N是与标注数据物体框匹配的默认框个数；z为默认框与不同类别的标注数据物体框的匹配结果，c为预测物体框的置信度，l为预测物体框的位置信息，g为标注数据物体框的位置信息；α为权衡置信损失和位置损失的参数，设置为1；

所述的车辆跟踪方法是采用连续自适应期望移动算法对单次移动视觉网络检测器第一帧识别出的车辆进行跟踪，具体如下：

①计算目标区域内的颜色直方图：

将输入图像转换到HSV颜色空间，目标区域为初始设定的搜索窗口范围，分离出色调H分量做该区域的色调直方图计算，得到目标模板的颜色直方图；

②根据获得的颜色直方图，将原始输入图像转化成颜色概率分布图像：

输入图像在已知目标颜色直方图的条件下的颜色概率密度分布图，包含了目标在当前帧中的相干信息；对于输入图像中的每一个像素，查询目标模型颜色直方图，对于目标区域内的像素，得到该像素属于目标像素的概率，而对于非目标区域内的像素,该概率为0；

③均值漂移迭代，找到目标中心在当前帧中的位置：

首先，在颜色概率分布图中选择搜索框的大小和初始位置，然后计算搜索框的质心位置；设像素点(i,j)位于搜索框内，I(i,j)是颜色直方图的反向投影图中该像素点对应的值，定义搜索框的零阶矩M₀₀和一阶矩M₁₀、M₀₁如下：

搜索框的质心位置为：(M₁₀/M₀₀,M₀₁/M₀₀,)，I为像素点i所能到达的最大位置，J为像素点j所能到达的最大位置；

然后，调整搜索框中心到质心；零阶矩反映了搜索框尺寸，依据它调整框大小，并将搜索框的中心移到质心，如果移动距离大于设定的阈值τ，则重新计算调整后的窗口质心，进行新一轮的窗口位置和尺寸调整，直到移动距离小于等于设定的阈值τ，阈值τ为初始搜索框中心到搜索框对角点距离的四分之一，或者迭代次数达到设定的最大值n，认为收敛条件满足，将搜索框位置和大小作为下一帧的目标位置输入，开始对下一帧图像进行新的目标搜索；每发现一个车辆目标，进行数目加一操作。