[发明专利]智慧交通中的车流统计方法

说明书

本发明涉及一种智慧交通中的车流统计方法。现有技术对于车辆识别的准确率不足、效率不高。本发明方法采用神经网络中的SSD和ResNet，与传统的目标跟踪CamShift算法两个部分组建，包括车辆检测方法和车辆跟踪方法。车辆检测方法首先建立SSD网络，SSD得到多个不同尺寸的特征图，对于同一特征层上的默认框采取不同的宽高比，增强默认框对物体形状的鲁棒性，SSD训练同时对位置和目标种类进行回归。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。本发明方法不仅可以更加准确的检测出车辆，进行统计，而且可以通过跟踪防止车辆目标丢失而重新统计，得到的车流数据更加准确。

技术领域

本发明属于人工智能技术领域，具体是智慧交通领域，涉及一种智慧交通中的车流统计方法，具体是一种通过对车辆的检测与跟踪进行车流统计的方法，尤其涉及一种通过ResNet-50(残差网络)框架改进SSD(单次检测器)神经网络使用的检测方法和Camshift(连续自适应期望移动算法)跟踪算法结合的方法，能够实时对交通中的车流进行统计。

背景技术

近年来，随着社会经济的迅猛发展，人口的增加和车辆的飞速增长，交通的压力越来越大，城市交通拥堵严重，并且事故频发，交通环境的日益恶化也是困扰着全世界大多数国家，解决交通问题成为城市发展的重中之重。对于传统的解决办法，一般采用修建或扩宽道路，使道路承受能力增强，但是随着大城市人口车辆增多，用地增加，道路已经无法再进行大规模的整改，部分扩建整改的速度根本满足不了交通的需求。并且，交通系统死一个复杂的综合性系统，不能只通过道路的扩建和修建和车辆的限行的角度来解决，在这种背景下，采用将矛盾转化的方法，将道路车辆相结合的思想解决问题方法应运而生。这就是智慧交通的思想，通过对当前路段的车流信息进行统计，以为信号灯的设置时间和路牌设置等提供合理数据支持。

对于传统的车辆检测方法有红外检测、超声波检测、传统HOG特征和SVM结合的前向车辆检测等。对于传统的检测速度上都是有一定的优势，但是对于车辆识别的准确率有着很明显的不足，并且识别的环境会被限制，红外线的抗噪声能力差，超声波检测容易受到天气和温度的影响，而传统的特征检测一直都有着效率不高的问题。

所以只有提出在各种环境都有抗噪能力并且识别准确率高速度快的方法，才能真正解决车辆检测问题，并且通过实时跟踪防止漏检或者重复检测统计的问题。

发明内容

本发明的目的就是提供一种高效准确率高的车辆检测与跟踪速度的车流统计算法，该方法采用SSD算法和ResNet-50组建的检测模块与CamShift算法组建的跟踪模块，进行车辆检测跟踪并且进行车流统计。

本发明方法采用神经网络中的SSD和ResNet，与传统的目标跟踪CamShift算法两个部分组建，包括车辆检测方法和车辆跟踪方法。

所述的车辆检测方法具体是：

(1).建立SSD网络，所述的SSD为单次检测器；

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，如VGG(视觉几何组)用于目标初步特征提取；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，将前端网络产生的特征层进行不同尺度条件下的特征提取SSD框架。

(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：其中：S_k是第k个特征图默认框占输入图像的比例，S_k＝0.18～0.20；S_max是最大的特征层默认框占输入图像的比例，S_max＝0.9～1.0；S_min是最小的特征层默认框占输入图像的比例，S_min＝0.18～0.20；