[发明专利]一种多线程并行计算的交通视频目标检测方法及装置

说明书

本发明公开了一种多线程并行计算的交通视频目标检测方法及装置，所述方法包括：提取原始交通视频文件，对原始交通视频文件中的视频图像分割成多个图像块；调用多线程并行计算和深度学习目标检测算法检测所有图像块中的目标，输出目标定位结果；获取并统计所有图像块中的目标定位结果，并作为中间输入，纳入视频图像的检测结果；调用非极大值抑制算法从检测结果中筛选出检测得分最高的目标，对目标进行标记并合并图像块，输出最终图像。本发明提高了视频目标检测的精度和效率。

技术领域

本发明涉及智能交通技术领域，尤其涉及的是一种多线程并行计算的交通视频目标检测方法及装置。

背景技术

智能交通领域中，对视频车辆目标和行人目标的识别与检测，是实现智能化交通的重要基石和基础性研究。智能交通2.0版，要求交管部门发挥重要的主导作用，有预见性地采取措施，对流量、拥堵和重大事件进行预测，采取相应的措施和预案。通过对动态数据(比如：流量数据)的实时分析，在满足人们出行需求的前提下，提高人们的出行效率和交通系统的运行成本，实现人、车、路协同服务。然而要实现对流量的管控，视频中的车辆和行人的检测是统计流量的第一步，流量管控的有效性和实时性在一定程度上取决于视频目标检测的准确性和时效性。

目标检测(Object Detection)是计算机视觉领域的基本任务之一，它通常包括两个基本任务：识别和定位。但是，传统目标检测的方法是在给定的图像上选择一些候选的区域，然后对这些区域提取特征，最后使用训练的分类器进行分类。由于穷举法候选区时间复杂度太高，人工特征选择器受到目标形态、光照和背景干扰等因素的影响，导致算法鲁棒性差。而近些年随着深度学习技术的出现和成熟，目标检测算法从基于人工设计特征的传统算法转向了基于深度卷积神经网络(CNN)的检测技术，但是在训练数据时，为了保证神经网络特征图和全连接层的尺寸一致，会将训练数据缩放至统一的尺寸大小，致原始图像待检测的目标同比例缩放，影响最终目标检测的精度。

发明内容

本发明要解决的技术问题在于，针对现有技术的上述缺陷，提供一种多线程并行计算的交通视频目标检测方法及装置，旨在解决现有技术中对视频中的车辆和行人等目标的检测方法鲁棒性差，精度低的问题。

本发明解决技术问题所采用的技术方案如下：

一种多线程并行计算的交通视频目标检测方法，其中，所述方法包括：

提取原始交通视频文件，对所述原始交通视频文件中的视频图像分割成多个图像块；

调用多线程并行计算和深度学习目标检测算法检测所有图像块中的目标，输出目标定位结果；

获取并统计所有图像块中的目标定位结果，并将所述目标定位结果作为中间输入，纳入所述视频图像的检测结果；

调用非极大值抑制算法从所述检测结果中筛选出检测得分最高的目标，对所述目标进行标记并合并图像块，输出最终图像。

优选地，所述提取原始交通视频文件，对所述原始交通视频文件中的视频图像分割成多个图像块，包括：

从安装在道路上的视频监控设备中提取原始交通视频文件，利用matplotlib库对所述原始交通视频文件进行读取；

将所述原始交通视频文件中的视频图像分割成多个图像块，并对每个图像块进行标记。

优选地，所述将所述原始交通视频文件中的视频图像分割成多个图像块，包括：

获取所述原始交通视频文件中的视频图像的尺寸，并根据视频图像的尺寸与深度学习目标检测算法所要求的输入图像的尺寸的比例关系，将所述视频图像分割成多个图像块。

优选地，所述深度学习目标检测算法包括：SSD算法、R-CNN算法、faster R-CNN算法、R-FCN算法和YOLO算法。