[发明专利]基于卷积神经网络的人车分流控制方法

权利要求书

1.一种基于卷积神经网络的人车分流控制方法，其特征是，具体包括如下步骤：

步骤1、将公开的行人图像和已知车辆图像形成图像集合，并将图像集合分成训练数据集和测试数据集；

步骤2、将训练数据集的图像送入后台控制计算机的卷积神经网络中，在卷积神经网络中，训练数据集的图像先经过前向传播，计算损失熵的大小，再通过随机梯度下降不断更新参数，后经过反向传播，使得损失熵不断减小寻找到最优参数，当迭代到设定好的次数或者准确率达到一定要求后停止训练，保存训练好的参数，由此得到训练好的卷积神经网络模型；

步骤3、将测试数据集的图像送入后台控制计算机训练好的卷积神经网络中，在训练好的卷积神经网络中，测试数据集的图像先经过前向传播，计算损失熵的大小，再通过随机梯度下降不断更新参数，后经过反向传播，使得损失熵不断减小寻找到最优参数，以测试训练好的卷积神经网络模型的准确率，由此得到测试好的卷积神经网络模型；

步骤4、将测试好的卷积神经网络模型作为最终的目标识别模型存储在后台控制计算机中；

步骤5、人行摄像头采集人行通道出入口处的实时人行通道图像，并将实时人行通道图像送入到后台控制计算机中；后台控制计算机将实时人行通道图像送入到最终的目标识别模型中，以识别出人行通道图像中所存在的是行人和/或车辆；

步骤6、仅有实时人行通道图像的最终识别出的目标全部是行人时，后台控制计算机才发出控制信号至人行电控闸门，此时人行电控闸门开启；否则，后台控制计算机不发出控制信号至人行电控闸门，此时人行电控闸门保持关闭状态；

步骤7、车行摄像头采集车行通道出入口处的实时车行通道图像，并将实时车行通道图像送入到后台控制计算机中；后台控制计算机将实时车行通道图像送入到最终的目标识别模型中，以识别出人行通道图像中所存在的是行人和/或车辆；

步骤8、仅有实时车行通道图像的最终识别出的目标全部是车辆时，后台控制计算机才发出控制信号至车行电控闸门，此时车行电控闸门开启；否则，后台控制计算机不发出控制信号至车行电控闸门，此时车行电控闸门保持关闭状态。

2.根据权利要求1所述的一种基于卷积神经网络的人车分流控制方法，其特征是，卷积神经网络为使用slice卷积层的YOLO卷积神经网络。