[发明专利]基于Ghost卷积特征融合神经网络实时车流量检测系统及方法

说明书

本发明涉及一种基于Ghost卷积特征融合神经网络实时车流量检测系统及方法,包括：数据预处理模块，用于从拍摄的视频中进行抽帧，得到第一训练集，对所述第一训练集中的目标图像进行标记形成第二训练集，再利用高斯滤波器生成目标图像的密度图，形成第三训练集；网络训练模块，通过所述第三训练集对网络进行训练得到网络模型，其中所述网络包括多个Ghost卷积层；目标信息预测模块，从拍摄的视频中进行抽帧，作为测试图像，将所述测试图像输入至所述网络模型中进行预测，得到测试图像的目标信息。本发明误差小，有利于获得良好的性能。

技术领域

本发明涉及车流量检测的技术领域，尤其是指一种基于Ghost卷积特征融合神经网络实时车流量检测系统及方法。

背景技术

近年来，随着交通车辆数量高速增长，交通监管面临巨大挑战。随着智能城市智能交通系统(Intelligent Transport System,ITS)的推广，其应用的核心技术得到了迅速的发展。车流量检测，作为构建交通状况视频监控的一项关键技术，一直是其重要的组成部分。

现有车流量检测的方法大致可以归于三类：第一类是在地下埋感应线圈，当车辆经过感应线圈区域时，由感应线圈装置受到压力发出脉冲信号，从而判断是否有车辆。常用的方法有环形线圈检测法、地磁检测法、电磁检测法等。这类方法较在安装和维修时需要破坏地面，安装成本较高，同时也给车辆的出行造成了不便。第二类是悬挂式检测方法，当车辆驶入检测范围时，检测器发出的微波、超声波或红外线，以此来判断是否有车辆。这类检测方法易于安装，对路面不会造成破坏，但当两辆车并排进入检测范围时，只能计数一辆车，检测精度受到了影响，检测范围较小。第三类为通过摄像机拍摄交通视频，利用计算机视觉技术以及图像处理技术对视频进行处理。相对于前两类传统方法，视频检测方法具有明显的优势：安装和维护装置方便，能对整个路面的路况进行拍摄，检测到的范围比较广，获取到的交通信息比较全面。

传统的基于视觉的车辆检测方法通常是手动提取特征，费时费力，泛化能力差，易受环境变化影响。随着深度学习理论和实践的迅速发展，基于深度学习的目标检测与分类进入了一个新的阶段。不同于传统的特征提取算法，卷积神经网络有很强的泛化性，可以克服改变车辆外观的困难，能够自适应的训练数据驱动下构建的特征描述，具有更大的灵活性和综合能力。目前多数的基于视频的车流量检测方法都是采用了目标检测的方案，采用目标检测的方案优点在于算法不但能够统计车辆的数量，更能给出车辆在图像中的位置。不过这种方案的缺点也很明显，那就是目标检测算法需要很高性能的硬件支持，才能满足其运行时的算力需求。虽然有SSD(Single Shot Multibox Detector)、YOLO(You OnlyLook Once)等其他快速目标检测网络致力于在保持高速度的同时实现高精度检测，但在低算力移动设备上，这类算法依旧很难满足实时检测车流量的需求。

基于目标检测的方法速度之慢在于这些方法将大部分的算力消耗在车辆的定位和种类识别上，实际上对于车流量的检测这种定位和分类是非必要的，并且基于目标检测的计数方法在车流量大、车辆重叠遮挡严重的场景下识别率会大打折扣。Shi等人在论文“AReal-Time Deep Network For Crowd Counting”中提出了一种实时检测人群密度的轻量化卷积神经网络(Compact Convolutional Neural Network，C-CNN)。该网络对硬件性能要求较低且同样可用于车流量计数，同属于目标计数的领域的技术，但是C-CNN网络结构较为简单且作为轻量化的网络本身没有使用模型压缩技术，因此检测后的误差大，不能获得良好的性能。

发明内容

为此，本发明所要解决的技术问题在于克服现有技术中检测后的误差大，不能获得良好性能的问题，从而提供一种检测后的误差小，且获得良好的性能的基于Ghost卷积特征融合神经网络实时车流量检测系统及方法。