[发明专利]基于无人机群移动平台的交通流量识别监测网络和方法

说明书

本发明公开了一种基于无人机群移动平台的交通流量识别监测网络和方法，包括无人机群移动平台、双目云台和中控台，中控台布置在车内，在车顶安装的双目云台能够360°监测车周围的情况，无人机固定在车顶上部可自由收缩的封闭机箱内，在机箱里面放置无线充电器，当无人机落在车顶上面可实现对无人机充电。该无人机群移动平台具有灵活性高、方便快捷的优点，可随时随地识别监测任意一条道路。本发明利用Fast RCNN具有训练速度快，测试时间少，所需空间少的优点，利用无人机监测范围广、灵活性高、成本低等优点，获取交通流速度快、交通流信息连续、检测范围大且不需要消耗大量的人力和物力，达到对道路交通流快速准确地识别。

技术领域

本发明涉及道路交通领域，特别涉及一种基于无人机群移动平台的道路交通流量识别方法。

背景技术

随着经济的快速发展和城镇化水平的不断提高，人们对交通的需求越来越高，汽车已成为人们出行首选交通工具。因此，城市汽车数量不断增加，目前，交通拥堵已成为各大城市迫切需要解决的问题。解决交通拥堵问题首先需要了解各个时刻道路的交通流情况。交通管理部门依据交通流量的数据制定疏通交通的相关策略。比如宏观上建设新道路，制定城市交通管理策略。微观上交通枢纽红绿灯的设置，红绿灯的时长优化都需城市交通管理部门对交通流量的时空分布做到心中有数。

然而如何及时实时获取城市的交流时空分布是一个亟待解决的问题。现有的交通流的获取方法有：通过手机中地图获取道路交通流信息；通过人去数每个路口的车流量去获取交通流信息；通过仪器去测得道路交通流信息。这些获取交通流的方法速度慢、交通流信息不连续、检测范围小且需要消耗大量的人力和物力。

交通流量自动识别的关键是目标车辆、行人的自动跟踪与识别。现有目标跟踪方法有：区域卷积神经网络(Region Convolutional Neural Network，简称RCNN)目标追踪与识别法和空间金字塔池化网络(Spatial Pyramid Pooling Network，简称SPPnet))目标追踪与识别法。RCNN的不足是：训练模型是多管道级；对于分类和回归训练是从每个图片的每个目标候选框提取特征，因此训练时间长、训练所需空间大；在测试时，RCNN从每个测试图片的每个目标候选框提取特征，导致目标测试速度慢。SPPnet的不足是：先经多个卷积层得到特征图(Feature map)，然后从提取的特征图对每个候选框进行分类，虽然相比RCNN，SPPnet通过共享计算加快了训练和测试速度，但由于SPPnet仍然为多管道，并且SPPnet不能更新金字塔池化层之前的卷积，这限制了深层网络的准确性。为修正RCNN和SPPnet的缺点，2015年，Ross Girshick提出了一种Fast Rcnn神经网络，该网络将分类器整合到网络中，相比RCNN和SPPnet，Fast RCNN具有更高精度的目标检测，训练时使用的多任务损失，训练时可以更新所有的网络参数，特征储存不需要磁盘空间，因此Fast RCNN具有训练速度快，测试时间少，所需空间少的优点。

无人机具有监测范围广、灵活性高、成本低等优点，因此现在无人机被广泛应用在监测信息方面，如监测道路交通路况、监测一些人不容易到达的地方等；但无人机由于电量低而续航时间比较短，这一缺点又限制了无人机的发展。

发明内容

为实现对城市道路交通流的检测，本发明的目的是提供一种基于无人机群移动平台的交通流量识别监测网络和方法。

传统的室内道路交通流监测平台灵活性低且不能迅速前往路上解决交通问题，本发明的目的之一，是提供一种无人机群移动平台，该移动平台具有灵活性高、方便快捷的优点，可随时随地识别监测任意一条道路。

一种无人机群移动平台，包括机箱、无人机天线、无人机和无线充电器，无人机天线安装在车顶，并且无人机天线与中控台相连；无人机固定在车顶上部可自由收缩的封闭机箱内，在机箱里面放置无线充电器，当无人机落在车顶上面可实现对无人机充电，在机箱内设有小齿轮、大齿轮和齿条。