[发明专利]基于时空计数特征的密度交通流计数方法及系统

权利要求书

1.一种基于时空计数特征的密度交通流计数方法，其特征是：包括以下步骤：

获取交通视频，选定的显著性区域中进行车辆检测；

构建过线概率函数评估检测到的车辆可能经过计数线的概率，根据概率值选出每帧图像中需要被跟踪的车辆，提取其空间特征和时间特征；

构建基于长短时递归神经网络的计数模型，对视频中的双向时空计数特征进行分析，得到分类和相应的计数结果；

基于计数结果估计流量，计算得到流量交通体量、密度和速度；

所述过线概率函数定义为：

其中，是第j帧中车辆的平均速度；是第j帧中第i个边界框的左上角的y轴坐标；是第j帧中第i个边界框的高度；c_y是计数线的y轴值，第j帧中所有车辆的概率形成集合按照降序排列，获取具有最大过线概率的前Nv个车辆的空间特征，选取当前帧之前的n帧和第j帧之后的m帧作为提取单元提取第j帧的时空计数特征；

所述交通体量的计算方法为：

是第j帧A方向的交通体量值，单位是个/小时；

是第j帧B方向的交通体量值，单位是个/小时；

是截止到第j帧经过对应方向计数线的车辆数目，单位是个；

R是交通流视频的帧率，即一秒钟有几帧，单位是帧；

或，交通密度的计算方法包括：

Des^j是第j帧的交通密度值，单位是个/千米；

是第j帧的A方向行驶道路区域上的交通密度值，单位是个/千米；

是第j帧的B方向行驶道路区域上的交通密度值，单位是个/千米；

D^j是第j帧检测到的车辆数目，单位是个；

是第j帧检测到的A方向行驶道路区域上车辆数目，单位是个；

是第j帧检测到的B方向行驶道路区域上车辆数目，单位是个；

l是第j帧进行车辆检测的区域长度，单位是像素；

L_a是图片中的一段像素值距离L_p对应到现实世界中的实际长度值，单位是米；

L_p是图片中的一段像素值距离，单位是像素；

或，速度的计算过程包括：

是第j帧A方向的交通速度值，单位是千米/小时；

是第j帧B方向的交通速度值，单位是千米/小时。

2.如权利要求1所述的一种基于时空计数特征的密度交通流计数方法，其特征是：在显著性区域中进行车辆检测的过程中，初步选择视频数据中一定大小的区域作为车辆目标显著性区域进行车辆检测，若检测出的车辆数目小于设定数值，则检测区域高度每次扩大若干像素，重新检测一遍，直至满足检测出的车辆目标数目大于等于设定数值。

3.如权利要求1所述的一种基于时空计数特征的密度交通流计数方法，其特征是：在显著性区域中进行车辆检测的过程中，对于检测出的目标预测概率值小于设定值的舍掉不要；对于任两个检测框，计算其中心点之间的距离，若小于预定距离则进行合并，合并方式为保留预测概率值大的那一个检测框，舍弃概率值小的检测框。

4.如权利要求1所述的一种基于时空计数特征的密度交通流计数方法，其特征是：所述基于长短时递归神经网络的计数模型包括三部分，即输入时空计数特征、计数网络和累加器，时空计数特征F^j是cLSTM的输入，计数网络cLSTM包含一个长短时递归神经网络层、一个全连接层、一个归一化指数层和一个分类层；累加器连接到cLSTM的输出，通过累加器后最终的计数模型输出最终计数结果。