[发明专利]一种直接利用静态图像来检测车辆拥堵的方法

摘要

本发明公开了一种直接利用静态图像来检测车辆拥堵的方法，其包括步骤：数据预处理；多任务卷积神经网络训练；检测图像；车辆排队长度及拥堵判定。通过数据预处理确定图像视角、车辆数和车辆密集度。将样本图像通过原始RGB图像转换后的灰色图像和光照不变图像，作为多任务卷积神经网络的输入，来训练多任务卷积神经网络，对图像视角、车辆数和车辆密集度并行进行训练。将待检测图像输入训练后的多任务卷积神经网络，得到与待检测图像相对应的图像视角、车辆数和车辆密集度或其组合信息。根据图像视角、车辆数和车辆密集度综合判断车辆拥堵情况。本发明不需要识别车辆移动过程，直接利用静态图像即可得到车辆数目实现拥堵检测的判定。

主权项

1.一种直接利用静态图像来检测车辆拥堵的方法，适于在计算机设备中执行，其特征在于：其包括以下步骤：数据预处理：将训练样本图像数据中每幅样本图像分割成m×n个子图像，采取人工标定的形式为每个子图像赋予其两种属性信息：车辆数信息和车辆密集度信息；原图像根据摄像头高度视角赋予图像视角信息；多任务卷积神经网络训练：多任务卷积神经网络为多层卷积，将样本图像通过原始RGB图像转换后的灰色图像和光照不变图像，作为多任务卷积神经网络的输入，来训练多任务卷积神经网络，对图像视角信息、车辆数信息和车辆密集度信息并行进行训练；多任务卷积神经网络对两个方向进行卷积：一个方向为图像视角信息，另一方向为车辆数信息和车辆密集度信息；在多任务卷积神经网络中定义损失函数：一、车辆计数损失函数：把车辆计数看成深度回归问题，输入是整个图像，输出是不同子图像的车辆数，最小化欧氏损失采用公式其中，k是子图像的索引，Gk和Pk是第k子图像的真实和预测车辆数；二、车辆密集度损失函数：车辆密集度根据车辆数进行定义，车辆密集度损失采用公式其中k是子图像的索引，pkm为第k子图像的实际密集度等级；三、图像视角损失函数：图像视角损失采用其中，C是图像视角类别的总数，y_ic和p_ic分别是预测和真实图像视角；通过上述三个损失函数，训练后的多任务卷积神经网络得到卷积神经网络模型：其中，N是训练样本图像的数量，λ用于平衡不同的损失函数，W和b是模型参数，λ设置为0则训练后的多任务卷积神经网络将不考虑图像视角；检测图像：将待检测图像输入训练后的多任务卷积神经网络，得到与待检测图像相对应的图像视角信息、车辆数信息和车辆密集度信息或其组合信息；车辆排队长度及拥堵判定：根据图像视角信息、车辆数信息和车辆密集度信息综合判断车辆拥堵情况。