[发明专利]基于无人机的道路车流量检测方法、系统及计算机可读存储介质

权利要求书

1.一种基于无人机的道路车流量检测方法，其特征在于，包括如下步骤：

控制无人机飞到需要进行车辆检测的路段，通过无人机的机载摄像头以第一预设时间为间隔拍摄目标道路的实景照片；

对所述实景照片进行降噪和去模糊处理获取初级处理照片；

将相邻两张所述初级处理照片采用SURF算法进行去重复处理获取终级处理照片，包括：采用SURF算法提取相邻两张所述初级处理照片的特征点、及两所述初级处理照片的相应特征点之间的匹配点集；

通过所述匹配点集将两张所述初级处理照片转换到同一坐标，并利用所述匹配点集求得单应变换矩阵，然后对两张所述初级处理照片进行配准；

将配准后的两张所述初级处理照片放到同一坐标下进行对比，找到重复区域，并去除拍摄时间靠后的一张所述初级处理照片中的所述重复区域，将两张所述初级处理照片输出记为终级处理照片；

将所述终级处理照片输入深度压缩后的SSD模型神经网络，SSD模型神经网络采用通道注意力机制进行车辆检测，判断是否通过车辆及通过车辆的数量；

统计无人机当前飞行里程内所获取的所有所述终级处理照片中通过的车辆的数量，并将该数量发送至无人机控制中心。

2.根据权利要求1所述的道路车流量检测方法，其特征在于，所述采用SURF算法提取相邻两张所述初级处理照片的特征点、及两所述初级处理照片的相应特征点之间的匹配点集包括：

构建黑塞矩阵，生成所有的兴趣点，用于特征的提取；

构建SURF的尺度空间，包括m组n层，不同组间图像的尺寸一致，但不同组间使用的盒式滤波器的模板尺寸逐渐增大，同一组间不同层间使用相同尺寸的滤波器，但滤波器的模糊系数逐渐增大；

将经过黑塞矩阵处理的每个像素点与二维图像空间和尺度空间邻域内的26个点进行比较，定位出关键点，删除能量较弱的所述关键点和错误定位的所述关键点，以筛选出稳定的所述关键点，记为特征点；

在特征点的圆形邻域内，统计60度扇形内所有点的水平方向、垂直方向harr小波特征总和；再将扇形以预设角度为间隔进行旋转，并再次统计该区域内harr小波特征值之和；最后将特征值之和最大的方向作为该特征点的主方向；

沿特征点的主方向在特征点周围取2×2的矩形区域块，在每个所述矩形区域块内统计16个像素的水平方向和垂直方向的haar小波特征，获取64维的向量作为SURF特征点的描述子；

当两个特征点的矩阵迹的正负性相同，则计算该两个特征点间的欧式距离，统计欧氏距离小于预设阈值的所有特征点的点集，记为特征点的匹配点集。

3.根据权利要求1所述的道路车流量检测方法，其特征在于，所述将所述终级处理照片输入深度压缩后的SSD模型神经网络，SSD模型神经网络采用通道注意力机制进行车辆检测，判断是否通过车辆及通过车辆的数量包括：

控制无人机在指定飞行高度范围内拍摄若干目标道路的实景照片获取车流量的数据集；

对所述数据集进行标注获取若干个标注框；

将所有所述标注框的尺寸出现的范围分为k个聚类中心，根据k个聚类中心得到先验框集合B＝{b1，b2，…，bk}；

根据先验框集合B设置先验框尺寸。

4.根据权利要求3所述的道路车流量检测方法，其特征在于，所述SSD模型神经网络采用通道注意力机制进行车辆检测包括：

SSD模型神经网络通过SENet分类网络调节所述终级处理照片的处理权重，使得检测过程的最大注意力放在车辆这一信息上。

5.根据权利要求4所述的道路车流量检测方法，其特征在于，所述SSD模型神经网络还包括：

通过特征金字塔提取浅层特征图，即将输入的对应层的特征图经过1×1卷积后再和上采样后的下层特征图进行特征融合输出该特征图；

最后一层的特征图由原来的特征图经过1×1卷积后输出得到。

6.根据权利要求5所述的道路车流量检测方法，其特征在于，所述特征融合前还包括：使用批归一化进行归一化处理。