[发明专利]一种基于深度卷积神经网络的车流密度估计方法

摘要

本发明提出了一种基于深度卷积神经网络的车流密度估计方法，包括利用摄像机收集道路视频图像，通过图像预处理，将多尺度金字塔图像块送入卷积神经网络，提取由底层简单到高层抽象的特征，得到各种尺度车流图像的分布密度图；再用全连接网络层学习多尺度分布密度图到整体图像分布密度图以及图像总车辆个数的映射；对卷积神经网络输出的视频图像的分布密度图划分感兴趣区域，对感兴趣区域像素求和得到单车道或多车道车辆数；通过区域长度计算得到区域瞬时车流密度。本发明大大提高了车辆计数和车流密度估计的准确性和实时性。

主权项

1.一种基于深度卷积神经网络的车流密度估计方法，其特征在于包括以下步骤：第一步，获取道路视频图像作为训练图像，根据训练图像的尺寸设计卷积神经网络，将训练图像输入卷积神经网络训练得到车辆计数模型；第二步，获取实时道路视频图像作为检测图像，将检测图像输入训练得到的车辆计数模型，从而得到分布密度图和车辆数；第三步，在所述检测图像上划分感兴趣区域，根据第二步得到的分布密度图，计算感兴趣区域的像素和从而得到感兴趣区域的车辆数，根据感兴趣区域的实际长度及公式密度＝车辆数÷长度，计算出瞬时车流密度；所述第一步，具体实现如下：(1)从已有的不同的道路场景的视频终端监控视频中，选取不同密度车流量的视频图像分成训练集图像和验证集图像；(2)对视频图像进行预处理，得到归一化后的视频图像；(3)从视频图像中获取不同尺度的图像块，作为卷积神经网络的输入；(4)生成每张视频图像的标准分布密度图；(5)车辆计数模型的设计；构造一个卷积神经网络作为车辆计数模型，所述卷积神经网络包括两个部分，第一部分为含有不同尺度图像块输入的多个子网络结构，输出为不同尺度图像块的分布密度图；第二部分为融合不同尺度分布密度图信息的全连接网络结构，利用全连接层融合不同尺度分布密度图，得到两个学习目标即分布密度图和车辆计数，每个目标连接多个全连接层，其中最后一层两个并列的全连接层不同，其余的全连接层共享；在两个并列全连接层的后面各连接一个损失层。