CN107705560A - 一种融合视觉特征和卷积神经网络的道路拥堵检测方法 - Google Patents
一种融合视觉特征和卷积神经网络的道路拥堵检测方法 Download PDFInfo
- Publication number
- CN107705560A CN107705560A CN201711032264.5A CN201711032264A CN107705560A CN 107705560 A CN107705560 A CN 107705560A CN 201711032264 A CN201711032264 A CN 201711032264A CN 107705560 A CN107705560 A CN 107705560A
- Authority
- CN
- China
- Prior art keywords
- mrow
- traffic
- msub
- image
- msup
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
- G08G1/0125—Traffic data processing
- G08G1/0133—Traffic data processing for classifying traffic situation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/017—Detecting movement of traffic to be counted or controlled identifying vehicles
- G08G1/0175—Detecting movement of traffic to be counted or controlled identifying vehicles by photographing vehicles, e.g. when violating traffic rules
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Multimedia (AREA)
- Data Mining & Analysis (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Chemical & Material Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Analytical Chemistry (AREA)
- Image Analysis (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种融合视觉特征和卷积神经网络的道路拥堵检测方法,包括步骤:1)对输入的影像视频序列进行移动前景检测与背景建模,得到原始影像的背景和初步移动前景;2)将初步移动前景集合输入卷积神经网络,进行移动车辆识别,排除其他非移动车辆的移动前景;3)利用最终移动前景集合计算反映交通状态的图像视觉特征,图像视觉特征包括交通密度、交通速度、交通占有率和交通流量;4)计算图像光流直方图的信息熵;5)利用交通密度、交通速度、交通占有率、交通流量和光流直方图的信息熵,判断交通道路拥堵状态。本发明融合多维度的视觉特征与卷积神经网络,可以更加准确的判断道路的拥堵程度。
Description
技术领域
本发明涉及计算机视觉技术领域,具体涉及一种融合视觉特征和卷积神经网络的道路拥堵检测方法。
背景技术
随着城镇化进程的加速,交通问题不断加剧,造成一定的经济损失,导致城市功能的瘫痪,而且道路拥堵问题造成了交通能耗与环境污染的加剧。因此不少文献致力于智能交通上的研究。道路拥堵问题也成为人们共同关注的焦点。道路拥堵检测是智能交通上的关键步骤。道路拥堵的检测可以及时了解道路交通情况,进行有效的交通信号调度,进一步避免和降低交通事故的产生。
传统的道路拥堵检测,均依赖于对道路的先验知识的收集以及道路参数的估计,例如道路分布网,道路长度,道路数量,交通灯信号循环与实时车辆信息等。不仅如此,这类传统智能交通系统信息的采集均依赖于地感线圈与GPS等硬件设施。而地感线圈的建设需要对路面造成破坏且施工复杂,易损坏,难修复;基于GPS的智慧交通系统又依赖于对车辆对GPS使用,当使用GPS人数较少,则大大会影响交通道路状态的检测精准度。
因此,随着近来影像处理技术的不断发展,且基于视频监控的交通拥堵检测技术由于具有无需对路面造成破坏且能实时反映和采集大量交通信息的优点,基于视频监控的智慧交通逐渐成为热门的研究领域。总的来说,基于监控视频的交通道路拥堵检测技术以上的优势,其具有很强的研究价值和潜在的商业应用。
近来基于视频监控的交通拥堵检测技术大都基于选取合适的视觉特征来进行检测,但是选取的特征都无法全面评估整个道路拥堵状态。再者,这些方法在运动前景检测的精准度也有一定的限制,并未能考虑阴影等其他运动前景。对道路的状态也具有局限性,近来基于视频监控的交通拥堵检测技术可以应用在道路畅通的情况下,但是在交通拥堵或复杂的情况下则效果一般。
发明内容
针对现有技术的不足,本发明提出一种融合视觉特征和卷积神经网络的道路拥堵检测方法,用深度卷积神经网络CNN特征来进一步精确检测运动前景,并且融合多维度的视觉特征,来全面准确地刻画道路拥堵的状态。
为实现上述目的,本发明的技术方案是:
一种融合视觉特征和卷积神经网络的道路拥堵检测方法,包括:
步骤1:对输入的影像视频序列进行移动前景检测与背景建模,得到原始影像的背景和初步移动前景;
步骤2:将初步移动前景集合输入卷积神经网络,进行移动车辆识别,排除其他非移动车辆的移动前景,得到最终移动前景集合;
步骤3:利用最终移动前景集合计算反映交通状态的图像视觉特征,所述图像视觉特征包括交通密度、交通速度、交通占有率和交通流量;
步骤4:计算图像光流直方图的信息熵;
步骤5:利用交通密度、交通速度、交通占有率、交通流量和光流直方图的信息熵,判断交通道路拥堵状态。
进一步地,所述步骤2中,移动车辆识别的方法包括:
步骤21:对输入的初步移动前景进行缩放,使图像满足输入图像的要求,图像I缩放后为图像I';
步骤22:用卷积核执行前馈卷积运算,输出卷积特征图;设第a层神经元的输入为I'(a),K(a+1)为第a层与第a+1层神经元之间的卷积核,则第a+1层神经元的输入即第a层的输出为:
其中,为卷积运算,b(a)为第a层与第a+1层神经元之间的偏置,激励函数f(·)为ReLu激活函数:f(x)=max(0,x),x为该函数自变量;
步骤23:对卷积特征图执行以下采样运算:将第a层采样层的输入I'(a)划分为区域Rk,
k=1,2,...,m,采样过程表述为:
fi为Relu激活函数;
步骤24:执行全连接运算,假设第l层是全连接层,Wl是第l层的全连接权重,则第l层输出为
F=f(Wl·I'(l)+b(l)),
其中,I'(l)是该全连接层的输入,b(l)是该全连接层的偏置;
步骤25:在最后一层SoftMax层中,设置该层神经元个数为3用于分类,按照下式进行前景目标判别:
其中C(I,s)表示图像I属于第Cs类,C1表示车辆,C2表示行人,C3表示其他,Scores为经过SoftMax层计算得出的第s类的得分,取Scores最高的类别作为归属类,以此进行车辆检测。
进一步地,所述步骤3中,图像视觉特征的计算方法如下:
对待检测的大小为M×N的图像I计算灰度共生矩阵Mglcm,i,j表示0~255之间的灰度值,则灰度共生矩阵Mglcm第i行第j列的值Mglcm(i,j)为:
Mglcm(i,j)=#{(x1,y1),(x2,y2)∈M×N|I(x1,y1)=i,I(x2,y2)=j},
其中,#{·}表示集合元素的个数,I(x1,y1)表示图像I在位置(x1,y1)的灰度值,且位置和θ分别表示(x1,y1)与(x2,y2)的偏离步长和方向;当取水平方向时,θ=±(1,0);取垂直方向时,θ=±(0,1);取45°方向时,θ=±(1,-1);取135°方向时,θ=±(1,1);取灰度共生矩阵Mglcm的反差特征值Con作为交通密度,
Con=E(Con')
其中,Ng为图像灰度级,E(·)为数学期望;
计算待检测图像的金字塔Lucas-Kanade光流场,计算光流的期望值v*作为交通速度,
其中,v'm为在金字塔图像上对第m个跟踪角点计算出光流速度,n是光流场中跟踪的角点个数;
对最终移动前景集合,计算交通占有率σ,
其中,dp表示最终移动前景集合的第p个元素即第p个前景块目标,S'(dp)表示该前景的连通区域的最小外接矩面积之和,q表示前景块目标个数,S为图像道路面积;
统计最终移动前景集合中运动目标前景数量,计算交通流量γ,
γ=#{dp|dp∈D}
其中,D为最终移动前景集合,#{·}表示集合元素的个数。
进一步地,所述步骤4具体包括:
步骤41:针对每一个光流点统计其光流速度v'm=(v'm,x,v'm,y),v'm,x,v'm,y分别为水平x轴,垂直y轴的分速度,构建HOF直方图,根据速度夹角判断每个速度v'm所属的分组,其中θ'=tan-1(v'm,y/v'm,x)为v'm的夹角大小,bins为HOF直方图的分组数,1≤b≤bins为归属的第b个分组,统计属于每个分组的量;
步骤42:计算HOF直方图信息熵
其中,pb表示HOF直方图中属于第b个分组的量。
进一步地,所述步骤5具体包括:
步骤51:利用交通密度Con、交通速度v*、交通占有率σ、交通流量γ和光流直方图信息熵Ent计算拥堵系数
其中,wCon、wσ、wγ,wEnt分别为交通密度Con、交通占有率σ、交通流量γ和光流直方图信息熵Ent的权值系数,ε为误差调节因子;
步骤52:利用道路拥堵系数来判断交通道路所处的交通状态,当时,道路拥挤;当时,道路缓行;当时,道路通畅,其中,与分别为预设的最大和最小判别阈值。
与现有技术相比,本发明具有有益效果:本发明通过构建通用效的深度CNN特征提取框架,对非目标感兴趣前景进行筛选,通过刻画道路的交通密度、交通速度、道路占有率及交通流量来检测拥堵状态,同时,利用光流直方图的信息熵来提高检测的准确性和可靠性。本发明融合多维度的视觉特征与深度的卷积神经网络,可以精确地判断道路的拥堵程度。本发明简单,实现灵活,实用性较强。
附图说明
图1是本发明一种融合视觉特征和卷积神经网络的道路拥堵检测方法的流程示意图。
具体实施方式
下面结合附图及实施例对本发明做进一步说明。
如图1所示,一种融合视觉特征和卷积神经网络的道路拥堵检测方法,包括:
步骤1:采用高斯混合模型对输入的影像视频序列进行移动前景检测与背景建模,得到原始影像的背景和初步移动前景;
步骤2:将初步移动前景集合输入卷积神经网络,进行移动车辆识别,排除其他非移动车辆的移动前景,得到最终移动前景集合;
步骤3:利用最终移动前景集合计算反映交通状态的图像视觉特征,所述图像视觉特征包括交通密度、交通速度、交通占有率和交通流量;
步骤4:计算图像光流直方图的信息熵;
步骤5:利用交通密度、交通速度、交通占有率、交通流量和光流直方图的信息熵,判断交通道路拥堵状态。
在本发明一实施例中,步骤2中,移动车辆识别的方法包括:
步骤21:对输入的初步移动前景进行缩放,使图像满足输入图像的要求,图像I缩放后为图像I';
步骤22:用卷积核执行前馈卷积运算,输出卷积特征图;设第a层神经元的输入为I'(a),K(a+1)为第a层与第a+1层神经元之间的卷积核,则第a+1层神经元的输入即第a层的输出为:
其中,为卷积运算,b(a)为第a层与第a+1层神经元之间的偏置,激励函数f(·)为ReLu(Rectified Linear Units)激活函数:f(x)=max(0,x),x为该函数自变量;
步骤23:对卷积特征图执行以下采样运算:将第a层采样层的输入I'(a)划分为区域Rk,
k=1,2,...,m,采样过程表述为:
fi为ReLu激活函数;
步骤24:执行全连接运算,假设第l层是全连接层,Wl是第l层的全连接权重,则第l层输出为
F=f(Wl·I'(l)+b(l)),
其中,I'(l)是该全连接层的输入,b(l)是该全连接层的偏置;
步骤25:在最后一层SoftMax层中,设置该层神经元个数为3用于分类,按照下式进行前景目标判别:
其中C(I,s)表示图像I属于第Cs类,C1表示车辆,C2表示行人,C3表示其他,Scores为经过SoftMax层计算得出的第s类的得分,取Scores最高的类别作为归属类,以此进行车辆检测。
在本发明一实施例中,步骤3中,图像视觉特征的计算方法如下:
对待检测的大小为M×N的图像I计算灰度共生矩阵Mglcm,i,j表示0~255之间的灰度值,则灰度共生矩阵Mglcm第i行第j列的值Mglcm(i,j)为:
Mglcm(i,j)=#{(x1,y1),(x2,y2)∈M×N|I(x1,y1)=i,I(x2,y2)=j},
其中,#{·}表示集合元素的个数,I(x1,y1)表示图像I在位置(x1,y1)的灰度值,且位置和θ分别表示(x1,y1)与(x2,y2)的偏离步长和方向;当取水平方向时,θ=±(1,0);取垂直方向时,θ=±(0,1);取45°方向时,θ=±(1,-1);取135°方向时,θ=±(1,1);取灰度共生矩阵Mglcm的反差特征值Con作为交通密度,
Con=E(Con')
其中,Ng为图像灰度级,E(·)为数学期望;
计算待检测图像的金字塔Lucas-Kanade光流场,计算光流的期望值v*作为交通速度,
其中,v'm为在金字塔图像上对第m个跟踪角点计算出光流速度,n是光流场中跟踪的角点个数;
对最终移动前景集合,计算交通占有率σ,
其中,dp表示最终移动前景集合的第p个元素即第p个前景块目标,S'(dp)表示该前景的连通区域的最小外接矩面积之和,q表示前景块目标个数,S为图像道路面积;
统计最终移动前景集合中运动目标前景数量,计算交通流量γ,
γ=#{dp|dp∈D}
其中,D为最终移动前景集合,#{·}表示集合元素的个数。
在本发明一实施例中,步骤4具体包括:
步骤41:针对每一个光流点统计其光流速度v'm=(v'm,x,v'm,y),v'm,x,v'm,y分别为水平x轴,垂直y轴的分速度,构建HOF直方图,根据速度夹角判断每个速度v'm所属的分组,其中θ'=tan-1(v'm,y/v'm,x)为v'm的夹角大小,bins为HOF直方图的分组数,1≤b≤bins为归属的第b个分组,统计属于每个分组的量;
步骤42:计算HOF直方图信息熵
其中,pb表示HOF直方图中属于第b个分组的量。
在本发明一实施例中,步骤5具体包括:
步骤51:利用交通密度Con、交通速度v*、交通占有率σ、交通流量γ和光流直方图信息熵Ent计算拥堵系数
其中,wCon、wσ、wγ,wEnt分别为交通密度Con、交通占有率σ、交通流量γ和光流直方图信息熵Ent的权值系数,ε为误差调节因子;
步骤52:利用道路拥堵系数来判断交通道路所处的交通状态,当时,道路拥挤;当时,道路缓行;当时,道路通畅,其中,与分别为预设的最大和最小判别阈值。
本发明首先对输入的视频序列进行初步前景检测;其次,为精确检测运动前景目标,通过构建CNN对候选前景目标进行精确检测;再次,基于CNN精确检测,进行基于灰度共生矩阵(GLCM)的前景密度检测,金字塔Lucas-Kanade光流场进行运动目标的速度检测,以及计算出道路占有率特征与交通流量特征;最后,提出的方法融合交通密度,交通速度,道路交通占有率,交通流量以及光流直方图信息熵等多个维度的视觉特征来检测道路拥堵状态,方法简单,判断准确。
以上所述仅为本发明的较佳实施例,凡依本发明申请专利范围所做的均等变化与修饰,皆应属本发明的涵盖范围。
Claims (5)
1.一种融合视觉特征和卷积神经网络的道路拥堵检测方法,其特征在于,包括:
步骤1:对输入的影像视频序列进行移动前景检测与背景建模,得到原始影像的背景和初步移动前景;
步骤2:将初步移动前景集合输入卷积神经网络,进行移动车辆识别,排除其他非移动车辆的移动前景,得到最终移动前景集合;
步骤3:利用最终移动前景集合计算反映交通状态的图像视觉特征,所述图像视觉特征包括交通密度、交通速度、交通占有率和交通流量;
步骤4:计算图像光流直方图的信息熵;
步骤5:利用交通密度、交通速度、交通占有率、交通流量和光流直方图的信息熵,判断交通道路拥堵状态。
2.根据权利要求1所述的一种融合视觉特征和卷积神经网络的道路拥堵检测方法,其特征在于,所述步骤2中,移动车辆识别的方法包括:
步骤21:对输入的初步移动前景进行缩放,使图像满足输入图像的要求,图像I缩放后为图像I';
步骤22:用卷积核执行前馈卷积运算,输出卷积特征图;设第a层神经元的输入为I'(a),K(a+1)为第a层与第a+1层神经元之间的卷积核,则第a+1层神经元的输入即第a层的输出为:
<mrow>
<msup>
<mi>I</mi>
<mrow>
<mo>&prime;</mo>
<mrow>
<mo>(</mo>
<mi>a</mi>
<mo>+</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
</mrow>
</msup>
<mo>=</mo>
<mi>f</mi>
<mrow>
<mo>(</mo>
<msup>
<mi>K</mi>
<mrow>
<mo>(</mo>
<mi>a</mi>
<mo>+</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
</msup>
<mo>&CircleTimes;</mo>
<msup>
<mi>I</mi>
<mrow>
<mo>&prime;</mo>
<mrow>
<mo>(</mo>
<mi>a</mi>
<mo>)</mo>
</mrow>
</mrow>
</msup>
<mo>+</mo>
<msup>
<mi>b</mi>
<mrow>
<mo>(</mo>
<mi>a</mi>
<mo>)</mo>
</mrow>
</msup>
<mo>)</mo>
</mrow>
</mrow>
其中,为卷积运算,b(a)为第a层与第a+1层神经元之间的偏置,激励函数f(·)为ReLu激活函数:f(x)=max(0,x),x为该函数自变量;
步骤23:对卷积特征图执行以下采样运算:将第a层采样层的输入I'(a)划分为区域Rk,k=1,2,...,m,采样过程表述为:
<mrow>
<mi>p</mi>
<mi>o</mi>
<mi>o</mi>
<mi>l</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>R</mi>
<mi>k</mi>
</msub>
<mo>)</mo>
</mrow>
<mo>=</mo>
<munder>
<mrow>
<mi>m</mi>
<mi>a</mi>
<mi>x</mi>
</mrow>
<mrow>
<mi>i</mi>
<mo>&Element;</mo>
<msub>
<mi>R</mi>
<mi>k</mi>
</msub>
</mrow>
</munder>
<msub>
<mi>f</mi>
<mi>i</mi>
</msub>
<mo>,</mo>
</mrow>
fi为ReLu激活函数;
步骤24:执行全连接运算,假设第l层是全连接层,Wl是第l层的全连接权重,则第l层输出为
F=f(Wl·I'(l)+b(l)),
其中,I'(l)是该全连接层的输入,b(l)是该全连接层的偏置;
步骤25:在最后一层SoftMax层中,设置该层神经元个数为3用于分类,按照下式进行前景目标判别:
<mrow>
<mi>C</mi>
<mrow>
<mo>(</mo>
<mi>I</mi>
<mo>,</mo>
<mi>s</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<munder>
<mi>argmax</mi>
<mrow>
<mi>s</mi>
<mo>=</mo>
<mn>1</mn>
<mo>,</mo>
<mn>2</mn>
<mo>,</mo>
<mn>3</mn>
</mrow>
</munder>
<msub>
<mi>Score</mi>
<mi>s</mi>
</msub>
<mo>,</mo>
</mrow>
其中C(I,s)表示图像I属于第Cs类,C1表示车辆,C2表示行人,C3表示其他,Scores为经过SoftMax层计算得出的第s类的得分,取Scores最高的类别作为归属类,以此进行车辆检测。
3.根据权利要求1所述的一种融合视觉特征和卷积神经网络的道路拥堵检测方法,其特征在于,所述步骤3中,图像视觉特征的计算方法如下:
对待检测的大小为M×N的图像I计算灰度共生矩阵Mglcm,i,j表示0~255之间的灰度值,则灰度共生矩阵Mglcm第i行第j列的值Mglcm(i,j)为:
Mglcm(i,j)=#{(x1,y1),(x2,y2)∈M×N|I(x1,y1)=i,I(x2,y2)=j},
其中,#{·}表示集合元素的个数,I(x1,y1)表示图像I在位置(x1,y1)的灰度值,且位置 和θ分别表示(x1,y1)与(x2,y2)的偏离步长和方向;当取水平方向时,θ=±(1,0);取垂直方向时,θ=±(0,1);取45°方向时,θ=±(1,-1);取135°方向时,θ=±(1,1);取灰度共生矩阵Mglcm的反差特征值Con作为交通密度,
Con=E(Con')
<mrow>
<msup>
<mi>Con</mi>
<mo>&prime;</mo>
</msup>
<mo>=</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<msub>
<mi>N</mi>
<mi>g</mi>
</msub>
</munderover>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>j</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<msub>
<mi>N</mi>
<mi>g</mi>
</msub>
</munderover>
<msup>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>-</mo>
<mi>j</mi>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
<msub>
<mi>M</mi>
<mrow>
<mi>g</mi>
<mi>l</mi>
<mi>c</mi>
<mi>m</mi>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>,</mo>
<mi>j</mi>
<mo>)</mo>
</mrow>
</mrow>
其中,Ng为图像灰度级,E(·)为数学期望;
计算待检测图像的金字塔Lucas-Kanade光流场,计算光流的期望值v*作为交通速度,
<mrow>
<msup>
<mi>v</mi>
<mo>*</mo>
</msup>
<mo>=</mo>
<mi>E</mi>
<mrow>
<mo>(</mo>
<msubsup>
<mi>v</mi>
<mi>m</mi>
<mo>&prime;</mo>
</msubsup>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfrac>
<mn>1</mn>
<mi>n</mi>
</mfrac>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>m</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>n</mi>
</munderover>
<msubsup>
<mi>v</mi>
<mi>m</mi>
<mo>&prime;</mo>
</msubsup>
<mo>,</mo>
</mrow>
其中,v'm为在金字塔图像上对第m个跟踪角点计算出光流速度,n是光流场中跟踪的角点个数;
对最终移动前景集合,计算交通占有率σ,
<mrow>
<mi>&sigma;</mi>
<mo>=</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>p</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>q</mi>
</munderover>
<msup>
<mi>S</mi>
<mo>&prime;</mo>
</msup>
<mrow>
<mo>(</mo>
<msub>
<mi>d</mi>
<mi>p</mi>
</msub>
<mo>)</mo>
</mrow>
<mo>/</mo>
<mi>S</mi>
</mrow>
其中,dp表示最终移动前景集合的第p个元素即第p个前景块目标,S'(dp)表示该前景的连通区域的最小外接矩面积之和,q表示前景块目标个数,S为图像道路面积;
统计最终移动前景集合中运动目标前景数量,计算交通流量γ,
γ=#{dp|dp∈D}
其中,D为最终移动前景集合,#{·}表示集合元素的个数。
4.根据权利要求1所述的一种融合视觉特征和卷积神经网络的道路拥堵检测方法,其特征在于,所述步骤4具体包括:
步骤41:针对每一个光流点统计其光流速度v'm=(v'm,x,v'm,y),v'm,x,v'm,y分别为水平x轴,垂直y轴的分速度,构建HOF直方图,根据速度夹角判断每个速度v'm所属的分组,其中θ'=tan-1(v'm,y/v'm,x)为v'm的夹角大小,bins为HOF直方图的分组数,1≤b≤bins为归属的第b个分组,统计属于每个分组的量;
步骤42:计算HOF直方图信息熵
<mrow>
<mi>E</mi>
<mi>n</mi>
<mi>t</mi>
<mo>=</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>b</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mrow>
<mi>b</mi>
<mi>i</mi>
<mi>n</mi>
<mi>s</mi>
</mrow>
</munderover>
<mo>-</mo>
<msub>
<mi>p</mi>
<mi>b</mi>
</msub>
<mi>l</mi>
<mi>o</mi>
<mi>g</mi>
<mi> </mi>
<msub>
<mi>p</mi>
<mi>b</mi>
</msub>
</mrow>
其中,pb表示HOF直方图中属于第b个分组的量。
5.根据权利要求1所述的一种融合视觉特征和卷积神经网络的道路拥堵检测方法,其特征在于,所述步骤5具体包括:
步骤51:利用交通密度Con、交通速度v*、交通占有率σ、交通流量γ和光流直方图信息熵Ent计算拥堵系数
其中,wCon、wσ、wγ,wEnt分别为交通密度Con、交通占有率σ、交通流量γ和光流直方图信息熵Ent的权值系数,ε为误差调节因子;
步骤52:利用道路拥堵系数来判断交通道路所处的交通状态,当时,道路拥挤;当时,道路缓行;当时,道路通畅,其中,与分别为预设的最大和最小判别阈值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711032264.5A CN107705560B (zh) | 2017-10-30 | 2017-10-30 | 一种融合视觉特征和卷积神经网络的道路拥堵检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711032264.5A CN107705560B (zh) | 2017-10-30 | 2017-10-30 | 一种融合视觉特征和卷积神经网络的道路拥堵检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107705560A true CN107705560A (zh) | 2018-02-16 |
CN107705560B CN107705560B (zh) | 2020-10-02 |
Family
ID=61176736
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711032264.5A Active CN107705560B (zh) | 2017-10-30 | 2017-10-30 | 一种融合视觉特征和卷积神经网络的道路拥堵检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107705560B (zh) |
Cited By (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108320510A (zh) * | 2018-04-03 | 2018-07-24 | 深圳市智绘科技有限公司 | 一种基于无人机航拍视频交通信息统计方法及系统 |
CN108520203A (zh) * | 2018-03-15 | 2018-09-11 | 上海交通大学 | 基于融合自适应多外围框与十字池化特征的多目标特征提取方法 |
CN108550259A (zh) * | 2018-04-19 | 2018-09-18 | 何澜 | 道路拥堵判断方法、终端设备及计算机可读存储介质 |
CN108629976A (zh) * | 2018-05-17 | 2018-10-09 | 同济大学 | 基于gps的城市交通拥堵预测深度学习方法 |
CN108710828A (zh) * | 2018-04-18 | 2018-10-26 | 北京汽车集团有限公司 | 识别目标物的方法、装置和存储介质以及车辆 |
CN108734959A (zh) * | 2018-04-28 | 2018-11-02 | 扬州远铭光电有限公司 | 一种嵌入式视觉车流分析方法及系统 |
CN109063749A (zh) * | 2018-07-17 | 2018-12-21 | 山东科技大学 | 一种基于角点辐射域的鲁棒卷积核数量适配方法 |
CN109147331A (zh) * | 2018-10-11 | 2019-01-04 | 青岛大学 | 一种基于计算机视觉的道路拥堵状态检测方法 |
CN110057377A (zh) * | 2019-05-28 | 2019-07-26 | 深圳市子瑜杰恩科技有限公司 | 路径导航方法及相关产品 |
CN110084112A (zh) * | 2019-03-20 | 2019-08-02 | 太原理工大学 | 一种基于图像处理的交通拥堵判断方法 |
CN110782485A (zh) * | 2019-10-31 | 2020-02-11 | 广东泓胜科技股份有限公司 | 一种车辆变道检测方法及装置 |
CN111179608A (zh) * | 2019-12-25 | 2020-05-19 | 广州方纬智慧大脑研究开发有限公司 | 一种路口溢出检测方法、系统及存储介质 |
CN112614338A (zh) * | 2020-12-04 | 2021-04-06 | 程东 | 一种基于大数据的交通拥堵预测控制系统 |
CN112818935A (zh) * | 2021-03-02 | 2021-05-18 | 南京邮电大学 | 基于深度学习的多车道拥堵检测及持续时间预测方法及系统 |
CN112966639A (zh) * | 2021-03-22 | 2021-06-15 | 新疆爱华盈通信息技术有限公司 | 车辆检测方法、装置、电子设备及存储介质 |
CN113343905A (zh) * | 2021-06-28 | 2021-09-03 | 山东理工大学 | 道路异常智能识别模型训练、道路异常识别的方法及系统 |
CN113570858A (zh) * | 2021-07-22 | 2021-10-29 | 吉林大学 | 一种无人机辅助车辆识别交通拥堵情况的系统及方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2278573A1 (en) * | 2006-03-03 | 2011-01-26 | Inrix, Inc. | Assessing road traffic conditions using data from multiple sources |
CN106557814A (zh) * | 2016-11-15 | 2017-04-05 | 成都通甲优博科技有限责任公司 | 一种道路车辆密度评估方法及装置 |
CN106952220A (zh) * | 2017-03-14 | 2017-07-14 | 长沙全度影像科技有限公司 | 一种基于深度学习的全景图像融合方法 |
-
2017
- 2017-10-30 CN CN201711032264.5A patent/CN107705560B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2278573A1 (en) * | 2006-03-03 | 2011-01-26 | Inrix, Inc. | Assessing road traffic conditions using data from multiple sources |
CN106557814A (zh) * | 2016-11-15 | 2017-04-05 | 成都通甲优博科技有限责任公司 | 一种道路车辆密度评估方法及装置 |
CN106952220A (zh) * | 2017-03-14 | 2017-07-14 | 长沙全度影像科技有限公司 | 一种基于深度学习的全景图像融合方法 |
Non-Patent Citations (2)
Title |
---|
柯逍,等: "《融合深度特征和语义邻域的自动图像标注》", 《模式识别与人工智能》 * |
顾九春,等: "《基于多属性决策的城市道路交通拥挤识别》", 《控制工程》 * |
Cited By (26)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108520203A (zh) * | 2018-03-15 | 2018-09-11 | 上海交通大学 | 基于融合自适应多外围框与十字池化特征的多目标特征提取方法 |
CN108520203B (zh) * | 2018-03-15 | 2021-08-20 | 上海交通大学 | 基于融合自适应多外围框与十字池化特征的多目标特征提取方法 |
CN108320510A (zh) * | 2018-04-03 | 2018-07-24 | 深圳市智绘科技有限公司 | 一种基于无人机航拍视频交通信息统计方法及系统 |
CN108320510B (zh) * | 2018-04-03 | 2020-12-04 | 深圳市智绘科技有限公司 | 一种基于无人机航拍视频交通信息统计方法及系统 |
CN108710828A (zh) * | 2018-04-18 | 2018-10-26 | 北京汽车集团有限公司 | 识别目标物的方法、装置和存储介质以及车辆 |
CN108550259B (zh) * | 2018-04-19 | 2020-05-12 | 何澜 | 道路拥堵判断方法、终端设备及计算机可读存储介质 |
CN108550259A (zh) * | 2018-04-19 | 2018-09-18 | 何澜 | 道路拥堵判断方法、终端设备及计算机可读存储介质 |
CN108734959A (zh) * | 2018-04-28 | 2018-11-02 | 扬州远铭光电有限公司 | 一种嵌入式视觉车流分析方法及系统 |
CN108629976A (zh) * | 2018-05-17 | 2018-10-09 | 同济大学 | 基于gps的城市交通拥堵预测深度学习方法 |
CN109063749A (zh) * | 2018-07-17 | 2018-12-21 | 山东科技大学 | 一种基于角点辐射域的鲁棒卷积核数量适配方法 |
CN109063749B (zh) * | 2018-07-17 | 2021-06-18 | 山东科技大学 | 一种基于角点辐射域的鲁棒卷积核数量适配方法 |
CN109147331B (zh) * | 2018-10-11 | 2021-07-27 | 青岛大学 | 一种基于计算机视觉的道路拥堵状态检测方法 |
CN109147331A (zh) * | 2018-10-11 | 2019-01-04 | 青岛大学 | 一种基于计算机视觉的道路拥堵状态检测方法 |
CN110084112B (zh) * | 2019-03-20 | 2022-09-20 | 太原理工大学 | 一种基于图像处理的交通拥堵判断方法 |
CN110084112A (zh) * | 2019-03-20 | 2019-08-02 | 太原理工大学 | 一种基于图像处理的交通拥堵判断方法 |
CN110057377A (zh) * | 2019-05-28 | 2019-07-26 | 深圳市子瑜杰恩科技有限公司 | 路径导航方法及相关产品 |
CN110782485A (zh) * | 2019-10-31 | 2020-02-11 | 广东泓胜科技股份有限公司 | 一种车辆变道检测方法及装置 |
CN111179608A (zh) * | 2019-12-25 | 2020-05-19 | 广州方纬智慧大脑研究开发有限公司 | 一种路口溢出检测方法、系统及存储介质 |
CN112614338A (zh) * | 2020-12-04 | 2021-04-06 | 程东 | 一种基于大数据的交通拥堵预测控制系统 |
CN112818935A (zh) * | 2021-03-02 | 2021-05-18 | 南京邮电大学 | 基于深度学习的多车道拥堵检测及持续时间预测方法及系统 |
CN112818935B (zh) * | 2021-03-02 | 2022-08-12 | 南京邮电大学 | 基于深度学习的多车道拥堵检测及持续时间预测方法及系统 |
CN112966639A (zh) * | 2021-03-22 | 2021-06-15 | 新疆爱华盈通信息技术有限公司 | 车辆检测方法、装置、电子设备及存储介质 |
CN112966639B (zh) * | 2021-03-22 | 2024-04-26 | 新疆爱华盈通信息技术有限公司 | 车辆检测方法、装置、电子设备及存储介质 |
CN113343905A (zh) * | 2021-06-28 | 2021-09-03 | 山东理工大学 | 道路异常智能识别模型训练、道路异常识别的方法及系统 |
CN113343905B (zh) * | 2021-06-28 | 2022-06-14 | 山东理工大学 | 道路异常智能识别模型训练、道路异常识别的方法及系统 |
CN113570858A (zh) * | 2021-07-22 | 2021-10-29 | 吉林大学 | 一种无人机辅助车辆识别交通拥堵情况的系统及方法 |
Also Published As
Publication number | Publication date |
---|---|
CN107705560B (zh) | 2020-10-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107705560A (zh) | 一种融合视觉特征和卷积神经网络的道路拥堵检测方法 | |
Ke et al. | Multi-dimensional traffic congestion detection based on fusion of visual features and convolutional neural network | |
CN109147331B (zh) | 一种基于计算机视觉的道路拥堵状态检测方法 | |
Ni et al. | An improved deep network-based scene classification method for self-driving cars | |
Zhang et al. | A traffic surveillance system for obtaining comprehensive information of the passing vehicles based on instance segmentation | |
Nie et al. | Pavement Crack Detection based on yolo v3 | |
CN107967451A (zh) | 一种利用多尺度多任务卷积神经网络对静止图像进行人群计数的方法 | |
CN110135296A (zh) | 基于卷积神经网络的机场跑道fod检测方法 | |
WO2021238019A1 (zh) | 基于Ghost卷积特征融合神经网络实时车流量检测系统及方法 | |
CN107985189A (zh) | 面向高速驾驶环境下的驾驶员变道深度预警方法 | |
Zhang et al. | A vehicle speed estimation algorithm based on dynamic time warping approach | |
CN109086803A (zh) | 一种基于深度学习与个性化因子的雾霾能见度检测系统及方法 | |
CN113450573A (zh) | 基于无人机图像识别的交通监测方法和交通监测系统 | |
CN114566052B (zh) | 一种基于车流方向判别高速公路车流监控设备转动的方法 | |
CN106710228A (zh) | 一种客货分道交通参数监测系统的实现方法 | |
Li et al. | Vehicle classification and speed estimation based on a single magnetic sensor | |
CN105761507A (zh) | 一种基于三维轨迹聚类的车辆计数方法 | |
Jiang et al. | Remote sensing object detection based on convolution and Swin transformer | |
CN104331708B (zh) | 一种人行横道线自动检测分析方法及系统 | |
Khosravi et al. | Vehicle speed and dimensions estimation using on-road cameras by identifying popular vehicles | |
CN114820931B (zh) | 基于虚拟现实的智慧城市cim可视化实时成像方法 | |
Dagvasumberel et al. | Railroad near-miss occurrence detection and risk estimation system with data from camera using deep learning | |
CN115205234A (zh) | 基于深度学习的砂石粒度分布曲线检测方法 | |
CN114742975A (zh) | 一种车载图像铁轨曲线建模方法 | |
Ge et al. | Theory and method of data collection for mixed traffic flow based on image processing technology |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |