CN109191839A - 基于深度学习的车辆分类与计数方法 - Google Patents

基于深度学习的车辆分类与计数方法 Download PDF

Info

Publication number
CN109191839A
CN109191839A CN201811068353.XA CN201811068353A CN109191839A CN 109191839 A CN109191839 A CN 109191839A CN 201811068353 A CN201811068353 A CN 201811068353A CN 109191839 A CN109191839 A CN 109191839A
Authority
CN
China
Prior art keywords
vehicle
point
frame
detector
virtual coil
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.)
Pending
Application number
CN201811068353.XA
Other languages
English (en)
Inventor
陈立里
谢云
张正道
彭力
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Jiangnan University
Original Assignee
Jiangnan University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Jiangnan University filed Critical Jiangnan University
Priority to CN201811068353.XA priority Critical patent/CN109191839A/zh
Publication of CN109191839A publication Critical patent/CN109191839A/zh
Pending legal-status Critical Current

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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/40—Scenes; Scene-specific elements in video content
    • G06V20/41—Higher-level, semantic clustering, classification or understanding of video scenes, e.g. detection, labelling or Markovian modelling of sport events or news items
    • 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
    • G08G1/015—Detecting movement of traffic to be counted or controlled with provision for distinguishing between two or more types of vehicles, e.g. between motor-cars and cycles
    • 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
    • G08G1/052—Detecting movement of traffic to be counted or controlled with provision for determining speed or overspeed
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/065—Traffic control systems for road vehicles by counting the vehicles in a section of the road or in a parking area, i.e. comparing incoming count with outgoing count

Landscapes

  • Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Computational Linguistics (AREA)
  • Software Systems (AREA)
  • Multimedia (AREA)
  • Image Analysis (AREA)

Abstract

本发明涉及一种基于深度学习的车辆分类与计数方法，包括：用Single Shot MultiBox Detector训练一个车辆检测模型；设置一个虚拟线圈，只记录该区域内的用Single Shot MultiBox Detector训练的训练一个车辆检测模型检测出来的车辆中心点；看车辆是否经过虚拟线圈，只有当车辆经过虚拟线圈检测器时，才进行下一步；如果是第一帧，记录下在虚拟检测器里用Single Shot MultiBox Detector检测出来的所有的车辆的中心点；如果不是第一帧，则和上一帧标记的中心点依次进行比对，如果距离小于一定阈值，则更新该点，否则新建一个点并记录。上述基于深度学习的车辆分类与计数方法，实现了基于深度学习的实时车辆分类与计数；在实现车辆计数的同时，可对车辆进行分类。并且达到实时检测速度。

Description

基于深度学习的车辆分类与计数方法
技术领域
本发明涉及车辆分类与计数方法，特别是涉及基于深度学习的车辆分类与计数方法。
背景技术
近年来，随着交通车辆数量高速增长，交通监管面临巨大挑战。随着智能城市智能交通系统(ITS)的推广，其应用的核心技术得到了迅速的发展。车辆目标检测，作为构建交通状况视频监控的一项关键技术，一直是其重要的组成部分。车流量检测的大致的可以归于三类：第一类是在地下埋感应线圈，当车辆经过感应线圈区域时，由感应线圈装置受到压力发出脉冲信号，从而判断是否有车辆。常用的方法有环形线圈检测法、地磁检测法、电磁检测法等。这类方法较在安装和维修时需要破坏地面，且费用较高，同时也给车辆的出行造成了不便。第二类是悬挂式检测方法，当车辆驶入检测范围时，检测器发出的微波、超声波或红外线，以此来判断是否有车辆。这类检测方法易于安装，对路面不会造成破坏，但当两辆车并排进入检测范围时，只能计数一辆车，检测精度受到了影响，检测范围较小。这类检测方法易于安装，对路面不会造成破坏，但当两辆车并排进入检测范围时，只能计数一辆车，检测精度受到了影响，检测范围较小。第三类为通过摄像机拍摄交通视频，利用计算机视觉技术以及图像处理技术对视频进行处理。相对于前两类传统方法，视频检测方法具有明显的优势：安装和维护装置方便，能对整个路面的路况进行拍摄，检测到的范围比较广，获取到的交通信息比较全面。基于视觉的车辆检测是目前最流行的方法。传统的基于视觉的车辆检测方法通常是手动提取特征，费时费力，泛化能力差，易受环境变化和遮挡的影响。随着深度学习理论和实践的迅速发展，基于机器学习的目标检测与分类进入了一个新的阶段。不同于传统的特征提取算法，卷积神经网络具有一定的不变性的几何变换、变形和光照，可以克服改变车辆外观的困难，可以解决遮挡问题，能够自适应的训练数据驱动下构建的特征描述，具有更大的灵活性和综合能力。
虽然基于深度学习的目标检测具有一些优点，但是其速度通常不是很快。近年来，如SSD，yolo2和其他快速目标检测网络，在保持高速度的同时实现高精度，在泰坦X下的速度可达每秒几十帧，但实际上，我们很少使用高端显卡，一方面成本太高，另一方面空间太大。在主流计算机中实现其实时性是主要问题。
传统的基于视觉的车辆检测方法通常是手动提取特征，费时费力，泛化能力差，易受环境变化和遮挡的影响。不同于传统的特征提取算法，卷积神经网络具有一定的不变性的几何变换、变形和光照，可以克服改变车辆外观的困难，可以解决遮挡问题，能够自适应的训练数据驱动下构建的特征描述，具有更大的灵活性和综合能力。
现有技术
传统的车辆计数方法使用的是背景相减法,将视频中的每一帧和背景进行对比，并分离出和背景有差异的对象。通常会设置一个虚拟线圈来对车辆进行计数，根据虚拟线圈内像素的变化来对车辆计数。然而单纯的背景相减法，虽然速度快，但在精度上有所欠缺。考虑到实时性，目前大多数的传统技术都只实现了对车辆的计数。然而随着智能城市智能交通系统(ITS)的发展，车辆分类的信息也成为了不可欠缺的一部分。
发明内容
基于此，有必要针对上述技术问题，提供一种基于深度学习的车辆分类与计数方法，传统的虚拟检测器与Single Shot MultiBox Detector结合，使其在能达到实时检测的情况下，达到了高精度。
一种基于深度学习的车辆分类与计数方法，包括：
用Single Shot MultiBox Detector训练一个车辆检测模型；
设置一个虚拟线圈，只记录该区域内的用Single Shot MultiBox Detector训练的训练一个车辆检测模型检测出来的车辆中心点；
看车辆是否经过虚拟线圈，只有当车辆经过虚拟线圈检测器时，才进行下一步；
如果是第一帧，记录下在虚拟检测器里用Single Shot MultiBox Detector检测出来的所有的车辆的中心点；
如果不是第一帧，则和上一帧标记的中心点依次进行比对，如果距离小于一定阈值，则更新该点，否则新建一个点并记录；
当一个中心点连续消失超过n帧时并且在虚拟线圈内存在超过n帧，消去该点，对应类别计数+1，总计数+1；
若中心点连续消失超过n帧但在虚拟线圈内存在不超过n帧，则认为是误识别的点，消去该点不计数。
上述基于深度学习的车辆分类与计数方法，实现了基于深度学习的实时车辆分类与计数；在实现车辆计数的同时，可对车辆进行分类。并且达到实时检测速度。
一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现任一项所述方法的步骤。
一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现任一项所述方法的步骤。
一种处理器，所述处理器用于运行程序，其中，所述程序运行时执行任一项所述的方法。
附图说明
图1为本申请实施例提供的一种基于深度学习的车辆分类与计数方法的流程图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
一般基于视觉的车辆检测方法都使用了虚拟线圈检测器，即在图像中框出一块区域，当车辆经过该区域时，才开始计数。近年来，使用了多个虚拟检测器来提高精度。类似地，我们也使用虚拟检测器来统计车辆，得益于深度学习的高效性，本文仅使用单个虚拟检测器。传统方法是根据像素点在虚拟线圈检测器内的状况来识别车辆，和那些方法不同，我们使用车辆的中心点在虚拟检测器内的状况来识别车辆。
参阅图1，本发明的流程如下：
用Single Shot MultiBox Detector训练一个车辆检测模型
设计一个系统，流程如下：
1)首先看车辆是否经过虚拟线圈，只有当车辆经过虚拟线圈检测器时，才进行下一步；
2)如果是第一帧，记录下在虚拟检测器里用Single Shot MultiBox Detector检测出来的所有的车辆的中心点。
3)如果不是第一帧，则和上一帧标记的中心点依次进行比对，如果距离小于一定阈值，则更新该点，否则新建一个点并记录。
4)当一个中心点连续消失超过n帧时并且在虚拟线圈内存在超过n帧，消去该点，对应类别计数+1，总计数+1。若中心点连续消失超过n帧但在虚拟线圈内存在不超过n帧，则认为是误识别的点，消去该点不计数。
以上所述实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。

Claims (4)

1.一种基于深度学习的车辆分类与计数方法，其特征在于，包括：
用Single ShotMultiBox Detector训练一个车辆检测模型；
设置一个虚拟线圈，只记录该区域内的用Single Shot MultiBox Detector训练的训练一个车辆检测模型检测出来的车辆中心点；
看车辆是否经过虚拟线圈，只有当车辆经过虚拟线圈检测器时，才进行下一步；
如果是第一帧，记录下在虚拟检测器里用Single Shot MultiBox Detector检测出来的所有的车辆的中心点；
如果不是第一帧，则和上一帧标记的中心点依次进行比对，如果距离小于一定阈值，则更新该点，否则新建一个点并记录；
当一个中心点连续消失超过n帧时并且在虚拟线圈内存在超过n帧，消去该点，对应类别计数+1，总计数+1；
若中心点连续消失超过n帧但在虚拟线圈内存在不超过n帧，则认为是误识别的点，消去该点不计数。
2.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现权利要求1所述方法的步骤。
3.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现权利要求1所述方法的步骤。
4.一种处理器，其特征在于，所述处理器用于运行程序，其中，所述程序运行时执行权利要求1所述的方法。
CN201811068353.XA 2018-09-13 2018-09-13 基于深度学习的车辆分类与计数方法 Pending CN109191839A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811068353.XA CN109191839A (zh) 2018-09-13 2018-09-13 基于深度学习的车辆分类与计数方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811068353.XA CN109191839A (zh) 2018-09-13 2018-09-13 基于深度学习的车辆分类与计数方法

Publications (1)

Publication Number Publication Date
CN109191839A true CN109191839A (zh) 2019-01-11

Family

ID=64910717

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811068353.XA Pending CN109191839A (zh) 2018-09-13 2018-09-13 基于深度学习的车辆分类与计数方法

Country Status (1)

Country Link
CN (1) CN109191839A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110390822A (zh) * 2019-05-31 2019-10-29 东南大学 基于fbg传感器及卷积神经网络的桥梁车流量统计方法

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103177586A (zh) * 2013-03-05 2013-06-26 天津工业大学 一种基于机器视觉的城市交叉路口多车道车流量检测方法
CN103714703A (zh) * 2013-12-17 2014-04-09 重庆凯泽科技有限公司 一种基于视频图像处理的车流检测算法
KR101530636B1 (ko) * 2014-11-11 2015-06-23 한국건설기술연구원 단위구간 안의 차량의 수를 계수하여 교통밀도를 산출하는 장치 및 방법
CN104809437A (zh) * 2015-04-28 2015-07-29 无锡赛睿科技有限公司 一种基于实时视频的车辆检测与跟踪方法
CN105931267A (zh) * 2016-04-15 2016-09-07 华南理工大学 一种基于改进ViBe算法的运动物体检测跟踪方法
CN107145816A (zh) * 2017-02-24 2017-09-08 北京悉见科技有限公司 对象识别跟踪方法及装置
CN107292297A (zh) * 2017-08-09 2017-10-24 电子科技大学 一种基于深度学习和重叠率跟踪的视频车流量检测方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103177586A (zh) * 2013-03-05 2013-06-26 天津工业大学 一种基于机器视觉的城市交叉路口多车道车流量检测方法
CN103714703A (zh) * 2013-12-17 2014-04-09 重庆凯泽科技有限公司 一种基于视频图像处理的车流检测算法
KR101530636B1 (ko) * 2014-11-11 2015-06-23 한국건설기술연구원 단위구간 안의 차량의 수를 계수하여 교통밀도를 산출하는 장치 및 방법
CN104809437A (zh) * 2015-04-28 2015-07-29 无锡赛睿科技有限公司 一种基于实时视频的车辆检测与跟踪方法
CN105931267A (zh) * 2016-04-15 2016-09-07 华南理工大学 一种基于改进ViBe算法的运动物体检测跟踪方法
CN107145816A (zh) * 2017-02-24 2017-09-08 北京悉见科技有限公司 对象识别跟踪方法及装置
CN107292297A (zh) * 2017-08-09 2017-10-24 电子科技大学 一种基于深度学习和重叠率跟踪的视频车流量检测方法

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110390822A (zh) * 2019-05-31 2019-10-29 东南大学 基于fbg传感器及卷积神经网络的桥梁车流量统计方法

Similar Documents

Publication Publication Date Title
CN103116987B (zh) 一种基于监控视频处理的车流统计和违规检测的方法
US11288820B2 (en) System and method for transforming video data into directional object count
CN103246896B (zh) 一种鲁棒性车辆实时检测与跟踪方法
CN103295403B (zh) 一种交通流视觉检测方法
CN105426864A (zh) 一种基于等距边缘点匹配的多车道线检测方法
CN105139425A (zh) 一种人数统计方法及装置
CN103824070A (zh) 一种基于计算机视觉的快速行人检测方法
CN103383733A (zh) 一种基于半机器学习的车道视频检测方法
CN103050008B (zh) 夜间复杂交通视频中车辆检测方法
CN107563310A (zh) 一种违章变道检测方法
CN104978567A (zh) 基于场景分类的车辆检测方法
CN105654508A (zh) 基于自适应背景分割的监控视频移动目标跟踪方法及系统
CN111881749B (zh) 基于rgb-d多模态数据的双向人流量统计方法
Tsintotas et al. DOSeqSLAM: Dynamic on-line sequence based loop closure detection algorithm for SLAM
CN106910204A (zh) 一种对海面船只自动跟踪识别的方法和系统
Chen et al. [Retracted] Research on the Detection and Tracking Algorithm of Moving Object in Image Based on Computer Vision Technology
CN104809742A (zh) 一种复杂场景下的物品安全检测方法
CN108257152B (zh) 一种基于视频的道路入侵检测方法及系统
CN103577832A (zh) 一种基于时空上下文的人流量统计方法
Li et al. Intelligent transportation video tracking technology based on computer and image processing technology
CN109191839A (zh) 基于深度学习的车辆分类与计数方法
CN208271388U (zh) 一种基于视频监控的交通量采集系统
Shafie et al. Smart video surveillance system for vehicle detection and traffic flow control
CN102789645A (zh) 一种用于周界防范的多目标快速跟踪方法
CN110889347A (zh) 基于时空计数特征的密度交通流计数方法及系统

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
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20190111