CN110516615A - 基于卷积神经网络的人车分流控制方法 - Google Patents

Abstract

本发明公开基于卷积神经网络的人车分流控制方法，先利用训练集和测试集对后台控制计算机中的卷积神经网络进行训练和测试，得到目标识别模型，在利用目标识别模型对实时采集的图像进行目标检测，以完成人车分流控制。本发明具有精确度高、检测速度快、智能化程度高、实用性强和适用范围广的特点。

Description

基于卷积神经网络的人车分流控制方法

技术领域

本发明涉及卷积神经网络技术领域，具体涉及一种基于卷积神经网络的人车分流控制方法。

背景技术

在人流和车流密集的场所，往往需要进行人车分流来保证行人的安全。现有的人车分流方式多采用人工看守指挥方式，来使得人行通道仅供行人通过，而不能让车辆通过，同时使得车行通道仅供车辆通过，而不能让行人通过，从而保证了行人和车辆的安全。然而这种方式需要门卫24小时轮流值守，费时费力。

发明内容

本发明所要解决的是现有人车分流方法智能化程度不高的问题，提供一种基于卷积神经网络的人车分流控制方法。

为解决上述问题，本发明是通过以下技术方案实现的：

基于卷积神经网络的人车分流控制方法，具体包括如下步骤：

步骤1、将公开的行人图像和已知车辆图像形成图像集合，并将图像集合分成训练数据集和测试数据集；

步骤2、将训练数据集的图像送入后台控制计算机的卷积神经网络中，在卷积神经网络中，训练数据集的图像先经过前向传播，计算损失熵的大小，再通过随机梯度下降不断更新参数，后经过反向传播，使得损失熵不断减小寻找到最优参数，当迭代到设定好的次数或者准确率达到一定要求后停止训练，保存训练好的参数，由此得到训练好的卷积神经网络模型；

步骤3、将测试数据集的图像送入后台控制计算机训练好的卷积神经网络中，在训练好的卷积神经网络中，测试数据集的图像先经过前向传播，计算损失熵的大小，再通过随机梯度下降不断更新参数，后经过反向传播，使得损失熵不断减小寻找到最优参数，以测试训练好的卷积神经网络模型的准确率，由此得到测试好的卷积神经网络模型；

步骤4、将测试好的卷积神经网络模型作为最终的目标识别模型存储在后台控制计算机中；

步骤5、人行摄像头采集人行通道出入口处的实时人行通道图像，并将实时人行通道图像送入到后台控制计算机中；后台控制计算机将实时人行通道图像送入到最终的目标识别模型中，以识别出人行通道图像中所存在的是行人和/或车辆；

步骤6、仅有实时人行通道图像的最终识别出的目标全部是行人时，后台控制计算机才发出控制信号至人行电控闸门，此时人行电控闸门开启；否则，后台控制计算机不发出控制信号至人行电控闸门，此时人行电控闸门保持关闭状态；

步骤7、车行摄像头采集车行通道出入口处的实时车行通道图像，并将实时车行通道图像送入到后台控制计算机中；后台控制计算机将实时车行通道图像送入到最终的目标识别模型中，以识别出人行通道图像中所存在的是行人和/或车辆；

步骤8、仅有实时车行通道图像的最终识别出的目标全部是车辆时，后台控制计算机才发出控制信号至车行电控闸门，此时车行电控闸门开启；否则，后台控制计算机不发出控制信号至车行电控闸门，此时车行电控闸门保持关闭状态。

上述方案中，卷积神经网络为使用slice卷积层的YOLO卷积神经网络。

与现有技术相比，本发明具有如下特点：

1、后台控制计算机利用深度学习算法对实时采集图像进行行人和车辆的目标检测，其具有精确度高和检测速度快的特点；

2、卷积神经网络中使用slice卷积模块替代YOLO中的每一层1x1或3x3单层卷积，识别效果更佳；

3、后台控制计算机根据所检测出的目标发送指令控制下位机的电控闸门，以实现人车分流控制，下位机硬件性能要求较低；

4、本发明具有智能化程度高、检测准确和速度快、实用性强和适用范围广的特点。

附图说明

图1为一种基于卷积神经网络的人车分流控制方法的流程图。

图2为现有卷积神经网络中卷积层的结构示意图。

图3为本发明卷积神经网络中卷积层的结构示意图。

图4为一种基于卷积神经网络的人车分流控制系统结构图。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚明白，以下结合具体实例，对本发明进一步详细说明。

一种基于卷积神经网络的人车分流控制方法，如图1所示，具体包括如下步骤：

(1)在后台控制计算机中建立目标识别模型。

1.1)构建卷积神经网络

在卷积神经网络中，卷积层是由多个特征图组成，每一个特征图是由多个神经元组成，而每一个神经元通过卷积核与上一层的特征图进行卷积运算得出。卷积核为一个权值矩阵，涵盖网络需要学习的内容，它包括权值和偏置。此处的卷积运算不同于信号处理中一维的卷积运算，而是二维平面上两个二维数据对应位置上的数据相乘后的总和而成。其计算公式为：

式中，f(.)代表激活函数，表示下层输出，表示上层的输出，k代表该层卷积核的权值，b代表该层卷积核的偏置。

在卷积神经网络的结构中，卷积的层次越深，网络的学习能力就越强，特征图得到的信息就越全。但是，随着网络层次结构的加深网络的计算量将会随之增加，也就导致网络变得更复杂，这样很容易会出现过拟合的现象。在一般的卷积神经网络结构中，提取的特征都是逐级递进的，由简单的颜色、边缘特征逐渐变为复杂的纹理特征，最后的网络结构将提取关键特征，以便精确的辨别特征图的属性。另外，卷积核的大小相当于人类眼睛的感受野，使用不同尺度大小的卷积核对图像进行特征提取，能够避免网络对小目标物体检测受限或者特征提取时不充分的问题。

考虑到当前主流的目标检测YOLOv2或者YOLOv3卷积神经网络，如图2所示，都是使用1x1或者3x3的卷积核在单条支路累加，只有一条通道提取图像特征，且卷积核大小在一层卷积时也只能是一种，其会存在对小目标物体检测受限或者特征提取时不充分的问题。本发明在传统目标检测YOLOv2或者YOLOv3卷积神经网络的基础上，使用slice卷积层的YOLO卷积神经网络，如图3所示。将输入的特征图通过slice操作平均分为两组，分别使用不同大小的卷积核对图像进行特征提取，最后将两条支路提取到的信息进行cancat级联融合操作，一起作为下一级的输入。Slice卷积层其核心思想是将输入的特征图切分为两部分，分别输送给两条卷积核大小不同的网络支路进行卷积操作来提取特征，再经过特征图级联操作concat将两条支路提取到的特征信息进行融合，最后再经过1*1卷积核整合特征图并增加网络的深度，同时也减少了下一级网络输入的参数。如图2和3所示，Slice卷积模块将输入的32张特征图分为2组，每组为16张特征图，分别经过3*3和1*1两种不同大小的卷积核进行提取特征，又经过级联操作整合为32张特征图，再经过1*1卷积操作后输出，对比传统仅使用3*3卷积核结构的参数为32*3*3*32＝9216，Slice Module卷积结构参数为16*3*3*16+16*1*1*16+32*1*1*32＝3584，参数减少为原来的三分之一，还同时增加了网络的宽度和深度，提高了网络的识别性能。经过测试，使用slice卷积层替代YOLO中的每一层1x1或3x3单层卷积，识别效果更佳。

1.2)将公开的行人图像和已知车辆图像形成图像集合，并将图像集合分成训练数据集和测试数据集。

1.3)将训练数据集的图像送入后台控制计算机的卷积神经网络中，在卷积神经网络中，训练数据集的图像先经过前向传播，计算损失熵的大小，再通过随机梯度下降不断更新参数，后经过反向传播，使得损失熵不断减小寻找到最优参数，当迭代到设定好的次数或者准确率达到一定要求后停止训练，保存训练好的参数，由此得到训练好的卷积神经网络模型。

1.4)、将测试数据集的图像送入后台控制计算机训练好的卷积神经网络中，在训练好的卷积神经网络中，测试数据集的图像先经过前向传播，计算损失熵的大小，再通过随机梯度下降不断更新参数，后经过反向传播，使得损失熵不断减小寻找到最优参数，以测试训练好的卷积神经网络模型的准确率，由此得到测试好的卷积神经网络模型。

1.5)将测试好的卷积神经网络模型作为最终的目标识别模型存储在后台控制计算机中。

(2)利用后台控制计算机中目标识别模型完成目标检测和人车分流控制。

2.1)人行摄像头采集人行通道出入口处的实时人行通道图像，并将实时人行通道图像送入到后台控制计算机中；后台控制计算机将实时人行通道图像送入到最终的目标识别模型中，以识别出人行通道图像中所存在的是行人和/或车辆。

2.2)仅有实时人行通道图像的最终识别出的目标全部是行人时，后台控制计算机才发出控制信号至人行电控闸门，此时人行电控闸门开启；否则，后台控制计算机不发出控制信号至人行电控闸门，此时人行电控闸门保持关闭状态。

2.3)车行摄像头采集车行通道出入口处的实时车行通道图像，并将实时车行通道图像送入到后台控制计算机中；后台控制计算机将实时车行通道图像送入到最终的目标识别模型中，以识别出人行通道图像中所存在的是行人和/或车辆。

2.4)仅有实时车行通道图像的最终识别出的目标全部是车辆时，后台控制计算机才发出控制信号至车行电控闸门，此时车行电控闸门开启；否则，后台控制计算机不发出控制信号至车行电控闸门，此时车行电控闸门保持关闭状态。

实现上述方法的一种基于卷积神经网络的人车分流控制系统，如图4所示，包括设置在人行通道出入口处的人行电控闸门和人行摄像头，设置在车行通道出入口处的车行电控闸门和车行摄像头，以及后台控制计算机。

人行摄像头朝向人行通道出入口处，人行摄像头的输出端通过路由器连接后台控制计算机的一个输入端；后台控制计算机的一个输出端通过路由器连接人行电控闸门的控制端。在本发明优选实施例中，人行电控闸门和人行摄像头通过无线路由器与后台控制计算机连接。

车行摄像头朝向车行通道出入口处，车行摄像头的输出端通过路由器连接后台控制计算机的另一个输入端；后台控制计算机的另一个输出端通过路由器连接车行电控闸门的控制端。在本发明优选实施例中，车行电控闸门和车行摄像头通过无线路由器与后台控制计算机连接。

需要说明的是，尽管以上本发明所述的实施例是说明性的，但这并非是对本发明的限制，因此本发明并不局限于上述具体实施方式中。在不脱离本发明原理的情况下，凡是本领域技术人员在本发明的启示下获得的其它实施方式，均视为在本发明的保护之内。

Claims (2)

1.一种基于卷积神经网络的人车分流控制方法，其特征是，具体包括如下步骤：

步骤1、将公开的行人图像和已知车辆图像形成图像集合，并将图像集合分成训练数据集和测试数据集；

步骤2、将训练数据集的图像送入后台控制计算机的卷积神经网络中，在卷积神经网络中，训练数据集的图像先经过前向传播，计算损失熵的大小，再通过随机梯度下降不断更新参数，后经过反向传播，使得损失熵不断减小寻找到最优参数，当迭代到设定好的次数或者准确率达到一定要求后停止训练，保存训练好的参数，由此得到训练好的卷积神经网络模型；

步骤3、将测试数据集的图像送入后台控制计算机训练好的卷积神经网络中，在训练好的卷积神经网络中，测试数据集的图像先经过前向传播，计算损失熵的大小，再通过随机梯度下降不断更新参数，后经过反向传播，使得损失熵不断减小寻找到最优参数，以测试训练好的卷积神经网络模型的准确率，由此得到测试好的卷积神经网络模型；

步骤4、将测试好的卷积神经网络模型作为最终的目标识别模型存储在后台控制计算机中；

步骤5、人行摄像头采集人行通道出入口处的实时人行通道图像，并将实时人行通道图像送入到后台控制计算机中；后台控制计算机将实时人行通道图像送入到最终的目标识别模型中，以识别出人行通道图像中所存在的是行人和/或车辆；

步骤6、仅有实时人行通道图像的最终识别出的目标全部是行人时，后台控制计算机才发出控制信号至人行电控闸门，此时人行电控闸门开启；否则，后台控制计算机不发出控制信号至人行电控闸门，此时人行电控闸门保持关闭状态；

步骤7、车行摄像头采集车行通道出入口处的实时车行通道图像，并将实时车行通道图像送入到后台控制计算机中；后台控制计算机将实时车行通道图像送入到最终的目标识别模型中，以识别出人行通道图像中所存在的是行人和/或车辆；

步骤8、仅有实时车行通道图像的最终识别出的目标全部是车辆时，后台控制计算机才发出控制信号至车行电控闸门，此时车行电控闸门开启；否则，后台控制计算机不发出控制信号至车行电控闸门，此时车行电控闸门保持关闭状态。

2.根据权利要求1所述的一种基于卷积神经网络的人车分流控制方法，其特征是，卷积神经网络为使用slice卷积层的YOLO卷积神经网络。