CN110516615B - 基于卷积神经网络的人车分流控制方法 - Google Patents
基于卷积神经网络的人车分流控制方法 Download PDFInfo
- Publication number
- CN110516615B CN110516615B CN201910807497.0A CN201910807497A CN110516615B CN 110516615 B CN110516615 B CN 110516615B CN 201910807497 A CN201910807497 A CN 201910807497A CN 110516615 B CN110516615 B CN 110516615B
- Authority
- CN
- China
- Prior art keywords
- pedestrian
- neural network
- convolutional neural
- control computer
- vehicle
- 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.)
- Active
Links
Images
Classifications
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- 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
- G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computational Linguistics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Evolutionary Biology (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
- Traffic Control Systems (AREA)
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
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:
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。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910807497.0A CN110516615B (zh) | 2019-08-29 | 2019-08-29 | 基于卷积神经网络的人车分流控制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910807497.0A CN110516615B (zh) | 2019-08-29 | 2019-08-29 | 基于卷积神经网络的人车分流控制方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110516615A CN110516615A (zh) | 2019-11-29 |
CN110516615B true CN110516615B (zh) | 2022-04-08 |
Family
ID=68628838
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910807497.0A Active CN110516615B (zh) | 2019-08-29 | 2019-08-29 | 基于卷积神经网络的人车分流控制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110516615B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111311488B (zh) * | 2020-01-15 | 2022-03-29 | 广西师范大学 | 一种基于深度学习的高效超分辨率重建方法 |
CN112001320B (zh) * | 2020-08-25 | 2024-04-23 | 天地伟业技术有限公司 | 一种基于视频的闸门检测方法 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN201570077U (zh) * | 2009-12-14 | 2010-09-01 | 深圳市方迪计算机系统有限公司 | 监所大门人车分流智能控制系统 |
CN105096610A (zh) * | 2015-09-07 | 2015-11-25 | 苏州市世跃智能科技有限公司 | 一种小区出入口监控管理系统 |
CN106934319A (zh) * | 2015-12-29 | 2017-07-07 | 北京大唐高鸿软件技术有限公司 | 基于卷积神经网络的监控视频中人车目标分类方法 |
CN107730972A (zh) * | 2017-05-10 | 2018-02-23 | 西安艾润物联网技术服务有限责任公司 | 视频识别控制道闸的方法和装置 |
CN108073917A (zh) * | 2018-01-24 | 2018-05-25 | 燕山大学 | 一种基于卷积神经网络的人脸识别方法 |
CN108951470A (zh) * | 2018-07-27 | 2018-12-07 | 遵义仁科信息技术有限公司 | 道闸闸杆的缓冲防砸装置 |
CN109376699A (zh) * | 2018-11-30 | 2019-02-22 | 昆明理工大学 | 一种基于卷积神经网络的指纹识别方法 |
CN109784479A (zh) * | 2019-01-16 | 2019-05-21 | 上海西井信息科技有限公司 | 基于神经网络的闸杆防砸方法、系统、设备及存储介质 |
CN110009648A (zh) * | 2019-03-04 | 2019-07-12 | 东南大学 | 基于深浅特征融合卷积神经网络的路侧图像车辆分割方法 |
CN110060464A (zh) * | 2019-06-03 | 2019-07-26 | 柏涛建筑设计(深圳)有限公司 | 一种接送航站、接送管理系统及其实现方法 |
CN110135231A (zh) * | 2018-12-25 | 2019-08-16 | 杭州慧牧科技有限公司 | 动物面部识别方法、装置、计算机设备和存储介质 |
-
2019
- 2019-08-29 CN CN201910807497.0A patent/CN110516615B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN201570077U (zh) * | 2009-12-14 | 2010-09-01 | 深圳市方迪计算机系统有限公司 | 监所大门人车分流智能控制系统 |
CN105096610A (zh) * | 2015-09-07 | 2015-11-25 | 苏州市世跃智能科技有限公司 | 一种小区出入口监控管理系统 |
CN106934319A (zh) * | 2015-12-29 | 2017-07-07 | 北京大唐高鸿软件技术有限公司 | 基于卷积神经网络的监控视频中人车目标分类方法 |
CN107730972A (zh) * | 2017-05-10 | 2018-02-23 | 西安艾润物联网技术服务有限责任公司 | 视频识别控制道闸的方法和装置 |
CN108073917A (zh) * | 2018-01-24 | 2018-05-25 | 燕山大学 | 一种基于卷积神经网络的人脸识别方法 |
CN108951470A (zh) * | 2018-07-27 | 2018-12-07 | 遵义仁科信息技术有限公司 | 道闸闸杆的缓冲防砸装置 |
CN109376699A (zh) * | 2018-11-30 | 2019-02-22 | 昆明理工大学 | 一种基于卷积神经网络的指纹识别方法 |
CN110135231A (zh) * | 2018-12-25 | 2019-08-16 | 杭州慧牧科技有限公司 | 动物面部识别方法、装置、计算机设备和存储介质 |
CN109784479A (zh) * | 2019-01-16 | 2019-05-21 | 上海西井信息科技有限公司 | 基于神经网络的闸杆防砸方法、系统、设备及存储介质 |
CN110009648A (zh) * | 2019-03-04 | 2019-07-12 | 东南大学 | 基于深浅特征融合卷积神经网络的路侧图像车辆分割方法 |
CN110060464A (zh) * | 2019-06-03 | 2019-07-26 | 柏涛建筑设计(深圳)有限公司 | 一种接送航站、接送管理系统及其实现方法 |
Non-Patent Citations (5)
Title |
---|
Joint Detection and Identification Feature Learning for Person Search;Tong Xiao等;《Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition (CVPR)》;20171231;第3415-3424页 * |
Pedestrian Protection Systems: Issues, Survey, and Challenges;Tarak Gandhi等;《IEEE Transactions on Intelligent Transportation Systems》;20070904;第8卷(第3期);第413-430页 * |
基于DeepID算法的人证合一自动验证系统;赵歌等;《计算机应用技术》;20190228(第2期);第85-88页 * |
基于卷积神经网络的车辆和行人检测算法;潘婷等;《浙江科技学院学报》;20181031;第30卷(第5期);第398-403页 * |
基于图像识别的车道闸杆防砸系统研究;徐韶华;《交通工程》;20161231(第6期);第78-80页 * |
Also Published As
Publication number | Publication date |
---|---|
CN110516615A (zh) | 2019-11-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104809443B (zh) | 基于卷积神经网络的车牌检测方法及系统 | |
CN110163187B (zh) | 基于f-rcnn的远距离交通标志检测识别方法 | |
CN107527007B (zh) | 在车辆图像处理系统中检测关注对象的方法 | |
CN109902806A (zh) | 基于卷积神经网络的噪声图像目标边界框确定方法 | |
CN107247956B (zh) | 一种基于网格判断的快速目标检测方法 | |
CN110263786B (zh) | 一种基于特征维度融合的道路多目标识别系统及方法 | |
CN104408469A (zh) | 基于图像深度学习的烟火识别方法及系统 | |
CN105184271A (zh) | 一种基于深度学习的车辆自动检测方法 | |
CN104517103A (zh) | 一种基于深度神经网络的交通标志分类方法 | |
CN107578091B (zh) | 一种基于轻量级深度网络的行人车辆实时检测方法 | |
CN103984948B (zh) | 一种基于人脸图像融合特征的软双层年龄估计方法 | |
CN109002755B (zh) | 基于人脸图像的年龄估计模型构建方法及估计方法 | |
CN103514456A (zh) | 基于压缩感知多核学习的图像分类方法及其装置 | |
CN109785344A (zh) | 基于特征重标定的双通路残差网络的遥感图像分割方法 | |
CN105335716A (zh) | 一种基于改进udn提取联合特征的行人检测方法 | |
CN107133569A (zh) | 基于泛化多标记学习的监控视频多粒度标注方法 | |
CN104504395A (zh) | 基于神经网络实现人车分类的方法和系统 | |
CN109543632A (zh) | 一种基于浅层特征融合引导的深层网络行人检测方法 | |
CN110598586A (zh) | 一种目标检测方法及系统 | |
CN108230330B (zh) | 一种快速的高速公路路面分割和摄像机定位的方法 | |
CN110516615B (zh) | 基于卷积神经网络的人车分流控制方法 | |
CN111461221A (zh) | 一种面向自动驾驶的多源传感器融合目标检测方法和系统 | |
Jain et al. | AI-enabled object detection in UAVs: challenges, design choices, and research directions | |
Liu et al. | Multi-type road marking recognition using adaboost detection and extreme learning machine classification | |
Zang et al. | Traffic lane detection using fully convolutional neural network |
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 |