CN111583655B - 一种车流量检测方法、装置、设备及介质 - Google Patents

Abstract

本发明公开了一种车流量检测方法，包括：根据接收到的车辆监控图像集，确定出目标检测图像；将目标检测图像输入至预先建立的目标神经网络中，以生成与目标检测图像对应的目标密度图；其中，目标神经网络中包含经过空洞化处理的卷积层；对目标密度图进行求和操作以得到计算结果，并将计算结果作为目标检测图像中包含的车辆数量。由此可见，本发明采用对卷积层进行空洞化处理的方式，增加了网络的感受野；从而无需设置多列结构的神经网络，即避免了由于多列结构而产生的不必要的计算量，提高了车流量检测过程中的效率，避免了不必要的时间资源浪费。此外，本发明所提供的一种车流量检测装置、设备及存储介质与上述方法对应。

Description

一种车流量检测方法、装置、设备及介质

技术领域

本发明涉及智能交通系统技术领域，特别是涉及一种车流量检测方法、装置、设备及介质。

背景技术

随着全球经济和科学技术地飞速发展，交通作为社会发展和人民生活水平提高的基本条件，得到了巨大的发展，交通量也在不断增长。与此同时，交通道路拥堵、交通事故频发以及交通环境恶化等也成为了全球性的问题。

车流量检测是智能交通中的一个重要功能和任务，现有技术中通过轻量化卷积神经网络(Compact Convolutional Neural Network，C-CNN)完成车流量的实时检测，但是C-CNN网络为确保网络的感受野，采用了多列结构，从而导致车流量检测过程中的计算量大大增加，检测过程较为耗时。

由此可见，提供一种能够既能保证网络的感受野，同时又无需增加工作量的车流量检测方法成为当前亟待解决的问题。

发明内容

本发明的目的是提供一种车流量检测方法、装置、设备及介质，提供的目标神经网络中包含经过空洞化处理的卷积层，以增加网络的感受野；从而避免了由于多列结构而产生的不必要的计算量，提高了车流量检测过程中的效率，减少不必要的时间资源浪费。

为解决上述技术问题，本发明提供一种车流量检测方法，包括：

根据接收到的车辆监控图像集，确定出目标检测图像；

将所述目标检测图像输入至预先建立的目标神经网络中，以生成与所述目标检测图像对应的目标密度图；其中，所述目标神经网络中包含经过空洞化处理的卷积层；

对所述目标密度图进行求和操作以得到计算结果，并将所述计算结果作为所述目标检测图像中包含的车辆数量。

优选地，所述目标神经网络具体为通过损失函数处理后得到的神经网络。

优选地，所述目标神经网络包含十一层卷积层；其中，第一卷积层、第四卷积层和第七卷积层后与最大池化层相接，第八卷积层、第九卷积层和第十卷积层为空洞处理后的卷积层。

优选地，所述经过空洞化处理的卷积层的空洞率为2。

优选地，所述目标神经网络中各卷积层具体为经过Ghost压缩操作的Ghost卷积层。

优选地，所述根据接收到的车辆监控图像集，确定出目标检测图像具体为：

根据接收到的车辆监控图像集，将预设时间段内对应的各车辆监控图像确定为所述目标检测图像。

优选地，其特征在于，还包括：

判断是否接收到用于更新所述目标神经网络的更新信息；

如果是，则按照所述更新信息对所述目标神经网络进行更新操作。

为解决上述技术问题，本发明还提供一种车流量检测装置，包括：

确定模块，用于根据接收到的车辆监控图像集，确定出目标检测图像；

生成模块，用于将所述目标检测图像输入至预先建立的目标神经网络中，以生成与所述目标检测图像对应的目标密度图；其中，所述目标神经网络中包含经过空洞化处理的卷积层；

计算模块，用于对所述目标密度图进行求和操作以得到计算结果，并将所述计算结果作为所述目标检测图像中包含的车辆数量。

为解决上述技术问题，本发明还提供一种车流量检测设备，包括存储器，用于存储计算机程序；

处理器，用于执行所述计算机程序时实现如上述任一项所述的车流量检测方法的步骤。

为解决上述技术问题，本发明还提供一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如上述任一项所述的车流量检测方法的步骤。

本发明所提供的一种车流量检测方法，根据接收到的车辆监控图像集，确定出目标检测图像；将目标检测图像输入至预先建立的目标神经网络中，以生成与目标检测图像对应的目标密度图；其中，目标神经网络中包含经过空洞化处理的卷积层。通过对卷积层经过空洞化处理，增加了目标神经网络的感受野；最后，对目标密度图进行求和操作以得到计算结果，并将计算结果作为目标检测图像中包含的车辆数量。由此可见，本发明采用对卷积层进行空洞化处理的方式，增加了网络的感受野；从而无需设置多列结构的神经网络，即避免了由于多列结构而产生的不必要的计算量，提高了车流量检测过程中的效率，避免了不必要的时间资源浪费。

此外，本发明所提供的一种车流量检测装置、设备及存储介质与上述方法对应，具有同样的有益效果。

附图说明

为了更清楚地说明本发明实施例，下面将对实施例中所需要使用的附图做简单的介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本发明实施例提供的一种车流量检测方法的流程图；

图2为本发明实施例提供的一种车流量检测装置的结构图；

图3为本发明实施例提供的一种车流量检测设备的结构图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下，所获得的所有其他实施例，都属于本发明保护范围。

本发明的核心是提供一种车流量检测方法、装置、设备及介质，提供的目标神经网络中包含经过空洞化处理的卷积层，以增加网络的感受野；从而避免了由于多列结构而产生的不必要的计算量，提高了车流量检测过程中的效率，减少不必要的时间资源浪费。

为了使本技术领域的人员更好地理解本发明方案，下面结合附图和具体实施方式对本发明作进一步的详细说明。

图1为本发明实施例提供的一种车流量检测方法的流程图；如图1所示，本发明实施例提供的一种车流量检测方法，包括步骤S101-步骤S103：

步骤S101：根据接收到的车辆监控图像集，确定出目标检测图像；

在一个实施例中，本发明提出的车流量检测方法中提出的根据接收到的车辆监控图像集，确定出目标检测图像具体为：

根据接收到的车辆监控图像集，将预设时间段内对应的各车辆监控图像确定为目标检测图像。

具体地，车辆监控图像集为监控设备拍摄到的包含道路情况的监控视频。通过对监控视频进行抽帧的方式，确定出需要进行车流量检测的目标检测图像。进一步地，由于在很短时间内道路上的车流量基本上无变化，因此为提高检测的准确率，可抽取预设时间段内对应的各车辆监控图像确定为目标检测图像，即抽取相邻时刻的多张目标检测图像进行车流量检测。例如，以0.01秒为固定时间间隔，等间隔抽取监控视频指定的0.1秒时间段内对应的车辆监控图像，将这些车辆监控图像作为目标检测图像。需要说明的是，本领域技术人员也可将监测到的多张包含道路情况的车辆检测图像作为车辆监控图像集，本发明实施例不作限定。

步骤S102：将目标检测图像输入至预先建立的目标神经网络中，以生成与目标检测图像对应的目标密度图；其中，目标神经网络中包含经过空洞化处理的卷积层；

步骤S103：对目标密度图进行求和操作以得到计算结果，并将计算结果作为目标检测图像中包含的车辆数量。

在一个实施例中，建立目标神经网络时需从监控视频中抽取多张车辆监控图像作为训练图像，以构成用于训练目标神经网络的初始训练集。例如，考虑到凌晨时间段路面车辆较少，设当天5点至次日的1点作为一个采集日。在采集日内，每间隔10分钟对监控视频进行一次抽帧，每个采集日可采集样本图像120张。需采满若干个采集日，为保证数据集的多样性，采集日的数量应不小于5。若干个采集日中，可包含晴天、阴天、雨天、雪天和雾天等情况。采集完成后得到训练集。可以理解地，本领域技术人员可根据实际应用情况，设定初始训练集的确定方式，本发明实施例不作限定。

在具体实施中，按照设定的标准图像类型及标准图像尺寸对初始训练集中的各训练图像进行预处理。例如，标准图像类型为GRB三通道图像，标准图像尺寸为540像素×720像素，则将各训练图像均处理为GRB三通道图像，图像大小为540像素×720像素。需要说明的是，若训练图像的图像尺寸小于标准图像尺寸，则对训练图像的图像尺寸不作处理。在具体实施中，利用标记工具确定出初始训练集中各训练图像的目标点的中心位置。根据各中心位置，利用高斯滤波器生成各训练图像对应的训练密度图。在一个实施例中，高斯滤波器大小为15像素×15像素。由经过处理后的各训练图像和对应的训练密度图，构成用于训练目标神经网络的目标训练集。

在具体实施中，目标神经网络具体为通过损失函数处理后得到的神经网络，损失函数公式如下：

其中，θ为网络学习的参数，F(X_i；θ)为经过预测得到的第i张训练图像的密度图，M_i为目标训练集中第i张训练图像的训练密度图。根据目标训练集中各训练图像和对应的训练密度图，完成目标神经网络的建立操作。

在具体实施中，将确定出的需要进行车流量检测的目标检测图像输入至建立好的目标神经网络中，以生成与目标检测图像对应的目标密度图，其中，目标神经网络中包含经过空洞化处理的卷积层。具体地，目标密度图为与目标检测图像尺寸相同的二维矩阵。对目标密度图进行求和操作以得到计算结果，并将计算结果作为目标检测图像中包含的车辆数量。

本发明所提供的一种车流量检测方法，根据接收到的车辆监控图像集，确定出目标检测图像；将目标检测图像输入至预先建立的目标神经网络中，以生成与目标检测图像对应的目标密度图；其中，目标神经网络中包含经过空洞化处理的卷积层。通过对卷积层经过空洞化处理，增加了目标神经网络的感受野；最后，对目标密度图进行求和操作以得到计算结果，并将计算结果作为目标检测图像中包含的车辆数量。由此可见，本发明采用对卷积层进行空洞化处理的方式，增加了网络的感受野；从而无需设置多列结构的神经网络，即避免了由于多列结构而产生的不必要的计算量，提高了车流量检测过程中的效率，避免了不必要的时间资源浪费。

在一个实施例中，预先建立的目标神经网络包含十一层卷积层；其中，第一卷积层、第四卷积层和第七卷积层后与最大池化层相接，第八卷积层、第九卷积层和第十卷积层为空洞处理后的卷积层。第十一层为输出层，用于输出目标密度图。为避免输入目标检测图像经过卷积处理后导致尺寸减小，目标神经网络对完成卷积处理后的目标检测图像的四周进行零像素补充操作，以保证卷积处理前后目标检测图像的尺寸不变。

在一个实施例中，目标神经网络中各卷积层的核大小为3，采用的激活函数为ReLU激活函数；经过空洞化处理的卷积层的空洞率为2。需要说明的是，本领域技术人员可根据实际应用情况，确定空洞率、卷积层数及卷积层的核的大小。进一步地，目标神经网络中各卷积层具体为经过Ghost压缩操作的Ghost卷积层，使目标神经网络在保证原性能的基础上，降低参数量及对硬件资源的消耗，加快了运行速度。

在一个实施例中，本发明提出的车流量检测方法，还包括：

判断是否接收到用于更新目标神经网络的更新信息；

如果是，则按照更新信息对目标神经网络进行更新操作。

具体地，为更好地对完成对车流量的检测，不断优化目标神经网络十分必要。可通过判断是否接收到更新信息来确定是否需要优化目标神经网络，当接收到更新信息时，可按照更新信息获取优化后的神经网络作为目标神经网络，完成目标神经网络的更新操作。

本发明还提供一种车流量检测装置和车流量检测设备对应的实施例。需要说明的是，本发明从两个角度对实施例进行描述，一种是基于功能模块的角度，另一种是基于硬件的角度。

图2为本发明实施例提供的一种车流量检测装置的结构图；如图2所示，本发明实施例提供的一种车流量检测装置，包括：

确定模块10，用于根据接收到的车辆监控图像集，确定出目标检测图像；

生成模块11，用于将目标检测图像输入至预设的目标神经网络中，以生成与目标检测图像对应的目标密度图；其中，目标神经网络中包含经过空洞化处理的卷积层；

计算模块12，用于对目标密度图进行求和操作以得到计算结果，并将计算结果作为目标检测图像中包含的车辆数量。

在一个实施例中，本发明提出的车流量检测装置，还包括：

更新模块，用于判断是否接收到用于更新目标神经网络的更新信息；如果是，则按照更新信息对目标神经网络进行更新操作。

由于本部分的实施例与方法部分的实施例相互对应，因此本部分的实施例请参见方法部分的实施例的描述，这里暂不赘述。

本发明所提供的一种车流量检测装置，根据接收到的车辆监控图像集，确定出目标检测图像；将目标检测图像输入至预先建立的目标神经网络中，以生成与目标检测图像对应的目标密度图；其中，目标神经网络中包含经过空洞化处理的卷积层。通过对卷积层经过空洞化处理，增加了目标神经网络的感受野；最后，对目标密度图进行求和操作以得到计算结果，并将计算结果作为目标检测图像中包含的车辆数量。由此可见，本发明采用对卷积层进行空洞化处理的方式，增加了网络的感受野；从而无需设置多列结构的神经网络，即避免了由于多列结构而产生的不必要的计算量，提高了车流量检测过程中的效率，避免了不必要的时间资源浪费。

图3为本发明实施例提供的一种车流量检测设备的结构图。如图3所示，本发明提供的一种车流量检测设备，包括存储器20，用于存储计算机程序；

处理器21，用于执行计算机程序时实现如上述任一项的车流量检测方法的步骤。

其中，处理器21可以包括一个或多个处理核心，比如4核心处理器、8核心处理器等。处理器21可以采用DSP(Digital Signal Processing，数字信号处理)、FPGA(Field－Programmable Gate Array，现场可编程门阵列)、PLA(Programmable Logic Array，可编程逻辑阵列)中的至少一种硬件形式来实现。处理器21也可以包括主处理器和协处理器，主处理器是用于对在唤醒状态下的数据进行处理的处理器，也称CPU(Central ProcessingUnit，中央处理器)；协处理器是用于对在待机状态下的数据进行处理的低功耗处理器。在一些实施例中，处理器21可以在集成有GPU(Graphics Processing Unit，图像处理器)，GPU用于负责显示屏所需要显示的内容的渲染和绘制。一些实施例中，处理器21还可以包括AI(Artificial Intelligence，人工智能)处理器，该AI处理器用于处理有关机器学习的计算操作。

存储器20可以包括一个或多个计算机可读存储介质，该计算机可读存储介质可以是非暂态的。存储器20还可包括高速随机存取存储器，以及非易失性存储器，比如一个或多个磁盘存储设备、闪存存储设备。本实施例中，存储器20至少用于存储以下计算机程序201，其中，该计算机程序被处理器21加载并执行之后，能够实现前述任一实施例公开的车流量检测方法中的相关步骤。另外，存储器20所存储的资源还可以包括操作系统202和数据203等，存储方式可以是短暂存储或者永久存储。其中，操作系统202可以包括Windows、Unix、Linux等。

在一些实施例中，车流量检测设备还可包括有输入输出接口22、通信接口23、电源24以及通信总线25。

本领域技术人员可以理解，图3中示出的结构并不构成对车流量检测设备的限定，可以包括比图示更多或更少的组件。

由于本部分的实施例与方法部分的实施例相互对应，因此本部分的实施例请参见方法部分的实施例的描述，这里暂不赘述。在本发明的一些实施例中，处理器和存储器可通过总线或其它方式连接。

本发明所提供的一种车流量检测设备，能够实现如下方法：根据接收到的车辆监控图像集，确定出目标检测图像；将目标检测图像输入至预先建立的目标神经网络中，以生成与目标检测图像对应的目标密度图；其中，目标神经网络中包含经过空洞化处理的卷积层。通过对卷积层经过空洞化处理，增加了目标神经网络的感受野；最后，对目标密度图进行求和操作以得到计算结果，并将计算结果作为目标检测图像中包含的车辆数量。由此可见，本发明采用对卷积层进行空洞化处理的方式，增加了网络的感受野；从而无需设置多列结构的神经网络，即避免了由于多列结构而产生的不必要的计算量，提高了车流量检测过程中的效率，避免了不必要的时间资源浪费。

最后，本发明还提供一种计算机可读存储介质对应的实施例。计算机可读存储介质上存储有计算机程序，计算机程序被处理器执行时实现如上述方法实施例中记载的步骤。

可以理解的是，如果上述实施例中的方法以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(Read-Only Memory，ROM)、随机存取存储器(Random Access Memory，RAM)、磁碟或者光盘等各种可以存储程序代码的介质。

以上对本发明所提供的一种车流量检测方法、装置、设备及介质进行了详细介绍。说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以对本发明进行若干改进和修饰，这些改进和修饰也落入本发明权利要求的保护范围内。

还需要说明的是，在本说明书中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。

Claims (8)

1.一种车流量检测方法，其特征在于，包括：

根据接收到的车辆监控图像集，确定出目标检测图像；

将所述目标检测图像输入至预先建立的目标神经网络中，以生成与所述目标检测图像对应的目标密度图；其中，所述目标神经网络中包含经过空洞化处理的卷积层；所述目标神经网络中各卷积层具体为经过Ghost压缩操作的Ghost卷积层；

对所述目标密度图进行求和操作以得到计算结果，并将所述计算结果作为所述目标检测图像中包含的车辆数量；

判断是否接收到用于更新所述目标神经网络的更新信息；

如果是，则按照所述更新信息对所述目标神经网络进行更新操作。

2.根据权利要求1所述的车流量检测方法，其特征在于，所述目标神经网络具体为通过损失函数处理后得到的神经网络。

3.根据权利要求1所述的车流量检测方法，其特征在于，所述目标神经网络包含十一层卷积层；其中，第一卷积层、第四卷积层和第七卷积层后与最大池化层相接，第八卷积层、第九卷积层和第十卷积层为空洞处理后的卷积层。

4.根据权利要求1所述的车流量检测方法，其特征在于，所述经过空洞化处理的卷积层的空洞率为2。

5.根据权利要求1所述的车流量检测方法，其特征在于，所述根据接收到的车辆监控图像集，确定出目标检测图像具体为：

根据接收到的车辆监控图像集，将预设时间段内对应的各车辆监控图像确定为所述目标检测图像。

6.一种车流量检测装置，其特征在于，包括：

确定模块，用于根据接收到的车辆监控图像集，确定出目标检测图像；

生成模块，用于将所述目标检测图像输入至预先建立的目标神经网络中，以生成与所述目标检测图像对应的目标密度图；其中，所述目标神经网络中包含经过空洞化处理的卷积层；所述目标神经网络中各卷积层具体为经过Ghost压缩操作的Ghost卷积层；

计算模块，用于对所述目标密度图进行求和操作以得到计算结果，并将所述计算结果作为所述目标检测图像中包含的车辆数量；

更新模块，用于判断是否接收到用于更新目标神经网络的更新信息；如果是，则按照更新信息对目标神经网络进行更新操作。

7.一种车流量检测设备，其特征在于，包括存储器，用于存储计算机程序；

处理器，用于执行所述计算机程序时实现如权利要求1至5任一项所述的车流量检测方法的步骤。

8.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1至5任一项所述的车流量检测方法的步骤。

Images