CN114566052B - 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 - Google Patents

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 Download PDF

Info

Publication number
CN114566052B
CN114566052B CN202210450692.4A CN202210450692A CN114566052B CN 114566052 B CN114566052 B CN 114566052B CN 202210450692 A CN202210450692 A CN 202210450692A CN 114566052 B CN114566052 B CN 114566052B
Authority
CN
China
Prior art keywords
module
traffic flow
information
image
data information
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
Application number
CN202210450692.4A
Other languages
English (en)
Other versions
CN114566052A (zh
Inventor
刘电
吕洪燕
张星明
吴国平
陈嘉琪
黄宇波
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.)
Guangzhou Gro Run One Traffic Information Co ltd
South China University of Technology SCUT
Original Assignee
Guangzhou Gro Run One Traffic Information Co ltd
South China University of Technology SCUT
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 Guangzhou Gro Run One Traffic Information Co ltd, South China University of Technology SCUT filed Critical Guangzhou Gro Run One Traffic Information Co ltd
Priority to CN202210450692.4A priority Critical patent/CN114566052B/zh
Publication of CN114566052A publication Critical patent/CN114566052A/zh
Application granted granted Critical
Publication of CN114566052B publication Critical patent/CN114566052B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • 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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/20—Analysis of motion
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T9/00—Image coding
    • G06T9/002—Image coding using neural networks
    • 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
    • G08G1/0137—Measuring and analyzing of parameters relative to traffic conditions for specific applications
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/123—Traffic control systems for road vehicles indicating the position of vehicles, e.g. scheduled vehicles; Managing passenger vehicles circulating according to a fixed timetable, e.g. buses, trains, trams
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10016—Video; Image sequence
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30232—Surveillance
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30236—Traffic on road, railway or crossing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30241—Trajectory
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems

Abstract

本发明公开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，其特征在于：包括以下步骤：(S1)获取车流数据信息，记录视频的车辆轨迹，统计路面的车辆的轨迹；实现车流数据信息的采集；（S2）采用基于深度卷积神经网络的视频图像编码算法完成视频图像压缩处理，提高了深度卷积神经网络处理视频图像数据信息的识别能力；（S3）通过所构建的车流数据信息分析模型实现车流数据信息分析；（S4）构建分析优化模型。本发明通过对视频的车辆轨迹进行记录，通过统计路面的车辆的轨迹，然后比较一定时间内的整体车辆的轨迹偏差，判别监控设备是否移位,减少光照影响和车流对路面特征的影响,大大提高了高速公路车流监控能力。

Description

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
技术领域
本发明涉及视频分析技术领域，且更确切地涉及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。
背景技术
随着国家经济实力、科学技术等全方面的发展进步，我国公路建设的规模也日趋庞大，公路不仅与人们的日常出行息息相关，还对我国各地区的经济、文化交流等活动起着巨大的推进作用。但是目前的公路勘查技术还存在着各式各样的问题，如：对公路信息获取不准确，无法有效排除环境对勘探设备的影响，勘探设备采集到的信息无法及时传输到用户手中造成信息落后等问题，因此对公路状态的实时勘探就显得极其重要。
现有技术对高速公路车流监控进行了研究与研究，其中郑义在车联网环境下无信号交叉口车辆协同控制算法研究一文中，提出采用协同控制算法在无信号的情况下通过交叉路口，通过建立一种通过车辆行为预测的方案设计行车风险最小化算法模型，但是由于所采用的协同算法针对于每一项任务都进行数据交换，重复性进行数据传输，所以数据传输的效率较差。廖梦迪的车联网的模拟仿真技术及其在多车跟车的应用研究，廖梦迪在一篇文章中对VANET Tool Box车联网平台进行二次开发，设计一种多车跟车运行模型，分析多车跟车运行模型和延迟通信的特点，提高运行效率，但由于运行过程中数据通信有一定的延迟作用，所以通信过程中会发生较严重的丢包现象。
目前通过视频判别移位主要是对整张图片进行特征提取来比较判别。也有通过局部的路面特征进行判别，但是在数据分析过程中，数据分析能力差，分析效果滞后，在分析过程中容易会受到光照变化影响，路面特征容易受到车流影响，采集的数据信息不准确。
发明内容
针对上述技术的不足，本发明公开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，本发明通过对视频的车辆轨迹进行记录，通过统计路面的车辆的轨迹，然后比较一定时间内的的整体车辆的轨迹偏差，判别监控设备是否移位, 减少光照影响和车流对路面特征的影响, 大大提高了高速公路车流监控能力。
为了实现上述技术效果，本发明采用以下技术方案：
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，包括：
作为本发明进一步的技术方案，包括以下步骤：
(S1)获取车流数据信息，记录视频的车辆轨迹，统计路面的车辆的轨迹；实现车流数据信息的采集；
在本步骤中，针对车流数据信息利用集成电路总线接口连接视频图像传感器，控制信息采集，
（S2） 采用基于深度卷积神经网络的视频图像编码算法完成视频图像压缩处理，提高了深度卷积神经网络处理视频图像数据信息的识别能力，采用YOLO-V4算法模型实现车辆目标数据和车道信息的提取；跟踪每辆车的位置，获取每辆车在视频对应车道的轨迹，统计一定时间的车辆在每个车道的轨迹；利用深度卷积神经网络编码算法对采集到的图像信息进行压缩，通过FPGA的并行化计算控制方法，提高了图像数据信息获取的加速能力；
（S3）通过所构建的车流数据信息分析模型实现车流数据信息分析，并比较一定时间内的整体车辆的轨迹偏差，判别监控设备是否移位；通过YOLO-V4算法模型实现高速公路车流数据信息分析；
（S4）构建分析优化模型，通过优化模块提高了YOLO-V4算法模型的优化效果；减少光照影响和车流对路面特征的影响, 大大提高了高速公路车流监控能力。
作为本发明进一步的技术方案，车流数据信息采集的方法为：
将输入图像传输至卷积器中，通过控制器控制卷积计算，各卷积器包含存储权值的系数存储器，利用输入图像和权值实施卷积运算获取输出结果，在计算卷积时间，输入不同尺寸大小的图像尺寸、卷积核大小与数量，并配置深度卷积神经网络编码算法计算过程中的参数，进而确定采集图像的地址。
作为本发明进一步的技术方案，视频图像编码算法的工作步骤为：
采用基于深度卷积神经网络的视频图像编码算法完成视频图像压缩处理；首先通过预训练模型采集视频图像特征，选取K均值算法计算不同视频图像间特征的距离信息，基于相同来源的视频图像属一类的原则调整视频图像特征的距离信息，由此获取视频图像聚类标签，然后利用深度卷积神经网络学习距离信息，通过多次迭代计算，进而依照自编码位数实际要求，实施图像稀疏自编码。
作为本发明进一步的技术方案，所述YOLO-V4算法模型包括以下步骤：
步骤一、从高速公路车流数据集信息中获取提取的数据集合，将YOLO-V4检测模型构建成数据网络模型，在该模型中加入聚类分析算法实现不同数据信息的分类；
步骤二、将YOLO-V4算法中数学含义以YOLO-V4网络结构的形式展现，
高速公路车流特征提取主网络采用的CSPDarknet53网络，该网络支撑的图像大小608*608；并输出四个或者四个以上的信息特征，能够提高网络目标的检索能力；在池化时通过SPP模块实现，其中该模块具有四个以上的最大池化层，尺寸有1*1、6*6、9*9以及13*13，该算法还能够将不同池化的图像信息进行不同程度的拼接，输出最佳池化特征图像；
通过聚类分类模块实现数据信息分析，个数大于4，分类器采用通过级联的方式连接的YOLO Head 分类器，能够提高分类的精度和能力；
步骤三、利用步骤二构建的YOLO-V4算法模型对接收到的高速公路车流数据信息集合进行信息训练，当训练输出的最佳权重文件输送至YOLO-V4算法，则构建出高速公路车流状态数据信息，
步骤四、数据输出，最终数据输出高速公路车流信息，数据信息以数据帧的方式出现。
作为本发明进一步的技术方案，优化模块优化的方法为：
首先对公路监控图像缺陷数据集进行统一标准化，缩放每个输入变量x在预定义的[0,1]范围内，其表达式为：
Figure 893351DEST_PATH_IMAGE001
（1）
式（2）中，
Figure 523922DEST_PATH_IMAGE002
是指缩放后的标准化值，
Figure 629281DEST_PATH_IMAGE003
和
Figure 188569DEST_PATH_IMAGE004
是训练集中变量的最小值和最大值，
Figure 12169DEST_PATH_IMAGE005
是变量的实际值；则公路图像信息缺陷评估指标均值计算公式为：
Figure 400425DEST_PATH_IMAGE006
（2）
式（2）中，
Figure 360291DEST_PATH_IMAGE007
表示公路监控图像缺陷评估指标均值，T表示预测运行周期，
Figure 795208DEST_PATH_IMAGE008
表示深度学习模型各项超参数，
Figure 168420DEST_PATH_IMAGE009
表示工作人员需求评价指标；
通过建立正交化的评估矩阵将公路监控图像缺陷评估指标进行信息交叠，不同信息交叠图像之间相互影响迭代过程为：
Figure 94788DEST_PATH_IMAGE010
（3）
式（3）中，
Figure 456630DEST_PATH_IMAGE011
表示公路监控图像缺陷评估指标相互交叠函数，
Figure 810251DEST_PATH_IMAGE012
表示相互交叠函数之间相互影响迭代过程；根据公路监控图像缺陷评估指标之间的迭代公式，对等式（4）矩阵建立算法程序，即：
Figure 654448DEST_PATH_IMAGE013
（4）
式（4）中，
Figure 384507DEST_PATH_IMAGE014
表示公路监控图像缺陷评估正交化安全矩阵，
Figure 318965DEST_PATH_IMAGE015
表示正交化矩阵编辑参数。
作为本发明进一步的技术方案，优化图像经过OATM计算模型对设定的公路监控图像缺陷评估指标进行评估，将各项公路监控图像缺陷评估指标数据通过施密特公式应用在预测平台中，则在线测试获得最佳评估效果为：
Figure 843487DEST_PATH_IMAGE016
（5）
式（5）中，S(x)表示OATM算法模型验算的公路车流数据信息评估指标效果，m表示公路监控图像架构节点数量，
Figure 676445DEST_PATH_IMAGE017
表示不同节点之间的距离；通过判定OATM算法模型实现指标验算结果输出，其权重计算式为：
Figure 679036DEST_PATH_IMAGE018
（6）
式（6）中，
Figure 733580DEST_PATH_IMAGE019
表示OATM算法模型下的公路监控图像缺陷评估指标权重。
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的系统，其中包括：
采集模块，用于获取车流数据信息，记录视频的车辆轨迹，统计路面的车辆的轨迹；实现车流数据信息的采集；
加速模块，利用深度卷积神经网络编码算法对采集到的图像信息进行压缩，通过FPGA的并行化计算控制方法，提高了图像数据信息获取的加速能力；包括控制器、ARM处理器、片外存储器、卷积器、片上存储器和系数存储器，其中控制器与卷积器连接，所述卷积器与系数存储器连接，所述系数存储器还与片外存储器连接，所述片外存储器与片上存储器连接；
编码模块，采用基于深度卷积神经网络的视频图像编码算法完成视频图像压缩处理，提高了深度卷积神经网络处理视频图像数据信息的识别能力；和
分析模块，通过YOLO-V4算法模型实现高速公路车流数据信息分析；所述分析模块还连接有优化模块；所述分析模块包括数据网络接口、Head 分类器、拼接模块、池化模块、卷积模块和输出接口，其中所述数据网络接口的输出端与Head 分类器的输入端连接，所述Head 分类器的输出端与拼接模块的输入端连接，所述拼接模块的输出端与池化模块的输入端连接，所述池化模块的输出端与卷积模块的输入端连接，所述卷积模块的输出端与输出接口输入端连接；
优化模块，用于提高YOLO-V4算法模型的分析精度，包括OATM算法模型，其中所述OATM算法模型包括标准化模块、缺陷评估模块、权重计算模块、正交化矩阵模块和优化输出模块，其中所述标准化模块输出端与缺陷评估模块和权重计算模块的输入端连接，所述缺陷评估模块和权重计算模块的输出端与正交化矩阵模块的输入端连接，所述正交化矩阵模块的输出端与优化输出模块的输入端连接；
其中所述采集模块的输出端与加速模块的输入端连接，所述加速模块的输出端与编码模块的输入端连接，所述编码模块的输出端与分析模块的输入端连接，所述分析模块还连接有优化模块。
本发明具有的积极有益效果在于，
本发明通过记录视频的车辆轨迹，统计路面的车辆的轨迹；实现车流数据信息的采集；利用深度卷积神经网络编码算法对采集到的图像信息进行压缩，通过FPGA的并行化计算控制方法，提高了图像数据信息获取的加速能力，采用基于深度卷积神经网络的视频图像编码算法完成视频图像压缩处理，提高了深度卷积神经网络处理视频图像数据信息的识别能力，通过YOLO-V4算法模型实现高速公路车流数据信息分析，通过优化模块提高了车辆轨迹情况。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，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性的前提下，还可以根据这些附图获得其他的附图，其中：
图1 为本发明方法流程示意图；
图2为本发明采集模块结构示意图；
图3为本发明中编码模块结构示意图；
图4为本发明整体架构示意图；
图5为本发明优化模块架构示意图；
图6为本发明卷积分模型架构示意图；
图7为本发明中一种实施例结构示意图；
图8为本发明中一种卷积分模型实施例结构示意图。
具体实施方式
以下结合附图对本发明的优选实施例进行说明，应当理解，此处所描述的实施例仅用于说明和解释本发明，并不用于限定本发明。
如图1-8所示，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，包括以下步骤：
(S1)获取车流数据信息，记录视频的车辆轨迹，统计路面的车辆的轨迹；实现车流数据信息的采集；
在本步骤中，针对车流数据信息利用集成电路总线接口连接视频图像传感器，控制信息采集，
（S2） 采用基于深度卷积神经网络的视频图像编码算法完成视频图像压缩处理，提高了深度卷积神经网络处理视频图像数据信息的识别能力，采用YOLO-V4算法模型实现车辆目标数据和车道信息的提取；跟踪每辆车的位置，获取每辆车在视频对应车道的轨迹，统计一定时间的车辆在每个车道的轨迹；利用深度卷积神经网络编码算法对采集到的图像信息进行压缩，通过FPGA的并行化计算控制方法，提高了图像数据信息获取的加速能力；
（S3）通过所构建的车流数据信息分析模型实现车流数据信息分析，并比较一定时间内的整体车辆的轨迹偏差，判别监控设备是否移位；通过YOLO-V4算法模型实现高速公路车流数据信息分析；
（S4）构建分析优化模型，通过优化模块提高了YOLO-V4算法模型的优化效果；减少光照影响和车流对路面特征的影响, 大大提高了高速公路车流监控能力。 在上述实施例中，车流数据信息采集的方法为：
将输入图像传输至卷积器中，通过控制器控制卷积计算，各卷积器包含存储权值的系数存储器，利用输入图像和权值实施卷积运算获取输出结果，在计算卷积时间，输入不同尺寸大小的图像尺寸、卷积核大小与数量，并配置深度卷积神经网络编码算法计算过程中的参数，进而确定采集图像的地址。
在具体实施例中，在基于FPGA的视频图像采集系统中，处理模块利用深度卷积神经网络编码算法进行图像压缩，FPGA的并行化计算模式与之相结合，可弥补深度卷积神经网络效率差的缺陷。同时在处理模块中设计深度卷积神经网络加速器，使图像压缩整体过程中仅加载一次输入图像与卷积核权值，并存储于片上存储器内，降低片外存储器读取次数，优化图像压缩效率。
在上述实施例中，视频图像编码算法的工作步骤为：
采用基于深度卷积神经网络的视频图像编码算法完成视频图像压缩处理；首先通过预训练模型采集视频图像特征，选取K均值算法计算不同视频图像间特征的距离信息，基于相同来源的视频图像属一类的原则调整视频图像特征的距离信息，由此获取视频图像聚类标签，然后利用深度卷积神经网络学习距离信息，通过多次迭代计算，进而依照自编码位数实际要求，实施图像稀疏自编码。
在具体实施例中，通过表1所示的神经网络模型实现视频图像数据信息分析，在一种实施例中的深度卷积神经网络结构中，整体共18层，卷积层3-x和全连接层y中的3、x和y分别为卷积核大小，特征图数量和神经元数量。图表1所示。
表1 深度卷积神经网络结构
Figure 743517DEST_PATH_IMAGE020
所述YOLO-V4算法模型包括以下步骤：
步骤一、从高速公路车流数据集信息中获取提取的数据集合，将YOLO-V4检测模型构建成数据网络模型，在该模型中加入聚类分析算法实现不同数据信息的分类；
在具体应用中，则输出的网络结构可以为具有不同属性算法的高速公路车流数据模型。在一种具体实施例中采用9个聚类获得的先验框辅助坐标预测，并且9个不同尺度的anchor boxes评分为3组应用在3个不同的尺度特征图，即每个尺度特征图的单位网格利用anchor boxes预测3组信息。
假设在获取的数据集合中有8952张高速公路车流数据信息，其中的数据信息包括高速公路车流故障信息和正常数据信息，在具体训练过程中需要对高速公路车流数据信息进行处理和精度识别。
步骤二、将YOLO-V4算法中数学含义以YOLO-V4网络结构的形式展现，
在构建的网络结构中，其包括高速公路车流特征提取主网络、简并行过程（Simplified Parallel Process，SPP）模块、高速公路车流性能整合模块、聚类分类模块。在具体结构中实现不同标签类型属性的标记。
高速公路车流特征提取主网络采用的CSPDarknet53网络，该网络支撑的图像大小608*608；该网络结构区别于常规技术中的YOLO-V3算法模型，能够输出四个或者四个以上的信息特征，能够提高网络目标的检索能力；
在一种具体实施例中采用的SPP模块具有四个以上的最大池化层，尺寸有1*1、6*6、9*9以及13*13，该算法还能够将不同池化的图像信息进行不同程度的拼接，输出最佳池化特征图像；
在一种具体实施例中采用的高速公路车流性能整合模块包含多个采样层、拼接层，采样层与拼接层错综布置，SPP模块采集到的数据信息被输送到错综布置的采样层与拼接层。最终将不同尺寸的图像信息整理成相同规格的图像信息，输出至聚类分类模块。
在一种具体实施例中的聚类分类模块大于4，分类器采用的是YOLO Head 分类器，这些分类器通过级联的方式连接，能够提高分类的精度和能力；
步骤三、利用步骤二构建的YOLO-V4算法模型对接收到的高速公路车流数据信息集合进行信息训练，当训练输出的最佳权重文件输送至YOLO-V4算法，则构建出高速公路车流状态数据信息，为了提高训练数据的精度，在调整最佳权重文件时，可以通过不间断的迭代计算，使得高速公路车流状态评估达到最佳值。
步骤四、数据输出，最终数据输出高速公路车流信息，数据信息以数据帧的方式出现。在具体应用中，比如输出数据信息为连续数据帧，则表示输出高速公路车流信息较为密集，比如输出数据信息为断续数据帧，则表示输出高速公路车流信息较为疏松，根据输出数据信息的数据帧连续情况进而判断高速公路车流信息的密集程度。
在上述实施例中，采用YOLO-V4算法模型能够提高检测的精度，该算法模型通过目标检测器实现车流状态信息的检测。改进型YOLO-V4检测模型与其他检测模型的运算速率对比如表1所示。
表1 算法模型运算速率对比表
Figure 250722DEST_PATH_IMAGE021
由表2可知，YOLO-V4算法模型的检测速度达到了实时检测速度的要求，该模型作为一种基于回归的深度学习目标检测算法，能够实现较好的检测技术效果，YOLO-V4算法模型能够对车流数据信息进行适当处理，对构成车流的主干网络、车流数据网络训练、在应用过程中采用的激活函数以及损失函数方面都比YOLO-V3算法模型得到最大程度的优化。在具体应用中采用的架构形式为CSPDarknet53+PAnet-SPP+Yolov3 head，在进行多尺度预测时采用3个不同的尺度特征图预测检测结果。对于某分辨率图像，其基础尺度特征图大小为原分辨率得1/32，剩余2个尺度分别为1/16，1/8。假设最后每个尺度特征图上预测由检测框、目标评价、类别预测三种信息编码的3-d张量。检测框有4个参数，目标评价1个参数，类别数位80，每个尺度特征图单元格预测3组这样的信息，即3*（4+1+80）=255维信息。最终三个尺度的输出张量维度分别为y1=13*13*255，y2=26*26*255，y3=52*52*255。然后通过上述方法评估车流运行状态。
在上述实施例中，优化模块优化的方法为：
在一种具体实施例中采用正交阵列调谐法（Orthogonal Array Tuning Method，OATM）方法用于优化卷积分神经网络模型的超参数，通过评估不同电能指标完成验证。在此之前，首先对公路监控图像缺陷数据集进行统一标准化，缩放每个输入变量x在预定义的[0,1]范围内，其表达式为：
Figure 322583DEST_PATH_IMAGE001
（1）
式（2）中，
Figure 982366DEST_PATH_IMAGE002
是指缩放后的标准化值，
Figure 645428DEST_PATH_IMAGE003
和
Figure 905508DEST_PATH_IMAGE004
是训练集中变量的最小值和最大值，
Figure 764749DEST_PATH_IMAGE005
是变量的实际值；则公路图像信息缺陷评估指标均值计算公式为：
Figure 528305DEST_PATH_IMAGE006
（2）
式（2）中，
Figure 362269DEST_PATH_IMAGE007
表示公路监控图像缺陷评估指标均值，T表示预测运行周期，
Figure 594799DEST_PATH_IMAGE008
表示深度学习模型各项超参数，
Figure 805200DEST_PATH_IMAGE009
表示工作人员需求评价指标；
通过建立正交化的评估矩阵将公路监控图像缺陷评估指标进行信息交叠，不同信息交叠图像之间相互影响迭代过程为：
Figure 423263DEST_PATH_IMAGE010
（3）
式（3）中，
Figure 945905DEST_PATH_IMAGE011
表示公路监控图像缺陷评估指标相互交叠函数，
Figure 914998DEST_PATH_IMAGE012
表示相互交叠函数之间相互影响迭代过程；根据公路监控图像缺陷评估指标之间的迭代公式，对等式（4）矩阵建立
Figure 601194DEST_PATH_IMAGE013
（4）
式（4）中，
Figure 355655DEST_PATH_IMAGE014
表示公路监控图像缺陷评估正交化安全矩阵，
Figure 531421DEST_PATH_IMAGE015
表示正交化矩阵编辑参数。
经过OATM计算模型对设定的公路监控图像缺陷评估指标进行评估，将各项公路监控图像缺陷评估指标数据通过施密特公式应用在预测平台中，则在线测试获得最佳评估效果为：
Figure 987810DEST_PATH_IMAGE016
（5）
式（5）中，S(x)表示OATM算法模型验算的公路车流数据信息评估指标效果，m表示公路监控图像架构节点数量，
Figure 726965DEST_PATH_IMAGE017
表示不同节点之间的距离；通过判定OATM算法模型实现指标验算结果输出，其权重计算式为：
Figure 585200DEST_PATH_IMAGE022
（6）
式（6）中，
Figure 197446DEST_PATH_IMAGE023
表示OATM算法模型下的公路监控图像缺陷评估指标权重。
OATM算法通过建立算法模型将卷积分神经网络模型的超参数进行迭代处理，根据迭代数据推算出公路监控图像缺陷评估指标，通过正交化矩阵进行优化，从而得到最佳优化参数评估结果，从而改进了深度卷积神经网络模型的算法性能。
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的系统，包括：
采集模块，用于获取车流数据信息，记录视频的车辆轨迹，统计路面的车辆的轨迹；实现车流数据信息的采集；
加速模块，利用深度卷积神经网络编码算法对采集到的图像信息进行压缩，通过FPGA的并行化计算控制方法，提高了图像数据信息获取的加速能力；包括控制器、ARM处理器、片外存储器、卷积器、片上存储器和系数存储器，其中控制器与卷积器连接，所述卷积器与系数存储器连接，所述系数存储器还与片外存储器连接，所述片外存储器与片上存储器连接；
编码模块，采用基于深度卷积神经网络的视频图像编码算法完成视频图像压缩处理，提高了深度卷积神经网络处理视频图像数据信息的识别能力；
分析模块，通过YOLO-V4算法模型实现高速公路车流数据信息分析；所述分析模块还连接有优化模块；所述分析模块包括数据网络接口、Head 分类器、拼接模块、池化模块、卷积模块和输出接口，其中所述数据网络接口的输出端与Head 分类器的输入端连接，所述Head 分类器的输出端与拼接模块的输入端连接，所述拼接模块的输出端与池化模块的输入端连接，所述池化模块的输出端与卷积模块的输入端连接，所述卷积模块的输出端与输出接口输入端连接；
优化模块，用于提高YOLO-V4算法模型的分析精度，包括OATM算法模型，其中所述OATM算法模型包括标准化模块、缺陷评估模块、权重计算模块、正交化矩阵模块和优化输出模块，其中所述标准化模块输出端与缺陷评估模块和权重计算模块的输入端连接，所述缺陷评估模块和权重计算模块的输出端与正交化矩阵模块的输入端连接，所述正交化矩阵模块的输出端与优化输出模块的输入端连接。
其中所述采集模块的输出端与加速模块的输入端连接，所述加速模块的输出端与编码模块的输入端连接，所述编码模块的输出端与分析模块的输入端连接，所述分析模块还连接有优化模块。
虽然以上描述了本发明的具体实施方式，但是本领域的技术人员应当理解，这些具体实施方式仅是举例说明，本领域的技术人员在不脱离本发明的原理和实质的情况下，可以对上述方法和系统的细节进行各种省略、替换和改变。例如，合并上述方法步骤，从而按照实质相同的方法执行实质相同的功能以实现实质相同的结果则属于本发明的范围。因此，本发明的范围仅由所附权利要求书限定。

Claims (6)

1.一种基于车流方向判别高速公路车流监控设备转动的方法，其特征在于：包括以下步骤：
(S1)获取车流数据信息，记录视频的车辆轨迹，统计路面的车辆的轨迹；实现车流数据信息的采集；
在本步骤中，针对车流数据信息利用集成电路总线接口连接视频图像传感器，控制信息采集，
（S2） 采用基于深度卷积神经网络的视频图像编码算法完成视频图像压缩处理，采用YOLO-V4算法模型实现车辆目标数据和车道信息的提取；跟踪每辆车的位置，获取每辆车在视频对应车道的轨迹，统计一定时间的车辆在每个车道的轨迹；利用深度卷积神经网络编码算法对采集到的图像信息进行压缩并结合FPGA的并行化计算控制方法；
（S3）通过所构建的车流数据信息分析模型实现车流数据信息分析，并比较一定时间内的整体车辆的轨迹偏差，判别监控设备是否移位；通过YOLO-V4算法模型实现高速公路车流数据信息分析；
（S4）构建分析优化模型，通过优化模块提高了YOLO-V4算法模型的优化效果；
优化模块优化的方法为：
首先对公路监控图像缺陷数据集进行统一标准化，缩放每个输入变量x在预定义的[0,1]范围内，其表达式为：
Figure 541149DEST_PATH_IMAGE001
（1）
式（2）中，
Figure 192711DEST_PATH_IMAGE002
是指缩放后的标准化值，
Figure 893819DEST_PATH_IMAGE003
和
Figure 23449DEST_PATH_IMAGE004
是训练集中变量的最小值和最大值，
Figure 306663DEST_PATH_IMAGE005
是变量的实际值；则公路图像信息缺陷评估指标均值计算公式为：
Figure 53427DEST_PATH_IMAGE006
（2）
式（2）中，
Figure 54881DEST_PATH_IMAGE007
表示公路监控图像缺陷评估指标均值，T表示预测运行周期，
Figure 722622DEST_PATH_IMAGE008
表示深度学习模型各项超参数，
Figure 109610DEST_PATH_IMAGE009
表示工作人员需求评价指标；
通过建立正交化的评估矩阵将公路监控图像缺陷评估指标进行信息交叠，不同信息交叠图像之间相互影响迭代过程为：
Figure 775078DEST_PATH_IMAGE010
（3）
式（3）中，
Figure 263828DEST_PATH_IMAGE011
表示公路监控图像缺陷评估指标相互交叠函数，
Figure 718949DEST_PATH_IMAGE012
表示相互交叠函数之间相互影响迭代过程；根据公路监控图像缺陷评估指标之间的迭代公式，对等式（4）矩阵建立算法程序，即：
Figure 914438DEST_PATH_IMAGE013
（4）
式（4）中，
Figure 813124DEST_PATH_IMAGE014
表示公路监控图像缺陷评估正交化安全矩阵，
Figure 241700DEST_PATH_IMAGE015
表示正交化矩阵编辑参数。
2.根据权利要求1所述的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，其特征在于：车流数据信息采集的方法为：
将输入图像传输至卷积器中，通过控制器控制卷积计算，各卷积器包含存储权值的系数存储器，利用输入图像和权值实施卷积运算获取输出结果，在计算卷积时间，输入不同尺寸大小的图像尺寸、卷积核大小与数量，并配置深度卷积神经网络编码算法计算过程中的参数，进而确定采集图像的地址。
3.根据权利要求1所述的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，其特征在于：视频图像编码算法的工作步骤为：
采用基于深度卷积神经网络的视频图像编码算法完成视频图像压缩处理；首先通过预训练模型采集视频图像特征，选取K均值算法计算不同视频图像间特征的距离信息，基于相同来源的视频图像属一类的原则调整视频图像特征的距离信息，由此获取视频图像聚类标签，然后利用深度卷积神经网络学习距离信息，通过多次迭代计算，进而依照自编码位数实际要求，实施图像稀疏自编码。
4.根据权利要求1所述的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，其特征在于：所述YOLO-V4算法模型包括以下步骤：
步骤一、从高速公路车流数据集信息中获取提取的数据集合，将YOLO-V4检测模型构建成数据网络模型，在该模型中加入聚类分析算法实现不同数据信息的分类；
步骤二、将YOLO-V4算法中数学含义以YOLO-V4网络结构的形式展现，
高速公路车流特征提取主网络采用的CSPDarknet53网络，该网络支撑的图像大小608*608；并输出四个或者四个以上的信息特征，能够提高网络目标的检索能力；在池化时通过SPP模块实现，其中该模块具有四个以上的最大池化层，尺寸有1*1、6*6、9*9以及13*13，该算法还能够将不同池化的图像信息进行不同程度的拼接，输出最佳池化特征图像；
通过聚类分类模块实现数据信息分析，个数大于4，分类器采用通过级联的方式连接的YOLO Head 分类器；
步骤三、利用步骤二构建的YOLO-V4算法模型对接收到的高速公路车流数据信息集合进行信息训练，当训练输出的最佳权重文件输送至YOLO-V4算法，则构建出高速公路车流状态数据信息，
步骤四、数据输出，最终数据输出高速公路车流信息，数据信息以数据帧的方式出现。
5.根据权利要求1所述的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，其特征在于：优化图像经过OATM计算模型对设定的公路监控图像缺陷评估指标进行评估，将各项公路监控图像缺陷评估指标数据通过施密特公式应用在预测平台中，则在线测试获得最佳评估效果为：
Figure 251245DEST_PATH_IMAGE016
（5）
式（5）中，
Figure 363557DEST_PATH_IMAGE017
表示OATM算法模型验算的公路车流数据信息评估指标效果，m表示公路监控图像架构节点数量，通过判定OATM算法模型实现指标验算结果输出，其权重计算式为：
Figure 634743DEST_PATH_IMAGE018
（6）
式（6）中，
Figure 98086DEST_PATH_IMAGE019
表示OATM算法模型下的公路监控图像缺陷评估指标权重。
6.一种基于权利要求1-5任意一项所述的车流方向判别高速公路车流监控设备转动的方法的系统，其特征在于：包括：
采集模块，用于获取车流数据信息，记录视频的车辆轨迹，统计路面的车辆的轨迹；实现车流数据信息的采集；
加速模块，利用深度卷积神经网络编码算法对采集到的图像信息进行压缩，并结合FPGA的并行化计算控制方法；包括控制器、ARM处理器、片外存储器、卷积器、片上存储器和系数存储器，其中控制器与卷积器连接，所述卷积器与系数存储器连接，所述系数存储器还与片外存储器连接，所述片外存储器与片上存储器连接；
编码模块，采用基于深度卷积神经网络的视频图像编码算法完成视频图像压缩处理，和
分析模块，通过YOLO-V4算法模型实现高速公路车流数据信息分析；所述分析模块还连接有优化模块；所述分析模块包括数据网络接口、Head 分类器、拼接模块、池化模块、卷积模块和输出接口，其中所述数据网络接口的输出端与Head 分类器的输入端连接，所述Head分类器的输出端与拼接模块的输入端连接，所述拼接模块的输出端与池化模块的输入端连接，所述池化模块的输出端与卷积模块的输入端连接，所述卷积模块的输出端与输出接口输入端连接；
优化模块，用于提高YOLO-V4算法模型的分析精度，包括OATM算法模型，其中所述OATM算法模型包括标准化模块、缺陷评估模块、权重计算模块、正交化矩阵模块和优化输出模块，其中所述标准化模块输出端与缺陷评估模块和权重计算模块的输入端连接，所述缺陷评估模块和权重计算模块的输出端与正交化矩阵模块的输入端连接，所述正交化矩阵模块的输出端与优化输出模块的输入端连接；
其中所述采集模块的输出端与加速模块的输入端连接，所述加速模块的输出端与编码模块的输入端连接，所述编码模块的输出端与分析模块的输入端连接，所述分析模块还连接有优化模块；
其中采用YOLO-V4算法模型实现车辆目标数据和车道信息的提取；跟踪每辆车的位置，获取每辆车在视频对应车道的轨迹，统计一定时间的车辆在每个车道的轨迹；利用深度卷积神经网络编码算法对采集到的图像信息进行压缩，通过所构建的车流数据信息分析模型实现车流数据信息分析，并比较一定时间内的整体车辆的轨迹偏差，判别监控设备是否移位；通过YOLO-V4算法模型实现高速公路车流数据信息分析。
CN202210450692.4A 2022-04-27 2022-04-27 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 Active CN114566052B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210450692.4A CN114566052B (zh) 2022-04-27 2022-04-27 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

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210450692.4A CN114566052B (zh) 2022-04-27 2022-04-27 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

Publications (2)

Publication Number Publication Date
CN114566052A CN114566052A (zh) 2022-05-31
CN114566052B true CN114566052B (zh) 2022-08-12

Family

ID=81721529

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210450692.4A Active CN114566052B (zh) 2022-04-27 2022-04-27 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

Country Status (1)

Country Link
CN (1) CN114566052B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115311209A (zh) * 2022-07-11 2022-11-08 广州国交润万交通信息有限公司 一种基于天空区域分割判别高速公路监控设备转动的方法
CN116541942B (zh) * 2023-07-06 2023-09-12 河北世元工程建设咨询有限公司 用于建筑设计优化方案的判断方法

Citations (20)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104680180A (zh) * 2015-03-09 2015-06-03 西安电子科技大学 基于k均值和稀疏自编码的极化sar图像分类方法
CN105150999A (zh) * 2015-09-14 2015-12-16 广东顺德车联管家科技有限公司 一种车辆监控管理方法及终端
CN106530711A (zh) * 2016-12-16 2017-03-22 合肥寰景信息技术有限公司 一种用于高速车辆的视频图像智能交通分析方法
CN108267745A (zh) * 2016-06-22 2018-07-10 安溪县景宏技术咨询有限公司 图像形成装置及其图像形成方法
CN109682388A (zh) * 2018-12-21 2019-04-26 北京智行者科技有限公司 跟随路径的确定方法
CN109919204A (zh) * 2019-02-23 2019-06-21 华南理工大学 一种面向噪声图像的深度学习聚类方法
CN110033006A (zh) * 2019-04-04 2019-07-19 中设设计集团股份有限公司 基于颜色特征非线性降维的车辆检测跟踪方法
CN110084739A (zh) * 2019-03-28 2019-08-02 东南大学 一种基于cnn的画质增强算法的fpga并行加速系统
CN110210378A (zh) * 2019-05-30 2019-09-06 中国电子科技集团公司第三十八研究所 一种基于边缘计算的嵌入式视频图像解析方法及装置
CN111062450A (zh) * 2019-12-30 2020-04-24 西安电子科技大学 基于fpga和scnn架构的图像分类装置及方法
CN111583341A (zh) * 2020-04-30 2020-08-25 中远海运科技股份有限公司 云台像机移位检测方法
CN111723672A (zh) * 2020-05-25 2020-09-29 华南理工大学 一种视频识别行车轨迹获取方法、装置及存储介质
CN212009589U (zh) * 2020-04-15 2020-11-24 华南理工大学 一种基于深度学习的视频识别行车车轨迹获取装置
CN112101433A (zh) * 2020-09-04 2020-12-18 东南大学 一种基于YOLO V4和DeepSORT的分车道车辆自动计数方法
CN113033604A (zh) * 2021-02-03 2021-06-25 淮阴工学院 一种基于SF-YOLOv4网络模型的车辆检测方法、系统及存储介质
CN113038086A (zh) * 2021-03-30 2021-06-25 广州国交润万交通信息有限公司 一种高速公路运营管理监控系统及方法
CN113658115A (zh) * 2021-07-30 2021-11-16 华南理工大学 一种基于深度卷积生成对抗网络的图像异常检测方法
CN113822292A (zh) * 2021-02-05 2021-12-21 深圳信息职业技术学院 车辆特征信息存储方法、装置、计算机设备及存储介质
CN113850123A (zh) * 2021-08-18 2021-12-28 广州国交润万交通信息有限公司 基于视频的公路监控方法及装置、存储介质和监控系统
CN114092884A (zh) * 2021-11-25 2022-02-25 中邮信息科技(北京)有限公司 摄像机镜头移位检测方法、装置、电子设备及存储介质

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP5452392B2 (ja) * 2009-12-16 2014-03-26 株式会社日立ハイテクノロジーズ 欠陥観察方法及び欠陥観察装置
CN104125436A (zh) * 2014-08-01 2014-10-29 昆明联诚科技股份有限公司 一种交通事故检测预警方法及系统
JP6041005B2 (ja) * 2015-02-10 2016-12-07 株式会社Ｊｖｃケンウッド 表示制御装置及び表示システム
CN106023267A (zh) * 2016-05-23 2016-10-12 郑州轻工业学院 稀疏性相关度图像质量评价方法

Patent Citations (20)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104680180A (zh) * 2015-03-09 2015-06-03 西安电子科技大学 基于k均值和稀疏自编码的极化sar图像分类方法
CN105150999A (zh) * 2015-09-14 2015-12-16 广东顺德车联管家科技有限公司 一种车辆监控管理方法及终端
CN108267745A (zh) * 2016-06-22 2018-07-10 安溪县景宏技术咨询有限公司 图像形成装置及其图像形成方法
CN106530711A (zh) * 2016-12-16 2017-03-22 合肥寰景信息技术有限公司 一种用于高速车辆的视频图像智能交通分析方法
CN109682388A (zh) * 2018-12-21 2019-04-26 北京智行者科技有限公司 跟随路径的确定方法
CN109919204A (zh) * 2019-02-23 2019-06-21 华南理工大学 一种面向噪声图像的深度学习聚类方法
CN110084739A (zh) * 2019-03-28 2019-08-02 东南大学 一种基于cnn的画质增强算法的fpga并行加速系统
CN110033006A (zh) * 2019-04-04 2019-07-19 中设设计集团股份有限公司 基于颜色特征非线性降维的车辆检测跟踪方法
CN110210378A (zh) * 2019-05-30 2019-09-06 中国电子科技集团公司第三十八研究所 一种基于边缘计算的嵌入式视频图像解析方法及装置
CN111062450A (zh) * 2019-12-30 2020-04-24 西安电子科技大学 基于fpga和scnn架构的图像分类装置及方法
CN212009589U (zh) * 2020-04-15 2020-11-24 华南理工大学 一种基于深度学习的视频识别行车车轨迹获取装置
CN111583341A (zh) * 2020-04-30 2020-08-25 中远海运科技股份有限公司 云台像机移位检测方法
CN111723672A (zh) * 2020-05-25 2020-09-29 华南理工大学 一种视频识别行车轨迹获取方法、装置及存储介质
CN112101433A (zh) * 2020-09-04 2020-12-18 东南大学 一种基于YOLO V4和DeepSORT的分车道车辆自动计数方法
CN113033604A (zh) * 2021-02-03 2021-06-25 淮阴工学院 一种基于SF-YOLOv4网络模型的车辆检测方法、系统及存储介质
CN113822292A (zh) * 2021-02-05 2021-12-21 深圳信息职业技术学院 车辆特征信息存储方法、装置、计算机设备及存储介质
CN113038086A (zh) * 2021-03-30 2021-06-25 广州国交润万交通信息有限公司 一种高速公路运营管理监控系统及方法
CN113658115A (zh) * 2021-07-30 2021-11-16 华南理工大学 一种基于深度卷积生成对抗网络的图像异常检测方法
CN113850123A (zh) * 2021-08-18 2021-12-28 广州国交润万交通信息有限公司 基于视频的公路监控方法及装置、存储介质和监控系统
CN114092884A (zh) * 2021-11-25 2022-02-25 中邮信息科技(北京)有限公司 摄像机镜头移位检测方法、装置、电子设备及存储介质

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
Application of Taguchi Optimization and ANOVA Statistics in Optimal Parameter Setting of Multi-Resolution Segmentation;Hasan Tonbul等;《2019 9th International Conference on Recent Advances in Space Technologies (RAST)》;20190722;全文 *
Compensating Background for Noise due to Camera Vibration in Uncalibrated-Camera-Based Vehicle Speed Measurement System;Thuy Tuong Nguyen等;《IEEE Transactions on Vehicular Technology》;20101206;全文 *
基于图像识别技术的高速公路隧道交通态势分析;陈波等;《中国交通信息化》;20210815(第08期);全文 *
基于深度学习的多模态传感器行为识别研究;孙亚东;《中国优秀博硕士学位论文全文数据库(硕士)信息科技辑》;20200715(第07期);全文 *
摄像机异常检测及分类的算法研究;匡慈维;《中国优秀博硕士学位论文全文数据库(硕士)信息科技辑》;20170215(第02期);全文 *

Also Published As

Publication number Publication date
CN114566052A (zh) 2022-05-31

Similar Documents

Publication Publication Date Title
Sun et al. RSOD: Real-time small object detection algorithm in UAV-based traffic monitoring
Ping et al. Impact of driver behavior on fuel consumption: Classification, evaluation and prediction using machine learning
CN112733749B (zh) 融合注意力机制的实时行人检测方法
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
CN102609680B (zh) 一种基于三维深度图像信息的并行统计学习人体部位检测方法
Luo et al. Learning high-level features by fusing multi-view representation of MLS point clouds for 3D object recognition in road environments
Malik et al. Driving pattern profiling and classification using deep learning
CN110378222A (zh) 一种输电线路防震锤目标检测与缺陷识别方法及装置
CN108133172A (zh) 视频中运动对象分类的方法、车流量的分析方法及装置
CN105320966A (zh) 一种车辆行驶状态识别方法及装置
CN114170533A (zh) 基于注意力机制和多模态表征学习的滑坡识别方法及系统
CN112541532B (zh) 基于密集连接结构的目标检测方法
CN111428558A (zh) 一种基于改进YOLOv3方法的车辆检测方法
JP7464236B2 (ja) 複雑ネットワークによる自動運転車の複雑環境モデル、認知システム及び認知方法
Fan et al. Real-time and accurate abnormal behavior detection in videos
CN112233428B (zh) 车流量预测方法、装置、存储介质及设备
CN113762044A (zh) 道路识别方法、装置、计算机设备和存储介质
Yang et al. Research on subway pedestrian detection algorithms based on SSD model
CN113942521B (zh) 一种智能车路系统下驾驶员风格辨识方法
CN105404858A (zh) 一种基于深度费舍尔网络的车型识别方法
CN114863170A (zh) 一种基于深度学习的新能源车电池自燃预警方法及装置
CN114373099A (zh) 一种基于稀疏图卷积的三维点云分类方法
CN116188842A (zh) 基于轻量化对抗增强的强噪环境下物流违规操作检测方法
CN116186594A (zh) 基于决策网络结合大数据实现环境变化趋势智能检测方法
Chuanxia et al. Machine learning and IoTs for forecasting prediction of smart road traffic flow

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