[发明专利]一种融合视觉特征和卷积神经网络的道路拥堵检测方法

权利要求书

1.一种融合视觉特征和卷积神经网络的道路拥堵检测方法，其特征在于，包括：

步骤1：对输入的影像视频序列进行移动前景检测与背景建模，得到原始影像的背景和初步移动前景；

步骤2：将初步移动前景集合输入卷积神经网络，进行移动车辆识别，排除其他非移动车辆的移动前景，得到最终移动前景集合；

步骤3：利用最终移动前景集合计算反映交通状态的图像视觉特征，所述图像视觉特征包括交通密度、交通速度、交通占有率和交通流量；

步骤4：计算图像光流直方图的信息熵；

步骤5：利用交通密度、交通速度、交通占有率、交通流量和光流直方图的信息熵，判断交通道路拥堵状态；

其中，所述步骤3中，图像视觉特征的计算方法如下：

对待检测的大小为M×N的图像I计算灰度共生矩阵M_glcm，i,j表示0～255之间的灰度值，则灰度共生矩阵M_glcm第i行第j列的值M_glcm(i,j)为：

M_glcm(i,j)＝#{(x₁,y₁),(x₂,y₂)∈M×N|I(x₁,y₁)＝i,I(x₂,y₂)＝j}，

其中，#{·}表示集合元素的个数，I(x₁,y₁)表示图像I在位置(x₁,y₁)的灰度值，且位置和θ分别表示(x₁,y₁)与(x₂,y₂)的偏离步长和方向；当取水平方向时，θ＝±(1,0)；取垂直方向时，θ＝±(0,1)；取45°方向时，θ＝±(1,-1)；取135°方向时，θ＝±(1,1)；取灰度共生矩阵M_glcm的反差特征值Con作为交通密度，

Con＝E(Con')

其中，N_g为图像灰度级，E(·)为数学期望；

计算待检测图像的金字塔Lucas-Kanade光流场，计算光流的期望值v^*作为交通速度，

其中，v'_m为在金字塔图像上对第m个跟踪角点计算出光流速度，n是光流场中跟踪的角点个数；

对最终移动前景集合，计算交通占有率σ，

其中，d_p表示最终移动前景集合的第p个元素即第p个前景块目标，S'(d_p)表示该前景的连通区域的最小外接矩面积之和，q表示前景块目标个数，S为图像道路面积；

统计最终移动前景集合中运动目标前景数量，计算交通流量γ，

γ＝#{d_p|d_p∈D}

其中，D为最终移动前景集合，#{·}表示集合元素的个数；

其中，所述步骤5具体包括：

步骤51：利用交通密度Con、交通速度v^*、交通占有率σ、交通流量γ和光流直方图信息熵Ent计算拥堵系数

其中，w_Con、w_σ、w_γ，w_Ent分别为交通密度Con、交通占有率σ、交通流量γ和光流直方图信息熵Ent的权值系数，ε为误差调节因子；

步骤52：利用道路拥堵系数来判断交通道路所处的交通状态，当时，道路拥挤；

当时，道路缓行；当时，道路通畅，其中，与分别为预设的最大和最小判别阈值。