[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

说明书

本发明公开了一种融合视觉特征和卷积神经网络的道路拥堵检测方法，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；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；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，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；4）计算图像光流直方图的信息熵；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。本发明融合多维度的视觉特征与卷积神经网络，可以更加准确的判断道路的拥堵程度。

技术领域

本发明涉及计算机视觉技术领域，具体涉及一种融合视觉特征和卷积神经网络的道路拥堵检测方法。

背景技术

随着城镇化进程的加速，交通问题不断加剧，造成一定的经济损失，导致城市功能的瘫痪，而且道路拥堵问题造成了交通能耗与环境污染的加剧。因此不少文献致力于智能交通上的研究。道路拥堵问题也成为人们共同关注的焦点。道路拥堵检测是智能交通上的关键步骤。道路拥堵的检测可以及时了解道路交通情况，进行有效的交通信号调度，进一步避免和降低交通事故的产生。

传统的道路拥堵检测，均依赖于对道路的先验知识的收集以及道路参数的估计，例如道路分布网，道路长度，道路数量，交通灯信号循环与实时车辆信息等。不仅如此，这类传统智能交通系统信息的采集均依赖于地感线圈与GPS等硬件设施。而地感线圈的建设需要对路面造成破坏且施工复杂，易损坏，难修复；基于GPS的智慧交通系统又依赖于对车辆对GPS使用，当使用GPS人数较少，则大大会影响交通道路状态的检测精准度。

因此，随着近来影像处理技术的不断发展，且基于视频监控的交通拥堵检测技术由于具有无需对路面造成破坏且能实时反映和采集大量交通信息的优点，基于视频监控的智慧交通逐渐成为热门的研究领域。总的来说，基于监控视频的交通道路拥堵检测技术以上的优势，其具有很强的研究价值和潜在的商业应用。

近来基于视频监控的交通拥堵检测技术大都基于选取合适的视觉特征来进行检测，但是选取的特征都无法全面评估整个道路拥堵状态。再者，这些方法在运动前景检测的精准度也有一定的限制，并未能考虑阴影等其他运动前景。对道路的状态也具有局限性，近来基于视频监控的交通拥堵检测技术可以应用在道路畅通的情况下，但是在交通拥堵或复杂的情况下则效果一般。

发明内容

针对现有技术的不足，本发明提出一种融合视觉特征和卷积神经网络的道路拥堵检测方法，用深度卷积神经网络CNN特征来进一步精确检测运动前景，并且融合多维度的视觉特征，来全面准确地刻画道路拥堵的状态。

为实现上述目的，本发明的技术方案是：

一种融合视觉特征和卷积神经网络的道路拥堵检测方法，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。

进一步地，所述步骤2中，移动车辆识别的方法包括：

步骤21：对输入的初步移动前景进行缩放，使图像满足输入图像的要求，图像I缩放后为图像I'；