[发明专利]一种基于计算机视觉的道路拥堵状态检测方法

权利要求书

1.一种基于计算机视觉的道路拥堵状态检测方法，其特征在于：具体工艺步骤为：

步骤1：截取交通监控图像：利用现有的道路交通监控系统，从城市交通道路监控视频中每5秒截取一张交通监控图像，将采集的大量图像处理后作为数据集；并将数据集标记为三类：车辆较少、车辆较多和车辆密集，作为卷积神经网络训练的训练集；

步骤2：构建卷积神经网络：针对三类车辆密度状态的数据集，采用迁移学习训练方法构建一个卷积神经网络，实现对三类交通车辆密度状态的准确识别，形成训练成熟的卷积神经网络；

迁移学习训练方法采用ImageNet数据集训练出的vgg16模型作为基础，将全连接层以上的卷积层和池化层保留参数进行迁移；然后使用训练好的神经网络训练集作为输入，获取在ImageNet上已训练成熟的VGG16网络中的卷积部分输出，从而利用这个输出预训练一个全连接网络；将迁移过来的卷积层与预训练好的全连接层进行对接，开始模型训练，在训练过程中冻结VGG16迁移过来的卷积层的参数，只对全连接层参数进行微调；迁移模型共包含1个输入层，13个卷积层、5个最大池化层，2个全连接层和一个输出层；卷积层之前为输入层；第1-2层卷积层中卷积滤波器个数为64，大小为3×3；第3-4层卷积层中的卷积滤波器个数为128，大小为3×3；第5-7层卷积层中的卷积滤波器个数为256，大小为3×3；第8-13层卷积层中的卷积滤波器个数为512，大小为3×3；第14-15层为全连接层，对应的节点个数分别为：256、128；最后输出层为softmax分类器，节点个数为3，即我们所需要的交通密度分类数；最大池化层位于第2、第4、第7、第13层之后，池化区域大小为2×2；卷积和池化步长都为1；

步骤3：判断车辆密度状态：将实时的交通监控视频，每隔5秒截取一帧图像送入所述步骤2中训练成熟的卷积神经网络，获得当前交通车辆密集程度，卷积神经网络对传入的图像进行分类，判断其状态为车辆稀少、车辆较多或是车辆密集；如果判断结果为车辆稀少，则交通为非拥堵状态，系统正常运行，否则进入步骤4；

步骤4：计算光流值并判断车辆速度：当卷积神经网络判断当前交通情况为车辆较多和车辆密集时，使用光流算法计算一次截取的视频图像序列中当前帧与后一帧之间的光流场，从而判断交通拥堵状态；而当判断结果为车辆稀少时，则默认此时交通是不拥堵状态；从而获得交通的拥堵情况，实现对道路拥堵状态的检测；

计算光流值并判断车辆速度的方法具体实现步骤为：设u和v分别表示图像像素点(x，y)处的光流矢量沿x和y方向的分量，使用Horn-Schunck光流算法求得u,v即：

其中n代表迭代次数，光流初始值u⁽⁰⁾，v⁽⁰⁾为0，I_x、I_y、I_t分别为像素点的灰度值沿x，y，t三个方向的偏导数；根据所得的该像素点沿X轴和Y轴的速度矢量u、v，求模：

x表示像素点的位移值；根据监控视频图像中实际距离与像素距离的比值x_i，计算像素移动的实际距离x_t：

x_t＝x_i·x

监控视频的帧率为f，则帧间时间差t为：

得到像素点的实际速度v为：

监控视频图像所有像素点个数为n，则求得所有像素的平均速度：

根据的速度大小，则判断此时交通的拥堵情况，当小于10km/H时，判断交通状态为拥堵；当大于10km/H时，判断交通状态为非拥堵，实现基于计算机视觉的道路拥堵状态的检测。

2.根据权利要求1所述的基于计算机视觉的道路拥堵状态检测方法，其特征在于：所述卷积神经网络的训练集具体实现步骤为：

(1)在城市道路的不同路况的交通监控视频中进行截取，获得大量RGB格式图像，再统一调整为224*224*3的尺寸；

(2)计算出数据集中所有图像RGB三个通道的均值,再对输入数据进行0均值标准化处理；

(3)根据所有图像处理后的数据对车辆密度分三类进行标记，标记类别为：车辆稀少、车辆较多和车辆密集，作为训练好的神经网络训练集。