[发明专利]一种基于图像处理的交通拥堵判断方法

权利要求书

1.一种基于图像处理的交通拥堵判断方法，其特征在于，包括：

实时提取拍摄的交通运行图像，并对图像进行预处理；

计算预处理后的交通运行图像的灰度共生矩阵，根据灰度共生矩阵计算特征值，根据计算得到的特征值，进一步计算判断值S；其中，所述特征值包括能量、熵、对比度；

根据每一交通运行图像的判断值S，通过与预设判断值阈值进行比较，以对对应交通运行图像的拥堵情况进行判断；

对于判断值阈值无法进行拥堵情况判断的交通运行图像，构建深度学习模型，进行精确交通拥堵判断；

在通过与预设判断值阈值进行比较，以对对应交通运行图像的拥堵情况进行判断的步骤中，包括步骤：

获取交通运行图像样本，将交通运行图像样本区分为交通拥堵类图像和非交通拥堵类图像；

计算交通拥堵类图像和非交通拥堵类图像中每一图像的判断值S，并确定交通拥堵类图像中的判断值S最大值JAM_max以及最小值JAM_min，以及确定非交通拥堵类图像中的判断值S最大值NOJAM_max以及NOJAM_min；

在NOJAM_max的值小于JAM_min的条件下，当实时获取的交通运行图像的判断值S大于NOJAM_max时，判断该图像为交通拥堵，当实时获取的交通运行图像的判断值S小于JAM_min时，判断该图像为道路通畅；

对于实时获取的交通运行图像的判断值S小于NOJAM_max且大于JAM_min时，构建深度学习模型，进行精确交通拥堵判断。

2.根据权利要求1所述的基于图像处理的交通拥堵判断方法，其特征在于，在对图像进行预处理的步骤中，包括步骤：

对交通运行图像进行灰度转化并计算其最大灰度级；

遍历每一交通运行图像的图片矩阵中的灰度值，并将其缩小至16以内。

3.根据权利要求1所述的基于图像处理的交通拥堵判断方法，其特征在于，在计算预处理后的交通运行图像的灰度共生矩阵时，针对交通运行图像的灰度图矩阵中的每一像素点，计算与该像素点的角度呈0°、45°、90°和135°的像素点得到的灰度共生矩阵。

4.根据权利要求1所述的基于图像处理的交通拥堵判断方法，其特征在于，特征值包括能量、熵、对比度；

其中，能量ASM用于反映图像灰度分布均匀程度和纹理粗细程度，计算公式为：

其中，P(i，j)表示灰度共生矩阵第i行、第j列的值；

熵ENT表现图像的复杂程度，计算公式为：

对比度CON反映图像的清晰度和纹理结构深浅，计算公式为：

5.根据权利要求1所述的基于图像处理的交通拥堵判断方法，其特征在于，在根据计算得到的特征值，进一步计算判断值S的步骤中，包括步骤：

对数量级较小的ASM值进行取对数操作：

A′_{0，45，90，135}＝-ln A_{0，45，90，135}

对所有的ASM、ENT、CON进行加权平均得到S：

S＝(A′₀+A′₄₅+A′₉₀+A′₁₃₅)/4+(E₀+E₄₅+E₉₀+E₁₃₅)/4+(C₀+C₄₅+C₉₀+C₁₃₅)/4。

6.根据权利要求1所述的基于图像处理的交通拥堵判断方法，其特征在于，构建深度学习模型的步骤包括：

设计深度学习模型结构；其中，深度学习模型结构为3层CNN网络结构，含有三个卷积层；

设计每个卷积层中的通道数、卷积核尺寸、激活函数、池化方法；其中，3层CNN网络结构的Layer1中的卷积层通道数为16，卷积核大小为5x5，激活函数为LeakReLU，池化层采用最大池化原则，池化大小为2x2；Layer2中的卷积层通道数为32，卷积核大小为5x5，激活函数为LeakReLU，池化层采用最大池化原则，池化大小为2x2；Layer3中的卷积层通道数为64，卷积核大小为3x3，激活函数为LeakReLU，池化层采用最大池化原则，池化大小为2x2；

选择输出层的全连接单元、激活函数；其中，在输出时，使用Flatten层将多维输入一维化，用于Layer3到输出的过渡，使用Dense层进行全连接，激活函数为ReLU，使用Dropout层进行随机弃权，提高了模型的泛化性，减轻过拟合效果，最后由Sigmoid激活函数得到最终的输出。