[发明专利]一种基于路面提取与分割的深度学习车辆计数方法

权利要求书

1.一种基于路面提取与分割的深度学习车辆计数方法，其特征在于，该方法包括如下步骤：

步骤一，运用数字图像处理方法对交通视频进行处理，提取完整的路面区域图像；

步骤二，利用提取的道路路面区域，使用分割策略将路面分割为“近端”“远端”两部分，得到路面提取分割后的交通图像；

步骤三，使用深度学习目标检测算法，分别对分割后的路面区域进行车辆检测，得到路面“近端”及“远端”的车辆图像位置及车辆类别；

步骤四，使用跟踪算法，并利用步骤三得到的车辆图像位置及车辆类别，获取车辆目标轨迹；

步骤五，在步骤二得到的路面提取分割后的交通图像中确定检测线位置；

步骤六，统计与步骤五中的检测线相交的轨迹，即为车辆计数结果。

2.如权利要求1所述的基于路面提取与分割的深度学习车辆计数方法，其特征在于，所述步骤一具体包括以下步骤：

步骤1.1，取输入的交通视频的多个连续帧，采用高斯混合建模方法，提取出交通场景背景图像，消除路面中车辆行驶的影响；

步骤1.2，对步骤1.1中提取的交通场景背景图像，采用数字滤波器对背景图像进行平滑处理得到交通图像，再对该交通图像进行平滑滤波，得到滤波后的图像；

步骤1.3，对步骤1.2滤波后的图像，采用漫水填充算法，分离出路面区域；

步骤1.4，对步骤1.3提取的路面区域，进行孔洞填充及形态学膨胀操作，从而提取完整的路面区域图像。

3.如权利要求1所述的基于路面提取与分割的深度学习车辆计数方法，其特征在于，所述步骤二具体包括以下步骤：

步骤2.1，将步骤一得到的路面区域图像，对其生成最小外接矩形，排除路面区域图像中全为0的像素行、全为0的像素列；

步骤2.2，在步骤2.1得到的图像的左上角建立直角坐标系，并按图像的高度等分为五份，将临近坐标轴原点的部分区域定义为路面的“似远端”，剩下的区域为路面的“似近端”；“似近端”与“似远端”有一定像素长度的重叠；

步骤2.3，在“似近端”、“似远端”内分别对图像的像素值进行按列搜索，某列像素值全部为0的区域，则认为是无效区域；排除无效区域后，所保留的区域即为路面的“近端”、“远端”。

4.如权利要求1所述的基于路面提取与分割的深度学习车辆计数方法，其特征在于，所述步骤三中使用深度学习目标检测算法，分别对分割后的路面区域进行车辆检测的具体方法：将路面的“近端”、“远端”两部分图像送入深度学习网络进行车辆的检测，可得到路面“近端”及“远端”的车辆图像位置及车辆类别，将“近端”和“远端”两个区域的车辆图像位置车辆类别合并。

5.如权利要求1所述的基于路面提取与分割的深度学习车辆计数方法，其特征在于，所述步骤四中使用跟踪算法的方法包括以下步骤：

步骤4.1，对步骤三检测到的车辆图像位置对应的车辆目标框，使用ORB算法提取车辆目标框中的特征点，并使用该车辆目标框中的特征点在下一帧图像中预测该车辆的位置，给出车辆预测框，并采用步骤三中的深度学习目标检测算法对该下一帧图像进行检测，得到该下一帧图像的车辆检测框；

步骤4.2，判断步骤4.1中得到的车辆预测框与所述的下一帧图像的车辆检测框是否满足中心点的最短距离T的要求，若满足，则说明同一车辆目标在相邻两帧之间匹配成功，若不满足，则匹配失败；

步骤4.3，当在步骤4.2匹配成功时，则生成车辆目标轨迹，生成的车辆目标轨迹为步骤4.1中车辆目标框与下一帧图像的车辆检测框的中心点的连线；当目标轨迹连续多帧未更新，则删除该轨迹；若连续多帧在步骤4.2中都匹配失败时，删除该车辆预测框。

6.如权利要求1所述的基于路面提取与分割的深度学习车辆计数方法，其特征在于，所述步骤五中在路面提取分割后的交通图像中确定检测线位置的方法：利用步骤2.2建立的直角坐标系，该检测线放置于交通图像按图像的高等分的1/2处。

7.如权利要求1所述的基于路面提取与分割的深度学习车辆计数方法，其特征在于，所述步骤六中统计经过检测线的轨迹的方法：当目标的轨迹与检测线相交时，则统计该目标的信息，计入当前车流量；该目标的信息包括：车辆类别、车辆驶向或驶离摄像机方向的不同类别的车的数量。