[发明专利]基于Faster-RCNN调节绿灯通行时间的方法

说明书

本发明涉及一种基于Faster‑RCNN调节绿灯通行时间的方法，步骤如下：(1)构建等待车辆识别模型；首先进行特征提取得到特征图，然后提取候选区域得到带有大小不一候选框的特征图，接着映射得到小特征图，最后对小特征图进行全连接操作得到带识别框的车辆情况监控图；(2)训练等待车辆识别模型；首先建立训练集，然后训练特征提取网络，接着共享Fast‑RCNN网络和RPN网络参数，最后进行模型剪枝；(3)采集交通路口视频中红灯倒数20～40s时的车辆情况监控图，并将其输入到等待车辆识别模型中，由其输出带识别框的车辆情况监控图，通过统计识别框的数量统计等待车辆数量，根据等待车辆数量调节绿灯通行时间。本发明的模型结构简单，方法耗时较短，能够实现自适应性配时。

技术领域

本发明属于多目标识别技术领域，涉及一种基于Faster-RCNN调节绿灯通行时间的方法。

背景技术

目前的红绿灯配时都是固定的，这会导致绿灯时间在某种情况下会过短导致放行不完全或者过长使其他方向车辆等待时间过久从而造成拥堵。目前有两种解决方法，一种是对该路口的车流量预测再配时，第二种是根据当前路口等待车辆的数量进行自适应性配时。两种方法相比，根据当前路口等待车辆的自适应性配时虽然对技术和处理设备的要求更高，但更有助于缓解交通拥堵情况。

对于等待红灯的车辆，可以建模为静止状态下的车辆检测，而由于红绿灯配时是一个实时性问题，对每一次红灯状况下的等待车辆数量都需要统计，因此加快算法效率十分必要。当算法处理速度足够快时，可以满足实时检测的要求。

对静止的多目标检测问题可以用深度学习方法处理。卷积神经网络(CNN)一般用于图像处理，通过卷积层学习到图像中的特征从而进行识别。但CNN网络在模型训练的速度上比较缓慢，同时难以表达数据之间的时间相关性，在此基础上，改进的区域卷积神经网络(RCNN)能够弥补时间相关性的问题。

在对铁轨损伤的检测研究中发现，传统的RCNN算法由于对每个region proposals都做一次CNN计算，因此计算量过大；在布匹瑕疵检测中发现，改进的Fast-RCNN用selective search将候选框选择出来，将候选区域在feature map上选出来，这样避免了对每个候选区域重复计算的问题，提高了计算速度，但是也带来了第三方工具selectivesearch用以提取feature map的问题，由于selective search是第三方工具，经测试表明，在cpu上，selective search提取候选区域需要2s，因此增加了识别的时间。

发明内容

本发明的目的是解决现有技术中存在的问题，提供一种耗时较短的基于Faster-RCNN调节绿灯通行时间的方法。针对固定的红绿灯配时会降低交通通行效率，本发明一种基于识别、统计等待车辆的算法进行自适应性配时；针对传统的RCNN网络和Fast-RCNN存在的识别算法耗时长、调用第三方软件耗时长的问题，本发明结合识别等待车辆的特殊应用背景，发明一种基于Faster-RCNN算法并使用模型剪枝优化的红灯等待车辆统计方法。

为达到上述目的，本发明采用的技术方案如下：

基于Faster-RCNN调节绿灯通行时间的方法，步骤如下：

(1)构建等待车辆识别模型；

(1.1)特征提取；

将车辆情况监控图输入到特征提取网络中，由其输出特征图；

(1.2)提取候选区域；

将特征图作为Faster-RCNN网络中RPN网络的输入，由RPN网络生成锚框对特征图进行判断，同时对锚框自身进行修正，输出带有大小不一候选框的特征图，候选框为候选区域内判定“是车辆”的锚框；

(1.3)映射；