[发明专利]一种复杂交通路口的智能流量识别与统计方法

权利要求书

1.一种复杂交通路口的智能流量识别与统计方法，其特征在于，所述复杂交通路口的智能流量识别与统计方法包括：

运用制作的数据集训练YOLO_V3检测模型；同时通过鼠标取点将路口划分为多个区域；

运用训练的所述YOLO_V3模型检测视频画面中的车辆和上一帧的跟踪车辆，运用跟踪算法预测车辆下一帧的位置；

根据车辆所在所述划分为多个区域的路口编号的变化情况，分析统计不同路口之间的车流量；

所述复杂交通路口的智能流量识别与统计方法具体包括：

(1)制作数据集：从COCO2017检测训练集中挑出包含car、bus、motorbike和truck其中一种或多种类别的图片；同时从挑选的图片对应的标签集中去除其它类别的标签信息，只留取car、bus、motorbike和truck4类标签；

(2)运用制作的数据集训练YOLO_V3得到检测能力良好的检测模型；将交通路口的视频画面输入已训练的检测模型，输出画面中的目标检测结果；

(3)运用鼠标在视频画面中的十字路口选取四个点，调用算法基于选取的四个点将图像划分为5个区域，分别标记为A、B、C、D和E路口；

(4)检测视频画面中的车辆：运用基于深度学习的检测模型YOLO_V3获得当前视频帧即第t帧的检测车辆信息集

其中class为车辆类别，confidence为置信度，box为检测框，n^t为YOLO_V3所检测出第t帧的车辆数量；模型输出检测框box的格式与训练检测框格式相同，即box＝[x，y，w，h]；

(5)跟踪被检测的车辆，运用DeepSORT跟踪算法得出第t+1帧的跟踪车辆信息集所述下一帧为第t+1帧；

其中m^t+1为跟踪车辆的总数量；id为所述跟踪车辆的唯一编号，前后两帧中同一车辆为同一编号；last表示在第t帧中该跟踪车辆所在的路口编号；now表示在第t+1帧中该跟踪车辆所在的路口编号；first表示该跟踪车辆是否第一次发生路口编号的变化，second表示该车辆是否第二次发生路口编号的变化；first和second的取值为0或1；from参数记录该跟踪车辆的驶出路口编号，goto参数记录该跟踪车辆的驶入路口编号；

(6)统计车流量：在计算初始第1帧时，创建5×5的统计结果矩阵Table，用于记录车辆转向的数量；对于第t+1帧的跟踪车辆集Tranck^t+1的所有跟踪车辆，即所有id＝k，k∈K，K为第t+1帧的所有有效跟踪车辆的id集合，判断跟踪车辆的当前路口编号与上一帧路口编号是否发生变化，若发生变化则判断发生变化次数，并基于不同次数执行不同操作；

若出现跟踪车辆的当前路口编号与上一帧路口编号第一次发生变化，即且则将上一帧的路口编号记为跟踪车辆的驶出路口编号；

若出现跟踪车辆当前路口编号与上一帧的路口编号第二次发生改变，即且则将当前的路口编号记为跟踪车辆的驶入路口编号；

当跟踪车辆的路口编号第二次发生变化后，统计结果矩阵Table中驶出路口至驶入路口的跟踪车辆数量加1；

(7)不断重复步骤步骤(4)至步骤(6)，直到视频结束，最后输出统计结果矩阵Table。

2.如权利要求1所述复杂交通路口的智能流量识别与统计方法，其特征在于，步骤(2)中，所述运用制作的数据集训练YOLO_V3得到检测能力良好的检测模型包括：

将获得的图片集和标签集组成训练集交叉验证训练YOLO_V3检测模型；训练时采用小批量训练模型；将所述图片大小统一为299×299×3；每次训练的图片数量为20至100张；训练学习率1e-4；共迭代训练100次，前100次训练中，验证精度大于99％则停止训练；所述目标检测结果包括：目标物体的类别、置信度和检测框；所述车辆类别有car、bus、motorbike和truck四类；所述置信度用于描述被检测物体属于某一类的概率，置信度越高则代表被检测物体越属于某一类的概率越高；所述检测框：每个物体含有一个检测框，检测框格式为[x，y，w，h]，(x，y)是物体边界框中心点的坐标，w和h分别是物体边界框的宽度和长度。