[发明专利]一种复杂交通路口的智能流量识别与统计方法

说明书

本发明属于智能交通技术领域，公开了一种复杂交通路口的智能流量识别与统计方法，构建复杂交通路口视频数据集，并训练深度检测模型；通过鼠标取点将路口，自动划分检测区域，并进行编号；运用训练好的深度学习模型检测视频画面中的车辆；根据检测的车辆和上一帧的跟踪车辆，运用目标跟踪算法预测车辆下一帧的位置；根据车辆所在路口编号的变化情况，统计车流量；重复步骤三至步骤五，直到视频结束或人为停止。本发明可以在多种复杂交通路口环境下自动识别车辆类型，按车辆类型统计数量，及统计不同路口之间的车流量，具有统计结果准确以及实时性良好的优点，具有较高的工程实用价值。

技术领域

本发明属于智能交通技术领域，尤其涉及一种复杂交通路口的智能流量识别与统计方法。

背景技术

目前，随着社会经济的不断发展，为满足人们日常出行的需求，汽车的需求在逐年扩大。加之现代城市土地资源稀缺、寸土寸金，交通堵塞的现象不断出现且越发平常化与严重化。特别是在上下班的高峰时间，道路拥堵现象更为严重。这严重影响了现代社会人们的生活和工作效率，成为了一个不可忽视且急需改善或解决的社会问题。而城市大脑、智慧交通和大数据等概念的提出，让我们看到有效解决交通堵塞问题的希望。例如，通过智慧交通分析交通路口的流量，可以检测出拥堵路段，做到红绿灯智能配时，也可通过手机平台引导车主避开拥堵路段等一系列手段。智能流量统计就是智慧交通中重要且基础的一环。其统计方法的准确性和实时性也直接或间接地影响着城市大脑算法最终的准确性和实时性。故针对复杂路口的智能车流量统计受到人们的广泛关注。

针对视频的智能流量统计方法主要包含针对车辆的目标检测和目标跟踪等技术。目标检测指的是，识别图片中有哪些物体以及这些物体的坐标位置。目标检测方法可分为传统图像处理和基于深度学习的检测方法两大类。传统的目标检测方法有红外检测；Viola-Jones，其采用积分图特征+AdaBoost方法进行检测；HOG+SVM，其通过目标候选区域提取HOG特征，并结合SVM分类器来进行判定等方法。利用对于传统的检测方法在实时性方面有一定优势，但其大多准确度差，需要手工设计特征，并且识别的环境也会被限制等不足，故传统的检测方法一直有着效率不佳的问题。而基于深度学习的检测方法有one-stage检测算法，如YOLO(You Only Look Once)和SSD(Single Shot MultiBox Detector)系列的神经网络，其可以直接回归出目标的边界框和类别。还有two-stage的检测算法，如FasterR-CNN系列的神经网络，其首先初步检测出物体位置，然后再基于第一阶段的结果进一步精细化并做分类。

目标跟踪指的是，给定视频其中一帧图像中的目标位置后，根据跟踪算法预测出后续帧中目标的位置。目标跟踪算法可以分为单目标跟踪和多目标跟踪。顾名思义，单目标跟踪只针对一个特定物体实行跟踪，而多目标跟踪需要针对多个物体实行同步跟踪。单目标跟踪中较为经典的算法大多基于相关滤波(correlation filter)的思想。其中MOSSE(Minimum Output Sum of Squared Error)为相关滤波跟踪算法的鼻祖。通过MOSSE算法衍生出一些相关滤波跟踪的经典算法，如KCF(Kernelized Correlation Filter)、DSST(Discriminative Scale Space Tracking)和SRDCF(Spatially RegularizedDiscriminative Correlation Filter)等算法。单目标跟踪的缺点在复杂交通场景中较为明显，如经常出现两相邻车辆相互交叉跟踪、目标车辆被遮挡而跟踪失败等现象。而多目标跟踪可以很好的解决这些问题，有SORT(Simple Online and Realtime Tracking)、DeepSORT(Simple Online and Realtime Tracking with a Deep Association Metric)和IOU Tracker(Intersection Over Union Tracker)等算法。DeepSORT跟踪算法是SORT算法的改进版，其将运动和外观特征信息两者以适当的度量方式集成到匈牙利匹配算法之中。