[发明专利]一种基于卷积神经网络的交通状况检测方法、系统及存储介质

权利要求书

1.一种基于卷积神经网络的交通状况检测方法，其特征在于，包括如下步骤：

获取车载设备采集的路面图片；

在所述路面图片中提取感兴趣区域，所述感兴趣区域包含有路况特征区域；

将所述感兴趣区域输入预先训练好的卷积神经网络，得到路况检测结果；所述路况检测结果包括路况类型及对应的概率。

2.根据权利要求1所述的基于卷积神经网络的交通状况检测方法，其特征在于，所述步骤在所述路面图片中提取感兴趣区域，包括：

基于SSDMobileNet的对象检测模型在所述路面图片中识别并提取所述感兴趣区域。

3.根据权利要求1所述的基于卷积神经网络的交通状况检测方法，其特征在于，所述步骤在所述路面图片中提取感兴趣区域之后，还包括：

将所述感兴趣区域的分辨率调整至目标分辨率，所述目标分辨率为256*256像素。

4.根据权利要求1所述的基于卷积神经网络的交通状况检测方法，其特征在于，所述步骤获取车载设备采集的路面图片之前，还包括：

构建卷积神经网络，所述卷积神经网络包括输入层、N个激活层、全连接层、和输出层；所述激活层包括卷积层和池化层；

所述步骤将所述感兴趣区域输入预先训练好的卷积神经网络，得到路况检测结果，包括：

在激活层中采用Relu函数作为神经元的输出激活函数，输入层的输入值经过N个激活层后，通过全连接层将特征数据映射到样本空间当中，在输出层输出得到感兴趣区域中的路况类型及对应的概率组合。

5.根据权利要求4所述的基于卷积神经网络的交通状况检测方法，其特征在于，所述卷积神经网络包括3个激活层，分别为激活层一、激活层二、激活层三；

所述激活层一包括卷积层一和池化层一，卷积层一得输出值经Relu函数激活后作为池化层一的输入值；所述激活层二包括卷积层二和池化层二，卷积层二的输出值经Relu函数激活后作为池化层二的输入值；所述激活层三包括卷积层三和池化层三，卷积层三的输出值经Relu函数激活后作为池化层三的输入值。

6.根据权利要求5所述的基于卷积神经网络的交通状况检测方法，其特征在于，所述卷积层一、卷积层二、卷积层三的扫描单元是10*10像素单元；所述池化层一、池化层二、池化层三的扫描单元是2*2像素单元。

7.根据权利要求1所述的基于卷积神经网络的交通状况检测方法，其特征在于，所述步骤将所述感兴趣区域输入预先训练好的卷积神经网络，得到路况检测结果之后，还包括：

将得到的所述路况检测结果上传至云服务器；

云服务器收集所述路况检测结果及对应的车载设备定位，汇总处理并匹配车载设备生成优选路线，发送至所述车载设备。

8.根据权利要求6所述的基于卷积神经网络的交通状况检测方法，其特征在于，所述步骤云服务器收集所述路况检测结果及对应的车载设备定位，汇总处理并匹配车载设备生成优选路线，发送至所述车载设备，包括：

云服务器收集得到各行车用户上传的所述路况检测结果后，将全部路况检测结果汇总，然后将全部路况检测结果发送至全部行车用户的车载设备；并经算法处理，针对各行车用户的当前所在位置和各行车用户需要前往的目的地，根据所述全部路况检测结果进行对比，得到优选路线，并将所述优选路线的推荐意见发送至各行车用户的车载设备。

9.一种基于卷积神经网络的交通状况检测系统，用于实现如权利要求1至8任一项所述的基于卷积神经网络的交通状况检测方法，其特征在于，包括：

获取单元，用于获取车载设备采集的路面图片；

提取单元，用于在所述路面图片中提取感兴趣区域，所述感兴趣区域包含有路面区域；

处理单元，用于将所述感兴趣区域输入预先训练好的卷积神经网络，得到路况检测结果；所述路况检测结果包括路况类型及对应的概率；

所述处理单元包括卷积神经网络，所述卷积神经网络包括输入层、激活层、全连接层、和输出层；所述激活层包括卷积层和池化层。

10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1-8任一项所述的一种基于卷积神经网络的交通状况检测方法。