[发明专利]一种基于YOLO V4和DeepSORT的分车道车辆自动计数方法

说明书

本发明公开一种基于YOLO V4和DeepSORT的分车道车辆自动计数方法，包括以下步骤：收集YOLO V4训练数据集和车辆重识别数据集与数据增强，搭建YOLO V4模型并进行训练，搭建DeepSORT目标追踪模型，进行车辆的追踪并提取每辆车运行轨迹，搭建轨迹记录文件并存储每辆车的运行轨迹信息，使用DBSCAN聚类算法对轨迹数据的终点坐标进行聚类，将聚类簇与车道信息进行关联，根据轨迹数据的变化规律以及轨迹和聚类簇对应关系，实现车辆的分车道计数功能；本发明采用了YOLO V4+DeepSORT车辆检测和追踪模型，保证了车辆检测和追踪实时性的同时，精度也有了大幅度提升。

技术领域

本发明涉及交通大数据领域，具体的是一种基于YOLO V4和DeepSORT的分车道车辆自动计数方法。

背景技术

交通流参数提取作为交通管理和控制的一项基本且重要的任务，为交通管理者的决策和管理带来了便利。目前一些典型的交通流参数提取的方法主要分为(1)有基于线圈检测的方式；(2)基于红线传感器检测的方式；(3)基于微波技术检测方式等。基于线圈检测的方式是一种接触式的检测方式，其缺点是安装和拆卸麻烦，不能很好地提取车辆的轨迹数据，且不适用于拥堵情况较严重的路段。基于红外线或者微波技术的检测方式采用了非接触式的检测方式，安装和拆卸较为方便，但是其无法区分不同车道的车辆，且同样受限于交通拥堵较多的路段。

近年来，随着交通监控的大面积覆盖，基于交通监控的车辆轨迹提取、分车道车辆计数等应用受到人们的关注，相较于上述一些传统的交通流参数提取方式，基于视频的检测方式具有以下优势：

(1)非接触式的检测方式，安装和拆卸方便；

(2)可以区分车辆的车型和车辆所处的车道；

(3)受交通拥堵等情况限制较小，可以较好地检测和追踪交通拥堵中的车辆。

论文《Real-Time Traffic Flow Parameter Estimation From UAV Video Basedon Ensemble Classifier and Optical Flow》基于无人机监控视频，采用了Haar cascade和卷积神经网络检测视频监控中的车辆，然后使用光流理论捕捉车辆在时间维度上的运动信息，最后根据运动信息，提取监控路段的交通流参数(轨迹，速度，车流量)，该方法适用于特定的监控视频(无人机监控视频)，但其受限于其他监控类型(如卡口监控，高空相机等)。论文《Vision-based vehicle detection and counting system using deep learningin highway scenes》基于高速公路监控视频，采用了深度学习YOLO V3目标检测模型进行车辆检测，然后使用ORB算法获取车辆轨迹，并实现不同车辆的计数功能，该方法利用了YOLO V3来捕捉车辆，检测精度得到了大幅度的提升。论文《Vehicle Count System basedon Time Interval Image Capture Method and Deep Learning Mask R-CNN》采用了MaskRCNN目标检测和分割模型对特定道路的车辆进行捕捉和计数，但是其对非机动车等小物体识别能力较差且检测速度无法得到保证。

综上所述，目前研究方法的主要缺点有：

(1)就车辆位置检测算法/模型而言，目前大多数研究方法主要通过背景减除法或者光流法来检测车辆，其检测精度不高，影响交通流参数提取的精度和效率；少数研究使用精度较好的卷积神经网络模型来进行车辆检测，但是由于卷积神经网络模型较大，无法很好地满足检测的实时性要求，影响交通流参数提取的速度和效率。

(2)就车辆的运动信息提取而言，目前大多数研究方法主要通过光流法/检测区域的图像特征匹配/卡尔曼滤波等方法进行车辆追踪，其适用于车辆稀少的路段，但是受限于复杂/拥堵路段。