[发明专利]基于改进SSD的智能交通车流量管理方法

说明书

本发明涉及智能交通技术领域，具体公开了基于改进SSD的智能交通车流量管理方法，包括，步骤S4，通过布设在检测路段的摄像头，采集车流状况图像；步骤S5，将采集到的车流状况图像通过车流量分类检测模型进行车流量分类分析，得到车流量分类检测信息。步骤S6，根据车流量分类检测信息分析得到车流量高峰时间和最大车流量的车类别；步骤S7，在检测路段的车流量高峰时间时，根据交通信号灯调节规则和最大车流量的车流别，调节检测路段的路口信号灯的切换和倒计时显示，以及交通信号灯显示车通行的时长。采用本发明的技术方案能够在车流量高峰时领购调节交通信号灯等候时间，缓解交通拥堵情况。

技术领域

本发明涉及智能交通技术领域，特别涉及基于改进SSD的智能交通车流量管理方法。

背景技术

交通系统的正常运行，只要是对路段中的车辆进行分流，以保证路段的畅通性。传统的交通系统，主要有两大类：一、在特定路段下铺设安装压力传感器，当车辆通过时，压力传感器感受车辆的压力并进行计数统计；二、使用如超声波、红外线以及射频信号等，当有车辆进入相关区域时，检测器发射相关脉冲并进行计数。这两种系统中，第一种在安装压力传感器时，会破坏地面的完整性，并且在有频繁车辆经过时，系统的寿命不是很长，重新更换时工程量很大；第二种，在两车的距离相隔较近时，测量的准确度比较低。而且这两种方法都无法对目标车辆进行精确的分类，无法得到进一步的车辆信息，只能进行定时通行，对于在不同路口以及不同路段，高峰拥挤的车辆不能进行灵活的时间设计，具有很大的局限性。

随着深度学习理论的快速发展、基于计算机视觉目标检测及分类计数的完善和精确度的不断提高，新型智能系统应运而生。基于计算机视觉的目标检测方法通常使用特征提取法，但是这种方法费事耗力，而且随着环境的变化、目标本身的部分形变、外界光照变化等因素的影响，导致目标容易丢失，无法联系检测。

SSD(Singles Shot Multibox Detector)方法是一种基于前馈神经网络的目标分类及检测方法，这种方法产生一系列固定大小的目标框以及目标所属分类的概率，然后使用非最大抑制算法来确定最终的检测目标，但是其基础网络VGG-16占据了大约80％的计算时间，因此有较长的延时，不适合实时检测及分类。

发明内容

为解决在车流量高峰时不能进行灵活调节的交通信号灯等候时间，以缓解交通拥堵的技术问题，本发明提供基于改进SSD的智能交通车流量管理方法。

本发明基础方案如下：

基于改进SSD的智能交通车流量管理方法，包括以下步骤：

步骤S1，设计基础网络；

步骤S2，采集图片样本，将图片样本分为训练集和测试集，对训练集的图片样本进行初始化；

步骤S3，在初始网络下，对训练集进行神经网络训练，然后使用测试集对训练得到的神经网络进行评估，得到车流量分类检测模型；

步骤S4，通过布设在检测路段的摄像头，采集车流状况图像；

步骤S5，将采集到的车流状况图像通过车流量分类检测模型进行车流量分类分析，得到车流量分类检测信息。

步骤S6，根据车流量分类检测信息按照时间进行分析得到检测路段的车流量高峰时间和最大车流量的车类别；

步骤S7，根据交通信号灯调节规则，在检测路段的车流量高峰时间时，调节检测路段的路口信号灯的切换和倒计时显示，并根据最大车流量的车类别调节交通信号灯显示车通行的时长。

基础方案的有益效果为：1.本技术方案结合计算机技术和深度学习理论，可以对车流量分类检测模型进行训练，从而方便对通过检测路段的车辆进行不同车辆类型的区分，以及根据不同类型车辆分别进行车流量统计。