[发明专利]基于深度学习的多车道拥堵检测及持续时间预测方法及系统

说明书

本发明公开了智能交通与图像处理技术领域的基于深度学习的多车道拥堵检测及持续时间预测方法及系统，能提高多车道拥堵检测的准确率且可以对拥堵持续时间进行准确预测。获取道路交通监控实时视频流，进而获取运动前景图像；利用若干帧运动前景图像计算视频流中的道路行车兴趣区域；基于光流提取神经网络，获取道路行车兴趣区域的光流矩阵；基于车辆密度热图提取网络，获取当前场景的车辆密度热图；将道路行车兴趣区域的光流矩阵与车辆密度热图叠加后输入拥堵判定模型，得到拥堵判定结果；将道路行车兴趣区域的光流矩阵与车辆密度热图叠加后输入循环卷积神经网络，获得设定时间段后的车辆密度热图与拥堵置信度，进而获取拥堵持续时间的预测值。

技术领域

本发明属于智能交通与图像处理技术领域，具体涉及一种基于深度学习的多车道拥堵检测及持续时间预测方法及系统。

背景技术

随着社会经济和出行需求的快速发展，交通拥堵频繁发生，造成巨大的经济损失和环境污染，实时、准确、有效地通报交通拥堵就显得尤为重要，也是智能交通控制和诱导的关键技术之一，基于视频分析的智能交通系统逐渐被推广，与传统方法相比，交通视频的监控范围大、交通信息多、监控成本低，具有一定优势。

目前的检测方式基于预先设定区域单特征进行判断，对场景环境以及视频质量有着较高要求，然而实际交通场景复杂多变，针对各种场景设置检测区域繁琐且耗费人力，而且使用单一特征信息无法准确表达交通运行状况，准确率偏低，难以进行分车道的交通拥堵检测，同时无法对拥堵持续时间进行预测，仍需人力来对拥堵时间进行分析。

发明内容

为解决现有技术中的不足，本发明提供一种基于深度学习的多车道拥堵检测及持续时间预测方法及系统，能提高多车道拥堵检测的准确率且同时可以对拥堵持续时间进行准确预测。

为达到上述目的，本发明所采用的技术方案是：

第一方面，提供一种多车道拥堵检测及持续时间预测方法，包括：获取道路交通监控实时视频流，进而获取运动前景图像；利用若干帧运动前景图像计算视频流中的道路行车兴趣区域；基于光流提取神经网络，获取道路行车兴趣区域的光流矩阵，并根据行车兴趣区域的光流矩阵得到车道分割结果；基于车辆密度热图提取网络，获取当前场景的车辆密度热图；将道路行车兴趣区域的光流矩阵与车辆密度热图叠加后输入拥堵判定模型，得到拥堵判定结果；将道路行车兴趣区域的光流矩阵与车辆密度热图叠加后输入循环卷积神经网络，获得设定时间段后的车辆密度热图与拥堵置信度，进而获取拥堵持续时间的预测值。

进一步地，所述利用若干帧运动前景图像计算视频流中的道路行车兴趣区域，具体为：S211、获取实时视频流中每一帧的前景图像；S212、基于图像透视原理对各前景图像做自适应膨胀处理；S213、循环完成步骤S211，S212若干次后，获取若干帧前景图像构成前景图像集合M，通过前景图像集合M合成行车道路关注区域；S214、对S213生成的行车道路关注区域进行中值滤波，平滑边界，获得道路行车兴趣区域。

进一步地，所述基于光流提取神经网络，获取道路行车兴趣区域的光流矩阵，并根据行车兴趣区域的光流矩阵得到车道分割结果，具体为：S311、利用针对交通监控场景训练的光流提取神经网络对一定间隔的帧图像提取第一光流矩阵；S312、重复S311并对其生成的第一光流矩阵叠加后的第二光流矩阵各像素的光流做单位化处理，获得光流方向矩阵；S313、将光流方向矩阵与道路行车兴趣区域进行叠加，得到仅包含道路行车兴趣区域的光流矩阵；S314、对行车兴趣区域的光流矩阵中的元素按照矢量角度进行聚类，所获得的聚类结果中，归属同一类的区域即为道路分割结果。

进一步地，所述仅包含道路行车兴趣区域的光流矩阵，是以二维向量加车道分割标签形式表示光流方向的矩阵。