[发明专利]一种针对复杂监控场景的多车道车流量检测方法

说明书

本发明公开了一种针对复杂监控场景的多车道车流量检测方法，步骤为：步骤1，取得实时监控视频流，提取运动前景图像；步骤2，获取大致行车区域，进行膨胀处理，得到道路区域；步骤3，提取道路区域的光流矢量，保留光流矢量角度信息并通过角度信息对其聚类，得到不同朝向的车道分割结果；步骤4，跟踪图像中的车辆，获得各车辆目标的边界框以及轨迹信息；步骤5，利用车辆分布密度估计网络得到车辆分布密度信息；步骤6，基于分布密度信息获得实际车辆数量；步骤7，划定虚拟检测线，并进行车辆计数，得到车流量统计结果。本发明结合多目标跟踪和车辆分布密度热图对场景中的车流量进行检测，提升了复杂拥堵场景中车辆检测精度。

技术领域

本发明涉及智能交通系统和图像处理技术的技术领域，具体公开了一种针对复杂监控场景的多车道车流量检测方法。

背景技术

随着现代化城市规模的不断发展壮大，城市机动车保有量逐年升高，据公安部统计，2019年全国新注册登记机动车已有3214万辆，全国机动车保有量到达3.48亿量。各类因事故，复杂交通场景或异常天气而导致的拥堵也愈发平常，同时，车辆与交通道路带来的巨大海量数据信息为城市智慧交通系统建设提供了基础信息资源，也加快了对于系统建设的迫切需求，城市道路的实时车流量统计是智慧交通系统中最为基础环节。

早期的车流量计数监控系统皆需要依靠人力进行监测与分析，或是依靠特殊的传感器进行检测，人力监测不但费时而且效率低下，而传感器检测又需要车辆对各种检测传感器的支持，普及困难。随着机器视觉技术的发展，开始逐渐衍生出各种依靠机器视觉进行的监控视频分析，例如通过帧差法检测运动物体并计数的方式统计车流量。但此类方法鲁棒性较差，且针对不同场景需要人工进行检测区域划定，故而普适性较弱。现有技术中有对运动车辆检测的车流量统计方法，如公开号为CN106952474A公开了一种基于运动车辆检测的车流量统计方法，具体方法为：首先利用多尺度的形态学算子进行图像预处理，再结合背景实时更新、背景差分和边缘梯度差分检测出车辆目标，从而获取车辆目标的二值化图像；最后根据二值化图像，通过双阈值和车道检测线圈的状态转变方法进行单车道或多车道的车流量统计，实现了对车辆流量的自动统计，但是其统计的精确度不高，无法适应复杂环境。公开号为CN111932908A公开了一种基于深度学习的转向比及车流量统计方法，具体包括1)相机预置位设置以及相机标定；2)卷积神经网络模型初始化；3)获取实时视频流；4)检查相机工作状态；5)使用卷积神经网络模型对兴趣区域进行车辆目标检测；6)车辆目标跟踪；7)车道转向比统计；8)车流量统计，主要考虑到车辆转弯时，车辆的边界框变化大的特点，提出了车辆转弯时宽松化跟踪阈值的方法，以缓解目标跟踪丢失的情况。

发明内容

为了解决上述问题，本发明提供了一种针对复杂监控场景的多车道车流量检测方法，利用深度学习在面对复杂环境时的优势，解决在各种不同场景环境下中的拥堵时段，雨雪天气，夜间等场景下的车流量统计问题。

为了达到上述目的，本发明是通过以下技术方案来实现的：

本发明是一种针对复杂监控场景的多车道车流量检测方法，包括以下步骤：

步骤1，从道路交通监控摄像机中得到实时监控视频流，利用背景建模提取运动前景图像；

步骤2，对多帧前景图像进行叠加获得大致行车区域，并对行车区域进行膨胀处理，得到道路区域；

步骤3，利用已训练好的光流提取神经网络提取道路区域的光流矢量，保留光流矢量角度信息并通过角度信息对其聚类，得到不同朝向的车道分割结果；

步骤4，训练车辆目标跟踪网络，利用该网络对图像中的车辆进行跟踪，获得各车辆目标的边界框以及轨迹信息；

步骤5，训练车辆分布密度估计网络，利用该网络得到图像中的车辆分布密度信息；

步骤6，基于分布密度信息获得每个实例边界框中的实际车辆数量；