[发明专利]一种基于深度学习和边缘计算的交通流信息监测方法

说明书

本发明公开了一种基于深度学习和边缘计算的交通流信息监测方法，首先在云中心利用YOLOv5和DeepSORT算法通过大量的交通视频数据训练出车辆跟踪模型，然后将其迁移部署到边缘服务器上；接着通过架设在道路交通杆上的的高分辨率摄像机上传交通视频至边缘服务器，完成车辆追踪并设置虚拟线圈；然后运用ViBe背景建模算法，完成实时速度、排队长度等交通流信息的计算；最后在显示屏上显示实时更新的交通数据；本发明所述交通流监测方法不仅能对车辆数量进行计数，还能监测实时速度、车辆占有、排队长度、交通拥堵指数等重要交通流信息。

技术领域

本发明属于信息处理技术领域，具体涉及一种基于深度学习和边缘计算的交通流信息监测。

背景技术

近年来城市化机动化不断加快，交通拥堵情况日益严重，智能交通系统(Intelligent Transportation System,ITS)成为时下的研究焦点。而交通流监测作为ITS的关键技术之一，是实现交通智能化必不可少的基础。

现有的交通流监测方法，如Yi-Qi Huang等人提出了一种基于Tensorflow框架的单级深度神经网络YOLOv3-DL来改进车辆视频中难以对车辆进行准确的定位和分类的问题；西安电子科技大学的Chen Chen等人将基于YOLOv3-tiny和Deepsort的车辆监测方法移植到边缘智能设备中，并通过设定一条虚拟线对车辆进行计数。但上述现有的交通流监测方法仅对车辆数量进行了计数，对于实施速度、车辆占有、排队长度等重要交通流信息没有给出详细的监测及计算方法，而且随着监测算法的优化，现有的YOLOv5、YOLOvx等算法的效果已超越上述研究中采用YOLOv3算法。

发明内容

本发明针对于现有方法存在的不能实时监测速度、车辆占有、排队长度的技术问题，提出一种基于边缘计算和深度学习的交通流信息监测方法，该方法事先在云中心利用YOLOv5和DeepSORT算法通过大量的交通数据训练出车辆跟踪模型，然后将其迁移并部署到边缘服务器上，通过架设在道路交通杆上的高分辨率摄像机上传交通视频至边缘服务器进行车辆追踪，运用ViBe背景建模算法，完成实时速度、车辆占有、排队长度等交通流信息的计算；在显示屏上显示实时更新的交通数据；定期把这些数据传输至云中心，同时利用YOLOv5和DeepSORT算法进行车辆追踪，并用这些结果更新车辆跟踪训练模型，以提高其准确度。

本发明采用如下技术方案：

一种基于深度学习和边缘计算的交通流信息监测方法，包括如下步骤：

步骤1：云服务器运用YOLOv5和DeepSORT算法训练车辆跟踪模型；

步骤2：将训练好的车辆跟踪模型移植到边缘服务器上，通过架设在道路交通杆上的高分辨率摄像机收集交通视频数据并实时上传至边缘服务器；

步骤3：分布式边缘服务器使用已训练好的车辆跟踪模型对交通视频中的车辆进行追踪；

步骤4：在边缘服务器上运用ViBe背景建模算法，完成交通流数据及拥堵程度指数的计算并上传云中心；定期把这些数据传输至云中心，并用这些结果更新车辆跟踪训练模型。

步骤5：将交通信息及拥堵程度在屏幕中展示。

所述步骤1包括：

步骤11：使用YOLOv5算法训练车辆监测模型。

步骤111：将输入的交通视频序列图片进行预处理，通过K-Means算法生成先验框。在K-Means算法中，使用的是欧氏距离来完成聚类，而YOLOv5采用处理后的IOU作为欧氏距离。

Distance(i,center)＝1-IOU(i,center)

然后得到的五个聚类中心便是先验框的宽高。