[发明专利]基于深度学习的道路交通状态检测方法、装置、介质及设备

权利要求书

1.一种基于深度学习的道路交通状态检测方法，其特征在于，包括：

获取交通图像训练集，对所述交通图像训练集中的训练样本执行R-Mosaic数据增强处理；

采用R-Mosaic数据增强后的训练样本训练预设的H-FPN深度卷积网络，其中，所述H-FPN深度卷积网络采用三层预测层从输入图像中提取交通流的特征参数；

获取待处理的交通图像，通过训练好的H-FPN深度卷积网络提取所述交通图像对应的特征参数；

通过预设的判别模型根据所述交通流的特征参数生成并输出交通状态预测值。

2.如权利要求1所述的基于深度学习的道路交通状态检测方法，其特征在于，所述获取交通图像训练集，对所述交通图像训练集中的训练样本执行R-Mosaic数据增强处理包括：

获取交通图像训练集，所述交通图像训练集中的每一个训练样本均包括参考框；

以两两训练样本为一组，对所述训练样本进行水平翻转、缩放以及色域变化；

构建大小为训练样本尺寸两倍的图像框架，将一个训练样本摆放在所述图像框架的左上角，将另一个训练样本摆放在所述图像框架的右上角；

截取所述训练样本的部分图像贴到所述图像框架，并垂直拉伸至填满所述图像框架；

重新调整所述图像框架的尺寸和位置，将整合后的图像框架进行平移、缩放、裁剪，得到与训练样本相同尺寸的增强图像。

3.如权利要求1所述的基于深度学习的道路交通状态检测方法，其特征在于，所述H-FPN深度卷积网络中的H-FPN网络包括三层预测层，分别为第一预测层、第二预测层、第三预测层；

所述第一预测层用于通过上采样得到感受野为76*76的特征图，通过预设的第一参考框对上半层感受野中的目标进行预测，输出所述特征图的上半层的预测信息；

所述第二预测层用于通过上采样得到感受野为38*38的特征图，通过预设的第二参考框对全层感受野中的目标进行预测，输出所述特征图的全层的预测信息；

所述第三预测层用于通过上采样得到感受野为19*19的特征图，通过预设的第三参考框对下半层感受野中的目标进行预测，输出所述特征图的下半层的预测信息；

所述H-FPN深度卷积网络还包括检测追踪模块，所述检测追踪模块用于根据所述第一预测层、第二预测层以及第三预测层输出的预测信息得到交通流的特征参数。

4.如权利要求3所述的基于深度学习的道路交通状态检测方法，其特征在于，所述特征参数包括交通流速度、交通流密度和交通量。

5.如权利要求3或4所述的基于深度学习的道路交通状态检测方法，其特征在于，所述H-FPN深度卷积网络的分类损失函数由回归损失函数和分类损失函数构成，其计算公式为：

Loss＝reg_loss+pb_loss

其中reg_loss表示回归损失，pb_loss表示分类损失；

回归损失reg_loss的计算公式为：

其中，y_i表示实际观测值；表示预测值；

分类损失pb_loss的计算公式为：

其中pre_label表示预测状态；rel_label表示真实状态。

6.如权利要求1所述的基于深度学习的道路交通状态检测方法，其特征在于，所述预设的判别模型包括由交通流速度、交通流密度和交通量的判别阈值构成的矩阵；

其中，P表示判别矩阵，即由判别阈值构成的矩阵，i≤3，j≤3；P11表示交通流速度所处畅通状态时最小速度；P12表示交通流速度所处拥挤状态时最小速度；P13表示交通流速度所处拥堵状态时最大速度；P21表示交通流密度所处畅通状态时最小密度；P22表示交通流密度所处拥挤状态时最小密度；P23表示交通流密度所处拥堵状态时最大密度；P31表示交通量所处畅通状态时最大数量；P32表示交通量所处拥挤状态时最大数量；P33表示交通量所处拥堵状态时最小数量。