[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

说明书

本发明公开了一种基于深度学习的道路交通状态检测方法，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。本发明解决了现有技术在检测道路交通状态时存在的指标单一、检测速度慢、信息提取以及检测精度低的问题。

技术领域

本发明涉及数据处理技术领域，尤其涉及一种基于深度学习的道路交通状态检测方法、装置、介质及设备。

背景技术

交通状态通常用自由流、稳定流、不稳定流、强制流来描述。在不同的国家，交通运行状态的标准都不相同，交通拥堵的判别标准存在一定的差异。道路服务水平被用来描述交通流运行状态。根据美国发行的标准，通常使用速度、运行负荷、车流密度、驾驶自由度和舒适度等条件来衡量道路服务水平。服务水平通常规定为六级。基于美国提出的道路交通服务水平标准，日本也制定了交通服务水平的划分，分为三级。

我国根据城市主干路上机动车的平均速度来划分拥堵程度，指标过于单一，并不能完全描述实际道路状况。以往机动车信息的获取往往靠的是感知设备和红外线等装置，成本高且精度低。目前，基于深度卷积神经网络的道路交通状态识别方法，通常是先将交通图片输入到主干网络，提取目标物信息；进一步通过预测模型对其信息进行下一步预测来获取下一个时间段的状态，但存在模型训练慢，提取信息精度和速度不高且判别精度低的问题。

发明内容

本发明实施例提供了一种基于深度学习的道路交通状态检测方法、装置、介质及设备，以解决现有技术在检测道路交通状态时存在的指标单一、检测速度慢、信息提取以及检测精度低的问题。

一种基于深度学习的道路交通状态检测方法，所述方法包括：

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。

可选地，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。

可选地，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；