[发明专利]一种基于深度学习的城市主干道路车流量统计方法

权利要求书

1.一种基于深度学习的城市主干道路车流量统计方法，其特征在于，包括以下步骤：

在城市主干道监控场景中设置虚拟计数线；

构造改进的YOLOv5检测网络提取所述城市主干道监控场景中的车辆，获取车辆位置信息，其中，所述改进的YOLOv5检测网络包括GhostBottleneckCSP模块，并使用CIOU_LOSS损失函数；

基于所述车辆位置信息，跟踪所述车辆，获取所述车辆的运动轨迹；

基于所述运动轨迹与所述虚拟计数线的相交情况，判断所述车辆是否通过所述虚拟计数线，是，则统计所述所述车辆的数目。

2.根据权利要求1所述的基于深度学习的城市主干道路车流量统计方法，其特征在于，所述虚拟计数线在不同方向道路设置两条，横跨不同方向的所有车道，并且不同方向车道的所述虚拟计数线之间保持平行。

3.根据权利要求1所述的基于深度学习的城市主干道路车流量统计方法，其特征在于，在提取所述城市主干道监控场景中的车辆的过程中，所述改进的YOLOv5检测模型中包括输入端、主干网络、Neck网络、输出端，所述输入端用于输入车辆位置信息图像并进行预处理获得特征图，所述主干网络应用于对所述特征图进行特征提取获得有效特征层；所述Neck网络用于对所述主干网络提取到的所述有效特征层进行特征融合，得到用于预测的特征图；所述输出端用于对所述用于预测的特征图进行检测并输出检测结果。

4.根据权利要求3所述的基于深度学习的城市主干道路车流量统计方法，其特征在于，提取所述城市主干道监控场景中的运动车辆，获得车辆位置信息包括：

利用所述改进YOLOv5检测模型中的骨干提取网络提取每帧所述城市主干道监控场景中的车辆目标图像特征，预测图像车辆目标检测框位置信息和置信度，进而获得车辆位置信息。

5.根据权利要求3所述的基于深度学习的城市主干道路车流量统计方法，其特征在于，所述主干网络包括Focus单元、CBL单元、GhostBottleneckCSP单元和SPP单元，所述Focus单元用于对所述特征图进行切片操作；所述CBL单元用于提取切片后的所述特征图的特征信息；所述GhostBottleneckCSP单元用于消除冗余特征，获得更轻量的模型；所述SPP单元采用池化窗口对所述特征图做池化操作，再融合形成池化特征。

6.根据权利要求1所述的基于深度学习的城市主干道路车流量统计方法，其特征在于，预测图像车辆目标检测框位置信息和置信度过程中采用损失函数，其中，所述损失函数由置信度损失L_conf、类别损失L_cla以及改进的边界框坐标损失L_CIoU构成。

7.根据权利要求1所述的基于深度学习的城市主干道路车流量统计方法，其特征在于，基于所述车辆位置信息，跟踪所述运动车辆包括：

DeepSort利用卡尔曼滤波器预测车辆检测框在下一帧的状态，使用匈牙利算法将预测到的状态与下一帧的检测结果进行匹配，进行卡尔曼滤波更新，实现跟踪所述运动车辆。

8.根据权利要求6所述的基于深度学习的城市主干道路车流量统计方法，其特征在于，基于所述车辆位置信息，跟踪所述车辆，获取所述车辆的运动轨迹包括：

基于所述车辆位置信息，跟踪所述车辆，预测下一帧中所述车辆的轨迹，其中，所述轨迹包括若干条，对若干条所述轨迹进行检测，保留有效轨迹，对所述有效轨迹进行级联匹配，获取所述车辆的运动轨迹。