一种基于计算机视觉的道路目标流量监测系统

摘要

本发明公开了一种基于计算机视觉的道路目标流量监测系统，研究目标为图像目标监测，基于机器视觉库opencv的yolov4卷积神经网络模型，进行批量预处理拟定检测目标，优化原yolov4的损失函数，利用模块化矩阵检测系统框选出图片上每一个拟定识别物体，并对对象进行分类并计数，且输出每一个监测对象的坐标；对于采集数据的偏差，进行自定义的临界值设置与比对；将获取的视频、数据、标识结果进行存储，实时导入数据库，进行大数据的采集与分析，使得目标分类更细化，为图像化管理提供基础，在保证识别精度的同时,提升运算效率,加快检测速度，为后序规划提供现实可靠的数据源。

说明书

技术领域

本发明涉及图像目标监测技术领域，具体为一种基于计算机视觉的道路目标流量监测系统。

背景技术

交通流量信息是交通控制中的重要信息，要实现交通流数据的提取，先要进行车辆检测.目前国内常见的交通流检测的方法有超声波检测、红外检测、环形感应圈检测和计算机视觉检测，超声波检测精度不高，容易受车辆遮挡和行人的影响，检测的距离短(一般不超过12m)；红外检测受车辆本身热源的影响，抗噪声的能力不强，检测精度也不高；环形感应圈检测精度高，但要求设置于路面土木结构中，对路面有损坏，施工和安装不便，而且安装的数量多。

发明内容

为了克服上述问题，本发明提出了一种基于计算机视觉的道路目标流量监测系统，包括以下步骤：

步骤一，数据采集，数据采集包括静态图片采集和动态视频采集，以摄像头对现场检测目标状态与位置进行采集，用传感器设备对环境进行检测；并将云端与智能终端相连接，研究人员对交通控制系统实现远程可视化监察与控制的管理，图像采集与智能识别系统以C/S架构呈现，实现智能设备与后台控制程序交互；

步骤二，数据分析，在数据分析过程中，过滤器为自定义模式，根据样本的采集进行背景移除、临界值、腐蚀化、双边过滤、中值模糊或拓展形态的处理，得到更精确的结果；

步骤三，数据存储，将获取的视频、数据、标识结果进行存储，实时导入数据库，以进行大数据的采集与分析，使得目标分类更细化，并将数据库与上位机连接，实现数据库与上位机之间的数据信息传递。

优选的，在步骤二中，腐蚀化处理的目的在于消除画布中图像的边界点，令边界按拟定参数向内部收缩，用于消除与检测目标相比无意义的物体。

优选的，在步骤二中，对图像的中值模糊处理，采用MedianBlur函数，作为一个非线性的滤波器，取当前领域的中值作为当前点的灰度值。

优选的，通过YOLO网络进行对象识别，具体包括以下步骤：

步骤一，实时读取摄像头内的信息送入YOLO网络，并把图片等分为多个格子；

步骤二，预测每个格子当中是否存在目标中心点，若存在则实现目标检测，其工作内容需要确定目标是否属于检测对象以及检测对象所在位置，预测目标位置时需获得以下参数：即目标框中心点位置，目标框的长和宽以及置信度，用以判断选框中内容是否属于检测对象；

步骤三，计算置信度，在抽样对总体参数作出估计时，采用概率的陈述方法，即估计值与总体参数在一定允许的误差范围以内，其相应的概率为计算目标。

优选的，在拍摄过程中，定位至检测图像中带有给定标签的单个目标，之后检测图像中带有给定标签的所有目标。

优选的，拟定摄像头拍摄区域内，60秒，交通流量＜10，区域为白色；10≤交通流量＜20，区域为绿色；20≤交通流量＜30，区域为蓝色；30≤交通流量＜50，区域为黄色；交通流量≥50，区域为红色。

对于归一化指数函数softmax，将多分类的结果以数值概率的形式表达，为确保概率的非负性，softmax将模型的预测结果转化至指数函数上。

其中的损失函数越大，则该类在标签上的占比概率越小，性能随之越差，因而softmax函数在细节的处理上，容易造成数值稳定性的问题。YOLOv4用多个独立的逻辑运算器替换softmax函数，极大地减少了这一问题的出现概率。

以计算输入属于特定标签的可能性。在计算分类损失时，对每个标签使用二元交叉熵损失，以此避免使用softmax函数而降低计算的复杂度。

Recall随预测标签的增加而增加，但Precision会上下波动。

YOLO的网络结构有5层：输入层-从检测图像/视频中读入数据；卷积层-将对象的局部特征通过权值矩阵重新组装得到的完整图像；池化层-选取卷积后特征图像中对应像素点最大值为池化后特征，用于特征降维，压缩数据和参数的数量，减小过拟合，同时提高模型的容错性；全连接层；输出层。

与现有技术相比，本发明的有益效果是：

本发明基于机器视觉库opencv的yolov4卷积神经网络模型，进行批量预处理拟定检测目标，优化原yolov4的损失函数，利用模块化矩阵检测系统框选出图片上每一个拟定识别物体，并对对象进行分类并计数，且输出每一个监测对象的坐标。对于采集数据的偏差，进行自定义的临界值设置与比对；将获取的视频、数据、标识结果进行存储，实时导入数据库，进行大数据的采集与分析，使得目标分类更细化，为图像化管理提供基础，在保证识别精度的同时，提升运算效率，加快检测速度，为后序规划提供现实可靠的数据源。

本发明的神经网络可以通过大数据的分析统计，得到拟定驱动程序的操控，自定义实时优化参数，对于特征的提取和监测目标的分类可以在网络环境下统一完成；对于采集数据的偏差，进行自定义的临界值设置与比对；将获取的视频、数据、标识结果进行存储，实时导入数据库，进行大数据的采集与分析，使得目标分类更细化，为图像化管理提供基础，在保证识别精度的同时，提升运算效率，加快检测速度，为后序规划提供现实可靠的数据源。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本发明的数据处理流程图；

图2为混淆矩阵图；

图3为YOLO网络结构图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述。

请参阅图1～3，本发明提供以下种技术方案：

实施例一

一种基于计算机视觉的道路目标流量监测系统，包括以下步骤：

步骤一，数据采集，数据采集包括静态图片采集和动态视频采集，以摄像头对现场检测目标状态与位置进行采集，用传感器设备对环境进行检测；并将云端与智能终端相连接，研究人员对交通控制系统实现远程可视化监察与控制的管理，图像采集与智能识别系统以C/S架构呈现，实现智能设备与后台控制程序交互；

步骤二，数据分析，在数据分析过程中，过滤器为自定义模式，根据样本的采集进行背景移除、临界值、腐蚀化、双边过滤、中值模糊或拓展形态的处理，得到更精确的结果；

步骤三，数据存储，将获取的视频、数据、标识结果进行存储，实时导入数据库，以进行大数据的采集与分析，使得目标分类更细化，并将数据库与上位机连接，实现数据库与上位机之间的数据信息传递。

在步骤二中，腐蚀化处理的目的在于消除画布中图像的边界点，令边界按拟定参数向内部收缩，用于消除与检测目标相比无意义的物体。

在步骤二中，对图像的中值模糊处理，采用MedianBlur函数，作为一个非线性的滤波器，取当前领域的中值作为当前点的灰度值。

YOLO网络识别对象的过程为：

1.实时读取摄像头内的信息送入YOLO网络，并把图片等分为7*7个格子；

2.预测每个格子当中是否存在目标中心点，若存在则实现目标检测，其工作内容需要确定目标是否属于检测对象以及检测对象所在位置，预测目标位置时需获得以下参数：即目标框中心点位置，目标框的长和宽以及置信度，用以判断选框中内容是否属于检测对象；

3.计算置信度,在抽样对总体参数作出估计时，由于样本的随机性，其结论总是不确定的。因此，采用概率的陈述方法，即估计值与总体参数在一定允许的误差范围以内，其相应的概率为计算目标。

拍摄过程中，定位至检测图像中带有给定标签的单个目标，之后检测图像中带有给定标签的所有目标。

拟定摄像头拍摄区域内，60秒，交通流量＜10，区域为白色；10≤交通流量＜20，区域为绿色；20≤交通流量＜30，区域为蓝色；30≤交通流量＜50，区域为黄色；交通流量≥50，区域为红色。

YOLO的网络结构包括输入层、卷积层、池化层、全连接层和输出层；输入层从检测图像/视频中读入数据；卷积层将对象的局部特征通过权值矩阵重新组装得到的完整图像；池化层选取卷积后特征图像中对应像素点最大值为池化后特征，用于特征降维，压缩数据和参数的数量，减小过拟合，同时提高模型的容错性。

本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，该程序可以存储于计算机可读存储介质中。

以上公开的本发明优选实施例只是用于帮助阐述本发明。优选实施例并没有详尽叙述所有的细节，也不限制该发明仅为所述的具体实施方式。显然，根据本说明书的内容，可作很多的修改和变化。本说明书选取并具体描述这些实施例，是为了更好地解释本发明的原理和实际应用，从而使所属技术领域技术人员能很好地理解和利用本发明。本发明仅受权利要求书及其全部范围和等效物的限制。