详情

原文传递基于车流状态变化深度学习分析的道路拥堵检测系统

专利名称：	基于车流状态变化深度学习分析的道路拥堵检测系统
摘要：	一种基于车流状态变化深度学习分析的道路拥堵检测系统，涉及道路交通技术领域，所解决的是交通状况检测的技术问题。该系统包括用于生成时间序列的时钟驱动子系统GTS，及用于捕获摄像区域CA图像的视频信息获取子系统CAVS，用于在摄像区域CA中划分区域车道MR的初始标记子系统MS，用于获取各个区域车道的深度神经网络分析模型DLM的区域道路状态学习训练子系统LS，用于从图像中提取车辆信息的图像特征提取子系统TS，拥堵监测分析子系统BAS；所述拥堵监测分析子系统BAS根据摄像区域CA的图像，及深度神经网络分析模型DLM进行拥堵分析。本发明提供的系统，用于监测道路交通状况。
专利类型：	发明专利
国家地区组织代码：	上海;31
申请人：	上海理工大学
发明人：	陈庆奎;那丽春;龚慧林;殷妍;全美娟;张家晨;方玉玲;王婧娟;徐振杰;庄松林
专利状态：	有效
发布日期：	2019-01-01T00:00:00+0800
申请号：	CN201810631399.1
公开号：	CN108682154A
代理机构：	上海申汇专利代理有限公司 31001
代理人：	吴宝根
分类号：	G08G1/01(2006.01)I;G06K9/00(2006.01)I;G;G08;G06;G08G;G06K;G08G1;G06K9;G08G1/01;G06K9/00
申请人地址：	200093 上海市杨浦区军工路516号
主权项：	1.一种基于车辆特征矩阵的道路拥堵监测系统，其特征在于：包括时钟驱动子系统GTS、视频信息获取子系统CAVS、初始标记子系统MS、区域道路状态学习训练子系统LS、图像特征提取子系统TS、拥堵监测分析子系统BAS；所述时钟驱动子系统GTS用于生成时间序列，时钟驱动子系统GTS生成的时间序列由多个时间点构成，相邻时间点之间的时间间隔为tt；所述视频信息获取子系统CAVS通过通信网络获取时钟驱动子系统GTS输出的时间序列，并利用摄像头，按照接收到的时间序列捕获摄像区域CA的图像，形成摄像区域CA的图像序列；所述初始标记子系统MS通过通信网络，从视频信息获取子系统CAVS获取摄像区域CA的图像，并通过在摄像区域CA的图像上标记区域车道分割线的方式，在摄像区域CA中划分出1个区域车道MR，或多个相互独立的区域车道MR，并构建1个区域车道数组，将划分的各个区域车道MR的信息存入区域车道数组，区域车道数组中的每个数组元素代表1个区域车道；所述图像特征提取子系统TS通过通信网络获取时钟驱动子系统GTS输出的时间序列，并按照接收到的时间序列获取当前时刻，并根据当前时刻，通过通信网络获取视频信息获取子系统CAVS在当前时刻输出的图像；并利用道路车辆提取模型识别图像中的所有车辆，并用矩形识别框来标识所识别的车辆，从各个矩形识别框中提取各个车辆的车辆信息，并存入一个车辆特征数组MT，车辆特征数组MT的每个数组元素代表一个车辆；所述区域道路状态学习训练子系统LS通过通信网络，从初始标记子系统MS获取摄像区域CA的区域车道数组，对于区域车道数组中的每个区域车道按照步骤1.1至步骤1.7的方法进行训练；步骤1.1：将待训练的区域车道定义为目标车道，从视频信息获取子系统CAVS获取摄像区域CA的多个图像组成训练图像序列；步骤1.2：从训练图像序列中取第一个图像，将其定义为当前训练图像；步骤1.3：从图像特征提取子系统TS获取当前训练图像的车辆特征数组MT；将当前训练图像的整个图像区域定义为S10，将当前训练图像中的目标车道所占图像区域定义为S11；将S11内所有车辆的矩形识别框的道外区块所占图像区域定义为S12，矩形识别框的道外区块是指矩形识别框所围合的区域中的位于S11外部的区域；步骤1.4：将当前训练图像中，S11∪S12的图像区域设定为目标车道的子图像SP；步骤1.5：从训练图像序列中取下一个图像，将其定义为当前训练图像，然后重复步骤1.3至本步骤，直至训练图像序列中的所有图像取完后转至步骤1.6；步骤1.6：对训练图像序列中，每个图像中的目标车道的子图像SP，采用人工标注该子图像SP的区域车道活动状态，形成目标车道的区域车道活动状态图片集；步骤1.7：利用深度学习模型对目标车道的区域车道活动状态图片集进行训练，得到目标车道的深度神经网络分析模型DLM；所述拥堵监测分析子系统BAS通过通信网络从初始标记子系统MS获取摄像区域CA的区域车道数组，并通过通信网络从区域道路状态学习训练子系统LS获取摄像区域CA的每个区域车道的深度神经网络分析模型DLM，并通过通信网络获取时钟驱动子系统GTS输出的时间序列，并按照接收到的时间序列获取当前时刻，并为摄像区域CA的每个区域车道构建一个区域车道活动状态数组MRAS；区域车道活动状态数组MRAS为3元组，其3个组元分别为状态起始时刻t、车道活动状态sta、状态持续时间tl；所述拥堵监测分析子系统BAS通过通信网络获取视频信息获取子系统CAVS在当前时刻输出的图像，并将该图像定义为当前图像，然后按照步骤2.1至步骤2.6的方法，对摄像区域CA的每个区域车道进行分析；步骤2.1：从图像特征提取子系统TS获取当前图像的车辆特征数组MT，将待分析的区域车道定义为目标车道；步骤2.2：将当前图像的整个图像区域定义为S20，将当前图像中的目标车道所占图像区域定义为S21；将S21内所有车辆的矩形识别框的道外区块所占图像区域定义为S22，矩形识别框的道外区块是指矩形识别框所围合的区域中的位于S21外部的区域；步骤2.3：将当前图像中，S21∪S22的图像区域设定为目标车道的子图像SP；步骤2.4：将步骤2.3所获得的目标车道的子图像SP输入到目标车道的深度神经网络分析模型DLM进行分析，获得目标车道的区域车道活动状态as的值；步骤2.5：将目标车道的区域车道活动状态数组MRAS中的状态起始时刻t置为当前时刻；如果目标车道的区域车道活动状态as的值与区域车道活动状态数组MRAS中的车道活动状态sta的值相同，则将区域车道活动状态数组MRAS中的状态持续时间tl的值增加tt，tt为时钟驱动子系统GTS生成的时间序列中的相邻时间点之间的时间间隔；反之，则将区域车道活动状态数组MRAS中的车道活动状态sta的值更新为目标车道的区域车道活动状态as的值，并将区域车道活动状态数组MRAS中的状态持续时间tl的值置0；设Y1为区域车道活动状态数组MRAS中的状态持续时间tl的值，Y2为目标车道上的车辆按照交通信号规定的运行时间，Y3为预先设定的拥堵系数，如果有Y1>(Y1+Y2)×Y3，并且区域车道活动状态数组MRAS中的车道活动状态sta的值为高密度停车态，则对目标车道进行拥堵报警。
所属类别：	发明专利