一种车流量检测方法及系统与流程

1.本发明涉及车流量检测技术领域，特别是涉及一种车流量检测方法及系统。


背景技术：

2.智慧灯杆是未来城市基础设施不可或缺的重要组成部分，通过在智慧灯杆上搭载车流量检测系统，能够实现全市交通信息的感知和收集，从而为城市的交通规划和管理提供可靠的数据支撑，有效提升交通运输效率、保障交通安全、改善交通运输环境。
3.随着计算机视觉技术的发展，基于视频的车流量检测方法得到了广泛研究和应用。然而，现有算法大多直接采用通用目标检测网络进行车流量检测（陈佳倩,金晅宏,王文远,陆莹洁.基于yolov3和deepsort的车流量检测[j].计量学报,2021,42(06):718-723.），导致网络模型参数量和计算需求过大，难以部署在智慧灯杆这一应用场景中。


技术实现要素：

[0004]
本发明的目的是提供一种车流量检测方法及系统，以在减小计算需求的同时，提高车流量检测效果。
[0005]
为实现上述目的，本发明提供了如下方案：一种车流量检测方法，包括：对yolov5网络模型进行改进，得到l-yolov5网络模型；l-yolov5网络模型包括依次连接的输入端、骨干网络、轻量融合模块和预测端；所述骨干网络包括b1部分、b2部分和b3部分；将待检测路面的可见光车流视频的图像序列输入至所述l-yolov5网络模型，得到车辆检测结果；根据所述车辆检测结果统计得到待检测路面的可见光车流视频中的车辆数量；根据所述车辆数量确定车流量级别。
[0006]
优选地，所述l-yolov5网络模型中特征图处理过程包括：将所述b3部分的输出特征图输入第一1*1卷积层得到输出特征图b3_1将所述b3部分的输出特征图输入第二1*1卷积层后，对所述第二1*1卷积的输出特征图进行扩大两倍的上采样操作，获得输出特征图b3_2；将所述b2部分的输出特征图输入第三1*1卷积层，获得输出特征图b2_1；将所述b1部分的输出特征图输入第四1*1卷积层后，对第四1*1卷积层的输出特征图进行卷积核为3*3、步长为2的卷积操作，获得输出特征图b1_1；将所述b1部分的输出特征图输入第五1*1卷积层，获得输出特征图b1_2；将所述特征图b3_2、所述特征图b2_1和所述特征图b1_1进行通道维度拼接，获得特征图b2_2；将所述特征图b2_2输入第六1*1卷积层后，将第六1*1卷积层的输出特征图与所述特征图b3_1进行通道拼接，获得特征图b3_3；
对所述特征图b2_2进行扩大两倍的上采样操作；对进行扩大两倍的上采样操作后的所述特征图b2_2通过1*1卷积操作进行通道转换，并将转换后获得的输出特征图与所述特征图b1_2进行通道拼接，获得特征图b1_3；将所得特征图b1_3、特征图b2_3和特征图b3_3依次输入yolov5的预测端。
[0007]
优选地，所述第一1*1卷积层的卷积核个数、所述第二1*1卷积层的卷积核个数、所述第三1*1卷积层的卷积核个数、第四1*1卷积层的卷积核个数和第五1*1卷积层的卷积核个数均为85。
[0008]
优选地，所述第六1*1卷积层的卷积核个数为170，步长为2。
[0009]
优选地，将待检测路面的可见光车流视频的图像序列输入至所述l-yolov5网络模型，得到车辆检测结果，之前还包括：获取车辆检测数据集；基于所述车辆检测数据集对l-yolov5网络模型进行训练。
[0010]
优选地，所述车辆检测数据集的构建过程包括：采用智慧灯杆上安装可见光摄像拍摄路面车流视频，获得车流视频集；按预设采样频率将车流视频集中的车流视频转换为车辆图像序列；采用标注软件进行车辆图像标注，在每张图像中标注出各个车辆的所在位置框，获得每张图像对应的标注文件；将得到的图像和对应的标注文件划分为训练集和测试集，从而得到车辆检测数据集。
[0011]
优选地，预设采样频率为10s/次。
[0012]
优选地，所述根据所述车辆数量确定车流量级别，具体包括：获取一级阈值、二级阈值和三级阈值；当所述车辆数量大于等于所述一级阈值时，将所述车流量级别设置为“a级”；当所述车辆数量小于所述一级阈值且大于等于所述二级阈值时，将所述车流量级别设置为“b级”；当所述车辆数量小于所述二级阈值且大于等于所述三级阈值时，将所述车流量级别设置为“c级”；当所述车辆数量小于所述三级阈值时，将所述车流量级别设置为“d级”。
[0013]
根据本发明提供的具体实施例，本发明公开了以下技术效果：本发明提供的车流量检测方法，通过将待检测路面的可见光车流视频的图像序列输入至l-yolov5网络模型，得到车辆检测结果，然后，根据车辆检测结果统计得到待检测路面的可见光车流视频中的车辆数量，最后，根据车辆数量确定车流量级别，进而能够在减小计算需求的同时，提高车流量检测效果。
[0014]
此外，本发明还提供了一种车流量检测系统，该系统包括：可见光摄像头、智慧灯杆和处理器；所述可见光摄像头搭载在所述智慧灯杆上；所述可见光摄像头与所述处理器连接；所述可见光摄像头用于获取待检测路段的车流视频；所述处理器用于执行上述提供的车流量检测方法。
[0015]
因本发明提供的车流量检测系统实现的技术效果与上述提供的车流量检测方法
实现的技术效果相同，故在此不再进行赘述。
附图说明
[0016]
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中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。
[0017]
图1为本发明提供的车流量检测方法的流程图；图2为本发明实施例提供的l-yolov5的网络结构示意图；图3为本发明实施例提供的车流量检测方法的数据处理流程示意图；图4为本发明实施例提供的车流量检测流程图。
具体实施方式
[0018]
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，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
[0019]
本发明的目的是提供一种车流量检测方法及系统，以在减小计算需求的同时，提高车流量检测效果。
[0020]
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
[0021]
如图1所示，本发明提供的车流量检测方法，包括：步骤100：对yolov5网络模型进行改进，得到l-yolov5网络模型。如图2所示，l-yolov5网络模型包括依次连接的输入端、骨干网络、轻量融合模块和预测端。骨干网络包括b1部分、b2部分和b3部分。
[0022]
以本发明输入一张待检测的车辆图像1024
×
1024
×
3为例，展示yolov5网络模型的改进过程：b1、b2、b3三部分的输出特征图分别作为特征融合网络的输入，参与后续的特征融合操作。因此，基于b1、b2、b3三部分的输出特征图进行轻量融合模块的构建过程为：b3输出特征图的尺寸为32
×
32
×
512，为了修改通道维度和进一步优化特征表示，将该特征图分别输入两个卷积核个数为85的1*1卷积层（即第一和第二1*1卷积层）中。在第一1*1卷积层中获得输出特征图b3_1，其尺寸为32
×
32
×
85。对第二1*1卷积层的输出特征图进行扩大两倍的上采样操作，获得输出特征图b3_2，其尺寸为64
×
64
×
85。此处的上采样操作是为了调整特征图的空间维度，以便于进行下一步的特征图拼接。
[0023]
b2输出特征图的尺寸为64
×
64
×
256，为了修改通道维度和进一步优化特征表示，将该特征图输入一个卷积核个数为85的1*1卷积层（即第三1*1卷积层）中，获得输出特征图b2_1，其尺寸为64
×
64
×
85。
[0024]
b1输出特征图的尺寸为128
×
128
×
128，为了修改通道维度和进一步优化特征表示，将该特征图分别输入两个卷积核个数为85的1*1卷积层（即第四1*1卷积层和第五1*1卷
积层）中。对第四1*1卷积层的输出特征图进行卷积核为3*3、步长为2的卷积操作，获得输出特征图b1_1，其尺寸为64
×
64
×
85。在第五1*1卷积层中获得输出特征图b1_2，其尺寸为128
×
128
×
85。此处的3*3卷积操作是为了优化低层特征表示的同时，调整特征图的空间维度，以便于进行下一步的特征图拼接。
[0025]
接下来，对基于b1、b2、b3得到的三个相同尺寸的特征图b3_2、b2_1和b1_1进行通道维度拼接，获得特征图b2_2，其尺寸为64
×
64
×
255。
[0026]
将特征图b2_2输入卷积核个数为170、步长为2的1*1卷积层（即第六1*1卷积层）中，获得尺寸为32
×
32
×
170的输出特征图，将该特征图与尺寸为32
×
32
×
85的特征图b3_1进行通道拼接，获得尺寸为32
×
32
×
255的特征图b3_3。
[0027]
对特征图b2_2进行扩大两倍的上采样操作，再对其通过1*1卷积操作进行通道转换后，获得尺寸为128
×
128
×
170的输出特征图，将该特征图与尺寸为128
×
128
×
85的特征图b1_2进行通道拼接，获得尺寸为128
×
128
×
255的特征图b1_3。以上即为轻量融合模块的构建过程。
[0028]
将所得特征图b1_3、b2_3和b3_3依次输入yolov5的预测端，以实现对不同尺寸的车辆目标进行预测的目的。
[0029]
经过上述步骤，即可获得如图2所示的l-yolov5网络模型。
[0030]
步骤101：将待检测路面的可见光车流视频的图像序列输入至l-yolov5网络模型，得到车辆检测结果。
[0031]
步骤102：根据车辆检测结果统计得到待检测路面的可见光车流视频中的车辆数量。
[0032]
步骤103：根据车辆数量确定车流量级别。例如，车辆数量为n，判别阈值为一级阈值n1、二级阈值n2和三级阈值n3，如果n≥n1，则车流量密集级别为“a级”，如果n1＞n≥n2，则车流量密集级别为“b级”，如果n2＞n≥n3，则车流量密集级别为“c级”，如果n＜n3，则车流量密集级别为“d级”，根据判定结果输出当前车流量级别。
[0033]
上述车流量检测方法的数据处理流程如图3所示。
[0034]
此外，本发明还提供了一种车流量检测系统，该系统包括：可见光摄像头、智慧灯杆和处理器。
[0035]
可见光摄像头搭载在智慧灯杆上。可见光摄像头与处理器连接。可见光摄像头用于获取待检测路段的车流视频。处理器用于执行上述提供的车流量检测方法。
[0036]
下面提供一个实施例，对本发明提供的上述技术的具体实施过程进行详细说明。
[0037]
该实施例中车辆流量检测的实施流程如图4所示，具体如下：步骤一、建立车辆检测数据集。首先，为了符合智慧灯杆这一应用场景且采集到不同密度的车辆图像，在位于不同交通路段的灯杆上安装可见光摄像头，确保镜头光轴垂直于路面，镜头与路面的距离为固定值。接下来，在不同时间段、光照强度和天气状况下，拍摄路面车流视频，获得足够规模的车流视频集。随后，以每10s采样一次的频率，将车流视频转换为一批车辆图像序列。采用标注软件进行车辆图像标注，在每张图像中标注出各个车辆的所在位置框，获得每张图像对应的标注文件。最后，将所得图像和对应标注文件划分为训练集和测试集，从而得到车辆检测数据集。
[0038]
步骤二、设计轻量融合模块，获得l-yolov5网络模型。由于yolov5网络对通用目标
具有出色的检测性能，满足车流量检测任务的实时性和准确性要求，因此本发明将yolov5作为基础网络。yolov5网络由输入端、骨干网络、特征融合网络和预测端四部分组成，其特征融合网络部分存在大量卷积运算，导致整个模型的参数量过大，难以适用于智慧灯杆应用场景对于模型轻量化的要求。因此，本方法设计了轻量融合模块，并基于该模块对yolov5进行轻量化改进，从而得到如图2所示面向智慧灯杆应用的l-yolov5网络模型。
[0039]
轻量融合模块仅采用八个卷积层、两次上采样以及三次特征拼接操作，完成了对不同层级特征的信息融合，使输出特征图获得了高质量的特征表达，相比原来的特征融合网络，其结构和运算更加简洁轻量，也获得了检测速度的显著提升。
[0040]
步骤三、训练l-yolov5网络模型，获得训练好的l-yolov5网络模型。基于车辆检测数据集对l-yolov5网络模型进行训练，直至其在测试集上的准确率达到预期要求，从而获得训练好的l-yolov5模型。
[0041]
步骤四、设计车流量检测系统。编写python脚本，将拍摄的可见光车流视频转换为图像帧，并以每10秒一帧的频率筛选出图像序列，即可实现图像序列转换。将图像序列依次输入l-yolov5网络模型中，并根据检测结果统计出图像中的车辆数量n。将车辆数据n输入车流量判定模块，车流量判定模块包含一级阈值n1、二级阈值n2和三级阈值n3，如果n≥n1，则车流量密集级别为“a级”，如果n1＞n≥n2，则车流量密集级别为“b级”，如果n2＞n≥n3，则车流量密集级别为“c级”，如果n＜n3，则车流量密集级别为“d级”，根据判定结果输出当前车流量级别。
[0042]
步骤五、在灯杆上搭载可见光摄像头，将拍摄所得视频传输至车流量检测系统中，从而获得当前监控道路上的车流量级别，每10s更新一次。
[0043]
基于上述描述，相对于现有技术，本发明具有以下优点：1、本发明通过对yolov5网络模型进行改进，能够在保证检测精度和速度的同时，具有更加轻量的网络模型结构，更适合部署在智慧灯杆应用中。
[0044]
2、本发明针对智慧灯杆应用场景对于模型轻量化的要求，设计了轻量融合模块，该模块相比原来的特征融合网络，其结构和运算更加简洁轻量，在完成不同层级特征信息融合，使输出特征图获得高质量特征表达的同时，也获得了检测速度的显著提升。
[0045]
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
[0046]
本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。