云環境下基于卷積神經網絡車型識別的車流量統計方法
【技術領域】
[0001]本發明涉及云計算領域，具體涉及到一種云環境下基于卷積神經網絡車型識別的車流量統計方法。
【背景技術】
[0002]近年來云存儲和云計算技術迅速發展，云計算的應用大大提高了系統的計算能力和存儲能力，降低系統部署難度，減少管理和維護成本，云存儲的發展有利于推動各種視頻監控資源在云中融合，有效解決了智能交通系統發展中遇到的海量視頻存儲和基于圖像智能應用等的一系列難題。
[0003]由于深度學習是目前機器學習發展的主流，嘗試把深度學習應用于傳統的交通視頻圖像處理領域以得到期望的效果，具有十分重要的意義。卷積神經網絡作為一種深度學習的方法，在處理圖像、視頻、語音和音頻方面實現了突破。
[0004]現有的車型識別有圖像的高分辨率與識別速度相矛盾的問題，算法復雜，目前沒有成型的基于深度學習車型識別的車流量統計系統。
【發明內容】
[0005]為解決現有技術中的缺點和不足，本發明提出了一種云環境下基于卷積神經網絡車型識別的車流量統計方法，根據目前實時云計算技術的特點，將深度學習與實時云計算技術結合；以深度學習為支撐，系統能夠大大提高車流量統計的準確率；以實時云計算為支撐，系統能夠大大提高車流量統計的效率。
[0006]本發明的技術方案是這樣實現的:
[0007]—種云環境下基于卷積神經網絡車型識別的車流量統計方法，包括:卷積神經網絡離線訓練模塊以及實時車流量統計模塊。
[0008]卷積神經網絡離線訓練模塊，進行卷積神經網絡的訓練，生成訓練參數；
[0009]實時車流量統計模塊進行車型識別，統計車流量。
[0010]可選地，所述卷積神經網絡離線訓練模塊進行卷積神經網絡的訓練，生成訓練參數的步驟，包括:
[0011]卷積神經網絡離線訓練模塊存儲來自流媒體服務器的視頻流，然后利用歷史數據構建訓練數據集，結合設計好的卷積神經網絡，訓練卷積神經網絡得到最優的卷積神經網絡參數。
[0012]可選地，所述卷積神經網絡包括:四層卷積與池化層，一層全連接層，最后一層是softmax回歸分類器層。
[0013]可選地，所述實時車流量統計模塊進行車型識別，統計車流量的步驟:
[0014]實時車流量統計模塊采集來自流媒體服務器的實時視頻流，將實時視頻流解碼為幀圖像之后將其作為Storm的輸入源，將每一幀圖像在Storm中進行處理。
[0015]可選地，在Storm中分別經過背景分割、車型識別、車輛跟蹤、車流統計，最終輸出車流量并進行持久化。
[0016]本發明的有益效果是:
[0017](I)通過深度學習識別，優化識別效果，有效地提高了統計的準確率；
[0018](2)利用Storm并行化實時識別，達到實時識別的目的，有效地提高了統計的效率；
【附圖說明】
[0019]為了更清楚地說明本發明實施例或現有技術中的技術方案，下面將對實施例或現有技術描述中所需要使用的附圖作簡單地介紹，顯而易見地，下面描述中的附圖僅僅是本發明的一些實施例，對于本領域普通技術人員來講，在不付出創造性勞動的前提下，還可以根據這些附圖獲得其他的附圖。
[0020]圖1為本發明云環境下基于卷積神經網絡車型識別的車流量統計方法的總體流程圖；
[0021]圖2為本發明中訓練神經網絡的流程圖；
[0022]圖3為本發明中利用訓練好的卷積神經網絡進行實時識別的流程圖。
【具體實施方式】
[0023]下面將結合本發明實施例中的附圖，對本發明實施例中的技術方案進行清楚、完整地描述，顯然，所描述的實施例僅僅是本發明一部分實施例，而不是全部的實施例。基于本發明中的實施例，本領域普通技術人員在沒有做出創造性勞動前提下所獲得的所有其他實施例，都屬于本發明保護的范圍。
[0024]如圖1所示，本發明云環境下基于卷積神經網絡車型識別的車流量統計方法，包括:卷積神經網絡離線訓練模塊以及實時車流量統計模塊。
[0025]下面結合圖1、圖2以及圖3，對云環境下基于卷積神經網絡車型識別的車流量統計方法的流程進行詳細說明:
[0026]如圖2所示，卷積神經網絡離線訓練模塊存儲來自流媒體服務器的視頻流，然后利用歷史數據構建訓練數據集，結合設計好的卷積神經網絡，訓練卷積神經網絡得到最優的卷積神經網絡參數。
[0027]圖2中的卷積神經網絡包括:四層卷積與池化層，一層全連接層，最后一層是softmax回歸分類器層。
[0028]如圖3所示，實時車流量統計模塊采集來自流媒體服務器的實時視頻流，將實時視頻流解碼為幀圖像之后將其作為Storm的輸入源，將每一幀圖像傳入Storm中，通過storm的spout進行處理。在Storm中分別經過背景分割(通過背景分割bolt)、車型識別(通過車型識另Ijbolt)、車輛跟蹤與車流統計(通過車輛跟蹤統計bolt)、等步驟，最終統計出車流量，其中在車型識別中使用訓練好的深度學習網絡參數。
[0029]本發明的云環境下基于卷積神經網絡車型識別的車流量統計方法，將基于卷積神經網絡的圖像識別技術與云計算相結合，把基于車型識別的車流量統計利用云計算技術并行化，提高車流量統計的速率;在充分利用計算資源的前提下，找到最優的網絡，對車型進行識別，統計出車流量，達到實時的目的。
[0030]以上所述僅為本發明的較佳實施例而已，并不用以限制本發明，凡在本發明的精神和原則之內，所作的任何修改、等同替換、改進等，均應包含在本發明的保護范圍之內。
【主權項】
1.一種云環境下基于卷積神經網絡車型識別的車流量統計方法，包括:卷積神經網絡離線訓練模塊以及實時車流量統計模塊，其特征在于， 卷積神經網絡離線訓練模塊，進行卷積神經網絡的訓練，生成訓練參數； 實時車流量統計模塊進行車型識別，統計車流量。2.如權利要求1所述的云環境下基于卷積神經網絡車型識別的車流量統計方法，其特征在于，所述卷積神經網絡離線訓練模塊進行卷積神經網絡的訓練，生成訓練參數的步驟，包括: 卷積神經網絡離線訓練模塊存儲來自流媒體服務器的視頻流，然后利用歷史數據構建訓練數據集，結合卷積神經網絡，訓練卷積神經網絡得到最優的卷積神經網絡參數。3.如權利要求2所述的云環境下基于卷積神經網絡車型識別的車流量統計方法，其特征在于，所述卷積神經網絡包括:四層卷積與池化層，一層全連接層，最后一層是sof tmax回歸分類器層。4.如權利要求1所述的云環境下基于卷積神經網絡車型識別的車流量統計方法，其特征在于，所述實時車流量統計模塊進行車型識別，統計車流量的步驟，包括: 實時車流量統計模塊采集來自流媒體服務器的實時視頻流，將實時視頻流解碼為幀圖像之后將其作為Storm的輸入源，將每一幀圖像在Storm中進行處理。5.如權利要求4所述的云環境下基于卷積神經網絡車型識別的車流量統計方法，其特征在于，通過storm的spout進行處理，在Storm中分別經過背景分割、車型識別、車輛跟蹤、車流統計，最終輸出車流量并進行持久化。
【專利摘要】本發明提出了一種云環境下基于卷積神經網絡車型識別的車流量統計方法，包括以下步驟：構建車型數據庫；設計用于車型識別的卷積神經網絡；進行卷積神經網絡的訓練；利用實時云平臺進行車型識別；利用卡爾曼濾波器跟蹤車輛，統計相應車型的車流量。本發明的云環境下基于卷積神經網絡車型識別的車流量統計方法，將基于卷積神經網絡的圖像識別技術與云計算相結合，把基于車型識別的車流量統計利用云計算技術并行化，提高車流量統計的速率；在充分利用計算資源的前提下，找到最優的網絡，對車型進行識別，統計出車流量，達到實時的目的。
【IPC分類】G06K9/00, G06K9/62
【公開號】CN105678214
【申請號】CN201510995736
【發明人】張衛山, 徐亮, 宮文娟, 盧清華, 李忠偉
【申請人】中國石油大學(華東)
【公開日】2016年6月15日
【申請日】2015年12月21日