基于YOLO神经网络的车流量统计方法、装置及设备

技术领域

本申请涉及人工智能技术领域，尤其涉及一种基于YOLO神经网络的车流量统计方法、装置、计算机设备及计算机可读存储介质。

背景技术

随着交通愈加发达，道路愈加拥堵，如何实时准确地获取路况中车辆的分类和数量，以便交通部门及时管理特定路段和路口的车辆显得日益重要。尽可能地掌握区域内路况的车辆数目及分布特点是优化交通的前提，只有准确地从背景中检测出车辆，才能进行车流统计、车辆的识别与跟踪，便于交管部门的管理。

传统技术中，国内大多数的监管系统只是将摄像机拍摄到的画面实时上传，需要交通管理人员全天候的观察多个监控情况，浪费人力，即使利用CNN卷积神经网络进行车辆监控的系统，需要将传输的图片通过多个卷积核遍历图片中所有可能的位置，地毯式搜索不同大小、不同宽高比与不同位置的每个区域，逐一检测其中是否存在某种车辆，存在检测效率太低，无法及时统计出准确的车流量数据，导致车流量统计效率较低。

发明内容

本申请提供了一种基于YOLO神经网络的车流量统计方法、装置、计算机设备及计算机可读存储介质，能够解决传统技术中对车流量进行统计效率较低的技术问题。

第一方面，本申请提供了一种基于YOLO神经网络的车流量统计方法，包括：获取实时的交通图像，并将所述交通图像作为输入图像；基于预设YOLO神经网络，将所述输入图像划分为多个预测框，并对每个所述预测框在卷积过程中通过预设目标检测边界框回归损失函数进行尺度调整，得到所述预测框调整后对应的预测框向量；将所述预测框向量输入预设YOLO神经网络中的全连接层进行全连接处理，得到目标连接特征，并基于所述目标连接特征对所述交通图像中的车辆对象进行识别且对识别后的车辆对象进行分类；统计分类后的车辆类别及每一所述车辆类别所对应的车辆数量。

第二方面，本申请还提供了一种基于YOLO神经网络的车流量统计装置，包括：第一获取单元，用于获取实时的交通图像，并将所述交通图像作为输入图像；调整单元，用于基于预设YOLO神经网络，将所述输入图像划分为多个预测框，并对每个所述预测框在卷积过程中通过预设目标检测边界框回归损失函数进行尺度调整，得到所述预测框调整后对应的预测框向量；分类单元，用于将所述预测框向量输入预设YOLO神经网络中的全连接层进行全连接处理，得到目标连接特征，并基于所述目标连接特征对所述交通图像中的车辆对象进行识别且对识别后的车辆对象进行分类；统计单元，用于统计分类后的车辆类别及每一所述车辆类别所对应的车辆数量。

第三方面，本申请还提供了一种计算机设备，其包括存储器及处理器，所述存储器上存储有计算机程序，所述处理器执行所述计算机程序时实现所述基于YOLO神经网络的车流量统计方法的步骤。

第四方面，本申请还提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时使所述处理器执行所述基于YOLO神经网络的车流量统计方法的步骤。

本申请提供了一种基于YOLO神经网络的车流量统计方法、装置、计算机设备及计算机可读存储介质。本申请通过获取实时的交通图像，并将所述交通图像作为输入图像，基于预设YOLO神经网络，将所述输入图像划分为多个预测框，并对每个所述预测框在卷积过程中通过预设目标检测边界框回归损失函数进行尺度调整，得到所述预测框调整后对应的预测框向量，将所述预测框向量输入预设YOLO神经网络中的全连接层进行全连接处理，得到目标连接特征，并基于所述目标连接特征对所述交通图像中的车辆对象进行识别且对识别后的车辆对象进行分类，统计分类后的车辆类别及每一所述车辆类别所对应的车辆数量，以实现对车流量进行统计，不但充分利用了YOLO神经网络不需要遍历图像的所有区域对车流量进行无延迟识别，而且通过对预测框进行尺度调整，实现了对车辆在保证统计速度的前提下提升了对车辆的数量及位置统计的精准度，提高了对车流量统计的效率。

附图说明

为了更清楚地说明本申请实施例技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本申请的一些实施例，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为本申请实施例提供的基于YOLO神经网络的车流量统计方法的一个流程示意图；

图2为本申请实施例提供的基于YOLO神经网络的车流量统计方法的一个框架结构示意图；

图3为本申请实施例提供的基于YOLO神经网络的车流量统计方法的另一流程示意图；

图4为本申请实施例提供的基于YOLO神经网络的车流量统计装置的一个示意性框图；以及

图5为本申请实施例提供的计算机设备的示意性框图。

具体实施方式

下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，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，都属于本申请保护的范围。

应当理解，当在本说明书和所附权利要求书中使用时，术语“包括”和“包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。

请参阅图1，图1为本申请实施例提供的基于YOLO神经网络的车流量统计方法的一个流程示意图。如图1所示，该方法包括以下步骤S11-S14：

S11、获取实时的交通图像，并将所述交通图像作为输入图像。

具体地，请参阅图2，图2为本申请实施例提供的基于YOLO神经网络的车流量统计方法的一个框架结构示意图，如图2所示，在该实施例中，可以利用交通现场安装的图像采集设备，如高清摄像机探头等收集实时的交通图像，并将所述交通图像作为输入图像，传输至进行车流量统计的计算机中。

S12、基于预设YOLO神经网络，将所述输入图像划分为多个预测框，并对每个所述预测框在卷积过程中通过预设目标检测边界框回归损失函数进行尺度调整，得到所述预测框调整后对应的预测框向量，其中，所述预设YOLO神经网络的卷积层设置了预设目标检测边界框回归损失函数Smooth L1 loss。

其中，YOLO(英文为You only look once)是一种目标检测模型。

具体地，将所述输入图像输入预设YOLO神经网络中，YOLO神经网络采用了预定义的候选区，将所述输入图像划分为7*7＝49个网格(英文为Grid)，请继续参阅图2，即图2中进行网格处理，每个网格允许预测出2个边框，总共49*2＝98个Bounding box(即包含物体的一个紧致矩形框，即为预测框)，将候选区和对象识别合二为一，以确定一个大致的区域范围，利用边框回归(英文为Bounding Box Regression)可以预测物体的大致位置，例如通过已经观察到的人的脖子和上半身，就能够推测出头和下半身的位置，不需要进利用特征图进行地毯式的识别，大大减少了识别时候的时间。

再将划分好网格的输入图像通过YOLO神经网络的多层卷积层与池化层形成多个30维的向量(每个网格对应一个)，向量中包括了多个预测对象各自对应的概率、2个Bounding box*4个坐标及2个Bounding box的置信度，例如在一示例中，向量中包括了20个对象的概率+2个Bounding box*4个坐标+2个Bounding box的置信度，20个对象的概率指的是YOLO中支持的对象，例如该对象包括货车、公交车及汽车等等，可以用(P(C

每个Bounding box需要4个数值来表示其位置，可以描述为(Center_x,Center_y,width,height)，即(Bounding box的中心点的x坐标与y坐标，Bounding box的宽度与高度)，2个Bounding box共需要8个数值来表示其位置。

Bounding box的置信度＝该Bounding box内存在对象的概率*该Bounding box与该对象实际Bounding box的IOU，用公式来表示就是如下公式(1)所示：

Pr(Object)是Bounding box内存在对象的概率，

对其求导则会出现如下公式(3)：

其中，smooth L1在x较小时，对x的梯度也会变小，而在x很大时，对x的梯度的绝对值达到上限1，也不会太大以至于破坏网络参数。当预测框与Ground truth差别过大时，梯度值不至于过大；当预测框与Ground truth差别很小时，梯度值足够小，避免了梯度爆炸的问题，因此可以使得预测框更加精准，在保证预测速度的前提下提升了预测的精准度。

S13、将所述预测框向量输入预设YOLO神经网络中的全连接层进行全连接处理，得到目标连接特征，并基于所述目标连接特征对所述交通图像中的车辆对象进行识别且对识别后的车辆对象进行分类。

具体地，全连接层(Fully connected layers，简写为FC)在整个YOLO神经网络中起到“分类器”的作用，YOLO神经网络中的卷积层及池化层等操作是将原始数据映射到隐层特征空间，全连接层则将学到的“分布式特征表示”映射到样本标记空间的作用，将所述预测框向量对应的30维向量输入至全连接层得到7*7*30的张量，即所述输入图像中的每个网格对应输出一个30维的向量，将30维的向量输入至全连接层，从而实现将所述预测框向量输入预设YOLO神经网络中的全连接层进行全连接处理，得到目标连接特征，并基于所述目标连接特征对所述交通图像中的车辆对象进行识别且对识别后的车辆对象进行分类，从而判断所述交通图像中是否包含车辆，以及若所述交通图像中包含车辆，该车辆对应的车辆类别，可以预测输入图像中的车辆为自行车、汽车或者轿车等车辆类别。

S14、统计分类后的车辆类别及每一所述车辆类别所对应的车辆数量。

具体地，经全连接层基于所述目标连接特征对所述交通图像中的车辆对象进行识别且对识别后的车辆对象进行分类，得到交通图像中包含的预测车辆后，即对所述输入图像中的每个对象(例如自行车、汽车及公交车等车辆)进行了识别，识别出所述输入图像中包含的车辆所属的车辆类别后，统计分类后的车辆类别及每一所述车辆类别所对应的车辆数量，请继续参阅图2，例如统计所述输入图像中包含公交车多少辆、自行车多少辆等车辆信息，及车辆各自对应的位置，如图2中车辆1的类别及车辆1所在的位置，车辆2的类别及车辆2的所在位置，…，车辆n的类别及车辆n所在的位置，及每种类别车辆各自包含的车辆的数量，从而实现车流量统计。

本申请实施例，通过获取实时的交通图像，并将所述交通图像作为输入图像，基于预设YOLO神经网络，将所述输入图像划分为多个预测框，并对每个所述预测框在卷积过程中通过预设目标检测边界框回归损失函数进行尺度调整，得到所述预测框调整后对应的预测框向量，将所述预测框向量输入预设YOLO神经网络中的全连接层进行全连接处理，得到目标连接特征，并基于所述目标连接特征对所述交通图像中的车辆对象进行识别且对识别后的车辆对象进行分类，统计分类后的车辆类别及每一所述车辆类别所对应的车辆数量，以实现对车流量进行统计，不但充分利用了YOLO神经网络不需要遍历图像的所有区域对车流量进行无延迟识别，而且通过对预测框进行尺度调整，实现了对车辆在保证统计速度的前提下提升了对车辆的数量及位置统计的精准度，提高了对车流量统计的效率。

在一实施例中，所述将所述预测框向量输入预设YOLO神经网络中的全连接层进行全连接处理，得到目标连接特征的步骤包括：

将所述预测框向量输入预设YOLO神经网络中的全连接层进行全连接处理及进行批量标准化，得到目标连接特征，其中，所述预设YOLO神经网络的全连接层设置了批量标准化方法。

具体地，全连接层(Fully connected layers，简写为FC)在整个YOLO神经网络中起到“分类器”的作用，YOLO神经网络中的卷积层及池化层等操作是将原始数据映射到隐层特征空间，全连接层则将学到的“分布式特征表示”映射到样本标记空间的作用，将所述预测框向量对应的30维向量输入至全连接层得到7*7*30的张量，即所述输入图像中的每个网格对应输出一个30维的向量，将30维的向量输入至全连接层，由于YOLO神经网络在边框预测时会出现不准确的现象，为了解决这种问题，请继续参阅图2，在全连接层之间添加了批量标准化的方法以标准化数据，例如采用规范化方法、正规化方法或者归一化方法等批量标准化的方法，从而使得图像变得平滑，减少背景对识别车辆的影响，从而可以将多个30维的向量进行批量标准化(英文为Batch Normalization)，将所有的向量批量进行随机梯度下降，标准化偏差值，将得到的向量正态化分布使得更加平滑，在向前传播时发挥作用，减少过拟合的现象(两个预测框重合时识别不出物体的现象)，在保证速度的前提下提升了精准度，从而实现将所述预测框向量输入预设YOLO神经网络中的全连接层进行全连接处理及进行批量标准化，得到目标连接特征，并对所述目标连接特征进行车辆分类，以得到预测车辆对象即预测输入图像中的车辆为自行车、汽车或者轿车等车辆类别，其中，数据的标准化(英文为Normalization)是将数据按比例缩放，使之落入一个小的特定区间。

本申请实施例，通过获取实时的交通图像，并将所述交通图像处理作为输入图像，基于预设YOLO神经网络，将所述输入图像划分为多个预测框，并对每个所述预测框在卷积过程中通过预设目标检测边界框回归损失函数进行尺度调整，得到所述预测框调整后对应的预测框向量，将所述预测框向量输入预设YOLO神经网络中的全连接层进行全连接处理及进行批量标准化，得到目标连接特征，并对基于所述目标连接特征对所述交通图像中的车辆对象进行识别且对识别后的车辆对象进行分类，统计分类后的车辆类别及每一所述车辆类别所对应的车辆数量，以实现对车流量进行统计，不但充分利用了YOLO神经网络不需要遍历图像的所有区域对车流量进行无延迟识别，而且通过对预测框进行尺度调整与批量标准化处理，实现了对车辆在保证统计速度的前提下提升了对车辆的数量及位置统计的精准度，提高了对车流量统计的效率。

在一实施例中，所述获取实时的交通图像，并将所述交通图像作为输入图像的步骤包括：

获取实时的交通图像，并将所述交通图像进行预处理，得到预设大小的目标图像，并将所述目标图像作为输入图像。

具体地，可以利用交通现场安装的图像采集设备，如高清摄像机探头等收集实时交通图像，并将所述实时交通图像传输到进行车流量统计的计算机中。然后对所述实时交通图像按照视频帧进行图像统一大小预处理，请继续参阅图2，如图2所示，将所述实时交通图像处理为预设大小的输入图像，以便后续基于改进的YOLO的网络对车流量进行统计时，改进的YOLO的网络中卷积层最后连接的全连接层，对所述输入图像进行处理，可以将所述实时交通图像剪切为统一大小，例如剪切为像素位为448*448的图像作为输入图像。

本申请实施例，通过获取实时的交通图像，并将所述交通图像处理为预设大小的输入图像，然后基于预设YOLO神经网络，将所述输入图像划分为多个预测框，并对每个所述预测框在卷积过程中通过预设目标检测边界框回归损失函数进行尺度调整，得到所述预测框调整后对应的预测框向量，将所述预测框向量输入预设YOLO神经网络中的全连接层进行全连接处理及进行批量标准化，得到目标连接特征，基于所述目标连接特征对所述交通图像中的车辆对象进行识别且对识别后的车辆对象进行分类，统计分类后的车辆类别及每一所述车辆类别所对应的车辆数量，以实现对车流量进行统计，不但充分利用了YOLO神经网络不需要遍历图像的所有区域对车流量进行无延迟识别，而且通过对预测框进行尺度调整与批量标准化处理，实现了对车辆在保证统计速度的前提下提升了对车辆的数量及位置统计的精准度，提高了对车流量统计的效率。

请参阅图3，图3为本申请实施例提供的基于YOLO神经网络的车流量统计方法的另一流程示意图。如图3所示，在该实施例中，所述统计分类后的车辆类别及每一所述车辆类别所对应的车辆数量的步骤之后，还包括：

S15、根据所述车辆类别对应的预设颜色，在所述输入图像上将所述车辆类别对应的预测车辆进行标注。

具体地，进行车流量统计时，针对预设YOLO神经网络支持的车辆类别，例如自行车、汽车、公交车及摩托车等车辆类型，预先分别设置不同的对应颜色进行车辆显示，统计分类后的车辆类别及每一所述车辆类别所对应的车辆数量，对于所述输入图像中的每个对象(例如自行车、汽车等)，可以在每个对象上面生成边框，预先设定车辆对象对应的Bounding box颜色，不同的对象会表示为不同的颜色，同时需要根据损失函数调整边框与真实边框的误差，损失函数如下：

第一行表示边框中心点与真实值的误差，X与Y分别表示横竖坐标，第二行表示边框宽度和高度分别与各自对应真实值的误差，W与H分别表示宽度与高度。给这些损失前面赋予更大的权重,记为γ

请继续参阅图3，如图3所示，在该实施例中，所述统计分类后的车辆类别及每一所述车辆类别所对应的车辆数量及每一所述车辆类别的车辆对应的车辆数量的步骤之后，还包括：

S16、判断所述车辆数量是否大于或者等于预设车辆数量阈值；

S17、若所述车辆数量大于或者等于预设车辆数量阈值，将所述车辆数量对应的车辆类别的预设车辆信息进行告警提示；

S18、若所述车辆数量小于预设车辆数量阈值，不将所述车辆数量对应的车辆类别的预设车辆信息进行告警提示。

具体地，统计分类后的车辆类别及每一所述车辆类别所对应的车辆数量后，可以对所述车辆类别对应的车辆数量进行判断，判断所述车辆数量是否大于或者等于预设车辆数量阈值，若所述车辆数量大于或者等于预设车辆数量阈值，表明该类型车辆数量较多，可能会造成交通堵塞，将所述车辆数量对应的车辆类别的预设车辆信息进行告警提示，例如，将车辆数量对应的采集时间、车辆类型、路况信息等车辆数量相关的路况信息进行告警提示，可以及时提醒交管部门进行梳理交通等工作，也可以提醒司机拥堵的路段在哪里，在出行时绕开这些路段，避免造成大规模的堵塞现象，若所述车辆数量小于预设车辆数量阈值，表明车流量正常，无需进行告警提示。

进一步地，所述将所述车辆数量对应的车辆类别的预设车辆信息进行告警提示的步骤包括：

将所述车辆类别的预测车辆在所述输入图像上以所述车辆类别对应的预设颜色进行高亮显示。

具体地，针对进行告警提示的车辆类别，不但根据所述车辆类别对应的预设颜色，在所述输入图像上将所述车辆类别对应的预测车辆进行标注显示，而且进行高亮显示，以突出进行告警提示的特点，从而更突出、直观的显示出进行告警提示的预设车辆的相关信息，能够进一步实现对车辆在保证统计速度的前提下，提升对车辆的数量及位置统计的精准度，提高了对车流量统计的效率。

请继续参阅图3，如图3所示，在该实施例中，所述统计分类后的车辆类别及每一所述车辆类别所对应的车辆数量的步骤之后，还包括：

S19、将所述车辆类别及对应的车辆数量发送至预设车流量显示对象，以使所述车流量显示对象按照预设操作进行车流量处理。

具体地，将所述车辆类别及对应的车辆数量发送至预设车流量显示对象，以使所述车流量显示对象按照预设操作进行车流量处理，例如，统计车流量中车辆对象的分类以及数量，并将得到的车流量数据传输到交管中心进行实时监控，以了解路况，例如了解目标区域内的摩托车、自行车、汽车的实时数量，当区域内的车辆超过指定的预设数量时，可以及时提醒交管部门进行梳理交通等工作，也可以将车流量数据实时发布到交通导航应用程序上，实时提醒出行者交通路况，例如提醒司机拥堵的路段在哪里，在出行时绕开这些路段，避免造成大规模的堵塞现象。

需要说明的是，上述各个实施例所述的基于YOLO神经网络的车流量统计方法，可以根据需要将不同实施例中包含的技术特征重新进行组合，以获取组合后的实施方案，但都在本申请要求的保护范围之内。

请参阅图4，图4为本申请实施例提供的基于YOLO神经网络的车流量统计装置的一个示意性框图。对应于上述所述基于YOLO神经网络的车流量统计方法，本申请实施例还提供一种基于YOLO神经网络的车流量统计装置。如图4所示，该基于YOLO神经网络的车流量统计装置包括用于执行上述所述基于YOLO神经网络的车流量统计方法的单元，该基于YOLO神经网络的车流量统计装置可以被配置于计算机设备中。具体地，请参阅图4，该基于YOLO神经网络的车流量统计装置40包括第一获取单元41、调整单元42、分类单元43及统计单元44。

其中，第一获取单元41，用于获取实时的交通图像，并将所述交通图像作为输入图像；

调整单元42，用于基于预设YOLO神经网络，将所述输入图像划分为多个预测框，并对每个所述预测框在卷积过程中通过预设目标检测边界框回归损失函数进行尺度调整，得到所述预测框调整后对应的预测框向量；

分类单元43，用于将所述预测框向量输入预设YOLO神经网络中的全连接层进行全连接处理，得到目标连接特征，并基于所述目标连接特征对所述交通图像中的车辆对象进行识别且对识别后的车辆对象进行分类；

统计单元44，用于统计分类后的车辆类别及每一所述车辆类别所对应的车辆数量。

在一实施例中，所述分类单元43，具体用于将所述预测框向量输入预设YOLO神经网络中的全连接层进行全连接处理及进行批量标准化，得到目标连接特征。

在一实施例中，所述第一获取单元41，用于获取实时的交通图像，并将所述交通图像进行预处理，得到预设大小的目标图像，并将所述目标图像作为输入图像。

在一实施例中，所述基于YOLO神经网络的车流量统计装置40还包括：

标注单元，用于根据所述车辆类别对应的预设颜色，在所述输入图像上将所述车辆类别对应的预测车辆进行标注。

在一实施例中，所述基于YOLO神经网络的车流量统计装置40还包括：

判断单元，用于判断所述车辆数量是否大于或者等于预设车辆数量阈值；

告警单元，用于若所述车辆数量大于或者等于预设车辆数量阈值，将所述车辆数量对应的车辆类别的预设车辆信息进行告警提示。

在一实施例中，所述告警单元，具体用于将所述车辆类别的预测车辆在所述输入图像上以所述车辆类别对应的预设颜色进行高亮显示。

在一实施例中，所述基于YOLO神经网络的车流量统计装置40还包括：

发送单元，用于将所述车辆类别及对应的车辆数量发送至预设车流量显示对象，以使所述车流量显示对象按照预设操作进行车流量处理。

需要说明的是，所属领域的技术人员可以清楚地了解到，上述基于YOLO神经网络的车流量统计装置和各单元的具体实现过程，可以参考前述方法实施例中的相应描述，为了描述的方便和简洁，在此不再赘述。

同时，上述基于YOLO神经网络的车流量统计装置中各个单元的划分和连接方式仅用于举例说明，在其他实施例中，可将基于YOLO神经网络的车流量统计装置按照需要划分为不同的单元，也可将基于YOLO神经网络的车流量统计装置中各单元采取不同的连接顺序和方式，以完成上述基于YOLO神经网络的车流量统计装置的全部或部分功能。

上述基于YOLO神经网络的车流量统计装置可以实现为一种计算机程序的形式，该计算机程序可以在如图5所示的计算机设备上运行。

请参阅图5，图5是本申请实施例提供的一种计算机设备的示意性框图。该计算机设备500可以是台式机电脑或者服务器等计算机设备，也可以是其他设备中的组件或者部件。

参阅图5，该计算机设备500包括通过系统总线501连接的处理器502、存储器和网络接口505，其中，存储器可以包括非易失性存储介质503和内存储器504，所述存储器也可以为易失性存储介质。

该非易失性存储介质503可存储操作系统5031和计算机程序5032。该计算机程序5032被执行时，可使得处理器502执行一种上述基于YOLO神经网络的车流量统计方法。

该处理器502用于提供计算和控制能力，以支撑整个计算机设备500的运行。

该内存储器504为非易失性存储介质503中的计算机程序5032的运行提供环境，该计算机程序5032被处理器502执行时，可使得处理器502执行一种上述基于YOLO神经网络的车流量统计方法。

该网络接口505用于与其它设备进行网络通信。本领域技术人员可以理解，图5中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备500的限定，具体的计算机设备500可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。例如，在一些实施例中，计算机设备可以仅包括存储器及处理器，在这样的实施例中，存储器及处理器的结构及功能与图5所示实施例一致，在此不再赘述。

其中，所述处理器502用于运行存储在存储器中的计算机程序5032，以实现如下步骤：获取实时的交通图像，并将所述交通图像作为输入图像；基于预设YOLO神经网络，将所述输入图像划分为多个预测框，并对每个所述预测框在卷积过程中通过预设目标检测边界框回归损失函数进行尺度调整，得到所述预测框调整后对应的预测框向量；将所述预测框向量输入预设YOLO神经网络中的全连接层进行全连接处理，得到目标连接特征，并基于所述目标连接特征对所述交通图像中的车辆对象进行识别且对识别后的车辆对象进行分类；统计分类后的车辆类别及每一所述车辆类别所对应的车辆数量。

在一实施例中，所述处理器502在实现所述将所述预测框向量输入预设YOLO神经网络中的全连接层进行全连接处理，得到目标连接特征的步骤时，具体实现以下步骤：

将所述预测框向量输入预设YOLO神经网络中的全连接层进行全连接处理及进行批量标准化，得到目标连接特征。

在一实施例中，所述处理器502在实现所述获取实时的交通图像，并将所述交通图像作为输入图像的步骤时，具体实现以下步骤：

获取实时的交通图像，并将所述交通图像进行预处理，得到预设大小的目标图像，并将所述目标图像作为输入图像。

在一实施例中，所述处理器502在实现所述统计分类后的车辆类别及每一所述车辆类别所对应的车辆数量的步骤之后，还实现以下步骤：

根据所述车辆类别对应的预设颜色，在所述输入图像上将所述车辆类别对应的预测车辆进行标注。

在一实施例中，所述处理器502在实现所述统计分类后的车辆类别及每一所述车辆类别所对应的车辆数量的步骤之后，还实现以下步骤：

判断所述车辆数量是否大于或者等于预设车辆数量阈值；

若所述车辆数量大于或者等于预设车辆数量阈值，将所述车辆数量对应的车辆类别的预设车辆信息进行告警提示。

在一实施例中，所述处理器502在实现所述将所述车辆数量对应的车辆类别的预设车辆信息进行告警提示的步骤时，具体实现以下步骤：

将所述车辆类别的预测车辆在所述输入图像上以所述车辆类别对应的预设颜色进行高亮显示。

在一实施例中，所述处理器502在实现所述统计分类后的车辆类别及每一所述车辆类别所对应的车辆数量的步骤之后，还实现以下步骤：

将所述车辆类别及对应的车辆数量发送至预设车流量显示对象，以使所述车流量显示对象按照预设操作进行车流量处理。

应当理解，在本申请实施例中，处理器502可以是中央处理单元(CentralProcessing Unit，CPU)，该处理器502还可以是其他通用处理器、数字信号处理器(DigitalSignal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。其中，通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。

本领域普通技术人员可以理解的是实现上述实施例的方法中的全部或部分流程，是可以通过计算机程序来完成，该计算机程序可存储于一计算机可读存储介质。该计算机程序被该计算机系统中的至少一个处理器执行，以实现上述方法的实施例的流程步骤。

因此，本申请还提供一种计算机可读存储介质。该计算机可读存储介质可以为非易失性的计算机可读存储介质，也可以为易失性的计算机可读存储介质，该计算机可读存储介质存储有计算机程序，该计算机程序被处理器执行时使处理器执行如下步骤：

一种计算机程序产品，当其在计算机上运行时，使得计算机执行以上各实施例中所描述的所述基于YOLO神经网络的车流量统计方法的步骤。

所述计算机可读存储介质可以是前述设备的内部存储单元，例如设备的硬盘或内存。所述计算机可读存储介质也可以是所述设备的外部存储设备，例如所述设备上配备的插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(Flash Card)等。进一步地，所述计算机可读存储介质还可以既包括所述设备的内部存储单元也包括外部存储设备。

所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，上述描述的设备、装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

所述存储介质为实体的、非瞬时性的存储介质，例如可以是U盘、移动硬盘、只读存储器(Read-Only Memory，ROM)、磁碟或者光盘等各种可以存储计算机程序的实体存储介质。

本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。

在本申请所提供的几个实施例中，应该理解到，所揭露的装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的。例如，各个单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式。例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。

本申请实施例方法中的步骤可以根据实际需要进行顺序调整、合并和删减。本申请实施例装置中的单元可以根据实际需要进行合并、划分和删减。另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以是两个或两个以上单元集成在一个单元中。

该集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分，或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台电子设备(可以是个人计算机，终端，或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。

以上所述，仅为本申请的具体实施方式，但本申请明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应以权利要求的保护范围为准。