一种基于地磁传感器和目标检测的车流量快速统计方法

技术领域

本发明属于智慧交通技术领域，尤其涉及一种基于地磁传感器和目标检测的车流量快速统计方法。

背景技术

近年来,我国路网的不断建设及汽车保有量的稳步增长使得交通运输需求增长迅猛,在路况管理中，保障道路交通的稳定和畅通是重中之重。然而，交通拥堵时常发生，极大程度地影响了交通畅通与安全。这对交通管理部门在路网运行管理与应对突发事件的能力提出了更高的要求。因此，车流量统计和预测是交通管理和规划中的重要问题。它们可以帮助交通管理人员实时了解路段交通情况和预测未来的交通流量，从而更好地规划和调整交通流量，提高交通效率和安全性。其中有效的进行车流量统计是制定交通拥堵应对策略的必要条件。

随着我国路网视频监控规模的迅速扩大，已经基本实现了路网视频监控全覆盖，因此，利用监控视频实现车辆监测可提升交通智能化管理水平，即通过监控摄像头采集视频流数据，利用深度学习方法对车辆进行检测和跟踪，实现车流量的统计。然而目标跟踪面临的有几大难点：如在视频流数据中，目标物体被遮挡、背景混乱、照明变化、目标物体快速移动时，均有可能发生目标丢失、难以检测物体的边界位置和跟踪结果不准确等问题，同时监控视频的画面一般比较模糊，分辨率也比较低，目标检测为车流量统计带来了极大的挑战。

另外，地磁线圈进行车辆触发的应用场景也比较常见，如停车、路边停车位等，都有用到地磁线圈，但是地磁线圈车辆数据统计还是存在一些问题，比如，如果短时间间隔内同时经过多辆车，会出现传感器只触发一次，导致计数错误的问题。如图1所示的四车道，地磁传感器，即地磁线圈L贯穿布置于四车道，如果车辆A、B几乎同时通过地感线圈时，地感线圈在极短的时间内只发生一次电感变化，因此只能统计到一辆车的数据，因此会存在明显的数据误差。

因此目前的道路车流量的统计方式仍存在目标跟踪存在难点及传感器计数不准确的问题。

发明内容

鉴于上述问题，本发明的目的在于提供一种基于地磁传感器和目标检测的车流量快速统计方法，旨在解决现有车流量统计方式目标跟踪难及传感器计数不准确的问题技术问题。

本发明采用如下技术方案：

所述基于地磁传感器和目标检测的车流量快速统计方法，包括下述步骤：

步骤S1、当地磁传感器受到车辆触发时，自动触发摄像头对指定区域进行拍照，收集拍照图片，图片张数即摄像头触发次数；

步骤S2、采用目标二分类算法对收集的图片进行分类过滤，得到图片中车辆目标数量等于一和大于一的两类；

步骤S3、对于目标数量大于一的图片，通过目标检测算法对图片中的目标进行计数，并结合摄像头触发次数，计算得到车流量数据。

进一步的，所述地磁传感器为地磁线圈，地磁线圈位于摄像头拍摄的指定位置，车辆经过地磁线圈时自动触发摄像头进行拍照。

进一步的，所述步骤S1中，设置统计时间段，将各时间段内的拍照的图片进行归类收集。

进一步的，步骤S3中，所述目标检测算法为基于深度学习的目标检测算法。

进一步的，所述步骤S3的具体过程如下：

S31、对于第j个时间段，目标数量大于一的图片的数量记为q

S32、将各时间段计算的实际车辆数量累加，得到整个时间段内的车流量

进一步的，所述统计方法还包括下述步骤：

步骤S4、构建深层模型预测构架，用于对车流量的预测。

本发明的有益效果是：

本发明方法采用地磁传感器和摄像头结合的方式，用地磁传感器感应经过车辆，自动触发摄像头拍照，对于照片的处理，通过图片二分类方式过滤单目标的图片，对于目标大于一的图片进行深度学习的目标检测，得到图片中车辆数量，然后对结果进行修正，得到车流量数据；此方式无需处理视频流和目标跟踪，只需要进行图片目标识别即可，能够明显降低处理复杂度；另外，此方式通过二分类过滤掉目标数量为一的图片，剩下的图片的数量级明显降低，使得目标检测操作更轻量化，有效提高了检测速度，达到快速查询的目的。

本发明通过结合地磁传感器和摄像头的方式，并通过二分类和目标检测，最终统计得到的车流量数据准确，统计方式处理效率高。

附图说明

图1是多辆车同时经过地磁传感器示意图；

图2是本发明实施例提供的基于地磁传感器和目标检测的车流量快速统计方法的流程图；

图3是本发明实施例步骤S2的实现流程图；

图4是构建深层模型预测构架进行预测的流程示意图；

图5是本发明实施例方法的一个实际应用软件界面示意图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

为了说明本发明所述的技术方案，下面通过具体实施例来进行说明。

如图2所示，本实施例提供的基于地磁传感器和目标检测的车流量快速统计方法，包括下述步骤：

步骤S1、当地磁传感器受到车辆触发时，自动触发摄像头对指定区域进行拍照，收集拍照图片，图片张数即摄像头触发次数。

本步骤在实现时，首先在道路上贯穿车道埋放地磁传感器，该地磁传感器为线圈，设置方式如图1所示，保证当车辆经过地感线圈时，能够触发对应的摄像头进行拍照。然后在地磁传感器前后附近一定范围区间作为指定区域，该指定区域为照片的识别区域。

车辆在道路上行驶，每当经过地磁传感器时，会产生感应电流，然后自动触发相应的摄像头完成抓拍。对于一个时间段，如果地磁传感器被触发m次，则会得到m张图片，以便后续对图片进行处理实现车辆统计。

由于现有的深度学习目标跟踪方法统计车辆数量，需要对视频流进行分析，识别出视频中的车辆并进行轨迹跟踪，容易出现目标丢失、难以检测物体边界位置和跟踪结果不准确等问题，进而会造成车流量统计误差较大。本步骤通过埋设地磁传感器，根据地磁传感器的触发信号自动触发摄像头抓拍和计数，无需处理视频流，数据处理难度低、响应快，也间接降低了设备的开发成本。

步骤S2、采用目标二分类算法对收集的图片进行分类过滤，得到图片中车辆目标数量等于一和大于一的两类。

如图1所示的示意图，当有两辆车A和B几乎同时通过地磁传感器L时，地磁传感器L装置的在极短的时间内只发生一次电感变化，从而只触发一次摄像头，计数一次，因此会出现统计错误的情况。为了解决此问题，本发明通过目标检测算法辅助计算实际车辆数量。为了降低图片处理复杂度，本步骤首先对图片进行二分类。

基于深度学习的目标检测算法目前有多种，可以识别出图片中的目标数量。但是目标检测算法处理数据量大，复杂度高，对于海量的图片数据，会明显增加服务器的负担，降低了处理效率。而实际上，一般地磁传感器在感应到有车辆时，大部分还是只有一辆车通过。因此抓拍的图片中大部分都只有一辆车。对于此特征，结合图3所示，本步骤采用图片二分类的方法将收集的图片进行分类，直接过滤掉目标数量等于一的图片，对剩下的图片进行处理，这样能够降低数据处理量，提高反应速度。

对于图片的二分类，判断其目标数量大于一或等于一。在训练模型前，需要准备用于训练和测试的数据集。数据集应该包含两类图片，包括目标数量大于一和目标数量等于一的图片，使用Resnet34网络模型训练分类模型，用于目标分类。图片二分类的复杂度要远远低于图片的目标识别。

步骤S3、对于目标数量大于一的图片，通过目标检测算法对图片中的目标进行计数，并结合摄像头触发次数，计算得到车流量数据。

假设地磁传感器被触发m次，记录有m张图片，图片二分类后，其中有q张图片目标数量大于一，且对目标数量大于一的样本图片，选择相应的基于深度学习的目标检测算法进行目标计数，每张图片目标数量为n，目标数量等于一的图片有m-q张。具体统计时，每张多目标图片的目标数量减一后进行累计，然后与m相加即可得到车流量。此计算方式简单快捷，主要时间成本在q张图片的目标检测。由于一般情况下，q远小于m，因此整体处理速度非常块，效率高。

为了方便后续针对不同时间段的车流量统计，识别出不同时间段内的车流量特点，便于后期的大数据挖掘利用。本发明可以设置统计时间段，比如将一天24小时划分为多个时间段，对每一个时间段采用上述方法进行统计。在步骤S1中，需要对每个时间段内拍照的图片进行归类收集。本步骤具体如下：

S31、对于第j个时间段，目标数量大于一的图片的数量记为q

S

S32、将各时间段计算的实际车辆数量累加，得到整个时间段内的车流量W。

首先，将W分为k个时间段，分别计算各个时间段内的车辆数量，再进行求和计算。即：

W＝S

其中k为统计的时间段总数量。

本发明采用目标检测算法辅助计数，且在目标检测之前使用目标分类算法对摄像头采集的图片进行图片二分类，由于传统目标检测跟踪的车辆计数方法中检测模型大、处理数据量多的问题，先进行图片二分类之后的图片数据使得下一步的目标检测模型更轻量化，有效提高了检测速度，达到快速查询的目的。

进一步作为一种优选方式，本发明还包括下述步骤：

步骤S4、构建深层模型预测构架，用于对车流量的预测。

为了更加直观的监测车流量并获取车流量信息，可以对车流量进行预测。结合图4所示，首先将统计得到的车流量数据发送至消息队列，然后构建深层模型预测构架，通过深层模型预测架构对交通流量的进行预测。前端网页(Chrome)通过http协议经过Nginx反向代理访问服务端，接收来自消息队列的数据信息，并返回给前端网页，此时就可以在前端网页查看相应的信息。

深层模型预测架构结合了卷积神经网络CNN和长短时记忆网络LSTM，用于交通流量预测。其中，卷积神经网络用于捕捉交通流数据的局部趋势和特征，长短时记忆网络则负责学习交通流数据的短时变化特征和长期依赖周期特征。特征融合层将不同的时空特征融合于基于特征的融合层中，以提高预测的准确性。最后，使用回归层进行交通流量的预测。在预测车流量的深层模型中，可以加入注意力机制来增强模型对于关键时空位置的关注。

如图5所示为本发明方法具体的应用软件界面示意图。在界面中，可以显示一定范围的路网中布置地磁传感器和摄像头的位置，以及上行和下行两个方向的统计车流量和预测车流量。获取到采集车流量的日期，客车、货车、专用专业车以及未知车型等各个类型车辆的统计数量和预测数量，可以用不同颜色的数字表示当日的车流量，以及根据当日车流量预测的车流量。在该界面可以进行交通流量数据查询，并允许用户根据需要访问和分析数据。这些数据可用于优化交通流量、减少拥堵并提高整体道路安全。此外，还可以与其他交通系统集成，例如公共交通时间表和交通控制系统，以提供给定区域交通的全面视图。

综上，本发明采用地磁传感器和摄像头拍照计数，并结合图片目标检测，完成车流量的统计，由于存在地磁传感器触发计数不正确及常用的深度学习目标检测算法存在检测样本量大导致检测时间过长的问题，故本发明先对样本图片进行二分类，根据分类结果，对目标数量大于一的图片使用目标检测算法获取目标数量，并结合统计公式统计车流量。最后结合获取的车流量数据，采用融合注意力机制的深层模型预测架构对车流量进行预测，获取车流量及预测数据。

以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。