基于无人机的实时动态车流量检测方法技术

本发明专利技术公开了基于无人机的实时动态车流量检测方法，通过无人机实时飞行，采集图像数据，再依次进行数据读取、车辆检测、图像拼接、车辆去重后得到特定地点的车辆总数；本申请在智慧城市建设中，无人机的可移动性在实时检测某区域内的车流量信息发挥了极其重要的作用，在调研高速拥堵路段，及时调整路况方案方面有积极的意义。

【技术实现步骤摘要】
基于无人机的实时动态车流量检测方法
本专利技术涉及车流量检测
，具体为基于无人机的实时动态车流量检测方法。
技术介绍
无人驾驶飞机简称“无人机”，英文缩写为“UAV”，是利用无线电遥控设备和自备的程序控制装置操纵的不载人飞机，或者由车载计算机完全地或间歇地自主地操作。无人机按应用领域，可分为军用与民用。军用方面，无人机分为侦察机和靶机。民用方面，无人机+行业应用，是无人机真正的刚需；目前在航拍、农业、植保、微型自拍、快递运输、灾难救援、观察野生动物、监控传染病、测绘、新闻报道、电力巡检、救灾、影视拍摄、制造浪漫等等领域的应用，大大的拓展了无人机本身的用途，发达国家也在积极扩展行业应用与发展无人机技术。现有技术的车流量检测通常是通过路面上一条基准线，统计经过这条基准线的车辆进行统计，但是不能统计出此路口处现在的车辆总数。为了解决以上问题我方研发出了基于无人机的实时动态车流量检测方法。
技术实现思路
本专利技术的目的就在于为了解决上述问题而提供基于无人机的实时动态车流量检测方法。本专利技术通过以下技术方案来实现上述目的：基于无人机的实时动态车流量检测方法，其特征在于，包括以下步骤：S1、数据采集；通过无人机，针对用户需求，对特有路段进行数据采集，数据采集是采集路面的正射影像图，进入下一步骤；S2、数据读取；每隔n帧取一次图像数据，进入下一步骤；S3、车辆检测；通过对神经网络的设计和对车辆数据的训练，形成权重模型，即为需要加载的模型，通过此模型，实现对图像数据中的车辆检测，进入下一步骤；S4、图像拼接；通过特征提取、特征匹配和图像融合进行图像拼接，进入下一步骤；S5、车辆去重；在图像融合后，以其中一帧上所有车辆目标为模板，通过SAD算法进行邻域去重，进入下一步骤；S6、如结束则得出车流量，如不结束则继续返回步骤S2。本专利技术的有益效果在于：本申请通过无人机实时飞行，采集图像数据，再依次进行数据读取、车辆检测、图像拼接、车辆去重后得到特定地点的车辆总数；本申请在智慧城市建设中，无人机的可移动性在实时检测某区域内的车流量信息发挥了极其重要的作用，在调研高速拥堵路段，及时调整路况方案方面有积极的意义。附图说明图1为本专利技术的流程示意图，具体实施方式下面结合附图对本专利技术作进一步说明：实施例1，如图1所示；基于无人机的实时动态车流量检测方法，包括以下步骤：S1、数据采集；通过无人机，针对用户需求，对特有路段进行数据采集，数据采集是采集路面的正射影像图，对无人机的飞行高度根据视野范围内的车辆数据进行调整(对路面采集正射影像图，有利于后续特征匹配和图像拼接，要求飞行高度根据视野范围内的车辆数据进行调整，用以提高计算效率，车辆太多则单帧计算太慢，拼接去重时候会影响效率，车辆太少则总的帧数增多，单次处理数据量不足，浪费计算资源)，进入下一步骤；S2、数据读取；每隔n帧取一次图像数据(无人机是运动的，采集的数据流也是连续的，为达到效率和效果的平衡，增加判定条件帧数％n＝0？，含义是数据是间隔的读取，即为每隔n帧取一次视频帧进行车辆检测等后续操作)，进入下一步骤；S3、车辆检测；通过对神经网络的设计和对车辆数据的训练，形成权重模型，即为需要加载的模型，通过此模型，实现对图像数据中的车辆检测，进入下一步骤；S4、图像拼接；通过特征提取、特征匹配和图像融合进行图像拼接，特征提取是通过改进的sift(尺度不变特征转换)的算法进行，过程如下：一、高斯模糊；通过高斯模糊进行模糊图像；N维空间正态分布方程为：其中，e为一个定值，约为2.732，σ是正态分布的标准差；r为模糊半径；如二维模板大小为m*n，则模板上的元素(x,y)对应的高斯计算公式为：二、构建高斯金字塔；对图像进行不同尺度下的进行分层，总的层数n为：n＝log2{min(M，N)}-t，t∈[0，log2{min(M，N)})其中，M,N分别为图像的宽和高；三、高斯差分求极值；D(x，y，σ)＝(G(x，y，kσ)-G(x，y，σ))*I(x，y)＝L(x，y，kσ)-L(x，y，σ)其中(x,y)为图像中的位置，表示横纵坐标点；L(x，y，kσ)为σ尺度下第k层的拉普拉斯核的卷积结果，G(x,y,σ)为σ尺度下第1层的高斯核卷积结果；G(x,y,kσ)为kσ尺度下第k层的高斯核卷积结果；根据泰勒公式：其中D(X)为X的函数表达，X＝(x，y，σ)T；表示对X求偏导，表示对X求二次偏导，XT为X的转置；求极值的条件为：其中为离散函数的极值点，为的逆矩阵；对应极值点方程为：为X在极值点处值，为离散函数的极值点，为的逆矩阵；四、消除边缘响应；DOG算子会产生较强的边缘响应，需要剔除不稳定的边缘响应点。获取特征点处的Hessian矩阵，主曲率通过一个2x2的Hessian矩阵H求出：其中H为Hessian矩阵，DXX为x方向上的二阶导数，DXY为先在x方向上求导，然后y方向求导，DYY为y方向上的二阶导数；H的特征值α和β代表x和y方向的梯度，H的迹和行列式计算方式为：Tr(H)＝Dxx+Dyy＝α+β，Det(H)＝DxxDyy-(Dxy)2＝αβ其中，Tr(H)为矩阵H的迹，DXX为x方向上的二阶导数，DXY为先在x方向上求导，然后y方向求导，DYY为y方向上的二阶导数；假设α是较大的特征值，而β是较小的特征值，令α＝rβ，r为α和β的线性系数，则：通过此比值限定一定阈值(Thr)来提出边缘响应点，即的值为响应点，剔除该类响应点，其中Thr为阈值。特征匹配包括：一、主方向分配；为了使描述符具有旋转不变性，需要利用图像的局部特征为给每一个关键点分配一个基准方向。使用图像梯度的方法求取局部结构的稳定方向。对于在DOG金字塔中检测出的关键点，采集其所在高斯金字塔图像3σ邻域窗口内像素的梯度的幅值和方向分布特征，σ为模糊参数,梯度的模值和方向如下：θ(x，y)＝tan-1((L(x，y+1)-Lx，y-1))/L(x+1，y)-L(x-1，y)))其中，L(x,y)为图像中(x,y)处的像素值，m(x,y)为(x,y)处的梯度幅值，θ(x,y)为(x,y)处的梯度方向；确定半径：其中3σ_oct为所选区域内的子区域边长，d为所选区域边长，radius为图像区域半径；坐标轴按主方向旋转：其中(xt,yt)为(x,y)坐标旋转后的对应坐标，radius为图像区域半径，cosθ和sinθ分别为余弦和正弦值，θ为旋转角度；二、按计算特征向量；<本文档来自技高网...

【技术保护点】
1.基于无人机的实时动态车流量检测方法，其特征在于，包括以下步骤：/nS1、数据采集；通过无人机，针对用户需求，对特有路段进行数据采集，数据采集是采集路面的正射影像图，进入下一步骤；/nS2、数据读取；每隔n帧取一次图像数据，进入下一步骤；/nS3、车辆检测；通过对神经网络的设计和对车辆数据的训练，形成权重模型，即为需要加载的模型，通过此模型，实现对图像数据中的车辆检测，进入下一步骤；/nS4、图像拼接；通过特征提取、特征匹配和图像融合进行图像拼接，进入下一步骤；/nS5、车辆去重；在图像融合后，以其中一帧上所有车辆目标为模板，通过SAD算法进行邻域去重，进入下一步骤；/nS6、如结束则得出车流量，如不结束则继续返回步骤S2。/n

【技术特征摘要】
1.基于无人机的实时动态车流量检测方法，其特征在于，包括以下步骤：
S1、数据采集；通过无人机，针对用户需求，对特有路段进行数据采集，数据采集是采集路面的正射影像图，进入下一步骤；
S2、数据读取；每隔n帧取一次图像数据，进入下一步骤；
S3、车辆检测；通过对神经网络的设计和对车辆数据的训练，形成权重模型，即为需要加载的模型，通过此模型，实现对图像数据中的车辆检测，进入下一步骤；
S4、图像拼接；通过特征提取、特征匹配和图像融合进行图像拼接，进入下一步骤；
S5、车辆去重；在图像融合后，以其中一帧上所有车辆目标为模板，通过SAD算法进行邻域去重，进入下一步骤；
S6、如结束则得出车流量，如不结束则继续返回步骤S2。


2.根据权利要求1所述的基于无人机的实时动态车流量检测方法，其特征在于，在步骤S1中，对无人机的飞行高度根据视野范围内的车辆数据进行调整。


3.根据权利要求1所述的基于无人机的实时动态车流量检测方法，其特征在于，在步骤S4中，特征提取是通过改进的sift(尺度不变特征转换)的算法进行，过程如下：
一、高斯模糊；
通过高斯模糊进行模糊图像；N维空间正态分布方程为：



其中，σ是正态分布的标准差；r为模糊半径；
二、构建高斯金字塔；
对图像进行不同尺度下的进行分层，总的层数n为：
n＝log2{min(M，N)}-t，t∈[0，log2{min(M，N)})
其中，M，N分别为图像的宽和高；
三、高斯差分求极值；
D(x，y，σ)＝(G(x，y，kσ)-G(x，y，σ))*I(x，y)
＝L(x，y，kσ)-L(x，y，σ)
其中(x，y)为图像中的位置，表示横纵坐标点；L(x，y，kσ)为σ尺度下第k层的拉普拉斯核的卷积结果，G(x，y，σ)为σ尺度下第1层的高斯核卷积结果；G(x，y，kσ)为kσ尺度下第k层的高斯核卷积结果；
根据泰勒公式：



其中D(X)为X的函数表达，X＝(x，y，σ)T；表示对X求偏导，表示对X求二次偏导，XT为X的转置；
求极值的条件为：



其中为离散函数的极值点，为的逆矩阵；
对应极值点方程为：




为X在极值点处值，为离散函数的极值点，为的逆矩阵；
四、消除边缘响应；
剔除不稳定的边缘响应点；获取特征点处的Hessian矩阵，主曲率通过一个2x2的Hessian矩阵H求出：



其中H为Hessian矩阵，DXX为x方向上的二阶导数，DXY为先在x方向上求导，然后y方向求导，DYY为y方向上的二阶导数；
H的特征值α和β代表x和y方向的梯度，H的迹和行列式计算方式为：
Tr(H)＝Dxx+Dyy＝α+β，
Det(H)＝DxxDyy-(Dxy...

【专利技术属性】
技术研发人员：刘洋，时翔，敬皓，唐柯，赵赞，
申请(专利权)人：成都携恩科技有限公司，
类型：发明
国别省市：四川;51