本發(fā)明涉及動(dòng)態(tài)稱(chēng)重，尤其涉及一種基于門(mén)架相機(jī)的車(chē)輛動(dòng)態(tài)稱(chēng)重及多參量檢測(cè)方法及系統(tǒng)。

背景技術(shù)：

1、隨著交通運(yùn)輸業(yè)的迅猛發(fā)展，道路交通已成為物流和人員流動(dòng)的重要支柱。然而，超載行駛一直是道路運(yùn)輸中的一個(gè)嚴(yán)重問(wèn)題，它不僅增加了交通事故的風(fēng)險(xiǎn)，還會(huì)導(dǎo)致道路基礎(chǔ)設(shè)施的過(guò)早磨損，增加維修成本，并影響交通效率。

2、傳統(tǒng)的交通視頻監(jiān)控系統(tǒng)雖然能夠檢測(cè)車(chē)輛的外觀特征和運(yùn)動(dòng)學(xué)信息，例如車(chē)型尺寸、速度以及軌跡跟蹤，卻無(wú)法直接測(cè)量車(chē)輛重量，且在門(mén)架式相機(jī)視角下，遠(yuǎn)距離的車(chē)輛無(wú)法全面檢測(cè)，會(huì)出現(xiàn)漏檢錯(cuò)檢等問(wèn)題，在交通擁堵情況下，如果檢測(cè)任務(wù)數(shù)量過(guò)多而模型未經(jīng)充分輕量化處理，系統(tǒng)將占用更多的計(jì)算資源，可能導(dǎo)致處理延遲和系統(tǒng)過(guò)熱的問(wèn)題。

3、在現(xiàn)有技術(shù)中，基于fbg陣列車(chē)輛動(dòng)態(tài)稱(chēng)重傳感系統(tǒng)能夠提供精確的重量信息，并通過(guò)分析揭示車(chē)輛的類(lèi)型、車(chē)軸和速度，但在復(fù)雜車(chē)況下對(duì)于多輛車(chē)同時(shí)稱(chēng)重的情況識(shí)別能力不夠，車(chē)重信息匹配存在一定的問(wèn)題，無(wú)法綜合多種數(shù)據(jù)源以獲得更全面的交通監(jiān)測(cè)結(jié)果。

4、因此，尋找一種既能夠在復(fù)雜車(chē)況下識(shí)別多輛車(chē)的重要信息，又能夠綜合多種數(shù)據(jù)以獲得全面交通監(jiān)測(cè)結(jié)果的方法，是本領(lǐng)域技術(shù)人員亟待解決的技術(shù)問(wèn)題。

技術(shù)實(shí)現(xiàn)思路

1、有鑒于此，本發(fā)明提出了一種基于門(mén)架相機(jī)的車(chē)輛動(dòng)態(tài)稱(chēng)重及多參量檢測(cè)方法及系統(tǒng)，其能夠使用動(dòng)態(tài)時(shí)間規(guī)整算法將車(chē)輛的特征信息和車(chē)輛的重量信息進(jìn)行匹配，實(shí)現(xiàn)了車(chē)輛重量與其他參量的自動(dòng)對(duì)應(yīng)以及車(chē)輛信息的綜合利用，提高了檢測(cè)的準(zhǔn)確性和可靠性。

2、本發(fā)明的技術(shù)方案是這樣實(shí)現(xiàn)的：

3、一方面，本發(fā)明提供了一種基于門(mén)架相機(jī)的車(chē)輛動(dòng)態(tài)稱(chēng)重及多參量檢測(cè)方法，包括以下步驟：

4、s1、構(gòu)建并訓(xùn)練實(shí)時(shí)交通檢測(cè)網(wǎng)絡(luò)，所述實(shí)時(shí)交通檢測(cè)網(wǎng)絡(luò)包括特征提取模塊和特征融合模塊，其中特征融合模塊為雙向多尺度；

5、s2、獲取監(jiān)測(cè)道路上門(mén)架相機(jī)拍攝的車(chē)輛行駛實(shí)時(shí)視頻，將車(chē)輛行駛實(shí)時(shí)視頻輸入至交通檢測(cè)網(wǎng)絡(luò)，得到車(chē)輛的特征信息；

6、s3、在監(jiān)測(cè)道路上安裝車(chē)輛動(dòng)態(tài)稱(chēng)重系統(tǒng)，利用車(chē)輛動(dòng)態(tài)稱(chēng)重系統(tǒng)獲取車(chē)輛的稱(chēng)重信號(hào)，得到車(chē)輛的重量信息；

7、s4、使用動(dòng)態(tài)時(shí)間規(guī)整算法對(duì)車(chē)輛的特征信息和車(chē)輛的重量信息進(jìn)行匹配，得到車(chē)輛的重量和參量信息。

8、在以上技術(shù)方案的基礎(chǔ)上，優(yōu)選的，所述實(shí)時(shí)交通檢測(cè)網(wǎng)絡(luò)結(jié)構(gòu)為：

9、特征提取模塊包括下采樣單元、第一特征提取單元、第二特征提取單元、第三特征提取單元、第四特征提取單元和第五特征提取單元，五個(gè)特征提取單元分別按照第一種特征提取路線(xiàn)或第二種特征提取路線(xiàn)對(duì)輸入圖像進(jìn)行特征提取，得到多尺度特征pi，i＝1,2,3,4,5；其中第一特征提取單元、第二特征提取單元和第三特征提取單元的通道數(shù)相同，5個(gè)特征提取單元的隱藏通道數(shù)均不同；

10、特征融合模塊包括p3層、p4層和p5層，按照自上而下特征融合路徑和自下而上特征融合路徑進(jìn)行特征融合，并將兩種特征融合路徑的結(jié)果進(jìn)行特征融合。

11、在以上技術(shù)方案的基礎(chǔ)上，優(yōu)選的，訓(xùn)練過(guò)程具體包括：

12、獲取監(jiān)測(cè)道路上門(mén)架相機(jī)拍攝的車(chē)輛行駛視頻序列，對(duì)車(chē)輛行駛視頻序列進(jìn)行抽幀得到視頻幀圖像序列，并將視頻幀圖像序列先依次進(jìn)行下采樣得到特征圖圖像序列，再將特征圖圖像序列依次輸入至第一特征提取單元、第二特征提取單元、第三特征提取單元、第四特征提取單元和第五特征提取單元，得到多尺度特征序列{pi}，i＝1,2,3,4,5：

13、若特征圖圖像的通道數(shù)與特征提取單元的隱藏通道數(shù)相同，則按照第一種特征提取路線(xiàn)對(duì)特征圖圖像進(jìn)行特征提取，得到多尺度特征序列{pi}；

14、若特征圖圖像的通道數(shù)與特征提取單元的隱藏通道數(shù)不同，則按照第二種特征提取路線(xiàn)對(duì)特征圖圖像進(jìn)行特征提取，得到多尺度特征序列{pi}；

15、將多尺度特征序列{pi}依次輸入至特征融合模塊，得到車(chē)輛的特征信息；

16、其中，第一種特征提取路線(xiàn)為：

17、將視頻幀圖像序列依次輸入至深度可分離卷積、激活函數(shù)層、改進(jìn)的ca注意力模塊，并進(jìn)行1×1卷積處理，得到多尺度特征序列；

18、第二種特征提取路線(xiàn)為：

19、將視頻幀圖像序列先進(jìn)行1×1卷積處理，再依次輸入至深度可分離卷積、激活函數(shù)層、改進(jìn)的ca注意力模塊，并進(jìn)行1×1卷積處理，得到多尺度特征序列。

20、在以上技術(shù)方案的基礎(chǔ)上，優(yōu)選的，所述自上而下特征融合路徑為：

21、將多尺度特征p5和多尺度特征p4輸入至p4層進(jìn)行特征融合，得到中間特征p4td，將中間特征p4td和多尺度特征p3輸入至p3層進(jìn)行特征融合，得到輸出特征p3out；

22、所述自下而上特征融合路徑為：

23、將多尺度特征p3和中間特征p4td輸入至p3層進(jìn)行特征融合，得到輸出特征圖p3out，將輸出特征圖p3out和中間特征p4td輸入至p4層進(jìn)行特征融合，得到輸出特征p4out，將輸出特征圖p4out和多尺度特征p5輸入至p5層進(jìn)行特征融合，得到輸出特征圖p5out。

24、在以上技術(shù)方案的基礎(chǔ)上，優(yōu)選的，步驟s2還包括：

25、根據(jù)車(chē)輛的特征信息進(jìn)行車(chē)輛檢測(cè)，并構(gòu)建空間坐標(biāo)進(jìn)行轉(zhuǎn)換，得到車(chē)輛的世界坐標(biāo)和空間映射損失。

26、在以上技術(shù)方案的基礎(chǔ)上，優(yōu)選的，所述根據(jù)車(chē)輛的特征信息進(jìn)行車(chē)輛檢測(cè)，并構(gòu)建空間坐標(biāo)進(jìn)行轉(zhuǎn)換，具體包括：

27、根據(jù)車(chē)輛的特征信息獲取車(chē)輛邊界框的中心點(diǎn)圖像坐標(biāo)；

28、通過(guò)相機(jī)校準(zhǔn)得到門(mén)架相機(jī)的內(nèi)參矩陣和外參，將中心點(diǎn)圖像坐標(biāo)通過(guò)內(nèi)參矩陣和外參轉(zhuǎn)換為歸一化圖像坐標(biāo)；

29、通過(guò)單目深度估計(jì)獲得車(chē)輛行駛實(shí)時(shí)視頻中圖像的深度信息，并根據(jù)深度信息將歸一化圖像坐標(biāo)轉(zhuǎn)換為相機(jī)坐標(biāo)；

30、利用外參將相機(jī)坐標(biāo)轉(zhuǎn)換為世界坐標(biāo)，并計(jì)算出車(chē)輛的空間映射損失。

31、更進(jìn)一步優(yōu)選的，步驟s1具體包括：

32、s11、獲取監(jiān)測(cè)道路門(mén)架相機(jī)視角下的車(chē)輛行駛視頻，并對(duì)車(chē)輛行駛視頻進(jìn)行抽幀得到視頻幀數(shù)據(jù)集圖像；

33、s12、對(duì)視頻幀數(shù)據(jù)集圖像進(jìn)行標(biāo)定和數(shù)據(jù)劃分，得到訓(xùn)練集數(shù)據(jù)、驗(yàn)證集數(shù)據(jù)和測(cè)試集數(shù)據(jù)，其中數(shù)據(jù)劃分的比例是訓(xùn)練集數(shù)據(jù)：驗(yàn)證集數(shù)據(jù)：測(cè)試集數(shù)據(jù)＝7:2:1；

34、s13、構(gòu)建實(shí)時(shí)交通檢測(cè)網(wǎng)絡(luò)，使用訓(xùn)練集數(shù)據(jù)進(jìn)行訓(xùn)練、使用驗(yàn)證集數(shù)據(jù)在訓(xùn)練過(guò)程中評(píng)估實(shí)時(shí)交通檢測(cè)網(wǎng)絡(luò)性能并調(diào)整超參數(shù)，以及使用測(cè)試集數(shù)據(jù)評(píng)估訓(xùn)練后的實(shí)時(shí)交通檢測(cè)網(wǎng)絡(luò)的泛化能力和性能；其中，在訓(xùn)練實(shí)時(shí)交通檢測(cè)網(wǎng)絡(luò)時(shí)根據(jù)各損失函數(shù)的權(quán)重構(gòu)建聯(lián)合損失函數(shù)，聯(lián)合損失函數(shù)包括空間映射損失、分類(lèi)損失和回歸損失。

35、在以上技術(shù)方案的基礎(chǔ)上，優(yōu)選的，步驟s4具體包括：

36、s41、獲取車(chē)輛動(dòng)態(tài)稱(chēng)重系統(tǒng)的檢測(cè)時(shí)間序列x和實(shí)時(shí)交通檢測(cè)網(wǎng)絡(luò)的檢測(cè)時(shí)間序列y；

37、s42、根據(jù)序列x和序列y構(gòu)建距離矩陣，其中矩陣中的每個(gè)元素代表序列x和序列y中兩個(gè)點(diǎn)之間的距離；

38、s43、使用動(dòng)態(tài)規(guī)劃算法計(jì)算兩個(gè)點(diǎn)之間的最小累計(jì)距離，并根據(jù)最小累計(jì)距離確認(rèn)最優(yōu)匹配路徑；

39、s44、根據(jù)最優(yōu)匹配路徑，將車(chē)輛的重量信息和車(chē)輛的特征信息進(jìn)行點(diǎn)到點(diǎn)的匹配，得到車(chē)輛的重量和參量信息；其中參量信息包括車(chē)輛類(lèi)型、車(chē)輛速度和車(chē)輛尺寸。

40、在以上技術(shù)方案的基礎(chǔ)上，優(yōu)選的，所述序列x和序列y中兩個(gè)點(diǎn)的距離為根據(jù)車(chē)輛特征信息的自適應(yīng)權(quán)重計(jì)算的距離信息，計(jì)算公式為：

41、

42、其中，d(xi,yj)表示序列x中第i個(gè)元素和序列y中第j個(gè)元素之間的距離，w表示自適應(yīng)權(quán)重，xi表示時(shí)間序列x的第i個(gè)元素，yj表示時(shí)間序列y的第j個(gè)元素。

43、另一方面，本發(fā)明提供了一種基于門(mén)架相機(jī)的車(chē)輛動(dòng)態(tài)稱(chēng)重及多參量檢測(cè)系統(tǒng)，采用如上述所述的車(chē)輛動(dòng)態(tài)稱(chēng)重及多參量檢測(cè)方法，包括：

44、網(wǎng)絡(luò)構(gòu)建訓(xùn)練模塊，其配置為構(gòu)建并訓(xùn)練實(shí)時(shí)交通檢測(cè)網(wǎng)絡(luò)；

45、特征信息提取模塊，其配置為獲取監(jiān)測(cè)道路上門(mén)架相機(jī)拍攝的車(chē)輛行駛實(shí)時(shí)視頻，將車(chē)輛行駛實(shí)時(shí)視頻輸入至交通檢測(cè)網(wǎng)絡(luò)，得到車(chē)輛的特征信息；

46、重量信息提取模塊，其配置為在監(jiān)測(cè)道路上安裝車(chē)輛動(dòng)態(tài)稱(chēng)重系統(tǒng)，利用車(chē)輛動(dòng)態(tài)稱(chēng)重系統(tǒng)獲取車(chē)輛的稱(chēng)重信號(hào)，得到車(chē)輛的重量信息；

47、匹配模塊，其配置為使用動(dòng)態(tài)時(shí)間規(guī)整算法對(duì)車(chē)輛的特征信息和車(chē)輛的重量信息進(jìn)行匹配，得到車(chē)輛的重量和參量信息。

48、本發(fā)明的車(chē)輛動(dòng)態(tài)稱(chēng)重及多參量檢測(cè)方法相對(duì)于現(xiàn)有技術(shù)具有以下有益效果：

49、(1)通過(guò)利用門(mén)架相機(jī)拍攝車(chē)輛行駛實(shí)時(shí)視頻并通過(guò)訓(xùn)練好的實(shí)時(shí)交通檢測(cè)網(wǎng)絡(luò)對(duì)視頻進(jìn)行分析，實(shí)時(shí)獲取車(chē)輛的特征信息，同時(shí)，通過(guò)車(chē)輛動(dòng)態(tài)稱(chēng)重系統(tǒng)獲取車(chē)輛的重量信息，減少了車(chē)輛?？糠Q(chēng)重的時(shí)間；使用動(dòng)態(tài)時(shí)間規(guī)整算法將車(chē)輛的特征信息和車(chē)輛的重量信息進(jìn)行匹配，提高了檢測(cè)的準(zhǔn)確性和可靠性；

50、(2)通過(guò)使用不同隱藏通道數(shù)的特征提取單元，使實(shí)時(shí)交通檢測(cè)網(wǎng)絡(luò)能夠適應(yīng)不同復(fù)雜度的交通場(chǎng)景，提高實(shí)時(shí)交通檢測(cè)的魯棒性，在保證特征表示能力的同時(shí)，也兼顧了計(jì)算效率。