基于图像的车流密度检测研究与仿真

研究车流密度准确检测问题。在交通高峰时期,车流的密度状态变化具有很强的随机性。一旦车流密度瞬时增大,车流图像前后帧之间的密度关联性被破坏。传统的车流密度检测算法受到车流图像间的密度关联性被破坏的影响,建立的车流密度关联系数不准确,从而导致车流密度估计准确率不高。为此,提出了一种基于图像突变像素差值的车流密度检测方法,通过车流密度差异显著性检测,判断车流密度是否发生突变,在发生突变的条件下,利用像素差值密度估计,计算像素差值密度,从而最终准确获取车流密度估计值。实验证明,改进检测方法提高了车流密度检测的准确率。

基于中心点检测的车流统计方法研究

由于尺度变化、角度变化及遮挡问题,对图像中的车流数量进行估计具有较大的挑战。随着深度学习的发展,利用基于多列或多网络的神经网络模型来提取尺度相关的特征,以提升密度估计的精度,但是,这些模型在进行优化训练时较为复杂,且需要消耗巨大的计算资源。鉴于此,论文提出一种通过基于中心点检测的卷积操作,来提取车辆相关的特征信息,根据检测到的结果和标注数据构建Focal Loss,从而实现对高密度车流的估计。实验表明,该模型具有较高的精度和较好的鲁棒性。