基于门架相机的车辆动态称重及多参量检测方法及系统与流程

本发明涉及动态称重，尤其涉及一种基于门架相机的车辆动态称重及多参量检测方法及系统。

背景技术：

1、随着交通运输业的迅猛发展，道路交通已成为物流和人员流动的重要支柱。然而，超载行驶一直是道路运输中的一个严重问题，它不仅增加了交通事故的风险，还会导致道路基础设施的过早磨损，增加维修成本，并影响交通效率。

2、传统的交通视频监控系统虽然能够检测车辆的外观特征和运动学信息，例如车型尺寸、速度以及轨迹跟踪，却无法直接测量车辆重量，且在门架式相机视角下，远距离的车辆无法全面检测，会出现漏检错检等问题，在交通拥堵情况下，如果检测任务数量过多而模型未经充分轻量化处理，系统将占用更多的计算资源，可能导致处理延迟和系统过热的问题。

3、在现有技术中，基于fbg阵列车辆动态称重传感系统能够提供精确的重量信息，并通过分析揭示车辆的类型、车轴和速度，但在复杂车况下对于多辆车同时称重的情况识别能力不够，车重信息匹配存在一定的问题，无法综合多种数据源以获得更全面的交通监测结果。

4、因此，寻找一种既能够在复杂车况下识别多辆车的重要信息，又能够综合多种数据以获得全面交通监测结果的方法，是本领域技术人员亟待解决的技术问题。

技术实现思路

1、有鉴于此，本发明提出了一种基于门架相机的车辆动态称重及多参量检测方法及系统，其能够使用动态时间规整算法将车辆的特征信息和车辆的重量信息进行匹配，实现了车辆重量与其他参量的自动对应以及车辆信息的综合利用，提高了检测的准确性和可靠性。

2、本发明的技术方案是这样实现的：

3、一方面，本发明提供了一种基于门架相机的车辆动态称重及多参量检测方法，包括以下步骤：

4、s1、构建并训练实时交通检测网络，所述实时交通检测网络包括特征提取模块和特征融合模块，其中特征融合模块为双向多尺度；

5、s2、获取监测道路上门架相机拍摄的车辆行驶实时视频，将车辆行驶实时视频输入至交通检测网络，得到车辆的特征信息；

6、s3、在监测道路上安装车辆动态称重系统，利用车辆动态称重系统获取车辆的称重信号，得到车辆的重量信息；

7、s4、使用动态时间规整算法对车辆的特征信息和车辆的重量信息进行匹配，得到车辆的重量和参量信息。

8、在以上技术方案的基础上，优选的，所述实时交通检测网络结构为：

9、特征提取模块包括下采样单元、第一特征提取单元、第二特征提取单元、第三特征提取单元、第四特征提取单元和第五特征提取单元，五个特征提取单元分别按照第一种特征提取路线或第二种特征提取路线对输入图像进行特征提取，得到多尺度特征pi，i＝1,2,3,4,5；其中第一特征提取单元、第二特征提取单元和第三特征提取单元的通道数相同，5个特征提取单元的隐藏通道数均不同；

10、特征融合模块包括p3层、p4层和p5层，按照自上而下特征融合路径和自下而上特征融合路径进行特征融合，并将两种特征融合路径的结果进行特征融合。

11、在以上技术方案的基础上，优选的，训练过程具体包括：

12、获取监测道路上门架相机拍摄的车辆行驶视频序列，对车辆行驶视频序列进行抽帧得到视频帧图像序列，并将视频帧图像序列先依次进行下采样得到特征图图像序列，再将特征图图像序列依次输入至第一特征提取单元、第二特征提取单元、第三特征提取单元、第四特征提取单元和第五特征提取单元，得到多尺度特征序列{pi}，i＝1,2,3,4,5：

13、若特征图图像的通道数与特征提取单元的隐藏通道数相同，则按照第一种特征提取路线对特征图图像进行特征提取，得到多尺度特征序列{pi}；

14、若特征图图像的通道数与特征提取单元的隐藏通道数不同，则按照第二种特征提取路线对特征图图像进行特征提取，得到多尺度特征序列{pi}；

15、将多尺度特征序列{pi}依次输入至特征融合模块，得到车辆的特征信息；

16、其中，第一种特征提取路线为：

17、将视频帧图像序列依次输入至深度可分离卷积、激活函数层、改进的ca注意力模块，并进行1×1卷积处理，得到多尺度特征序列；

18、第二种特征提取路线为：

19、将视频帧图像序列先进行1×1卷积处理，再依次输入至深度可分离卷积、激活函数层、改进的ca注意力模块，并进行1×1卷积处理，得到多尺度特征序列。

20、在以上技术方案的基础上，优选的，所述自上而下特征融合路径为：

21、将多尺度特征p5和多尺度特征p4输入至p4层进行特征融合，得到中间特征p4td，将中间特征p4td和多尺度特征p3输入至p3层进行特征融合，得到输出特征p3out；

22、所述自下而上特征融合路径为：

23、将多尺度特征p3和中间特征p4td输入至p3层进行特征融合，得到输出特征图p3out，将输出特征图p3out和中间特征p4td输入至p4层进行特征融合，得到输出特征p4out，将输出特征图p4out和多尺度特征p5输入至p5层进行特征融合，得到输出特征图p5out。

24、在以上技术方案的基础上，优选的，步骤s2还包括：

25、根据车辆的特征信息进行车辆检测，并构建空间坐标进行转换，得到车辆的世界坐标和空间映射损失。

26、在以上技术方案的基础上，优选的，所述根据车辆的特征信息进行车辆检测，并构建空间坐标进行转换，具体包括：

27、根据车辆的特征信息获取车辆边界框的中心点图像坐标；

28、通过相机校准得到门架相机的内参矩阵和外参，将中心点图像坐标通过内参矩阵和外参转换为归一化图像坐标；

29、通过单目深度估计获得车辆行驶实时视频中图像的深度信息，并根据深度信息将归一化图像坐标转换为相机坐标；

30、利用外参将相机坐标转换为世界坐标，并计算出车辆的空间映射损失。

31、更进一步优选的，步骤s1具体包括：

32、s11、获取监测道路门架相机视角下的车辆行驶视频，并对车辆行驶视频进行抽帧得到视频帧数据集图像；

33、s12、对视频帧数据集图像进行标定和数据划分，得到训练集数据、验证集数据和测试集数据，其中数据划分的比例是训练集数据：验证集数据：测试集数据＝7:2:1；

34、s13、构建实时交通检测网络，使用训练集数据进行训练、使用验证集数据在训练过程中评估实时交通检测网络性能并调整超参数，以及使用测试集数据评估训练后的实时交通检测网络的泛化能力和性能；其中，在训练实时交通检测网络时根据各损失函数的权重构建联合损失函数，联合损失函数包括空间映射损失、分类损失和回归损失。

35、在以上技术方案的基础上，优选的，步骤s4具体包括：

36、s41、获取车辆动态称重系统的检测时间序列x和实时交通检测网络的检测时间序列y；

37、s42、根据序列x和序列y构建距离矩阵，其中矩阵中的每个元素代表序列x和序列y中两个点之间的距离；

38、s43、使用动态规划算法计算两个点之间的最小累计距离，并根据最小累计距离确认最优匹配路径；

39、s44、根据最优匹配路径，将车辆的重量信息和车辆的特征信息进行点到点的匹配，得到车辆的重量和参量信息；其中参量信息包括车辆类型、车辆速度和车辆尺寸。

40、在以上技术方案的基础上，优选的，所述序列x和序列y中两个点的距离为根据车辆特征信息的自适应权重计算的距离信息，计算公式为：

41、

42、其中，d(xi,yj)表示序列x中第i个元素和序列y中第j个元素之间的距离，w表示自适应权重，xi表示时间序列x的第i个元素，yj表示时间序列y的第j个元素。

43、另一方面，本发明提供了一种基于门架相机的车辆动态称重及多参量检测系统，采用如上述所述的车辆动态称重及多参量检测方法，包括：

44、网络构建训练模块，其配置为构建并训练实时交通检测网络；

45、特征信息提取模块，其配置为获取监测道路上门架相机拍摄的车辆行驶实时视频，将车辆行驶实时视频输入至交通检测网络，得到车辆的特征信息；

46、重量信息提取模块，其配置为在监测道路上安装车辆动态称重系统，利用车辆动态称重系统获取车辆的称重信号，得到车辆的重量信息；

47、匹配模块，其配置为使用动态时间规整算法对车辆的特征信息和车辆的重量信息进行匹配，得到车辆的重量和参量信息。

48、本发明的车辆动态称重及多参量检测方法相对于现有技术具有以下有益效果：

49、(1)通过利用门架相机拍摄车辆行驶实时视频并通过训练好的实时交通检测网络对视频进行分析，实时获取车辆的特征信息，同时，通过车辆动态称重系统获取车辆的重量信息，减少了车辆停靠称重的时间；使用动态时间规整算法将车辆的特征信息和车辆的重量信息进行匹配，提高了检测的准确性和可靠性；

50、(2)通过使用不同隐藏通道数的特征提取单元，使实时交通检测网络能够适应不同复杂度的交通场景，提高实时交通检测的鲁棒性，在保证特征表示能力的同时，也兼顾了计算效率。