CN109935080A - 一种交通线路上的车流量实时计算的监测***及方法 - Google Patents

Abstract

本发明提出一种交通线路上的车流量实时计算的监测***及方法。通过摄像头采集原始交通图像，微处理器将图像进行图像处理得到压缩后图像，图像再通过网络模块传输至数据存储模块进行存储，云终端服务器读取处理后的图像，用于构建训练集并训练得到检测模型；模型用于车辆数量预测，将输入图像进行网格化，通过网格预测的包围盒与真实边框中目标物体的中心坐标直接进行匹配定位，在此基础上对目标进行分类识别；云终端服务器进行车流量计算及评估程序对车辆数做相关计算,若车辆数超出预置容量上限数，就将异常数据上报到云监督平台服务器；云监督平台服务器呈现异常数据，智能匹配推荐解决方案。本发明识别率准确高，解决方案全面准确。

Description

一种交通线路上的车流量实时计算的监测***及方法

技术领域

本发明属于智能交通领域，尤其涉及一种交通线路上的车流量实时计算的监测***及方法。

背景技术

随着现代社会经济的高速发展,城市化进程的加速,车辆也在急剧增加,交通逐渐成为社会发展的热点问题。智能交通***应运而生,是解决当前城市交通问题的有效途径。由此各种各样的道路监控设备也应运而生。在智能交通***中,实时获取交通车流量是核心内容。

近几年来我国城市车辆使用的增多，道路状况同时也变得复杂，如何对道路车流量进行实时监控对统计、预测道路交通状况十分重要并且同时这也是对道路车辆运行情况高效调度的一项十分重要的参考依据。而且当前对道路检测大多采用视频的方法或者采用人工计数的方法。这些方法无法实现对道路车流量的长时间、高效的计算统计。实现一种高效准确的车流量实时计算的检测***对进一步完善智能交通显得尤为重要。

发明内容

针对上述存在的不足，采用机器视觉技术，本发明提供了一种交通线路上的车流量实时计算的监测***以及方法。

本发明***的技术方案为一种交通线路上的车流量实时计算的监测***，包括：摄像头、微处理器、网络模块、交管部门联网计算机网络、云终端服务器、存储模块、云监督平台服务器；

所述摄像头与所述微处理器通过导线连接；所述微处理器与所述网络模块通过导线连接；所述网络模块与所述云终端服务器通过所述交管部门联网计算机网络连接；所述云终端服务器与所述存储模块连接；所述云终端服务器与所述云监督平台服务器连接。

作为优选，所述摄像头用于采集交通图像；

作为优选，所述微处理器用于处理原始采集的交通图像，将获取到的交通图像数据处理为计算模型可利用的原始数据；

作为优选，所述网络模块用于所述的微处理器、云终端服务器、云监督平台服务器以及交管部门联网计算机网络之间的通信；

作为优选，所述交管部门联网计算机网络用于散布由所述云监督平台服务器智能匹配给出的疏导处理的方式以及推荐的解决方案数据；

作为优选，所述云终端服务器用于识别交通图像的车辆数和地点信息,并做相关计算,如果车辆数没有达到容量上限则数据不上报到云端，若车辆数超出预置容量上限数，就将所在车流异常视频数据、地点信息和人头数上报到云监督平台服务器；

作为优选，所述存储模块用于接收存储数据采集模块传来的视频数据并传输给车流量计算及评估模块；

作为优选，所述云监督平台服务器用于呈现对应地点和车辆数爆发的数据告警,所述云终端服务器的车流数据实时变化,云端展示车流量数据也实时变化,如果车流量实时降低并小于阈值,报警自动解除；

作为优选，所述云监督平台服务器部署车流量计算及评估模块端程序，所述云终端服务器部署云监管平台程序,满足计算云边协同架构的实际需求；

本发明方法的技术方案为一种交通线路上的车流量实时计算的监测方法，具体包括以下步骤：

步骤1：通过摄像头采集原始交通图像，微处理器将原始交通图像进行图像压缩得到压缩后图像，将压缩后图像通过交管部门联网计算机网络传输至云端服务器，云终端服务器将压缩后图像传输至数据存储模块进行存储，云终端服务器从数据存储模块读取压缩后图像并通过解压得到原始交通图像，用于构建训练集并进行人工标定，得到训练集中各图像的车辆数量；

步骤2：云终端服务器建立训练集中各交通图像矩形框模型，用于构建YOLOv3网络；

步骤3：云终端服务器将训练后yolov3网络用于车辆数量预测，通过特征提取网络对输入图像采用回归思想直接提取特征，得到一定尺寸的特征图，然后将输入图像分成相应大小的网格，通过网格预测出的包围盒与真实边框中目标物体的中心坐标直接进行匹配定位，在此基础上对目标物体进行分类识别；云终端服务器进行车流量计算及评估程序对车辆数做相关计算,如果车辆数没有达到容量上限则数据不上报到云监督平台服务器，若车辆数超出预置容量上限数，就将所在车流异常视频数据、地点信息和车辆数上报到云监督平台服务器；

步骤4：云监督平台服务器呈现对应地点和车辆数爆发的数据告警；展示地点信息和车辆数数据，智能匹配给出疏导处理的相关交通组织人员推荐信息和联系方式。

作为优选，步骤1中所述原始交通图像为不同交通线路上的车流量情况的图像；

步骤1中所述构建训练集并进行人工标定为：

将原始交通图像作为训练集利用Labelimg图像标注工具对图像中的车辆进行人工标注，即在图像中通过矩形框标出所有完整车辆；

所述训练集为D_start＝{q₁,q₂,q₃,…,q_K}，q_k为训练集中第k个交通图像，K为原始交通图像的数量；

人工标定结果为训练集各图像中的车辆数量，定义为：

D_num＝{p₁,p₂,p₃,...,p_K}，p_k为训练集中第k个交通图像中的车辆数量，K为原始交通图像的数量；

作为优选，步骤2中所述训练集中第k个交通图像中第j个矩形框为：

(x_k,j,y_k,j,w_k,j,h_k,j)k∈[1,K],j∈[1,p_k]

其中，若x_k,j是训练集中第k个交通图像中第j个矩形框的中心点横坐标，若y_k,j是训练集中第k个交通图像中第j个矩形框的中心点纵坐标，若w_k,j是训练集中第k个交通图像中第j个矩形框的宽，h_k,j是训练集中第k个交通图像中第j个矩形框的高，p_k是训练集中第k个交通图像中车辆的数量，即矩形框的数量，K为原始交通图像的数量；

首先给定L个聚类中心点(W_i,H_i)i∈[1,L]，(W_i,H_i)分别为锚框的宽以及锚框的高，锚框位置固定，只有宽和高；

步骤2.1，计算每个矩形框和每个聚类中心点的距离d＝1-IOU(标注框,聚类中心)，计算时每个标注框的中心点都与聚类中心重合，即：

d＝1-IOU[(x_k,j,y_k,j,w_k,j,h_k,j),(x_k,j,y_k,j,W_i,H_i)],k∈[1,K],j∈[1,p_k],i∈[1,L]

将标注框分配给距离最近的聚类中心；

步骤2.2，所有矩形框分配完毕以后，对每个簇重新计算聚类中心点，计算方式为：

其中，N_i是第i个簇的标注框个数，就是求该簇中所有标注框的宽和高的平均值；

重复步骤2.1以及步骤2.2，直到聚类中心改变量小于3，即:

Δ[(W_i+1-W_i),(H_i+1-H_i)]＜3，,i∈[1,L]

最终获取所需要的锚框，即获得需要的优化后的聚类中心

的值；

通用的anchor box尺寸会对最终训练模型的准确度产生影响，通过上述k-means方法根据采集的车辆图像数据样本生成对应的anchor box尺寸，替代默认值，合适的anchor尺寸有利于提高检修车***的准确性以及学习能力；

步骤2中所述YOLOv3网络主要为Darknet53与YOLO层两部分，Darknet53用于提取图像特征，YOLO层用于多尺度预测；

所述YOLO网络结构由24个卷积层与2个全连接层构成，输入训练集中交通图像并将其变换为1x416x416的尺寸，图像进入网络先经过图像大小调整，网络的输出结果为一个张量，维度为：

S*S*(B*5+C)

其中，S为划分网格数，B为每个网格负责目标个数，C为类别个数。该表达式含义为：

每个小格会对应B个边界框，边界框的宽高范围为全图，表示以该小格为中心寻找物体的边界框位置，边界框是全图分割后的边界，范围是全图的取值范围；

每个边界框对应一个分值，代表该处是否有物体及定位准确度：

每个小格会对应C个概率值，找出最大概率对应的类别P(Class|object)，并认为小格中包含该物体或者该物体的一部分；

所述Darknet53面向车辆特征提取的网络框架；一共53层卷积，除去最后一个FC总共52个卷积用于当做主体网络，主体网络被分成三个stage，结构类似FPN，1-26层卷积为stage1,27-43层卷积为stage2,44-52层卷积为stage3，低层卷积(26)感受野更小，负责检测小目标，深层卷积(52)感受野大，容易检测出大目标。通过网络结构的卷积层获取上一个深度网络层输出的底层车辆特征进行特征学习；Darknet53网络输出大小为13×13×1024的特征图，经过上采样与浅层特征图连接，输出三个尺度的特征图，特征图的通道数分三类，分别是边界框的X、Y、W、H值，网格的置信度，以及类别分数；以公交、小轿车、大卡车为3类待分类车辆，通道数为(4+1+3)×3＝24，输出的三个尺度特征图为13×13×24，26×26×24，52×52×24；

本发明***的优点和积极效果如下：

本发明***采用优化的卷积神经网络SE-YOLOv3，为满足智能交通***，解决当前城市交通问题，实现了车流量的实时监测以及推荐最优解决方案，从而为监管部门提供准确的全面评价结果，同时也为后续智能交通***的开发提供技术依据。

云监督平台用户体验好，流程易用；

优化后的YOLOv3目标识别算法时间和空间复杂度最优，识别率准确高。

附图说明

图1：为本发明的***示意图；

图2：为本发明的方法流程图；

图3：为YOLOv3的网络结构；

图4：为优化后YOLOv3结构图。

具体实施方式

为了便于本领域普通技术人员理解和实施本发明，下面结合附图及实施例对本发明作进一步的详细描述，应当理解，此处所描述的实施示例仅用于说明和解释本发明，并不用于限定本发明。

下面将结合附图进一步说明本发明技术方案以及本发明所涉及的技术原理。

图1是本发明的***示意图，一种交通线路上的车流量实时计算的监测***，包括摄像头、微处理器、网络模块、交管部门联网计算机网络、云终端服务器、存储模块、云监督平台服务器；

所述摄像头与所述微处理器通过导线连接；所述微处理器与所述网络模块通过导线连接；所述网络模块与所述云终端服务器通过所述交管部门联网计算机网络连接；所述云终端服务器与所述存储模块连接；所述云终端服务器与所述云监督平台服务器连接。

所述摄像头用于采集交通图像；

所述微处理器用于处理原始采集的交通图像，将获取到的交通图像数据处理为计算模型可利用的原始数据；

所述网络模块用于所述的微处理器、云终端服务器、云监督平台服务器以及交管部门联网计算机网络之间的通信；

所述交管部门联网计算机网络用于散布由所述云监督平台服务器智能匹配给出的疏导处理的方式以及推荐的解决方案数据；

所述云终端服务器用于识别交通图像的车辆数和地点信息,并做相关计算,如果车辆数没有达到容量上限则数据不上报到云端，若车辆数超出预置容量上限数，就将所在车流异常视频数据、地点信息和人头数上报到云监督平台服务器；

所述存储模块用于接收存储数据采集模块传来的视频数据并传输给车流量计算及评估模块；

所述云监督平台服务器用于呈现对应地点和车辆数爆发的数据告警,所述云终端服务器的车流数据实时变化,云端展示车流量数据也实时变化,如果车流量实时降低并小于阈值,报警自动解除；

所述云监督平台服务器部署车流量计算及评估模块端程序，所述云终端服务器部署云监管平台程序,满足计算云边协同架构的实际需求。

所述摄像头选型为TP-LINK网络摄像机IPC5220-DC；所述微处理器选型为RZ/G1M(R8A77430)多核微处理器；所述网络模块选型为光缆有线网络模块；所述交管部门联网计算机网络选型为光缆有线网络；所述云终端服务器选型为阿里云GPU可视化计算型(ga1)ecs.ga1.8xlarge；所述存储模块选型为云固态硬盘存储模块；所述云监督平台服务器选型为阿里云GPU可视化计算型(ga1)ecs.ga1.8xlarge。

下面结合图1至图4介绍本发明的具体实施方式为：

步骤1：通过摄像头采集原始交通图像，微处理器将原始交通图像进行图像压缩得到压缩后图像，将压缩后图像通过交管部门联网计算机网络传输至云端服务器，云终端服务器将压缩后图像传输至数据存储模块进行存储，云终端服务器从数据存储模块读取压缩后图像并通过解压得到原始交通图像，用于构建训练集并进行人工标定，得到训练集中各图像的车辆数量；

步骤1中所述原始交通图像为不同交通线路上的车流量情况的图像；

步骤1中所述构建训练集并进行人工标定为：

将原始交通图像作为训练集利用Labelimg图像标注工具对图像中的车辆进行人工标注，即在图像中通过矩形框标出所有完整车辆；

所述训练集为D_start＝{q₁,q₂,q₃,…,q_K}，q_k为训练集中第k个交通图像，K为原始交通图像的数量；

人工标定结果为训练集各图像中的车辆数量，定义为：

D_num＝{p₁,p₂,p₃,...,p_K}，p_k为训练集中第k个交通图像中的车辆数量，K为原始交通图像的数量；

步骤2：云终端服务器建立训练集中各交通图像矩形框模型，用于构建YOLOv3网络；

步骤2中所述训练集中第k个交通图像中第j个矩形框为：

(x_k,j,y_k,j,w_k,j,h_k,j)k∈[1,K],j∈[1,p_k]

其中，若x_k,j是训练集中第k个交通图像中第j个矩形框的中心点横坐标，若y_k,j是训练集中第k个交通图像中第j个矩形框的中心点纵坐标，若w_k,j是训练集中第k个交通图像中第j个矩形框的宽，h_k,j是训练集中第k个交通图像中第j个矩形框的高，p_k是训练集中第k个交通图像中车辆的数量，即矩形框的数量，K为原始交通图像的数量；

首先给定L个聚类中心点(W_i,H_i)i∈[1,L]，(W_i,H_i)分别为锚框的宽以及锚框的高，锚框位置固定，只有宽和高；

步骤2.1，计算每个矩形框和每个聚类中心点的距离d＝1-IOU(标注框,聚类中心)，计算时每个标注框的中心点都与聚类中心重合，即：

d＝1-IOU[(x_k,j,y_k,j,w_k,j,h_k,j),(x_k,j,y_k,j,W_i,H_i)],k∈[1,K],j∈[1,p_k],i∈[1,L]

将标注框分配给距离最近的聚类中心；

步骤2.2，所有矩形框分配完毕以后，对每个簇重新计算聚类中心点，计算方式为：

其中，N_i是第i个簇的标注框个数，就是求该簇中所有标注框的宽和高的平均值；

重复步骤2.1以及步骤2.2，直到聚类中心改变量小于3，即:

Δ[(W_i+1-W_i),(H_i+1-H_i)]＜3，,i∈[1,L]

最终获取所需要的锚框，即获得需要的优化后的聚类中心

的值；

通用的anchor box尺寸会对最终训练模型的准确度产生影响，通过上述k-means方法根据采集的车辆图像数据样本生成对应的anchor box尺寸，替代默认值，合适的anchor尺寸有利于提高检修车***的准确性以及学习能力；

步骤2中所述YOLOv3网络主要为Darknet53与YOLO层两部分，Darknet53用于提取图像特征，YOLO层用于多尺度预测；

所述YOLO网络结构由24个卷积层与2个全连接层构成，输入训练集中交通图像并将其变换为1x416x416的尺寸，图像进入网络先经过图像大小调整，网络的输出结果为一个张量，维度为：

S*S*(B*5+C)

其中，S为划分网格数，B为每个网格负责目标个数，C为类别个数。该表达式含义为：

每个小格会对应B个边界框，边界框的宽高范围为全图，表示以该小格为中心寻找物体的边界框位置，边界框是全图分割后的边界，范围是全图的取值范围；

每个边界框对应一个分值，代表该处是否有物体及定位准确度：

每个小格会对应C个概率值，找出最大概率对应的类别P(Class|object)，并认为小格中包含该物体或者该物体的一部分；

所述Darknet53面向车辆特征提取的网络框架；一共53层卷积，除去最后一个FC总共52个卷积用于当做主体网络，主体网络被分成三个stage，结构类似FPN，1-26层卷积为stage1,27-43层卷积为stage2,44-52层卷积为stage3，低层卷积(26)感受野更小，负责检测小目标，深层卷积(52)感受野大，容易检测出大目标。通过网络结构的卷积层获取上一个深度网络层输出的底层车辆特征进行特征学习；Darknet53网络输出大小为13×13×1024的特征图，经过上采样与浅层特征图连接，输出三个尺度的特征图，特征图的通道数分三类，分别是边界框的X、Y、W、H值，网格的置信度，以及类别分数；以公交、小轿车、大卡车为3类待分类车辆，通道数为(4+1+3)×3＝24，输出的三个尺度特征图为13×13×24，26×26×24，52×52×24；

所述的SE-YOLOv3网络结构具体如附图3所示。SENet结构由Squeeze、Excitaion、Reweight三部分构成，显式地构建了特征通道之间的相互依赖关系。SE表示SENet结构，其先对输入特征图进行全局平均池化，得到大小为C×1×1的特征图(C为特征图通道数)，经过两个全连接层(先降维后升维)后由sigmoid函数激活，得到大小为C×1×1的权重，在对应位置与原输入特征图相乘，得到输出。SE-shortcutn表示由常规shortcut层与SE结构组成的重复单元。SE-shortcutn代表使用了n个(CBR1+CBR3+SE)子结构。将SENet结构嵌入到Darknet53网络的多个shortcut层之后，得到SE-shortcut子结构，从而扩大特征图对全局信息的感知范围。在YOLOV3网络中，第4、8、11、15、18、21、24、27、30、33、36、40、43、46、49、52、55、58、61、65、68、71、74层均为shortcut层，本优化算法在这些层后增加SE子结构，并指定全局平均池化的channel值为shortcut层输出的特征图通道数，用于计算全局平均池化。SE结构中全局平均池化的channel值依次为64，128，128，256，256，256，256，256，256，256，512，512，512，512，512，512，512，512，1024，1024，1024，1024。SE-shortcut结构将原始的信息引入深层，抑制信息的退化，后进行池化扩大感受野，将浅层信息与深层信息多角度融合，使得组合后的输出包含多层级的信息，增强了特征图的表达能力。具体如附图4所示，将SENet结构嵌入YOLOV3网络中得到，SE-YOLOV3网络。YOLOV3网络深度为107层，SE-YOLOV3网络深度达到130层；

步骤3：云终端服务器将训练后yolov3网络用于车辆数量预测，通过特征提取网络对输入图像采用回归思想直接提取特征，得到一定尺寸的特征图，然后将输入图像分成相应大小的网格，通过网格预测出的包围盒与真实边框中目标物体的中心坐标直接进行匹配定位，在此基础上对目标物体进行分类识别；云终端服务器进行车流量计算及评估程序对车辆数做相关计算,如果车辆数没有达到容量上限则数据不上报到云监督平台服务器，若车辆数超出预置容量上限数，就将所在车流异常视频数据、地点信息和车辆数上报到云监督平台服务器；

步骤4：云监督平台服务器呈现对应地点和车辆数爆发的数据告警；展示地点信息和车辆数数据，智能匹配给出疏导处理的相关交通组织人员推荐信息和联系方式。

无论是交通枢纽、政府大楼、学校等公共地点的车流监测都为决策者提供资源分配合理化的理论支持，政府、企业和学校都需要数据协同的车流量计算云监管平台实现对车流密集度进行分析，对车流量爆发聚集地点进行快速预警和疏导处理。

应当理解的是，本说明书未详细阐述的部分均属于现有技术。

应当理解的是，上述针对较佳实施例的描述较为详细，并不能因此而认为是对本发明专利保护范围的限制，本领域的普通技术人员在本发明的启示下，在不脱离本发明权利要求所保护的范围情况下，还可以做出替换或变形，均落入本发明的保护范围之内，本发明的请求保护范围应以所附权利要求为准。

Claims (5)

1.一种交通线路上的车流量实时计算的监测***，其特征在于，包括：摄像头、微处理器、网络模块、交管部门联网计算机网络、云终端服务器、存储模块、云监督平台服务器；

所述摄像头与所述微处理器通过导线连接；所述微处理器与所述网络模块通过导线连接；所述网络模块与所述云终端服务器通过所述交管部门联网计算机网络连接；所述云终端服务器与所述存储模块连接；所述云终端服务器与所述云监督平台服务器连接。

2.根据权利要求1所述的交通线路上的车流量实时计算的监测***，其特征在于，

所述摄像头用于采集交通图像；

所述微处理器用于处理原始采集的交通图像，将获取到的交通图像数据处理为计算模型可利用的原始数据；

所述网络模块用于所述的微处理器、云终端服务器、云监督平台服务器以及交管部门联网计算机网络之间的通信；

所述交管部门联网计算机网络用于散布由所述云监督平台服务器智能匹配给出的疏导处理的方式以及推荐的解决方案数据；

所述云终端服务器用于识别交通图像的车辆数和地点信息,并做相关计算,如果车辆数没有达到容量上限则数据不上报到云端，若车辆数超出预置容量上限数，就将所在车流异常视频数据、地点信息和人头数上报到云监督平台服务器；

所述存储模块用于接收存储数据采集模块传来的视频数据并传输给车流量计算及评估模块；

所述云监督平台服务器用于呈现对应地点和车辆数爆发的数据告警,所述云终端服务器的车流数据实时变化,云端展示车流量数据也实时变化,如果车流量实时降低并小于阈值,报警自动解除；

所述云监督平台服务器部署车流量计算及评估模块端程序，所述云终端服务器部署云监管平台程序,满足计算云边协同架构的实际需求。

3.一种采用权利要求2所述的交通线路上的车流量实时计算的监测***进行交通线路上的车流量实时计算的监测方法，其特征在于，包括以下步骤：

步骤1：通过摄像头采集原始交通图像，微处理器将原始交通图像进行图像压缩得到压缩后图像，将压缩后图像通过交管部门联网计算机网络传输至云端服务器，云终端服务器将压缩后图像传输至数据存储模块进行存储，云终端服务器从数据存储模块读取压缩后图像并通过解压得到原始交通图像，用于构建训练集并进行人工标定，得到训练集中各图像的车辆数量；

步骤2：云终端服务器建立训练集中各交通图像矩形框模型，用于构建YOLOv3网络；

步骤3：云终端服务器将训练后yolov3网络用于车辆数量预测，通过特征提取网络对输入图像采用回归思想直接提取特征，得到一定尺寸的特征图，然后将输入图像分成相应大小的网格，通过网格预测出的包围盒与真实边框中目标物体的中心坐标直接进行匹配定位，在此基础上对目标物体进行分类识别；云终端服务器进行车流量计算及评估程序对车辆数做相关计算,如果车辆数没有达到容量上限则数据不上报到云监督平台服务器，若车辆数超出预置容量上限数，就将所在车流异常视频数据、地点信息和车辆数上报到云监督平台服务器；

步骤4：云监督平台服务器呈现对应地点和车辆数爆发的数据告警；展示地点信息和车辆数数据，智能匹配给出疏导处理的相关交通组织人员推荐信息和联系方式。

4.根据权利要求3所述的交通线路上的车流量实时计算的监测方法，其特征在于，步骤1中所述原始交通图像为不同交通线路上的车流量情况的图像；

步骤1中所述构建训练集并进行人工标定为：

将原始交通图像作为训练集利用Labelimg图像标注工具对图像中的车辆进行人工标注，即在图像中通过矩形框标出所有完整车辆；

所述训练集为D_start＝{q₁,q₂,q₃,…,q_K}，q_k为训练集中第k个交通图像，K为原始交通图像的数量；

人工标定结果为训练集各图像中的车辆数量，定义为：

D_num＝{p₁,p₂,p₃,...,p_K}，p_k为训练集中第k个交通图像中的车辆数量，K为原始交通图像的数量。

5.根据权利要求3所述的交通线路上的车流量实时计算的监测方法，其特征在于，步骤2中所述训练集中第k个交通图像中第j个矩形框为：

(x_k,j,y_k,j,w_k,j,h_k,j)k∈[1,K],j∈[1,p_k]

其中，若x_k,j是训练集中第k个交通图像中第j个矩形框的中心点横坐标，若y_k,j是训练集中第k个交通图像中第j个矩形框的中心点纵坐标，若w_k,j是训练集中第k个交通图像中第j个矩形框的宽，h_k,j是训练集中第k个交通图像中第j个矩形框的高，p_k是训练集中第k个交通图像中车辆的数量，即矩形框的数量，K为原始交通图像的数量；

首先给定L个聚类中心点(W_i,H_i)i∈[1,L]，(W_i,H_i)分别为锚框的宽以及锚框的高，锚框位置固定，只有宽和高；

步骤2.1，计算每个矩形框和每个聚类中心点的距离d＝1-IOU(标注框,聚类中心)，计算时每个标注框的中心点都与聚类中心重合，即：

d＝1-IOU[(x_k,j,y_k,j,w_k,j,h_k,j),(x_k,j,y_k,j,W_i,H_i)],k∈[1,K],j∈[1,p_k],i∈[1,L]

将标注框分配给距离最近的聚类中心；

步骤2.2，所有矩形框分配完毕以后，对每个簇重新计算聚类中心点，计算方式为：

其中，N_i是第i个簇的标注框个数，就是求该簇中所有标注框的宽和高的平均值；

重复步骤2.1以及步骤2.2，直到聚类中心改变量小于3，即:

Δ[(W_i+1-W_i),(H_i+1-H_i)]＜3，,i∈[1,L]

最终获取所需要的锚框，即获得需要的优化后的聚类中心

(W_i ^*,H_i ^*),i∈[1,L]的值；

通用的anchor box尺寸会对最终训练模型的准确度产生影响，通过上述k-means方法根据采集的车辆图像数据样本生成对应的anchor box尺寸，替代默认值，合适的anchor尺寸有利于提高检修车***的准确性以及学习能力；

步骤2中所述YOLOv3网络主要为Darknet53与YOLO层两部分，Darknet53用于提取图像特征，YOLO层用于多尺度预测；

所述YOLO网络结构由24个卷积层与2个全连接层构成，输入训练集中交通图像并将其变换为1x416x416的尺寸，图像进入网络先经过图像大小调整，网络的输出结果为一个张量，维度为：

S*S*(B*5+C)

其中，S为划分网格数，B为每个网格负责目标个数，C为类别个数，该表达式含义为：

每个小格会对应B个边界框，边界框的宽高范围为全图，表示以该小格为中心寻找物体的边界框位置，边界框是全图分割后的边界，范围是全图的取值范围；

每个边界框对应一个分值，代表该处是否有物体及定位准确度：

每个小格会对应C个概率值，找出最大概率对应的类别P(Class|object)，并认为小格中包含该物体或者该物体的一部分；

所述Darknet53面向车辆特征提取的网络框架；一共53层卷积，除去最后一个FC总共52个卷积用于当做主体网络，主体网络被分成三个stage，结构类似FPN，1-26层卷积为stage1,27-43层卷积为stage2,44-52层卷积为stage3，低层卷积(26)感受野更小，负责检测小目标，深层卷积(52)感受野大，容易检测出大目标，通过网络结构的卷积层获取上一个深度网络层输出的底层车辆特征进行特征学习；Darknet53网络输出大小为13×13×1024的特征图，经过上采样与浅层特征图连接，输出三个尺度的特征图，特征图的通道数分三类，分别是边界框的X、Y、W、H值，网格的置信度，以及类别分数；以公交、小轿车、大卡车为3类待分类车辆，通道数为(4+1+3)×3＝24，输出的三个尺度特征图为13×13×24，26×26×24，52×52×24。