1.一种基于Ghost卷积特征融合神经网络实时车流量检测系统,其特征在于,包括:数据预处理模块,用于从拍摄的视频中进行抽帧,得到第一训练集,对所述第一训练集中的目标图像进行标记形成第二训练集,再利用高斯滤波器生成目标图像的密度图,形成第三训练集;
网络训练模块,通过所述第三训练集对网络进行训练得到网络模型,其中所述网络包括多个Ghost卷积层;
目标信息预测模块,从拍摄的视频中进行抽帧,作为测试图像,将所述测试图像输入至所述网络模型中进行预测,得到测试图像的目标信息。
2.根据权利要求1所述的基于Ghost卷积特征融合神经网络实时车流量检测系统,其特征在于:所述网络包括第一层、第二层、第三层、第四层以及第五层,其中所述第一层是三列卷积层,且所述三列卷积层的卷积核大小不同,所述第二层是五层卷积核大小均相同的卷积层,所述第五层是两层卷积核大小均相同的特征融合层。
3.根据权利要求2所述的基于Ghost卷积特征融合神经网络实时车流量检测系统,其特征在于:所述第一层的三列卷积得到的特征图连结后经过最大池化层处理。
4.根据权利要求2所述的基于Ghost卷积特征融合神经网络实时车流量检测系统,其特征在于:所述第三层和第四层卷积得到的特征图均经过最大池化层处理。
5.根据权利要求1所述的基于Ghost卷积特征融合神经网络实时车流量检测系统,其特征在于:对所述第一训练集中的目标图像进行标记的方法为:利用标注工具对所述第一训练集中的目标图像进行标记。
6.根据权利要求1所述的基于Ghost卷积特征融合神经网络实时车流量检测系统,其特征在于:将所述测试图像输入至所述网络模型中进行预测时,得到测试图像的预测密度图,对预测密度图进行求和运算就可以得到测试图像的目标信息。
7.根据权利要求1所述的基于Ghost卷积特征融合神经网络实时车流量检测系统,其特征在于:所述网络模型包括损失函数。
8.根据权利要求1所述的基于Ghost卷积特征融合神经网络实时车流量检测系统,其特征在于:利用高斯滤波器生成目标图像的密度图后,还包括对所有图像进行归一化处理的步骤。
9.根据权利要求1所述的基于Ghost卷积特征融合神经网络实时车流量检测系统,其特征在于:所述网络模型还包括激活函数。
10.一种基于Ghost卷积特征融合神经网络实时车流量检测方法,其特征在于,包括如下步骤:步骤S1:从拍摄的视频中进行抽帧,得到第一训练集,对所述第一训练集中的目标图像进行标记形成第二训练集,再利用高斯滤波器生成目标图像的密度图,形成第三训练集;
步骤S2:通过所述第三训练集对网络进行训练得到网络模型,其中所述网络包括多个Ghost卷积层;
步骤S3:从拍摄的视频中进行抽帧,作为测试图像,将所述测试图像输入至所述网络模型中进行预测,得到测试图像的目标信息。