[發(fā)明專利]一種基于深度學習和熵模型的交通事件檢測方法

有效

• 申請?zhí)枺?/td>: 201710045525.0
• 申請日: 2017-01-22
• 公開（公告）號: CN108345894B
• 公開（公告）日: 2019-10-11
• 發(fā)明（設(shè)計）人: 趙英;麻越;江龍;鄧家勇;鄭全新;王亞濤;張磊;黃剛;郭俊
• 申請（專利權(quán)）人: 北京同方軟件有限公司
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06N3/08
• 代理公司: 暫無信息
• 代理人: 暫無信息

1.一種基于深度學習和熵模型的交通事件檢測方法，其方法步驟為：

1）訓練用于交通事件分類的卷積神經(jīng)網(wǎng)絡模型：

收集不同類型的交通事件圖像或視頻段素材，根據(jù)不同事件進行分類編號；再將樣本傳入卷積神經(jīng)網(wǎng)絡模型，卷積神經(jīng)網(wǎng)絡中的樣本集是由形如：（輸入向量，理想輸出向量）的向量對構(gòu)成，經(jīng)過向前傳播和向后傳播兩個階段完成對網(wǎng)絡參數(shù)的訓練；

訓練算法主要包括四步，這四步被分為兩個階段：

第一階段，向前傳播階段：

a）從樣本集中取一個樣本(X,Y_p)，將X輸入網(wǎng)絡；

b）計算相應的實際輸出O_p；

在此階段，信息從輸入層經(jīng)過逐級的變換，傳送到輸出層；這個過程也是網(wǎng)絡在完成訓練后正常運行時執(zhí)行的過程；在此過程中，網(wǎng)絡執(zhí)行的是計算，即是輸入與每層的權(quán)值矩陣相點乘，得到最后的輸出結(jié)果：

O_p=F_n（…（F₂（F₁（X_pW^（1））W^（2））…）W^（n））

第二階段，向后傳播階段：

計算實際輸出O_p與相應的理想輸出Y_p的差；

按極小化誤差的方法反向傳播調(diào)整權(quán)矩陣；

2）根據(jù)所述的卷積神經(jīng)網(wǎng)絡模型對輸入的視頻流圖像或視頻子段進行事件類別分類：

輸入視頻流圖像或子段到卷積神經(jīng)網(wǎng)絡模型中，提取每幀圖像或子段的卷積神經(jīng)網(wǎng)絡特征并按照事件類別分類，得到每幀圖像或子段的分類結(jié)果；

3)根據(jù)所述事件分類結(jié)果，計算一段事件內(nèi)的熵值：

熵值的計算包括時間和空間兩個方面；空間上，在單幀圖像上獲取相應的全局及局部特征，將提取出來的特征按照某種分類方式進行分類，根據(jù)分類情況得到所有聚類的概率分布，并由熵值計算公式獲得當前幀或視頻子段空間上的熵值；

時間上，結(jié)合每一幀或每一段視頻的卷積神經(jīng)網(wǎng)絡特征分類，分析一段時間內(nèi)的所有幀圖像或視頻子段的事件分類結(jié)果，根據(jù)結(jié)果分布獲得每種交通事件的概率分布，并由此計算一段時間內(nèi)時間上的熵值；

4）根據(jù)所述熵值，判斷是否發(fā)生交通事件：

根據(jù)時間、空間上的熵值和一段時間上的事件類型分布來分析交通事件，具體步驟為：

設(shè)(i=1,…n)為多幀圖像或子段的空間熵值序列，為時間域事件概率分布的熵值；

（1）空間域熵值大小分析：以(i=1,…n)的均值來分析其穩(wěn)定程度：

（2）空間域熵值穩(wěn)定趨勢分析：以(i=1,…n)的方差來分析其穩(wěn)定程度：

（3）時間域熵值分析：

（4）根據(jù)、Var、及事件類型構(gòu)造事件發(fā)生的可信度參數(shù)，并判斷事件發(fā)生；可定義有關(guān)、Var的正比、反比系數(shù)：

根據(jù)不同事件概率與熵值大小、穩(wěn)定性的正反比關(guān)系，計算可信度參數(shù)。

2.如權(quán)利要求1所述基于深度學習和熵模型的交通事件檢測方法，其特征在于，所述卷積神經(jīng)網(wǎng)絡模型具體為多類分類器，以及是通過多個交通事件樣本預先訓練得到的。

3.如權(quán)利要求2所述基于深度學習和熵模型的交通事件檢測方法，其特征在于，所述時間域上熵值判斷方法為事件分布越集中，熵值越小，事件的可能性越大。

4.如權(quán)利要求3所述基于深度學習和熵模型的交通事件檢測方法，其特征在于，所述空間域上熵值判斷方法為熵值越大，發(fā)生事件的可能性越大。