[發明專利]一種基于深度學習和熵模型的交通事件檢測方法

有效

• 申請號: 201710045525.0
• 申請日: 2017-01-22
• 公開（公告）號: CN108345894B
• 公開（公告）日: 2019-10-11
• 發明（設計）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）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

一種基于深度學習和熵模型的交通事件檢測方法，涉及智能交通技術領域。本發明基于深度學習和熵模型的交通事件檢測方法的步驟為：1）訓練用于交通事件分類的卷積神經網絡模型：2）根據所述的卷積神經網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：3)根據所述事件分類結果，計算一段事件內的熵值：4）根據所述熵值，判斷是否發生交通事件。同現有技術相比，本發明根據不同事件概率與熵值大小、穩定性的正反比關系，計算可信度參數。從視頻圖像的全局和局部特征入手，分析圖像的突變情況，借助CNN的優點和方法以及熵值模型檢測突變的特性，檢測交通事件的發生，對于具有突變性質的交通事件，有著速度快、檢測準的特點。

技術領域

本發明涉及智能交通技術領域，特別是基于深度學習和熵模型的交通事件檢測方法。

背景技術

基于視頻分析的交通事件檢測方法由于其檢測速度快且檢測信息豐富，在國內外正逐漸成為研究熱點。自20世紀90年代中期以來，美、英、日等國開始研究基于圖像處理的快速自動事件檢測系統，模擬人工判別交通異常的方法來實現事件的快速檢測，此類傳統方法通常是從視頻圖像中檢測車輛，跟蹤運動車輛，提取如速度變化率、位置、面積、方向等特征，根據這些特征模型能夠判斷交通事件。技術點包括運動目標檢測、車輛檢測、目標跟蹤等。

淺層學習是機器學習的第一次浪潮，20世紀80年代末期，用于人工神經網絡的反向傳播算法（也叫Back Propagation算法或者BP算法）的發明，給機器學習帶來了希望，掀起了基于統計模型的機器學習熱潮。這個熱潮一直持續到今天。人們發現，利用BP算法可以讓一個人工神經網絡模型從大量訓練樣本中學習統計規律，從而對未知事件做預測。這種基于統計的機器學習方法比起過去基于人工規則的系統，在很多方面顯出優越性。這個時候的人工神經網絡，雖也被稱作多層感知機（Multi-layer Perceptron），但實際是種只含有一層隱層節點的淺層模型。

20世紀90年代，各種各樣的淺層機器學習模型相繼被提出，例如支撐向量機（SVM，Support Vector Machines）、 Boosting、最大熵方法（如LR，Logistic Regression）等。這些模型的結構基本上可以看成帶有一層隱層節點（如SVM、Boosting），或沒有隱層節點（如LR）。這些模型無論是在理論分析還是應用中都獲得了巨大的成功。相比之下，由于理論分析的難度大，訓練方法又需要很多經驗和技巧，這個時期淺層人工神經網絡反而相對沉寂。

深度學習是機器學習的第二次浪潮，2006年，加拿大多倫多大學教授、機器學習領域的泰斗Geoffrey Hinton和他的學生RuslanSalakhutdinov在《科學》上發表了一篇文章，開啟了深度學習在學術界和工業界的浪潮。這篇文章有兩個主要觀點：1）多隱層的人工神經網絡具有優異的特征學習能力，學習得到的特征對數據有更本質的刻畫，從而有利于可視化或分類；2）深度神經網絡在訓練上的難度，可以通過“逐層初始化”（layer-wise pre-training）來有效克服，在這篇文章中，逐層初始化是通過無監督學習實現的。

當前多數分類、回歸等學習方法為淺層結構算法，其局限性在于有限樣本和計算單元情況下對復雜函數的表示能力有限，針對復雜分類問題其泛化能力受到一定制約。深度學習可通過學習一種深層非線性網絡結構，實現復雜函數逼近，表征輸入數據分布式表示，并展現了強大的從少數樣本集中學習數據集本質特征的能力。多層的好處是可以用較少的參數表示復雜的函數。

深度學習的實質，是通過構建具有很多隱層的機器學習模型和海量的訓練數據，來學習更有用的特征，從而最終提升分類或預測的準確性。因此，“深度模型”是手段，“特征學習”是目的。區別于傳統的淺層學習，深度學習的不同在于：1）強調了模型結構的深度，通常有5層、6層，甚至10多層的隱層節點；2）明確突出了特征學習的重要性，也就是說，通過逐層特征變換，將樣本在原空間的特征表示變換到一個新特征空間，從而使分類或預測更加容易。與人工規則構造特征的方法相比，利用大數據來學習特征，更能夠刻畫數據的豐富內在信息。