[發明專利]一種高速公路擁堵識別模型構建方法和裝置及識別方法

在審

• 申請號: 202010831009.2
• 申請日: 2020-08-18
• 公開（公告）號: CN112101117A
• 公開（公告）日: 2020-12-18
• 發明（設計）人: 劉妮;唐心瑤;崔華;袁鴿鴿
• 申請（專利權）人: 長安大學
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06N3/04;G06N3/08
• 代理公司: 西安恒泰知識產權代理事務所 61216
• 代理人: 李婷;趙中霞

1.一種高速公路擁堵識別模型構建方法，其特征在于，包括以下步驟：

步驟1，獲取高速公路視頻幀圖像，得到初始圖像集；

對初始圖像集中的每張圖像進行標簽標注，獲得標簽集，所述標簽包括交通類別，交通類別包括擁堵、飽和或暢通狀態；

步驟2，將所述初始圖像集作為輸入，標簽集作為輸出，訓練深度卷積神經網絡；

所述深度卷積神經網絡包括依次設置的多個特征提取層和分類層；所述特征提取層包括5個特征提取塊，分類層包括3個全連接層；

所述特征提取塊包括串聯的Bottleneck Layer、SE Block和池化層；

所述Bottleneck Layer包括依次串聯的1×1、3×3、1×1大小的3個卷積層；

所述SE Block包括1個卷積層用于對Bottleneck Layer輸出的特征圖進一步進行特征提取以及1個全局平均池化層；

所述全局平均池化層對應Squeeze、Excitation和Reweight階段，其中，Squeeze和Excitation階段用于生成attention機制所需要的權重參數，Reweight階段將全局平均池化層作用于SE Block的卷積層作用所得特征圖，生成具有能夠反映不同重要性的特征圖；

所述特征提取層的5個特征提取塊串聯后連接分類層的3個全連接層，用于最后的交通類別分類；

獲得高速公路擁堵識別模型。

2.如權利要求1所述的高速公路擁堵識別模型構建方法，其特征在于，所述高速公路擁堵識別模型中損失函數采用交叉熵損失函數。

3.如權利要求1所述的高速公路擁堵識別模型構建方法，其特征在于，選用深度學習框架Caffe搭建深度卷積神經網絡，選擇隨機梯度下降法對高速公路擁堵識別模型進行優化，設置學習率為0.01，batch-size為32，迭代epoch為80次。

4.如權利要求1所述的高速公路擁堵識別模型構建方法，其特征在于，所述全局平均池化層對應Squeeze、Excitation和Reweight階段中，在Squeeze階段使用全局平均池化使每個特征通道轉換為一個具有全局感受野的實數；在Excitation階段為每個特征通道生成權重w；在Reweight階段將Squeeze階段對應的特征通道與Excitation階段生成的權重相乘，得到能夠反映不同重要程度的特征圖；具體包括：

首先進行標準卷積操作即轉換操作，F_tr:X→U，X表示原始輸入特征圖，U表示輸出特征圖，F_tr表示從原始輸入特征圖到輸出特征圖的轉換；

其中，X∈R^W'×H'×C',U∈R^W×H×C，R表示實數空間域，W',H',C'分別表示特征圖X的寬度、高度、通道數，W,H,C分別表示特征圖U的寬度、高度、通道數，具體公式為：

其中，*代表卷積操作，c,s均為特征圖通道數序號，取值范圍分別為1～C,1～C'，x^s為特征圖X中第s個特征層，v_c為第c個卷積核，通道數與特征圖X的通道數相同，為第c個卷積核的第s層，u_c表示特征圖U中第c個特征層；

在Squeeze階段進行全局平均池化，將特征圖U作為新的輸入，轉換成新的輸出特征圖Z，其中Z∈R^1*1*C，1,1,C分別表示特征圖Z的寬度、高度、通道數，具體公式為：

其中，F表示全局平均池化操作，u_c(i,j)表示特征圖U中第c個特征層上處于i行j列位置的元素，z_c表示特征圖Z中第c個特征層；

在Excitation階段，對Squeeze階段全局平均池化輸出的特征圖Z進行權重計算，得到與特征圖Z中每個特征層對應的權重向量w，其公式如下：

w＝F_ex(Z,W)＝σ(W₂δ(W₁Z)) (3)

其中，F_ex表示權重計算操作，W₁,W₂均表示全連接層，維度均為C*C/r，W表示由W₁,W₂共同構成的全連接層組；W₁Z表示第一個全連接操作，輸出向量維度為1*1*C/r，r為縮放參數，主要為了減少維度從而減少計算量，δ為ReLu激活函數；W₂δ(W₁Z)是第二個全連接層操作，輸出向量維度為1*1*C，σ是Sigmoid激活函數，經過σ操作，最終得到與特征圖Z中每個特征層對應的權重向量w；

Reweight階段具體公式如下：

其中，F_scale表示權重分配操作，u_c表示特征圖U中第c個特征層，w_c表示權重向量w中第c個位置的元素，·表示乘法運算，即將w_c與u_c特征層中的每一個元素相乘。