[發(fā)明專利]一種高速公路擁堵識別模型構(gòu)建方法和裝置及識別方法

在審

• 申請?zhí)枺?/td>: 202010831009.2
• 申請日: 2020-08-18
• 公開（公告）號: CN112101117A
• 公開（公告）日: 2020-12-18
• 發(fā)明（設(shè)計）人: 劉妮;唐心瑤;崔華;袁鴿鴿
• 申請（專利權(quán)）人: 長安大學(xué)
• 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(chǎn)權(quán)代理事務(wù)所 61216
• 代理人: 李婷;趙中霞

本發(fā)明公開了一種高速公路擁堵識別模型構(gòu)建方法和裝置及識別方法，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(biāo)簽標(biāo)注，獲得標(biāo)簽集，所述標(biāo)簽包括交通類別，交通類別包括擁堵、飽和或暢通狀態(tài)；步驟2，將初始圖像集作為輸入，標(biāo)簽集作為輸出，訓(xùn)練深度卷積神經(jīng)網(wǎng)絡(luò)，網(wǎng)絡(luò)結(jié)構(gòu)在VGG?16的基礎(chǔ)上融入ResNet網(wǎng)絡(luò)中的經(jīng)典結(jié)構(gòu)Bottleneck Layer和Squeeze and Excitation(SE)Block，同時引入注意力機制，構(gòu)建SE?VGG16的分類網(wǎng)絡(luò)；本發(fā)明能準(zhǔn)確進行高速公路交通擁堵狀態(tài)的識別，可應(yīng)用于多種交通場景和多種相機視角情況下的交通擁堵識別，具有端到端的特性，實現(xiàn)較為簡單且具有較高的識別精度。

技術(shù)領(lǐng)域

本發(fā)明屬于智能交通技術(shù)領(lǐng)域，具體涉及一種高速公路擁堵識別模型構(gòu)建方法和裝置及識別方法。

背景技術(shù)

交通擁堵檢測對于監(jiān)控交通狀況和優(yōu)化路網(wǎng)性能非常重要。早期交通監(jiān)控系統(tǒng)中使用了環(huán)形線圈檢測器來對車輛行駛進行計數(shù)，采集交通流的占有率，但是其提供豐富而準(zhǔn)確的交通信息的能力非常有限。為了提升準(zhǔn)確率，研究人員從GPS跟蹤器或智能手機收集的GPS數(shù)據(jù)，結(jié)合路線圖來檢測交通擁堵。但是這些方法都是對路面具有破壞性的，且需要依賴專門構(gòu)建和部署的資源，數(shù)據(jù)較難獲取。

隨著監(jiān)控相機安裝成本不斷降低，路網(wǎng)中大量相機每天都能產(chǎn)生海量監(jiān)控數(shù)據(jù)，通過分析這些視頻數(shù)據(jù)提取所需交通流參數(shù)，對于交通擁堵狀態(tài)檢測具有重要的實際意義，并且這種方法具有無損性。傳統(tǒng)方法通過圖像處理的方式，對視頻中的車輛進行檢測和跟蹤，統(tǒng)計交通流參數(shù)，這種方法對于遮擋的魯棒性較低，易導(dǎo)致交通流參數(shù)計算錯誤，影響擁堵狀態(tài)的識別結(jié)果。近年來，卷積神經(jīng)網(wǎng)絡(luò)在圖像分類和識別方面取得了優(yōu)異的結(jié)果，它們能夠自動學(xué)習(xí)到圖像中的特征，并且對于平移、縮放和旋轉(zhuǎn)具有較強的魯棒性。因此，有一些研究人員將卷積神經(jīng)網(wǎng)絡(luò)應(yīng)用于交通擁堵識別。其中，一類方法是通過網(wǎng)絡(luò)估計交通流量密度，這種方法易受相機視角變化的影響，另一類方法就是直接通過分類網(wǎng)絡(luò)計算擁堵程度，但是目前的方法數(shù)據(jù)只包含特定城市和相機視角，通用性一般。

發(fā)明內(nèi)容

針對現(xiàn)有技術(shù)中的缺陷和不足，本發(fā)明提供了一種高速公路擁堵識別模型構(gòu)建方法和裝置及識別方法，實現(xiàn)端到端識別，克服現(xiàn)有方法效率低等缺陷。

為達到上述目的，本發(fā)明采取如下的技術(shù)方案：

一種高速公路擁堵識別模型構(gòu)建方法，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(biāo)簽標(biāo)注，獲得標(biāo)簽集，所述標(biāo)簽包括交通類別，交通類別包括擁堵、飽和或暢通狀態(tài)；

步驟2，將所述初始圖像集作為輸入，標(biāo)簽集作為輸出，訓(xùn)練深度卷積神經(jīng)網(wǎng)絡(luò)；

所述深度卷積神經(jīng)網(wǎng)絡(luò)包括依次設(shè)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(lián)的Bottleneck Layer、SE Block和池化層；

所述Bottleneck Layer包括依次串聯(lián)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(yīng)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(quán)重參數(shù)，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(lián)后連接分類層的3個全連接層，用于最后的交通類別分類；