一种基于焦点损失函数的交通异常图片识别方法技术

本发明专利技术属于图像识别与计算机视觉技术领域，公开了一种基于焦点损失函数的交通异常图片识别方法，包括：构建基于点损失函数的卷积神经网络，建立图片数据集；对图片数据集进行预处理，使用处理后的图片数据集对卷积神经网络进行训练；使用训练好的卷积神经网络对输入图片进行识别，得到图片所属交通异常类别检测结果；本发明专利技术针对道路异常与正常情况数据集类别不均衡、导致卷积神经网络的训练难以进行的情况，使用焦点损失函数替代原有损失函数，使得卷积神经网络能够顺利训练，提高了识别准确度；本发明专利技术提供的识别方法可部署在各交通路段的监控系统中，自动对当前路段是否发生交通异常进行识别，从而为交通部门提供及时预警。

A Method of Traffic Abnormal Image Recognition Based on Focus Loss Function

The invention belongs to the field of image recognition and computer vision technology, and discloses a traffic abnormal picture recognition method based on focus loss function, which includes: constructing convolution neural network based on point loss function and establishing image data set; preprocessing image data set, training convolution neural network with processed image data set; and using trained convolution neural network with trained image data set. Neural network recognizes the input picture and obtains the result of traffic anomaly category detection of the picture; In view of the situation that the data sets of road anomaly and normal condition are not balanced, which makes the training of convolution neural network difficult, the focus loss function is used to replace the original loss function, so that the convolution neural network can be trained smoothly and the recognition accuracy is improved. The identification method provided in this paper can be deployed in the monitoring system of each traffic section to automatically identify whether traffic abnormalities occur in the current section, so as to provide timely warning for the traffic department.

【技术实现步骤摘要】
一种基于焦点损失函数的交通异常图片识别方法
本专利技术属于图像识别与计算机视觉
，更具体地，涉及一种基于焦点损失函数的交通异常图片识别方法。
技术介绍
引起交通事故的原因很多，包括路面积雪、路面破损、起火、堵车、大雾、塌方滑坡等交通异常情况，若能够通过监控对这些原因进行识别，就可以在发生交通事故之前采取相应处理，减少交通事故的发生。目前主要通过电话以及人工查看监控摄像头的方式对交通异常进行识别，效率低下，需要大量的人力劳动。一种可能的方法是使用计算机视觉技术编写软件，自动检测监控摄像头所拍摄的图片是否包含异常情况。传统的计算机视觉技术需要手动设计特征用于分类，这种方法不仅效率较低，而且在扩充新的分类类别时需要设计新的特征用于识别新的异常类别，降低了系统的维护性。将深度学习与计算机视觉相结合可以在分类任务中通过训练的方式自动学习出所需要的特征，大大提高了系统的可维护性。因此将深度学习与交通异常情况检测结合起来，建立一个交通异常情况检测系统，自动使用摄像头的实时监控信息进行异常情况的检测，不仅能提高交通预警的及时性，也能节省大量的人力。然而，实际应用场景下获取的交通异常图片与正常图片的比例十分不均衡，会大幅影响训练出的分类器的精度，导致实际检测时准确率低。因此对一种可在正常与异常图片不均衡条件下进行交通异常图片识别的技术具有实际需求。
技术实现思路
针对现有技术的以上缺陷或改进需求，本专利技术提供了一种基于焦点损失函数的交通异常图片识别方法，其目的在于提高交通异常图片识别的准确率。为实现上述目的，按照本专利技术的一个方面，提供了一种基于焦点损失函数的交通异常图片识别方法，包括训练步骤和测试步骤；训练步骤包括：(1)建立数据集，包括正常交通状况下的图片以及积雪、路面破损、交通事故、起火、堵车、大雾和塌方滑坡等交通异常状况下的图片；(2)对上述数据集进行预处理，形成统一尺寸的预处理图像，构成训练集和测试集；训练集图片占比大于测试集图片占比；(3)构建包括卷积层、批标准化、池化层、全连接层以及输出层的卷积神经网络；(4)构建用于克服类别不均衡对训练造成影响的焦点损失函数作为卷积神经网络的目标函数；焦点损失函数以卷积神经网络的向量输出和卷积神经网络输入图片对应的异常类别为输入，输出一个常量；(5)对卷积神经网络进行参数初始化，并使用上述训练集对卷积神经网络进行训练，每轮训练后在测试集上进行测试，当卷积神经网络在测试集上的分类准确率不再提高并满足需求时停止训练；测试步骤包括：(i)将需要测试的图片进行裁剪、缩放；(ii)将缩放后的图片作为卷积神经网络的输入，经过卷积神经网络进行特征提取；(iii)通过卷积神经网络的全连接层对特征进行线性组合；(iv)通过输出层将全连接层的输出转换为分类概率；(v)选取最大的概率值，判断该概率值是否大于给定的阈值，若是，则图片对应的交通异常类型为最大概率值对应的交通异常类别；若否，则图片为正常交通状态下的图片；阈值的范围为[0,1]，可根据实际情况对阈值进行调整，阈值越大，对异常类别的判定越严格，对于不同的类别使用同一个阈值进行判定。优选地，上述基于焦点损失函数的交通异常图片识别方法，对数据集进行预处理包括：(2.1)对图片进行随机方向的平移、做随机方向的旋转、随机色彩调整以及随机水平翻转；(2.2)将翻转后的图片进行裁剪，得到以图片中心点选取较短边为边长的正方形图片；将裁剪后的图片缩放为224×224大小的图片；(2.3)将整个数据集划分为训练集和测试集。优选地，上述基于焦点损失函数的交通异常图片识别方法，对图片进行裁剪的裁剪方式为图片中心裁剪或图片四个角裁剪，或这两种裁剪方式的组合。优选地，上述基于焦点损失函数的交通异常图片识别方法，在利用全连接层对特征进行线性组合前，包括对特征进行批标准化处理的步骤，将图片每个通道中的特征值标准化到设定范围内，以加速训练。优选地，上述基于焦点损失函数的交通异常图片识别方法，在批标准化处理后、对特征进行线性组合前，还包括：通过ReLU激活函数筛选出大于0的特征值，利用最大池化层将图片尺寸缩小，所得到的特征在经过若干个中间层后，利用平均池化层对特征值在相邻的预设范围内取平均，使特征具有空间不变性；其中，中间层包括多个瓶颈层。优选地，上述基于焦点损失函数的交通异常图片识别方法，采用sigmoid函数作为卷积神经网络的输出层，利用sigmoid函数生成分类概率，其输出值直接作为不同异常类别的概率分布。本专利技术提供的交通异常图片识别方法，先建立一个基于焦点损失函数的卷积神经网络并进行训练，以经过预处理后的道路实时监控图片为训练好的卷积神经网络的输入，通过卷积神经网络对预处理后的图片进行一系列的卷积运算，得到图像各个通道的特征，再通过全连接层和sigmoid函数输出图片属于各个异常类别的概率，根据最大的概率值来确定图片所属的交通异常类型。总体而言，通过本专利技术所构思的以上技术方案与现有技术相比，能够取得下列有益效果：(1)本专利技术提供的基于焦点损失函数的交通异常图片识别方法，针对实际场景中正常交通状况下的图片与异常交通状况下的图片类别不均衡的现象设计焦点损失函数以克服类别不均衡对训练造成的影响；由于实际应用中正常图片的数量是远远大于异常情况图片数量的，若直接使用交叉熵作为卷积神经网络的目标函数会由于类别不平衡的问题导致训练出的网络召回率低；采用本专利技术的方法，由于所构建的焦点损失函数能够在计算卷积神经网络的损失函数时针对正常类别与异常类别图片的数量不均衡问题以及不同图片的分类难易度进行自适应的权重调整，使损失函数不再被正常类别图片与容易分类的图片主导，解决了由于正常图片与交通异常图片类别不均衡导致的训练收敛困难的问题；(2)本专利技术提供的基于焦点损失函数的交通异常图片识别方法，由于卷积神经网络输入尺寸和输出尺寸可灵活调整，因此具有很强的扩展性，当需要检测的图片尺寸发生变化、异常情况数量增加时，只需要对输入或输出层进行略微修改就能继续进行训练，无需重新设计整个卷积神经网络。(3)采用本专利技术提供的基于焦点损失函数的交通异常图片识别方法，能够有效利用道路监控摄像头所拍摄的图片，对当前路段是否发生交通异常情况进行识别，从而为交通部门提供及时预警。附图说明图1是本专利技术实施例中采用的卷积神经网络的结构示意图；图2是本专利技术实施例中采用的卷积神经网络的中间层结构示意图；图3是本专利技术实施例中采用的卷积神经网络的瓶颈层结构示意图；图4是本专利技术实施例中采用的卷积神经网络的数据集预处理的流程示意图；图5是本专利技术实施例的交通异常图片识别测试流程示意图。具体实施方式为了使本专利技术的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本专利技术进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本专利技术，并不用于限定本专利技术。此外，下面所描述的本专利技术各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。本专利技术提供的基于焦点损失函数的交通异常图片识别方法，建立一个基于焦点损失函数的卷积神经网络，以预处理后的道路实时监控图片为该卷积神经网络的输入，通过该卷积神经网络对预处理后的图片进行一系列的卷积运算得到图像的特征，再通过全连接层和sigmoid函数输出图片属于各个异常类本文档来自技高网...

【技术保护点】
1.一种基于焦点损失函数的交通异常图片识别方法，包括训练步骤和测试步骤；其特征在于，训练步骤包括：(1)建立数据集，包括正常交通状况下的图片以及异常交通状况下的图片；(2)对所述数据集进行预处理，形成统一尺寸的预处理图像，构成训练集和测试集；训练集图片占比大于测试集图片占比；(3)构建包括卷积层、批标准化、池化层、全连接层以及输出层的卷积神经网络；(4)构建用于克服类别不均衡对训练造成影响的焦点损失函数作为卷积神经网络的目标函数；(5)对卷积神经网络进行参数初始化，并使用所述训练集对卷积神经网络进行训练，每轮训练后在测试集上进行测试，当卷积神经网络在测试集上的分类准确率不再提高时停止训练；测试步骤包括：(i)将需要测试的图片进行裁剪、缩放；(ii)将缩放后的图片作为卷积神经网络的输入，通过卷积神经网络进行特征提取；(iii)通过卷积神经网络的全连接层对提取的特征进行线性组合；(iv)通过输出层将全连接层的输出转换为分类概率；(v)选取最大的概率值，判断该概率值是否大于给定的阈值，若是，则判定图片对应的交通异常类型为最大概率值对应的交通异常类别；若否，则判定图片为正常交通状态下的图片。

【技术特征摘要】
1.一种基于焦点损失函数的交通异常图片识别方法，包括训练步骤和测试步骤；其特征在于，训练步骤包括：(1)建立数据集，包括正常交通状况下的图片以及异常交通状况下的图片；(2)对所述数据集进行预处理，形成统一尺寸的预处理图像，构成训练集和测试集；训练集图片占比大于测试集图片占比；(3)构建包括卷积层、批标准化、池化层、全连接层以及输出层的卷积神经网络；(4)构建用于克服类别不均衡对训练造成影响的焦点损失函数作为卷积神经网络的目标函数；(5)对卷积神经网络进行参数初始化，并使用所述训练集对卷积神经网络进行训练，每轮训练后在测试集上进行测试，当卷积神经网络在测试集上的分类准确率不再提高时停止训练；测试步骤包括：(i)将需要测试的图片进行裁剪、缩放；(ii)将缩放后的图片作为卷积神经网络的输入，通过卷积神经网络进行特征提取；(iii)通过卷积神经网络的全连接层对提取的特征进行线性组合；(iv)通过输出层将全连接层的输出转换为分类概率；(v)选取最大的概率值，判断该概率值是否大于给定的阈值，若是，则判定图片对应的交通异常类型为最大概率值对应的交通异常类别；若否，则判定图片为正常交通状态下的图片。2.如权利要求1所述的交通异常图片识别方法，其特征在于，对数据集进行预处理包括：(2.1)对图片进行随机方向的平移、做随机方向的旋转、随机色彩调整以及随机水平翻转；(2.2)将翻转后的图片进行裁剪，得到以图片中心点选取较短边为边长的...

【专利技术属性】
技术研发人员：王家奎，徐昱昊，
申请(专利权)人：武汉唯理科技有限公司，
类型：发明
国别省市：湖北,42