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 ...
【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
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。