一种基于双向长短时记忆网络的车辆行为识别方法及系统技术方案

本发明专利技术公开了一种基于双向长短时记忆网络的车辆行为识别方法及系统，方法包括：调取离线采集到的交通视频数据；对交通视频数据中的车辆进行检测追踪，提取出车辆行驶轨迹；对预处理后的车辆行驶轨迹进行特征提取，并建立训练数据集与测试数据集；使用双向长短时记忆递归神经网络对训练数据集进行模型训练，生成车辆行为识别模型；将测试数据集输入至车辆行为识别模型中进行精度评估；将在线实时采集到的交通视频数据输入至经过精度评估后的车辆行为识别模型进行车辆行为的识别，输出识别结果。本发明专利技术通过基于双向长短时记忆网络建立车辆行为识别模型来对交通视频数据中的车辆行驶轨迹进行识别，从而判断出车辆的行驶行为，识别精度高。

【技术实现步骤摘要】
一种基于双向长短时记忆网络的车辆行为识别方法及系统
本专利技术涉及车辆行为识别
，具体涉及一种基于双向长短时记忆网络的车辆行为识别方法及系统。
技术介绍
基于视频的车辆驾驶行为识别是建立和完善智能交通系统的基础，对提高道路通行安全，改善交通拥挤具有重要意义。传统道路摄像头位置固定、监控范围小，无法对车辆在交叉路口等复杂全局场景下进行跟踪检测，随着无人机及传感器集成技术的快速发展，搭载高清摄像头的无人机为交通领域提供了新视角的数据采集方法。大场景下的无人机交通视频包含了复杂多样的车辆行为信息，车辆轨迹长短不一，车辆轨迹数目众多，使用传统摄像头单一场景下的车辆行为分析方法，计算量大、预测效果也难以满足要求。因此，现有技术还有待于改进和发展。
技术实现思路
本专利技术要解决的技术问题在于，针对现有技术的上述缺陷，提供一种基于双向长短时记忆网络的车辆行为识别方法及系统，旨在解决现有中技术使用传统摄像头单一场景下的车辆行为分析方法，计算量大、预测效果难以满足要求问题。本专利技术解决技术问题所采用的技术方案如下：一种基于双向长短时记忆网络的车辆行为识别方法，其中，所述方法包括：调取通过设置在交通道路上空的无人机离线采集到的交通视频数据；使用深度卷积神经网络建立的车辆检测模型对所述交通视频数据中的车辆进行检测追踪，提取出车辆行驶轨迹；对所述车辆行驶轨迹进行预处理，对预处理后的车辆行驶轨迹进行特征提取，并依据提取的特征数据建立训练数据集与测试数据集；使用双向长短时记忆递归神经网络对所述训练数据集进行模型训练，生成车辆行为识别模型；将所述测试数据集输入至车辆行为识别模型中进行精度评估；将无人机实时采集到的交通视频数据输入至经过精度评估后的车辆行为识别模型进行车辆行为的识别，输出识别结果。所述的基于双向长短时记忆网络的车辆行为识别方法，其中，所述使用深度卷积神经网络建立的车辆检测模型对所述交通视频数据中的车辆进行检测追踪，提取出车辆行驶轨迹的步骤，具体包括：接收到离线采集到的交通视频数据之后，将离线采集到的交通视频数据标定处理后输入至多尺度深度卷积神经网络中进行模型训练，生成车辆检测模型；使用所述车辆检测模型对交通视频数据中的车辆进行检测追踪，提取出所有车辆的行驶轨迹。所述的基于双向长短时记忆网络的车辆行为识别方法，其中，所述对所述车辆行驶轨迹进行预处理的步骤，具体包括：对所述车辆行驶轨迹进行平滑处理、重复点删除处理以及轨迹压缩处理。所述的基于双向长短时记忆网络的车辆行为识别方法，其中，所述轨迹压缩处理具体包括：将车辆行驶轨迹的起始点与终止点连为一条直线，并求解所述车辆行驶轨迹上的所有点与所述直线之间的距离；找出最大距离，并将最大距离与预设的阈值进行比较；当最大距离小于所述阈值，则将所述车辆行驶轨迹上的中间点全部删除，并将所述直线作为车辆行驶轨迹的近似；当最大距离不小于所述阈值，则保留所述最大距离所对应的轨迹点，并以所述轨迹点为边界，将车辆行驶轨迹分成两部分；对这两部分重复执行轨迹压缩处理的步骤，直到所有的最大距离都不大于所述阈值。所述的基于双向长短时记忆网络的车辆行为识别方法，其中，所述对预处理后的车辆行驶轨迹进行特征提取的步骤，具体包括：从预处理后的车辆行驶轨迹提取轨迹点角度值。所述的基于双向长短时记忆网络的车辆行为识别方法，其中，所述使用双向长短时记忆递归神经网络对所述训练数据集进行模型训练，生成车辆行为识别模型的步骤，具体包括：将双向长短时记忆递归神经网络中的隐藏层数量设置为64、学习率设置为0.01以及迭代次数设置为10000；将训练数据集输入至双向长短时记忆递归神经网络中进行模型训练，然后通过前向传播算法输出预测值；计算预测值与真实值的误差，并利用反向传播算法将误差反向传播；使用梯度下降原理更新模型中的参数，并在最小化目标函数时完成训练，生成车辆行为识别模型。所述的基于双向长短时记忆网络的车辆行为识别方法，其中，所述将所述测试数据集输入至车辆行为识别模型中进行精度评估的步骤，具体包括：将测试数据集输入至车辆行为模型中；将车辆行为识别模型输出的识别结果与交通视频数据中对应车辆的行驶行为进行比对分析，确定所述车辆行为识别模型的精度。所述的基于双向长短时记忆网络的车辆行为识别方法，其中，所述确定所述车辆行为识别模型的精度的步骤，具体包括：将车辆行为识别模型所识别出来的每一类行为结果与交通视频数据中对应车辆的每一类行驶行为进行比对分析，输出每一类行为的精度；计算所有类行为的精度的平均值，将其作为车辆行为识别模型的最终精度。一种基于双向长短时记忆网络的车辆行为识别系统，其中，所述系统包括：设置在交通道路上空的无人机，以及与所述无人机通讯连接的工作站；所述无人机用于交通视频数据的采集，并将采集到的数据发送至工作站；所述工作站包括：轨迹获取模块，用于使用深度卷积神经网络建立的车辆检测模型对所述交通视频数据中的车辆进行检测追踪，提取出车辆行驶轨迹；特征提取模块，用于对所述车辆行驶轨迹进行预处理，对预处理后的车辆行驶轨迹进行特征提取，并依据提取的特征数据建立训练数据集与测试数据集；模型建立模块，用于使用双向长短时记忆递归神经网络对所述训练数据集进行模型训练，生成车辆行为识别模型；精度评估模块，用于将所述测试数据集输入至车辆行为识别模型中进行精度评估；行为识别模块，用于将无人机实时采集到的交通视频数据输入至经过精度评估后的车辆行为识别模型中进行车辆行为的识别，输出识别结果。所述基于双向长短时记忆网络的车辆行为识别系统，其中，所述精度评估模块还用于：将车辆行为识别模型输出的识别结果与交通视频数据中对应车辆的行驶行为进行比对分析，确定所述车辆行为识别模型的精度。本专利技术的有益效果：本专利技术通过基于双向长短时记忆网络利用有限的轨迹样本建立车辆行为识别模型，利用该模型来对交通视频数据中的车辆行驶轨迹进行识别，从而判断出车辆的行驶行为，识别精度高。附图说明图1是本专利技术的基于双向长短时记忆网络的车辆行为识别方法的较佳实施例的流程图。图2是本专利技术中的双向长短时记忆网络结构示意图。图3是本专利技术的基于双向长短时记忆网络的车辆行为识别系统中工作站的原理框图。具体实施方式为使本专利技术的目的、技术方案及优点更加清楚、明确，以下参照附图并举实施例对本专利技术进一步详细说明。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。下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例。以下对至少一个示例性实施例的描述实际上仅仅是说明性的，决不作为对本专利技术及其应用或使用的任何限制。基于本专利技术中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。本实施例提供一种基于双向长短时记忆网络的车辆行为识别方法，如图1中所示，所述方法包括：步骤S100、调取通过设置在交通道路上空的无人机离线采集到的交通视频数据。具体实施时，本实施例中在交通流量较大的交叉口上空设置搭载4K超清摄像头的无人机，该无人机用于采集交通视频数据，且包括离线采集以及在线实时采集，采集好交通视频数据之后，向预先已经进行通讯连接的工作站发送，以便工作站对本文档来自技高网...

【技术保护点】
1.一种基于双向长短时记忆网络的车辆行为识别方法，其特征在于，所述方法包括：调取通过设置在交通道路上空的无人机离线采集到的交通视频数据；使用深度卷积神经网络建立的车辆检测模型对所述交通视频数据中的车辆进行检测追踪，提取出车辆行驶轨迹；对所述车辆行驶轨迹进行预处理，对预处理后的车辆行驶轨迹进行特征提取，并依据提取的特征数据建立训练数据集与测试数据集；使用双向长短时记忆递归神经网络对所述训练数据集进行模型训练，生成车辆行为识别模型；将所述测试数据集输入至车辆行为识别模型中进行精度评估；将无人机在线实时采集到的交通视频数据输入至经过精度评估后的车辆行为识别模型进行车辆行为的识别，输出识别结果。

【技术特征摘要】
1.一种基于双向长短时记忆网络的车辆行为识别方法，其特征在于，所述方法包括：调取通过设置在交通道路上空的无人机离线采集到的交通视频数据；使用深度卷积神经网络建立的车辆检测模型对所述交通视频数据中的车辆进行检测追踪，提取出车辆行驶轨迹；对所述车辆行驶轨迹进行预处理，对预处理后的车辆行驶轨迹进行特征提取，并依据提取的特征数据建立训练数据集与测试数据集；使用双向长短时记忆递归神经网络对所述训练数据集进行模型训练，生成车辆行为识别模型；将所述测试数据集输入至车辆行为识别模型中进行精度评估；将无人机在线实时采集到的交通视频数据输入至经过精度评估后的车辆行为识别模型进行车辆行为的识别，输出识别结果。2.根据权利要求1所述的基于双向长短时记忆网络的车辆行为识别方法，其特征在于，所述使用深度卷积神经网络建立的车辆检测模型对所述交通视频数据中的车辆进行检测追踪，提取出车辆行驶轨迹的步骤，具体包括：接收到离线采集到的交通视频数据之后，将离线采集到的交通视频数据标定处理后输入至多尺度深度卷积神经网络中进行模型训练，生成车辆检测模型；使用所述车辆检测模型对交通视频数据中的车辆进行检测追踪，提取出所有车辆的行驶轨迹。3.根据权利要求1所述的基于双向长短时记忆网络的车辆行为识别方法，其特征在于，所述对所述车辆行驶轨迹进行预处理的步骤，具体包括：对所述车辆行驶轨迹进行平滑处理、重复点删除处理以及轨迹压缩处理。4.根据权利要求3所述的基于双向长短时记忆网络的车辆行为识别方法，其特征在于，所述轨迹压缩处理具体包括：将车辆行驶轨迹的起始点与终止点连为一条直线，并求解所述车辆行驶轨迹上的所有点与所述直线之间的距离；找出最大距离，并将最大距离与预设的阈值进行比较；当最大距离小于所述阈值，则将所述车辆行驶轨迹上的中间点全部删除，并将所述直线作为车辆行驶轨迹的近似；当最大距离不小于所述阈值，则保留所述最大距离所对应的轨迹点，并以所述轨迹点为边界，将车辆行驶轨迹分成两部分；对这两部分重复执行轨迹压缩处理的步骤，直到所有的最大距离都不大于所述阈值。5.根据权利要求1所述的基于双向长短时记忆网络的车辆行为识别方法，其特征在于，所述对预处理后的车辆行驶轨迹进行特征提取的步骤，具体包括：从预处理后的车辆行驶轨迹提取轨迹点角度值。6.根据权利要求1所述的基于双向长短时记忆网络的车辆行为识别方法，其特征在于，所述使用双向长短时记忆递归神...

【专利技术属性】
技术研发人员：朱家松，林伟东，孙科，
申请(专利权)人：深圳大学，
类型：发明
国别省市：广东,44