一种高速公路拥堵识别模型构建方法和装置及识别方法制造方法及图纸

本发明专利技术公开了一种高速公路拥堵识别模型构建方法和装置及识别方法，步骤1，获取高速公路视频帧图像，得到初始图像集；对初始图像集中的每张图像进行标签标注，获得标签集，所述标签包括交通类别，交通类别包括拥堵、饱和或畅通状态；步骤2，将初始图像集作为输入，标签集作为输出，训练深度卷积神经网络，网络结构在VGG‑16的基础上融入ResNet网络中的经典结构Bottleneck Layer和Squeeze and Excitation(SE)Block，同时引入注意力机制，构建SE‑VGG16的分类网络；本发明专利技术能准确进行高速公路交通拥堵状态的识别，可应用于多种交通场景和多种相机视角情况下的交通拥堵识别，具有端到端的特性，实现较为简单且具有较高的识别精度。

【技术实现步骤摘要】
一种高速公路拥堵识别模型构建方法和装置及识别方法
本专利技术属于智能交通
，具体涉及一种高速公路拥堵识别模型构建方法和装置及识别方法。
技术介绍
交通拥堵检测对于监控交通状况和优化路网性能非常重要。早期交通监控系统中使用了环形线圈检测器来对车辆行驶进行计数，采集交通流的占有率，但是其提供丰富而准确的交通信息的能力非常有限。为了提升准确率，研究人员从GPS跟踪器或智能手机收集的GPS数据，结合路线图来检测交通拥堵。但是这些方法都是对路面具有破坏性的，且需要依赖专门构建和部署的资源，数据较难获取。随着监控相机安装成本不断降低，路网中大量相机每天都能产生海量监控数据，通过分析这些视频数据提取所需交通流参数，对于交通拥堵状态检测具有重要的实际意义，并且这种方法具有无损性。传统方法通过图像处理的方式，对视频中的车辆进行检测和跟踪，统计交通流参数，这种方法对于遮挡的鲁棒性较低，易导致交通流参数计算错误，影响拥堵状态的识别结果。近年来，卷积神经网络在图像分类和识别方面取得了优异的结果，它们能够自动学习到图像中的特征，并且对于平移、缩放和旋转具有本文档来自技高网...

【技术保护点】
1.一种高速公路拥堵识别模型构建方法，其特征在于，包括以下步骤：/n步骤1，获取高速公路视频帧图像，得到初始图像集；/n对初始图像集中的每张图像进行标签标注，获得标签集，所述标签包括交通类别，交通类别包括拥堵、饱和或畅通状态；/n步骤2，将所述初始图像集作为输入，标签集作为输出，训练深度卷积神经网络；/n所述深度卷积神经网络包括依次设置的多个特征提取层和分类层；所述特征提取层包括5个特征提取块，分类层包括3个全连接层；/n所述特征提取块包括串联的Bottleneck Layer、SE Block和池化层；/n所述Bottleneck Layer包括依次串联的1×1、3×3、1×1大小的3个卷积...

【技术特征摘要】
1.一种高速公路拥堵识别模型构建方法，其特征在于，包括以下步骤：
步骤1，获取高速公路视频帧图像，得到初始图像集；
对初始图像集中的每张图像进行标签标注，获得标签集，所述标签包括交通类别，交通类别包括拥堵、饱和或畅通状态；
步骤2，将所述初始图像集作为输入，标签集作为输出，训练深度卷积神经网络；
所述深度卷积神经网络包括依次设置的多个特征提取层和分类层；所述特征提取层包括5个特征提取块，分类层包括3个全连接层；
所述特征提取块包括串联的BottleneckLayer、SEBlock和池化层；
所述BottleneckLayer包括依次串联的1×1、3×3、1×1大小的3个卷积层；
所述SEBlock包括1个卷积层用于对BottleneckLayer输出的特征图进一步进行特征提取以及1个全局平均池化层；
所述全局平均池化层对应Squeeze、Excitation和Reweight阶段，其中，Squeeze和Excitation阶段用于生成attention机制所需要的权重参数，Reweight阶段将全局平均池化层作用于SEBlock的卷积层作用所得特征图，生成具有能够反映不同重要性的特征图；
所述特征提取层的5个特征提取块串联后连接分类层的3个全连接层，用于最后的交通类别分类；
获得高速公路拥堵识别模型。


2.如权利要求1所述的高速公路拥堵识别模型构建方法，其特征在于，所述高速公路拥堵识别模型中损失函数采用交叉熵损失函数。


3.如权利要求1所述的高速公路拥堵识别模型构建方法，其特征在于，选用深度学习框架Caffe搭建深度卷积神经网络，选择随机梯度下降法对高速公路拥堵识别模型进行优化，设置学习率为0.01，batch-size为32，迭代epoch为80次。


4.如权利要求1所述的高速公路拥堵识别模型构建方法，其特征在于，所述全局平均池化层对应Squeeze、Excitation和Reweight阶段中，在Squeeze阶段使用全局平均池化使每个特征通道转换为一个具有全局感受野的实数；在Excitation阶段为每个特征通道生成权重w；在Reweight阶段将Squeeze阶段对应的特征通道与Excitation阶段生成的权重相乘，得到能够反映不同重要程度的特征图；具体包括：
首先进行标准卷积操作即转换操作，Ftr:X→U，X表示原始输入特征图，U表示输出特征图，Ftr表示从原始输入特征图到输出特征图的转换；
其中，X∈RW'×H'×C',U∈RW×H×C，R表示实数空间域，W',H',C'分别表示特征图X的宽度、高度、通道数，W,H,C分别表示特征图U的宽度、高度、通道数，具体公式为：



其中，*代表卷积操作，c,s均为特征图通道数序号，取值范围分别为1～C,1～C'，xs为特征图X中第s个特征层，vc为第c个卷积核，通道数与特征图X的通道数相同，为第c个卷积核的第s层，uc表示特征图U中第c个特征层；

【专利技术属性】
技术研发人员：刘妮，唐心瑶，崔华，袁鸽鸽，
申请(专利权)人：长安大学，
类型：发明
国别省市：陕西;61