本發(fā)明涉及視覺圖像檢測數(shù)據(jù)處理技術(shù)，具體涉及基于深度學(xué)習(xí)的交通擁堵判別方法。

背景技術(shù)：

隨著我國車輛占有率不斷增加，道路的擁堵情況越來越普遍，這嚴(yán)重影響了人們的出行生活，也給國家?guī)Я司薮蟮慕?jīng)濟(jì)損失。如果能夠?qū)Ξ?dāng)前道路交通的運行情況進(jìn)行準(zhǔn)確判決就可以有效對交通進(jìn)行疏導(dǎo)和管理，目前，利用視頻檢測技術(shù)進(jìn)行交通擁堵檢測時，有兩種方式：一種是傳輸視頻圖像到監(jiān)控中心的方式；另一種是在獲取諸如流量、道路占有率、速度、車間距、排隊長度等交通參數(shù)后，選取其中的多個交通狀態(tài)參數(shù)，并利用預(yù)先定義的擁堵判別方法實現(xiàn)對交通擁堵的判斷。

第一種方式一般是采用人工處理的方法，效率較低且無法對較多的交通道路進(jìn)行處理；第二種方法中由于各種參數(shù)的獲得通常不太準(zhǔn)確，所以會導(dǎo)致最終處理結(jié)果不準(zhǔn)，且該方式?jīng)]有較好的擴(kuò)展能力?？偟膩碚f，現(xiàn)有技術(shù)在基于視頻技術(shù)進(jìn)行道路的擁堵情況判斷時，存在不能夠準(zhǔn)確有效地判斷道路交通狀態(tài)的問題。

技術(shù)實現(xiàn)要素：

本發(fā)明提出一種基于深度學(xué)習(xí)的交通擁堵判別方法。該方法能夠?qū)Ξ?dāng)前道路的交通情況進(jìn)行準(zhǔn)確判斷，并給出交通的擁堵級別，有利于交通疏導(dǎo)和監(jiān)管。該技術(shù)利用深度學(xué)習(xí)方法對包含各種交通狀態(tài)的圖像進(jìn)行學(xué)習(xí)，得到所需的網(wǎng)絡(luò)模型，在完成模型訓(xùn)練后則可以自動對當(dāng)前采集到的道路交通圖片進(jìn)行處理，對當(dāng)前的交通擁堵情況進(jìn)行判決，具有較好的適用性和魯棒性，為道路交通監(jiān)管提供了可靠的判決依據(jù)。

本發(fā)明通過下述技術(shù)方案實現(xiàn)：

基于深度學(xué)習(xí)的交通擁堵判別方法，包括以下步驟：

步驟1、獲取訓(xùn)練樣本及添加標(biāo)簽：獲得路段的交通歷史數(shù)據(jù)，交通歷史數(shù)據(jù)包括監(jiān)控視頻文件對應(yīng)的圖片、監(jiān)控視頻文件對應(yīng)的圖片對應(yīng)的測量數(shù)據(jù)，根據(jù)測量數(shù)據(jù)的級別將監(jiān)控視頻文件對應(yīng)的圖片分類，給每個分類后的監(jiān)控視頻文件對應(yīng)的圖片寫入對應(yīng)交通狀態(tài)級別的類別標(biāo)簽，得到含有標(biāo)簽的監(jiān)控視頻文件對應(yīng)的圖片；

步驟2、前向傳播：將含有標(biāo)簽的監(jiān)控視頻文件對應(yīng)的圖片送入設(shè)計好的卷積神經(jīng)網(wǎng)絡(luò)模型，前向傳播獲得卷積神經(jīng)網(wǎng)絡(luò)模型輸出的類別標(biāo)簽；

步驟3、反向傳播：計算前向傳播輸出的類別標(biāo)簽與樣本實際類別標(biāo)簽的損失函數(shù)值，將損失函數(shù)值按極小化誤差的方法反向傳播調(diào)整卷積層的權(quán)值矩陣，得到最終卷積神經(jīng)網(wǎng)絡(luò)模型；

步驟4、交通擁堵判別：選取路段的當(dāng)前監(jiān)控視頻文件對應(yīng)的圖片中至少1幀圖像傳入訓(xùn)練完成的最終卷積神經(jīng)網(wǎng)絡(luò)模型中，進(jìn)行前向傳播，得到最終卷積神經(jīng)網(wǎng)絡(luò)模型的輸出，根據(jù)輸出結(jié)果判斷當(dāng)前監(jiān)控視頻文件對應(yīng)的圖片中的道路對應(yīng)的擁堵級別。

本發(fā)明的設(shè)計原理如下：

步驟1、獲取訓(xùn)練樣本及添加標(biāo)簽的作用是：選擇路段對應(yīng)的交通歷史數(shù)據(jù)，來選取具有代表性的樣本圖像，一般可以根據(jù)車流量數(shù)據(jù)和車速數(shù)據(jù)來對監(jiān)控視頻文件對應(yīng)的圖片進(jìn)行梳理，選擇不同車流量數(shù)據(jù)和車速數(shù)據(jù)對應(yīng)的圖像，根據(jù)先驗知識來對該圖像添加對應(yīng)交通狀態(tài)級別的類別標(biāo)簽，這里的先驗知識可以是該圖像對應(yīng)時刻的車流量大小、車速大小以及圖像中車輛運行狀態(tài)等，這個過程是人工執(zhí)行的。這里的標(biāo)簽類別C典型劃分是：死鎖=0，堵塞=1，擁擠=2，通暢=3。也可以根據(jù)其他歷史數(shù)據(jù)按照級別劃分，最后對應(yīng)的寫入對應(yīng)交通狀態(tài)級別的類別標(biāo)簽。

在步驟2中，選用卷積神經(jīng)網(wǎng)絡(luò)模型作為機(jī)器學(xué)習(xí)模型進(jìn)行訓(xùn)練，卷積神經(jīng)網(wǎng)絡(luò)是近年發(fā)展起來，并引起廣泛重視的一種高效識別方法。20世紀(jì)60年代，Hubel和Wiesel在研究貓腦皮層中用于局部敏感和方向選擇的神經(jīng)元時發(fā)現(xiàn)其獨特的網(wǎng)絡(luò)結(jié)構(gòu)可以有效地降低反饋神經(jīng)網(wǎng)絡(luò)的復(fù)雜性，繼而提出了卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Networks-簡稱CNN）?，F(xiàn)在，CNN已經(jīng)成為眾多科學(xué)領(lǐng)域的研究熱點之一，特別是在模式分類領(lǐng)域，由于該網(wǎng)絡(luò)避免了對圖像的復(fù)雜前期預(yù)處理，可以直接輸入原始圖像，因而得到了更為廣泛的應(yīng)用。 K.Fukushima在1980年提出的新識別機(jī)是卷積神經(jīng)網(wǎng)絡(luò)的第一個實現(xiàn)網(wǎng)絡(luò)。隨后，更多的科研工作者對該網(wǎng)絡(luò)進(jìn)行了改進(jìn)。其中，具有代表性的研究成果是Alexander和Taylor提出的“改進(jìn)認(rèn)知機(jī)”，該方法綜合了各種改進(jìn)方法的優(yōu)點并避免了耗時的誤差反向傳播。

本發(fā)明中的網(wǎng)絡(luò)模型采用CNN（卷積神經(jīng)網(wǎng)絡(luò)）模型，因為CNN模型中建立了層間與空域信息之間的聯(lián)系，使得它能夠適用于圖像處理和理解，有利于最終的判別分類。

在步驟2和步驟3中完成過程為網(wǎng)絡(luò)模型訓(xùn)練過程；

這個過程分為前向傳播和方向傳播，前向傳播的作用是利用卷積神經(jīng)網(wǎng)絡(luò)模型進(jìn)行輸出，獲得輸出結(jié)構(gòu)，可以得到交通擁堵級別，這個結(jié)果視為預(yù)測類別結(jié)果，而反向傳播的構(gòu)成是對該卷積神經(jīng)網(wǎng)絡(luò)模型的參數(shù)進(jìn)行調(diào)整，使得最終構(gòu)架一個最能判定準(zhǔn)確的卷積神經(jīng)網(wǎng)絡(luò)模型。

具體的，在本發(fā)明中，假設(shè)交通的擁堵級別總共分為C級，該參數(shù)可根據(jù)具體應(yīng)用情況來選取。訓(xùn)練時需要經(jīng)過兩個過程：前向傳播與反向傳播。

前向傳播：

將步驟1中的樣本圖像作為輸入信息，經(jīng)過第一個卷積層，卷積層包含兩個階段，第一階段將圖片通過可訓(xùn)練的濾波器（卷積核）和可加偏置，可使得圖像特征增強(qiáng)且能抑制噪聲；第二階段通過一個ReLU激活函數(shù)得到特征映射圖。下一層為池化層，對輸入做降采樣，以此來降低卷積層輸出的特征向量，同時改善結(jié)果，防止過擬合。其他的卷積層和池化層均進(jìn)行類似的操作。最后一層為全連接層，將最后一層池化層的結(jié)果傳入全連接層，它的作用是將得到的特征向量進(jìn)行整合，得到一個一維長向量，將其傳入分類器判斷輸入樣本的類別標(biāo)簽。這個過程就完成了對樣本圖像的類別的識別，可以判斷出輸入樣本圖像的交通擁堵級別。

反向傳播：計算前向傳播輸出的類別標(biāo)簽與樣本實際類別標(biāo)簽的損失函數(shù)值，將損失函數(shù)值按極小化誤差的方法反向傳播調(diào)整卷積層的權(quán)值矩陣，得到最終的網(wǎng)絡(luò)模型。

當(dāng)前道路交通擁堵判決的過程：

將路段中的圖像傳入訓(xùn)練完成的卷積神經(jīng)網(wǎng)絡(luò)模型（最終的網(wǎng)絡(luò)模型）中，進(jìn)行前向傳播（此處的前向傳播的過程與前面所述的前向傳播過程一致），得到模型的輸出，根據(jù)輸出結(jié)果判斷圖片中的道路對應(yīng)的擁堵級別；為了提高判別的準(zhǔn)確性可以融合多幀的判決結(jié)果作為最終的交通擁堵情況判決。

路段分為普通路段和交叉路口路段，

交叉路口場景的處理方式基本和普通路段的處理一致，只是在訓(xùn)練樣本的選取有差別，這里的訓(xùn)練樣本是從架設(shè)于交叉路口的攝像頭中獲取，在獲得樣本圖像后同樣是依照先驗知識來對圖片添加標(biāo)簽。

優(yōu)選的，所述測量數(shù)據(jù)包括車流量數(shù)據(jù)或/和車速數(shù)據(jù)。

優(yōu)選的，所述前向傳播獲得模型輸出的樣本標(biāo)簽的具體過程為：

將將含有標(biāo)簽的監(jiān)控視頻文件對應(yīng)的圖片作為輸入信息，

步驟S1：將輸入信息經(jīng)過第一個卷積層，卷積層包含兩個階段，第一階段：將輸入信息通過可訓(xùn)練的濾波器和可加偏置，第二階段：將經(jīng)過第一階段后的信息通過一個ReLU激活函數(shù)得到特征映射圖；

步驟S2：再將步驟S1的特征映射圖經(jīng)過第一個池化層，對輸入信息做降采樣得到降采樣結(jié)果；

步驟S3：經(jīng)過下一卷積層時，將上一池化層的降采樣結(jié)果作為輸入信息重復(fù)卷積層操作得到特征映射圖，經(jīng)過下一池化層時，將上一卷積層的特征映射圖作為輸入信息重復(fù)池化層操作得到降采樣結(jié)果；

步驟S4：將最后一層池化層的降采樣結(jié)果傳入全連接層，將得到的特征向量進(jìn)行整合，得到一個一維長向量，將一維長向量傳入分類器判斷含有標(biāo)簽的監(jiān)控視頻文件對應(yīng)的圖片的類別標(biāo)簽。

優(yōu)選的，所述步驟2中的卷積神經(jīng)網(wǎng)絡(luò)為5層網(wǎng)絡(luò)的卷積神經(jīng)網(wǎng)絡(luò)，這5層網(wǎng)絡(luò)分別是2層卷積層、2層池化層、1層全連接層，2層卷積層之間為1層池化層，全連接層與最后一層池化層鏈接。

優(yōu)選的，上述損失函數(shù)值的計算公式為：L_cls（y，c）=|| y -c ||²，其中y代表前向傳播輸出的類別標(biāo)簽，c代表樣本實際類別標(biāo)簽，L_cls（y，c）代表損失函數(shù)值。

優(yōu)選的，步驟1中寫入對應(yīng)交通狀態(tài)級別的類別標(biāo)簽分別為：死鎖=0、堵塞=1、擁擠=2、通暢=3；所述測量數(shù)據(jù)的級別劃分為：通暢級別對應(yīng)V≥40、擁擠級別對應(yīng)15≤V≤40、堵塞級別對應(yīng)5≤V≤15、死鎖級別對應(yīng) V≤5，V代表測量數(shù)據(jù)中的車速數(shù)據(jù)，這里V均以km/h作為計量單位；通暢級別對應(yīng)類別標(biāo)簽“通暢=3”，擁擠級別對應(yīng)類別標(biāo)簽“擁擠=2”，堵塞級別對應(yīng)類別標(biāo)簽“堵塞=1”， 死鎖級別對應(yīng)類別標(biāo)簽“死鎖=0”。

我國《道路交通阻塞度及評價方法（國標(biāo)）》對于城市交通通行狀況的描述主要從兩個方面來評定，即交叉路口阻塞和路段阻塞。其中交叉路口阻塞定義為車輛在交叉路口外車行道受阻排隊長度超過500m為阻塞， 800m為嚴(yán)重阻塞；路段阻塞評定指標(biāo)為長度超過2000m為阻塞，3000m為嚴(yán)重阻塞。所以根據(jù)道路交通的實際情況，本發(fā)明將交通擁堵判決分為兩個場景來處理：一種是交叉路口的交通擁堵判決；另一種是普通路段交通擁堵判決；因此，所述路段為普通路段或交叉路口路段，當(dāng)路段為普通路段時，測量數(shù)據(jù)的級別按照普通路段的標(biāo)準(zhǔn)進(jìn)行劃分，當(dāng)路段為交叉路口路段時，測量數(shù)據(jù)的級別按照交叉路口路段的標(biāo)準(zhǔn)進(jìn)行劃分，所對應(yīng)的訓(xùn)練樣本也是位于普通路段或交叉路口路段所對應(yīng)的監(jiān)控視頻文件對應(yīng)的圖片、車流量數(shù)據(jù)、車速數(shù)據(jù)等。

所述監(jiān)控視頻文件對應(yīng)的圖片可以選取監(jiān)控視頻文件中的一張或者多張圖片。

本發(fā)明與現(xiàn)有技術(shù)相比，具有如下的優(yōu)點和有益效果：

本發(fā)明采用深度學(xué)習(xí)的算法來對道路交通的擁堵進(jìn)行判決，在完成網(wǎng)絡(luò)模型設(shè)計和訓(xùn)練后，可以方便的應(yīng)用于道路交通的擁堵情況的判斷，具有較好的準(zhǔn)確性和擴(kuò)展性。同時本發(fā)明根據(jù)道路場景的差異將交通擁堵的判別分為交叉路口和普通路段兩種情況來進(jìn)行處理，具有更好的適應(yīng)性。

附圖說明

此處所說明的附圖用來提供對本發(fā)明實施例的進(jìn)一步理解，構(gòu)成本申請的一部分，并不構(gòu)成對本發(fā)明實施例的限定。在附圖中：

圖1為經(jīng)過訓(xùn)練得到最終卷積神經(jīng)網(wǎng)絡(luò)模型的流程圖。

圖2為利用最終卷積神經(jīng)網(wǎng)絡(luò)模型進(jìn)行交通擁堵級別判定的流程圖。

具體實施方式

為使本發(fā)明的目的、技術(shù)方案和優(yōu)點更加清楚明白，下面結(jié)合實施例和附圖，對本發(fā)明作進(jìn)一步的詳細(xì)說明，本發(fā)明的示意性實施方式及其說明僅用于解釋本發(fā)明，并不作為對本發(fā)明的限定。

實施例1

由于我國《道路交通阻塞度及評價方法（國標(biāo)）》對于城市交通通行狀況的描述主要從兩個方面來評定，即交叉路口阻塞和路段阻塞。其中交叉路口阻塞定義為車輛在交叉路口外車行道受阻排隊長度超過500m為阻塞， 800m為嚴(yán)重阻塞；路段阻塞評定指標(biāo)為長度超過2000m為阻塞，3000m為嚴(yán)重阻塞。所以根據(jù)道路交通的實際情況，本發(fā)明將交通擁堵判決分為兩個場景來處理：一種是交叉路口的交通擁堵判決；另一種是普通路段交通擁堵判決。

如圖1所示，交叉路口場景的處理方式基本和普通路段的處理一致，只是在訓(xùn)練樣本的選取有差別，這里的訓(xùn)練樣本是從架設(shè)于交叉路口的攝像頭中獲取，在獲得樣本圖像后同樣是依照先驗知識來對圖片添加標(biāo)簽。

本發(fā)明的基于深度學(xué)習(xí)的交通擁堵判別方法分為2個階段，

如圖1所示，第一階段為訓(xùn)練階段，訓(xùn)練階段完成最終卷積神經(jīng)網(wǎng)絡(luò)模型的建立；如圖2所示，第二階段為交通擁堵判定階段，交通擁堵判定階段利用最終卷積神經(jīng)網(wǎng)絡(luò)模型進(jìn)行判定交通狀態(tài)，獲得交通擁堵級別。

如圖1所示，

步驟1、獲得普通路段或交叉路段樣本及標(biāo)簽：

獲得普通路段或交叉路段的交通歷史數(shù)據(jù)，交通歷史數(shù)據(jù)包括監(jiān)控視頻文件對應(yīng)的圖片、監(jiān)控視頻文件對應(yīng)的圖片對應(yīng)的測量數(shù)據(jù)，根據(jù)測量數(shù)據(jù)的級別將監(jiān)控視頻文件對應(yīng)的圖片分類，給每個分類后的監(jiān)控視頻文件對應(yīng)的圖片寫入對應(yīng)交通狀態(tài)級別的類別標(biāo)簽，得到含有標(biāo)簽的監(jiān)控視頻文件對應(yīng)的圖片；本實施例中，測量數(shù)據(jù)選擇車速數(shù)據(jù)，步驟1中寫入對應(yīng)交通狀態(tài)級別的類別標(biāo)簽分別為：死鎖=0、堵塞=1、擁擠=2、通暢=3；所述測量數(shù)據(jù)的級別劃分為：通暢級別對應(yīng)V≥40、擁擠級別對應(yīng)15≤V≤40、堵塞級別對應(yīng)5≤V≤15、死鎖級別對應(yīng) V≤5，V代表測量數(shù)據(jù)中的車速數(shù)據(jù)，這里V均以km/h作為計量單位；通暢級別對應(yīng)類別標(biāo)簽“通暢=3”，擁擠級別對應(yīng)類別標(biāo)簽“擁擠=2”，堵塞級別對應(yīng)類別標(biāo)簽“堵塞=1”， 死鎖級別對應(yīng)類別標(biāo)簽“死鎖=0”。

訓(xùn)練階段：

前向傳播：將含有標(biāo)簽的監(jiān)控視頻文件對應(yīng)的圖片送入設(shè)計好的卷積神經(jīng)網(wǎng)絡(luò)模型，前向傳播獲得卷積神經(jīng)網(wǎng)絡(luò)模型輸出的類別標(biāo)簽；所述前向傳播獲得模型輸出的樣本標(biāo)簽的具體過程為：將將含有標(biāo)簽的監(jiān)控視頻文件對應(yīng)的圖片作為輸入信息，步驟S1：將輸入信息經(jīng)過第一個卷積層，卷積層包含兩個階段，第一階段：將輸入信息通過可訓(xùn)練的濾波器和可加偏置，第二階段：將經(jīng)過第一階段后的信息通過一個ReLU激活函數(shù)得到特征映射圖；步驟S2：再將步驟S1的特征映射圖經(jīng)過第一個池化層，對輸入信息做降采樣得到降采樣結(jié)果；步驟S3：經(jīng)過下一卷積層時，將上一池化層的降采樣結(jié)果作為輸入信息重復(fù)卷積層操作得到特征映射圖，經(jīng)過下一池化層時，將上一卷積層的特征映射圖作為輸入信息重復(fù)池化層操作得到降采樣結(jié)果；步驟S4：將最后一層池化層的降采樣結(jié)果傳入全連接層，將得到的特征向量進(jìn)行整合，得到一個一維長向量，將一維長向量傳入分類器判斷含有標(biāo)簽的監(jiān)控視頻文件對應(yīng)的圖片的類別標(biāo)簽。反向傳播：計算前向傳播輸出的類別標(biāo)簽與樣本實際類別標(biāo)簽的損失函數(shù)值，將損失函數(shù)值按極小化誤差的方法反向傳播調(diào)整卷積層的權(quán)值矩陣，得到最終卷積神經(jīng)網(wǎng)絡(luò)模型；在本實施例中，損失函數(shù)值的計算公式為：L_cls（y，c）=|| y -c ||²，其中y代表前向傳播輸出的類別標(biāo)簽，c代表樣本實際類別標(biāo)簽，L_cls（y，c）代表損失函數(shù)值。

交通擁堵判定階段：

選取架設(shè)于交叉路口路段或普通路段的攝像頭中至少1幀圖像傳入訓(xùn)練完成的最終卷積神經(jīng)網(wǎng)絡(luò)模型中，進(jìn)行前向傳播，得到最終卷積神經(jīng)網(wǎng)絡(luò)模型的輸出，根據(jù)輸出結(jié)果判斷當(dāng)前監(jiān)控視頻文件對應(yīng)的圖片中的道路對應(yīng)的擁堵級別。

以上所述的具體實施方式，對本發(fā)明的目的、技術(shù)方案和有益效果進(jìn)行了進(jìn)一步詳細(xì)說明，所應(yīng)理解的是，以上所述僅為本發(fā)明的具體實施方式而已，并不用于限定本發(fā)明的保護(hù)范圍，凡在本發(fā)明的精神和原則之內(nèi)，所做的任何修改、等同替換、改進(jìn)等，均應(yīng)包含在本發(fā)明的保護(hù)范圍之內(nèi)。