CN108510739A - 一种道路交通状态识别方法、系统及存储介质 - Google Patents

一种道路交通状态识别方法、系统及存储介质 Download PDF

Info

Publication number
CN108510739A
CN108510739A CN201810399193.0A CN201810399193A CN108510739A CN 108510739 A CN108510739 A CN 108510739A CN 201810399193 A CN201810399193 A CN 201810399193A CN 108510739 A CN108510739 A CN 108510739A
Authority
CN
China
Prior art keywords
image
network model
road
traffic behavior
traffic
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN201810399193.0A
Other languages
English (en)
Inventor
彭博
蔡晓禹
唐聚
张媛媛
李少博
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Chongqing Jiaotong University
Original Assignee
Chongqing Jiaotong University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Chongqing Jiaotong University filed Critical Chongqing Jiaotong University
Priority to CN201810399193.0A priority Critical patent/CN108510739A/zh
Publication of CN108510739A publication Critical patent/CN108510739A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
    • G08G1/0125—Traffic data processing
    • G08G1/0133—Traffic data processing for classifying traffic situation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Multimedia (AREA)
  • Image Analysis (AREA)

Abstract

本发明涉及一种道路交通状态识别方法、系统及存储介质，涉及检测交通运动的领域。方法包括以下步骤：S1，获取道路的至少一张图像；S2，判断出每张所述图像中道路的交通状态，利用每张所述图像与对应的交通状态构建图像基准库；S3，根据图像基准库创建初始神经网络模型，对所述初始神经网络模型进行训练，当所述初始神经网络模型的各项参数满足预设条件后得到深度网络模型；S4，根据所述深度网络模型判断新的图像中道路的交通状态。本方案解决了如何提高交通状态识别的准确率的技术问题，适用于交通状态的判断。

Description

一种道路交通状态识别方法、系统及存储介质
技术领域
本发明涉及检测交通运动的领域，特别涉及一种道路交通状态识别方法、系统及存储介质。
背景技术
现代人们在出行时往往会选择驾车或者乘车出行，选择路线通常会选择最短路线，当一条路线上车辆密度过大，则会导致行车速度降低，从而延长了驾车或者乘车的时间。
为了解决这一问题，中国专利CN103985250B公开了一种道路交通状态智能识别方法，该方法利用安装在路网上各个道路中的各个测量点的视觉传感器、用于根据视觉传感器的视频图像数据进行分析和评价道路交通状态的微处理器，采用以点代面的视频图像检测方法来减少空间冗余；采用基于采样点的精准背景更新策略实现轻量级、精准高效的背景更新方法；同时完成道路交通拥堵的检测与各种交通基本参数的检测。
但是使用上述方案识别交通状态时复杂费时，现有的视频图像数据分析方法识别率低，导致交通监管的效率低。
发明内容
本发明所要解决的技术问题是如何提高交通状态识别的准确率。
本发明解决上述技术问题的技术方案如下：一种道路交通状态识别方法、系统及存储介质，包括以下步骤：
S1，获取道路的至少一张图像；
S2，判断出每张所述图像中道路的交通状态，利用每张所述图像与对应的交通状态构建图像基准库；
S3，根据图像基准库创建初始神经网络模型，对所述初始神经网络模型进行训练，当所述初始神经网络模型的各项参数满足预设条件后得到深度网络模型；
S4，根据所述深度网络模型判断新的图像中道路的交通状态。
获取的图像中包含道路才能通过图像判断该道路的交通情况；人工判断出每张图像中的道路的交通状态，并与对应的图像一同构建成图像基准库，图像基准库存储了多张图像和与该图像对应的交通状态，方便后面调用；根据图像基准库创建初始神经网络模型，利用初始神经网络模型对图像内的道路的交通情况进行判断时准确率低，然后利用卷积神经网络训练方式对初始神经网络模型中的参数进行优化，通过多次的训练，得到各项参数都满足预设条件的深度网络模型，此时的深度网络模型判断图像中交通情况的准确率也相比初始神经网络模型得到提高；利用深度网络模型对新的图像的交通情况进行判断，投入使用。
本发明的有益效果是：通过对包含交通状态的图像的基准图像库进行多次训练，得到深度网络模型，从而能够利用深度网络模型对新的图像中的道路的交通状态进行判断。相比传统方法中通过图像特征提取、车辆识别、交通参数检测等复杂的算法和步骤识别每一张图像的道路交通状态，本方案通过训练的方式直接对图像进行深度学习、识别图像对应的交通状态，具有简洁可靠、快速有效等优势，同时也提高了对交通状态判断的准确率。
在上述技术方案的基础上，本发明还可以做如下改进。
进一步，步骤S1中，还包括：在每张所述图像内选择出感兴趣区域，所述感兴趣区域为需要检测交通状态的道路区域；步骤S2中，具体包括：判断每张所述图像内的所述感兴趣区域内的交通状态，利用每张所述图像与对应的感兴趣区域内的交通状态构建图像基准库。
采用上述进一步方案的有益效果是，选择出感兴趣区域后，使得对图像内的道路进行交通状态识别时，只需要对感兴趣区域进行识别，从而减少了识别时的工作量，减轻工作负担，加快识别速度。
进一步，步骤S1中，还包括：将所述感兴趣区域按照路段划分为一个或者多个分区；步骤S2中，具体包括：判断每张所述图像内的每个所述分区内的交通状态，利用每张所述图像与对应的每个所述分区内的交通状态构建图像基准库；步骤S4中，具体包括：根据所述深度网络模型判断新的图像内感兴趣区域的各个分区的交通状态。
采用上述进一步方案的有益效果是，由于每张图像中勾画出来的感兴趣区域的长度不同，因此在对图像内的道路进行分区后，能够更加准确的针对每个路段的交通状态进行判断，避免一张图像内的道路包含多条路段时，判断的交通状态混合了多条路段的交通状态，导致判断结果不准确。
进一步，步骤S1中，具体包括：获取道路的至少一张图像，将所述感兴趣区域按照车道划分为一个或者多个分区。
采用上述进一步方案的有益效果是，以车道为单位进行分区，既可以识别车道的交通状态，也可以识别路段的交通状态，用户能够根据每个车道的交通情况，在必须经过拥挤的路段时，选择更加畅通的车道。
进一步，步骤S4中，具体包括：
利用所述深度网络模型判断各所述分区的交通状态，然后将各所述分区的交通状态取众数得到所述路段或者所述车道的交通状态。
采用上述进一步方案的有益效果是，在深度网络模型将各分区的交通状态判断出来后，获得的交通状态能够准确表示该路段的交通状态，对路段内的分区取众数后，能够直接得到路段的交通状态，相比重新计算整个路段的交通状态，减少了计算交通状态的工作量，从而提高了识别速度。
进一步，步骤S3中，还包括：利用深度网络模型验证至少一个所述图像所表示的交通状态，根据验证后得到的交通状态和被验证图像实际表示的交通状态得到准确率，若所述准确率低于预设值，则返回步骤S2；否则执行步骤S4。
采用上述进一步方案的有益效果是，在执行一次步骤S2后，深度网络模型的准确率可能不能达到预设值的要求，在对深度网络模型进行验证后，根据准确率判断重复执行步骤S2的次数，相比不对准确率进行验证的情况，本方案的深度网络模型的对图像内道路的交通状态判定结果更加可靠。
进一步，步骤S2中，还包括：利用色彩抖动和旋转变换的方式增加所述图像的数量。
采用上述进一步方案的有益效果是，通过色彩抖动和旋转变换的方式能够增加图像的数量，使得即使提供的图像数量不充足也能够执行步骤S3得到深度网络模型。
进一步，步骤S3中，具体包括：
S31，调用所述图像基准库中的全部所述图像；
S32，将全部所述图像按照交通情况分类并重命名；
S33，将全部所述图像修改为单通道灰度图像，并将全部所述单通道灰度图像修改为预设尺寸；
S34，利用卷积神经网络的训练对初始神经网络模型的各项参数进行优化，根据优化后的全部所述图像得到所述深度网络模型。
采用上述进一步方案的有益效果是，重命名图像相比使用图像的原始名称能够清楚的对图像进行分类，由于在步骤S34中进行参数优化时不需要用到图像的颜色，因此将图像改为单通道灰度图像后能够减轻后续训练步骤的工作量，将图像的尺寸全部修改为预设尺寸后，在执行后续的训练步骤时能够不受图像尺寸改变的影响，从而提升训练速度。
进一步，步骤S2中的所述交通状态分为三级，三级分别为畅通、拥堵和堵塞，在步骤S4中的所述交通状态同样分为三级，三级分别为畅通、拥堵和堵塞。
采用上述进一步方案的有益效果是，通过在步骤S2中判断出每张图像的三级交通状态，使得训练出的深度网络模型能够将交通状态分成三种级别供用户参考，相比只有二级交通状态的方案，其中耳机交通状态分为畅通和拥堵，用户能够根据绕路的距离和不改变路线的交通状态选择是否绕路。
进一步，步骤S2中的所述交通状态分为五级，五级分别为畅通、基本畅通、轻度拥堵、中度拥堵和严重拥堵，在步骤S4中的所述交通状态同样分为五级，五级分别为畅通、基本畅通、轻度拥堵、中度拥堵和严重拥堵。
采用上述进一步方案的有益效果是，相比将交通状态分为三级的方案，本方案能够给用户更加细致的参考，使用户能够更加容易的判断是否进行绕路。
进一步，步骤S3中，所述初始神经网络模型的深度为10层，10层分别为1个输入层、5个卷积层、3个全连接层以及1个输出层，对所述初始神经网络模型进行训练时，分为两个部分进行训练，两个部分分别为前向转递部分和后向传播部分；
执行所述前向传递部分时，保持所述初始神经网络模型中的参数不变，根据每层的激励函数逐级计算得到输出值，将所述输出值和预设值比较得到差值；执行所述后向传播部分时，与所述前向传递部分逆向逐层根据所述差值修改参数。
采用上述进一步方案的有益效果是，这样对参数进行处理相比直接预设差值然后逐层对参数进行修改的方案具有更强的优化效果。
本发明解决上述技术问题的其他技术方案如下：一种道路交通状态识别系统，包括：
获取单元，用于获取道路的至少一张图像；
学习单元，用于判断出每张所述图像中道路的交通状态，利用每张所述图像与对应的交通状态构建图像基准库；
调整单元，用于根据图像基准库创建初始神经网络模型，对所述初始神经网络模型进行训练，当所述初始神经网络模型的各项参数满足预设条件后得到深度网络模型；
识别单元，用于根据所述深度网络模型判断新的图像中道路的交通状态。
采用上述进一步方案的有益效果是，本系统通过学习单元和调整单元的配合，利用获取单元获取的图像生成深度网络模型，使得识别单元能够利用深度网络模型对新的图像内的道路的交通状态进行识别，相比直接基于传感器或者视频检测器进行的识别的系统，本系统由于包含学习单元和调整单元，得到了深度网络模型，因此对交通状态识别的准确率更高。
本发明解决上述技术问题的其他技术方案如下：一种存储介质，其特征在于，所述存储介质中存储有指令，当计算机读取所述指令时，使所述计算机执行上述方案中任一所述的方法。
附加的方面的优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明实践了解到。
附图说明
图1为本发明道路交通状态识别方法的实施例的流程示意图；
图2为本发明道路交通状态识别方法的实施例的图像中的感兴趣区域的示意图；
图3为本发明道路交通状态识别方法的实施例的图像中的路段级分区的示意图；
图4为本发明道路交通状态识别方法的实施例的图像中的车道级分区的示意图；
图5为本发明道路交通状态识别方法的实施例的初始神经网络模型或者神经网络模型运行示意图；
图6为本发明道路交通状态识别系统的实施例的系统结构示意图。
具体实施方式
以下结合附图对本发明的原理和特征进行描述，所举实例只用于解释本发明，并非用于限定本发明的范围。
实施例基本如附图1所示：
本实施例中道路交通状态识别方法，包括以下步骤：
S1，获取道路的至少一张图像，本实施例中图像的优选数量为500张以上，例如图像的数量可以为533张，图像的获取方式可以为无人机拍摄或者固定拍摄点拍摄，优选的，图像可以为高空图像；
S2，判断出每张所述图像中道路的交通状态，交通状态可以分为两种、三种或者五种，本实施例中将交通状态分为三种，分别时畅通、拥挤和堵塞，判断交通状态的方式可以为识别车辆行驶速度、道路占有率或者车辆密度，本实施例中利用人工根据车辆的密度关系进行判断，如果所述图像中包含有多条道路，则判断每条道路的交通状态，利用每张所述图像与对应的交通状态构建图像基准库，本实施例中的图像基准库可以为存储有图像信息和与图像信息对应的交通状态的数据库；
S3，根据图像基准库创建初始神经网络模型，创建初始神经网络模型可以将图像基准库中的图像信息输入到现有的AlexNet模型中，即可得到初始神经网络模型，对所述初始神经网络模型进行训练，本实施例中的训练为继续利用深度网络AlexNet模型对初始神经网络模型进行参数优化，从而提高初始神经网络模型的准确率和降低初始神经网络模型的损失值，当所述初始神经网络模型的各项参数满足预设条件后得到深度网络模型，本实施例中的各项参数包括测试间隔、基础学习率、屏幕显示间隔、最大迭代次数学习策略、学习率变化指数、学习变化权重、步长、动量、权重衰减、保存模型间隔、运行模式和训练时长，预设条件为准确率趋近于1，训练损失值和测试损失值趋近于0；
S4，根据所述深度网络模型判断新的图像中道路的交通状态，本实施例中，将新的图片输入到深度网络模型中后，深度网络模型根据学习的结构识别出需要检测的道路，对道路中的车辆进行识别，根据图片中车辆的数量确定识别的道路的交通状态，例如图像中的道路为城市快速路时，每千米的车辆数量小于22辆时为畅通，每千米的车辆数量大于120辆时为堵塞，其余情况为拥堵。
获取的图像中包含道路才能通过图像判断该道路的交通情况，本实施例中获取的图像可以为高空图像；人工判断出每张图像中的道路的交通状态，并与对应的图像一同构建成图像基准库，图像基准库存储了多张图像和与该图像对应的交通状态，方便后面调用，具体的，图像基准库可以包含533张图像；根据图像基准库创建初始神经网络模型，利用初始神经网络模型对图像内的道路的交通情况进行判断时准确率较低，在利用卷积神经网络训练方式对初始神经网络模型中的参数进行优化，通过多次的训练后，得到各项参数都满足预设条件的深度网络模型，此时的深度网络模型判断图像中交通情况的准确率也相比初始神经网络模型得到提高；利用深度网络模型对新的图像的交通情况进行判断，投入使用。
通过对包含交通状态的图像的基准图像库进行多次训练，得到深度网络模型，从而能够利用深度网络模型对新的图像中的道路的交通状态进行判断。相比传统方法中通过图像特征提取、车辆识别、交通参数检测等复杂的算法和步骤识别每一张图像的道路交通状态，本方案通过训练的方式直接对图像进行深度学习、识别图像对应的交通状态，具有简洁可靠、快速有效等优势，同时也提高了对交通状态判断的准确率。
可选的，在一些其它实施例中，结合图2，还可以包括，在步骤S1中，在每张所述图像内选择出感兴趣区域6，所述感兴趣区域6为需要检测交通状态的道路区域；步骤S2中，具体包括：判断每张所述图像内的所述感兴趣区域6内的交通状态，利用每张所述图像与对应的感兴趣区域6内的交通状态构建图像基准库。
选择出感兴趣区域6后，使得对图像内的道路进行交通状态识别时，只需要对感兴趣区域6进行识别，从而减少了识别时的工作量，减轻工作负担，加快识别速度。
可选的，在一些其它实施例中，还可以包括，在步骤S1中，将所述感兴趣区域6按照路段5划分为一个或者多个分区，如附图3所示，可以将一张图像的道路分成10个分区，可以分别为D1、D2、D3、D4、D5、D6、D7、D8、D9和D10；步骤S2中，具体包括：判断每张所述图像内的每个所述分区内的交通状态，利用每张所述图像与对应的每个所述分区内的交通状态构建图像基准库；步骤S4中，具体包括：根据所述深度网络模型判断新的图像内感兴趣区域6的各个分区的交通状态。
由于每张图像中勾画出来的感兴趣区域6的长度不同，因此在对图像内的道路进行分区后，能够更加准确的针对每个路段5的交通状态进行判断，避免一张图像内的道路包含多条路段5时，判断的交通状态混合了多条路段5的交通状态，导致判断结果不准确。
可选的，在一些其它实施例中，还可以在步骤S1中，具体包括：获取道路的至少一张图像，可以为533张图像，将所述感兴趣区域6按照车道划分为一个或者多个分区，如附图4所示，将一张图像中的道路等分成30个分区，30个分区，本实施例中，可以用D11、D21、D31表示第一行的分区，用D12、D22、D32表示第二行的分区，用D13、D23、D33表示第三行的分区。
以车道为单位进行分区，既可以识别车道的交通状态，也可以识别路段5的交通状态，用户能够根据每个车道的交通情况，在必须经过拥挤的路段5时，选择更加畅通的车道。
可选的，在一些其它实施例中，还可以在步骤S4中，具体包括：
利用所述深度网络模型判断各所述分区的交通状态，然后将各所述分区的交通状态取众数得到所述路段5或者所述车道的交通状态。
在深度网络模型将各分区的交通状态判断出来后，获得的交通状态能够准确表示该路段5的交通状态，对路段5内的分区取众数后，能够直接得到路段5的交通状态，相比重新计算整个路段5的交通状态，减少了计算交通状态的工作量，从而提高了识别速度。
可选的，在一些其它实施例中，还可以在步骤S3中，包括：利用深度网络模型验证至少一个所述图像所表示的交通状态，假设共有2000张图像，用于验证的图像可以有1000张，根据验证后得到的交通状态和被验证图像实际表示的交通状态得到准确率，若所述准确率低于预设值，则返回步骤S2；否则执行步骤S4，准确率的预设值可以为90％，本实施例中验证1000张图像的准确率为100％，可以继续执行步骤S4。
在执行一次步骤S2后，深度网络模型的准确率可能不能达到预设值的要求，在对深度网络模型进行验证后，根据准确率判断重复执行步骤S2的次数，相比不对准确率进行验证的情况，本方案的深度网络模型的对图像内道路的交通状态判定结果更加可靠。
可选的，在一些其它实施例中，还可以在步骤S2中，包括：利用色彩抖动和旋转变换的方式增加所述图像的数量，本实施例中，可以利用色彩抖动和旋转变换的方式将图像基准库中的图像增加到10000。
通过色彩抖动和旋转变换的方式能够增加图像的数量，使得即使提供的图像数量不充足也能够执行步骤S3得到深度网络模型。
可选的，在一些其它实施例中，还可以在步骤S3中，具体包括：
S31，调用所述图像基准库中的全部所述图像；
S32，将全部所述图像按照交通情况分类并重命名，具体可以将交通状态为“拥堵”的图像的文件名首字统一为“0”，“缓行”的图像的文件名首字统一为“1”；
S33，将全部所述图像修改为单通道灰度图像，并将全部所述单通道灰度图像修改为预设尺寸，本实施例中，预设尺寸可以为600*600像素；
S34，利用卷积神经网络的训练对初始神经网络模型的各项参数进行优化，本实施例中修改的参数可以包括但不限于test_iter(完成一次测试需要的迭代次数)、base lr(基础学习率)和batch_size(批尺寸)，根据优化后的全部所述图像得到所述深度网络模型。
重命名图像相比使用图像的原始名称能够清楚的对图像进行分类，由于在步骤S34中进行参数优化时不需要用到图像的颜色，因此将图像改为单通道灰度图像后能够减轻后续训练步骤的工作量，将图像的尺寸全部修改为预设尺寸后，在执行后续的训练步骤时能够不受图像尺寸改变的影响，从而提升训练速度。
执行步骤S34时，初始神经网络模型中参数保持不变，根据各层节点的激励函数逐级计算得到初始神经网络模型的输出值；然后将输出值与预设值进行比较得到两者的差值，所述预设值可以为数据标签，所述数据标签根据图像基准库内的图像制作成，再从最后一层网络一层一层向前根据误差去修改参数，从而达到优化参数的目的。
可选的，在一些其它实施例中，还可以包括，步骤S2中的所述交通状态分为三级，三级分别为畅通、拥堵和堵塞，在步骤S4中的所述交通状态同样分为三级，三级分别为畅通、拥堵和堵塞。
通过在步骤S2中判断出每张图像的三级交通状态，使得训练出的深度网络模型能够将交通状态分成三种级别供用户参考，相比只有二级交通状态的方案，其中耳机交通状态分为畅通和拥堵，用户能够根据绕路的距离和不改变路线的交通状态选择是否绕路。
可选的，在一些其它实施例中，还可以包括，步骤S2中的所述交通状态分为五级，五级分别为畅通、基本畅通、轻度拥堵、中度拥堵和严重拥堵，在步骤S4中的所述交通状态同样分为五级，五级分别为畅通、基本畅通、轻度拥堵、中度拥堵和严重拥堵。
相比将交通状态分为三级的方案，本方案能够给用户更加细致的参考，使用户能够更加容易的判断是否进行绕路。
可选的，在一些其它实施例中，结合图5，还可以包括，步骤S3中，所述初始神经网络模型的深度为10层，10层分别为1个输入层1、5个卷积层2、3个全连接层3以及1个输出层4，对所述初始神经网络模型进行训练时，分为两个部分进行训练，两个部分分别为前向转递部分和后向传播部分；
执行所述前向传递部分时，保持所述初始神经网络模型中的参数不变，根据每层的激励函数逐级计算得到输出值，将所述输出值和预设值比较得到差值；执行所述后向传播部分时，与所述前向传递部分逆向逐层根据所述差值修改参数。
这样对参数进行处理相比直接预设差值然后逐层对参数进行修改的方案具有更强的优化效果。
如附图6所示，在一些其它实施例中，还可以包括一种道路交通状态识别系统，该系统包括：
获取单元7，用于获取道路的至少一张图像，本实施例中可以为533张图像；
学习单元8，用于判断出每张所述图像中道路的交通状态，利用每张所述图像与对应的交通状态构建图像基准库；
调整单元9，用于根据图像基准库创建初始神经网络模型，对所述初始神经网络模型进行训练，当所述初始神经网络模型的各项参数满足预设条件后得到深度网络模型；
识别单元10，用于根据所述深度网络模型判断新的图像中道路的交通状态。
本系统通过学习单元8和调整单元9的配合，利用获取单元7获取的图像生成深度网络模型，使得识别单元10能够利用深度网络模型对新的图像内的道路的交通状态进行识别，相比直接基于传感器或者视频检测器进行的识别的系统，本系统由于包含学习单元8和调整单元9，得到了深度网络模型，因此对交通状态识别的准确率更高。
在一些其它实施例中，还可以包括，一种存储介质，其特征在于，所述存储介质中存储有指令，当计算机读取所述指令时，使所述计算机执行如上述实施例中任一项所述的方法。
以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种道路交通状态识别方法，其特征在于，包括以下步骤：
S1，获取道路的至少一张图像；
S2，判断出每张所述图像中道路的交通状态，利用每张所述图像与对应的交通状态构建图像基准库；
S3，根据图像基准库创建初始神经网络模型，对所述初始神经网络模型进行训练，当所述初始神经网络模型的各项参数满足预设条件后得到深度网络模型；
S4，根据所述深度网络模型判断新的图像中道路的交通状态。
2.根据权利要求1所述的道路交通状态识别方法，其特征在于：步骤S1中，还包括：在每张所述图像内选择出感兴趣区域，所述感兴趣区域为需要检测交通状态的道路区域；步骤S2中，具体包括：判断每张所述图像内的所述感兴趣区域内的交通状态，利用每张所述图像与对应的感兴趣区域内的交通状态构建图像基准库。
3.根据权利要求2所述的道路交通状态识别方法，其特征在于：步骤S1中，还包括：将所述感兴趣区域按照路段划分为一个或者多个分区；步骤S2中，具体包括：判断每张所述图像内的每个所述分区内的交通状态，利用每张所述图像与对应的每个所述分区内的交通状态构建图像基准库；步骤S4中，具体包括：根据所述深度网络模型判断新的图像内感兴趣区域的各个分区的交通状态。
4.根据权利要求3所述的道路交通状态识别方法，其特征在于：步骤S1中，具体包括：获取道路的至少一张图像，将所述感兴趣区域按照车道划分为一个或者多个分区。
5.根据权利要求4所述的道路交通状态识别方法，其特征在于：步骤S4中，具体包括：
利用所述深度网络模型判断各所述分区的交通状态，然后将各所述分区的交通状态取众数得到所述路段或者所述车道的交通状态。
6.根据权利要求1至5中任一项所述的道路交通状态识别方法，其特征在于：步骤S3中，还包括：利用深度网络模型验证至少一个所述图像所表示的交通状态，根据验证后得到的交通状态和被验证图像实际表示的交通状态得到准确率，若所述准确率低于预设值，则返回步骤S2；否则执行步骤S4。
7.根据权利要求1至5中任一项所述的道路交通状态识别方法，其特征在于：步骤S2中，还包括：利用色彩抖动和旋转变换的方式增加所述图像的数量。
8.根据权利要求1至5中任一项所述的道路交通状态识别方法，其特征在于：步骤S3中，具体包括：
S31，调用所述图像基准库中的全部所述图像；
S32，将全部所述图像按照交通情况分类并重命名；
S33，将全部所述图像修改为单通道灰度图像，并将全部所述单通道灰度图像修改为预设尺寸；
S34，利用卷积神经网络的训练对初始神经网络模型的各项参数进行优化，根据优化后的全部所述图像得到所述深度网络模型。
9.一种道路交通状态识别系统，其特征在于，包括：
获取单元，用于获取道路的至少一张图像；
学习单元，用于判断出每张所述图像中道路的交通状态，利用每张所述图像与对应的交通状态构建图像基准库；
调整单元，根据所述图像基准库创建初始神经网络模型，用于对所述初始神经网络模型进行训练，当所述初始神经网络模型的各项参数满足预设条件后得到深度网络模型；
识别单元，用于根据所述深度网络模型判断新的图像中道路的交通状态。
10.一种存储介质，其特征在于，所述存储介质中存储有指令，当计算机读取所述指令时，使所述计算机执行如权利要求1至8中任一项所述的方法。
CN201810399193.0A 2018-04-28 2018-04-28 一种道路交通状态识别方法、系统及存储介质 Pending CN108510739A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810399193.0A CN108510739A (zh) 2018-04-28 2018-04-28 一种道路交通状态识别方法、系统及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810399193.0A CN108510739A (zh) 2018-04-28 2018-04-28 一种道路交通状态识别方法、系统及存储介质

Publications (1)

Publication Number Publication Date
CN108510739A true CN108510739A (zh) 2018-09-07

Family

ID=63399321

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810399193.0A Pending CN108510739A (zh) 2018-04-28 2018-04-28 一种道路交通状态识别方法、系统及存储介质

Country Status (1)

Country Link
CN (1) CN108510739A (zh)

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110176143A (zh) * 2019-06-10 2019-08-27 长安大学 一种基于深度学习算法的高速公路交通拥堵检测方法
CN110443881A (zh) * 2019-05-29 2019-11-12 重庆交通大学 桥面形态变化识别桥梁结构损伤的cnn-grnn方法
CN111737006A (zh) * 2020-07-20 2020-10-02 平安国际智慧城市科技股份有限公司 全网络交通调度优化方法、装置、计算机设备及存储介质
CN111862608A (zh) * 2020-07-22 2020-10-30 湖北文理学院 车辆行驶路况识别方法、装置、设备及存储介质
CN112991723A (zh) * 2021-02-07 2021-06-18 启迪云控(上海)汽车科技有限公司 一种基于地理区域的智能网联计算机任务并行颗粒度的划分方法、系统及终端
CN113343905A (zh) * 2021-06-28 2021-09-03 山东理工大学 道路异常智能识别模型训练、道路异常识别的方法及系统
CN113380048A (zh) * 2021-06-25 2021-09-10 中科路恒工程设计有限公司 基于神经网络的高危路段车辆驾驶行为识别方法

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104183128A (zh) * 2013-05-22 2014-12-03 高德软件有限公司 交通状态确定方法及装置
CN104332053A (zh) * 2014-11-13 2015-02-04 深圳大学 一种基于小型无人机的道路交通巡检系统及其巡检方法
CN104954741A (zh) * 2015-05-29 2015-09-30 东方浩联（北京）智能科技有限公司 深层次自我学习网络实现矿车空满状态的检测方法和系统
CN106127747A (zh) * 2016-06-17 2016-11-16 史方 基于深度学习的汽车表面损伤分类方法及装置
CN106297297A (zh) * 2016-11-03 2017-01-04 成都通甲优博科技有限责任公司 基于深度学习的交通拥堵判别方法
CN106650913A (zh) * 2016-12-31 2017-05-10 中国科学技术大学 一种基于深度卷积神经网络的车流密度估计方法
CN106935038A (zh) * 2015-12-29 2017-07-07 中国科学院深圳先进技术研究院 一种停车检测系统及检测方法
CN107209986A (zh) * 2015-01-15 2017-09-26 株式会社电装 车载设备
CN107301369A (zh) * 2017-09-04 2017-10-27 南京航空航天大学 基于航拍图像的道路交通拥堵分析方法

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104183128A (zh) * 2013-05-22 2014-12-03 高德软件有限公司 交通状态确定方法及装置
CN104332053A (zh) * 2014-11-13 2015-02-04 深圳大学 一种基于小型无人机的道路交通巡检系统及其巡检方法
CN107209986A (zh) * 2015-01-15 2017-09-26 株式会社电装 车载设备
CN104954741A (zh) * 2015-05-29 2015-09-30 东方浩联（北京）智能科技有限公司 深层次自我学习网络实现矿车空满状态的检测方法和系统
CN106935038A (zh) * 2015-12-29 2017-07-07 中国科学院深圳先进技术研究院 一种停车检测系统及检测方法
CN106127747A (zh) * 2016-06-17 2016-11-16 史方 基于深度学习的汽车表面损伤分类方法及装置
CN106297297A (zh) * 2016-11-03 2017-01-04 成都通甲优博科技有限责任公司 基于深度学习的交通拥堵判别方法
CN106650913A (zh) * 2016-12-31 2017-05-10 中国科学技术大学 一种基于深度卷积神经网络的车流密度估计方法
CN107301369A (zh) * 2017-09-04 2017-10-27 南京航空航天大学 基于航拍图像的道路交通拥堵分析方法

Cited By (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110443881A (zh) * 2019-05-29 2019-11-12 重庆交通大学 桥面形态变化识别桥梁结构损伤的cnn-grnn方法
CN110443881B (zh) * 2019-05-29 2023-07-07 重庆交通大学 桥面形态变化识别桥梁结构损伤的cnn-grnn方法
CN110176143A (zh) * 2019-06-10 2019-08-27 长安大学 一种基于深度学习算法的高速公路交通拥堵检测方法
CN111737006A (zh) * 2020-07-20 2020-10-02 平安国际智慧城市科技股份有限公司 全网络交通调度优化方法、装置、计算机设备及存储介质
CN111862608A (zh) * 2020-07-22 2020-10-30 湖北文理学院 车辆行驶路况识别方法、装置、设备及存储介质
CN112991723A (zh) * 2021-02-07 2021-06-18 启迪云控(上海)汽车科技有限公司 一种基于地理区域的智能网联计算机任务并行颗粒度的划分方法、系统及终端
CN112991723B (zh) * 2021-02-07 2022-09-30 云控智行(上海)汽车科技有限公司 一种基于地理区域的智能网联计算机任务并行颗粒度的划分方法、系统及终端
CN113380048A (zh) * 2021-06-25 2021-09-10 中科路恒工程设计有限公司 基于神经网络的高危路段车辆驾驶行为识别方法
CN113380048B (zh) * 2021-06-25 2022-09-02 中科路恒工程设计有限公司 基于神经网络的高危路段车辆驾驶行为识别方法
CN113343905A (zh) * 2021-06-28 2021-09-03 山东理工大学 道路异常智能识别模型训练、道路异常识别的方法及系统
CN113343905B (zh) * 2021-06-28 2022-06-14 山东理工大学 道路异常智能识别模型训练、道路异常识别的方法及系统

Similar Documents

Publication Publication Date Title
CN108510739A (zh) 一种道路交通状态识别方法、系统及存储介质
Codevilla et al. On offline evaluation of vision-based driving models
CN109977812A (zh) 一种基于深度学习的车载视频目标检测方法
CN106295594B (zh) 一种基于动态路径树的跨摄像头目标跟踪方法及装置
CN109466543A (zh) 规划自主运动
CN107492251A (zh) 一种基于机器学习与深度学习的驾驶员身份识别与驾驶状态监测方法
CN105513349B (zh) 基于双视角学习的山区高速公路车辆事件检测方法
CN108629323A (zh) 一种景区游客链式出行一体化提供方法
CN106845374A (zh) 基于深度学习的行人检测方法及检测装置
CN106347359A (zh) 用于操作自动驾驶车辆的方法和装置
CN104850836A (zh) 基于深度卷积神经网络的害虫图像自动识别方法
CN107133974A (zh) 高斯背景建模与循环神经网络相结合的车型分类方法
CN106647742A (zh) 移动路径规划方法及装置
CN107622678A (zh) 一种基于图像处理的智能交通控制系统及其方法
CN105447504A (zh) 一种交通模式行为识别方法及相应的识别模型构建方法
CN111310615A (zh) 基于多尺度信息和残差网络的小目标交通标志检测方法
CN110889328A (zh) 检测道路交通状况的方法、装置、电子设备和存储介质
CN104077757A (zh) 一种融合实时交通状态信息的道路背景提取与更新方法
CN109492596A (zh) 一种基于K-means聚类和区域推荐网络的行人检测方法及系统
CN110458047A (zh) 一种基于深度学习的越野环境场景识别方法及系统
CN109063667A (zh) 一种基于场景的视频识别方式优化及推送方法
CN109903574A (zh) 路口交通信息的获取方法和装置
CN112633149A (zh) 一种域自适应雾天图像目标检测方法和装置
CN107491764A (zh) 一种基于深度卷积神经网络的违规驾驶检测方法
CN110619340B (zh) 一种自动驾驶汽车换道规则的生成方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20180907