基于深度學習的交通擁堵判別方法與流程

本發明涉及視覺圖像檢測數據處理技術，具體涉及基于深度學習的交通擁堵判別方法。

背景技術：

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，這嚴重影響了人們的出行生活，也給國家帶了巨大的經濟損失。如果能夠對當前道路交通的運行情況進行準確判決就可以有效對交通進行疏導和管理，目前，利用視頻檢測技術進行交通擁堵檢測時，有兩種方式：一種是傳輸視頻圖像到監控中心的方式；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后，選取其中的多個交通狀態參數，并利用預先定義的擁堵判別方法實現對交通擁堵的判斷。

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行處理；第二種方法中由于各種參數的獲得通常不太準確，所以會導致最終處理結果不準，且該方式沒有較好的擴展能力。總的來說，現有技術在基于視頻技術進行道路的擁堵情況判斷時，存在不能夠準確有效地判斷道路交通狀態的問題。

技術實現要素：

本發明提出一種基于深度學習的交通擁堵判別方法。該方法能夠對當前道路的交通情況進行準確判斷，并給出交通的擁堵級別，有利于交通疏導和監管。該技術利用深度學習方法對包含各種交通狀態的圖像進行學習，得到所需的網絡模型，在完成模型訓練后則可以自動對當前采集到的道路交通圖片進行處理，對當前的交通擁堵情況進行判決，具有較好的適用性和魯棒性，為道路交通監管提供了可靠的判決依據。

本發明通過下述技術方案實現：

基于深度學習的交通擁堵判別方法，包括以下步驟：

步驟1、獲取訓練樣本及添加標簽：獲得路段的交通歷史數據，交通歷史數據包括監控視頻文件對應的圖片、監控視頻文件對應的圖片對應的測量數據，根據測量數據的級別將監控視頻文件對應的圖片分類，給每個分類后的監控視頻文件對應的圖片寫入對應交通狀態級別的類別標簽，得到含有標簽的監控視頻文件對應的圖片；

步驟2、前向傳播：將含有標簽的監控視頻文件對應的圖片送入設計好的卷積神經網絡模型，前向傳播獲得卷積神經網絡模型輸出的類別標簽；

步驟3、反向傳播：計算前向傳播輸出的類別標簽與樣本實際類別標簽的損失函數值，將損失函數值按極小化誤差的方法反向傳播調整卷積層的權值矩陣，得到最終卷積神經網絡模型；

步驟4、交通擁堵判別：選取路段的當前監控視頻文件對應的圖片中至少1幀圖像傳入訓練完成的最終卷積神經網絡模型中，進行前向傳播，得到最終卷積神經網絡模型的輸出，根據輸出結果判斷當前監控視頻文件對應的圖片中的道路對應的擁堵級別。

本發明的設計原理如下：

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

在步驟2中，選用卷積神經網絡模型作為機器學習模型進行訓練，卷積神經網絡是近年發展起來，并引起廣泛重視的一種高效識別方法。20世紀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元時發現其獨特的網絡結構可以有效地降低反饋神經網絡的復雜性，繼而提出了卷積神經網絡（Convolutional Neural Networks-簡稱CNN）。現在，CNN已經成為眾多科學領域的研究熱點之一，特別是在模式分類領域，由于該網絡避免了對圖像的復雜前期預處理，可以直接輸入原始圖像，因而得到了更為廣泛的應用。 K.Fukushima在1980年提出的新識別機是卷積神經網絡的第一個實現網絡。隨后，更多的科研工作者對該網絡進行了改進。其中，具有代表性的研究成果是Alexander和Taylor提出的“改進認知機”，該方法綜合了各種改進方法的優點并避免了耗時的誤差反向傳播。

本發明中的網絡模型采用CNN（卷積神經網絡）模型，因為CNN模型中建立了層間與空域信息之間的聯系，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中完成過程為網絡模型訓練過程；

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網絡模型進行輸出，獲得輸出結構，可以得到交通擁堵級別，這個結果視為預測類別結果，而反向傳播的構成是對該卷積神經網絡模型的參數進行調整，使得最終構架一個最能判定準確的卷積神經網絡模型。

具體的，在本發明中，假設交通的擁堵級別總共分為C級，該參數可根據具體應用情況來選取。訓練時需要經過兩個過程：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練的濾波器（卷積核）和可加偏置，可使得圖像特征增強且能抑制噪聲；第二階段通過一個ReLU激活函數得到特征映射圖。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，同時改善結果，防止過擬合。其他的卷積層和池化層均進行類似的操作。最后一層為全連接層，將最后一層池化層的結果傳入全連接層，它的作用是將得到的特征向量進行整合，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簽與樣本實際類別標簽的損失函數值，將損失函數值按極小化誤差的方法反向傳播調整卷積層的權值矩陣，得到最終的網絡模型。

當前道路交通擁堵判決的過程：

將路段中的圖像傳入訓練完成的卷積神經網絡模型（最終的網絡模型）中，進行前向傳播（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，根據輸出結果判斷圖片中的道路對應的擁堵級別；為了提高判別的準確性可以融合多幀的判決結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，只是在訓練樣本的選取有差別，這里的訓練樣本是從架設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簽。

優選的，所述測量數據包括車流量數據或/和車速數據。

優選的，所述前向傳播獲得模型輸出的樣本標簽的具體過程為：

將將含有標簽的監控視頻文件對應的圖片作為輸入信息，

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

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

步驟S3：經過下一卷積層時，將上一池化層的降采樣結果作為輸入信息重復卷積層操作得到特征映射圖，經過下一池化層時，將上一卷積層的特征映射圖作為輸入信息重復池化層操作得到降采樣結果；

步驟S4：將最后一層池化層的降采樣結果傳入全連接層，將得到的特征向量進行整合，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簽的監控視頻文件對應的圖片的類別標簽。

優選的，所述步驟2中的卷積神經網絡為5層網絡的卷積神經網絡，這5層網絡分別是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。

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

優選的，步驟1中寫入對應交通狀態級別的類別標簽分別為：死鎖=0、堵塞=1、擁擠=2、通暢=3；所述測量數據的級別劃分為：通暢級別對應V≥40、擁擠級別對應15≤V≤40、堵塞級別對應5≤V≤15、死鎖級別對應 V≤5，V代表測量數據中的車速數據，這里V均以km/h作為計量單位；通暢級別對應類別標簽“通暢=3”，擁擠級別對應類別標簽“擁擠=2”，堵塞級別對應類別標簽“堵塞=1”， 死鎖級別對應類別標簽“死鎖=0”。

我國《道路交通阻塞度及評價方法（國標）》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為嚴重阻塞；路段阻塞評定指標為長度超過2000m為阻塞，3000m為嚴重阻塞。所以根據道路交通的實際情況，本發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，當路段為普通路段時，測量數據的級別按照普通路段的標準進行劃分，當路段為交叉路口路段時，測量數據的級別按照交叉路口路段的標準進行劃分，所對應的訓練樣本也是位于普通路段或交叉路口路段所對應的監控視頻文件對應的圖片、車流量數據、車速數據等。

所述監控視頻文件對應的圖片可以選取監控視頻文件中的一張或者多張圖片。

本發明與現有技術相比，具有如下的優點和有益效果：

本發明采用深度學習的算法來對道路交通的擁堵進行判決，在完成網絡模型設計和訓練后，可以方便的應用于道路交通的擁堵情況的判斷，具有較好的準確性和擴展性。同時本發明根據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行處理，具有更好的適應性。

附圖說明

此處所說明的附圖用來提供對本發明實施例的進一步理解，構成本申請的一部分，并不構成對本發明實施例的限定。在附圖中：

圖1為經過訓練得到最終卷積神經網絡模型的流程圖。

圖2為利用最終卷積神經網絡模型進行交通擁堵級別判定的流程圖。

具體實施方式

為使本發明的目的、技術方案和優點更加清楚明白，下面結合實施例和附圖，對本發明作進一步的詳細說明，本發明的示意性實施方式及其說明僅用于解釋本發明，并不作為對本發明的限定。

實施例1

由于我國《道路交通阻塞度及評價方法（國標）》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為嚴重阻塞；路段阻塞評定指標為長度超過2000m為阻塞，3000m為嚴重阻塞。所以根據道路交通的實際情況，本發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，只是在訓練樣本的選取有差別，這里的訓練樣本是從架設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簽。

本發明的基于深度學習的交通擁堵判別方法分為2個階段，

如圖1所示，第一階段為訓練階段，訓練階段完成最終卷積神經網絡模型的建立；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網絡模型進行判定交通狀態，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簽：

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

訓練階段：

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

交通擁堵判定階段：

選取架設于交叉路口路段或普通路段的攝像頭中至少1幀圖像傳入訓練完成的最終卷積神經網絡模型中，進行前向傳播，得到最終卷積神經網絡模型的輸出，根據輸出結果判斷當前監控視頻文件對應的圖片中的道路對應的擁堵級別。

以上所述的具體實施方式，對本發明的目的、技術方案和有益效果進行了進一步詳細說明，所應理解的是，以上所述僅為本發明的具體實施方式而已，并不用于限定本發明的保護范圍，凡在本發明的精神和原則之內，所做的任何修改、等同替換、改進等，均應包含在本發明的保護范圍之內。