基于深度学习的交通拥堵判别方法与流程

本发明涉及视觉图像检测数据处理技术，具体涉及基于深度学习的交通拥堵判别方法。

背景技术：

随着我国车辆占有率不断增加，道路的拥堵情况越来越普遍，这严重影响了人们的出行生活，也给国家带了巨大的经济损失。如果能够对当前道路交通的运行情况进行准确判决就可以有效对交通进行疏导和管理，目前，利用视频检测技术进行交通拥堵检测时，有两种方式：一种是传输视频图像到监控中心的方式；另一种是在获取诸如流量、道路占有率、速度、车间距、排队长度等交通参数后，选取其中的多个交通状态参数，并利用预先定义的拥堵判别方法实现对交通拥堵的判断。

第一种方式一般是采用人工处理的方法，效率较低且无法对较多的交通道路进行处理；第二种方法中由于各种参数的获得通常不太准确，所以会导致最终处理结果不准，且该方式没有较好的扩展能力。总的来说，现有技术在基于视频技术进行道路的拥堵情况判断时，存在不能够准确有效地判断道路交通状态的问题。

技术实现要素：

本发明提出一种基于深度学习的交通拥堵判别方法。该方法能够对当前道路的交通情况进行准确判断，并给出交通的拥堵级别，有利于交通疏导和监管。该技术利用深度学习方法对包含各种交通状态的图像进行学习，得到所需的网络模型，在完成模型训练后则可以自动对当前采集到的道路交通图片进行处理，对当前的交通拥堵情况进行判决，具有较好的适用性和鲁棒性，为道路交通监管提供了可靠的判决依据。

本发明通过下述技术方案实现：

基于深度学习的交通拥堵判别方法，包括以下步骤：

步骤1、获取训练样本及添加标签：获得路段的交通历史数据，交通历史数据包括监控视频文件对应的图片、监控视频文件对应的图片对应的测量数据，根据测量数据的级别将监控视频文件对应的图片分类，给每个分类后的监控视频文件对应的图片写入对应交通状态级别的类别标签，得到含有标签的监控视频文件对应的图片；

步骤2、前向传播：将含有标签的监控视频文件对应的图片送入设计好的卷积神经网络模型，前向传播获得卷积神经网络模型输出的类别标签；

步骤3、反向传播：计算前向传播输出的类别标签与样本实际类别标签的损失函数值，将损失函数值按极小化误差的方法反向传播调整卷积层的权值矩阵，得到最终卷积神经网络模型；

步骤4、交通拥堵判别：选取路段的当前监控视频文件对应的图片中至少1帧图像传入训练完成的最终卷积神经网络模型中，进行前向传播，得到最终卷积神经网络模型的输出，根据输出结果判断当前监控视频文件对应的图片中的道路对应的拥堵级别。

本发明的设计原理如下：

步骤1、获取训练样本及添加标签的作用是：选择路段对应的交通历史数据，来选取具有代表性的样本图像，一般可以根据车流量数据和车速数据来对监控视频文件对应的图片进行梳理，选择不同车流量数据和车速数据对应的图像，根据先验知识来对该图像添加对应交通状态级别的类别标签，这里的先验知识可以是该图像对应时刻的车流量大小、车速大小以及图像中车辆运行状态等，这个过程是人工执行的。这里的标签类别C典型划分是：死锁=0，堵塞=1，拥挤=2，通畅=3。也可以根据其他历史数据按照级别划分，最后对应的写入对应交通状态级别的类别标签。

在步骤2中，选用卷积神经网络模型作为机器学习模型进行训练，卷积神经网络是近年发展起来，并引起广泛重视的一种高效识别方法。20世纪60年代，Hubel和Wiesel在研究猫脑皮层中用于局部敏感和方向选择的神经元时发现其独特的网络结构可以有效地降低反馈神经网络的复杂性，继而提出了卷积神经网络（Convolutional Neural Networks-简称CNN）。现在，CNN已经成为众多科学领域的研究热点之一，特别是在模式分类领域，由于该网络避免了对图像的复杂前期预处理，可以直接输入原始图像，因而得到了更为广泛的应用。 K.Fukushima在1980年提出的新识别机是卷积神经网络的第一个实现网络。随后，更多的科研工作者对该网络进行了改进。其中，具有代表性的研究成果是Alexander和Taylor提出的“改进认知机”，该方法综合了各种改进方法的优点并避免了耗时的误差反向传播。

本发明中的网络模型采用CNN（卷积神经网络）模型，因为CNN模型中建立了层间与空域信息之间的联系，使得它能够适用于图像处理和理解，有利于最终的判别分类。

在步骤2和步骤3中完成过程为网络模型训练过程；

这个过程分为前向传播和方向传播，前向传播的作用是利用卷积神经网络模型进行输出，获得输出结构，可以得到交通拥堵级别，这个结果视为预测类别结果，而反向传播的构成是对该卷积神经网络模型的参数进行调整，使得最终构架一个最能判定准确的卷积神经网络模型。

具体的，在本发明中，假设交通的拥堵级别总共分为C级，该参数可根据具体应用情况来选取。训练时需要经过两个过程：前向传播与反向传播。

前向传播：

将步骤1中的样本图像作为输入信息，经过第一个卷积层，卷积层包含两个阶段，第一阶段将图片通过可训练的滤波器（卷积核）和可加偏置，可使得图像特征增强且能抑制噪声；第二阶段通过一个ReLU激活函数得到特征映射图。下一层为池化层，对输入做降采样，以此来降低卷积层输出的特征向量，同时改善结果，防止过拟合。其他的卷积层和池化层均进行类似的操作。最后一层为全连接层，将最后一层池化层的结果传入全连接层，它的作用是将得到的特征向量进行整合，得到一个一维长向量，将其传入分类器判断输入样本的类别标签。这个过程就完成了对样本图像的类别的识别，可以判断出输入样本图像的交通拥堵级别。

反向传播：计算前向传播输出的类别标签与样本实际类别标签的损失函数值，将损失函数值按极小化误差的方法反向传播调整卷积层的权值矩阵，得到最终的网络模型。

当前道路交通拥堵判决的过程：

将路段中的图像传入训练完成的卷积神经网络模型（最终的网络模型）中，进行前向传播（此处的前向传播的过程与前面所述的前向传播过程一致），得到模型的输出，根据输出结果判断图片中的道路对应的拥堵级别；为了提高判别的准确性可以融合多帧的判决结果作为最终的交通拥堵情况判决。

路段分为普通路段和交叉路口路段，

交叉路口场景的处理方式基本和普通路段的处理一致，只是在训练样本的选取有差别，这里的训练样本是从架设于交叉路口的摄像头中获取，在获得样本图像后同样是依照先验知识来对图片添加标签。

优选的，所述测量数据包括车流量数据或/和车速数据。

优选的，所述前向传播获得模型输出的样本标签的具体过程为：

将将含有标签的监控视频文件对应的图片作为输入信息，

步骤S1：将输入信息经过第一个卷积层，卷积层包含两个阶段，第一阶段：将输入信息通过可训练的滤波器和可加偏置，第二阶段：将经过第一阶段后的信息通过一个ReLU激活函数得到特征映射图；

步骤S2：再将步骤S1的特征映射图经过第一个池化层，对输入信息做降采样得到降采样结果；

步骤S3：经过下一卷积层时，将上一池化层的降采样结果作为输入信息重复卷积层操作得到特征映射图，经过下一池化层时，将上一卷积层的特征映射图作为输入信息重复池化层操作得到降采样结果；

步骤S4：将最后一层池化层的降采样结果传入全连接层，将得到的特征向量进行整合，得到一个一维长向量，将一维长向量传入分类器判断含有标签的监控视频文件对应的图片的类别标签。

优选的，所述步骤2中的卷积神经网络为5层网络的卷积神经网络，这5层网络分别是2层卷积层、2层池化层、1层全连接层，2层卷积层之间为1层池化层，全连接层与最后一层池化层链接。

优选的，上述损失函数值的计算公式为：L_cls（y，c）=|| y -c ||²，其中y代表前向传播输出的类别标签，c代表样本实际类别标签，L_cls（y，c）代表损失函数值。

优选的，步骤1中写入对应交通状态级别的类别标签分别为：死锁=0、堵塞=1、拥挤=2、通畅=3；所述测量数据的级别划分为：通畅级别对应V≥40、拥挤级别对应15≤V≤40、堵塞级别对应5≤V≤15、死锁级别对应 V≤5，V代表测量数据中的车速数据，这里V均以km/h作为计量单位；通畅级别对应类别标签“通畅=3”，拥挤级别对应类别标签“拥挤=2”，堵塞级别对应类别标签“堵塞=1”， 死锁级别对应类别标签“死锁=0”。

我国《道路交通阻塞度及评价方法（国标）》对于城市交通通行状况的描述主要从两个方面来评定，即交叉路口阻塞和路段阻塞。其中交叉路口阻塞定义为车辆在交叉路口外车行道受阻排队长度超过500m为阻塞， 800m为严重阻塞；路段阻塞评定指标为长度超过2000m为阻塞，3000m为严重阻塞。所以根据道路交通的实际情况，本发明将交通拥堵判决分为两个场景来处理：一种是交叉路口的交通拥堵判决；另一种是普通路段交通拥堵判决；因此，所述路段为普通路段或交叉路口路段，当路段为普通路段时，测量数据的级别按照普通路段的标准进行划分，当路段为交叉路口路段时，测量数据的级别按照交叉路口路段的标准进行划分，所对应的训练样本也是位于普通路段或交叉路口路段所对应的监控视频文件对应的图片、车流量数据、车速数据等。

所述监控视频文件对应的图片可以选取监控视频文件中的一张或者多张图片。

本发明与现有技术相比，具有如下的优点和有益效果：

本发明采用深度学习的算法来对道路交通的拥堵进行判决，在完成网络模型设计和训练后，可以方便的应用于道路交通的拥堵情况的判断，具有较好的准确性和扩展性。同时本发明根据道路场景的差异将交通拥堵的判别分为交叉路口和普通路段两种情况来进行处理，具有更好的适应性。

附图说明

此处所说明的附图用来提供对本发明实施例的进一步理解，构成本申请的一部分，并不构成对本发明实施例的限定。在附图中：

图1为经过训练得到最终卷积神经网络模型的流程图。

图2为利用最终卷积神经网络模型进行交通拥堵级别判定的流程图。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚明白，下面结合实施例和附图，对本发明作进一步的详细说明，本发明的示意性实施方式及其说明仅用于解释本发明，并不作为对本发明的限定。

实施例1

由于我国《道路交通阻塞度及评价方法（国标）》对于城市交通通行状况的描述主要从两个方面来评定，即交叉路口阻塞和路段阻塞。其中交叉路口阻塞定义为车辆在交叉路口外车行道受阻排队长度超过500m为阻塞， 800m为严重阻塞；路段阻塞评定指标为长度超过2000m为阻塞，3000m为严重阻塞。所以根据道路交通的实际情况，本发明将交通拥堵判决分为两个场景来处理：一种是交叉路口的交通拥堵判决；另一种是普通路段交通拥堵判决。

如图1所示，交叉路口场景的处理方式基本和普通路段的处理一致，只是在训练样本的选取有差别，这里的训练样本是从架设于交叉路口的摄像头中获取，在获得样本图像后同样是依照先验知识来对图片添加标签。

本发明的基于深度学习的交通拥堵判别方法分为2个阶段，

如图1所示，第一阶段为训练阶段，训练阶段完成最终卷积神经网络模型的建立；如图2所示，第二阶段为交通拥堵判定阶段，交通拥堵判定阶段利用最终卷积神经网络模型进行判定交通状态，获得交通拥堵级别。

如图1所示，

步骤1、获得普通路段或交叉路段样本及标签：

获得普通路段或交叉路段的交通历史数据，交通历史数据包括监控视频文件对应的图片、监控视频文件对应的图片对应的测量数据，根据测量数据的级别将监控视频文件对应的图片分类，给每个分类后的监控视频文件对应的图片写入对应交通状态级别的类别标签，得到含有标签的监控视频文件对应的图片；本实施例中，测量数据选择车速数据，步骤1中写入对应交通状态级别的类别标签分别为：死锁=0、堵塞=1、拥挤=2、通畅=3；所述测量数据的级别划分为：通畅级别对应V≥40、拥挤级别对应15≤V≤40、堵塞级别对应5≤V≤15、死锁级别对应 V≤5，V代表测量数据中的车速数据，这里V均以km/h作为计量单位；通畅级别对应类别标签“通畅=3”，拥挤级别对应类别标签“拥挤=2”，堵塞级别对应类别标签“堵塞=1”， 死锁级别对应类别标签“死锁=0”。

训练阶段：

前向传播：将含有标签的监控视频文件对应的图片送入设计好的卷积神经网络模型，前向传播获得卷积神经网络模型输出的类别标签；所述前向传播获得模型输出的样本标签的具体过程为：将将含有标签的监控视频文件对应的图片作为输入信息，步骤S1：将输入信息经过第一个卷积层，卷积层包含两个阶段，第一阶段：将输入信息通过可训练的滤波器和可加偏置，第二阶段：将经过第一阶段后的信息通过一个ReLU激活函数得到特征映射图；步骤S2：再将步骤S1的特征映射图经过第一个池化层，对输入信息做降采样得到降采样结果；步骤S3：经过下一卷积层时，将上一池化层的降采样结果作为输入信息重复卷积层操作得到特征映射图，经过下一池化层时，将上一卷积层的特征映射图作为输入信息重复池化层操作得到降采样结果；步骤S4：将最后一层池化层的降采样结果传入全连接层，将得到的特征向量进行整合，得到一个一维长向量，将一维长向量传入分类器判断含有标签的监控视频文件对应的图片的类别标签。反向传播：计算前向传播输出的类别标签与样本实际类别标签的损失函数值，将损失函数值按极小化误差的方法反向传播调整卷积层的权值矩阵，得到最终卷积神经网络模型；在本实施例中，损失函数值的计算公式为：L_cls（y，c）=|| y -c ||²，其中y代表前向传播输出的类别标签，c代表样本实际类别标签，L_cls（y，c）代表损失函数值。

交通拥堵判定阶段：

选取架设于交叉路口路段或普通路段的摄像头中至少1帧图像传入训练完成的最终卷积神经网络模型中，进行前向传播，得到最终卷积神经网络模型的输出，根据输出结果判断当前监控视频文件对应的图片中的道路对应的拥堵级别。

以上所述的具体实施方式，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施方式而已，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。