[发明专利]一种基于深度学习和熵模型的交通事件检测方法

说明书

一种基于深度学习和熵模型的交通事件检测方法，涉及智能交通技术领域。本发明基于深度学习和熵模型的交通事件检测方法的步骤为：1）训练用于交通事件分类的卷积神经网络模型：2）根据所述的卷积神经网络模型对输入的视频流图像或视频子段进行事件类别分类：3)根据所述事件分类结果，计算一段事件内的熵值：4）根据所述熵值，判断是否发生交通事件。同现有技术相比，本发明根据不同事件概率与熵值大小、稳定性的正反比关系，计算可信度参数。从视频图像的全局和局部特征入手，分析图像的突变情况，借助CNN的优点和方法以及熵值模型检测突变的特性，检测交通事件的发生，对于具有突变性质的交通事件，有着速度快、检测准的特点。

技术领域

本发明涉及智能交通技术领域，特别是基于深度学习和熵模型的交通事件检测方法。

背景技术

基于视频分析的交通事件检测方法由于其检测速度快且检测信息丰富，在国内外正逐渐成为研究热点。自20世纪90年代中期以来，美、英、日等国开始研究基于图像处理的快速自动事件检测系统，模拟人工判别交通异常的方法来实现事件的快速检测，此类传统方法通常是从视频图像中检测车辆，跟踪运动车辆，提取如速度变化率、位置、面积、方向等特征，根据这些特征模型能够判断交通事件。技术点包括运动目标检测、车辆检测、目标跟踪等。

浅层学习是机器学习的第一次浪潮，20世纪80年代末期，用于人工神经网络的反向传播算法（也叫Back Propagation算法或者BP算法）的发明，给机器学习带来了希望，掀起了基于统计模型的机器学习热潮。这个热潮一直持续到今天。人们发现，利用BP算法可以让一个人工神经网络模型从大量训练样本中学习统计规律，从而对未知事件做预测。这种基于统计的机器学习方法比起过去基于人工规则的系统，在很多方面显出优越性。这个时候的人工神经网络，虽也被称作多层感知机（Multi-layer Perceptron），但实际是种只含有一层隐层节点的浅层模型。

20世纪90年代，各种各样的浅层机器学习模型相继被提出，例如支撑向量机（SVM，Support Vector Machines）、 Boosting、最大熵方法（如LR，Logistic Regression）等。这些模型的结构基本上可以看成带有一层隐层节点（如SVM、Boosting），或没有隐层节点（如LR）。这些模型无论是在理论分析还是应用中都获得了巨大的成功。相比之下，由于理论分析的难度大，训练方法又需要很多经验和技巧，这个时期浅层人工神经网络反而相对沉寂。

深度学习是机器学习的第二次浪潮，2006年，加拿大多伦多大学教授、机器学习领域的泰斗Geoffrey Hinton和他的学生RuslanSalakhutdinov在《科学》上发表了一篇文章，开启了深度学习在学术界和工业界的浪潮。这篇文章有两个主要观点：1）多隐层的人工神经网络具有优异的特征学习能力，学习得到的特征对数据有更本质的刻画，从而有利于可视化或分类；2）深度神经网络在训练上的难度，可以通过“逐层初始化”（layer-wise pre-training）来有效克服，在这篇文章中，逐层初始化是通过无监督学习实现的。

当前多数分类、回归等学习方法为浅层结构算法，其局限性在于有限样本和计算单元情况下对复杂函数的表示能力有限，针对复杂分类问题其泛化能力受到一定制约。深度学习可通过学习一种深层非线性网络结构，实现复杂函数逼近，表征输入数据分布式表示，并展现了强大的从少数样本集中学习数据集本质特征的能力。多层的好处是可以用较少的参数表示复杂的函数。

深度学习的实质，是通过构建具有很多隐层的机器学习模型和海量的训练数据，来学习更有用的特征，从而最终提升分类或预测的准确性。因此，“深度模型”是手段，“特征学习”是目的。区别于传统的浅层学习，深度学习的不同在于：1）强调了模型结构的深度，通常有5层、6层，甚至10多层的隐层节点；2）明确突出了特征学习的重要性，也就是说，通过逐层特征变换，将样本在原空间的特征表示变换到一个新特征空间，从而使分类或预测更加容易。与人工规则构造特征的方法相比，利用大数据来学习特征，更能够刻画数据的丰富内在信息。