[发明专利]一种基于视频分类的端到端道路拥堵检测算法

权利要求书

1.一种基于视频分类的端到端道路拥堵检测算法，其特征在于：具体包括以下步骤：

S1、首先通过训练数据模块对视频分类，将视频打上标签，并生成train和test的列表文件；

S2、再通过数据预处理模块读取视频，并将读取的帧缩放到固定大小，并归一化存入一个数组中；

S3、然后通过特征提取模块读取列表中的图片帧，并将得到的新的特征保存为新的列表；

S4、将深层特征组成的列表送入LSTM网络模块中对视频结果进行判定；

S5、最后通过训练模块训练卷积神经网络，并加上LSTM神经网络。

2.根据权利要求1所述的一种基于视频分类的端到端道路拥堵检测算法，其特征在于：其系统结构包括：训练数据生成模块(101)、数据预处理模块(102)、模型模块(103)、训练模块(104)和预测模块(105)。

3.根据权利要求2所述的一种基于视频分类的端到端道路拥堵检测算法，其特征在于：所述训练数据生成模块(101)用于根据视频的类别，区分是否拥堵，并从单个视频中提取若干个图片，其中每个视频提取出的图片名格式为“视频名称+帧序号”。

4.根据权利要求2所述的一种基于视频分类的端到端道路拥堵检测算法，其特征在于：所述数据预处理模块(102)用于读取图片，并将图片缩放为固定大小，并进行归一化，为模型的训练进行预处理。

5.根据权利要求4所述的一种基于视频分类的端到端道路拥堵检测算法，其特征在于：所述数据预处理模块(102)还用于将图片中的深层信息通过卷积神经网络提取出来。

6.根据权利要求2所述的一种基于视频分类的端到端道路拥堵检测算法，其特征在于：所述模型模块(103)用于保存模型文件的搭建信息，包括卷积神经网络模型和LSTM网络模型。

7.根据权利要求2所述的一种基于视频分类的端到端道路拥堵检测算法，其特征在于：所述训练模块(104)用于将卷积神经网络提取出来的模型，送入LSTM模型中进行训练，在训练过程中，可选择更新卷积神经网络权重，一并训练，或只更新LSTM中的权重。

8.根据权利要求2所述的一种基于视频分类的端到端道路拥堵检测算法，其特征在于：所述预测模块(105)用于读取视频流，并将连续帧信息送到神经网络中进行拥堵结果判定。