[发明专利]一种基于视频分类的端到端道路拥堵检测算法

说明书

本发明公开了一种基于视频分类的端到端道路拥堵检测算法，本发明具体包括以下步骤：S1、首先通过训练数据模块对视频分类，S2、再通过数据预处理模块读取视频，S3、然后通过特征提取模块读取列表中的图片帧，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，本发明涉及深度学习、智能交通事件判定技术领域。该基于视频分类的端到端道路拥堵检测算法，可实现将标记好的视频分类好，即可以训练视频，能够达到较好的实时性，拥有不错的准确率，同时，在整个判定过程中，只需要在训练前将视频分好类别，区分视频是否拥堵，能够很好地应对光线干扰问题。

技术领域

本发明涉及深度学习、智能交通事件判定技术领域，具体为一种基于视频分类的端到端道路拥堵检测算法。

背景技术

近年来，随着人们生活水平日益提高，物质条件丰富，加快了家用轿车的普及，然而道路车辆激增，往往会引发了一系列交通事件，尤其是交通拥堵事件，已经成为了人们出行难以解决的问题，目前，为了解决此问题，在各大城市中，道路事件的监测主要依靠人工识别，不仅费时费力，还容易混淆。因此对道路拥堵的检测尤为重要，如果能使用计算机，自动将拥堵信息抄送给有关部门，不仅方便交管部门及时对拥堵路段进行疏通，还有助于司机及时对路径规划与修改，帮助他们避免拥堵路段，缓解交通压力，本发明涉及深度学习、智能交通事件判定技术。根据视频中连续帧的信息进行分析，判定道路拥堵。

专利“201810956994.2”-《一种车辆拥堵检测方法》，该专利是一种基于混合高斯模型建模的拥堵检测方法，主要步骤如下：第一步：采集监控区域的视频数据并进行预处理；第二步：利用混合高斯模型进行背景建模，从原始图像分离出背景像素；第三步：从监控视频图像中提取运动目标；第四步：记录运动目标的轨迹信息，从而识别出车辆信息，并进行标记；第五步：对标记的车辆进行跟踪和统计，从而计算车流量。第六步：当监控区域车流量超过设定阈值时，发出报警信息，本发明提供的一种车辆拥堵检测方法，通过对道路交通流的实时监控，能够全方位、实时准确和高效地对路面上的车辆进行检测、跟踪和计数，实时性好，具有重要的应用价值。

但是该种检测道路拥堵的方法基于混合高斯建模的方式存在这一些局限性，首先，混合高斯建模方式很容易被光线干扰，如果视频中，所有车辆处在一种较暗的环境中，当有车灯亮起时候，很容易对视频分析造成干扰；其次，如果车辆长时间处于拥堵状态，且处于静止状态是，车辆的信息会从前景变为背景，无法准确记录目标的轨迹信息，进而无法正确识别出车辆信息；另外，所有车辆信息依赖人工阈值的调整，不具备很好的泛化能力，准确度较低。

发明内容

(一)解决的技术问题

针对现有技术的不足，本发明提供了一种基于视频分类的端到端道路拥堵检测算法，通过卷积神经网络提取一定数量的视频帧，得到每一帧的图像深层特征，再将这些特征通过LSTM神经网络进行判定，最终输出拥堵判定结果，整个判定过程中，只需要在训练前将视频分好类别，区分视频是否拥堵，而不用具体地深入到每一帧图像中，无需对视频中的图像各项参数进行阈值判定和分析。能够很好地应对光线干扰问题，具备良好的泛化能力。

(二)技术方案

为实现以上目的，本发明通过以下技术方案予以实现：一种基于视频分类的端到端道路拥堵检测算法，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；