[发明专利]一种基于改进的长短期记忆网络的车辆异常行为识别方法

权利要求书

1.一种基于改进的长短期记忆网络的车辆异常行为识别方法，其特征在于，该方法具体包括以下步骤：

S1：对采集的交通场景视频数据进行预处理，并以此进行模型训练，获取车辆检测模型；

S2：利用步骤S1得到的车辆检测模型对视频数据进行车辆检测，确定每个目标车辆的信息，以此对目标车辆进行在线跟踪，实时获取目标车辆的运动轨迹；

S3：对步骤S2获取的目标车辆运动轨迹进行预处理，并进行人工标注；

S4：构建基于改进的长短期记忆网络(Long Short-Term Memory，LSTM)的异常行为识别模型，对步骤S2得到的目标车辆运动轨迹进行分类，识别出多种异常行为；

改进的LSTM网络即T-LSTM网络具体为：针对常规LSTM进行改进，去除其中的遗忘门，加入一个时间控制权重；则T-LSTM网络的状态更新表达式为：

c_t＝i_t*tanh(w_c·[H_t-1,F_x(t),F_y(t)]+b_c)+t_t*c_t-1

H_t＝o_t*tanh(c_t)

0＜t_t＜1

其中，t_t表示时控门，i_t表示输入门，o_t表示输出门，H_t-1表示的是上一个cell的输出，C_t表示细胞状态，F_x(t)、F_y(t)表示轨迹的DET系数。

2.根据权利要求1所述的一种基于改进的长短期记忆网络的车辆异常行为识别方法，其特征在于，步骤S1中，车辆获取车辆检测模型具体包括：利用去雾算法对交通场景图像进行去雾处理，去除雾对于监控视频中车辆检测精度的影响，在采集数据时，收集来自各种光照环境下的视频片段，训练基于深度学习的目标检测网络，使得网络能够提取对光照不敏感的特征，实现道路交通监控视频中的精确车辆检测。

3.根据权利要求1所述的一种基于改进的长短期记忆网络的车辆异常行为识别方法，其特征在于，步骤S2中，在线跟踪即为基于检测的多目标跟踪方法，首先使用Kalman滤波器对上一帧检测到的目标进行预测；然后通过Kalman滤波器利用实际的运动参数不断修正未来运动状态的估计值；最后结合匈牙利算法，将现有跟踪算法的二阶段匹配算法转换为一阶段方法，实现在线跟踪。

4.根据权利要求1所述的一种基于改进的长短期记忆网络的车辆异常行为识别方法，其特征在于，步骤S3中，对目标车辆运动轨迹进行数据预处理，具体包括：去掉中断时间过长，车辆ID频繁转换和重复ID的不良轨迹数据，并人为的根据原视频将其中正常行驶，停滞，逆行，非常规速度行驶，短时间内连续多次变道的轨迹数据打上标签。

5.根据权利要求1所述的一种基于改进的长短期记忆网络的车辆异常行为识别方法，其特征在于，步骤S4中，构建基于改进的LSTM网络的异常行为识别模型，具体包括：

S41：采用无监督的one class SVM算法对轨迹数据的DET表示进行异常点检测，基于离散傅里叶变换的轨迹表示法，将不同维度的轨迹数据都映射到同一高维特征空间中，利用one class SVM算法对轨迹数据的DET表示进行异常点检测，将正常轨迹数据和异常轨迹数据进行粗分类，剔除掉绝大部分的正常轨迹数据，将异常与正常数据的类别极不均衡变为较为均衡；

S42：将异常轨迹数据输入到改进的LSTM网络即T-LSTM中进行细分类，识别出异常行为的具体种类。