[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

说明书

本发明涉及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，属于智能监控技术领域。该方法包括：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，实时获取目标车辆的运动轨迹；S3：对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LSTM网络的异常行为识别模型，对得到的目标车辆运动轨迹进行分类，识别出多种异常行为。本发明解决交通管理者需人工处理大量视频源的问题，针对交通道路监控环境中的多种车辆异常行为，能够准确高效地自动识别和报警，减少人力成本。

技术领域

本发明属于智能监控技术领域，涉及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。

背景技术

随着社会经济的高速发展，当今汽车的保有量呈现直线式增长，私家车数量的不断增加在方便市民出行的同时，也带来诸如交通事故、交通拥堵等问题。道路资源的有限，使得许多车辆为了争取自己时间出现诸多违法违章行为，带来潜在的交通事故危险，与此同时，还存在不法分子与驾驶员争夺驾驶权等危险行为时导致车辆的行驶状态一反常态，为了应对这一问题，在近年来智能交通系统的高速发展前提下，通过交通监控视频对车辆行为进行自动识别成为热点。因为交通视频中包含了诸如交通流量、车辆行为轨迹、车辆牌照等参数，可以用来对车辆行为和交通事件进行预测和识别。

目前的智能监控系统，在构建车辆异常行为识别模型时，目前主流方法是通过提取目标轨迹的几何参数特征作为模型的输入来训练传统的分类器，特征选取的好坏直接影响到分类器的性能，这些方法未利用轨迹数据的时序信息，且对坐标的精度要求较高，对实际环境下不可控的噪声较为敏感，泛化性能较差。以此同时，当前的异常数据非常少，绝大部分的数据都是车辆正常行驶，数据类别极不平衡，常规的LSTM更是存在训练时间长，收敛慢的问题。

因此，亟需一种使智能监控视频你能够更加准确有效识别车辆异常行为的方法。

发明内容

有鉴于此，本发明的目的在于提供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，针对交通道路监控环境中的多种车辆异常行为，能够准确高效地自动识别和报警，从而减少人力成本，解决交通管理者需人工处理大量视频源的问题；还能有效提升道路安全水平和运行效率。

为达到上述目的，本发明提供如下技术方案：

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，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，保证数据完整，无重复值，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。

进一步，步骤S1中，交通场景视频数据来自道路交通卡口监控系统记录的视频数据；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。

进一步，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，能有效改善其他算法在目标运动速度过快、目标被部分遮挡时的跟踪效果；最后结合匈牙利算法，将现有跟踪算法的二阶段匹配算法为一阶段方法，实现在线跟踪。