[发明专利]一种高速公路拥堵识别模型构建方法和装置及识别方法

权利要求书

1.一种高速公路拥堵识别模型构建方法，其特征在于，包括以下步骤：

步骤1，获取高速公路视频帧图像，得到初始图像集；

对初始图像集中的每张图像进行标签标注，获得标签集，所述标签包括交通类别，交通类别包括拥堵、饱和或畅通状态；

步骤2，将所述初始图像集作为输入，标签集作为输出，训练深度卷积神经网络；

所述深度卷积神经网络包括依次设置的多个特征提取层和分类层；所述特征提取层包括5个特征提取块，分类层包括3个全连接层；

所述特征提取块包括串联的Bottleneck Layer、SE Block和池化层；

所述Bottleneck Layer包括依次串联的1×1、3×3、1×1大小的3个卷积层；

所述SE Block包括1个卷积层用于对Bottleneck Layer输出的特征图进一步进行特征提取以及1个全局平均池化层；

所述全局平均池化层对应Squeeze、Excitation和Reweight阶段，其中，Squeeze和Excitation阶段用于生成attention机制所需要的权重参数，Reweight阶段将全局平均池化层作用于SE Block的卷积层作用所得特征图，生成具有能够反映不同重要性的特征图；

所述特征提取层的5个特征提取块串联后连接分类层的3个全连接层，用于最后的交通类别分类；

获得高速公路拥堵识别模型。

2.如权利要求1所述的高速公路拥堵识别模型构建方法，其特征在于，所述高速公路拥堵识别模型中损失函数采用交叉熵损失函数。

3.如权利要求1所述的高速公路拥堵识别模型构建方法，其特征在于，选用深度学习框架Caffe搭建深度卷积神经网络，选择随机梯度下降法对高速公路拥堵识别模型进行优化，设置学习率为0.01，batch-size为32，迭代epoch为80次。

4.如权利要求1所述的高速公路拥堵识别模型构建方法，其特征在于，所述全局平均池化层对应Squeeze、Excitation和Reweight阶段中，在Squeeze阶段使用全局平均池化使每个特征通道转换为一个具有全局感受野的实数；在Excitation阶段为每个特征通道生成权重w；在Reweight阶段将Squeeze阶段对应的特征通道与Excitation阶段生成的权重相乘，得到能够反映不同重要程度的特征图；具体包括：

首先进行标准卷积操作即转换操作，F_tr:X→U，X表示原始输入特征图，U表示输出特征图，F_tr表示从原始输入特征图到输出特征图的转换；

其中，X∈R^W'×H'×C',U∈R^W×H×C，R表示实数空间域，W',H',C'分别表示特征图X的宽度、高度、通道数，W,H,C分别表示特征图U的宽度、高度、通道数，具体公式为：

其中，*代表卷积操作，c,s均为特征图通道数序号，取值范围分别为1～C,1～C'，x^s为特征图X中第s个特征层，v_c为第c个卷积核，通道数与特征图X的通道数相同，为第c个卷积核的第s层，u_c表示特征图U中第c个特征层；

在Squeeze阶段进行全局平均池化，将特征图U作为新的输入，转换成新的输出特征图Z，其中Z∈R^1*1*C，1,1,C分别表示特征图Z的宽度、高度、通道数，具体公式为：

其中，F表示全局平均池化操作，u_c(i,j)表示特征图U中第c个特征层上处于i行j列位置的元素，z_c表示特征图Z中第c个特征层；

在Excitation阶段，对Squeeze阶段全局平均池化输出的特征图Z进行权重计算，得到与特征图Z中每个特征层对应的权重向量w，其公式如下：

w＝F_ex(Z,W)＝σ(W₂δ(W₁Z)) (3)

其中，F_ex表示权重计算操作，W₁,W₂均表示全连接层，维度均为C*C/r，W表示由W₁,W₂共同构成的全连接层组；W₁Z表示第一个全连接操作，输出向量维度为1*1*C/r，r为缩放参数，主要为了减少维度从而减少计算量，δ为ReLu激活函数；W₂δ(W₁Z)是第二个全连接层操作，输出向量维度为1*1*C，σ是Sigmoid激活函数，经过σ操作，最终得到与特征图Z中每个特征层对应的权重向量w；

Reweight阶段具体公式如下：

其中，F_scale表示权重分配操作，u_c表示特征图U中第c个特征层，w_c表示权重向量w中第c个位置的元素，·表示乘法运算，即将w_c与u_c特征层中的每一个元素相乘。