[发明专利]一种基于卷积生成对抗网络的危险驾驶行为识别方法

说明书

本发明公开了一种基于卷积生成对抗网络的危险驾驶行为识别方法，将基于卷积生成对抗网络的危险驾驶行为分类模型分为异常驾驶行为识别模型和危险驾驶行为分类模型；其中，异常驾驶行为识别模型利用生成对抗网络来对视频未来帧进行预测，通过预测帧与真实帧的差异大小来判断是否为异常驾驶行为；危险驾驶行为分类模型对已经识别出的异常驾驶行为进行进一步分类，判定是否为危险驾驶行为。本发明引入卷积生成对抗网络技术，可以有效地利用正常数据来训练生成对抗网络，来预测未来视频帧的图像数据，通过和真实帧进行比较，差异大的视频帧定义为异常帧，可以充分利用正常驾驶行为数据，解决样本不均衡的问题。

技术领域

本发明涉及图像处理技术领域，尤其涉及一种基于卷积生成对抗网络的危险驾驶行为识别方法。

背景技术

交通事故的异常检测在安全城市中扮演着非常关键的角色，交通的异常状况会大大降低交通通行效率，因此需要对其进行检测和监控。

在传统的交通异常检测方法中，主要应用的是电磁感应环形线圈式和波式，它们所使用的数据信息都是车辆经过检测点时反射波的频率变化。但这两种方法有很大的局限性，不能提供全面的交通信息。

在信息技术飞速发的今天，研究人员应用摄像机等视觉传感器和以计算机视觉理论为基础，对单个车辆进行跟踪和异常检测，常用到的方法有SSD目标检测模型和多目标跟踪的等，然后基于目标跟踪生成车辆轨迹，进而计算车辆的运动信息，来对驾驶行为进行分类。

但现有的方法存在的一个问题为由于危险驾驶行为属于人们无法完全定义和分类的，无法完全预先获取。此外，异常驾驶行为和正常驾驶行为在数量级上差很多，存在明显的样本不均衡问题，这也导致异常驾驶行为所包含的特征较少，很难从中提取规律；且容易产生对有效异常样本的过度依赖和过度拟合，最终导致分类效果不佳。

发明内容

本发明目的是提供了一种基于卷积生成对抗网络的危险驾驶行为识别方法，以解决上述问题。

本发明解决技术问题采用如下技术方案：

一种基于卷积生成对抗网络的危险驾驶行为识别方法，将基于卷积生成对抗网络的危险行为驾驶行为分类模型分为异常驾驶行为识别模型和危险驾驶行为分类模型；其中，异常驾驶行为识别模型利用生成对抗网络来对视频未来帧进行预测，通过预测帧与真实帧的差异大小来判断是否为异常驾驶行为；危险驾驶行为分类模型对已经识别出的异常驾驶行为进行进一步分类，判定是否为危险驾驶行为。

进一步的，通过异常驾驶行为识别模型判断异常驾驶行为的方法包括如下步骤：

S1：首先通过输入前N-1帧的监控图像，基于生成网络G来预测得出视频的第N帧图像；

S2：对预测图像和真实图像计算图像损失l_image，

其中，表示真实图像I和预测图像在RGB空间的距离；

S3：将预测图像和真实图像输入到对抗网络D中，计算得到对抗损失l_adv，

为预测图像输入到鉴别网络后输出与向量之间的均方误差；

S4：将真实的第N-1帧图像分别与预测的第N帧图像和真实的第N帧图像输入到光流网络中，得到预测的光流信息和真实的光流信息f(I_N,I_N-1)；

S5：计算光流损失为真实光流和预测光流的距离；