[发明专利]一种自深度学习的交通监测调度指挥方法及系统

权利要求书

1.一种自深度学习的交通监测调度指挥方法，其特征在于，包括以下步骤，

采集各类交通事件发生时的视频，对所述视频的特征进行标定，得到数据集；所述标定包括标定视频中交通事件的类型；

建立CNN网络模型，通过所述数据集对所述CNN网络模型进行训练，得到训练好的CNN网络模型；

通过监控设备采集道路的实时视频，通过所述CNN网络模型对所述实时视频进行识别，得到所述实时视频中发生交通事件的类型，根据当前道路的交通事件类型对道路进行指挥调度。

2.根据权利要求1所述自深度学习的交通监测调度指挥方法，其特征在于，所述CNN网络模型包括依次连接的输入层、第一卷积层、第二卷积层、第一池化层、第三卷积层、第二池化层、第四卷基层和输出层；所述第一卷积层、所述第二卷积层和所述第三卷积层的卷积核均为5×5；所述第四卷积层的卷积核为3×3；各卷积层的步长均为1；所述第一池化层和所述第二池化层均采用卷积运算，且卷积核的大小均为2×2；所述第一池化层和所述第二池化层均采用平均池化方法；；所述CNN网络模型的激活函数为ReLU函数。

3.根据权利要求2所述自深度学习的交通监测调度指挥方法，其特征在于，所述第一卷积层、所述第二卷积层、所述第三卷基层和所述第四卷基层的卷积核数分别为5、5、10和20。

4.根据权利要求2所述自深度学习的交通监测调度指挥方法，其特征在于，所述CNN网络模型通过FPGA进行硬件实现，具体为：

将所述CNN网络的每一层设计为一个单独的FPGA模块；所述FPGA模块包括4个卷积层模块、2个池化层模块和1个输出层模块；

训练前，通过控制器初始化每一层卷积核Kernel的权重数值索引地址，根据索引地址从RAM模块中加载权重数值和偏置值；

训练时，将所述数据集输入FPGA，根据数据流方向，区分数据为前向传播和反向传播；前向传播时，将所述数据集和RAM中预存储的特征的进行对照，通过输出层输出分类结果和对应概率；反向传播时，人工对所述分类结果进行确认，将分类正确的所述分类结果存储至RAM和ROM中。

5.根据权利要求3所述自深度学习的交通监测调度指挥方法，其特征在于，所述卷积层模块包括数据缓冲区、卷积核、卷积运算和比较器；所述池化层模块包括数据缓冲区、卷积核和卷积运算；前向传播中，数据经过卷积层模块时，进入卷积层模块的数据缓冲区，根据该卷积层模块的卷积核个数与卷积核完成卷积运算后，将数据通过比较器比较后输入下一层；数据经过池化层模块时，进入所述池化层模块的数据缓冲区；所述池化层模块对所述数据下采样后，根据该池化层模块的卷积核完成卷积运算后，将所述数据输入下一层；所述数据在输出层模块输出。

6.一种自深度学习的交通监测调度指挥系统，其特征在于，包括会议发言系统、电话调度系统、交通态势显示系统和交通智能算法系统；所述会议发言系统用于参会人员发言，所述会议发言系统包括数字音频处理系统和音箱扩声系统；所述交通态势显示系统用于显示交通态势和处置交通事件，所述交通态势显示系统包括视频切换系统和交通事件处置系统；所述交通智能算法系统接收前端摄像头采集的实时视频，所述交通智能算法系统通过权利要求1-5中所述的任意一种CNN网络模型对所述实时视频进行识别，得到所述实时视频中发生交通事件的类型。