[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

说明书

本发明涉及一种自深度学习的交通监测调度指挥方法，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。本发明针对各类交通事件，仅需一定量的事前标定，后续就可以自行深度学习，完善监测算法。

技术领域

本发明涉及一种自深度学习的交通监测调度指挥方法及系统，属于交通监测调度技术领域。

背景技术

当前，交通道路领域的交通监测调度指挥系统，所使用的智能监测算法，针对各类交通事件监测和交通参数监测，均需大量标定数据，例如车流、烟火、行人穿越、抛撒物、车辆逆行等图片素材，人工批量输入系统学习后，再进行人工纠正优化，因此，系统从试用到完善的过程较长。又存在，高速路各种交通事件所对应标定可用素材较少(例如烟火、行人穿越、抛撒物、车辆逆行等素材)和在已投入运行的高速公路上，制造以上素材，难度较大等问题。造成系统投入实际使用后监测精度低、效率低。

发明内容

为了克服上述问题，本发明提供一种自深度学习的交通监测调度指挥方法及系统，该方法针对各类交通事件，仅需一定量的事前标定，后续就可以自行深度学习，完善监测算法。

本发明的技术方案如下：

技术方案一

一种自深度学习的交通监测调度指挥方法，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。

进一步的，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。

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。

进一步的，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。