[发明专利]基于深度强化学习融合模型的团雾图像识别方法

说明书

本发明公开了一种基于深度强化学习融合模型的团雾图像识别方法，包括：采用旋转、翻转、裁剪、擦除、平移等方法对高速公路气象图像数据进行在线强化；构建基于强化学习的VGG16气象分类网络模型，获取分类特征向量F_v；构建基于强化学习的InceptionV3气象分类网络模型，获取分类特征向量F_I；构建基于强化学习的MobileNetV2气象分类网络模型，获取分类特征向量F_M；构建基于深度强化学习气象图像分类融合模型RL‑FDNN，特征向量F_v、F_I、F_M并联后的概率均值作为的深层网络融合模型的输出层，对团雾信息进行识别分类。本发明将强化学习理论与深度学习紧密结合，从而可以更精准的实现团雾的识别，可对高速公路场景的气候环境感知提供技术支持。

技术领域

本发明属于智能交通、智慧高速研究领域，具体涉及一种基于深度强化学习融合模型的团雾图像识别方法。

背景技术

交通场景感知是智慧交通重要的一环，团雾天气在一些地区的高速公路路段频发，已经成为造成交通事故的重要气候危害。高效、精准的团雾信息识别在预防高速公路交通事故方面能起到重要的作用。传统的团雾检测通常基于道路消失点的识别，这些方法在雨雪天气条件下表现不佳，容易发生误检。随着计算机算力的增强和卷积神经网络的发展，深度卷积神经网络在图像识别领域取得了优异的成绩，它相对传统的方法而言，不需要手动提取特征，有良好的普适性和自适应能力。与此同时，深度学习往往需要较多的样本来支持大量参数的学习，但目前团雾图像数据数量较少，强化学习是解决样本数量少的方法重要方法，因此本发明提出了一种一种基于深度强化学习融合模型的团雾图像识别方法。

发明内容

发明目的：为了克服现有技术中存在的不足，提供一种基于深度强化学习融合模型的团雾图像识别方法，其利用基于强化学习的深度融合神经网络有效地对团雾信息识别和分类，可对高速公路场景中的气候环境感知提供技术支持。

技术方案：为实现上述目的，本发明提供一种基于深度强化学习融合模型的团雾图像识别方法，包括如下步骤：

S1：构建高速公路气象图像数据集，采用旋转、翻转、裁剪、擦除、平移等方法对高速公路气象图像数据进行在线强化；

S2：构建基于强化学习的VGG16气象分类网络模型，获取分类特征向量F_v；

S3：构建基于强化学习的InceptionV3气象分类网络模型，获取分类特征向量F_I；

S4：构建基于强化学习的MobileNetV2气象分类网络模型，获取分类特征向量F_M；

S5：构建基于深度强化学习气象图像分类融合模型(RL-FDNN)，将特征向量F_v、F_I、F_M并联融合，并取各类的概率均值作为深层网络融合模型的输出层，对团雾图像进行识别分类。

进一步的，所述步骤S1中构建高速公路气象图像数据集，并对高速公路气象图像数据在线强化的具体方法如下：

S1-1：收集高速公路气象图像5060幅，将其分为三类，其中团雾2090幅，正常(晴天、阴天)1500幅，其他(雨天、雪天)1470幅，构建高速公路气象图像数据集；

S1-2：各模型训练前，在训练集中随机抽取一个batch_size的图像数据；

S1-3：对抽取的batch_size数据进行强化，包括翻转、旋转、平移、裁剪、擦除等；

进一步的，所述步骤S1-3中图片在线强化提取方法如下：

①翻转：分为水平翻转和垂直翻转，强化因子优选为2或3；