[发明专利]一种基于深度学习和熵模型的交通事件检测方法

摘要

一种基于深度学习和熵模型的交通事件检测方法，涉及智能交通技术领域。本发明基于深度学习和熵模型的交通事件检测方法的步骤为：1）训练用于交通事件分类的卷积神经网络模型：2）根据所述的卷积神经网络模型对输入的视频流图像或视频子段进行事件类别分类：3)根据所述事件分类结果，计算一段事件内的熵值：4）根据所述熵值，判断是否发生交通事件。同现有技术相比，本发明根据不同事件概率与熵值大小、稳定性的正反比关系，计算可信度参数。从视频图像的全局和局部特征入手，分析图像的突变情况，借助CNN的优点和方法以及熵值模型检测突变的特性，检测交通事件的发生，对于具有突变性质的交通事件，有着速度快、检测准的特点。

主权项

1.一种基于深度学习和熵模型的交通事件检测方法，其方法步骤为：1）训练用于交通事件分类的卷积神经网络模型：收集不同类型的交通事件图像或视频段素材，根据不同事件进行分类编号；再将样本传入卷积神经网络模型，卷积神经网络中的样本集是由形如：（输入向量，理想输出向量）的向量对构成，经过向前传播和向后传播两个阶段完成对网络参数的训练；训练算法主要包括四步，这四步被分为两个阶段：第一阶段，向前传播阶段：a）从样本集中取一个样本(X,Y_p)，将X输入网络；b）计算相应的实际输出O_p；在此阶段，信息从输入层经过逐级的变换，传送到输出层；这个过程也是网络在完成训练后正常运行时执行的过程；在此过程中，网络执行的是计算，即是输入与每层的权值矩阵相点乘，得到最后的输出结果：O_p=F_n（…（F₂（F₁（X_pW^（1））W^（2））…）W^（n））第二阶段，向后传播阶段：计算实际输出O_p与相应的理想输出Y_p的差；按极小化误差的方法反向传播调整权矩阵；2）根据所述的卷积神经网络模型对输入的视频流图像或视频子段进行事件类别分类：输入视频流图像或子段到卷积神经网络模型中，提取每帧图像或子段的卷积神经网络特征并按照事件类别分类，得到每帧图像或子段的分类结果；3)根据所述事件分类结果，计算一段事件内的熵值：熵值的计算包括时间和空间两个方面；空间上，在单帧图像上获取相应的全局及局部特征，将提取出来的特征按照某种分类方式进行分类，根据分类情况得到所有聚类的概率分布，并由熵值计算公式获得当前帧或视频子段空间上的熵值；时间上，结合每一帧或每一段视频的卷积神经网络特征分类，分析一段时间内的所有帧图像或视频子段的事件分类结果，根据结果分布获得每种交通事件的概率分布，并由此计算一段时间内时间上的熵值；4）根据所述熵值，判断是否发生交通事件：根据时间、空间上的熵值和一段时间上的事件类型分布来分析交通事件，具体步骤为：设(i=1,…n)为多帧图像或子段的空间熵值序列，为时间域事件概率分布的熵值；（1）空间域熵值大小分析：以(i=1,…n)的均值来分析其稳定程度：（2）空间域熵值稳定趋势分析：以(i=1,…n)的方差来分析其稳定程度：（3）时间域熵值分析：（4）根据、Var、及事件类型构造事件发生的可信度参数，并判断事件发生；可定义有关、Var的正比、反比系数：根据不同事件概率与熵值大小、稳定性的正反比关系，计算可信度参数。