[发明专利]基于深度神经网络的高速公路交通流量状态识别方法

摘要

本发明提供一种基于深度神经网络的高速公路交通流量状态识别方法，涉及智能交通技术领域。该方法对交通流量状态进行分类并定义，对音频信号进行降噪处理和特征提取，使用DNN进行建模，得到对高速公路交通流量状态进行识别的DNN模型，并对DNN模型进行预训练；然后对DNN模型的参数进行调优；利用隐马尔可夫模型HMM对高速公路交通流量状态识别模型进行解码；最后用DNN模型对不同高速公路交通流量状态的音频信号的观测概率进行估计，根据计算出的概率给出高速公路交通流量状态的识别结果。本发明方法可以有效解决目前图像分析技术检测交通信息中存在的图像分析准确率欠佳、动态图像分析的计算量大等问题。

主权项

1.一种基于深度神经网络的高速公路交通流量状态识别方法，其特征在于：包括以下步骤：步骤1：对交通流量状态进行分类并定义，对音频信号进行降噪处理和特征提取，使用DNN进行建模，得到对高速公路交通流量状态进行识别的DNN模型；步骤1.1：对高速公路的交通流量状态进行分类并定义，将高速公路的交通流量状态分为五类：无车道路、快速道路、正常道路、繁忙道路、堵塞道路；其中，无车车道的速度为70Km/h及以上，快速车道的速度为60‑70Km/h，正常车道的速度为40‑60Km/h，繁忙车道的速度为20‑40Km/h，堵塞车道的速度为0‑20Km/h；步骤1.2利用基于小波变化的音频降噪算法，去除背景干扰，增强高速公路交通的音频信号；步骤1.3：利用基于经典模态分解加权的MFCC特征提取方法，对高速公路交通的音频信号用EMD分解代替，求得高速公路交通的音频信号MFCC的特征参数；步骤1.4：由受限玻尔兹曼机RBM叠加构成DNN模型，形成一种由下到上的区分性训练模型，采用有监督训练将各层间的误差由下到上传递；RBM结构包括可见层和隐藏层；可见层中包含随机节点，隐藏层中包含二值随机节点；步骤2：对高速公路交通流量状态进行识别的DNN模型进行预训练；步骤2.1：训练多层的RBM，进而实现对DNN的预训练；步骤2.2：将每层DBN的权值作为以sigmoid函数为激活单元的DNN的初始权值，DNN结构中是有标签的，在DNN的预训练完成后，引入一层随机初始化的softmax作为输出层，通过反向传播算法进行DNN权值参数调整；步骤3：对高速公路交通流量状态识别模型的参数进行调优；步骤3.1：训练得到DBN和初始权值后，采用反向传播算法进行DNN网络参数调优，在参数调优的过程中，每一帧被标记出所属类别；步骤3.2：采用了交叉嫡目标函数进行网络参数调整，实现训练目标和假设类之间损失的最小化；步骤3.3：基于随机数据选择的DNN训练算法，对每次训练使用的mini‑batch和学习率进行调整，以减少训练集的总数据量；步骤4：利用隐马尔可夫模型HMM对高速公路交通流量状态识别模型进行解码；步骤4.1：基于DNN‑HMM对高速公路交通流量状态识别模型进行训练；步骤4.2：进行基于DNN‑HMM高速公路交通流量状态识别模型中的HMM解码；步骤5：用DNN模型对不同高速公路交通流量状态的音频信号的观测概率进行估计，根据计算出的概率给出高速公路交通流量状态的识别结果。