[发明专利]一种基于联合投票网络的交通场景天气分类方法

权利要求书

1.一种基于联合投票网络的交通场景天气分类方法，其特征在于，包括如下步骤：

S1、构建交通场景天气分类数据集：通过数据采集设备采集交通道路视频数据，再加入在互联网上搜集交通场景的天气图片，根据天气类型整理成交通场景天气分类数据集；

S2、提取基于注意力机制的天气分类特征：根据交通场景天气分类数据集，对天气分类特征进行提取，得到基于注意力机制网络的检测结果；

S3、提取基于二阶特征机制的天气分类特征：根据交通场景天气分类数据集，对天气分类特征进行提取，得到基于二阶特征机制网络的检测结果；

S4、基于联合投票机制的分类结果融合，得到最终的交通场景天气分类结果。

2.根据权利要求1所述的基于联合投票网络的交通场景天气分类方法，其特征在于：所述提取基于注意力机制的天气分类特征的具体步骤如下：

S21、提取原始分类特征：将交通场景天气分类数据集输入到原始分类检测模型中，对数据集进行学习和训练，得到原始分类特征；

S22、提取特征的压缩：利用原始分类特征对每一个通道的特征图进行压缩，

压缩为一个实数，同时对每一个块空间的对应特征图进行压缩，压缩为一个实数；

S23、注意力的学习：使用全连接层的结构，对特征压缩后的通道数据和空间数据进行权重学习，获取通道特征权重和空间特征权重；

S24、提取特征的重标定：将通道特征权重和空间特征权重乘到步骤S21中对应的原始特征，获得重新标定的特征；

S25、数据检测：利用步骤S24得到的重新标定的特征，使用全连接层网络对特征进行判断，得到基于注意力机制网络的检测结果。

3.根据权利要求2所述的基于联合投票网络的交通场景天气分类方法，其特征在于：所述步骤S21中的原始分类检测模型是ResNet101模型。

4.根据权利要求2所述的基于联合投票网络的交通场景天气分类方法，其特征在于：所述步骤S22中的压缩具体是使用全局平均池化操作。

5.根据权利要求2所述的基于联合投票网络的交通场景天气分类方法，其特征在于：所述步骤S23的使用全连接层的结构具体是指采用两个全连接层的bottleneck结构，第一个全连接层降维，最后的全连接层升维。

6.根据权利要求1所述的基于联合投票网络的交通场景天气分类方法，其特征在于：所述提取基于二阶特征机制的天气分类特征的具体步骤如下：

S31、提取原始分类特征：将交通场景天气分类数据集输入到原始分类检测模型中，对数据集的学习和训练，得到原始分类特征；

S32、提取特征维度的压缩：通过原始分类特征结果，再增加一次卷积操作，将原始维度特征压缩到512维特征；

S33、协方差矩阵计算：利用压缩维度后的特征数据，使用协方差矩阵方法对特征进行高维度处理，获取原始的协方差矩阵特征表示；

S34、数据检测：利用步骤S33得到的特征表示，使用全连接层网络对特征进行判断，得到基于二阶特征机制网络的检测结果。

7.根据权利要求6所述的基于联合投票网络的交通场景天气分类方法，其特征在于：所述步骤S33协方差矩阵计算的具体步骤是指：首先利用压缩维度后的特征做协方差矩阵，然后对协方差矩阵进行特征值分解，获得正交矩阵和对角矩阵，通过矩阵幂转换，得到协方差矩阵的特征值的幂，最后将幂输入到全连接层获得原始的协方差矩阵特征表示。

8.根据权利要求1所述的交通场景天气分类方法，其特征在于：所述基于联合投票机制的分类结果融合的具体步骤如下：

S41、获得原始分类结果：利用步骤S2基于注意力机制的天气分类特征的提取检测结果和步骤S3基于二阶特征机制的天气分类特征的提取检测结果，获得不同的模型判断结果；

S42、模型结果的融合：将步骤S41得到的不同模型判断结果融合，进行投票，判定票数多的判断结果为最终的交通场景天气分类结果。