[发明专利]基于深度学习的交通拥堵判别方法

摘要

本发明公开了基于深度学习的交通拥堵判别方法，包括以下步骤：步骤1、获取训练样本及添加标签，得到含有标签的监控视频文件对应的图片；步骤2、前向传播：将含有标签的监控视频文件对应的图片送入设计好的卷积神经网络模型，前向传播获得卷积神经网络模型输出的类别标签；步骤3、反向传播：计算前向传播输出的类别标签与样本实际类别标签的损失函数值，将损失函数值按极小化误差的方法反向传播调整卷积层的权值矩阵，得到最终卷积神经网络模型；步骤4、交通拥堵判别：选取路段的当前监控视频文件对应的图片中至少1帧图像传入训练完成的最终卷积神经网络模型中，进行前向传播。该方法能够对当前道路的交通情况给出交通的拥堵级别，具有较好的适用性和鲁棒性。

主权项

1.基于深度学习的交通拥堵判别方法，其特征在于，包括以下步骤：步骤1、获取训练样本及添加标签：获得路段的交通历史数据，交通历史数据包括监控视频文件对应的图片、监控视频文件对应的图片对应的测量数据，根据测量数据的级别将监控视频文件对应的图片分类，给每个分类后的监控视频文件对应的图片写入对应交通状态级别的类别标签，得到含有标签的监控视频文件对应的图片；步骤2、前向传播：将含有标签的监控视频文件对应的图片送入设计好的卷积神经网络模型，前向传播获得卷积神经网络模型输出的类别标签；步骤3、反向传播：计算前向传播输出的类别标签与样本实际类别标签的损失函数值，将损失函数值按极小化误差的方法反向传播调整卷积层的权值矩阵，得到最终卷积神经网络模型；步骤4、交通拥堵判别：选取路段的当前监控视频文件对应的图片中至少1帧图像传入训练完成的最终卷积神经网络模型中，进行前向传播，得到最终卷积神经网络模型的输出，根据输出结果判断当前监控视频文件对应的图片中的道路对应的拥堵级别；所述前向传播获得模型输出的类别标签的具体过程为：将含有标签的监控视频文件对应的图片作为输入信息，步骤S1：将输入信息经过第一个卷积层，卷积层包含两个阶段，第一阶段：将输入信息通过可训练的滤波器和可加偏置，第二阶段：将经过第一阶段后的信息通过一个ReLU激活函数得到特征映射图；步骤S2：再将步骤S1的特征映射图经过第一个池化层，对输入信息做降采样得到降采样结果；步骤S3：经过下一卷积层时，将上一池化层的降采样结果作为输入信息重复卷积层操作得到特征映射图，经过下一池化层时，将上一卷积层的特征映射图作为输入信息重复池化层操作得到降采样结果；步骤S4：将最后一层池化层的降采样结果传入全连接层，将得到的特征向量进行整合，得到一个一维长向量，将一维长向量传入分类器判断含有标签的监控视频文件对应的图片的类别标签。