基于场景图像分割的高速公路收费站拥堵检测模型及方法

专利主权项内容

1.一种基于场景图像分割的高速公路收费站拥堵检测模型的构建方法，其特征在于，包括以下步骤：获取训练样本：获取拥堵状态的高速公路收费站的至少一个监控视频流和非拥堵状态的高速公路收费站的至少一个监控视频流作为训练样本；搭建高速公路收费站拥堵检测模型：搭建依次连接的特征提取模块、时序特征重构模块和拥堵状态评估模块作为高速公路收费站拥堵检测模型；无监督训练高速公路收费站拥堵检测模型：将训练样本输入到高速公路收费站拥堵检测模型中进行训练，每一个训练样本输入到特征提取模块中提取不同时间点的视频特征，不同时间点的视频特征输入时序特征重构模块中重建得到对应当前训练样本的特征矩阵，其中特征矩阵内的特征值为结合周围环境信息的目标车辆特征，特征矩阵输入拥堵状态评估模块利用无监督的异常检测算法评估得到拥堵状态或非拥堵状态的预测结果，并利用损失函数对高速公路收费站拥堵检测模型的无监督的训练过程进行约束；其中对于时间序列长度为的监控视频流，时间点i和时间j的视频特征分别为：/> ；其中为时间点i的视频特征，/>为时间点j的视频特征，/>和/>是第t时刻的视频图像帧内的所有车辆特征，t表示当前视频流片段的结束时间点，/>表示时间序列长度，对应于这段监控视频流的长度；其中在不同时间点的视频特征输入时序特征重构模块中重建得到对应当前训练样本的特征矩阵步骤中，取相邻两个时间点的视频特征计算相似度得到特征值，依时序排列所有特征值得到对应同一监控视频流的特征矩阵，其中计算相邻两个时间点的视频特征的相似度，取所有相似度同当前视频监控流序列的长度的平均值作为当前相邻两个时间点的视频特征的特征值；其中同一监控视频流的特征矩阵表示为/>，特征矩阵中的特征值表示为：/>其中/>是特征值，/>和/>是两个视频特征中对应的同一视频帧，/>指的是同一视频帧的点乘；其中拥堵状态评估模块基于特征矩阵中的目标车辆特征基于异常检测算法检测拥堵状态或非拥堵状态，并整理获取所有车辆目标的目标特征序列，所述目标特征序列表示为：/>，其中/>表示车辆目标在每一视频图像帧中水平方向像素数量，/>表示车辆目标在每一视频图像帧在垂直方向占据的像素数量，/>表示车辆目标的数量，0和1表示异常检测的结果，0为畅通，1为拥堵；其中高速公路收费站拥堵检测模型的损失函数为概率分布损失函数，概率分布损失函数为回归损失和概率损失的和，具体的公式如下：/>；
；其中为概率分布损失函数，/>为回归损失，/>为概率损失，/>是训练样本的数据集中监控视频流的数量，f是特征提取模块，/>为KL散度用来比较两个特征矩阵之间的差异，两个特征矩阵指的是训练样本预测的特征矩阵和实际的特征矩阵，/>表示目标特征序列，/>表示车辆目标与周围车辆之间的关联关系，/>和/>是两个视频特征中对应的同一视频帧， t表示视频结束时间，/>表示时间序列长度，/>是时间点i的视频图像帧中的车辆特征。。关注公众号马克数据网