一种基于改进AlexNet网络模型的拥堵识别方法

一种基于改进alexnet网络模型的拥堵识别方法
技术领域
1.本发明涉及数据处理技术领域，尤其涉及一种基于改进alexnet网络模型的拥堵识别方法。


背景技术：

2.交通拥堵是指在某一段时间内，由于交通需求的增加，通过道路中的某条路段或交叉口的总的车流量大于道路的交通容量(路段或交叉口的通行能力)时，导致道路上的交通流无法畅行，超过部分交通流滞留在道路(路段或交叉口)上的交通现象。
3.目前，现有的拥堵识别方法通过将车辆行驶过程采集的视频数据输入至预先训练的基于端到端的路况识别模型，所述路况识别模型包括影像特征提取网络，所述影像特征提取网络用于提取所述视频数据中的图像信息；经由所述路况识别模型处理，获得用于辨识交通拥堵与否的路况分类结果。
4.采用上述方式，在视频数据存在复杂的复杂图像信息时，会增加路况识别模型的处理难度，从而降低对拥堵识别的速度。


技术实现要素：

5.本发明的目的在于提供一种基于改进alexnet网络模型的拥堵识别方法，旨在解决现有的拥堵识别方法对复杂图像的拥堵识别速度较慢的问题。
6.为实现上述目的，本发明提供了一种基于改进alexnet网络模型的拥堵识别方法，包括以下步骤：
7.准备交通图像数据集；
8.获取当前交通图像，并对所述交通图像进行纹理特征提取，得到交通特征图像；
9.对alexnet网络模型进行改进，得到改进alexnet网络模型；
10.将所述交通特征图像输入改进alexnet网络模型进行训练，得到训练模型；
11.利用所述训练模型基于所述图像数据集对所述交通图像进行分类，将所述交通图像中的拥堵图像找出。
12.其中，所述准备交通图像数据集的具体方式为：
13.构建拥堵数据库和不拥堵数据库；
14.为所述拥堵数据集填充拥堵交通图像，得到拥堵数据集；
15.为所述不拥堵数据集填充不拥堵交通图像，得到不拥堵数据集；
16.将所述拥堵数据集和所述不拥堵数据集调整，得到交通图像数据集。
17.其中，所述将所述拥堵数据集和所述不拥堵数据集调整，得到交通图像数据集的具体方式为：
18.调整所述拥堵数据集中的所述拥堵交通图像的图像大小，得到拥堵调整数据集；
19.调整所述不拥堵数据集中的所述不拥堵交通图像的图像大小，得到不拥堵调整数据集；
20.分别对所述拥堵调整数据集和所述不拥堵调整数据集进行扩充，直至所述拥堵调整数据集的所述拥堵交通图像的数量和所述不拥堵调整数据集的所述不拥堵交通图像的数量相等，得到交通图像数据集。
21.其中，所述获取当前交通图像，并对所述交通图像进行纹理特征提取，得到交通特征图像的具体方式为：
22.对交通图像进行划分，得到多个区域块；
23.对每一所述区域块进行比较后赋值，得到多个区域值；
24.基于多个所述区域值计算每一所述区域块的直方图并进行归一化处理，得到多个统计直方图；
25.将每一所述区域块的所述统计直方图连接，得到交通特征图像。
26.其中，所述对alexnet网络模型进行改进，得到改进alexnet网络模型的具体方式为：
27.保留alexnet网络模型的基本框架；
28.在所述基本框架中引入inception模块，得到改进alexnet网络模型。
29.其中，所述保留alexnet网络模型的基本框架的具体方式为：
30.保留alexnet网络模型的卷积层、池化层、全连接层、激活函数和防止过拟合结构，得到基本框架。
31.其中，所述激活函数为非线性激活函数。
32.其中，所述在所述基本框架中引入inception模块，得到改进alexnet网络模型的具体方式为：
33.在所述基本框架的所述卷积层中引入inception模块，得到改进alexnet网络模型。
34.其中，所述inception模块包括1*1卷积核、3*3卷积核和5*5卷积核。
35.其中，所述将所述交通特征图像输入alexnet网络模型进行训练，得到训练模型的具体方式为：
36.将所述图像数据集转换为三维数组后输入alexnet网络模型进行训练，得到训练模型。
37.本发明的一种基于改进alexnet网络模型的拥堵识别方法，通过准备交通图像数据集；获取当前交通图像，并对所述交通图像进行纹理特征提取，得到交通特征图像；对alexnet网络模型进行改进，得到改进alexnet网络模型；将所述交通特征图像输入改进alexnet网络模型进行训练，得到训练模型；利用所述训练模型基于所述图像数据集对所述交通图像进行分类，将所述交通图像中的拥堵图像找出，通过对alexnet网络模型进行改进，增加了网络的深度，从而增加了对复杂图像特征的提取效果，解决了现有的拥堵识别方法对复杂图像的拥堵识别速度较慢的问题。
附图说明
38.为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以
根据这些附图获得其他的附图。
39.图1是本发明提供的一种基于改进alexnet网络模型的拥堵识别方法的流程图。
40.图2是准备交通图像数据集的流程图。
41.图3是将所述拥堵数据集和所述不拥堵数据集调整，得到交通图像数据集的流程图。
42.图4是获取当前交通图像，并对所述交通图像进行纹理特征提取，得到交通特征图像的流程图。
43.图5是对alexnet网络模型进行改进，得到改进alexnet网络模型的流程图。
具体实施方式
44.下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，旨在用于解释本发明，而不能理解为对本发明的限制。
45.请参阅图1至图5，本发明提供一种基于改进alexnet网络模型的拥堵识别方法，包括以下步骤：
46.s1准备交通图像数据集；
47.具体方式为：s11构建拥堵数据库和不拥堵数据库；
48.s12为所述拥堵数据集填充拥堵交通图像，得到拥堵数据集；
49.s13为所述不拥堵数据集填充不拥堵交通图像，得到不拥堵数据集；
50.s14将所述拥堵数据集和所述不拥堵数据集调整，得到交通图像数据集。
51.具体方式为：s141调整所述拥堵数据集中的所述拥堵交通图像的图像大小，得到拥堵调整数据集；
52.s142调整所述不拥堵数据集中的所述不拥堵交通图像的图像大小，得到不拥堵调整数据集；
53.s143分别对所述拥堵调整数据集和所述不拥堵调整数据集进行扩充，直至所述拥堵调整数据集的所述拥堵交通图像的数量和所述不拥堵调整数据集的所述不拥堵交通图像的数量相等，得到交通图像数据集。
54.s2获取当前交通图像，并对所述交通图像进行纹理特征提取，得到交通特征图像；
55.所述纹理特征提取通过lbp(local binary patterns)方法提取图像纹理特征，lbp方法是一个计算机视觉中用于图像特征分类的一个方法。是一种用来描述图像局部纹理特征的算子以及灰度共生矩阵法。
56.具体方式为：s21对交通图像进行划分，得到多个区域块；
57.具体的，将检测窗口划分为16
×
16的区域块(cell)。
58.s22对每一所述区域块进行比较后赋值，得到多个区域值；
59.具体的，对于每个cell中的一个像素，将其环形邻域内的8个点进行顺时针或逆时针的比较，如果中心像素值比该邻点大，则将邻点赋值为1，否则赋值为0，这样每个点都会获得一个8位二进制数(通常转换为十进制数)。
60.s23基于多个所述区域值计算每一所述区域块的直方图并进行归一化处理，得到多个统计直方图；
61.具体的，计算每个cell的直方图，即每个数字(假定是十进制数)出现的频率(也就是一个关于每一个像素点是否比邻域内点大的一个二进制序列进行统计)，然后对该直方图进行归一化处理。
62.s24将每一所述区域块的所述统计直方图连接，得到交通特征图像。
63.具体的，将得到的每个cell的统计直方图进行连接，就得到了整幅图的lbp纹理特征，得到交通特征图像。
64.s3对alexnet网络模型进行改进，得到改进alexnet网络模型；
65.具体方式为：s31保留alexnet网络模型的基本框架；
66.具体的，保留alexnet网络模型的卷积层、池化层、全连接层、激活函数和防止过拟合结构(dropout)，得到基本框架。所述激活函数为非线性激活函数(relu)。
67.s32在所述基本框架中引入inception模块，得到改进alexnet网络模型。
68.具体的，在所述基本框架的所述卷积层中引入googlenet网络模型的inception模块，得到改进alexnet网络模型。所述inception模块包括1*1卷积核、3*3卷积核和5*5卷积核，采用不同大小的的卷积核意味着不同大小的感受野，最后拼接不同尺度特征的融合，使得卷积神经网络能更充分提取图像的特征。所述改进alexnet网络模型的结构依次为1层输入数据层；5层卷积层、池化层和非线性激活函数relu的组合层；2层全连接层、非线性激活函数relu和防止过拟合结构dropout的组合层；1层输出层。卷积层作用：对输入图片进行特征提取。池化层作用：降低输入图片的尺寸。在卷积神经网络中每一个卷积层后面总会跟着一个池化层。激活函数作用：增加输出的非线性。常用relu或者tanh激活函数。全连接层作用：全连接层出现在卷积神经网络的末尾，在整个卷积神经网络中起到“分类器”的作用。
69.s4将所述交通特征图像输入改进alexnet网络模型进行训练，得到训练模型；
70.具体的，将所述图像数据集转换为三维数组(彩色图像可以通过三阶张量描述，可以将一幅彩色图像看做由r,g,b三种基础色进行堆叠形成，而这三种基础色又对应了三个大小相同的矩阵，矩阵的数值表征这一通道颜色的深浅，取值范围为0-255。)输入alexnet网络模型进行训练，得到训练模型。
71.s5利用所述训练模型基于所述图像数据集对所述交通图像进行分类，将所述交通图像中的拥堵图像找出。
72.具体的，所述训练模型的输入文本的大小为256*256，因此步骤s141和步骤s142将所述拥堵交通图像的图像大小和所述不拥堵交通图像的图像大小调整为256*256。与现有的基于视频的拥堵识别技术相比有设备安装成本低，识别速度快的优点。
73.以上所揭露的仅为本发明一种基于改进alexnet网络模型的拥堵识别方法较佳实施例而已，当然不能以此来限定本发明之权利范围，本领域普通技术人员可以理解实现上述实施例的全部或部分流程，并依本发明权利要求所作的等同变化，仍属于发明所涵盖的范围。