[发明专利]一种基于焦点损失函数的交通异常图片识别方法

权利要求书

1.一种基于焦点损失函数的交通异常图片识别方法，包括训练步骤和测试步骤；其特征在于，

训练步骤包括：

(1)建立数据集，包括正常交通状况下的图片以及异常交通状况下的图片；

(2)对所述数据集进行预处理，形成统一尺寸的预处理图像，构成训练集和测试集；训练集图片占比大于测试集图片占比；

(3)构建包括卷积层、批标准化、池化层、全连接层以及输出层的卷积神经网络；

(4)构建用于克服类别不均衡对训练造成影响的焦点损失函数作为卷积神经网络的目标函数；

(5)对卷积神经网络进行参数初始化，并使用所述训练集对卷积神经网络进行训练，每轮训练后在测试集上进行测试，当卷积神经网络在测试集上的分类准确率不再提高时停止训练；

测试步骤包括：

(i)将需要测试的图片进行裁剪、缩放；

(ii)将缩放后的图片作为卷积神经网络的输入，通过卷积神经网络进行特征提取；

(iii)通过卷积神经网络的全连接层对提取的特征进行线性组合；

(iv)通过输出层将全连接层的输出转换为分类概率；

(v)选取最大的概率值，判断该概率值是否大于给定的阈值，若是，则判定图片对应的交通异常类型为最大概率值对应的交通异常类别；若否，则判定图片为正常交通状态下的图片。

2.如权利要求1所述的交通异常图片识别方法，其特征在于，对数据集进行预处理包括：

(2.1)对图片进行随机方向的平移、做随机方向的旋转、随机色彩调整以及随机水平翻转；

(2.2)将翻转后的图片进行裁剪，得到以图片中心点选取较短边为边长的正方形图片，将裁剪后的图片进行缩放；

(2.3)将整个数据集划分为训练集和测试集。

3.如权利要求1或2所述的交通异常图片识别方法，其特征在于，在利用全连接层对特征进行线性组合前，包括对特征进行批标准化处理的步骤，将图片每个通道中的特征值标准化到设定范围内，以加速训练。

4.如权利要求3所述的交通异常图片识别方法，其特征在于，在批标准化处理后、对特征进行线性组合前，还包括：

通过ReLU激活函数筛选出大于0的特征值，利用最大池化层将图片尺寸缩小，所得到的特征在经过若干个中间层后，利用平均池化层对特征值在相邻的预设范围内取平均，使特征具有空间不变性；其中，中间层包括多个瓶颈层。

5.如权利要求1～4任一项所述的交通异常图片识别方法，其特征在于，采用sigmoid函数作为卷积神经网络的输出层，利用sigmoid函数生成分类概率，其输出值直接作为不同异常类别的概率分布。

6.如权利要求1或2所述的交通异常图片识别方法，其特征在于，对图片进行裁剪的裁剪方式为图片中心裁剪或图片四个角裁剪，或这两种裁剪方式的组合。

7.如权利要求1或2所述的交通异常图片识别方法，其特征在于，使用在ImageNet数据集上训练过的卷积神经网络的参数对所构建、卷积神经网络进行参数初始化。

8.如权利要求1或2所述的交通异常图片识别方法，其特征在于，测试步骤(v)中阈值的范围为[0,1]，阈值越大，对异常类别的判定越严格，对于不同的类别使用同一个阈值进行判定。