[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

说明书

本发明属于图像识别与计算机视觉技术领域，公开了一种基于焦点损失函数的交通异常图片识别方法，包括：构建基于点损失函数的卷积神经网络，建立图片数据集；对图片数据集进行预处理，使用处理后的图片数据集对卷积神经网络进行训练；使用训练好的卷积神经网络对输入图片进行识别，得到图片所属交通异常类别检测结果；本发明针对道路异常与正常情况数据集类别不均衡、导致卷积神经网络的训练难以进行的情况，使用焦点损失函数替代原有损失函数，使得卷积神经网络能够顺利训练，提高了识别准确度；本发明提供的识别方法可部署在各交通路段的监控系统中，自动对当前路段是否发生交通异常进行识别，从而为交通部门提供及时预警。

技术领域

本发明属于图像识别与计算机视觉技术领域，更具体地，涉及一种基于焦点损失函数的交通异常图片识别方法。

背景技术

引起交通事故的原因很多，包括路面积雪、路面破损、起火、堵车、大雾、塌方滑坡等交通异常情况，若能够通过监控对这些原因进行识别，就可以在发生交通事故之前采取相应处理，减少交通事故的发生。

目前主要通过电话以及人工查看监控摄像头的方式对交通异常进行识别，效率低下，需要大量的人力劳动。一种可能的方法是使用计算机视觉技术编写软件，自动检测监控摄像头所拍摄的图片是否包含异常情况。传统的计算机视觉技术需要手动设计特征用于分类，这种方法不仅效率较低，而且在扩充新的分类类别时需要设计新的特征用于识别新的异常类别，降低了系统的维护性。

将深度学习与计算机视觉相结合可以在分类任务中通过训练的方式自动学习出所需要的特征，大大提高了系统的可维护性。因此将深度学习与交通异常情况检测结合起来，建立一个交通异常情况检测系统，自动使用摄像头的实时监控信息进行异常情况的检测，不仅能提高交通预警的及时性，也能节省大量的人力。然而，实际应用场景下获取的交通异常图片与正常图片的比例十分不均衡，会大幅影响训练出的分类器的精度，导致实际检测时准确率低。因此对一种可在正常与异常图片不均衡条件下进行交通异常图片识别的技术具有实际需求。

发明内容

针对现有技术的以上缺陷或改进需求，本发明提供了一种基于焦点损失函数的交通异常图片识别方法，其目的在于提高交通异常图片识别的准确率。

为实现上述目的，按照本发明的一个方面，提供了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；

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积雪、路面破损、交通事故、起火、堵车、大雾和塌方滑坡等交通异常状况下的图片；

(2)对上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；焦点损失函数以卷积神经网络的向量输出和卷积神经网络输入图片对应的异常类别为输入，输出一个常量；

(5)对卷积神经网络进行参数初始化，并使用上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并满足需求时停止训练；

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，经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；