[发明专利]基于无人机与长短时记忆网络的车辆行为识别方法及系统

权利要求书

1.一种基于双向长短时记忆网络的车辆行为识别方法，其特征在于，所述方法包括：

调取通过设置在交通道路上空的无人机离线采集到的交通视频数据；

使用深度卷积神经网络建立的车辆检测模型对所述交通视频数据中的车辆进行检测追踪，提取出车辆行驶轨迹；

对所述车辆行驶轨迹进行预处理，对预处理后的车辆行驶轨迹进行特征提取，所述提取的特征包括车辆轨迹点角度变化值，并依据提取的特征数据建立训练数据集与测试数据集；所述测试数据集包括车辆行为样本；

使用双向长短时记忆递归神经网络对所述训练数据集进行模型训练，生成车辆行为识别模型；

将所述测试数据集输入至车辆行为识别模型中进行精度评估；

将无人机在线实时采集到的交通视频数据输入至经过精度评估后的车辆行为识别模型进行车辆行为的识别，输出识别结果；

所述对所述车辆行驶轨迹进行预处理的步骤，具体包括：

对所述车辆行驶轨迹进行平滑处理、重复点删除处理以及轨迹压缩处理；

所述轨迹压缩处理具体包括：

将车辆行驶轨迹的起始点与终止点连为一条直线，并求解所述车辆行驶轨迹上的所有点与所述直线之间的距离；

找出最大距离，并将最大距离与预设的阈值进行比较；

当最大距离小于所述阈值，则将所述车辆行驶轨迹上的中间点全部删除，并将所述直线作为车辆行驶轨迹的近似；

当最大距离不小于所述阈值，则保留所述最大距离所对应的轨迹点，并以所述轨迹点为边界，将车辆行驶轨迹分成两部分；

对这两部分重复执行轨迹压缩处理的步骤，直到所有的最大距离都不大于所述阈值；

所述平滑处理的计算方式为：

其中，S为车辆轨迹X，Y序列，N为滑动窗口大小；

所述重复点删除处理包括：

Δ表示轨迹前后两点之间的距离，(x_i+1，y_i+1)，(x_i，y_i)表示相邻轨迹点；

所述将所述测试数据集输入至车辆行为识别模型中进行精度评估的步骤，具体包括：

将测试数据集输入至车辆行为模型中；

将车辆行为识别模型输出的识别结果与交通视频数据中对应车辆的行驶行为进行比对分析，确定所述车辆行为识别模型的精度；

依据所述车辆行为识别模型的精度，得到最终车辆行为识别模型。

2.根据权利要求1所述的基于双向长短时记忆网络的车辆行为识别方法，其特征在于，所述使用深度卷积神经网络建立的车辆检测模型对所述交通视频数据中的车辆进行检测追踪，提取出车辆行驶轨迹的步骤，具体包括：

接收到离线采集到的交通视频数据之后，将离线采集到的交通视频数据标定处理后输入至多尺度深度卷积神经网络中进行模型训练，生成车辆检测模型；

使用所述车辆检测模型对交通视频数据中的车辆进行检测追踪，提取出所有车辆的行驶轨迹。

3.根据权利要求1所述的基于双向长短时记忆网络的车辆行为识别方法，其特征在于，所述使用双向长短时记忆递归神经网络对所述训练数据集进行模型训练，生成车辆行为识别模型的步骤，具体包括：

将双向长短时记忆递归神经网络中的隐藏层数量设置为64、学习率设置为0.01以及迭代次数设置为10000；

将训练数据集输入至双向长短时记忆递归神经网络中进行模型训练，然后通过前向传播算法输出预测值；

计算预测值与真实值的误差，并利用反向传播算法将误差反向传播；

使用梯度下降原理更新模型中的参数，并在最小化目标函数是完成训练，生成车辆行为识别模型。

4.根据权利要求1中所述的基于双向长短时记忆网络的车辆行为识别方法，其特征在于，所述确定所述车辆行为识别模型的精度的步骤，具体包括：

将车辆行为识别模型所识别出来的每一类行为结果与交通视频数据中对应车辆的每一类行驶行为进行比对分析，输出每一类行为的精度；

计算所有类行为的精度的平均值，将其作为车辆行为识别模型的最终精度。