[发明专利]一种视频识别行车轨迹获取方法、装置及存储介质

权利要求书

1.一种视频识别行车轨迹获取方法，其特征在于，包括如下步骤：

数据采集，获取高速公路的视频数据，所述视频数据包括不同监控时段、不同监控场景及不同监控线形的视频数据；

所述监控时段，是指在不同照度和亮度的情况下，具体是指早，中，晚三个时间段；

所述监控场景，是指在自由流、稳定流及阻塞流情况下的车辆行驶的轨迹数据；

所述监控线形，是指道路的形状，具体为直线、上坡及曲线段；

数据集划分，将视频数据按照20帧每秒划分为图片数据集，将该图片数据集划分为训练集train，用来训练模型；验证集valid，便于初步评估训练结果及测试集；

数据标定及预处理，包括按照20帧为一张照片进行裁取，使用标定工具对图片中的车辆进行编号和位置标定，获得车辆的编号信息和坐标信息，然后对获得信息进行预处理；

所述预处理包括特征提取、特征降维、特征空值处理、特征转换及特征归一化；

深度学习模型的训练，初步得到行驶轨迹识别模型；

采用验证集对深度学习模型进行评估，确定最优卷积神经网络结构模型，具体为：

采用验证集，初步评估深度学习模型的训练结果，进行调参，是否发生过拟合，确定最优模型；

标定图片得到的坐标数据作为准确值，将训练模型的坐标作为预测值，计算损失函数，分析评估结果；

根据损失函数反求梯度进行参数调整，确定最优卷积神经网络结构模型。

2.根据权利要求1所述的视频识别行车轨迹获取方法，其特征在于，深度学习模型具体为卷积神经网络结构模型，包括卷积层、池化层及全连接层，所述卷积层生成图像的特征数据，池化层是对特征数据进行聚合统计，全连接层将池化后的多组数据特征组合为一组信号数据输出，进行图片类别识别。

3.根据权利要求1所述的视频识别行车轨迹获取方法，其特征在于，基于卷积神经网络结构模型的损失函数为：

训练集的标定所得的精确值X_i,Y_i和初步模型获得的预测值X′_i,Y′_i的均值平方方差MSE作为评估标准。

4.根据权利要求1所述的视频识别行车轨迹获取方法，其特征在于，所述数据集划分是按照占比0.6，0.2和0.2的训练集，验证集和测试集。

5.一种实现权利要求1-4任一项所述的视频识别行车轨迹获取方法的装置，其特征在于，包括：

视频图像采集模块，是通过高速公路上的摄像头，获取交通监控视频中的运动车辆信息；

视频图像划分模块，对采集到的视频信息进行验证集，检测集及训练集的分类划分；

视频图像标定及预处理模块，用于对视频中的图片进行标定及预处理；

模型训练评估模块，用于对深度学习模型的训练，初步得到行驶轨迹识别模型，采用验证集对深度学习模型进行评估，确定最优卷积神经网络结构模型。

6.一种存储介质，其特征在于，用于存储权利要求1-4任一项所述的视频识别行车轨迹获取方法。