[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

说明书

本发明公开了一种视频识别行车轨迹获取方法、装置及存储介质，包括数据采集步骤、数据集划分步骤、数据标定及预处理步骤、深度学习模型的训练步骤及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步骤。本发明不同于虚拟驾驶所得车辆行驶轨迹的与现实中的差异而带来的误差大，本发明准确率更高。

技术领域

本发明涉及交通信息处理领域，具体涉及一种视频识别行车轨迹获取方法、装置及存储介质。

背景技术

行车轨迹对于每位驾驶人员来说都有很重要的意义，通过行车轨迹可以了解车辆行驶的具体路线，也同时可以作为交通事故的判别依据。在道路设计和道路交通安全领域，行车轨迹可以作为路线设计的理论基础，同时行车轨迹的偏移程度还和道路安全息息相关。

目前获取汽车行驶轨迹的方法，可分为两大类。一是通过终端软件获取GPS信息进行数据储存与GPS数据拼凑成像，这种处理方法非常依赖于GPS的精度，在高速移动的车辆中，目前的GPS厘米级别的高精度技术比较难实现。二是将真实的道路环境建立道路状况三维建模，通过模拟驾驶的多自由度驾驶仓也可得到相关的车辆行驶轨迹。但模拟驾驶实验难以完全还原真实道路情况，数据和自然驾驶实验存在一定的差异性。

有鉴于此。如今迫切需要一种新的行车轨迹获取方式，以便克服上述缺陷。

发明内容

为了克服现有技术存在的缺点与不足，本发明提供一种基于深度学习的视频识别行车轨迹获取方法、装置及存储介质。

本发明采用如下技术方案：

一种视频识别行车轨迹获取方法，包括如下步骤：

数据采集，获取高速公路的视频数据，所述视频数据包括监控时段、监控场景及监控线形；

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，所述预处理包括按照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；

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。

优选的，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。

优选的，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Xi，Yi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。

优选的，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。

优选的，所述数据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。

优选的，所述采用验证集对深度学习模型进行评估，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；