[发明专利]一种基于可重构卷积神经网络的道路风险目标识别方法

说明书

一种基于可重构卷积神经网络的道路风险目标识别方法，包括如下步骤：用户对当前实际场景当中的需要进行识别的个体进行拍摄并上传至识别端；识别端启动图像识别程序，选择并保存用户上传的图片；在识别端的界面选择可重构卷积神经网络模型，调用可重构卷积神经网络模型进行识别，识别完成后将识别结果输出到界面。本方法通过车载摄像头设备或移动终端设备对前方道路进行实时检测，出现风险目标时进行拍摄，并上传到系统数据库完成道路风险目标检测，并将检测结果通过移动终端返回。不仅保证了数据的私密性，并且还可以将检测过的图片进行保存，用于后续训练优化卷积神经网络模型，提高在实际场景中的应用，极大程度上降低了识别的误差率。

技术领域

本发明属于基于卷积神经网络的目标识别领域，具体涉及一种基于可重构卷积神经网络的道路风险目标识别方法。

背景技术

智能交通的概念随着智能社会的发展逐渐进入人们的视野，智能交通的主要目的是通过改善对道路的安排、车辆调控、视频监控，实现交通优化运营。人、交通工具、道路之间逐渐形成了以人为中心的友好道路局面，并且完成了人、交通工具、道路三方之间的信息共享和传输。对于城市智慧交通系统来说，实现该系统的基础应该是智慧交通工具、智慧基础设施等部分，将车辆、基础设施统一化管理与调度。欲实现该功能，基本需要包括：传感器、接收单元、反馈单元等部分。将数据通过传感器传输到接收单元以后，进行下一步判断与处理，再将结果反馈给传感器终端设备响应操作。从而在不需要人为参与管理的情况下，系统可以自行有效地对终端进行调配，以达到减缓交通压力的目的。当前的控制道路流量的技术主要围绕在以车载传感器为核心，定位追踪技术为辅的情况下，单一化的从车辆一个方面进行节流。人机交互性的统一化程度较低。

针对行人、车辆这样的识别目标，与静态物体不同。这类目标会实时的发出不一样的动作、伴随着不同的速度、穿着形态各异的服饰。这些客观存在的不稳定因素，将会造成卷积神经网络对这样的图像在学习和识别的过程当中特征提取不完整，导致最后的整个卷积神经网络识别精度较差。而对于现有的公开数据集当中，可用于卷积神经网络训练的图像的质量较好，但是结构相对简单。而实际当中存在目标状态的图像结构相对复杂，相同目标的的图像的不同存在于装饰；而对于不同目标之间的图像，则会在实际的视频监管下，不同角度的摄像头所处在的光线、角度位置、遮蔽物、发出行为的不同，所获取到的图像数据产生较大的差异。所以，能真正使用在训练卷积神经网络当中的图像数据不足，并且这样的差异也导致了最终卷积神经网络的识别难度。

发明内容

本发明针对数训练卷积神经网络时数据量不足、识别精度较差的问题，提出在基本卷积神经网络结构当中，搭建一个层数较浅的卷积神经网络模型，并结合在卷积神经网络当中数据增强的方法，组成一个实时检测道路风险目标的检测方法，实现在道路当中实时检测出现的目标，通过车载摄像头设备或者连接的移动终端设备，对前方道路进行实时检测，出现风险目标时进行拍摄，并上传到系统数据库完成道路风险目标检测，并将检测结果通过移动终端返回。不仅保证了数据的私密性，并且还可以将检测过的图片进行保存，用于后续训练优化卷积神经网络模型，提高在实际场景中的应用，极大程度上降低了识别的误差率。

一种基于可重构卷积神经网络的道路风险目标识别方法，包括如下步骤：

步骤1，用户对当前实际场景当中的需要进行识别的个体进行拍摄并上传至识别端；

步骤2，识别端启动图像识别程序，选择并保存用户上传的图片；

步骤3，在识别端的界面选择可重构卷积神经网络模型，调用可重构卷积神经网络模型进行识别，识别完成后将识别结果输出到界面。

进一步地，步骤1中，用户选择需要进行识别检测的道路风险目标，然后利用移动终端提供的摄像头设备或者用户自己的拍摄设备，对目标进行拍摄，之后将所拍摄好的图片上传到终端，识别端为网页端或者移动终端。

进一步地，步骤2中，识别端运行可重构的卷积神经网络模型程序，在识别端界面选择已经拍摄好的、需要进行识别检测的图像，选择好的图像自动保存在识别端的数据库系统中，用于后续优化可重构卷积神经网络模型和对相同图片进行重复操作。