基于深度学习的城市路网交通状态视觉识别方法研究

With the constant improvement of urban road network traffic video monitoring and running, how to efficiently and accurately identify road network traffic status by mining information from traffic video big data has become an urgent problem in the traffic video monitoring field. The three contents which include selection and extraction of traffic state visual characteristic parameters，traffic state identification methods of a single traffic video monitoring node and road network traffic state recognition method are studied from point to surface in this project. First, by analyzing the correlation degree between the traffic parameters and traffic condition, traffic parameters and their visual characteristics expression which is suitable for traffic state visual identification task will be determined and extracted by using visual attention mechanism. Then, combining the theory of sparse representation and deep learning, the traffic state identification model of a single video monitor node is set up. On this basis, road network traffic state clustering model is set up by using the theory of manifold learning and deep learning to realize automatic road network traffic state partition and identify effectively regional traffic status. Finally, fast and efficient algorithm to solve the model will be researched under the large-scale road network data. This project will provide a new theory and method for urban road network traffic state identification, The research results have important theoretical significance and broad application prospects.

随着城市路网中交通视频监控网络的不断完善和运行，从交通视频大数据中挖掘信息，高效、准确地识别路网交通状态，成为交通视频监测领域迫切需要解决的问题。本项目围绕交通状态视觉特征参数的选择和提取、单个交通视频监控节点的交通状态识别方法、路网交通状态识别方法三个内容由点及面的开展研究。首先通过分析交通参数与交通状态之间的关联程度，确定适合交通状态视觉识别任务的交通参数及其视觉特征表达，并利用视觉注意机制进行参数提取；然后结合稀疏表示和深度学习理论建立单个视频监控节点的交通状态识别模型；在此基础上，运用流形学习和深度学习理论建立路网交通状态聚类模型，实现路网交通状态自动分区进而对子区的交通状态进行有效识别；最后研究大规模路网数据下求解模型的快速高效算法。本项目的研究将为城市路网交通状态识别提供新的理论与方法，研究成果具有重要的理论意义和广阔的应用前景。

随着智慧城市建设中交通监控的部署不断完善，交通视频数据已在交通信息传感中占据主导地位。海量的视频监控数据以前所未有的速度产生，对数据传输、存储资源、数据处理提出了很大的挑战。如何从交通视频大数据中高效地挖掘信息、准确地识别路网交通状态，成为交通视频监测领域迫切需要解决的问题。本项目的主要研究内容包括：①结合SSD-Mobilenet深度学习框架和物联网（Raspberry Pi）设备提出基于边缘计算的交通监控节点交通状态参数实时提取方法，开发了相应的软件平台和硬件检测器。②针对城市复杂交叉口交通视频监控节点中，由于遮挡严重，基于车辆检测和跟踪的交通参数提取方法很难实现的问题，本项目提出改进的稀疏表示的背景差分方法。该方法通过建立与前景不相关背景字典更新模型进行交叉口前景检测，解决了背景差分中因交叉口停车线前大量的慢速和暂停车辆导致前景融入背景而无法获得完整前景的问题；③针对城市复杂路段交通视频监控节点中由于遮挡严重问题，提出利用Gabor和GLCM组合视觉特征的表达交通状态特征，并运用监督C-Isomap流形方法进行路段交通状态识别。④针对路网的交通状态模式随时间变化以及对道路网络的复杂空间依赖性，基于路网中各交通监控节点通过边缘计算获取的特征，提出基于图卷积稀疏自编码的路网交通状态识别方法。本项目着眼于整个路网，并由点及面提出的基于交通视频监控网络的交通状态识别整体解决方案，为实时交通状态识别提供了新方法。