基于3D CNN的道路视频交通状态自动识别

• 作者: 彭博 唐聚 张媛媛 蔡晓禹 孟繁和
• 来源期刊: 西南交通大学学报
• 学科: 交通运输
• 关键词: 智能交通 交通状态识别 三维卷积 道路视频 深度学习
• 年，卷（期）: 2021,（1）
• 页码范围: 153-159,封2
• 页数: 8页
• 分类号: U491.1
• 语种: 中文
• DOI: 10.3969/j.issn.0258-2724.20191169

摘要

为了从视频直接有效地提取交通信息,提出了基于三维卷积神经网络(3D convolutional neural networks,3D CNN)的交通状态识别方法.首先,以C3D(convolutional 3D)深度卷积网络为3D CNN原型,对卷积层数量与位置、平面卷积尺寸及三维卷积深度进行优化调整,形成了37个备选模型;其次,建立了视频数据集,对备选模型进行系统的训练测试,提出了交通状态识别模型C3D*;然后,对C3D*和现有三维卷积网络模型进行视频交通状态识别测试分析;最后,对比测试了C3D*及常用二维卷积网络的交通状态识别效果.对比结果显示:针对视频交通状态识别,C3D*的F均值为91.32％,比C3D、R3D(region convolutional 3D network)、R(2+1)D(resnets adopting 2D spatial convolution and a 1D temporal convolution)分别高12.24％、26.72％、28.02％;与LeNet、AlexNet、GoogleNet、VGG16的图像识别结果相比,C3D*的F均值分别高32.61％、69.91％、50.11％、69.17％.