10.3969/j.issn.1002-0268.2020.12.015
基于自编码器与k-means聚类的视频交通状态自动识别
为了及时有效地识别道路交通状态,提出了基于自编码器与k-means聚类的视频交通状态自动识别方法.首先,通过交叉试验的方式对输入数据维度、隐藏层数量与降维数据维度等结构参数进行合理优化,建立自编码器备选模型;然后,构建了样本量为1500~4500的3个图像数据集,对备选模型进行训练测试,利用准确率、召回率、F1值比选出最优自编码器AE?;最后,将AE?与k均值聚类(k-means)、支持向量机(SVM)、线性分类器(Linear Classifier)、深度神经网络线性分类器(DNN Linear Classifier)结合,构建了4个交通状态识别模型:AE?-k-means,AE?-SVM,AE?-Linear,AE?-DNN_Linear.基于构建的3个图像数据集对上述交通状态识别模型进行训练测试,结果显示:在准确率与召回率方面,4个模型的平均准确率为91.9% ~92.7%,平均召回率为91.6% ~92.6%,其中,AE?-Kmeans在准确率、召回率方面均处于最优或次优水平;在综合评价指标F1值方面,AE?-k-means为92.4%,略低于AE?-SVM(92.7%),高于AE?-DNN_Linear(92.1%)、AE?-Linear(91.8%).由于k-means是一种无监督聚类方法,与AE?-SVM,AE?-DNN_Linear,AE?-Linear相比,AE?-k-means在获得较优的交通状态识别效果的同时,可减少人工数据标定、有监督训练等工作量及运算成本,对于准确实时提取视频交通状态具有较高的实际意义.
智能交通、视频交通状态识别、深度学习、城市干道、自编码器
37
U491.1(交通工程与公路运输技术管理)
国家自然科学基金项目;重庆市基础前沿与技术创新项目;城市交通管理集成优化重点实验室与山地城市交通系统安全实验室开放基金项目
2020-12-31(万方平台首次上网日期,不代表论文的发表时间)
共7页
117-123