基于3D CNN的道路视频交通状态自动识别

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％.