CN109671274A - 一种基于特征构造和融合的公路风险自动评估方法 - Google Patents
一种基于特征构造和融合的公路风险自动评估方法 Download PDFInfo
- Publication number
- CN109671274A CN109671274A CN201910066257.XA CN201910066257A CN109671274A CN 109671274 A CN109671274 A CN 109671274A CN 201910066257 A CN201910066257 A CN 201910066257A CN 109671274 A CN109671274 A CN 109671274A
- Authority
- CN
- China
- Prior art keywords
- road conditions
- highway
- conditions parameter
- parameter
- neural network
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
- G08G1/0125—Traffic data processing
- G08G1/0129—Traffic data processing for creating historical data or processing based on historical data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/06—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons
- G06N3/061—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons using biological neurons, e.g. biological neurons connected to an integrated circuit
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- General Physics & Mathematics (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Neurology (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Microelectronics & Electronic Packaging (AREA)
- Traffic Control Systems (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种公路风险自动评估方法,通过采集公路的路况参数,并将路况参数变换为计算机可识别的数据形式,利用多层融合深度网络对数据进行分析,建立反映路况参数与公路安全风险等级之间关系的深度神经网络模型,通过该深度神经网络模型对未知风险等级的公路进行安全风险的评估。通过本发明的公路风险自动评估方法,能够通过统计学习的手段分析和融合多种公路环境参数,有效提取公路风险等级与路况参数之间的关系,进而自动进行公路风险的等级评估。
Description
技术领域
本发明主要涉及公路风险的评估,特别涉及一种采用智能信息处理技术、基于特征构造和融合的公路风险自动评估方法。
背景技术
公路风险评估是交通安全领域的一个重要研究课题。基于对公路特定路段风险等级的评估来对危险路段进行准确的定位,能够指导公路建设的重点方向,及时发现危险路段,进而有效地避免交通事故的发生。
在传统的公路规划设计中,多采用人工的方式进行风险等级评估,依靠经验和理论进行评估模型的设计。虽然一些模型的评估结果经实践验证后是可信的,但是受到人的经验、计算能力、以及所用模型的限制,其考虑的公路特征的数量有限,无法全面地反映公路特征与风险评估结果之间的关联。针对特定类型公路建立的模型也无法很好地适应实际公路的各种复杂情况,无法准确地体现未知公路行驶环境对公路风险等级的影响。
在现有的采用机器学习对公路数据进行建模进而评估其风险等级的方法中,受限于特征提取的困难,往往不能直接找到最适合风险建模的有效公路参数,即便找到了相关参数,对于特征之间的权重往往难以确定。因此,效果很不理想。
因此,实有必要设计一种基于自动化客观分析、通过数据驱动的方式实现的公路风险自动评估方法,来弥补人工建模评估的缺点和不足。
发明内容
本发明的目的在于,基于特征构造和融合来实现公路风险的自动评估,从而解决现有的公路安全风险评估中缺乏有效的基于环境因素的客观评估方法的问题。为此,本发明采集描述公路路况的参数,并将路况参数变换为计算机可识别的数据形式,在此基础上,利用多层融合深度网络对数据进行分析,建立反映路况参数与公路安全风险等级之间关系的深度神经网络模型,通过该深度神经网络模型就能够对未知风险等级的公路进行安全风险的评估。
为实现上述目的,本发明提供了一种公路风险自动评估方法,包括以下步骤:
对已知风险等级的公路进行分析,提取与各个路段相对应的路况参数,形成第一路况参数集合,所述第一路况参数集合包含多个样本,每个样本具有多个特征并且包含对应于每个特征的参数描述;
将所述第一路况参数集合中的参数描述数值化;
将数值化后的第一路况参数集合中的至少部分样本输入深度神经网络,其中深度神经网络输入层的神经元数量与输入样本的特征维度相同,深度神经网络输出层的神经元数量与风险等级的数量相同,以已知的公路风险等级作为监督信息,对深度神经网络进行训练,提取风险等级与路况参数之间的函数关系,建立公路风险评估深度神经网络模型;
按照与形成所述第一路况参数集合相同的方式对未知风险等级的公路进行分析、提取与各个路段相对应的路况参数,形成第二路况参数集合,所述第二路况参数集合包含至少一个样本,每个样本具有多个特征并且包含对应于每个特征的参数描述;
按照与所述第一路况参数集合相同的方式将所述第二路况参数集合的参数描述数值化;
将数值化后的所述第二路况参数集合中的样本输入所述公路风险评估深度神经网络模型,输出相应的风险等级。
优选地,所述方法进一步包括如下的特征优化步骤:
在将数值化后的第一路况参数集合中的样本输入深度神经网络之前,通过数据驱动的方式,采用混合蛙跳算法对所述数值化后的第一路况参数集合中样本的特征维度进行优化,降低用于建模的样本的特征的数量,生成最优特征组合。
优选地,所述特征优化步骤进一步包括如下步骤:
(1)从所述数值化后的第一路况参数集合中,选取置信度高的数据,作为混合蛙跳算法的验证数据;
(2)基于所述验证数据计算代价函数,生成混合蛙跳算法的不同的个体,每个个体代表一个特征向量,所述特征向量的每个特征从所述第一数据集合的样本的特征中选出,每个特征向量代表一种可能的特征组合方式,其维度不超过所述第一数据集合的样本的特征维度;
(3)将验证数据中每个个体所对应的数据通过深度神经网络进行分类测试,计算测试的准确率,做为该个体的适应度值;
(4)选取适应度值高的个体进入下一次迭代计算中;
(5)当特征区分度达到预设的准确率精度时,结束迭代,保存最优特征组合,否则重复步骤(3)和步骤(4)。
优选地,所述方法进一步包括如下的数据矫正步骤:
在将所述第一路况参数集合中的参数描述数值化之前,对公路的各个路况参数进行矫正,排除参数描述明显与公路实际情况不符的路况参数。
优选地,所述数据矫正步骤进一步包括如下步骤:
人工筛选可信度高的数据,建立概率分布模型;
对路况参数进行错误预测,计算后验概率的数值,对低于经验门限值的进行矫正;
采用概率模型的期望值作为矫正值。
优选地,提取路况参数的方式包括:
基于实地勘查和测量获取公路的路况参数,至少包括:路侧物体距离、坡度、警告标志;
基于规划设计文件抽取公路的路况参数,至少包括:区域类型、护栏高度、车道数、限速、车道宽度;
基于视频监控装置采集的视频自动提取路况参数,至少包括:路侧物体类别、照明情况、积雪路段、积水路段。
优选地,基于视频监控装置采集的视频自动提取路况参数的步骤进一步包括以下步骤:
从视频数据中检测关键帧:提取前后两帧的数据的图像像素矩阵,I1、I2,计算其差分图像:D=I1-I2,对D进行两次膨胀算子操作、两次腐蚀算子操作,滤除图像噪点,得到D’,对D’进行二值化,得到D2,如果D2中像素为1的区域超过预定的比例,则判断为关键帧;
建立路侧物体、照明情况、积雪路段、积水路段的模板:收集路侧物体、照明情况、积雪路段、积水路段对应的图像样本,提取图像的SIFT特征,建立各类场景的模板,包括:路侧物体-树木、路侧物体-悬崖、路侧物体-建筑、路侧物体-岩壁、路侧物体-农田、照明-良好、照明-较差、照明-很差、积雪路段-一般、积雪路段-严重、积雪路段-无积雪、积水路段-一般、积水路段-严重、积水路段-无积水;
根据关键帧与模板的比较确定关键帧对应的场景:对关键帧图像提取SIFT特征,根据特征和模板之间的欧式距离,进行分类,将特征分配到距离最接近的模板上,所配得特征数量最多的模板其所属类别,即为识别得到的当前关键帧图像所属于的场景类别;
对视频中的关键帧的识别结果,进行投票法融合,取多帧识别的类别结果中的多数做为最终的类别识别结果。
优选地,所述数值化后的第一路况参数集合被分成多个子集,所述多个子集至少包括训练集和验证集,所述训练集用于对深度神经网络进行训练,所述验证集用于调节训练时的超参数设置。
优选地,所述多个子集还包括测试集,所述测试集用于评估所述公路风险评估深度神经网络模型的可靠度。
优选地,深度神经网络每一层的神经元的输出连接到全连接层上,对全连接层的神经元的权值进行二值化,将浮点数参数转化为二进制参数,并且在深度神经网络的训练过程中,删除权值为零的神经元。
通过本发明的公路风险自动评估方法,能够通过统计学习的手段分析和融合多种公路环境参数,有效提取公路风险等级与路况参数之间的关系,进而自动进行公路风险的等级评估。
附图说明
图1为根据本发明优选实施例的公路风险自动评估方法的流程示意图;
图2为根据本发明优选实施例的路况参数列表的示意图;
图3为根据本发明优选实施例的数字化后的路况参数列表的示意图;
图4为根据本发明优选实施例的深度神经网络的结构示意图。
具体实施方式
下面结合附图,对本发明的优选实施例作更进一步的说明,以使本领域技术人员更好地理解本发明。
本发明是基于已知风险等级的公路路况数据,利用深度神经网络进行建模,通过机器学习算法来提取路段安全设施指标和风险等级之间的统计关系,进而用体现了该统计关系的模型来分析未知风险等级的公路路况数据,从而评估相应路段的风险等级。
为了满足深度神经网络的建模要求,需要从已知风险等级的公路路况数据中提取公路路况参数,根据需要进行校正,并变换为计算机可识别的数据形式。
在本发明的优选实施例中,可以对公路的路况参数进行提取,并构建公路路况参数数据结构。公路路况参数数据结构通过以下各项进行标识:公路名称、公路长度、行驶方向、桩号以及路况参数列表,其中,公路名称、公路长度、行驶方向和桩号唯一地指向特定的路段,而路况参数列表中则进一步包括该路段的路况参数。将获取的路况参数用统一的形式表示,即构建公路路况参数数据结构,能够有效减少后续数据优化以及建模过程的工作量,有利于提高数据优化和建模的效率。
在本发明的优选实施例中,获取路况参数的方式包括:
1、针对具体的公路路段,基于实地勘查和测量获取公路的路况参数,包括:中间带类型、振动标线、路测条件(例如,左侧路侧物距离、右侧路侧物体距离、路测净空)、路肩振动带、硬路肩宽度(左侧路肩宽度、右侧路肩宽度)、交叉口类型、交叉口流量、交叉口视距、交叉口角度、交叉口安全性、交叉口渠化、护栏状况(左侧护栏状况、右侧护栏状况)、警告标志、弯道安全性、线形诱导设施、隧道、单向车道数等。
2、基于规划设计文件抽取公路的路况参数,包括:区域类型、护栏高度、车道数、限速、车道宽度、弯道半径、坡度等。为了从规划文档中获取数据,可以从文档中进行关键词的自动抽取,利用自然语言处理的分词工具进行分词,再进行关键词词典的建立,从而获得指定路段的公路环境参数。
3、基于视频监控装置采集的视频自动提取路况参数,包括:路侧物体类别、照明情况、积雪路段、积水路段等。为了从视频中获取环境参数,可以采用图像识别的方法从监控视频的图像帧中提取。
在本发明的优选实施例中,通过提取关键帧,即计算两帧相邻帧之间的像素变化,对于变化大的帧认为是出现交通车辆的帧,不予提取公路信息,对于变化小的帧认为是静止画面,有利于提取公路环境信息,避免车辆干扰。对清晰度和光照进行计算,通过图像质量的客观评价,选取合适的高清晰度帧进行特征提取。采用SIFT(Scale InvariantFeature Transform)特征,或者LBP(Local Binary Pattern)图像特征,对公路图像进行特征提取,依靠人工标注的监督信息,即公路环境类别标签,如路侧物体类别等,进行图像模板的提取,训练好的模型即可用于公路环境参数的自动识别。
在本发明的优选实施例中,基于视频监控自动提取路面情况参数的步骤具体包括:
(1)从视频数据中检测关键帧:提取前后两帧的数据的图像像素矩阵,I1、I2,计算其差分图像:D=I1-I2,对D进行两次膨胀算子操作、两次腐蚀算子操作,滤除图像噪点,得到D’,例如,可以采用Opencv图像处理工具进行膨胀算子操作和腐蚀算子操作,采用默认的3*3模板;对D’进行二值化,得到D2,即,二值化后的结果的符号,取值有0和1,如果D2中像素为1的区域超过一定的比例,如30%,则判断为关键帧;这里30%是一个可以调节的经验值,例如还可以是35%、25%等,比例越大代表筛选出的关键帧里的物体运动速度越大;
(2)建立路侧物体、照明情况、积雪路段、积水路段的模板:收集路侧物体、照明情况、积雪路段、积水路段等不同场景对应的图像样本,提取图像的SIFT特征,建立各类场景的模板,包括:路侧物体-树木、路侧物体-悬崖、路侧物体-建筑、路侧物体-岩壁、路侧物体-农田、照明-良好、照明-较差、照明-很差、积雪路段-一般、积雪路段-严重、积雪路段-无积雪、积水路段-一般、积水路段-严重、积水路段-无积水;
(3)根据关键帧与模板的比较确定关键帧对应的场景:对关键帧图像提取SIFT特征,根据特征和模板之间的欧式距离,进行分类,将特征分配到距离最接近的模板上,所配得特征数量最多的模板其所属类别,即为识别得到的当前关键帧图像所属于的场景类别;
(4)对视频中的关键帧的识别结果,进行投票法融合,取多帧识别的类别结果中的多数做为最终的类别识别结果。
基于对视频数据的分析与识别技术,自动提取路况参数,能够从有效地避免人工提取的主观性对结果可靠性的影响,并且能够显著提高路况参数提取的效率。
通常,通过以上方式获得的路况参数大都是采用文本语言的方式进行描述的,例如:如附图2所示,中间带类型,可以描述为中心线;左侧物体,可以描述为直径大于10厘米的树、混凝土护栏等;交叉口流量,可以描述为1000到5000量等模糊概念。
在本发明的优选实施例中,公路路况参数数据结构中的路况参数列表采用数据表格的形式,其第一列代表该段公路的风险等级,记为一到五级,一级为最安全,五级为最危险。数据表格中其余每一列都代表一个与风险等级相关(或无关)的路况参数;数据表格中的每一行对应一段路段的路况数据。从机器学习的统计角度看,每一行是一个统计样本。从模式识别的角度看,第一列的“风险等级”为样本归属类别的标号,其余各列为作为分类依据的各种特征,每一列对应一个特征维度。在原始的公路路况参数列表中,一些数据,例如省、市、县等地名,与风险等级的关系不大,可以依据主观的判断去除这些维度的特征,但也可以保留,依靠机器学习算法处理冗余维度的优化能力,客观的对维度进行筛选和变换分析。而“中间带类别”、“左侧物体”等特征维度,是与道路安全设施风险等级可能相关的因素,在统计学习过程中,会被用来进行风险建模,利用统计的方法来寻找类别和特征之间是否存在统计上的关联性。
在本发明的优选实施例中,用来描述各个路况参数的文字短语是相对固定的,即,选自一个有限(数量不大)的集合,用于描述该路段的路况参数的特征。从随机过程的角度看,每一列对应一个特征的离散符号集合,每一个单元即是一个离散随机变量,其取值符合某一概率分布(如混合高斯分布),每个取值是从该列的集合中随机生成一个离散符号。为了适合通过深度神经网络进行建模,可以对原始公路路况参数数据结构中的路况参数列表进行预处理,即数值化,将其中的文字短语转换为易于被计算机识别和处理的形式,例如,用0-N的自然数表示,当然也可以采用任何其它符号形式。比如,第一列的风险等级,取值有5种可能,即其取值来自一个具有5个元素的集合:I级、II级...V级,分别用0-4数字代替,以便于计算机进行运算处理。
图3示出了根据本发明的优选实施例的、经过数字化的路况参数列表,图中每行对应一个路段参数样本,每列对应一个公路参数指标。从图3中可以看到,该CSV格式的数据中存在大量的0,这是正常的情况,因为原始的公路数据表格中,有大量共性的数据取值,都以“无”、“未开发”、“足够”等不变的取值存在。公路设施数据中,相似情况的公路路段会大量重复出现,因此实际的表格数值也会大量相等的重复出现。同时,可以看到,原始数据中有些特征具有明确的物理含义,例如,速度限制。对于这一类特征,速度的高低之间蕴含着潜在的安全信息,速度越快,可能风险越高。如果将这类特征转换为离散符号,则丢失了这类特征数值上的内在关系,因为离散符号无法体现不同速度限制与风险等级之间的互相关系。因此,对于具有特定物理意义的数值形式参数描述,在对路况参数列表进行预处理时,提取和保留其数字数值,而不是简单的通过0、1、2、3等来代表其特征值。
在公路路况参数列表中,其特征空间是一个离散随机过程,其取值的范围非常有限,因此,可以采用深度神经网络算法来进行建模,详见下文中的具体描述。
在本发明的优选实施例中,为了保证深度神经网络模型的可靠性,在对原始的路况参数列表进行数字化处理之前,可以对其中的公路路况参数值进行校正,排除与实际路况不相符的参数值。
公路路况参数的矫正,可以通过以下过程进行:
(1)人工筛选可信度高的数据,即采用多人评价打分的方法,设人数为N,参数数量为M,分数记为S,获得每人对每个参数的可靠度的打分Sn,m,其中n代表打分者的编号,m代表参数的编号,通过统计每人的打分的可信度,进行分数的权重融合,即在同一个参数不同人的打分范围内统计每人打分的偏差,为参数m上所有人打分的均值,将其与每人给出的打分做差,超过阈值th的部分作为偏差,不超过阈值th的部分置零,认为是合理的偏差,即,
Errorn,m=abs(Sn,m-Mean(Sm)),ifabs(Sn,m-Mean(Sm))>th,
Errorn,m=0,ifabs(Sn,m-Mean(Sm))<=th,
在所有参数上都进行同样的偏差计算,取其平均值,作为最终每人的偏差,偏差越大,置信度越低,
每个人的打分的置信度为:
通过每人的置信度,对每个参数的打分进行加权处理,获得加权的均值:
将此分值作为依据筛选出得分高的参数用于建模;
(2)对路况参数的取值value,进行混合高斯模型的统计建模,即估计其均值向量M_Value=[m1,m2,m3,mh],h为混合度(例如,可以将混合度参数设置为4-64之间的数值),即为高斯分量的个数,估计其协方差矩阵Σi,权重ai,并且计算每个数值的后验概率P(value|M_Value,Σ);
(3)低于经验门限值的数值,用其数学期望值代替,从而进行矫正,这里的经验门限值一般为取Log对数后,大约在负的几十到几百左右,通常根据建模效果来设置和调节,一般为少量(0.1%)比例的代替矫正。
路况参数列表经数值化后,其包含的参数的特征维度一般较高,如果直接输入深度神经网络进行建模会使模型非常复杂,带来巨大的运算量,而且在样本量不够充足的情况下,无法有效提取众多路况参数与风险等级之间的关系。因此,在本发明的优选实施例中,在将计算机可识别的公路路况数据作为参数输入深度神经网络之前,可以通过压缩降维的方式对其进行特征优化,即,通过减少路况参数列表中特征的数量,排除不相关或者相关度小的特征维度,生成最优特征组合,从而简化待建立的深度神经网络模型,提高建模的效率和可靠性,以及改善模型处理未知风险等级数据的速度。
在本发明的优选实施例中,采用混合蛙跳算法(Shuffled Frog LeapingAlgorithm SFLA)来进行特征优化,达到降低维度的效果。
采用混合蛙跳算法进行优化,首先对种群进行初始化,每一个个体代表一种特征维度的组合方式,一般将特征维度从原始的30-100个维度(对应公路的环境因素),降低到10个维度左右(考虑到公路风险等级分为五个等级)。在计算混合蛙跳算法中个体的适应度时,采用数据驱动的方法,避免显式的定义适应度函数,选取人工标注的具有代表性的公路路段数据,用于检验所选取特征组合进行等级分类的准确率,作为适应度。
在本发明的优选实施例中,通过如下方式构造特征向量f:令路况参数总量为M,特征向量f的每个特征维度从上述路况参数中选出,构造包含任意个维度不超过M的特征向量fj,每个特征向量代表一种可能的特征组合方式,从而形成待优化选取的特征集合{fj}。在此基础上,借助混合蛙跳算法生成最优特征组合的过程如下:
(1)从路况公路参数数据中,选取置信度高的数据,作为混合蛙跳算法的验证数据;
(2)采用验证数据驱动的方法来计算代价函数,混合蛙跳算法生成不同的个体,每个个体代表一个特征向量fj,每次通过深度神经网络,用所选取的验证数据中特征向量fj所包含的各个特征维度上的参数,进行分类测试,计算测试的准确率,做为该个体的适应度值;
(3)根据适应度值,优选数值高的个体,保留到下一次迭代计算中,淘汰数值低的个体;
(4)当特征区分度达到预设的准确率精度时(例如80-90%),结束迭代,保存最优特征组合,否则重复第(2)步和第(3)步。
优化后特征向量的维度小于M,即实现了维度压缩优化的目的,其所包含的各个特征维度的分类效果最好,构成了最优特征组合。
在本发明的优选实施例中,通过混合蛙跳算法进行特征的优化时,深度神经网络可以采用下面将详细描述的建模时的初始配置。
图4示意性地示出了深度神经网络的结构。深度神经网络在输入层和输出层之间可以包含多个中间隐藏层,从而可以使深度神经网络有更多的变化去拟合复杂的函数。在本发明中,深度神经网络被用来提取路况参数与公路风险等级之间的复杂的函数关系。
在本发明的优选实施例中,深度神经网络被构建为:输入层神经元数量与经过优化的特征维数相同,输出层神经元数量与风险等级数量相同,将每层的神经网络的输出Li,连接到最后的全连接层上,合并得到融合的向量:L=[L1,L2,...];所使用的深度神经网络的激活函数采用ReLu(Rectified Linear Unit)激活函数,代价函数类型采用交叉熵代价函数,初始学习率为0.1或0.01,初始层数为7层,每层神经元个数为30-500;或者通过RBM(Restricted Boltzmann Machine)算法进行网络初始化。
使用经过特征优化的路况参数数据对深度神经网络进行训练,即,将经过特征优化的路况参数数据输入到深度神经网络的输入层,以已知的公路风险等级作为监督信息,采用特征融合的方式进行风险等级相关特征的抽取,就可以实现基于深度神经网络的建模。
在本发明的优选实施例中,将已知风险等级的数据集分为训练集、验证集和测试集,其中,训练集用于对深度神经网络进行训练,验证集用于调节训练时的超参数设置,测试集用于评估模型的可靠度。采用BP算法(学习率0.1)用训练集的数据对模型进行训练,来获得深度神经网络的权重参数;然后,使用相对于训练集独立的验证集数据测试调节深度神经网络的超参数设置,包括调节神经元数、学习率和网络层数,通过不断改变超参数设置的值,观察模型在验证集数据上的识别率的变化,目标是使得识别率最大,由此获得深度神经网络的超参数设置。至此,就完成了对深度神经网络的训练,保存网络权重参数和超参数设置,获得了可以用来评估未知公路风险等级的深度神经网络模型,该模型体现了从已知风险等级的路况参数数据中提取的路况参数与公路风险等级之间的复杂的函数关系。
借助于测试集数据可以评估深度神经网络模型的性能。通过比较发现,如果将训练集和验证集不区分,用同样的数据对模型进行训练和调节超参数设置,能够达到99%的识别率,但通过测试集数据进行测试时模型的性能却发生了大幅度下降,这是由于网络的过训练过拟合导致的泛化能力差。通过使用彼此独立的训练集和验证集数据,可以有效避免这种情况的发生。
按照与提取已知风险等级公路的路况参数相同的方式提取未知风险等级公路的路况参数,并按照相同的方式对路况参数进行数值化处理,将其变成适合于输入深度神经网络模型的形式,利用所获得的深度神经网络模型进行处理,即可获得对应路段的风险评估结果。
在本发明的优选实施例中,可以将深度神经网络每层的特征通过一个旁路被链接到全连接层进行融合,也就是说,将深度神经网络的每一层的神经元的输出值,输入到全连接层,扩展全连接层的神经元数量;同时,将全连接层的神经元的权值进行二值化,即,将浮点数参数转化为二进制参数,限制其取值只能为0或1,并在训练网络的过程中,针对权值为零的神经元,进行删除,即可达到稀疏化的效果,由此可以降低网络参数的存储大小,提高计算效率。
以上所述仅是本发明的优选实施方式,应当指出:对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (10)
1.一种公路风险自动评估方法,包括以下步骤:
对已知风险等级的公路进行分析,提取与各个路段相对应的路况参数,形成第一路况参数集合,所述第一路况参数集合包含多个样本,每个样本具有多个特征并且包含对应于每个特征的参数描述;
将所述第一路况参数集合中的参数描述数值化;
将数值化后的第一路况参数集合中的至少部分样本输入深度神经网络,其中深度神经网络输入层的神经元数量与输入样本的特征维度相同,深度神经网络输出层的神经元数量与风险等级的数量相同,以已知的公路风险等级作为监督信息,对深度神经网络进行训练,提取风险等级与路况参数之间的函数关系,建立公路风险评估深度神经网络模型;
按照与形成所述第一路况参数集合相同的方式对未知风险等级的公路进行分析、提取与各个路段相对应的路况参数,形成第二路况参数集合,所述第二路况参数集合包含至少一个样本,每个样本具有多个特征并且包含对应于每个特征的参数描述;
按照与所述第一路况参数集合相同的方式将所述第二路况参数集合的参数描述数值化;
将数值化后的所述第二路况参数集合中的样本输入所述公路风险评估深度神经网络模型,输出相应的风险等级。
2.根据权利要求1所述的公路风险自动评估方法,进一步包括如下的特征优化步骤:
在将数值化后的第一路况参数集合中的样本输入深度神经网络之前,通过数据驱动的方式,采用混合蛙跳算法对所述数值化后的第一路况参数集合中样本的特征维度进行优化,降低用于建模的样本的特征的数量,生成最优特征组合。
3.根据权利要求2所述的公路风险自动评估方法,其中所述特征优化步骤进一步包括如下步骤:
(1)从所述数值化后的第一路况参数集合中,选取置信度高的数据,作为混合蛙跳算法的验证数据;
(2)基于所述验证数据计算代价函数,生成混合蛙跳算法的不同的个体,每个个体代表一个特征向量,所述特征向量的每个特征从所述第一数据集合的样本的特征中选出,每个特征向量代表一种可能的特征组合方式,其维度不超过所述第一数据集合的样本的特征维度;
(3)将验证数据中每个个体所对应的数据通过深度神经网络进行分类测试,计算测试的准确率,做为该个体的适应度值;
(4)选取适应度值高的个体进入下一次迭代计算中;
(5)当特征区分度达到预设的准确率精度时,结束迭代,保存最优特征组合,否则重复步骤(3)和步骤(4)。
4.根据权利要求1所述的公路风险自动评估方法,进一步包括如下的数据矫正步骤:
在将所述第一路况参数集合中的参数描述数值化之前,对公路的各个路况参数进行矫正,排除参数描述明显与公路实际情况不符的路况参数。
5.根据权利要求4所述的公路风险自动评估方法,其中所述数据矫正步骤进一步包括如下步骤:
人工筛选可信度高的数据,建立概率分布模型;
对路况参数进行错误预测,计算后验概率的数值,对低于经验门限值的进行矫正;
采用概率模型的期望值作为矫正值。
6.根据权利要求1所述的公路风险自动评估方法,其中,提取路况参数的方式包括:
基于实地勘查和测量获取公路的路况参数,至少包括:路侧物体距离、坡度、警告标志;
基于规划设计文件抽取公路的路况参数,至少包括:区域类型、护栏高度、车道数、限速、车道宽度;
基于视频监控装置采集的视频自动提取路况参数,至少包括:路侧物体类别、照明情况、积雪路段、积水路段。
7.根据权利要求6所述的公路风险自动评估方法,其中基于视频监控装置采集的视频自动提取路况参数的步骤进一步包括以下步骤:
从视频数据中检测关键帧:提取前后两帧的数据的图像像素矩阵,I1、I2,计算其差分图像:D=I1-I2,对D进行两次膨胀算子操作、两次腐蚀算子操作,滤除图像噪点,得到D’,对D’进行二值化,得到D2,如果D2中像素为1的区域超过预定的比例,则判断为关键帧;
建立路侧物体、照明情况、积雪路段、积水路段的模板:收集路侧物体、照明情况、积雪路段、积水路段对应的图像样本,提取图像的SIFT特征,建立各类场景的模板,包括:路侧物体-树木、路侧物体-悬崖、路侧物体-建筑、路侧物体-岩壁、路侧物体-农田、照明-良好、照明-较差、照明-很差、积雪路段-一般、积雪路段-严重、积雪路段-无积雪、积水路段-一般、积水路段-严重、积水路段-无积水;
根据关键帧与模板的比较确定关键帧对应的场景:对关键帧图像提取SIFT特征,根据特征和模板之间的欧式距离,进行分类,将特征分配到距离最接近的模板上,所配得特征数量最多的模板其所属类别,即为识别得到的当前关键帧图像所属于的场景类别;
对视频中的关键帧的识别结果,进行投票法融合,取多帧识别的类别结果中的多数做为最终的类别识别结果。
8.根据权利要求1所述的公路风险自动评估方法,其中,所述数值化后的第一路况参数集合被分成多个子集,所述多个子集至少包括训练集和验证集,所述训练集用于对深度神经网络进行训练,所述验证集用于调节训练时的超参数设置。
9.根据权利要求8所述的公路风险自动评估方法,其中,所述多个子集还包括测试集,所述测试集用于评估所述公路风险评估深度神经网络模型的可靠度。
10.根据权利要求1所述的公路风险自动评估方法,其中,深度神经网络每一层的神经元的输出连接到全连接层上,对全连接层的神经元的权值进行二值化,将浮点数参数转化为二进制参数,并且在深度神经网络的训练过程中,删除权值为零的神经元。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910066257.XA CN109671274B (zh) | 2019-01-24 | 2019-01-24 | 一种基于特征构造和融合的公路风险自动评估方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910066257.XA CN109671274B (zh) | 2019-01-24 | 2019-01-24 | 一种基于特征构造和融合的公路风险自动评估方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109671274A true CN109671274A (zh) | 2019-04-23 |
CN109671274B CN109671274B (zh) | 2020-09-25 |
Family
ID=66151030
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910066257.XA Active CN109671274B (zh) | 2019-01-24 | 2019-01-24 | 一种基于特征构造和融合的公路风险自动评估方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109671274B (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110910641A (zh) * | 2019-12-02 | 2020-03-24 | 北京航空航天大学 | 一种基于神经网络的高速公路交通运行实时风险评估方法 |
CN111105156A (zh) * | 2019-12-19 | 2020-05-05 | 南通大学 | 一种基于证据推理的公路路侧安全风险评价方法 |
CN111310607A (zh) * | 2020-01-22 | 2020-06-19 | 交通运输部公路科学研究所 | 基于计算机视觉和人工智能的公路安全风险识别方法及*** |
CN112257954A (zh) * | 2020-11-04 | 2021-01-22 | 北京世纪高通科技有限公司 | 预测分段道路风险等级的方法、装置、***及存储介质 |
CN112597666A (zh) * | 2021-01-08 | 2021-04-02 | 北京深睿博联科技有限责任公司 | 一种基于表面材质建模的路面状态分析方法及装置 |
CN113268870A (zh) * | 2021-05-19 | 2021-08-17 | 北京航空航天大学 | 一种基于蒙特卡洛的室外环境条件下图像识别可靠性评估方法 |
IT202100007688A1 (it) | 2021-04-01 | 2022-10-01 | Rino Conte | Metodologia basata su reti neurali per la valutazione delle caratteristiche geometriche e delle non conformità delle infrastrutture del trasporto, attraverso big data acquisiti a bordo dei veicoli |
CN115857059A (zh) * | 2022-11-24 | 2023-03-28 | 中国民航科学技术研究院 | 一种积冰预报管理方法、***、可读存储介质和设备 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106355883A (zh) * | 2016-10-20 | 2017-01-25 | 同济大学 | 基于风险评估模型的交通事故发生概率获取方法及*** |
CN106897826A (zh) * | 2017-02-23 | 2017-06-27 | 吉林大学 | 一种交通事故风险评估方法及*** |
CN108109378A (zh) * | 2018-01-24 | 2018-06-01 | 哈尔滨工业大学 | 一种对路网规划方案进行交通安全评价的方法 |
US20180341276A1 (en) * | 2017-05-23 | 2018-11-29 | Uber Technologies, Inc. | Fractional risk performance evaluation for autonomous vehicles |
-
2019
- 2019-01-24 CN CN201910066257.XA patent/CN109671274B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106355883A (zh) * | 2016-10-20 | 2017-01-25 | 同济大学 | 基于风险评估模型的交通事故发生概率获取方法及*** |
CN106897826A (zh) * | 2017-02-23 | 2017-06-27 | 吉林大学 | 一种交通事故风险评估方法及*** |
US20180341276A1 (en) * | 2017-05-23 | 2018-11-29 | Uber Technologies, Inc. | Fractional risk performance evaluation for autonomous vehicles |
CN108109378A (zh) * | 2018-01-24 | 2018-06-01 | 哈尔滨工业大学 | 一种对路网规划方案进行交通安全评价的方法 |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110910641A (zh) * | 2019-12-02 | 2020-03-24 | 北京航空航天大学 | 一种基于神经网络的高速公路交通运行实时风险评估方法 |
CN111105156A (zh) * | 2019-12-19 | 2020-05-05 | 南通大学 | 一种基于证据推理的公路路侧安全风险评价方法 |
CN111105156B (zh) * | 2019-12-19 | 2023-12-26 | 南通大学 | 一种基于证据推理的公路路侧安全风险评价方法 |
CN111310607A (zh) * | 2020-01-22 | 2020-06-19 | 交通运输部公路科学研究所 | 基于计算机视觉和人工智能的公路安全风险识别方法及*** |
CN112257954A (zh) * | 2020-11-04 | 2021-01-22 | 北京世纪高通科技有限公司 | 预测分段道路风险等级的方法、装置、***及存储介质 |
CN112597666A (zh) * | 2021-01-08 | 2021-04-02 | 北京深睿博联科技有限责任公司 | 一种基于表面材质建模的路面状态分析方法及装置 |
CN112597666B (zh) * | 2021-01-08 | 2022-05-24 | 北京深睿博联科技有限责任公司 | 一种基于表面材质建模的路面状态分析方法及装置 |
IT202100007688A1 (it) | 2021-04-01 | 2022-10-01 | Rino Conte | Metodologia basata su reti neurali per la valutazione delle caratteristiche geometriche e delle non conformità delle infrastrutture del trasporto, attraverso big data acquisiti a bordo dei veicoli |
CN113268870A (zh) * | 2021-05-19 | 2021-08-17 | 北京航空航天大学 | 一种基于蒙特卡洛的室外环境条件下图像识别可靠性评估方法 |
CN115857059A (zh) * | 2022-11-24 | 2023-03-28 | 中国民航科学技术研究院 | 一种积冰预报管理方法、***、可读存储介质和设备 |
CN115857059B (zh) * | 2022-11-24 | 2023-07-07 | 中国民航科学技术研究院 | 一种积冰预报管理方法、***、可读存储介质和设备 |
Also Published As
Publication number | Publication date |
---|---|
CN109671274B (zh) | 2020-09-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109671274A (zh) | 一种基于特征构造和融合的公路风险自动评估方法 | |
CN111553236B (zh) | 基于道路前景图像的路面病害目标检测与实例分割方法 | |
CN103258204B (zh) | 一种基于Gabor和EOH特征的自动微表情识别方法 | |
CN104866829B (zh) | 一种基于特征学习的跨年龄人脸验证方法 | |
CN105608446B (zh) | 一种视频流异常事件的检测方法及装置 | |
CN108921083B (zh) | 基于深度学习目标检测的非法流动摊贩识别方法 | |
CN100568264C (zh) | ***鉴别控制方法 | |
CN110322423A (zh) | 一种基于图像融合的多模态图像目标检测方法 | |
CN103971106B (zh) | 多视角人脸图像性别识别方法及装置 | |
CN108491797A (zh) | 一种基于大数据的车辆图像精确检索方法 | |
CN111462230B (zh) | 一种基于深度强化学习的台风中心定位方法 | |
CN107368787A (zh) | 一种面向深度智驾应用的交通标志识别算法 | |
CN107945153A (zh) | 一种基于深度学习的路面裂缝检测方法 | |
CN107085696A (zh) | 一种基于卡口图像的车辆定位及型号识别方法 | |
CN101866427A (zh) | 织物瑕疵检测与分类方法 | |
CN110400293B (zh) | 一种基于深度森林分类的无参考图像质量评价方法 | |
CN109190491A (zh) | 残差卷积神经网络sar影像海冰分类方法 | |
CN103605972A (zh) | 一种基于分块深度神经网络的非限制环境人脸验证方法 | |
CN106295124A (zh) | 利用多种图像检测技术综合分析基因子图相似概率量的方法 | |
CN105427309A (zh) | 面向对象高空间分辨率遥感信息提取的多尺度分层处理方法 | |
CN113033714B (zh) | 多模态多粒度遥感影像面向对象全自动机器学习方法及*** | |
CN111784017A (zh) | 一种基于路况因素回归分析的公路交通事故数量预测方法 | |
CN110210550A (zh) | 基于集成学习策略的图像细粒度识别方法 | |
CN108985327A (zh) | 一种基于因子分析的地形匹配区自组织优化分类方法 | |
CN106960176A (zh) | 一种基于超限学习机和颜色特征融合的行人性别识别方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |