基于自编码器与k-means聚类的视频交通状态自动识别

作者：彭博; 张媛媛; 唐聚; 谢济铭; 王玉婷

来源：公路交通科技, 2020, 37(12): 117-123.

• 智能交通
• 视频交通状态识别
• 深度学习
• 城市干道
• 自编码器

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1 500～4 500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*-DNNLinear。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*-DNNLinear(92.1%)、AE*-Linear(91.8%)。由于k-means是一种无监督聚类方法,与AE*-SVM,AE*-DNNLinear,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。

• 单位
  交通运输学院; 重庆交通大学