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%.