(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210414734.9 (22)申请日 2022.04.15 (71)申请人 厦门卫星定位应用股份有限公司 地址 361000 福建省厦门市软件园二期观 日路44号801-A、 B、 C (72)发明人 沈益艺　张志辉　许尚能　陈月浩　 黄栋良　 (74)专利代理 机构 厦门创象知识产权代理有限 公司 35232 专利代理师 尤怀成 (51)Int.Cl. G06V 20/58(2022.01) G06V 10/774(2022.01) G06V 10/80(2022.01) G06V 10/82(2022.01)G06V 10/764(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 基于深度学习的交通拥堵检测方法 (57)摘要 本发明公开了一种基于深度学习的交通拥 堵检测方法、 介质和设备， 其中方法包括： 获取路 面图像， 并将所述路面图像输入到预先训练好的 交通拥堵集成模型， 其中， 所述交通拥堵集成模 型包括第一子模型、 第二子模型和第三子模型； 所述第一子模 型、 所述第二子模 型和所述第三子 模型分别根据所述路面图像输出相应的结果； 根 据投票法对 所述第一子模型、 所述第二子模型和 所述第三子模 型输出的结果进行融合， 并将融合 结果作为所述路面图像对应的交通拥堵检测结 果； 能够实现对交通拥堵进行有效判断， 提高交 通拥堵判断准确性， 同时， 降低交通拥堵判断所 需耗费的人力物力资源。 权利要求书2页 说明书7页 附图1页 CN 114863390 A 2022.08.05 CN 114863390 A 1.一种基于深度学习的交通拥堵检测方法， 其特 征在于， 包括以下步骤： 获取路面图像， 并将所述路面图像输入到预先训练好的交通拥堵集成模型， 其中， 所述 交通拥堵集成模型包括第一子模型、 第二子模型和第三子模型； 所述第一子模型、 所述第 二子模型和所述第 三子模型分别根据 所述路面图像输出相应 的结果； 根据投票法对所述第 一子模型、 所述第 二子模型和所述第 三子模型输出的结果进行融 合， 并将融合结果作为所述路面图像对应的交通拥堵检测结果。 2.如权利要求1所述的基于深度 学习的交通拥堵检测方法， 其特征在于， 所述交通拥堵 集成模型 的训练包括构建训练数据库， 并根据所述训练数据库进行所述第一子模型、 所述 第二子模型和所述第三子模型的训练。 3.如权利要求2所述的基于深度 学习的交通拥堵检测方法， 其特征在于， 所述构建训练 数据库包括： 通过监控摄像头获取路面视频数据， 并根据 预设帧数间隔对所述路面视频数据进行图 像截取， 以得到初始路面图像， 其中， 所述路面视频数据包括多种天气的路面视频、 不同时 段的路面视频和不同自然环境下的路面视频； 对所述初始路面图像进行二分类， 以得到拥堵路面图像和非拥堵路面图像； 对所述拥堵路面图像和所述非拥堵路面图像进行数据增强， 以生成训练数据库， 其中， 所述数据增强包括对所述拥堵路面图像和所述非拥堵路面图像进 行平移、 裁剪和引入高斯 噪声。 4.如权利要求1所述的基于深度 学习的交通拥堵检测方法， 其特征在于， 所述第 一子模 型为融合了注 意力机制的MobileNet模型， 所述第二子模 型为融合了注意力机制的VGG16模 型， 所述第三子模型为融合了注意力机制的ResNet ‑50模型， 所述第一子模型、 所述第二子 模型和所述第三子模型均包括 通道注意力模块， 其中： 所述通道注意力模块用于对原始特征图分别进行平均池化和最大池化， 以生成通道注 意力向量， 并将所述 通道注意力向量输入到多层感知机网络中， 以得到中间注意力向量； 根据所述中间注意力向量进行计算， 以得到最终通道注意力向量， 并根据所述最终通 道注意力向量改变所述原 始特征图中各个通道的权 重。 5.如权利要求4所述的基于深度 学习的交通拥堵检测方法， 其特征在于， 所述最终通道 注意力向量 根据以下公式计算： 其中， Mc(F)表示最终通道注意力向量， σ 表示sigmoid激活函数， W1和W0表示可供学习的 参数， 表示平均池化后的特 征图， 表示最大池化后的特 征图。 6.如权利要求1所述的基于深度 学习的交通拥堵检测方法， 其特征在于， 所述第 一子模 型、 所述第二子模型和所述第三子模型均包括空间注意力模块， 其中： 所述空间注意力模块用于对原始特征图分别进行平均池化和最大池化， 以得到平均池 化后的特 征图和最大池化后的特 征图； 对所述平均池化后的特征图和所述最大池化后的特征图进行拼接， 并对拼接后的特征 图进行卷积；权　利　要　求　书 1/2 页 2 CN 114863390 A 2根据卷积后的特征图进行计算， 以得到最终空间注意力特征， 并根据所述最终空间注 意力特征改变所述原 始特征图中各个空间的权 重。 7.如权利要求6所述的基于深度 学习的交通拥堵检测方法， 其特征在于， 所述最终空间 注意力特 征根据以下公式计算： 其中， Ms(F)表示最终空间注意力特征， σ 表示sigmoid激活函数， 表示平均池化后的 特征图， 表示最大池化后的特 征图， f7×7表示卷积核为7c 。 8.一种计算机可读存储介质， 其特征在于， 其上存储有基于深度学习的交通拥堵检测 程序， 该基于深度学习的交通拥堵检测程序被处理器执行时实现如权利要求1 ‑7中任一项 所述的基于深度学习的交通拥堵检测方法。 9.一种计算机设备， 包括存储器、 处理器及存储在存储器上并可在处理器上运行的计 算机程序， 其特征在于， 所述处理器执行所述程序时， 实现如权利要求1 ‑7中任一项所述的 基于深度学习的交通拥堵检测方法。权　利　要　求　书 2/2 页 3 CN 114863390 A 3