本發(fā)明涉及一種汽車遠(yuǎn)光燈識(shí)別系統(tǒng)，具體涉及一種基于視頻深度學(xué)習(xí)的汽車遠(yuǎn)光燈識(shí)別系統(tǒng)及方法。屬于智能交通技術(shù)領(lǐng)域。

背景技術(shù)：

自改革開放以來，我國(guó)經(jīng)濟(jì)得到了持續(xù)、穩(wěn)定、快速的發(fā)展，也使得我國(guó)人民的生活水平得到了前所未有的提高，越來越多的國(guó)人擁有了私家車輛。私家車數(shù)量的快速增長(zhǎng)在給人們出行帶來方便的同時(shí)，也使得交通事故的發(fā)生頻率越來越高。

導(dǎo)致交通事故發(fā)生的原因有很多，其中很多事故是遠(yuǎn)光燈使用不當(dāng)所造成的。目前針對(duì)遠(yuǎn)光燈違規(guī)的監(jiān)管主要依靠交通警察的抓拍，由于警力以及時(shí)間的限制，不能保證對(duì)所有的遠(yuǎn)光燈違規(guī)現(xiàn)象都進(jìn)行有效的監(jiān)管。除此之外，近年來開發(fā)的一些遠(yuǎn)光燈抓拍系統(tǒng)，都是對(duì)抓拍圖片進(jìn)行識(shí)別，但這些方法具有一定的局限性，表現(xiàn)在：1)抓拍的遠(yuǎn)光圖片數(shù)量少且不連貫，這些遠(yuǎn)光圖片很有可能是司機(jī)正常使用時(shí)產(chǎn)生的，容易被誤判為亂用遠(yuǎn)光，因此以圖片作為執(zhí)法證據(jù)不充分；2)為獲得這些圖片，在同一地點(diǎn)往往要額外架設(shè)多臺(tái)抓拍設(shè)備，造價(jià)較高；3)對(duì)原有布設(shè)的視頻監(jiān)控設(shè)備不能完全利用，造成資源浪費(fèi)。

技術(shù)實(shí)現(xiàn)要素：

本發(fā)明的目的是為克服上述現(xiàn)有技術(shù)的不足，提供一種基于視頻深度學(xué)習(xí)的汽車遠(yuǎn)光燈識(shí)別系統(tǒng)。

本發(fā)明還提供了上述系統(tǒng)對(duì)應(yīng)的一種基于視頻深度學(xué)習(xí)的汽車遠(yuǎn)光燈識(shí)別方法。

為實(shí)現(xiàn)上述目的，本發(fā)明采用下述技術(shù)方案：

一種基于視頻深度學(xué)習(xí)的汽車遠(yuǎn)光燈識(shí)別系統(tǒng)，包括以下兩部分：

前臺(tái)部分，用于實(shí)現(xiàn)對(duì)遠(yuǎn)光燈違章行為的識(shí)別與處理，包括依次連接的道路監(jiān)測(cè)設(shè)備模塊、視頻處理與識(shí)別模塊、識(shí)別結(jié)果處理模塊以及待檢違章結(jié)果數(shù)據(jù)庫(kù)；

后臺(tái)部分，用于視頻處理并實(shí)現(xiàn)視頻的深度學(xué)習(xí)，包括關(guān)鍵幀提取算法、帶標(biāo)簽數(shù)據(jù)庫(kù)以及深度學(xué)習(xí)模塊，帶標(biāo)簽數(shù)據(jù)庫(kù)是對(duì)原始視頻數(shù)據(jù)調(diào)用關(guān)鍵幀提取算法進(jìn)行關(guān)鍵幀提取而構(gòu)建得到，帶標(biāo)簽數(shù)據(jù)庫(kù)中的數(shù)據(jù)用于深度學(xué)習(xí)模塊的訓(xùn)練，訓(xùn)練好的深度學(xué)習(xí)模塊與關(guān)鍵幀提取算法一起供視頻處理與識(shí)別模塊調(diào)用。

作為優(yōu)選技術(shù)方案之一，所述關(guān)鍵幀提取算法為基于聚類的關(guān)鍵幀提取算法。

作為優(yōu)選技術(shù)方案之一，所述深度學(xué)習(xí)模塊為基于cnn+lse(卷積神經(jīng)網(wǎng)絡(luò)+最小二乘估計(jì))的深度學(xué)習(xí)模塊。

上述系統(tǒng)對(duì)應(yīng)的一種基于視頻深度學(xué)習(xí)的汽車遠(yuǎn)光燈識(shí)別方法，具體步驟如下：

(1)道路監(jiān)測(cè)設(shè)備模塊獲得汽車的行駛視頻數(shù)據(jù)，并將其傳輸給視頻處理與識(shí)別模塊；

(2)視頻處理與識(shí)別模塊調(diào)用關(guān)鍵幀提取算法提取視頻數(shù)據(jù)的關(guān)鍵幀，然后進(jìn)行灰度化操作，將灰度化后的關(guān)鍵幀作為輸入，調(diào)用根據(jù)帶標(biāo)簽數(shù)據(jù)庫(kù)訓(xùn)練好的基于cnn+lse的深度學(xué)習(xí)模塊，得到各個(gè)關(guān)鍵幀的輸出標(biāo)簽，包括近光燈、霧燈或者遠(yuǎn)光燈，并將標(biāo)簽賦給相應(yīng)關(guān)鍵幀圖像；

(3)將視頻數(shù)據(jù)以及步驟(2)所得帶標(biāo)簽的關(guān)鍵幀一并作為識(shí)別結(jié)果處理模塊的輸入，用于判斷車輛是否違章，并且，在識(shí)別結(jié)果處理模塊中嵌入車牌識(shí)別系統(tǒng)，當(dāng)目標(biāo)車輛存在遠(yuǎn)光燈違章行為時(shí)，對(duì)其進(jìn)行車牌提取，獲取車輛信息，將涉嫌違章視頻數(shù)據(jù)導(dǎo)入待檢違章結(jié)果數(shù)據(jù)庫(kù)。

步驟(2)中，關(guān)鍵幀提取算法如下：

(2-1)取原始視頻數(shù)據(jù)庫(kù)中的第i段vi，等時(shí)間間隔提取n個(gè)幀，并用fi,j命名第i段視頻數(shù)據(jù)的第j個(gè)時(shí)刻的幀，將相應(yīng)視頻數(shù)據(jù)的關(guān)鍵幀序列表示為{fi,1,fi,2,...,fi,n}，其中fi,1為首幀，fi,n為尾幀；定義相鄰兩幀之間的相似度是相鄰兩幀直方圖的相似度(即直方圖特征差別)，預(yù)定義閾值δ控制聚類的密度；其中，i、j和n均為整數(shù)；

(2-2)選定首幀fi,1為初始的聚類中心，并計(jì)算幀fi,j與初始聚類中心間的相似度，如果該值小于δ，則判定該幀與聚類中心幀之間距離過大，因此，fi,j不能加入該聚類中；如果fi,j與所有聚類中心相似度均小于δ，則fi,j形成一個(gè)新的聚類，fi,j為新的聚類中心；否則，將該幀加入到與之相似度最大的聚類中，使該幀與這個(gè)聚類的中心之間的距離最??；

(2-3)重復(fù)(2-2)操作，將原始視頻數(shù)據(jù)vi中所提取的n個(gè)幀，分別歸類到不同聚類后，就可以選擇關(guān)鍵幀：從每個(gè)聚類中抽取離聚類中心最近的幀作為這個(gè)聚類的代表幀，所有聚類的代表幀就構(gòu)成了原始視頻數(shù)據(jù)vi的關(guān)鍵幀。

步驟(2)中，帶標(biāo)簽數(shù)據(jù)庫(kù)的構(gòu)建方法如下：

將大數(shù)據(jù)背景下的大量車輛行駛視頻數(shù)據(jù)作為原始視頻數(shù)據(jù)，對(duì)原始視頻數(shù)據(jù)調(diào)用基于聚類的關(guān)鍵幀提取算法進(jìn)行關(guān)鍵幀提取，人工判定關(guān)鍵幀中車輛的燈光類型，給每個(gè)關(guān)鍵幀添加標(biāo)簽使原始關(guān)鍵幀變?yōu)閹?biāo)簽數(shù)據(jù)，其中，標(biāo)簽類別包括：近光燈、霧燈以及遠(yuǎn)光燈三種，分別用-1，0以及1表示；將帶有標(biāo)簽的關(guān)鍵幀數(shù)據(jù)存入帶標(biāo)簽數(shù)據(jù)庫(kù)，帶標(biāo)簽數(shù)據(jù)庫(kù)中的數(shù)據(jù)為原始視頻數(shù)據(jù)及其帶標(biāo)簽關(guān)鍵幀，表示為(fi,j,k)，其中k取-1，0或者1。

步驟(2)中，基于cnn+lse的深度學(xué)習(xí)模塊的構(gòu)建方法是，采用lenet5卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，模塊共分為八層，前六層為特征提取部分，后兩層為分類器部分，其中，特征提取層采用經(jīng)典的卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，分類器層采用全連接結(jié)構(gòu)；模塊由帶標(biāo)簽數(shù)據(jù)庫(kù)中的數(shù)據(jù)作為訓(xùn)練數(shù)據(jù)，采用cnn+lse組合算法對(duì)深度學(xué)習(xí)模塊進(jìn)行訓(xùn)練，對(duì)于特征提取部分采用cnn方法進(jìn)行訓(xùn)練，而對(duì)于分類器層，則采用lse方法進(jìn)行訓(xùn)練，以期實(shí)現(xiàn)模塊參數(shù)的快速學(xué)習(xí)并增強(qiáng)模塊的泛化能力。

具體方法如下：

帶標(biāo)簽數(shù)據(jù)庫(kù)中的視頻關(guān)鍵幀輸入基于cnn+lse的深度學(xué)習(xí)模塊的第一層；在第二層中采用不同的卷積核對(duì)上層輸出進(jìn)行卷積操作；第三層對(duì)上層輸出進(jìn)行池化(下采樣)操作；第四層與第五層重復(fù)第二層與第三層的操作；第六層將上層的輸出特征依次展開，排成一列；第七層與上層輸出特征全互連；最后一層同樣與上層之間采用全互連的形式?；赾nn+lse的深度學(xué)習(xí)模塊的輸出為三種情況：近光燈、霧燈以及遠(yuǎn)光燈，分別用-1，0以及1表示。

基于cnn+lse的深度學(xué)習(xí)模塊的訓(xùn)練過程如下：

從帶標(biāo)簽數(shù)據(jù)庫(kù)中任取一個(gè)樣本(fi,j,k)，對(duì)fi,j首先進(jìn)行灰度化操作，使其變?yōu)榛叶葓D像，然后將灰度化后的關(guān)鍵幀fi,j'輸入到模塊中，即輸入數(shù)據(jù)為(fi,j',k)；對(duì)深度學(xué)習(xí)模塊的兩部分分別采用cnn與lse的方法進(jìn)行訓(xùn)練；其中，特征提取部分的參數(shù)訓(xùn)練方法如下：

(2-a1)初始化深度學(xué)習(xí)模塊中特征提取部分的所有連接權(quán)重參數(shù)；

(2-a2)計(jì)算輸入關(guān)鍵幀相對(duì)應(yīng)的實(shí)際輸出標(biāo)簽ok；

(2-a3)計(jì)算實(shí)際輸出標(biāo)簽ok與相應(yīng)理想輸出標(biāo)簽k的差值；

(2-a4)權(quán)重學(xué)習(xí)：通過極小化誤差的方法反向傳播調(diào)節(jié)深度學(xué)習(xí)模塊中特征提取部分的連接權(quán)重參數(shù)矩陣；

(2-a5)直至遍歷所有視頻數(shù)據(jù)的關(guān)鍵幀，參數(shù)訓(xùn)練完畢；

分類器部分的參數(shù)訓(xùn)練方法如下：

(2-b1)光柵化層與全連接層之間的連接權(quán)重與偏置隨機(jī)生成，并將全連接層輸出寫

為矩陣

其中g(shù)(·)為激活函數(shù)，ai為連接權(quán)重，bi為偏置，l為全連接層節(jié)點(diǎn)個(gè)數(shù)，n為所有關(guān)鍵幀的個(gè)數(shù)，xj為關(guān)鍵幀，i＝1,2,…,l，j＝1,2,…,n；

(2-b2)將相應(yīng)關(guān)鍵幀的網(wǎng)絡(luò)輸出結(jié)果寫為輸出向量y＝[y1y2…yn]^t，其中yj為第j個(gè)關(guān)鍵幀xj對(duì)應(yīng)的輸出標(biāo)簽；

(2-b3)計(jì)算全連接層與輸出層之間的輸出權(quán)重β＝phy，其中p＝(h^th)^-1。

步驟(3)中，待檢違章結(jié)果數(shù)據(jù)庫(kù)中的數(shù)據(jù)為經(jīng)識(shí)別結(jié)果處理模塊判斷為違章的視頻數(shù)據(jù)，其中的待檢違章結(jié)果應(yīng)當(dāng)接受人工檢查，然后將確認(rèn)無誤的信息導(dǎo)入違章數(shù)據(jù)庫(kù)，并對(duì)誤判的信息進(jìn)行刪除。

步驟(3)中，對(duì)于是否存在遠(yuǎn)光燈違章行為的判斷方法是：標(biāo)簽為遠(yuǎn)光燈的關(guān)鍵幀與其下個(gè)關(guān)鍵幀之間的時(shí)間間隔δt＝j(luò)2-j1，若δt≥θ，則該車輛存在遠(yuǎn)光燈違章使用現(xiàn)象，其中，θ為違章時(shí)間閾值。

本發(fā)明的有益效果：

本發(fā)明對(duì)監(jiān)控視頻進(jìn)行自動(dòng)分析識(shí)別，保證了執(zhí)法證據(jù)的完備性，且與人工判斷類似，具有智能性，同時(shí)所需布設(shè)設(shè)備簡(jiǎn)單，并能對(duì)原有的監(jiān)控設(shè)備充分利用。具體如下：

(1)通過對(duì)視頻數(shù)據(jù)的挖掘，在保證準(zhǔn)確率的基礎(chǔ)上，執(zhí)法證據(jù)的充分性得到大幅度提升，防止了遠(yuǎn)光燈違章執(zhí)法時(shí)證據(jù)鏈的缺失；

(2)同一點(diǎn)位對(duì)設(shè)備數(shù)量要求少，且原先布放的大量監(jiān)控設(shè)備可以直接重復(fù)使用，降低了成本，提升了設(shè)備利用率；

(3)采用基于視頻深度學(xué)習(xí)的方式進(jìn)行遠(yuǎn)光燈違章的智能判定，代替了人工執(zhí)法，實(shí)現(xiàn)了真正的自動(dòng)化，提高了效率；同時(shí)，經(jīng)過深度學(xué)習(xí)后，遠(yuǎn)光燈違章識(shí)別效果有望達(dá)到或超越人工識(shí)別水平，實(shí)現(xiàn)了識(shí)別系統(tǒng)的真正智能化；

(4)深度學(xué)習(xí)模塊采用cnn+lse的方法對(duì)系統(tǒng)進(jìn)行參數(shù)學(xué)習(xí)，不僅使得系統(tǒng)的參數(shù)學(xué)習(xí)速度更加快速，而且還能使得模塊泛化能力變得更強(qiáng)，系統(tǒng)魯棒性得到提升。

附圖說明

圖1是本發(fā)明的系統(tǒng)結(jié)構(gòu)示意圖；

圖2是基于cnn+lse的深度學(xué)習(xí)模塊結(jié)構(gòu)圖。

具體實(shí)施方式

下面結(jié)合附圖和實(shí)施例對(duì)本發(fā)明進(jìn)行進(jìn)一步的闡述，應(yīng)該說明的是，下述說明僅是為了解釋本發(fā)明，并不對(duì)其內(nèi)容進(jìn)行限定。

如圖1所示，一種基于視頻深度學(xué)習(xí)的汽車遠(yuǎn)光燈識(shí)別系統(tǒng)，包括以下兩部分：

前臺(tái)部分，用于實(shí)現(xiàn)對(duì)遠(yuǎn)光燈違章行為的識(shí)別與處理，包括依次連接的道路監(jiān)測(cè)設(shè)備模塊、視頻處理與識(shí)別模塊、識(shí)別結(jié)果處理模塊以及待檢違章結(jié)果數(shù)據(jù)庫(kù)；

后臺(tái)部分，用于視頻處理并實(shí)現(xiàn)視頻的深度學(xué)習(xí)，包括關(guān)鍵幀提取算法、帶標(biāo)簽數(shù)據(jù)庫(kù)以及深度學(xué)習(xí)模塊，帶標(biāo)簽數(shù)據(jù)庫(kù)是對(duì)原始視頻數(shù)據(jù)調(diào)用關(guān)鍵幀提取算法進(jìn)行關(guān)鍵幀提取而構(gòu)建得到，帶標(biāo)簽數(shù)據(jù)庫(kù)中的數(shù)據(jù)用于深度學(xué)習(xí)模塊的訓(xùn)練，訓(xùn)練好的深度學(xué)習(xí)模塊與關(guān)鍵幀提取算法一起供視頻處理與識(shí)別模塊調(diào)用。

其中，關(guān)鍵幀提取算法為基于聚類的關(guān)鍵幀提取算法；深度學(xué)習(xí)模塊為基于cnn+lse的深度學(xué)習(xí)模塊。

上述系統(tǒng)對(duì)應(yīng)的一種基于視頻深度學(xué)習(xí)的汽車遠(yuǎn)光燈識(shí)別方法，具體步驟如下：

(1)道路監(jiān)測(cè)設(shè)備模塊獲得汽車的行駛視頻數(shù)據(jù)，并將其傳輸給視頻處理與識(shí)別模塊。

(2)視頻處理與識(shí)別模塊調(diào)用關(guān)鍵幀提取算法提取原始視頻數(shù)據(jù)的關(guān)鍵幀，然后進(jìn)行灰度化操作，將灰度化后的關(guān)鍵幀作為輸入，調(diào)用帶標(biāo)簽數(shù)據(jù)庫(kù)訓(xùn)練好的基于cnn+lse的深度學(xué)習(xí)模塊，得到各個(gè)關(guān)鍵幀的輸出標(biāo)簽，包括近光燈、霧燈或者遠(yuǎn)光燈，并將標(biāo)簽賦給相應(yīng)關(guān)鍵幀圖像。

關(guān)鍵幀提取算法如下：

(2-1)取原始視頻數(shù)據(jù)庫(kù)中的第i段vi，等時(shí)間間隔提取n個(gè)幀，并用fi,j命名第i段視頻數(shù)據(jù)的第j個(gè)時(shí)刻的幀，將相應(yīng)視頻數(shù)據(jù)的關(guān)鍵幀序列表示為{fi,1,fi,2,...,fi,n}，其中fi,1為首幀，fi,n為尾幀；定義相鄰兩幀之間的相似度是相鄰兩幀直方圖的相似度(即直方圖特征差別)，預(yù)定義閾值δ控制聚類的密度；其中，i、j和n均為整數(shù)；

(2-2)選定首幀fi,1為初始的聚類中心，并計(jì)算幀fi,j與初始聚類中心間的相似度，如果該值小于δ，則判定該幀與聚類中心幀之間距離過大，因此，fi,j不能加入該聚類中；如果fi,j與所有聚類中心相似度均小于δ，則fi,j形成一個(gè)新的聚類，fi,j為新的聚類中心；否則，將該幀加入到與之相似度最大的聚類中，使該幀與這個(gè)聚類的中心之間的距離最??；

(2-3)重復(fù)(2-2)操作，將原始視頻數(shù)據(jù)vi中所提取的n個(gè)幀，分別歸類到不同聚類后，就可以選擇關(guān)鍵幀：從每個(gè)聚類中抽取離聚類中心最近的幀作為這個(gè)聚類的代表幀，所有聚類的代表幀就構(gòu)成了原始視頻數(shù)據(jù)vi的關(guān)鍵幀。

帶標(biāo)簽數(shù)據(jù)庫(kù)的構(gòu)建方法如下：

將大數(shù)據(jù)背景下的大量車輛行駛視頻數(shù)據(jù)作為原始視頻數(shù)據(jù)，對(duì)原始視頻數(shù)據(jù)調(diào)用基于聚類的關(guān)鍵幀提取算法進(jìn)行關(guān)鍵幀提取，人工判定關(guān)鍵幀中車輛的燈光類型，給每個(gè)關(guān)鍵幀添加標(biāo)簽使原始關(guān)鍵幀變?yōu)閹?biāo)簽數(shù)據(jù)，其中，標(biāo)簽類別包括：近光燈、霧燈以及遠(yuǎn)光燈三種，分別用-1，0以及1表示；將帶有標(biāo)簽的關(guān)鍵幀數(shù)據(jù)存入帶標(biāo)簽數(shù)據(jù)庫(kù)，帶標(biāo)簽數(shù)據(jù)庫(kù)中的數(shù)據(jù)為原始視頻數(shù)據(jù)及其帶標(biāo)簽關(guān)鍵幀，表示為(fi,j,k)，其中k取-1，0或者1。

如圖2所示，基于cnn+lse的深度學(xué)習(xí)模塊的構(gòu)建方法是，采用lenet5卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，模塊共分為八層，前六層為特征提取部分，后兩層為分類器部分，其中，特征提取層采用經(jīng)典的卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，分類器層采用全連接結(jié)構(gòu)；模塊由帶標(biāo)簽數(shù)據(jù)庫(kù)中的數(shù)據(jù)作為訓(xùn)練數(shù)據(jù)，采用cnn+lse組合算法對(duì)深度學(xué)習(xí)模塊進(jìn)行訓(xùn)練，對(duì)于特征提取部分采用cnn方法進(jìn)行訓(xùn)練，而對(duì)于分類器層，則采用lse方法進(jìn)行訓(xùn)練，以期實(shí)現(xiàn)模塊參數(shù)的快速學(xué)習(xí)并增強(qiáng)模塊的泛化能力。具體方法如下：帶標(biāo)簽數(shù)據(jù)庫(kù)中的視頻關(guān)鍵幀輸入基于cnn+lse的深度學(xué)習(xí)模塊的第一層；在第二層中采用不同的卷積核對(duì)上層輸出進(jìn)行卷積操作；第三層對(duì)上層輸出進(jìn)行池化(下采樣)操作；第四層與第五層重復(fù)第二層與第三層的操作；第六層將上層的輸出特征依次展開，排成一列；第七層與上層輸出特征全互連；最后一層同樣與上層之間采用全互連的形式。基于cnn+lse的深度學(xué)習(xí)模塊的輸出為三種情況：近光燈、霧燈以及遠(yuǎn)光燈，分別用-1，0以及1表示。

基于cnn+lse的深度學(xué)習(xí)模塊的訓(xùn)練過程如下：

從帶標(biāo)簽數(shù)據(jù)庫(kù)中任取一個(gè)樣本(fi,j,k)，對(duì)fi,j首先進(jìn)行灰度化操作，使其變?yōu)榛叶葓D像，然后將灰度化后的關(guān)鍵幀fi,j'輸入到模塊中，即輸入數(shù)據(jù)為(fi,j',k)；對(duì)深度學(xué)習(xí)模塊的兩部分分別采用cnn與lse的方法進(jìn)行訓(xùn)練；其中，特征提取部分的參數(shù)訓(xùn)練方法如下：

(2-a1)初始化深度學(xué)習(xí)模塊中特征提取部分的所有連接權(quán)重參數(shù)；

(2-a2)計(jì)算輸入關(guān)鍵幀相對(duì)應(yīng)的實(shí)際輸出標(biāo)簽ok；

(2-a3)計(jì)算實(shí)際輸出標(biāo)簽ok與相應(yīng)理想輸出標(biāo)簽k的差值；

(2-a4)權(quán)重學(xué)習(xí)：通過極小化誤差的方法反向傳播調(diào)節(jié)深度學(xué)習(xí)模塊中特征提取部分的連接權(quán)重參數(shù)矩陣；

(2-a5)直至遍歷所有視頻數(shù)據(jù)的關(guān)鍵幀，參數(shù)訓(xùn)練完畢；

分類器部分的參數(shù)訓(xùn)練方法如下：

(2-b1)光柵化層與全連接層之間的連接權(quán)重與偏置隨機(jī)生成，并將全連接層輸出寫

為矩陣

其中g(shù)(·)為激活函數(shù)，ai為連接權(quán)重，bi為偏置，l為全連接層節(jié)點(diǎn)個(gè)數(shù)，n為所有關(guān)鍵幀的個(gè)數(shù)，xj為關(guān)鍵幀，i＝1,2,…,l，j＝1,2,…,n；

(2-b2)將相應(yīng)關(guān)鍵幀的網(wǎng)絡(luò)輸出結(jié)果寫為輸出向量y＝[y1y2…yn]^t，其中yj為第j個(gè)關(guān)鍵幀xj對(duì)應(yīng)的輸出標(biāo)簽；

(2-b3)計(jì)算全連接層與輸出層之間的輸出權(quán)重β＝phy，其中p＝(h^th)^-1。

(3)將原始視頻數(shù)據(jù)以及步驟(2)所得帶標(biāo)簽的關(guān)鍵幀一并作為識(shí)別結(jié)果處理模塊的輸入，用于判斷車輛是否違章，并且，在識(shí)別結(jié)果處理模塊中嵌入車牌識(shí)別系統(tǒng)，當(dāng)目標(biāo)車輛存在遠(yuǎn)光燈違章行為時(shí)，對(duì)其進(jìn)行車牌提取，獲取車輛信息，將涉嫌違章視頻數(shù)據(jù)導(dǎo)入待檢違章結(jié)果數(shù)據(jù)庫(kù)。

對(duì)于是否存在遠(yuǎn)光燈違章行為的判斷方法是：標(biāo)簽為遠(yuǎn)光燈的關(guān)鍵幀與其下個(gè)關(guān)鍵幀之間的時(shí)間間隔δt＝j(luò)2-j1，若δt≥θ，則該車輛存在遠(yuǎn)光燈違章使用現(xiàn)象，其中，θ為違章時(shí)間閾值。

(4)待檢違章結(jié)果數(shù)據(jù)庫(kù)中的數(shù)據(jù)為經(jīng)識(shí)別結(jié)果處理模塊判斷為違章的視頻數(shù)據(jù)，其中的待檢違章結(jié)果應(yīng)當(dāng)接受人工檢查，然后將確認(rèn)無誤的信息導(dǎo)入違章數(shù)據(jù)庫(kù)，并對(duì)誤判的信息進(jìn)行刪除。

上述雖然結(jié)合附圖對(duì)本發(fā)明的具體實(shí)施方式進(jìn)行了描述，但并非對(duì)本發(fā)明保護(hù)范圍的限制，在本發(fā)明的技術(shù)方案的基礎(chǔ)上，本領(lǐng)域技術(shù)人員不需要付出創(chuàng)造性勞動(dòng)即可做出的各種修改或變形仍在本發(fā)明的保護(hù)范圍以內(nèi)。