彭 博 ，唐 聚 ，张媛媛 ，蔡晓禹 ，孟繁和

（1. 重庆交通大学山地城市交通系统与安全重庆市重点实验室，重庆 400074；2. 重庆交通大学交通运输学院，重庆 400074；3. 安徽科力信息产业有限责任公司，安徽 合肥 230088）

为了准确有效地获取交通信息，许多城市在道路设施中布设了感应线圈、视频检测器、RFID （radio frequency identification）卡口等设备. 其中，视频检测器具有直观可视化、信息量大、不影响道路交通等优势，在交通监管中广泛应用，成为交通研究的重要手段.

近年来，人们基于视频数据主要展开了车辆检测、交通参数检测、交通状态识别[1-3]等方面研究，这些方法大多以单帧图像为输入，而很少直接基于视频展开研究. 例如，Wei等[1]基于图像纹理分析技术构建了城市道路交通拥堵快速检测算法，Shi等[2]基于感知特征和随机森林分类器构建了视频图像交通状态估计模型，崔华等[3]利用 FCM （fuzzy C-means）对静态图像进行交通状态识别. 这可能导致帧间运动信息缺失，因此，有必要考虑多帧图像运动特性，据此判断一段视频反映的交通状态. 不过，这需要解决复杂的多帧图像时空信息提取与建模问题.

直到 2013年，基于二维卷积神经网络 （如LeNet[4]、AlexNet、GoogleNet、VGG16[5]）在大规模图像解析与分类方面的卓越表现，Ji等[6]拓展出了一种三维卷积神经网络（3D convolution neural network，3D CNN），可对视频作卷积运算，自此，3D CNN视频处理获得了广泛关注：Tran等[7]构建了在所有层使用 3 × 3 × 3 卷积核的视频处理 C3D （convolutional 3D）模型；Xu等[8]以C3D为基础提出了针对连续未修剪视频流行为检测的区域卷积3D CNN模型R3D（region convolutional 3D network）；Tran 等[9]进一步把三维时空卷积……