基于深度学习的车流监测与预测算法研究

发布时间：2021-04-19 19:26

　　随着城镇化人口增多,城市机动车数量逐年增长,引发的交通问题已成为政府急需解决的难题。近年来科学家认为智能交通系统（Intelligent Transportation System,ITS）是解决当前城市交通问题最有效的方法,而车流量监测及预测是智能交通系统中一项重要的研究内容,但传统方法准确率低、速度慢。因此,本文立足人工智能技术,在现有深度学习算法基础上提出优化算法实现车流监测及预测功能,主要内容如下:1.深度学习目标检测算法的分析与研究。首先分析深度学习卷积神经网络结构,而后研究分析Faster R-CNN、YOLOv1、YOLOv2及YOLOv3等目标检测算法原理,最后制作车流数据集进行训练,实验结果表明:Faster R-CNN检测每帧约0.12s、YOLO系列约0.025s;YOLOv3召回率与平均精确度均值超99%、YOLOv2均值约92%、Faster R-CNN均值约为90%、YOLOv1平均仅约为72%。2.YOLOv3车流检测算法性能优化。针对YOLOv3密集车辆漏检问题,使用空间金字塔池化特征增强模块优化YOLOv3来获得更加全面的特征信息,得YOLOv3-P1... 

【文章来源】：集美大学福建省

【文章页数】：70 页

【学位级别】：硕士

【文章目录】：
摘要
abstract
第1章 引言
    1.1 研究背景与意义
        1.1.1 研究背景
        1.1.2 研究意义
    1.2 国内外研究现状
        1.2.1 车流监测研究现状
        1.2.2 车流预测研究现状
    1.3 本文主要工作及章节安排
第2章 深度卷积网络相关理论与车流监测
    2.1 卷积神经网络基本组成
        2.1.1 卷积层
        2.1.2 池化层
        2.1.3 激活函数
    2.2 常用卷积神经网络结构
        2.2.1 VGG
        2.2.2 GoogLeNet
        2.2.3 ResNet
    2.3 网络训练优化
        2.3.1 批标准化
        2.3.2 L2 正则化
        2.3.3 Dropout
    2.4 传统车辆检测算法
        2.4.1 帧间差分法
        2.4.2 背景差分法
        2.4.3 基于HOG+SVM法
    2.5 深度学习车辆检测算法
        2.5.1 Faster R-CNN算法
        2.5.2 YOLOv1 算法
        2.5.3 YOLOv2 算法
    2.6 视频车流量统计
        2.6.1 虚拟线圈车流统计法
        2.6.2 虚拟检测线车流统计法
        2.6.3 目标跟踪车流统计法
    2.7 本章小结
第3章 基于YOLOv3 算法的车流监测
    3.1 基于YOLOv3 车辆检测算法
        3.1.1 YOLOv3 检测框架设计
        3.1.2 边界框回归设计
        3.1.3 损失函数设计
    3.2 YOLOv3 优化
    3.3 车流监测设计
        3.3.1 双检测线法
        3.3.2 双检测线匹配法
    3.4 实验结果及分析
        3.4.1 模型性能评价
        3.4.2 实验数据集
        3.4.3 车辆检测实验结果
        3.4.4 车流监测实验结果
    3.5 本章小结
第4章 基于LSTM组合算法的车流预测
    4.1 LSTM循环神经网络
    4.2 常用车流预测方法
        4.2.1 支持向量机
        4.2.2 线性回归
    4.3 基于LSTM的组合预测方法
    4.4 实验结果及分析
        4.4.1 车流数据集
        4.4.2 模型评价指标
        4.4.3 车流预测实验结果
    4.5 本章小结
第5章 总结与展望
    5.1 全文总结
    5.2 未来展望
致谢
参考文献
在学期间科研情况


【参考文献】：
期刊论文
[1]基于CornerNet-Lite的输电塔与绝缘子目标识别与检测[J]. 张庆庆,朱仲杰,高明,葛志峰,白永强,屠仁伟.  浙江万里学院学报. 2020(03)
[2]基于VGG-NET的特征融合面部表情识别[J]. 李校林,钮海涛.  计算机工程与科学. 2020(03)
[3]基于整合移动平均自回归和遗传粒子群优化小波神经网络组合模型的交通流预测[J]. 殷礼胜,唐圣期,李胜,何怡刚.  电子与信息学报. 2019(09)
[4]基于相空间重构的GQPSO-WNN短时交通流预测[J]. 唐瑞,陈庆春,类先富.  计算机应用与软件. 2019(07)
[5]交通流预测的马尔科夫粒子滤波方法研究[J]. 于泉,姚宗含.  交通运输系统工程与信息. 2019(02)
[6]基于DSSD的静态手势实时识别方法[J]. 周文军,张勇,王昱洁.  计算机工程. 2020(02)
[7]基于YOLO v2模型的交通标识检测算法[J]. 王超,付子昂.  计算机应用. 2018(S2)
[8]遥感图像中飞机的改进YOLOv3实时检测算法[J]. 戴伟聪,金龙旭,李国宁,郑志强.  光电工程. 2018(12)
[9]基于级联微型神经网络的多角度车辆检测方法[J]. 李浩,连捷,王辛岩.  计算机工程与应用. 2018(22)
[10]汽车产业智能化转型政策环境构建解读[J]. 李春玲,曹立群.  汽车工程师. 2018(10)

硕士论文
[1]智能视频监控中的几个关键问题[D]. 吴天心.西安电子科技大学 2013
[2]基于背景差法的视频车辆检测算法研究[D]. 钱晋.上海交通大学 2007



本文编号：3148162