基于深度学习的高速公路交通检测算法研究

发布时间：2020-08-19 15:33

【摘要】：视频监控是高速公路智能交通检测系统的主要组成之一,通过收集实时交通流数据判断道路的交通运行状态并智能识别交通事故的发生,为道路的运营管理提供宝贵的辅助决策信息,极大地提高管理效率。基于视频图像序列的车辆自动识别技术是视频监控进行交通流数据采集及交通事件检测的基础,因此研究一种精度高、实时性好的车辆目标识别技术以提高检测的可靠性具有重要意义。为此,本文基于深度学习框架进行了车辆识别算法及道路环境判别算法的研究,极大地提高了高速公路车辆识别的精度。首先,收集不同环境下的高速公路视频监控图像建立完备的原始数据库,构建环境判别的深度学习模型,并进行分类模型训练,实现高速公路的实时环境识别,作为车辆识别及交通事件判别的基础条件,为车辆检测模型选择提供依据信息。然后,对不同环境的样本进行车辆目标的标注及样本预处理,在此基础上进行车辆识别算法研究,提出基于天气环境识别的应用faster-RCNN模型的车辆检测算法,以提升高速公路车辆检测的精度。再通过比较不同环境数据集模型和整体数据集模型、不同网络结构以及深度学习方法与其他方法之间的算法检测精度差异,以此验证本文所述车辆检测算法的性能。最后以广湛线高速公路为实例,进行视频检测器的布设,并应用本文构建的基于天气环境识别的深度学习车辆检测算法进行交通流参数及交通事件检测,验证算法的性能与可行性。
【学位授予单位】：华南理工大学
【学位级别】：硕士
【学位授予年份】：2018
【分类号】：U491
【图文】：

示意图,分类器,示意图,拉格朗日乘子

图 2-3 SVM 分类器示意图 ),(,),...,(,)22nnxyxy，且有 x R, y { 1, 1}n，样本的不同类别，n 为样本量，则 SVM 寻找的 (( ) ) 121min2yωxbωii规划问题，根据 KKT 条件应用拉格朗日乘子 niiTiiLωbλωλyωxb12[()1]21ax (,,)

流程图,流程,卷积,卷积核

图 2-6 基于深度学习的天气识别流程2.1.3.1 卷积神经网络从图2-6可以看出，卷积神经网络主要有卷积层（ConvolutionLayer）、池化层（PoolingLayer）和全连接层（Fully-connected layer）三部分[55]。（1）卷积层卷积神经网络包含多个卷积层，其作用是对输入进行不同的卷积核滤波操作，即提取图像相应滤波器的特征，获得特征映射（Feature Map），其计算公式为：()( l)(l)(l1)(l)X fW X b （2-22）上式中，(l)X 是第 l 层神经元的输入，即上层神经元输出经过卷积操作得到的特征映射；(l)W 为二维滤波器（即卷积核），该滤波器为上层神经元共用；(l)b 是偏置矩阵。此外

示意图,卷积计算,示意图,下采样

图 2-7 卷积计算示意图滤波器的大小为 u v，第 l 层神经元个数为 n 个，则两层神经元间的v) n个。相较传统神经网络，卷积神经网络的突出优势在于通过卷积经元间的全连接，该方法使得各神经元只与局部的相邻层神经元连接共享滤波器的参数，极大地降低了网络的参数量，提高网络计算速度）池化层层是相邻两个卷积层间的连接层，其作用主要体现在两个方面：一是要特征，减少冗余信息的干扰；二是压缩图像，减少网络神经元参数本，同时避免过拟合。池化层的功能是通过下采样实现的，经过下采：(()) 1 ( 1)()( 1) llllkX fWdownXb（的 ()(l)down X是指上层特征映射下采样得到的映射；( l 1 )(l 1)W 、b 为可其中，下采样通常有规定区域内神经元的最大值和平均值两种方式：

【参考文献】