隨著城鎮(zhèn)化人口增多,城市機(jī)動(dòng)車(chē)數(shù)量逐年增長(zhǎng),引發(fā)的交通問(wèn)題已成為政府急需解決的難題。近年來(lái)科學(xué)家認(rèn)為智能交通系統(tǒng)（Intelligent Transportation System,ITS）是解決當(dāng)前城市交通問(wèn)題最有效的方法,而車(chē)流量監(jiān)測(cè)及預(yù)測(cè)是智能交通系統(tǒng)中一項(xiàng)重要的研究?jī)?nèi)容,但傳統(tǒng)方法準(zhǔn)確率低、速度慢。因此,本文立足人工智能技術(shù),在現(xiàn)有深度學(xué)習(xí)算法基礎(chǔ)上提出優(yōu)化算法實(shí)現(xiàn)車(chē)流監(jiān)測(cè)及預(yù)測(cè)功能,主要內(nèi)容如下:1.深度學(xué)習(xí)目標(biāo)檢測(cè)算法的分析與研究。首先分析深度學(xué)習(xí)卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu),而后研究分析Faster R-CNN、YOLOv1、YOLOv2及YOLOv3等目標(biāo)檢測(cè)算法原理,最后制作車(chē)流數(shù)據(jù)集進(jìn)行訓(xùn)練,實(shí)驗(yàn)結(jié)果表明:Faster R-CNN檢測(cè)每幀約0.12s、YOLO系列約0.025s;YOLOv3召回率與平均精確度均值超99%、YOLOv2均值約92%、Faster R-CNN均值約為90%、YOLOv1平均僅約為72%。2.YOLOv3車(chē)流檢測(cè)算法性能優(yōu)化。針對(duì)YOLOv3密集車(chē)輛漏檢問(wèn)題,使用空間金字塔池化特征增強(qiáng)模塊優(yōu)化YOLOv3來(lái)獲得更加全面的特征信息,得YOLOv3-P1... 

【文章來(lái)源】：集美大學(xué)福建省

【文章頁(yè)數(shù)】：70 頁(yè)

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
abstract
第1章 引言
    1.1 研究背景與意義
        1.1.1 研究背景
        1.1.2 研究意義
    1.2 國(guó)內(nèi)外研究現(xiàn)狀
        1.2.1 車(chē)流監(jiān)測(cè)研究現(xiàn)狀
        1.2.2 車(chē)流預(yù)測(cè)研究現(xiàn)狀
    1.3 本文主要工作及章節(jié)安排
第2章 深度卷積網(wǎng)絡(luò)相關(guān)理論與車(chē)流監(jiān)測(cè)
    2.1 卷積神經(jīng)網(wǎng)絡(luò)基本組成
        2.1.1 卷積層
        2.1.2 池化層
        2.1.3 激活函數(shù)
    2.2 常用卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)
        2.2.1 VGG
        2.2.2 GoogLeNet
        2.2.3 ResNet
    2.3 網(wǎng)絡(luò)訓(xùn)練優(yōu)化
        2.3.1 批標(biāo)準(zhǔn)化
        2.3.2 L2 正則化
        2.3.3 Dropout
    2.4 傳統(tǒng)車(chē)輛檢測(cè)算法
        2.4.1 幀間差分法
        2.4.2 背景差分法
        2.4.3 基于HOG+SVM法
    2.5 深度學(xué)習(xí)車(chē)輛檢測(cè)算法
        2.5.1 Faster R-CNN算法
        2.5.2 YOLOv1 算法
        2.5.3 YOLOv2 算法
    2.6 視頻車(chē)流量統(tǒng)計(jì)
        2.6.1 虛擬線(xiàn)圈車(chē)流統(tǒng)計(jì)法
        2.6.2 虛擬檢測(cè)線(xiàn)車(chē)流統(tǒng)計(jì)法
        2.6.3 目標(biāo)跟蹤車(chē)流統(tǒng)計(jì)法
    2.7 本章小結(jié)
第3章 基于YOLOv3 算法的車(chē)流監(jiān)測(cè)
    3.1 基于YOLOv3 車(chē)輛檢測(cè)算法
        3.1.1 YOLOv3 檢測(cè)框架設(shè)計(jì)
        3.1.2 邊界框回歸設(shè)計(jì)
        3.1.3 損失函數(shù)設(shè)計(jì)
    3.2 YOLOv3 優(yōu)化
    3.3 車(chē)流監(jiān)測(cè)設(shè)計(jì)
        3.3.1 雙檢測(cè)線(xiàn)法
        3.3.2 雙檢測(cè)線(xiàn)匹配法
    3.4 實(shí)驗(yàn)結(jié)果及分析
        3.4.1 模型性能評(píng)價(jià)
        3.4.2 實(shí)驗(yàn)數(shù)據(jù)集
        3.4.3 車(chē)輛檢測(cè)實(shí)驗(yàn)結(jié)果
        3.4.4 車(chē)流監(jiān)測(cè)實(shí)驗(yàn)結(jié)果
    3.5 本章小結(jié)
第4章 基于LSTM組合算法的車(chē)流預(yù)測(cè)
    4.1 LSTM循環(huán)神經(jīng)網(wǎng)絡(luò)
    4.2 常用車(chē)流預(yù)測(cè)方法
        4.2.1 支持向量機(jī)
        4.2.2 線(xiàn)性回歸
    4.3 基于LSTM的組合預(yù)測(cè)方法
    4.4 實(shí)驗(yàn)結(jié)果及分析
        4.4.1 車(chē)流數(shù)據(jù)集
        4.4.2 模型評(píng)價(jià)指標(biāo)
        4.4.3 車(chē)流預(yù)測(cè)實(shí)驗(yàn)結(jié)果
    4.5 本章小結(jié)
第5章 總結(jié)與展望
    5.1 全文總結(jié)
    5.2 未來(lái)展望
致謝
參考文獻(xiàn)
在學(xué)期間科研情況


【參考文獻(xiàn)】：
期刊論文
[1]基于CornerNet-Lite的輸電塔與絕緣子目標(biāo)識(shí)別與檢測(cè)[J]. 張慶慶,朱仲杰,高明,葛志峰,白永強(qiáng),屠仁偉.  浙江萬(wàn)里學(xué)院學(xué)報(bào). 2020(03)
[2]基于VGG-NET的特征融合面部表情識(shí)別[J]. 李校林,鈕海濤.  計(jì)算機(jī)工程與科學(xué). 2020(03)
[3]基于整合移動(dòng)平均自回歸和遺傳粒子群優(yōu)化小波神經(jīng)網(wǎng)絡(luò)組合模型的交通流預(yù)測(cè)[J]. 殷禮勝,唐圣期,李勝,何怡剛.  電子與信息學(xué)報(bào). 2019(09)
[4]基于相空間重構(gòu)的GQPSO-WNN短時(shí)交通流預(yù)測(cè)[J]. 唐瑞,陳慶春,類(lèi)先富.  計(jì)算機(jī)應(yīng)用與軟件. 2019(07)
[5]交通流預(yù)測(cè)的馬爾科夫粒子濾波方法研究[J]. 于泉,姚宗含.  交通運(yùn)輸系統(tǒng)工程與信息. 2019(02)
[6]基于DSSD的靜態(tài)手勢(shì)實(shí)時(shí)識(shí)別方法[J]. 周文軍,張勇,王昱潔.  計(jì)算機(jī)工程. 2020(02)
[7]基于YOLO v2模型的交通標(biāo)識(shí)檢測(cè)算法[J]. 王超,付子昂.  計(jì)算機(jī)應(yīng)用. 2018(S2)
[8]遙感圖像中飛機(jī)的改進(jìn)YOLOv3實(shí)時(shí)檢測(cè)算法[J]. 戴偉聰,金龍旭,李國(guó)寧,鄭志強(qiáng).  光電工程. 2018(12)
[9]基于級(jí)聯(lián)微型神經(jīng)網(wǎng)絡(luò)的多角度車(chē)輛檢測(cè)方法[J]. 李浩,連捷,王辛巖.  計(jì)算機(jī)工程與應(yīng)用. 2018(22)
[10]汽車(chē)產(chǎn)業(yè)智能化轉(zhuǎn)型政策環(huán)境構(gòu)建解讀[J]. 李春玲,曹立群.  汽車(chē)工程師. 2018(10)

碩士論文
[1]智能視頻監(jiān)控中的幾個(gè)關(guān)鍵問(wèn)題[D]. 吳天心.西安電子科技大學(xué) 2013
[2]基于背景差法的視頻車(chē)輛檢測(cè)算法研究[D]. 錢(qián)晉.上海交通大學(xué) 2007



本文編號(hào)：3148162