【摘要】：視頻監(jiān)控是高速公路智能交通檢測系統(tǒng)的主要組成之一,通過收集實(shí)時(shí)交通流數(shù)據(jù)判斷道路的交通運(yùn)行狀態(tài)并智能識別交通事故的發(fā)生,為道路的運(yùn)營管理提供寶貴的輔助決策信息,極大地提高管理效率�；谝曨l圖像序列的車輛自動識別技術(shù)是視頻監(jiān)控進(jìn)行交通流數(shù)據(jù)采集及交通事件檢測的基礎(chǔ),因此研究一種精度高、實(shí)時(shí)性好的車輛目標(biāo)識別技術(shù)以提高檢測的可靠性具有重要意義。為此,本文基于深度學(xué)習(xí)框架進(jìn)行了車輛識別算法及道路環(huán)境判別算法的研究,極大地提高了高速公路車輛識別的精度。首先,收集不同環(huán)境下的高速公路視頻監(jiān)控圖像建立完備的原始數(shù)據(jù)庫,構(gòu)建環(huán)境判別的深度學(xué)習(xí)模型,并進(jìn)行分類模型訓(xùn)練,實(shí)現(xiàn)高速公路的實(shí)時(shí)環(huán)境識別,作為車輛識別及交通事件判別的基礎(chǔ)條件,為車輛檢測模型選擇提供依據(jù)信息。然后,對不同環(huán)境的樣本進(jìn)行車輛目標(biāo)的標(biāo)注及樣本預(yù)處理,在此基礎(chǔ)上進(jìn)行車輛識別算法研究,提出基于天氣環(huán)境識別的應(yīng)用faster-RCNN模型的車輛檢測算法,以提升高速公路車輛檢測的精度。再通過比較不同環(huán)境數(shù)據(jù)集模型和整體數(shù)據(jù)集模型、不同網(wǎng)絡(luò)結(jié)構(gòu)以及深度學(xué)習(xí)方法與其他方法之間的算法檢測精度差異,以此驗(yàn)證本文所述車輛檢測算法的性能。最后以廣湛線高速公路為實(shí)例,進(jìn)行視頻檢測器的布設(shè),并應(yīng)用本文構(gòu)建的基于天氣環(huán)境識別的深度學(xué)習(xí)車輛檢測算法進(jìn)行交通流參數(shù)及交通事件檢測,驗(yàn)證算法的性能與可行性。
【學(xué)位授予單位】：華南理工大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2018
【分類號】：U491
【圖文】：

圖 2-3 SVM 分類器示意圖 ),(,),...,(,)22nnxyxy，且有 x R, y { 1, 1}n，樣本的不同類別，n 為樣本量，則 SVM 尋找的 (( ) ) 121min2yωxbωii規(guī)劃問題，根據(jù) KKT 條件應(yīng)用拉格朗日乘子 niiTiiLωbλωλyωxb12[()1]21ax (,,)

圖 2-6 基于深度學(xué)習(xí)的天氣識別流程2.1.3.1 卷積神經(jīng)網(wǎng)絡(luò)從圖2-6可以看出，卷積神經(jīng)網(wǎng)絡(luò)主要有卷積層（ConvolutionLayer）、池化層（PoolingLayer）和全連接層（Fully-connected layer）三部分[55]。（1）卷積層卷積神經(jīng)網(wǎng)絡(luò)包含多個(gè)卷積層，其作用是對輸入進(jìn)行不同的卷積核濾波操作，即提取圖像相應(yīng)濾波器的特征，獲得特征映射（Feature Map），其計(jì)算公式為：()( l)(l)(l1)(l)X fW X b （2-22）上式中，(l)X 是第 l 層神經(jīng)元的輸入，即上層神經(jīng)元輸出經(jīng)過卷積操作得到的特征映射；(l)W 為二維濾波器（即卷積核），該濾波器為上層神經(jīng)元共用；(l)b 是偏置矩陣。此外

圖 2-7 卷積計(jì)算示意圖濾波器的大小為 u v，第 l 層神經(jīng)元個(gè)數(shù)為 n 個(gè)，則兩層神經(jīng)元間的v) n個(gè)。相較傳統(tǒng)神經(jīng)網(wǎng)絡(luò)，卷積神經(jīng)網(wǎng)絡(luò)的突出優(yōu)勢在于通過卷積經(jīng)元間的全連接，該方法使得各神經(jīng)元只與局部的相鄰層神經(jīng)元連接共享濾波器的參數(shù)，極大地降低了網(wǎng)絡(luò)的參數(shù)量，提高網(wǎng)絡(luò)計(jì)算速度）池化層層是相鄰兩個(gè)卷積層間的連接層，其作用主要體現(xiàn)在兩個(gè)方面：一是要特征，減少冗余信息的干擾；二是壓縮圖像，減少網(wǎng)絡(luò)神經(jīng)元參數(shù)本，同時(shí)避免過擬合。池化層的功能是通過下采樣實(shí)現(xiàn)的，經(jīng)過下采：(()) 1 ( 1)()( 1) llllkX fWdownXb（的 ()(l)down X是指上層特征映射下采樣得到的映射；( l 1 )(l 1)W 、b 為可其中，下采樣通常有規(guī)定區(qū)域內(nèi)神經(jīng)元的最大值和平均值兩種方式：

【參考文獻(xiàn)】

相關(guān)期刊論文 前10條

1 蘇剛;王堅(jiān);凌衛(wèi)青;;基于大數(shù)據(jù)的智能交通分析系統(tǒng)的設(shè)計(jì)與實(shí)現(xiàn)[J];電腦知識與技術(shù);2015年36期

2 符鋅砂;王祥波;李海峰;孟慶昕;;基于背景差分的高速公路運(yùn)動目標(biāo)檢測算法[J];華南理工大學(xué)學(xué)報(bào)(自然科學(xué)版);2015年04期

3 楊先鳳;楊燕;;一種基于HOG-LBP的高效車輛檢測方法[J];計(jì)算機(jī)工程;2014年09期

4 宋曉琳;王文濤;張偉偉;;基于LBP紋理和改進(jìn)Camshift算子的車輛檢測與跟蹤[J];湖南大學(xué)學(xué)報(bào)(自然科學(xué)版);2013年08期

5 張全發(fā);蒲寶明;李天然;孫宏國;;基于HOG特征和機(jī)器學(xué)習(xí)的工程車輛檢測[J];計(jì)算機(jī)系統(tǒng)應(yīng)用;2013年07期

6 黃建玲;;北京交通應(yīng)急指揮調(diào)度示范應(yīng)用[J];計(jì)算機(jī)光盤軟件與應(yīng)用;2013年09期

7 孫志軍;薛磊;許陽明;王正;;深度學(xué)習(xí)研究綜述[J];計(jì)算機(jī)應(yīng)用研究;2012年08期

8 伍健榮;杜向龍;劉海濤;;一種基于Kalman濾波器的自適應(yīng)背景建模改進(jìn)算法[J];傳感器與微系統(tǒng);2012年01期

9 劉令芝;黃輝先;徐建閩;;一種基于同態(tài)濾波的背景建模方法[J];交通信息與安全;2011年02期

10 陳龍;彭森第;魏明;;SCATS優(yōu)選配時(shí)方案的研究[J];硅谷;2010年21期

相關(guān)博士學(xué)位論文 前1條

1 楊慶芳;先進(jìn)的交通管理系統(tǒng)關(guān)鍵理論與方法研究[D];吉林大學(xué);2004年

相關(guān)碩士學(xué)位論文 前2條

1 周標(biāo);交通監(jiān)控視頻中的車輛檢測技術(shù)研究[D];華南理工大學(xué);2016年

2 王靜;高速公路交通檢測器布設(shè)方案研究[D];長安大學(xué);2007年

本文編號：2797256