隨著城鎮(zhèn)化人口增多,城市機動車數(shù)量逐年增長,引發(fā)的交通問題已成為政府急需解決的難題。近年來科學家認為智能交通系統(tǒng)（Intelligent Transportation System,ITS）是解決當前城市交通問題最有效的方法,而車流量監(jiān)測及預測是智能交通系統(tǒng)中一項重要的研究內(nèi)容,但傳統(tǒng)方法準確率低、速度慢。因此,本文立足人工智能技術,在現(xiàn)有深度學習算法基礎上提出優(yōu)化算法實現(xiàn)車流監(jiān)測及預測功能,主要內(nèi)容如下:1.深度學習目標檢測算法的分析與研究。首先分析深度學習卷積神經(jīng)網(wǎng)絡結構,而后研究分析Faster R-CNN、YOLOv1、YOLOv2及YOLOv3等目標檢測算法原理,最后制作車流數(shù)據(jù)集進行訓練,實驗結果表明:Faster R-CNN檢測每幀約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車流檢測算法性能優(yōu)化。針對YOLOv3密集車輛漏檢問題,使用空間金字塔池化特征增強模塊優(yōu)化YOLOv3來獲得更加全面的特征信息,得YOLOv3-P1... 

【文章來源】：集美大學福建省

【文章頁數(shù)】：70 頁

【學位級別】：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 國內(nèi)外研究現(xiàn)狀
        1.2.1 車流監(jiān)測研究現(xiàn)狀
        1.2.2 車流預測研究現(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)絡相關理論與車流監(jiān)測
    2.1 卷積神經(jīng)網(wǎng)絡基本組成
        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)絡結構
        2.2.1 VGG
        2.2.2 GoogLeNet
        2.2.3 ResNet
    2.3 網(wǎng)絡訓練優(yōu)化
        2.3.1 批標準化
        2.3.2 L2 正則化
        2.3.3 Dropout
    2.4 傳統(tǒng)車輛檢測算法
        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 深度學習車輛檢測算法
        2.5.1 Faster R-CNN算法
        2.5.2 YOLOv1 算法
        2.5.3 YOLOv2 算法
    2.6 視頻車流量統(tǒng)計
        2.6.1 虛擬線圈車流統(tǒng)計法
        2.6.2 虛擬檢測線車流統(tǒng)計法
        2.6.3 目標跟蹤車流統(tǒng)計法
    2.7 本章小結
第3章 基于YOLOv3 算法的車流監(jiān)測
    3.1 基于YOLOv3 車輛檢測算法
        3.1.1 YOLOv3 檢測框架設計
        3.1.2 邊界框回歸設計
        3.1.3 損失函數(shù)設計
    3.2 YOLOv3 優(yōu)化
    3.3 車流監(jiān)測設計
        3.3.1 雙檢測線法
        3.3.2 雙檢測線匹配法
    3.4 實驗結果及分析
        3.4.1 模型性能評價
        3.4.2 實驗數(shù)據(jù)集
        3.4.3 車輛檢測實驗結果
        3.4.4 車流監(jiān)測實驗結果
    3.5 本章小結
第4章 基于LSTM組合算法的車流預測
    4.1 LSTM循環(huán)神經(jīng)網(wǎng)絡
    4.2 常用車流預測方法
        4.2.1 支持向量機
        4.2.2 線性回歸
    4.3 基于LSTM的組合預測方法
    4.4 實驗結果及分析
        4.4.1 車流數(shù)據(jù)集
        4.4.2 模型評價指標
        4.4.3 車流預測實驗結果
    4.5 本章小結
第5章 總結與展望
    5.1 全文總結
    5.2 未來展望
致謝
參考文獻
在學期間科研情況


【參考文獻】：
期刊論文
[1]基于CornerNet-Lite的輸電塔與絕緣子目標識別與檢測[J]. 張慶慶,朱仲杰,高明,葛志峰,白永強,屠仁偉.  浙江萬里學院學報. 2020(03)
[2]基于VGG-NET的特征融合面部表情識別[J]. 李校林,鈕海濤.  計算機工程與科學. 2020(03)
[3]基于整合移動平均自回歸和遺傳粒子群優(yōu)化小波神經(jīng)網(wǎng)絡組合模型的交通流預測[J]. 殷禮勝,唐圣期,李勝,何怡剛.  電子與信息學報. 2019(09)
[4]基于相空間重構的GQPSO-WNN短時交通流預測[J]. 唐瑞,陳慶春,類先富.  計算機應用與軟件. 2019(07)
[5]交通流預測的馬爾科夫粒子濾波方法研究[J]. 于泉,姚宗含.  交通運輸系統(tǒng)工程與信息. 2019(02)
[6]基于DSSD的靜態(tài)手勢實時識別方法[J]. 周文軍,張勇,王昱潔.  計算機工程. 2020(02)
[7]基于YOLO v2模型的交通標識檢測算法[J]. 王超,付子昂.  計算機應用. 2018(S2)
[8]遙感圖像中飛機的改進YOLOv3實時檢測算法[J]. 戴偉聰,金龍旭,李國寧,鄭志強.  光電工程. 2018(12)
[9]基于級聯(lián)微型神經(jīng)網(wǎng)絡的多角度車輛檢測方法[J]. 李浩,連捷,王辛巖.  計算機工程與應用. 2018(22)
[10]汽車產(chǎn)業(yè)智能化轉型政策環(huán)境構建解讀[J]. 李春玲,曹立群.  汽車工程師. 2018(10)

碩士論文
[1]智能視頻監(jiān)控中的幾個關鍵問題[D]. 吳天心.西安電子科技大學 2013
[2]基于背景差法的視頻車輛檢測算法研究[D]. 錢晉.上海交通大學 2007



本文編號：3148162