隨著經濟的不斷發(fā)展,私家車持有量不斷增長,交通網絡布局與城市規(guī)劃適應性矛盾突顯,迅速增長的交通需求遠遠超過了城市交通領域基礎設施的跟進建設速度,日益嚴峻的“停車難”問題,是便民出行的一大障礙。與此同時,飛速發(fā)展的衛(wèi)星遙感技術已經成為空間對地面觀測的主要技術手段和數據來源,借助遙感數據可以根據不同任務完成相對應檢測。為緩解“停車難”問題,發(fā)現停車區(qū)域以及停車位資源是深度學習在遙感數據下新的挑戰(zhàn)。因此,本文將深度學習理論應用到遙感圖像中停車場的識別問題,給出基于深度學習的遙感圖像車輛檢測方法,同時借助數據挖掘算法實現對遙感數據下停車區(qū)域、停車位資源的發(fā)現和識別。針對傳統(tǒng)目標檢測算法在識別遙感圖像小目標物準確性低、速度慢的缺點,本文將深度學習理論與遙感圖像目標檢測任何結合,采用Darknet深度學習框架對基于回歸的YOLO模型進行構建和改進,添加了殘差結構,使模型的mAP達到了94%,調整了模型輸入限制,加入了圖像剪裁拼接的功能,同時建立用于實驗的遙感數據集,得到遙感圖像汽車檢測模型。針對遙感圖像汽車檢測模型輸出結果,采用數據挖掘技術以及遙感圖像停車區(qū)域發(fā)現方法和遙感圖像停車位預測方法,對結... 

【文章來源】：青島大學山東省

【文章頁數】：54 頁

【學位級別】：碩士

【部分圖文】：

LeNet-5模型

ReLU函數圖像

YOLOv3結構圖

【參考文獻】：
期刊論文
[1]智能交通管理中停車誘導系統(tǒng)的有效應用[J]. 郝菊香,張瀟,姬文寶.  科技風. 2020(06)
[2]對于停車場區(qū)域優(yōu)化模型研究[J]. 翟庭鈺,曾鈺潔,王森正.  科技風. 2020(06)
[3]基于特征融合卷積神經網絡的車型精細識別[J]. 李致金,張亮,武鵬,丁春健.  計算機工程與設計. 2020(01)
[4]基于STM32的智能停車場管理系統(tǒng)設計[J]. 蘇康友,陳國潤.  電子世界. 2020(01)
[5]基于物聯(lián)網的智能停車場系統(tǒng)分析[J]. 邱燕霞.  江西建材. 2019(12)
[6]高架橋下模塊化立體停車場設計[J]. 杜鶴蒞.  設計. 2019(20)
[7]基本車位和出行車位的計算方法及應用[J]. 秦莉,劉淑永,王田田.  交通與運輸. 2019(06)
[8]基于深度卷積神經網絡的停車位檢測[J]. 王馬成,黎海濤.  電子測量技術. 2019(21)
[9]基于深度學習的高速服務區(qū)車位檢測算法[J]. 邵奇可,盧熠,陳一葦.  計算機系統(tǒng)應用. 2019(06)
[10]十字路口停車場的研究[J]. 霍超洲,劉薊南,張千宇.  湖北農機化. 2019(11)

碩士論文
[1]基于深度學習的衛(wèi)星遙感圖像艦船檢測[D]. 張靖奇.哈爾濱工業(yè)大學 2019
[2]基于改進的卷積神經網絡的違章停車檢測[D]. 唐潔.安徽大學 2019
[3]基于地磁傳感器和卷積神經網絡的停車檢測方法研究[D]. 孔令燃.華中科技大學 2018



本文編號：3530818