近年來(lái),交通信息的飛速增長(zhǎng)使得利用人工來(lái)對(duì)交通信息進(jìn)行監(jiān)控、審查、識(shí)別的傳統(tǒng)方式不再可行,需要以人工智能的方式來(lái)對(duì)交通情況進(jìn)行監(jiān)控與告警,滿足交通管控部門(mén)的需要。其中道路異常物體類(lèi)別可謂是繁雜多樣、難以統(tǒng)計(jì),且在海量交通信息數(shù)據(jù)中尋找大量存在異常物體的道路交通圖像、視頻數(shù)據(jù),需要耗費(fèi)大量人力物力財(cái)力,很難對(duì)每種道路異常物體都獲取足夠的訓(xùn)練樣本。因此道路異常物體識(shí)別任務(wù)存在物體定位困難、訓(xùn)練數(shù)據(jù)不足、輸出模型難以收斂或過(guò)擬合現(xiàn)象嚴(yán)重等技術(shù)難題。針對(duì)上述難題,本論文研究并實(shí)現(xiàn)了基于深度學(xué)習(xí)的道路異常物體檢測(cè)算法。首先,為了使得異常物體定位中的背景建模更加適合道路監(jiān)控視頻的特性,提出了基于空-時(shí)域信息的背景建模方法:先以K-means算法對(duì)像素進(jìn)行聚類(lèi),再通過(guò)改進(jìn)K近鄰的方式對(duì)連續(xù)視頻幀內(nèi)的像素進(jìn)行背景判斷,完成異常物體定位。實(shí)驗(yàn)結(jié)果表明,該定位方式能夠提取出異常物體,解決異常物體定位困難的問(wèn)題。接下來(lái),本文提出通道間注意力模型來(lái)對(duì)已實(shí)現(xiàn)準(zhǔn)確定位的異常物體進(jìn)行分類(lèi)。在分類(lèi)過(guò)程中,通過(guò)注意力層的方式將類(lèi)別詞向量嵌入到圖像特征當(dāng)中,使得特征譜所包含的信息量增加,更易于進(jìn)行相似度度量。針對(duì)有標(biāo)數(shù)據(jù)... 

【文章來(lái)源】：西安電子科技大學(xué)陜西省 211工程院校 教育部直屬院校

【文章頁(yè)數(shù)】：82 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

異常物休屏采

人工神多元樟型

Sigmoid 函數(shù)中間區(qū)域具有非線性壓縮作用，而兩側(cè)的較大誤差在經(jīng)過(guò)多個(gè)隱層傳輸?shù)骄W(wǎng)絡(luò)的前幾層時(shí)，梯度的現(xiàn)沒(méi)有明顯變化的情況，即出現(xiàn)了梯度彌散現(xiàn)象；這一現(xiàn)層參數(shù)一直都是初始設(shè)定值，而不會(huì)隨訓(xùn)練次數(shù)的增加而。對(duì)于需要有較多隱含層來(lái)獲取圖像不同級(jí)別特征的 CN問(wèn)題，線性整流函數(shù)（Rectified Linear Unit， ReLU）應(yīng) 2010 年由 Nair 和 Hinton[34]提出，它是一個(gè)分段線性函數(shù)神經(jīng)網(wǎng)絡(luò)中最常見(jiàn)的激活函數(shù)，其公式見(jiàn)式(2-3)f ( x) max(0, x)

【參考文獻(xiàn)】：
期刊論文
[1]大數(shù)據(jù):概念、技術(shù)及應(yīng)用研究綜述[J]. 方巍,鄭玉,徐江.  南京信息工程大學(xué)學(xué)報(bào)(自然科學(xué)版). 2014(05)



本文編號(hào)：3119013