基于深度学习的交通拥堵检测

被引：6

作者：

丁洁

刘晋峰

杨祖莨

阎高伟

机构：

[1] 太原理工大学电气与动力工程学院

来源：

重庆大学学报 | 2021年 / 44卷 / 04期

关键词：

拥堵检测; 卷积神经网络; 深度学习; TensorFlow;

D O I：

暂无

中图分类号：

U491.265 []; TP391.41 []; TP18 [人工智能理论];

学科分类号：

0306 ; 0838 ; 080203 ; 081104 ; 0812 ; 0835 ; 1405 ;

摘要：

针对交通拥堵检测,提出一种利用深度学习中卷积神经网络(convolutional neural network, CNN)对交通拥堵图像进行检测的方法。首先,使用基于TensorFlow框架设计了含有三层卷积层的神经网络分类模型。其次,利用道路拥堵与非拥堵图片对分类模型进行训练,并进行评估。最后,利用训练完成的模型进行道路拥堵检测,与多种深度学习分类模型分类方法进行对比实验,表明该卷积神经网络模型能够更有效地进行拥堵检测,检测准确率达到了98.1%。

引用

页码：107 / 116

页数：10

共 10 条

[1] 不完全数据下基于时空相关性拥堵预测方法
安纪存
吕鑫
季琳雅
[J]. 计算机工程与应用 , 2019, (04) : 96 - 100+124
[2] 基于卷积神经网络的道路拥堵识别研究
罗荣辉
袁航
钟发海
聂上上
[J]. 郑州大学学报(工学版), 2019, 40 (02) : 18 - 22
[3] 基于机器视觉的道路拥堵状态检测的研究
黄磊磊
汤一平
孟焱
[J]. 小型微型计算机系统, 2014, 35 (01) : 148 - 153
[4] 对中国大城市交通拥堵问题的认识
郭继孚
刘莹
余柳
[J]. 城市交通, 2011, 9 (02) : 8 - 14+6
[5] 高速公路汽车污染物排放因子的测试与研究
邓顺熙
陈爱侠
曹申存
[J]. 中国公路学报, 1999, (S1) : 96 - 102
[6] Traffic Scene Classification on a Representation Budget
Sikiric, Ivan
Brkic, Karla
Bevandic, Petra
Kreso, Ivan
Krapac, Josip
Segvic, Sinisa
[J]. IEEE TRANSACTIONS ON INTELLIGENT TRANSPORTATION SYSTEMS, 2020, 21 (01) : 336 - 345
[7] Fully convolutional network with dilated convolutions for handwritten text line segmentation[J] . Guillaume Renton,Yann Soullard,Clément Chatelain,Sébastien Adam,Christopher Kermorvant,Thierry Paquet.International Journal on Document Analysis and Recognition (IJDAR) . 2018 (3)
[8] Vehicle classification for large-scale traffic surveillance videos using Convolutional Neural Networks
Zhuo, Li
Jiang, Liying
Zhu, Ziqi
Li, Jiafeng
Zhang, Jing
Long, Haixia
[J]. MACHINE VISION AND APPLICATIONS, 2017, 28 (07) : 793 - 802
[9] Gradient-based learning applied to document recognition
Lecun, Y
Bottou, L
Bengio, Y
Haffner, P
[J]. PROCEEDINGS OF THE IEEE, 1998, 86 (11) : 2278 - 2324
[10] Large-scale vehicle re-identification in urban surveillance videos .2 Liu X C,Liu W,Ma H D et al. IEEE International Conference on Multimedia and Expo . 2016

← 1 →