基于AlexNet模型的高速公路拥堵状态识别

《基于AlexNet模型的高速公路拥堵状态识别》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、分类号:TP3910710-2015124046硕士学位论文基于AlexNet模型的高速公路拥堵状态识别纪宇导师姓名职称崔华教授申请学位类别工学硕士学科专业名称计算机应用技术论文提交日期2018年4月2日论文答辩日期2018年6月4日学位授予单位长安大学HighwayCongestionIdentificationBasedonAlexNetModelAThesisSubmittedfortheDegreeofMasterCandidate：JiYuSupervisor：Prof.CuiHuaChang’anUniversity,Xi’an,China2摘

2、要随着经济的快速发展和汽车保有量的增加，高速公路拥堵越来越频繁，交通堵塞所造成的交通延误越来越严重，解决交通拥堵刻不容缓。基于图像视频的拥堵检测方法，不破坏路、安装无需中断交通，而且检测特征全面并能够记录现场图像。以往的基于视频分析的高速公路拥堵识别方法具有延迟性高，识别速度慢和识别代价大等缺点。本文采用对视频帧（图像）进行分析来实现交通拥堵状态识别，能够有效的避免以上缺点。近年来，卷积神经网络在图像识别方面表现出了通用性好、识别准确率高、适用范围广等优势。本文提出了一种基于卷积神经网络AlexNet模型、利用图像进行高速公路拥堵识别的方法，主要研究内容包

3、括以下几个方面。（1）建立了一个通用的高速公路交通状态图像数据库。本文将西安和杭州部分高速公路视频进行每隔100帧截取的图像作为高速公路拥堵图像样本，并将样本标记为拥堵和畅通两类。数据库包含46500多个样本和800多个场景，其中属于拥堵状态的有23000个样本和300个场景，属于畅通状态的有23500个样本和500多场景，数据库还包含了雨，雪，雾等天气和早晨中午黄昏等时间段的样本。（2）基于AlexNet的高速公路拥堵状态识别研究。首先采用高速公路交通状态图像数据库对AlexNet模型进行训练，通过调整学习率、模型层数和卷积核大小等参数，对AlexNet

4、模型的识别准确率和收敛性进行实验测试和评估。实验表明当模型初始学习率为0.01，模型层数为8层及第一层卷积核大小为11x11时，测试样本集的准确率为96.5%，单个样本的测试时间为0.03s。（3）上述基于Alexnet的高速公路拥堵识别方法在实际高速公路中的应用。首先通过.Net框架和网络传输协议在服务器之间建立了图像实时传输，采用上述训练好的Alexnet模型对实际数据的初始测试准确率为90.1%。由于实际情况下道路背景颜色和天气变化，本文将数据库进行了灰度化处理并添加到原始数据库中对训练好的AlexNet模型进行了再调整，调整后的模型在实际测试中的准

5、确率达到了96.4%。本文提出的基于AlexNet模型的交通状态识别方法能够有效的识别交通场景的拥堵状态，而且场景通用性强，避免了针对特定场景进行手动设计特征，能够高效方便的在实际中应用。关键词：图像识别；高速公路；拥堵识别；图像数据库；卷积神经网络；AlexNet模型IAbstractWiththerapiddevelopmentofeconomyandtheincreaseofcarownership,thecongestionofexpresswayismoreandmorefrequent,trafficdelaycausedbytrafficja

6、mismoreandmoreserious,soitisurgenttosolvetrafficjam.Thecongestiondetectionmethodbasedonimagevideocannotdestroytheroad,installthetrafficwithoutinterruption,andthedetectionfeatureiscomprehensiveandabletorecordthesceneimage.Inthepast,themethodofexpresswaycongestionrecognitionbasedonv

7、ideoanalysishasthedisadvantagesofhighlatency,slowrecognitionspeedandhighrecognitioncost.Thispaperusesthevideoframe(image)analysistoachievetrafficcongestionstatusidentification,caneffectivelyavoidtheaboveshortcomings.Inrecentyears,convolutionneuralnetworkinimagerecognitionhasshownt

8、headvantagesofgoodversatility,hig