基于卷积神经网络(CNN)的高速路交通图片拥堵识别 |
| |
引用本文: | 崔华,纪宇,李盼侬.基于卷积神经网络(CNN)的高速路交通图片拥堵识别[J].科技创新与应用,2018(5). |
| |
作者姓名: | 崔华 纪宇 李盼侬 |
| |
作者单位: | 长安大学信息工程学院; |
| |
摘 要: | 近年来,高速路的拥堵问题变得越来越严重,传统的交通拥堵识别采用视频进行研究,其具有代价昂贵,识别速度慢的缺点。文章提出了一种基于图片进行交通拥堵识别的方法。因为卷积神经网络(CNN)在图像识别方面有着识别速度快,适用范围广,识别准确率高的优点,所以文章使用了带有relu激活函数代替传统的sigmod函数和tanh函数,并引入了dropout层的卷积神经网络模型Google Net,并对网络结构和参数进行了调整优化,得到了一个交通拥堵图片识别的改进的Google Net改进模型,该模型的样本内测试准确率达到了98.6%。在对2000张现实高速路上的图片进行识别测试后,测得其准确率为96.5%。采用文理特征的传统方法的高速路交通拥堵图像识别准确率为90%。
|
本文献已被 CNKI 等数据库收录! |
|