正在进行安全检测...
发布时间：2023-11-20 05:53:49 来源：文档文库
小
中
大
字号：
基于卷积神经网络（CNN）的高速路交通图片拥堵识别近年来，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GoogleNet，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GoogleNet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%。标签：卷积神经网络；GoogleNet模型；拥堵Abstract：Inrecentyears，theproblemofhighwaycongestionhasbecomemoreandmoreserious.Traditionaltrafficcongestionidentificationisstudiedbyvideo，whichhasthedisadvantagesofhighcostandlowrecognitionspeed.Thispaperpresentsamethodoftrafficcongestionidentificationbasedonpictures.Becausetheconvolutionneuralnetwork（CNN）hastheadvantagesofhighrecognitionspeed，widerangeofapplicationandhighrecognitionaccuracyinimagerecognition，weusetheReLUactivationfunctioninsteadofthetraditionalSigmodfunctionandTanhfunction，andintroducetheDropoutlayerconvolutionneuralnetworkmodelGoogleNet.Thenetworkstructureandparametersareadjustedandoptimized，andanimprovedGoogleNetmodelfortrafficcongestionimagerecognitionisobtained.Thetestaccuracyofthemodelis98.6%.Aftertherecognitiontestof2，000imagesontherealhighway，theaccuracyrateis96.5%.Therecognitionaccuracyofhighwaytrafficcongestionimageusingtraditionalmethodsofliteraryandscientificfeaturesis90%.Keywords：convolutionalneuralnetwork（CNN）；GoogleNetmodel；congestion1概述近年來，随着社会经济的发展，我国社会呈现的交通拥堵问题越来越严重，传统的交通拥堵识别方法基于视频中车辆的移动速度，这种方法设备昂贵，代价较高，覆盖面窄。如今，深度学习成为机器学习的一个重要研究方向，卷积神经网络广泛应用于图片的识别和分类。2CNN的GoogleNet模型结构CNN的GoogleNet模型是一种由卷积层（convolutional），降采样层（pooling）和全连接层（full-connected）组成的深度神经网络模型，它有两方面的优势：一
方面是它是非全连接的型的神经元连接方式，另一方面是一层中神经元之间是共享权重的。CNN主要应用在语音分析和图像识别领域，本文采用了经典的GoogleNet模型，其模型结构如图1。在典型的CNN模型里，前面几层主要是卷积层和子采样层，后面是全连接层。一般地，CNN
