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的基本结构包括两层,其一为特征提取层,每个神经元的输