基于CNN深度学习模型交通图像拥堵识别.docVIP

基于CNN深度学习模型交通图像拥堵识别 　　摘 要：卷积神经网络（CNN）在诸多图像分类（如数字识别，人脸识别）方面都被证明有着非常出色的表现，复杂图像的分类识别需要经过多个层次的信息特征认识整合以及加工。另一方面对交通状态进行准确识别，是科学制定主动交通管理决策的基础，有利于及时疏导拥堵，提高道路运行效率。文章在TensorFlow上使用了基于CNN的分类模型对图片进行交通拥堵识别，其是在国际大赛上较为出名的Cifar-10模型，并对网络结构和参数进行了调整优化，有较高的准确率和效率。 　　关键词：CNN；交通图像分类；TensorFlow；Cifar-10；二分类 　　中图分类号：TP391.4 文献标志码：A 文章编号：2095-2945（2018）04-0019-03 　　Abstract： Convolutional Neural Network （CNN） has proved to be very good in many kinds of image classification （such as digital recognition， face recognition）. The classification and recognition of complex images need to go through multiple levels of integration and processing of information feature recognition. On the other hand， the accurate identification of traffic state is the basis of scientifically making active traffic management decisions， which is conducive to the timely relief of congestion and improve the efficiency of road operation. In this paper， a classification model based on CNN is used to identify traffic congestion in TensorFlow. One is the famous Cifar-10 model in international competitions. The network structure and parameters are adjusted and optimized， so it has high accuracy and efficiency. 　　Keywords： CNN； traffic image classification： TensorFlow； Cifar-10； binary classification 　　1 概述 　　近年来，私家车数量剧增，道路交通负荷日益增加，道路拥挤、行车困难现象非常严重，是国内外各大中城市所面临并亟待解决的问题。目前国内外对道路交通运行状态的研究主要依据移动型检测器获得的数据以及多源数据。移动检测器主要是GPS技术[4]和车载自组织网络技术[5]。GPS技术可以获取全面的车辆信息，但该技术需要的成本较大，并且有可能暴露个人隐私；车载自组织网络技术可以获得自身和所在区域的位置信息，但密集的车流环境下，控制信道不能保证安全信息的传送；为了数据的互补性和全面性，交通部门采用多源数据融合技术[6]，但多源数据的冗余性较严重。 　　图像监控的普及以及图片具有可视化、监控相机安装维修不影响交通运行等优势，基于静态和动态图像的交通状态识别成为研究主流。本文提出了用图像处理技术来确定道路拥堵的方法。 　　2 Cifar模型的介绍 　　2.1 模型内容 　　Cifar-10数据集总体由60000张32*32的RGB彩色图片构成，共10个分类。50000张训练，10000张测试（交叉验证）。这个数据集最大的特点在于将识别迁移到了普适物体，而且应用于多分类（姊妹数据集Cifar-100达到100类，ILSVRC比赛则是1000类）。同已经成熟的人脸识别相比，普适物体识别挑战巨大，数据中含有大量特征、噪声，识别物体比例不一。因而，Cifar-10相对于传统图像识别数据集，是相当有挑战的。Alex在2012年的AlexNet中，把所有Tanh/Logistic全换成了ReLu（卷积+隐层，Softmax要取概率）ReLu为网络引入了大量的稀疏性，加速了复杂特征解离。非饱和的宽广映射空间，加速了特征学习。 　　2.2 模型结构