2026《某车辆违停检测的设计实现测试案例》3300字.docxVIP

某车辆违停检测的设计实现测试案例

目录

TOC\o1-3\h\u18692某车辆违停检测的设计实现测试案例 1

27606第1章违停检测的设计与实现 2

204581.1违停检测分析 2

174131.1.1检测环境与检测目标 2

135391.1.2检测预期效果及反馈效果 2

123331.2违停检测的整体架构设计 2

297771.2.1FasterR-CNN目标检测平台搭建 2

214511.2.2数据集的选取 3

147461.2.3对数据集的训练过程 5

110801.2.4使用训练的数据集进行预测 6

304881.2.5预测结果分析 6

211311.3违停检测的判断与实现 9

243771.1.1违停区的划分 9

23151.1.2违停行为判断 10

21809第2章违停检测系统的系统测试 12

103362.1系统测试过程 12

27182.2系统测试结果 12

21572.2.1对于图形界面的测试 12

147452.2.2对于功能模块的测试 15

INDEX\oS\c2\z2052INDEX\oS\c2\z2052第1章违停检测的设计与实现

1.1违停检测分析

1.1.1检测环境与检测目标

本系统的适用环境为具有固定监控摄像头的道路，支持检测的目标为道路中行驶或静止的中小型轿车或小型货运车辆（不包括大型客运车辆以及大型工程车辆）。

1.1.2检测预期效果及反馈效果

在系统运行时，会将检测出的正常行驶车辆以蓝色框进行标注；当系统检测汽车长时间静止后，会以红色框替换蓝色框对其进行标注。

1.1.3将对图片的检测转化为对视频的检测

视频的本质也是一帧帧连贯的图片，因此将对图片的检测转化为对视频的检测其主要思路是将视频提取为一帧帧的图像。OpenCV预设的read()函数可以有效的完成这个任务。由于OpenCV读取的图片为BGR格式，需要将其转化为RGB格式才可以进行数组表示。之后将图像利用PIL库的fromarray函数对其进行数组表示，便可以对图像进行处理。

1.2违停检测的整体架构设计

1.2.1FasterR-CNN目标检测平台搭建

表3-1进行系统测试的计算机配置信息

配置模块

配置信息

处理器

Intel(R)Core(TM)i7-7700HQCPU@2.80GHz(8CPUs),~2.8GHz

内存

16GBRAM

显卡

NVIDIAGeForceGTX1070

系统环境

Windows10家庭中文版64位

如表3-1所示，该系统是在windows10环境下，通过Anaconda3搭建开源深度学习框架tensorflow2作为开发环境，并利用nVidiaCUDA提供GPU支持，在训练和预测过程中使用GPU进行运算。

开发环境是python1.7.10，使用的编译器为MicrosoftVSCODE。其中涉及到的关键Python扩展应用库如表3-2所示。

表3-2编码中使用到的Python扩展包

扩展包名

版本

Numpy

1.20.2

Pillow

8.2.0

Pip

21.0.1

Matplotlib

1.2.1

PyQt5

5.15.4

PyQt5-tools

5.15.2.1.2

Tensorboard

2.2.2

Tensorflow-gpu

2.2.0

Tqdm

2.60.0

其中，除PyQt5是与GUI界面相关开发工具外，其余扩展包都在不同程度上对图像处理提供了支持，例如Numpy包提供了将图像转化为数组的函数；Pillow包提供了对图像的读取功能；Matplotlib包提供了对图像的绘制功能等等。

1.2.2数据集的选取

选取的数据集是PascalVOC2007。VOC2007数据集共包含训练集5011幅，测试集4952辐，共计9963幅图。共包含20个种类，其种类如表3-3所示。

表3-3VOC2007数据集分类

分类

分类内容

人

人

动物

鸟、猫、牛、狗、马、羊

车辆

飞机、自行车、船、巴士、汽车、摩托车、火车

室内

瓶、椅子、餐桌、盆栽植物、沙发、电视/监视器

除此之外，使用了系统使用环境下的图像并对其进行标注，如图3-1所示。

图3-1为图像添加标注

通过将特定环境下的图像进行标注并加入训练集，可以提高系统在其特定环境下的预测准确度。训练方式为在预训练权重的基础上利用新标注的图像的汽车类别进行训练即可。

1.2.3对数据集的训练过程

在预训练权重的基础之上，对其进行迁移学习，主要进行中小型轿