原文传递
基于迁移学习的交通视频智能解译算法研究
| 论文题名： | 基于迁移学习的交通视频智能解译算法研究 |
| 关键词： | 智能交通系统;视频解译;迁移学习;目标检测;细粒度分类 |
| 摘要： | 近年来，汽车保有量呈爆炸式增长，随之而来的交通拥堵和环境保护等问题日益凸显。道路交通监控视频是智能交通系统的基础信息资源，智能解译技术可以对视频中的车辆信息进行结构化分析，实现车辆信息的自动识别和数据存储。目前的车型分类方法粒度较粗，缺乏对车辆详细属性信息的识别和提取。同时，在模型训练时存在大数据与弱计算的矛盾。本文利用迁移学习技术实现车辆目标检测和细粒度车型分类，在交通视频智能解译和交通状态动态感知方面具有重要的理论意义和研究价值。主要工作如下： （1）基于模型迁移的SSD目标检测算法。将ResNet-50模型迁移至SSD基础模型，替换其前置网络并进行优化调整。实验结果表明，改进后的Res-SSD模型的检测精度和召回率分别提升8.7%和13.3%，有效解决了训练模型时存在的计算资源不足和训练时间过长的问题。 （2）基于特征融合的细粒度车型分类算法。在ResNet-152基础网络上增加深度可分离卷积层，生成融合特征图并送入注意力网络中进行分类。实验结果表明，论文提出的采用弱监督的WS-ResNet网络的解译分类结果最优，Top1分类准确率为94.06%，Top5分类准确率为99.35%。 （3）设计实现交通视频智能解译系统。基于B/S开发模式完成了系统管理模块、模型管理模块和车型分类模块的设计与开发，实现了模型上下线、视频图像车辆检测分类和存储分类信息等功能。 论文从车辆检测和细粒度车型分类两个方面对交通视频图像中的车辆信息进行智能解译获取车辆结构化信息，为道路交通智能管理提供基础信息支持，推动了智能交通系统向实时、准确和高效的方向发展，在提高交通管理水平和道路运输效率等方面具有重要的理论意义和实际应用价值。 |
| 作者： | 李昭璐 |
| 专业： | 软件工程 |
| 导师： | 屈立成 |
| 授予学位： | 硕士 |
| 授予学位单位： | 长安大学 |
| 学位年度： | 2022 |
检索历史
应用推荐
