基于CNN深度学习模型的交通图像拥堵识别

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Tensor Flow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。     

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Google Net,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Google Net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%。