卷积神经网络及其在智能交通系统中的应用综述

从特征传输方式、空间维度、特征维度3个角度,论述了近年来卷积神经网络结构的改进方向,介绍了卷积层、池化层、激活函数、优化算法的工作原理,从基于值、等级、概率和转换域四大类总结了近年来池化方法的发展,给出了部分具有代表性的激活函数对比、梯度下降算法及其改进型和自适应优化算法的工作原理和特点;梳理了卷积神经网络在车牌识别、车型识别、交通标志识别、短时交通流预测等智能交通领域中的应用和国内外研究现状,并将卷积神经网络算法与支持向量机、差分整合移动平均回归模型、卡尔曼滤波、误差反向传播神经网络、长短时记忆网络算法从优势、劣势和在智能交通领域的主要应用场景三方面进行了对比;分析了卷积神经网络在智能交通领域面临的鲁棒性不佳和实时性较差等问题,并从算法优化、并行计算层面和有监督学习到无监督学习方向研判了卷积神经网络的发展趋势。研究结果表明:卷积神经网络在视觉领域具有较强优势,在智能交通系统中主要应用于交通标志、车牌、车型识别、交通事件检测、交通状态预测;相比其他算法,卷积神经网络所提取的特征更加全面,有效地提高了识别准确度与速度,具有较大的应用价值;卷积神经网络未来将通过网络结构的优化、算法的改进、算力的提升以及基准数据集的增强,为智能交通带来新的突破。      

基于改进YOLO v3模型与Deep-SORT算法的道路车辆检测方法

针对道路车辆实时检测遮挡严重与小目标车辆漏检率高的问题，提出了基于改进YOLO v3模型和Deep-SORT算法的车辆检测方法；为提高模型对道路车辆的检测能力，采用K-means++聚类算法对目标候选框进行聚类分析，选择合适的Anchor box数量，并在网络浅层增加了特征提取层，可提取到更精细的车辆特征；为加强网络对远近不同目标的鲁棒性，在保留原YOLO v3模型输出层的同时，增加了一层输出层，将52像素×52像素输出特征图经过上采样后得到104像素×104像素特征图，并将其与浅层同尺寸特征图进行拼接，实现车辆目标的检测；为了降低目标遮挡对检测效果的影响，提高对视频上下帧之间关联信息的关注度，将改进YOLO v3模型和Deep-SORT算法相结合，以此来弥补两者之间的不足。试验结果表明:改进YOLO v3模型有效地提高了车辆检测的性能，与在网络浅层增加特征提取层的模型相比，平均精度提高了1.4%，与增加一层输出层的模型相比，平均精确度提高了0.8%，说明改进YOLO v3模型提取的特征表达能力更强，增强了网络对小目标的检测能力；改进YOLO v3模型在引入Deep-SORT算法后，查准率和召回率分别达到90.16%和91.34%，相比改进YOLO v3模型，查准率和召回率分别提高了1.48%和4.20%，同时保证了检测速度，对于不同大小目标的检测具有良好的鲁棒性。