基于Faster R-CNN的高速公路抛落物检测

采用传统的基于图像处理的检测方法对高速公路抛落物进行检测不仅耗时耗力,而且检测效果不理想,为解决该问题,提出一种基于Faster R-CNN的深度学习检测方法.在原始Faster R-CNN的基础上,采用残差网络Resnet101代替传统的VGG-16网络和ZFNet网络,作为图像特征提取网络;采用尺寸为4像素、8像素和16像素的锚框代替原始锚框,得到高速公路抛落物检测模型.采用自制的高速公路抛落物数据集对该检测方法的有效性进行验证,结果显示,采用该方法检测的平均准确率达到了91.75％,相比原始的Faster R-CNN算法和yolov3算法,分别提高了7.02％和11.13％.     

基于支持向量机的高速公路事件检测研究

高速公路事件检测（AID）系统可以有效的减少交通延误、保障道路安全，减少环境污染，是智能交通管理系统的重要组件。文章采用一种新的模式识别技术——支持向量机（SVM），来进行高速公路的事件检测。支持向量机是以统计学习理论的VC维理论和结构风险最小化原理为基础，算法上采用二次规划、拉格朗日理论，因此有效避免了过学习、局部极小点等问题。最后，采用Matlab对该方法进行了测试。