基于卷积神经网络的汽车试验场外物入侵识别

为了对汽车试验场的外物入侵进行识别并预警,结合现有监控系统,利用Tensorflow搭建Faster-RCNN框架,分别使用Inception V2和Res Net101作为核心卷积神经网络,用自建的标注数据集进行最终训练,利用得到的模型进行迁移测试,试验结果表明:Inception V2系统的平均精度值为81.7%,Res Net101系统的平均精度值为84.1%。将两种系统结合Opencv的图像抓取功能及现有摄像监控设备进行联合测试,结果表明两种系统均能在阴天和低像素摄像头搭配下实时对高速或慢速移动的物体进行识别、分类、标注、预警。