资料下载
如何使用深度学习进行监控视频中多类别车辆检测资料说明
分享资料个
针对传统机器学习 算法在交通监控视频的车辆检测中易受视频质量、拍摄角度、天气环境等客观因素影响，预处理过程繁琐、难以进行泛化、鲁棒性差等问题，结合空洞卷积、特征金字塔、焦点损失，提出改进的更快的区域卷积神经网络（ Faster R-CNN）和单阶段多边框检测检测器（SSD）两种深度学习模型进行多类别车辆检测。首先从监控视频中截取的不同时间的851张标注图构建数据集;然后在保证训练策略相同的情况下，对两种改进后的模型与原模型进行训练;最后对每个模型的平均准确率进行评估。实验结果表明，与原Faster R-CNN和SSD模型相比，改进后的Faster R-CNN和SSD模型的平均准确率分别提高了0.8个百分点和1.7个百分点，两种深度学习方法较传统方法更适应复杂情况下的车辆检测任务，前者准确度较高、速度较慢，更适用于视频离线处理，后者准确度较低、速度较快，更适用于视频实时检测。
随着经济和城镇化建设的快速发展，我国各城市的道路和车辆总量不断增长，交管部门的管理压力与日俱增。虽然高清监控摄像头已经在绝大多数路口部署，但每8产生的视频量也越来越庞大，通过人工进行视频实时监控或离线处理既费时又费力，而且容易延误和遗漏，所以亟须寻找-种自动化方法辅助人工进行监控处理，这也是智能交通系统的核心。
交通监控视频中蕴含丰富的信息，是智能交通监控系统的重要数据来源。监控视频可以应用在车辆违法行为判断、跨摄像头车辆追踪、分时段分车道车流量统计等实际场景，而车辆检测则是车辆行为分析和智能交通监控的重要基础。
声明：本文内容及配图由入驻作者撰写或者入驻合作网站授权转载。文章观点仅代表作者本人，不代表电子发烧友网立场。文章及其配图仅供工程师学习之用，如有内容侵权或者其他违规问题，请联系本站处理。 举报投诉
- 相关下载
- 相关文章
