基于城市监控图像分析的短期交通流量预测方法

发布时间：2020-11-03 16:52

　　 高效精确的交通流量预测是实现交通系统智能化的重要基础。短期交通流量预测为智能交通系统提供保障。短期交通流量预测是基于动态获取的过去时间的交通流量序列数据以预测未来的交通流量状态。在智能交通系统中最重要的一环就是摄像监控系统。近年来,公共场所布控摄像头的数量呈现井喷式增长,面对丰富、海量的摄像信息,人工审看的工作模式已经无法应对视频数据的爆炸性增长,海量图像低效能应用逐渐成为智能交通中图像分析的瓶颈。为了有效利用城市交通监控图像中的信息进行短期交通流量预测,本文提出基于深度学习的车辆检测方法和短期交通流量预测的方法。针对监控图像中车辆目标遮挡和雨天环境下车辆的误检问题,重点研究了基于注意力结构的Faster R-CNN车辆检测方法,在基础的Faster R-CNN网络中添加有监督的注意力模块,对主干网络提取的特征进行显著性增强,同时使后续的网络结构受益。针对当前基于神经网络的交通流量预测方法由于嵌入了部分手工设计的特征,网络结构较为刚性,存在适应性差、鲁棒性差、对数据的局部特征刻画不准确等缺点,本文提出了基于维度加权的残差长短期记忆网络的短期交通流量预测方法,摆脱手工固定特征结构的限制,实现对交通流量数据的自适应建模分析,根据车辆计数转化成的时间序列数据进行短期交通流量预测。实验证明,本文方法充分利用了城市交通监控图像数据的信息,在新加坡城市监控数据集上,本文方法表现出了较好的泛化能力和较高的准确率。
【学位单位】：天津工业大学
【学位级别】：硕士
【学位年份】：2019
【中图分类】：U495;TP391.41
【部分图文】：

分类的准确度又能有效的缩减网络的参数数量。??本文以先以ＶＧＧ－１６为主干网络来说明Ｆａｓｔｅｒ?Ｒ－ＣＮＮ的工作流程，其网络??结构图如图２－１所示。??

２．１．３区域建议网络??区域建议网络（ＲＰＮ）能够接受所有的参考框（即锚框）作为输入，并通过训练??输出对应的目标候选框，其结构如图２－３所示。区域建议网络能够为每个锚框提??供两个不同的输出。第一个输出是锚框作为目标的概率，同样也可以称为“目标??性得分”。在这里区域建议网络并不关心目标的实际类别，其只在意该锚框是不??是一个前景目标。通过“目标性得分”过滤掉得分低的预测框，为第二阶段做准??备。第二个输出是对边框进行回归，调整锚框的坐标以更好地拟合其预测的目标。??５ｘ２＝１０＾??＜??？??边棰分类??ＩＸ！??特卷為＿层?＿＿巧〇１酿坐标—???边框０归??１Ｘ１??图２－３?ＲＰＮ结构示意图??区域建议网络是用全卷积的方式来进行高效实现的，其用主干网络返回的特??征图作为输入。在这里，首先使用一个有５１２个通道和３ｘ３卷积核大小的卷积层，??然后使用两个１ｘ１卷积的并行卷积层分别进行分类和回归预测，两个卷积核的通??道数量取决于每个点的锚框数量。??对于１ｘ１卷积的分类层

由于锚框经常存在重叠，所以最后生成的区域建议框也可能在同一个目标上??重叠。非极大抑制（Ｎｏｎ－ｍａｘｉｍｕｍ?ｓｕｐｐｒｅｓｓｉｏｎ，ＮＭＳ）算法能够有效的去除一些重??复的框，如图２－４所示。??Ｉ－??图２－４?ＮＭＳ算法作用示意图??非极大值抑制算法首先会对所有类别中的实例按照目标性得分进行排序，在??每个排序中，将最高得分的实例与其他剩下的实例按照重叠区域一次进行比对，??当两个实例的重叠区域大于某个阈值时，去除目标性得分小的实例，依次循环下??去，最终得到所需要的结果。虽然这个算法看起来很简单，但是此算法对阈值的??设置过于敏感。因此，最近还有一系列改进的算法出现在大众面前，例如??ｓｏｆｔ－ＮＭＳ，ｓｏｆｔｅｒ－ＮＭＳ?等。??区域建议网络可以单独作为使用。例如在只有一类的目标检测问题中，区域??建议网络的目标性得分可以用为最终的前景目标判别其类别的概率。人脸检测??（ｆａｃｅ?ｄｅｔｅｃｔｉｏｎ）和文本检测（ＯＣＲ）等可以从单独使用区域建议网络中取得非常好??的检测精度。单独使用区域建议网络还可以使模型的训练和测试的速度有大幅度??的提高
【相似文献】

相关期刊论文 前10条

1 刘洋;;船舶航道交通流量预测系统构建研究[J];舰船科学技术;2019年02期

2 张树奎;肖英杰;;考虑周期性波动因素的船舶交通流量预测模型[J];大连海事大学学报;2016年04期

3 梁计锋;;基于改进粒子群算法的交通流量预测研究[J];电子设计工程;2017年06期

4 张婉琳;;遗传算法优化支持向量机的交通流量预测[J];激光杂志;2014年12期

5 王俊玲;郭彬;;云技术在高速公路交通流量预测中的应用研究[J];智富时代;2015年S1期

6 崔艳;程跃华;;小波支持向量机在交通流量预测中的应用[J];计算机仿真;2011年07期

7 范鲁明;贺国光;;改进非参数回归在交通流量预测中的应用[J];重庆交通大学学报(自然科学版);2008年01期

8 曹莉;唐玲;吴浩;高祥;乐英高;;基于改进小波神经网络的短时交通流量预测研究[J];四川理工学院学报(自然科学版);2015年06期

9 雷少梅;贾旭杰;于在洋;;基于高斯核函数的短时交通流量预测[J];中央民族大学学报(自然科学版);2013年S1期

10 孔繁钰;周愉峰;陈纲;;基于时空特征挖掘的交通流量预测方法[J];计算机科学;2019年07期

相关硕士学位论文 前10条

1 唐德华;基于城市监控图像分析的短期交通流量预测方法[D];天津工业大学;2019年

2 肖欢欢;基于神经网络及聚类的城市区域交通流量预测研究[D];广西师范大学;2019年

3 郭德;城市短期交通流量预测[D];山东大学;2018年

4 李岿林;基于交通流量预测的城市交通信号控制研究及系统设计[D];华南理工大学;2018年

5 黄振盛;考虑时空多因素的城市道路短时交通流量预测的研究[D];合肥工业大学;2018年

6 吴松泽;智能交通流量预测系统的研究与实现[D];电子科技大学;2018年

7 史亚星;基于深度学习的交通流量预测与可视化方法研究[D];北方工业大学;2018年

8 许丽;基于多源数据的通勤高峰期交通流量预测方法[D];西南交通大学;2017年

9 张仁初;宁波港船舶交通流量预测研究[D];大连海事大学;2008年

10 谈堃;基于路口相关性的变结构式组合交通流量预测的研究[D];合肥工业大学;2017年

本文编号：2868838