基于深度學(xué)習(xí)的交通擁堵檢測

丁 潔，劉晉峰，楊祖莨，閻高偉

(太原理工大學(xué) 電氣與動力工程學(xué)院，太原 030024)

隨著國民經(jīng)濟(jì)的快速發(fā)展，近年來機(jī)動車保有量大幅度增加，造成了嚴(yán)重的交通擁堵[1]。有關(guān)研究表明，擁堵發(fā)生時低速行駛的車輛會排放更多廢氣。當(dāng)車速為5 km/h以下時，尾氣氮氧化物排放系數(shù)為7；而當(dāng)車速為35 km/h以上時，尾氣氮氧化物排放系數(shù)為3[2]。

對于交通擁堵的檢測，目前主要采用的是通過GPS定位檢測、微波檢測、紅外檢測和線圈檢測等物理檢測手段來獲取交通流參數(shù)[3]，通過如車輛數(shù)量、車輛平均行駛速度等參數(shù)進(jìn)行交通擁堵判斷。然而，這些傳統(tǒng)方法均存在造價高、對路面破壞較大等問題。

隨著計算機(jī)視覺的發(fā)展及公路上全路段視頻監(jiān)控的實現(xiàn)，為基于視頻圖像的擁堵檢測提供可能[4]。目前基于視頻圖像的交通擁堵檢測方法大部分是對車輛數(shù)量進(jìn)行檢測。例如對感興趣區(qū)域進(jìn)行處理[5]，提取車輛目標(biāo)以統(tǒng)計車輛數(shù)，再根據(jù)車輛數(shù)進(jìn)行交通擁堵的判斷。再如，利用背景差分法和幀差法分析圖像的紋理變化情況，從而得出道路空間占有率和時間占有率以判斷道路擁堵的情況[6]。以上擁堵檢測方法易受環(huán)境變化的影響，如光照強(qiáng)度及路面反光等，無法應(yīng)用于不同的場景中。

近年來，卷積神經(jīng)網(wǎng)絡(luò)(convolutional neural network，CNN)在圖像處理領(lǐng)域的應(yīng)用逐漸增多，其有著自動提取圖像特征、魯棒性很強(qiáng)等優(yōu)點[7]。Lecun等[8]針對手寫字符識別，首次提出了LeNet-5圖像識別模型，獲得了極佳的效果。Alex通過加深網(wǎng)絡(luò)層數(shù)、使用CUDA進(jìn)行訓(xùn)練等方式獲得了效果更好的AlexNet[9]。……