一个新的多分支卷积神经网络和特征地图提取方法用于交通拥堵检测
Shan Jiang1,2,3, Yuming Feng1,2, Wei Zhang1,2
1School of Computer Science and Engineering, Chongqing Three Gorges University, Chongqing 404100, China.
Sensors (Basel, Switzerland)
|July 13, 2024
概括
这项研究引入了一种新的深度学习方法,用于使用摄像头图像检测交通拥堵. 提出的方法实现了高精度,为智能交通管理提供了有效的解决方案.
科学领域:
- 计算机科学 计算机科学
- 人工智能的人工智能
- 运输工程 运输工程
背景情况:
- 越来越多的车辆数量和经济进步加剧了主要道路上的交通拥堵.
- 现有的交通管理系统往往缺乏高效的,自动化拥堵检测方法.
- 利用现有的摄像机网络进行交通分析,是一个具有成本效益的解决方案.
研究的目的:
- 开发一种深度学习模型,使用摄像头图像数据自动检测交通拥堵.
- 引入新的车辆信息特征图 (VIFM) 方法和多分支卷积神经网络 (MBCNN) 模型.
- 为交通拥堵检测提供基于深度学习的有效解决方案,无需大量硬件投资.
主要方法:
- 使用物体检测模型进行车辆检测.
- 提取一个新的车辆信息特征地图 (VIFM).
- 开发使用多分支卷积神经网络 (MBCNN) 的交通拥堵检测模型.
主要成果:
- 拟议的VIFM和MBCNN方法在与现有模型相比显示出更高的性能.
- 在CCTRIB数据集上获得了98.61%的高F1得分和98.62%的准确性.
- 在真实世界的交通图像数据中验证了深度学习方法的有效性.
结论:
- 开发的深度学习模型有效地从摄像头图像中检测出交通拥堵.
- VIFM和MBCNN方法为交通管理提供了强大而高效的工具.
- 这种方法可以利用现有的交通摄像机基础设施来加强交通监控.
