一种基于深度学习的夜间车流量检测方法

• 作者: 张海玉 陈久红
• 来源期刊: 软件导刊
• 学科: 工学
• 关键词: 车流量检测 深度学习 计算机视觉 模型压缩 R-FCN
• 年，卷（期）: 2019,（9）
• 所属期刊栏目: 人工智能
• 页码范围: 33-37
• 页数: 5页
• 分类号: TP306
• 字数: 3843字
• 语种: 中文
• DOI: 10.11907/rjdk.182680

摘要

当车流量较少时,降低路灯亮度可以达到能源节约目的.为此,采用深度学习中的R-FCN目标检测网络完成夜间车辆检测任务.R-FCN网络相比传统深度学习网络,不仅是基于区域推荐模型的网络,而且引入了平移变化特性,所以对目标检测效果更好.为了占用更少硬件资源,缩小模型规模,采用ShuffleNet通道分组与组间通信机制,压缩原始残差网络.同时,对NMS(非极大值抑制)算法进行修改,从而可以更好地筛选重叠目标,降低网络漏检率.实验结果表明,该方法准确率较高,在UA-DETRAC数据集的夜间图片检测中精度最高可达到90.89％.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	张海玉	杭州电子科技大学电子信息学院	2	3	1.0	1.0
2	陈久红	杭州电子科技大学电子信息学院	2	3	1.0	1.0