基于SqueezeNet和YOLOv2的交通违法证据评价

• 作者: 刘洪龙 李向阳 徐正华 卢朝晖
• 来源期刊: 南华大学学报（自然科学版）
• 学科: 工学
• 关键词: 交通违法 图像识别 检测卷积网络 图像质量 迁移学习
• 年，卷（期）: 2022,（1）
• 所属期刊栏目: 电气工程|Electrical Engineering
• 页码范围: 80-87
• 页数: 8页
• 分类号: TB24
• 语种: 中文
• DOI: 10.19431/j.cnki.1673-0062.2022.01.012

摘要

针对交通监控反向抓拍交通违法图像预判率高的问题,提出了一种基于迁移学习的多尺度交通违法证据评价方法.构建了以SqueezeNet为特征提取层、YOLOv2为目标检测层融合高分辨率细粒度特征的检测网络.通过卷积神经网络算法训练该模型学习抓拍车辆图像特征,识别图像中唯一交通违法车辆,再次训练识别驾驶员所在中心区域.在保证特征识别提取能力不变的条件下,采用迁移学习的方式重新训练SqueezeNet,对驾驶员中心区域图像进行好坏二分类,将成像清晰的交通违法图像提交给人工审核.实验结果表明此方法将违法车辆检测准确率提升到99.3％,驾驶员所在关键区域检测准确率提升到96.3％,图像质量评价准确率提升到92.6％,大幅降低了人工审核工作量.