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%。
类型: 期刊论文
作者: 张海玉,陈久红
关键词: 车流量检测,深度学习,计算机视觉,模型压缩
来源: 软件导刊 2019年09期
年度: 2019
分类: 信息科技,工程科技Ⅱ辑
专业: 公路与水路运输,自动化技术
单位: 杭州电子科技大学电子信息学院
分类号: U491.116;TP18
页码: 33-37
总页数: 5
文件大小: 1532K
下载量: 292
本文来源: https://www.lunwen66.cn/article/a93814fa059993fd2b908713.html