16、基于深度学习的智慧城市智能交通车辆检测技术

基于深度学习的智慧城市智能交通车辆检测技术

1. 引言

早期，车辆类型检测主要通过方向梯度直方图（HOG）技术实现。后来，基于支持向量机（SVM）等智能技术对检测特征进行分类，实现了显著的车辆识别。近年来，可变形部件模型（DPM）在车辆识别方面比SVM模型表现更优。

当前，车辆识别是全球众多研究人员广泛分析的重要研究趋势。现有的车辆识别方法主要分为传统类型（机器学习方法）和先进的机器学习方法（深度学习方法）。传统技术是一种复杂的学习算法，为车辆定位精度和类型识别提供了综合方法，但这些技术需要大量人力参与、较长的操作时间和较高的成本。因此，从准确性评估来看，传统技术在实时车辆检测方面不如深度学习方法合适。

1.1 关键挑战与近期发展

如今，基于深度学习的目标检测已成为交通监控和控制领域更受欢迎的研究方向。使用各种传感器进行车辆检测通常比传统方法表现更好。为了实现更好的车辆识别特征，现有研究展示了基于卷积神经网络（CNN）的重要车辆识别方法。这些方法在特征提取时无需人工参与，不过需要大量带标签的车辆图片以监督方式自动训练网络。

不同研究提出了多种车辆识别模型和方法：
- Malik等人提出了使用softmax工具和基于无监督学习（稀疏编码）网络进行车辆分类。
- 第一个目标检测模型是基于区域的卷积神经网络（R - CNN），该算法通过适当的研究生成基于区域的兴趣，从而创建了一种使用深度学习的目标识别方法，后续在SPPN、RFCN和更快的R - CNN等模型中得到应用。
- Konoplich等人采用混合神经模糊方法，将基于区域提议的两个子网络用于车辆识别，模拟结果表明该网络准确性大幅提高，计算方法明显优于R -