隨著社會和經(jīng)濟的飛速發(fā)展,不同時段的交叉口的交通流具有隨機性、復(fù)雜性和不確定性,很難建立精確的數(shù)學(xué)模型,導(dǎo)致傳統(tǒng)方法難以應(yīng)對快速發(fā)展的交通現(xiàn)狀。因而根據(jù)交通流量的變化,實時自適應(yīng)控制交通信號燈的現(xiàn)實需求變得異常強烈。鑒于此,本文結(jié)合現(xiàn)有交通信號控制系統(tǒng),從幾種主流交通流檢測技術(shù)入手,通過適用性比對得出視頻車輛檢測器具備良好的運用前景,在深入分析系統(tǒng)需求與功能的基礎(chǔ)上,分別研究了視頻檢測模塊和交通數(shù)據(jù)檢測分析模塊的設(shè)計方法,并完成了相關(guān)的實驗驗證,主要的研究工作總結(jié)如下:首先,從視頻檢測入手,在檢測模塊中利用深度學(xué)習(xí),提出了基于受限玻爾茲曼機網(wǎng)絡(luò)的視頻檢測機制。應(yīng)用該機制,可以得到較為準(zhǔn)確的車輛檢測結(jié)果�？紤]實際中攝像機可能并非完全靜止,因外界環(huán)境影響產(chǎn)生微弱抖動,傳統(tǒng)背景和幀差法對于噪聲較大圖像的特征點參數(shù)非常敏感,針對上述問題,采用基于FAST特征點和PDE算法的視頻運動補償算法,從而解決攝相機晃動和噪聲大的問題,也滿足了工程對實時性的要求。為了進一步改進車輛跟蹤方法和深度學(xué)習(xí)算法的效果,文中將基于運動的光流法與基于隨機森林算法相結(jié)合,解決了跟蹤精度不高的問題,并取得了良好的效果。其次...

【文章頁數(shù)】：68 頁

【學(xué)位級別】：碩士

【部分圖文】：

圖2.2系統(tǒng)技術(shù)框架圖

系統(tǒng)具有防誤操作、抗干擾能力強、抗靜電能力強等特點，并提供數(shù)據(jù)備份和恢復(fù)措施。為用戶提供等級保護，有效解決人為因素的干擾。5.系統(tǒng)兼容性及開放性系統(tǒng)在實際應(yīng)用中，需與被盜搶機動車、機動車/駕駛?cè)诵畔臁⒔煌ㄟ`法處理系統(tǒng)和警用地理信息系統(tǒng)等多個外部系統(tǒng)進行數(shù)據(jù)交互，因此，我們需要通....

圖3.1梯度下降算法與隨機網(wǎng)絡(luò)算法比較圖

到三個車的信息作為訓(xùn)練樣本，直接訓(xùn)練一個區(qū)域內(nèi)車的分布因為在更多人的情況下算法很難收斂），本方法在車輛較少的如單個車的識別，但在車輛較多的時候，會明顯抑制遮擋帶來限玻爾茲曼機網(wǎng)絡(luò)玻爾茲曼機是一種由能量函數(shù)定義且結(jié)構(gòu)對稱的隨機神經(jīng)網(wǎng)絡(luò)習(xí)時間長、復(fù)雜度高的缺點，受限玻爾茲曼機具有強大....

圖3.2RBM的網(wǎng)絡(luò)結(jié)構(gòu)圖

圖3.2RBM的網(wǎng)絡(luò)結(jié)構(gòu)圖，即：ayer)，圖上的v；ayer)，圖上的h。同一層中，如上圖中的可見層，在可見層與層之間，其節(jié)點是全連接的，這是RBM間全連接。模型的數(shù)學(xué)化定義，如圖3.3所示：圖3.3受限波爾茲曼機結(jié)構(gòu)示意圖

圖3.3受限波爾茲曼機結(jié)構(gòu)示意圖

圖3.3受限波爾茲曼機結(jié)構(gòu)示意圖結(jié)構(gòu)圖可知如下2點：其一隱層與可見層是無向的關(guān)系一個隱層均有連接關(guān)系。，在RBM的模型中，有如下的性質(zhì)：見層神經(jīng)元的狀態(tài)時，每一個可見層神經(jīng)元與隱藏層神不受其他神經(jīng)元影響的；反之也同樣成立。RBM神經(jīng)元連接的特點，對應(yīng)的圖為二分圖。爾....

本文編號：4054065