论文基于CNN深度学习模型交通图像拥堵识别是大学硕士与本科拥堵毕业论文开题报告范文和相关优秀学术职称论文参考文献资料下载，关于免费教你怎么写交通拥堵方面论文范文。
摘 要：卷积神经网络（CNN）在诸多图像分类（如数字识别,人脸识别）方面都被证明有着非常出色的表现,复杂图像的分类识别需要经过多个层次的信息特征认识整合以及加工.另一方面对交通状态进行准确识别,是科学制定主动交通管理决策的基础,有利于及时疏导拥堵,提高道路运行效率.文章在TensorFlow上使用了基于CNN的分类模型对图片进行交通拥堵识别,其是在国际大赛上较为出名的Cifar-10模型,并对网络结构和参数进行了调整优化,有较高的准确率和效率.
关键词：CNN；交通图像分类；TensorFlow；Cifar-10；二分类
中图分类号：TP391.4 文献标志码：A 文章编号：2095-2945（2018）04-0019-03
Abstract： Convolutional Neural Network （CNN） has proved to be very good in many kinds of image classification （such as digital recognition, face recognition）. The classification and recognition of complex images need to go through multiple levels of integration and processing of information feature recognition. On the other hand, the accurate identification of traffic state is the basis of scientifically making active traffic management decisions, which is conducive to the timely relief of congestion and improve the efficiency of road operation. In this paper, a classification model based on CNN is used to identify traffic congestion in TensorFlow. One is the famous Cifar-10 model in international competitions. The network structure and parameters are adjusted and optimized, so it has high accuracy and efficiency.
Keywords： CNN； traffic image classification： TensorFlow； Cifar-10； binary classification
1 概述
近年来,私家车数量剧增,道路交通负荷日益增加,道路拥挤、行车困难现象非常严重,是国内外各大中城市所面临并亟待解决的问题.目前国内外对道路交通运行状态的研究主要依据移动型检测器获得的数据以及多源数据.移动检测器主要是GPS技术[4]和车载自组织网络技术[5].GPS技术可以获取全面的车辆信息,但该技术需要的成本较大,并且有可能暴露个人隐私；车载自组织网络技术可以获得自身和所在区域的位置信息,但密集的车流环境下,控制信道不能保证安全信息的传送；为了数据的互补性和全面性,交通部门采用多源数据融合技术[6],但多源数据的冗余性较严重.
图像监控的普及以及图片具有可视化、监控相机安装维修不影响交通运行等优势,基于静态和动态图像的交通状态识别成为研究主流.本文提出了用图像处理技术来确定道路拥堵的方法.
2 Cifar模型的介绍
2.1 模型内容
Cifar-10数据集总体由60000张32*32的RGB彩 片构成,共10个分类.50000张训练,10000张测试（交叉验证）.这个数据集最大的特点在于将识别迁移到了普适物体,而且应用于多分类（姊妹数据集Cifar-100达到100类,ILSVRC比赛则是1000类）.同已经成熟的人脸识别相比,普适物体识别挑战巨大,数据中含有大量特征、噪声,识别物体比例不一.因而,Cifar-10相对于传统图像识别数据集,是相当有挑战的.Alex在2012年的AlexNet中,把所有Tanh/Logistic全换成了ReLu（卷积+隐层,Softmax要取概率）ReLu为网络引入了大量的稀疏性,加速了复杂特征解离.非饱和的宽广映射空间,加速了特征学习.
2.2 模型结构
tensorboard显示如下：
输入层→卷积层→池化层→规范化层→卷积层→规范化层→池化层→全连接层→全连接层→softmax输出层（如图1）.
3 模型训练
3.1 模型训练的实质
训练就是一个“特征学习”“参数寻优”的过程,最常见的优化算法是mini-batch的随机梯度下降法（mini-batch是相对于online learning而言的）,寻找使得损失函数值最小的模型参数.为了防止过拟合,这里的损失函数包含了正则化项.我们将Cifar-10最后输出由10变为2.
利用各高速路,城市道路的視频中采集样本,在训练前将数据库的交通图片加上了0（畅通）和1（拥堵）的标签.分别各25000张,如图2和图3所示.
3.2 图片的预处理
（1）统一裁剪到32*32像素大小,裁剪 区域用于评估或随机裁剪用于训练；（2）对图像进行翻转；（3）变换图像的亮度；（4）变换图像的对比度；（5）图片会进行近似的白化处理.
总结:这是一篇与拥堵论文范文相关的免费优秀学术论文范文资料,为你的论文写作提供参考。
参考文献：
1、 深度学习国内综述 【摘 要】 近年来，深度学习逐渐成为学科教学领域的一个热点话题。本文采用内容分析法，对国内公开发表的深度学习相关学术、学位论文进行统计分析，从。
2、 深度学习内容构成和重构策略 【摘 要】通过国际深度学习研究与实践框架对目前基础教育学习内容现状的审视，依据生态课程观和“实践与折中”课程开发模式，分析了实证研究中学习内容。
3、 教师运用深度学习理论教学时该做准备 内容摘要：深度学习是指在基于理解学习的基础上，学习者能够批判地学习新思想和新事实，并将他们融入原有的认知结构中，能够在众多思想之间进行联系，并能。
4、 基于学习生态系统构建的大学生深度学习环境创设 【摘要】互联网的出现为人类创造了全新的学习环境，网络学习的开放性与多向交互性使人们更关注学习主体间的交互以及学习环境的支持作用。深度学习作为一种。
5、 神经网络深度学习算法在地理国情监测中的应用 摘要：开展常态化地理国情监测是广东省基础测绘“十三五”规划重要内容，本文综合利用多时相影像、专题资料及已有矢量成果数据，研究基于神经网络深度学习。
6、 深鉴科技:利用深度学习为人工智能提供更高效的解决方案 深鉴科技的深度压缩技术能够将视频帧率提高10倍以上，更便于监控画面的传输和运算，提高效率，降低成本。10月24日，人工智能企业“深鉴科技”宣布。