如何使用深度學習進行監(jiān)控視頻中多類別車輛檢測資料說明

　　針對傳統(tǒng)機器學習 算法在交通監(jiān)控視頻的車輛檢測中易受視頻質(zhì)量、拍攝角度、天氣環(huán)境等客觀因素影響，預(yù)處理過程繁瑣、難以進行泛化、魯棒性差等問題，結(jié)合空洞卷積、特征金字塔、焦點損失，提出改進的更快的區(qū)域卷積神經(jīng)網(wǎng)絡(luò)（ Faster R-CNN）和單階段多邊框檢測檢測器（SSD）兩種深度學習模型進行多類別車輛檢測。首先從監(jiān)控視頻中截取的不同時間的851張標注圖構(gòu)建數(shù)據(jù)集;然后在保證訓練策略相同的情況下，對兩種改進后的模型與原模型進行訓練;最后對每個模型的平均準確率進行評估。實驗結(jié)果表明，與原Faster R-CNN和SSD模型相比，改進后的Faster R-CNN和SSD模型的平均準確率分別提高了0.8個百分點和1.7個百分點，兩種深度學習方法較傳統(tǒng)方法更適應(yīng)復(fù)雜情況下的車輛檢測任務(wù)，前者準確度較高、速度較慢，更適用于視頻離線處理，后者準確度較低、速度較快，更適用于視頻實時檢測。

　　隨著經(jīng)濟和城鎮(zhèn)化建設(shè)的快速發(fā)展，我國各城市的道路和車輛總量不斷增長，交管部門的管理壓力與日俱增。雖然高清監(jiān)控攝像頭已經(jīng)在絕大多數(shù)路口部署，但每8產(chǎn)生的視頻量也越來越龐大，通過人工進行視頻實時監(jiān)控或離線處理既費時又費力，而且容易延誤和遺漏，所以亟須尋找-種自動化方法輔助人工進行監(jiān)控處理，這也是智能交通系統(tǒng)的核心。

　　交通監(jiān)控視頻中蘊含豐富的信息，是智能交通監(jiān)控系統(tǒng)的重要數(shù)據(jù)來源。監(jiān)控視頻可以應(yīng)用在車輛違法行為判斷、跨攝像頭車輛追蹤、分時段分車道車流量統(tǒng)計等實際場景，而車輛檢測則是車輛行為分析和智能交通監(jiān)控的重要基礎(chǔ)。