摘 要

随着我国经济的快速发展，汽车数量越来越多，加剧了城市交通的拥堵，更容易发生追尾碰撞现象。利用基于深度学习的车辆检测和车辆识别技术能很好的解决这个问题。与此同时，近几年国家大力发展公共交通，用以缓解城市拥堵问题。因此，结合上述两种趋势，本文研究了基于深度学习的客车检测和识别。首先对深度学习及卷积神经网络的概念做出了介绍；其次，本文基于深度学习框架以及图像识别算法进行了建模，并对不同环境下的客车图片进行识别和检测。最后，本文研究了模型参数对其检测准确率和速率的影响。在此基础上，本文对模型参数进行了调整，获得了较优的检测模型。

关键词：深度学习；卷积神经网络；客车检测及识别

Abstract

With the rapid development of our counter’s economy, the number of cars is increasing, which aggravates the congestion of urban traffic, and makes rear-end collisions more likely. The vehicle detection and vehicle recognition technology based on deep learning can solve this problem well. At the same time, the country has been developing public transport in recent years to ease urban congestion. Therefore, combined with the above two trends, this paper studies the bus detection and recognition based on deep learning. Firstly, the concepts of deep learning and convolution neural network are introduced. Secondly, based on the deep learning framework and image recognition algorithm, the model is constructed and the bus pictures in different environments are identified and detected. Finally, the research of vehicle detection algorithm based on deep learning and the two algorithms of target detection based on deep learning in recent years are introduced in detail. Finally, the influences of model parameter on the detection accuracy and rate are studied. On this basis, the model parameters are adjusted to obtain a better detection model.

Key Words：Deep learning；Convolutional neural network；Passenger car detection and recognition

目 录

第1章 绪论 1

1.1 研究背景及意义 1

1.2 国内外研究现状 1

1.3 本文章节安排 3

第2章 相关理论概述 4

2.1 深度学习概念及应用 4

2.1.1 深度学习 4

2.1.2 深度学习的应用 4

2.2 卷积神经网络 5

2.2.1 卷积层 5

2.2.2 池化层 5

2.2.3 全连接层 6

2.2.4 激活函数 6

2.2.5 Softmax层 9

2.2.6 卷积神经网络优势 9

2.2.7 VGG网络结构 10

2.3 基于卷积神经网络的目标检测算法 12

2.3.1 one stage算法 12

2.3.2 two stage算法 14

2.4 模型评价 16

2.5 本章小结 16

第3章 客车检测模型在Tensorflow框架上的实现 17

3.1 Tensorflow学习框架概述 17

3.2 客车检测模型实现 17

3.2.1 实验平台 17

3.2.2 Tensorflow实验环境的搭建 17

3.2.3 Python依赖安装以及代码环境配置 18

3.3 客车数据集制作 19

3.4 实验原理 20

3.5 本章小结 21

第4章 客车检测模型训练及优化结果分析 22

4.1 数据集训练 22

4.2 模型检测 22

4.2.1 模型检测设置 22

4.2.2 检测结果 23

4.2.3 参数的调优 27

4.3 本章小结 28

第5章 总结与展望 29

5.1 总结 29

5.2 展望 30

参考文献 31

致 谢 33

第1章 绪论

1.1 研究背景及意义

我国是世界上最大的汽车产品生产国和消费国。随着我国经济的快速发展，汽车的保有量也在逐年增加。截止2019年6月份，我国的机动车保有量达3.4亿辆，其中汽车2.5亿辆。

逐年增加的汽车保有量，既是我国工业化快速发展的重要体现，又不可避免的带来了越来越多的问题。道路交通压力越来越大，道路上每天都会出现总多“长龙”；交通环境越来越恶劣，道路上的尾气浓度大幅增加，道路噪声越来越大；交通事故越来越频繁，近几年，我国每年有超过20万的死亡人数是道路交通事故造成的，产生了巨大的损失。因此，由车辆引起的恶劣交通环境以及交通事故问题一直是人们关注的焦点。为解决汽车保有量增加所引起的各种问题，我国实施了各种措施，如加大公路交通建设、上路限号、购车摇号等。这些方法虽然在一定程度上缓解了交通堵塞和交通事故问题，但并不能从根本上解决这两类问题。

随着信息化时代的到来，智能交通系统逐渐进入人们的视野。作为一个全面、高效率、高时效的综合交通管理系统，智能交通系统应用自动控制理论、计算机信息技术、人工智能等多种先进技术，能有效的将行人、车辆以及道路密切结合起来，以缓解交通拥堵现象，降低事故发生率，减少运输成本。目前，智能交通已经成为了一个热门的研究领域，欧美和日本等发达国家都已经对智能交通系统进行了一定的研究，并取得了较好的成果。

目前，我国既在智能交通领域加大研究投入，也大力发展公共交通，用以缓解交通拥挤与车辆尾气排放问题。客车作为公共交通的重要组成部分，也是智能交通系统中不可缺少的一环，但由于其具有体积大、载客量多的特点，导致发生事故的危害性更大。已知，车辆的检测和识别技术是无人驾驶和智能交通系统的关键部分。借助车辆检测，可以提醒后方驾驶员前方车辆的位置，从而有效地降低事故发生率。因此，结合目前公共交通的发展，可以发现实现对客车的检测和识别具有重要意义。因此，本文主要针对客车识别与检测问题进行了研究。

1.2 国内外研究现状