移动GPU上基于轻量级卷积神经网络的道路拥堵检测方法

摘要：

随着城市移动设备的日益普及,基于移动图形处理器(GPU)的任务处理需求也与日剧增.针对城市道路交通拥堵检测问题,提出在功耗和计算性能受限的移动GPU平台上实现基于车辆密度的道路拥堵检测方案.首先使用改进的SqueezeNet网络模型在移动GPU上训练出图像分类模型,其次利用该分类模型检测出路口各车道在各时刻的车辆密度分类状态序列,最后利用基于红绿灯信号周期的拥堵状态判断模型,结合历史分类状态时间序列和当前分类状态,综合判断各车道实时拥堵状态.基于红绿灯信号周期的拥堵状态判断模型能够减少道路因车辆等待绿灯而被误判为拥堵状态的影响,使道路拥堵误判率大幅降低.经过实验,改进的SqueezeNet网络模型对车辆密度的分类准确率维持在90%以上,同时提出的道路拥堵判断模型对各车道道路拥堵检测的准确率高于85% .该方案解决了传统道路拥堵检测安装难、成本高、实时性低的问题,对现在的智能交通监控系统具有一定的应用价值.

关键词：移动图形处理器、深度学习、图像分类、时间序列、道路拥堵

所属期刊栏目：40

分类号：TP311(计算技术、计算机技术)

资助基金：国家自然科学基金项目61572325,60970012;高等学校博士学科点专项科研博导基金项目20113120110008;上海重点科技攻关项目14511107902,16DZ1203603;上海市工程中心建设项目GCZX14014;上海智能家居大规模物联共性技术工程中心项目GCZX14014;上海市一流学科建设项目XTKX2012;沪江基金研究基地专项项目C14001

在线出版日期：2020-01-06（万方平台首次上网日期，不代表论文的发表时间）

页数：共6页

页码：2667-2672