摘要
随着我国社会经济和科学的高速发展，现代化的高速公路建设进一步完善，极大地提升了我们的出行效率。高速收费站作为各个高速公路和城市道路之间的交汇点，既是高速公路必不可少的基础设施，也是影响交通流量的关键节点，在高速收费进出口出现拥堵的现象时常发生。因此，很有必要对高速收费站进行有效的管理，以提升车辆通行效率，减少交通拥堵带来的燃油消耗和尾气排放。基于上述情况本文将针对高速公路收费站场景，开展基于深度学习的车辆检测和车型识别研究；一方面根据实时检测的车辆目标完成车流量统计以便分析预测，在车流量较大时提前组织车辆进行分流，避免高速行驶车辆在车流交汇处大规模拥堵现象发生；另一方面通过车辆检测定位及车型识别的结果实现高速收费站对不同类型车辆自动收费的功能，在节假日车流量较大情况下，减少因收费时间过久导致车辆排长队等待交费的情况，提升高速收费站的通行和收费效率。可见，研究成果具有重要理论意义与应用参考价值，主要研究以下内容： 1.深度学习相关理论和目标检测算法的分析与研究。首先对卷积神经网络的结构特点进行分析，并介绍网络训练的方法；接着研究R-CNN系列、SSD系列、YOLO系列等目标检测网络，对比说明它们网络结构的优缺点；分析和讨论在收费站场景下YOLO系列算法检测车辆出现漏检、错检等问题的原因。 2.研究基于YOLO的车辆检测算法并对其进行优化。针对YOLO网络结构加深时，小目标物的特征图形状变得模糊其位置信息也严重丢失，导致检测目标时出现漏检问题，对此提出将空间金字塔池化作为特征增强模块融合到特征提取中完成网络结构的优化；利用DIOU方法优化网络的损失函数，增强目标特征图的表征能力；使用自制的DL-CAR数据集训练网络得到优化后的YOLOv4-DL算法，实验结果表明：相比YOLOv4算法，车辆检测的准确率提高了5.12%；进一步利用不同环境条件下的测试集对YOLOv4-DL算法进行测试，测试结果：车辆检测准确率提升了5.21%，验证了该算法的鲁棒性。 3.研究基于Inception的车型识别方法。通过引入残差网络思想优化Inception网络结构，在网络结构中设置诸多不同大小的卷积核来完成图片特征的多维提取；利用RMSProp算法优化训练过程，实现在学习率变化时对历史权重有一定的参考；使用标签平滑处理解决标签错误带来的不良影响，并采用迁移学习的方法完成网络训练，使得训练后的网络模型具有较强的特征提取和模型分类能力；最后采用 Cars-RC自制数据集训练优化后的Inception-RC网络，与原Inception算法进行车型识别对比实验，根据结果分析可知：在车型识别准确率上提升了4.74%，每张识别速度为0.18s，提升了0.08s；说明Inception-RC算法在特征提取和模型分类性能上有明显的提升，同时在特征提取能力增强时计算量没有进一步加大。 上述算法研究和实验结果表明：YOLOv4-DL算法可在高速公路收费站场景下对车辆进行准确率较高的实时检测；Inception-RC算法可以高效率、高精度完成收费站的车型识别任务。研究成果可应用于收费站场景下车流统计预测分流、自动车辆判别、ETC自动收费、安全监管等系统，也为智慧高速系统其他功能开发提供可行技术方案，具有重要的理论研究意义和应用推广价值。
NETL