论文部分内容阅读
智能交通系统（Intelligent Traffic System，ITS）是未来城市交通的发展趋势，能够大大解决交通堵塞和交通安全等问题，提高交通利用率。在智能交通系统中智能交通系统控制平台和视频识别是最重要的功能。同时，现代通讯方式主要以网络通讯为主，而IPv4地址严重匮乏，基于IPv6的下一代互联网通讯方式是必然趋势。本文研究了基于最新的Flask微型框架和机器学习算法，在树莓派上高效的搭建了基于B/S模式的智能交通系统控制平台。目前，该平台已经实现了一个路口信号的远程控制，同时可以远程监控各个路口的交通路况，并对视频中车辆进行车辆检测与属性识别。利用Flask框架能够将 IPv4地址映射成IPv6地址的功能，实现基于IPv6协议的网络通信。 智能交通系统控制平台的搭建主要是基于Python下的微型框架Flask来完成前后端的开发，研发周期短，成本低；同时，平台是采用B/S模式开发，提高了后期维护和管理的效率；研究了基于机器学习的车辆检测和属性识别算法，分别实现了SSD、Faster R-CNN_resnet101以及Faster R-CNN_nas这三种模型，其中SSD模型是基于回归的检测算法，Faster R-CNN模型是基于区域建议网络（Region Proposal Network，RPN）的检测算法，对比发现，SSD模型的识别速度优于另外两种模型，但平均精度有所下降。Faster R-CNN_resnet101与Faster R-CNN_nas这两种模型区别在于卷积神经网络结构不同，平均精度比SSD高很多，但识别速度较慢。同时，三个模型识别后的目标都是边界框，存在一定的背景，且边界框无法与目标对齐。针对以上问题，提出了改进的Faster R-CNN的算法，在传统Faster R-CNN的CNN特征映射层的上一层增加一个全卷积网络用于生成掩码，从而提高识别平均精度，生成掩码与目标对齐。同时针对改进的算法对车辆类型进行分类训练，实现车辆的属性识别。 实验结果表明，基于Flask框架的智能交通系统控制平台性能稳定，设计的各个功能完善，控制方案能够自由切换，意见评论功能能够实现正常互动，视频监测功能能够实现监控和车辆识别，且该平台在 IPv6 环境下能够正常运行。同时改进后车辆检测和属性识别算法，平均精度有所提升，能够实现对车辆的属性识别。