随着城市化进程的加快,城市人口激增,加强城市管理,推进智慧城市建设受到各级政府的高度重视。目前,国内各线城市均组建了人员规模较大的城市管理大队,并花费巨资购置,安装固定监控摄像头。但是固定监控摄像头视角有限,难以监控背街小巷等城市管理案件的高发区域,并且人工观看监控视频的方式不仅耗时,而且效率低下。针对上述实际问题,本文从城管队员们的实际需求出发,结合深度学习知识,利用真实案件图片为训练依据,提出一种可以部署到手机移动端或低性能设备上的城市管理案件目标识别算法。本文算法可识别移动端摄像头所拍摄的案件目标,缓解固定摄像头视角有限的缺陷,加速案件分类与分派处理,达到实现城市管理案件处理扁平化,提高管理效率与智能化程度的目的。本文的主要工作如下:1.本文以南宁市青秀区,江南区运行的城市管理系统中的真实案件图片为数据来源,按照城管队员的实际需求与国家相关规定,构建了City Management数据集。数据集以人工标注的方式标记了6646张图片,包含8个大类。2.以本文构建的City Management数据集为基础,针对目前安装的固定监控摄像头存在监控死角,以及移动设备硬件性能较低等问题,对MobileNet网络进行了改进,并将改进后的MobileNet网络与SSD目标识别框架相结合,构成了一种可以在较低性能的IOS移动端运行的识别算法。该算法利用移动端设备自带的摄像头拍摄案发现场视频,实现对八种特定城管案件目标的准确检测,其检测的平均精度均值与原型YOLO和原型SSD相比,分别提升了 15.5个百分点和10.4个百分点。3.在改进型目标识别算法的基础上,本文依据识别结果并结合SURF算法,FLANN算法等方法,实现火灾预警,嫌疑人识别,人流量监控等案件识别与监控功能,最大化利用监控视频,提升管理效率,减少反应时间。4.本文将上文提出的识别算法,集成到一款城市管理APP中。该APP可以部署到IOS手机移动端,可利用手机自带的摄像头拍摄案件图片或案发现场视频,通过深度学习算法,实现案件目标的识别,分类。并以移动网络为纽带,实现案件的上报与派发,最后通过网格化人员管理子系统将案件下放至具体责任人,提升城市管理效率。