基于深度学习的交通拥堵检测

丁 洁，刘晋峰，杨祖莨，阎高伟

(太原理工大学 电气与动力工程学院，太原 030024)

随着国民经济的快速发展，近年来机动车保有量大幅度增加，造成了严重的交通拥堵[1]。有关研究表明，拥堵发生时低速行驶的车辆会排放更多废气。当车速为5 km/h以下时，尾气氮氧化物排放系数为7；而当车速为35 km/h以上时，尾气氮氧化物排放系数为3[2]。

对于交通拥堵的检测，目前主要采用的是通过GPS定位检测、微波检测、红外检测和线圈检测等物理检测手段来获取交通流参数[3]，通过如车辆数量、车辆平均行驶速度等参数进行交通拥堵判断。然而，这些传统方法均存在造价高、对路面破坏较大等问题。

随着计算机视觉的发展及公路上全路段视频监控的实现，为基于视频图像的拥堵检测提供可能[4]。目前基于视频图像的交通拥堵检测方法大部分是对车辆数量进行检测。例如对感兴趣区域进行处理[5]，提取车辆目标以统计车辆数，再根据车辆数进行交通拥堵的判断。再如，利用背景差分法和帧差法分析图像的纹理变化情况，从而得出道路空间占有率和时间占有率以判断道路拥堵的情况[6]。以上拥堵检测方法易受环境变化的影响，如光照强度及路面反光等，无法应用于不同的场景中。

近年来，卷积神经网络(convolutional neural network，CNN)在图像处理领域的应用逐渐增多，其有着自动提取图像特征、鲁棒性很强等优点[7]。Lecun等[8]针对手写字符识别，首次提出了LeNet-5图像识别模型，获得了极佳的效果。Alex通过加深网络层数、使用CUDA进行训练等方式获得了效果更好的AlexNet[9]。……