余泽明

本文针对视频交通流量检测技术开展系统研究，梳理传统视频车辆检测、基于深度学习的车辆检测、交通流量提取及模型优化等技术基础，设计单级特征检测网络架构，融入目标跟踪模块，从损失函数、训练策略与数据集构建等方面完成模型优化。分析环境、车辆特征、模型参数及硬件资源对识别准确性的作用，借助多场景对比实验完成模型性能验证。优化后的融合模型在遮挡、光照变化、复杂交通状态下具备更强适应能力，计数精度与实时性保持良好平衡，相比传统方法具备明显优势，可为智能交通流量监测提供可靠技术支撑。

视频交通流量检测；深度学习；目标检测；目标跟踪；车辆计数

[1] 吴文静,章培军.基于 YOLOv5 的车流量检测研究[J].现代计算机,2024,30(12):24-27. [2] 马庆禄,吴跃川,张梓轩,等.面向车流量智能检测的 YOLOv7 算法改进与应用[J].公路,2024,69(01):242-249. [3] 刘伟.基于深度学习的空基平台交通流量采集方法[D].华北理工大学,2023. [4] 朱光亚.基于边缘计算的交通流量检测方法研究与实现[D].西北师范大学,2023.

点击下载PDF