如何使用YOLO进行道路车辆拥堵分析模型资料说明

　　针对当前交通运行出现的拥堵问题，提出一种新型的道路状态判断模型。首先，模型基于YOLOv3目标检测算法，然后结合图片对应的特征值矩阵，通过相邻帧之间的特征矩阵作差并将差值逐项求和得到的结果与预设值进行比较来判断当前道路是处于拥堵状态还是正常通行状态，其次再将当前计算出的道路状态与前两次计算出的道路状态进行比较，最后运用模型里的状态统计法来统计道路某状态（拥堵或通畅）的持续时间。该模型能够同时对一条道路的三个车道进行状态统计分析，经过实验，模型对单条车道状态判断的平均准确率能达到80010以上，并且白天与夜晚的道路均适用。

　　随着经济的发展与城市化进程的加快，人们的生活水平日益提高，机动车成为了越来越多人的出行首选工具。根据中国公安部交管局的统计数据。截至2017年6月底，全国机动车保有量达3. 04亿辆，其中汽车2.05亿辆；机动车驾驶人达3. 71亿人，其中汽车驾驶人3.28亿人。数量巨大的机动车也为城市交通的良好运行带来了巨大的挑战，我国道路交通拥堵情况非常严重，尤其是在特大、超大型城市，比如北京、广州、上海等。除了我国，交通拥堵在其他国家也是个大问题，根据《Inrix:2016年全球交通拥堵情况排行榜报告》显示，洛杉矶以人均104堵在路上位居第一。由此可见，道路拥堵是个亟待解决的问题。

　　当前存在的一些道路车辆拥堵检测方法包括：利用路面传感器定时采集道路车流数据信息实时判断道路拥堵情况，或者对特定路段的交通车辆数据流进行分时段的统计与数据 分析。常用的路面传感器比如检测器有线圈、浮动车 等。这两个方法可移植性差，并且对每个路口都要进行设备 安装或者数据统计，因此这些方法存在着成本高、代价高的缺点。本文提出一种新型的道路车辆拥堵分析模型，该模型具有运行速度快、准确率高、成本低、易于部暑等优点。实验结果证明，针对直行车道，该模型的平均准确率均能达到80% 以上。