现代交通

本发明公开基于卷积神经网络的人车分流控制方法，先利用训练集和测试集对后台控制计算机中的卷积神经网络进行训练和测试，得到目标识别模型，在利用目标识别模型对实时采集的图像进行目标检测，以完成人车分流控制。本发明具有精确度高、检测速度快、智能化程度高、实用性强和适用范围广的特点。

技术亮点

本发明所要解决的是现有人车分流方法智能化程度不高的问题，提供一种基于卷积神经网络的人车分流控制方法。为解决上述问题，本发明是通过以下技术方案实现的：基于卷积神经网络的人车分流控制方法，具体包括如下步骤：步骤1、将公开的行人图像和已知车辆图像形成图像集合，并将图像集合分成训练数据集和测试数据集；步骤2、将训练数据集的图像送入后台控制计算机的卷积神经网络中，在卷积神经网络中，训练数据集的图像先经过前向传播，计算损失熵的大小，再通过随机梯度下降不断更新参数，后经过反向传播，使得损失熵不断减小寻找到最优参数，当迭代到设定好的次数或者准确率达到一定要求后停止训练，保存训练好的参数，由此得到训练好的卷积神经网络模型；步骤3、将测试数据集的图像送入后台控制计算机训练好的卷积神经网络中，在训练好的卷积神经网络中，测试数据集的图像先经过前向传播，计算损失熵的大小，再通过随机梯度下降不断更新参数，后经过反向传播，使得损失熵不断减小寻找到最优参数，以测试训练好的卷积神经网络模型的准确率，由此得到测试好的卷积神经网络模型；

基于卷积神经网络的人车分流控制方法是一种基于深度学习的技术，其在交通控制领域具有广泛的应用前景。以下是一些可能的应用场景：交通监控和管理：基于卷积神经网络的人车分流控制方法可以用于交通监控和管理，通过对道路、车辆和行人的图像进行分析，实现对交通状况的实时监测和管理，提高交通效率和安全性。无人驾驶技术：基于卷积神经网络的人车分流控制方法可以用于无人驾驶技术，通过对道路、车辆和行人的图像进行分析，实现对车辆的自动驾驶和避障，提高无人驾驶的安全性和可靠性。交通流量预测：基于卷积神经网络的人车分流控制方法可以用于交通流量预测，通过对历史交通数据进行分析，预测未来交通流量的变化趋势，为交通管理和规划提供数据支持。总之，基于卷积神经网络的人车分流控制方法在交通控制领域具有广泛的应用前景，可以提高交通效率和安全性，为智慧城市的建设和发展提供技术支持。

1、后台控制计算机利用深度学习算法对实时采集图像进行行人和车辆的目标检测，其具有精确度高和检测速度快的特点；

2、卷积神经网络中使用slice卷积模块替代YOLO中的每一层1x1或3x3单层卷积，识别效果更佳；

3、后台控制计算机根据所检测出的目标发送指令控制下位机的电控闸门，以实现人车分流控制，下位机硬件性能要求较低；

4、本发明具有智能化程度高、检测准确和速度快、实用性强和适用范围广的特点。