随着经济的快速发展和汽车保有量的增加,高速公路拥堵越来越频繁,交通堵塞所造成的交通延误越来越严重,解决交通拥堵刻不容缓。基于图像视频的拥堵检测方法,不破坏路、安装无需中断交通,而且检测特征全面并能够记录现场图像。以往的基于视频分析的高速公路拥堵识别方法具有延迟性高,识别速度慢和识别代价大等缺点。本文采用对视频帧(图像)进行分析来实现交通拥堵状态识别,能够有效的避免以上缺点。近年来,卷积神经网络在图像识别方面表现出了通用性好、识别准确率高、适用范围广等优势。本文提出了一种基于卷积神经网络AlexNet模型、利用图像进行高速公路拥堵识别的方法,主要研究内容包括以下几个方面。(1)建立了一个通用的高速公路交通状态图像数据库。本文将西安和杭州部分高速公路视频进行每隔100帧截取的图像作为高速公路拥堵图像样本,并将样本标记为拥堵和畅通两类。数据库包含46500多个样本和800多个场景,其中属于拥堵状态的有23000个样本和300个场景,属于畅通状态的有23500个样本和500多场景,数据库还包含了雨,雪,雾等天气和早晨中午黄昏等时间段的样本。(2)基于AlexNet的高速公路拥堵状态识别研究。首先采用高速公路交通状态图像数据库对AlexNet模型进行训练,通过调整学习率、模型层数和卷积核大小等参数,对AlexNet模型的识别准确率和收敛性进行实验测试和评估。实验表明当模型初始学习率为0.01,模型层数为8层及第一层卷积核大小为11x11时,测试样本集的准确率为96.5%,单个样本的测试时间为0.03s。(3)上述基于Alexnet的高速公路拥堵识别方法在实际高速公路中的应用。首先通过.Net框架和网络传输协议在服务器之间建立了图像实时传输,采用上述训练好的Alexnet模型对实际数据的初始测试准确率为90.1%。由于实际情况下道路背景颜色和天气变化,本文将数据库进行了灰度化处理并添加到原始数据库中对训练好的AlexNet模型进行了再调整,调整后的模型在实际测试中的准确率达到了96.4%。本文提出的基于AlexNet模型的交通状态识别方法能够有效的识别交通场景的拥堵状态,而且场景通用性强,避免了针对特定场景进行手动设计特征,能够高效方便的在实际中应用。