本文介绍如何将基于深度学习的目标检测算法应用到具体的项目开发中，体现深度学习技术在实际生产中的价值，算是AI算法的一个落地实现。本文算法部分可以参见前面几篇博客：
对于一台主机设备，可同时实时检测8路高清监控视频，若有异常事件，会实时发出警告。
业务流程
整个系统构成非常简单，业务流程也相对简单。下面是两个主要的业务分支：
视频流分支
如上图所示，直接将跟踪得到的轨迹叠加到视频帧中，然后编码将其推到Nginx服务器中，供web播放器播放。
数据流分支
如上图所示，根据跟踪得到的轨迹，检测每辆车的交通事件，将其结果写入mysql数据库。另外一个服务模块定期统计数据，供web模块进行数据显示。
系统结构
服务器环境
1）centOS 7.5 (3.10.0内核)；
2）Python 3.6 + tensorflow-gpu 1.9 + keras 2.2.2 + 各种python库；
3）CUDA 9.0 + CUDNN 7.1 + Nvidia显卡驱动384.130；
4）Tomcat + Mysql + Java；
5）i7 8核 + Nvidia GTX 1080显卡；
以上是服务器软硬件环境。
系统组成
下图是软件系统组成：
上图中最上部分是核心算法在整个系统中的位置。
模型训练
模型训练最主要的是要收集高质量、各种天气、各种视频角度、各种道路状况下的素材。下面是素材的一个简单分类，数量大约为10W+张。
按场景：
1）外场
2）隧道
按天气：
1）晴天
2）阴天
3）雨天
4）夜晚（红外）
按摄像机角度：
1）正前方
2）正后方
3）侧前方
4）侧后方
按目标类型：
1）行人
2）汽车
3）客车
4）货车
（高速摄像机一般安装太远，其他目标太小，因此不考虑其他目标）
按路况：
1）流畅
2）拥堵
3）严重拥堵
素材标注是个体力活，找个好用的标注工具可以事半功倍。自己写了一个标注工具，体验不是特别好，但是适合本项目素材的标注。相关连接参见这里：-------link--------------
事件类型/功能
由跟踪得到的轨迹，可以分别检测出道路面的异常事件，包括：
1）行人闯入事件
2）异常停车事件
3）逆行/倒车事件
4）占用应急车道事件
5）货车占用超车道
6）非机动车闯入事件
7）拥堵级别告警
8）车型计数
9）平均车速统计
本文没有源码，思路仅供参考。
作者：周见智
出处：http://www.cnblogs.com/xiaozhi_5638/
本文版权归作者和博客园共有，欢迎转载，但未经作者同意必须保留此段声明，且在文章页面明显位置给出原文连接，否则保留追究法律责任的权利。https://www.cnblogs.com/xiaozhi_5638/p/9600418.html
