基于图像的实时交通监控与密度预测：利用MATLAB训练神经网络并导出至ONNX以便Python Flask部署

简介：
本项目采用MATLAB训练神经网络模型，并将其转换为ONNX格式，最终在Python Flask应用中实现对实时交通图像数据的分析及密度预测。 市场上存在多种路线规划应用软件。一些应用程序利用地图来帮助用户找到最短路径以计划他们的行程。然而，如果这些程序不考虑实时交通状况的话，即使它们使用了最为精确的地图数据，在某些情况下也会导致推荐的最快路径实际上耗时更长。 另外一些路线规划工具试图通过获取用户的GPS信息来克服这一问题。根据特定地点累积的用户GPS数据，应用程序可以“看到”那里的车流量情况。此外，还有些程序会把交通报告和社交媒体上的相关评论纳入其优化模型中以提供更加准确的信息。 然而，这些解决方案都依赖于用户同意开启他们的GPS功能，并且愿意分享有关路况的信息。考虑到隐私问题，有些用户可能希望在不使用GPS的情况下离线操作应用程序，同时我们也不能指望所有人在任何时候都能持续发布关于交通状况的报告。另外，对于车流量密集程度的认知也是主观性的：一个用户认为是拥堵的情况可能是另一个眼中正常的通行状态。 因此，在新加坡这样的城市环境中，找到一种既能保护个人隐私又能提供准确实时路况信息的方法显得尤为重要。