收藏本站
收藏 | 手机打开
二维码
手机客户端打开本文

基于深度学习的车型识别

应晨露  
【摘要】:车型识别(Vehicle Type Recognition,VTR)是让计算机根据机动车型号对机动车分类的技术,在许多实际应用中占据着最基础的一环,例如智能交通、监控追踪和无人驾驶等。根据分类的粒度,车型识别可分为基于整体外观的粗粒度车型识别和基于局部细节的细粒度车型识别,它们一般独立应用于不同的场景中。车型识别已经有了二十多年的研究历史,然而无论对于粗粒度车型识别还是细粒度车型识别来说,任意拍摄视角下的识别准确率仍不令人满意。同一辆机动车在不同的视角下有不同的平面外观,这些外观的差异性很大,提升了车型识别的难度。在粗粒度层面,多视角问题一直未得到深入研究;在细粒度层面,已有研究虽然考虑了多视角因素的影响,但是车型识别的准确率不高。基于已有研究的不足,本文总结了两个关于车型识别的工作重点:1.在粗粒度车型识别中解决多视角因素的影响;2.提升细粒度车型识别的准确率。围绕上述两个重点,本文开展了以下工作:1.创建粗粒度的多视角车型识别(Multi-View Vehicle Type Recognition,MVVTR)数据集。已有的粗粒度车型识别数据集都是为基于特征提取或几何估计的方法服务的。这些方法都只考虑了有限视角下的情况,因而无法在这些数据集上研究拍摄视角对车型识别的影响,只能创建新的车型数据集。利用网络爬虫技术,我们从互联网上搜集了七种车型的多视角照片。这些照片的拍摄视角既有正面和背面,也有侧面和斜侧面。2.设计反馈增强的多分支卷积神经网络(Feedback-enhanced Multi-branch Convolutional Neural Network,FM-CNN)。本文首先针对车型识别问题训练或微调了已有的神经网络,结果性能很差,神经网络无法学到有用的特征。考虑到诸如SIFT和HOG等传统图像描述子中将多尺度特征整合的方法,本文对已有神经网络做出改进,将卷积部分扩展成多个分支,分别接受不同尺度的输入。为了减轻在训练过程中不同分支之间的相互干扰,本文又为每一个卷积分支增加了一个局部分类模块,增强每一个分支从分类结果得到的反馈。3.微调FM-CNN的高层卷积层,避免过拟合。本文使用的粗粒度和细粒度车型识别数据集都是小数据集。从训练或微调已有神经网络的结果推断,用这些小数据集训练或微调FM-CNN里的所有参数会造成过拟合。考虑到卷积神经网络里面不同卷积层学习到的特征跟人脑视觉神经元响应的特征具有相似的语义层次性,本文假设神经网络浅层卷积层学习到的低语义特征对于不同的任务具有普适性,而高层卷积层学习到的高语义特征才具有任务特异性。所以,本文让FM-CNN复用已有神经网络的权重作为初始化,只微调高层卷积层和全连接层的权重,减少需要更新的参数量,降低过拟合的风险。通过上述三点工作,本文的FM-CNN在粗粒度和细粒度车型识别上都超过了已有方法:在粗粒度车型识别上达到了 94.9%Top-1准确率;在细粒度车型识别上达到了 91.0%Top-1和97.8%Top-5准确率。


知网文化
【相似文献】
中国期刊全文数据库 前18条
1 李勇;张玮;;基于多维视频技术的车型识别系统[J];中国交通信息化;2017年12期
2 宋俊芳;;基于3D模型的精确车型识别[J];智能城市;2018年08期
3 汤锐;刘玉锦;;车型识别技术在打击高速公路逃费中的应用[J];中国交通信息化;2017年10期
4 颜卓旺;;基于历史数据的车型识别方案[J];中国交通信息化;2012年03期
5 江卫强;;Freeman编码及其在车型识别中的应用[J];机械工业自动化;1988年03期
6 康珮珮;于凤芹;陈莹;;基于改进词包模型的车型识别算法[J];计算机与数字工程;2018年05期
7 蒋行国;苏欣欣;蔡晓东;;改进残差网络的多角度车型识别方法[J];电视技术;2018年06期
8 李新叶;黄腾;;基于多尺度跃层卷积神经网络的精细车型识别[J];科学技术与工程;2017年11期
9 柏淼;;基于智能交通系统的运动车型识别技术与应用研究[J];数字技术与应用;2014年12期
10 ;车型识别系统技术方案[J];中国公共安全;2015年09期
11 张洪明;唐练;;基于决策树的车型识别技术研究[J];数字技术与应用;2015年03期
12 陈炳权;刘宏立;;基于支持向量机与结构矩的车型识别实时鲁棒算法[J];湖南师范大学自然科学学报;2010年04期
13 吴志攀;;一种车型识别的预处理实现方案[J];计算机时代;2008年02期
14 袁志勇,查桂峰,陈绵云;基于聚类的二级模糊综合评判的车型识别研究[J];计算机工程与应用;2005年12期
15 李卫东,戚飞虎,朱江海;特征分析结合 3D 特征模板树匹配的运动汽车车型识别技术研究[J];交通与计算机;1998年01期
16 许俊;唐先亮;;自动发卡车道车型识别解决方案探讨[J];中国交通信息化;2018年S1期
17 王建勇;;基于深度卷积神经网络的车型识别研究[J];现代计算机(专业版);2018年23期
18 张秀林;刘玉;安然;;基于关键边缘特征的车型识别[J];电子测试;2013年06期
中国重要会议论文全文数据库 前9条
1 王超;刘翠响;;视频图像中车辆的车型识别算法研究与实现[A];第二十七届中国(天津)2013IT、网络、信息技术、电子、仪器仪表创新学术会议论文集[C];2013年
2 郭晓伟;扈啸;陈跃跃;;基于卷积神经网络的车型识别[A];第二十届计算机工程与工艺年会暨第六届微处理器技术论坛论文集[C];2016年
3 张全元;戴光明;陈良;;一种新的基于实时视频流的车型识别算法[A];图像图形技术与应用进展——第三届图像图形技术与应用学术会议论文集[C];2008年
4 张军;;智能交通学术研究进展[A];中国机械工程学会机械自动化分会&中国自动化学会制造技术专委会学术工作进展报告 2017[C];2017年
5 韩冬梅;吕芳;;智能交通系统中车型识别的软件设计与实现[A];全国第4届信号和智能信息处理与应用学术会议论文集[C];2010年
6 邓天民;邵毅明;崔建江;;一种车型识别算法及其应用[A];计算机技术与应用进展——全国第17届计算机科学与技术应用(CACIS)学术会议论文集(上册)[C];2006年
7 王正勤;刘富强;;基于优化BP神经网络的车型识别技术在智能交通系统中的应用[A];第一届中国智能交通年会论文集[C];2005年
8 运国莲;陈启美;李勃;;ATMS中基于视觉的交通事件管理研究[A];2006年全国通信软件学术会议论文集[C];2006年
9 张大奇;曲仕茹;刘真峥;;基于环投影小波分形特征的车型自动识别方案[A];计算机技术与应用进展·2007——全国第18届计算机技术与应用(CACIS)学术会议论文集[C];2007年
中国博士学位论文全文数据库 前5条
1 李波;基于图像分析的车辆识别与跟踪若干关键技术研究[D];华中科技大学;2011年
2 胡耀民;基于视频的车型识别关键技术研究[D];华南理工大学;2014年
3 李丽宏;基于多传感器信息融合的超限超载检测系统设计研究[D];太原理工大学;2013年
4 田寅;城市交通智能感知与传感器网络技术研究[D];北京交通大学;2015年
5 阮雅端;高速路网视频信息支撑系统构建及其关键算法研究[D];南京大学;2014年
中国硕士学位论文全文数据库 前10条
1 陈彦君;基于监控视频的车辆信息提取与轨迹查询系统实现[D];山东大学;2018年
2 应晨露;基于深度学习的车型识别[D];中国科学技术大学;2018年
3 王振伟;面向智能汽车的实时性车型识别研究[D];吉林大学;2018年
4 刘辉;基于深度学习的车型识别算法研究[D];青岛理工大学;2018年
5 辛鑫;基于多源传感器数据融合的车型识别研究与应用[D];南昌大学;2018年
6 施纯;基于马尔科夫随机场的车型识别[D];哈尔滨工程大学;2017年
7 许可;基于卷积神经网络的细粒度车型识别[D];哈尔滨工程大学;2015年
8 陈娜;基于图像处理的车型识别系统研究[D];兰州理工大学;2018年
9 蒋杰;基于深度学习的车型识别算法研究[D];北方工业大学;2018年
10 刘云灵;基于微波与超声波的车型识别系统研究与实现[D];东南大学;2017年
中国重要报纸全文数据库 前4条
1 石中生 彭刚;新IC卡“登场”换卡舞弊“没门”[N];中国交通报;2006年
2 本报记者 李嘉庆 通讯员 董月亮 刘冰;让大数据为公安实战插上腾飞之翼[N];人民公安报;2015年
3 韩亮 徐小章 林莉 宗桂胜;加强基层作风建设 创建人民满意窗口[N];江苏经济报;2005年
4 大连留学人员创业园;大连恒为电子有限公司[N];中国高新技术产业导报;2003年
 快捷付款方式  订购知网充值卡  订购热线  帮助中心
  • 400-819-9993
  • 010-62982499
  • 010-62783978