基于深度卷积神经网络的车型识别

【摘要】：车型识别系统是智能交通系统的重要组成部分和重点研究内容。随着图像处理、模式识别以及计算机视觉等技术的发展,基于图像的车型识别技术得到了越来越多的关注和研究。基于图像的车型识别技术是通过提取摄像头中的视频流中的车辆图像,然后通过模式以及计算机视觉识别技术获得车辆图像的有效信息,进而进行分类识别。但是目前基于图像的车型识别系统因为受到速度和准确率两个重要因素的限制,投入实际应用的智能车型识别系统还很少,因此如何准确高效地对车型进行识别,对于保证交通的正常运行具有重要的意义。本文采用基于图像的目标识别方案实现车型的识别。首先,由于目前缺少实验所需的公共数据库,本文将从高速公路上拍摄的车辆图像数据中选择背景车辆多变、光照多变和尺度多变等图片进行数据库的构建,以保证数据库的多样性。本文最终建立的车型数据库包含轿车、客车和货车的训练样本以及测试样本。其次,本文研究了特征提取方法和分类器。基于本文构建的车型图像库,运用HOG及PCA-SIFT特征,结合SVM算法训练车型分类器,比较两种特征分类器的性能。最后,针对目前基于图像的车型识别的特征提取速度和识别效果问题,本文提出利用卷积神经网络(Convolutional Neural Network, CNN)自主提取特征,结合SVM分类器进行车型的分类识别。本文从网络层数、滤波器大小、滤波器个数、激活函数等方面优化提取特征的网络结构,相比于如HOG和SIFT+PCA常见算法以及和最近几年出现的车型识别算法,本文提出的方法在速度和准确率上都有可观的优势。