基于深度学习的大规模卡口车辆检索方法研究

发布时间：2020-06-02 06:15

【摘要】：近年来,随着我国人均机动车保有量的快速增长,道路交通安全形势面临着愈加严峻的挑战。交通管理部门通过在高速公路和城市路口安装越来越多的卡口摄像机等设备来获取车辆图像,然后结合后台的智能交通系统分析,以此加大对车辆的监控管理。车辆检索,也被称为“以车搜车”,是智能交通系统中最重要的组成部分之一。因此,车辆检索技术的研究具有重要的应用价值。由于车辆图片数目的快速增多以及车辆类别数的不断增加,传统的检索方法已经无法满足大规模车辆图像的检索需求。随着深度学习技术的迅猛发展,卷积神经网络已经在图像处理领域取得了优异的表现。并且深度学习模型可以快速的完成特征提取,具有更高的灵活性和普适性。因此,本文针对大规模卡口车辆图像数据集,使用深度学习框架,在经典的深度网络模型上进行改进,提出可以在实际场景中应用的车辆检索方法。本文的贡献和主要工作如下:(1)构建了卡口车辆数据集CarsDataset-1和CarsDataset-2。由于当前车辆数据集的类别较少、规模较小而且标注信息简单,我们构建规模为15万张图片的卡口车辆数据集。此外,我们为数据集标注了品牌、车型、款式、年代、颜色等属性信息。(2)提出一种基于多属性深度特征融合的车辆检索方法。传统的基于内容的车辆检索方法往往使用底层特征(如颜色、形状、纹理等特征)表示图像。但是这种方式难以克服复杂场景下背景、光照、以及角度等因素的干扰。基于车牌的车辆检索方法不能有效地解决套牌车、车牌遮挡等问题。同时,基于深度分类网络的特征在检索问题中取得了不错的效果。但目前已有的深度方法仅仅根据标签的异同构建图像对或者三元组图像进行度量学习,没有充分挖掘车辆标签的信息而且模型难以训练。在车辆图片的标签信息中,车型和颜色属性相对独立而且类别数量较少。因此,本文在卷积神经网络的分类特征基础上,提出将车辆的车型属性(颜色属性)特征和分类特征进行融合的方法,并把融合后的特征作为检索特征进行车辆检索。最后,在本文提出的大规模卡口车辆数据集上的实验表明了基于多属性深度特征融合的车辆检索算法的有效性。(3)提出基于多层特征融合与深度哈希的车辆检索方法。现有的车辆检索方法采用的特征一般是浮点型的特征,不能够应对大规模数据集的快速检索问题。因此,本文使用了针对大规模图像检索的哈希方法。相比于传统的哈希方法,基于深度学习的哈希方法能同时学习图像表示和哈希编码,可以取得更好的效果。本文在端到端的深度哈希算法框架的基础上,将卷积神经网络模型的多层特征进行融合之后,再进行哈希编码的学习。最后,在本文提出的大规模卡口车辆数据集上进行实验验证,证明了所提出方法的有效性。
【图文】：

图２．邋１基于内容的图像检索系统的基本框架逡逑

最简,感知器,隐层,学习权

／逡逑＇邋／逡逑图２．２邋ＭＣＰ神经元模型图逡逑Ｆｉｇ邋２．２邋ＭＣＰ邋ｎｅｕｒｏｎ邋ｍｏｄｅｌ邋ｄｉａｇｒａｍ逡逑ＭＣＰyL经元模型的权重是事先设定的，不具备后来的学习能力，因此到逡逑１９５８年Ｒｏｓｅ—３２】提出的单层感知器，这个模型可以学习权重，，但它只能解逡逑决线性可分的问题，不能解决异或（ＸＯＲ）问题｜３３１。因此，研宄者们尝试着逡逑把多个感知器组合到一起，实现对复杂空间的分割问题，这样的模型被称作多逡逑层感知器（Ｍｕｌｔｉ－ｌａｙｅｒ邋Ｐｅｒｃｅｐｔｒｏｎ，简称ＭＬＰ）神经网络。ＭＬＰ神经网络是最逡逑常见的人工神经网络算法，基本结构组成为：一个输入层（ｉｉｉＰｕｔｌａｙｅｒ）、中逡逑间隐层（ｈｉｄｄｅｎ邋ｌａｙｅｒ）以及一个输出层（ｏｕｔｐｕｔ邋ｌａｙｅｒ）。ＭＬＰ至少为３层的结构，逡逑最简单的ＭＬＰ只含有一个隐层
【学位授予单位】：安徽大学
【学位级别】：硕士
【学位授予年份】：2019
【分类号】：TP391.41;U495

【相似文献】