基于神经网络的货车车型识别系统研究
发布时间：2021-03-02 10:53
面对货车超限超载新标准的颁布,传统的车型识别方法不再适用于检测站的货车车型识别,亟需设计一种新的适用于超限检测站的车型识别方法。基于图像的车型分类系统的迅速发展,给货车车型识别带来了新的思路,基于神经网络的货车车型识别将会使得车辆检测效率提高并且提升道路通行能力,减少人力成本。根据新标准,本文将道路上常见的9种货车车型进行分类,为了将此系统用于不同的检测站,在多个不同的道路上采集了各类车辆图像信息,再进行整理分类,构建本文的图像数据库。针对在进行车型识别时的图像背景过于繁杂,影响车型识别效果的问题,本文首先进行车辆目标定位检测,本方案是将基于密集采样的特征提取网络与卷积神经网络进行结合,并且分析了几种网络模型在检测中出现的问题以及车型大小和轴距不同的情况,此方案将根据实验数据确定了共享卷积网络的深度,应用难负样本挖掘策略,构成了本文的车辆检测模型。在采集到的车辆图像测试样本中取得了较好的效果,并且与传统的RCNN系列算法进行了对比,相对于传统的网络模型其平均检测率提升了 10%。车辆检测定位后,将车辆标定部分进行裁剪,送入车型分类器中,本文利用深度卷积神经网络模型进行模式识别。为了提高...
【文章来源】：西安工业大学陕西省
【文章页数】：65 页
【学位级别】：硕士
【部分图文】：
图２．?１主要研究内容??
针对货车车型识别与其他车型分类存在差异的问题，本文在基于卷积神经网络图像分??类的基础上，设计了一套适用于货车车型识别的方案。此方案不需要破坏路面、设备简单、??不受天气及道路影响，精确率较高。系统主要研宄内容如下图２．１所示，主要包括车辆侧??面图像数据集建立、车辆目标定位、车型识别分类三个部分组成。????｜部分车辆图像｜?ｒ￣￣￣￣??摄像头装置?集及对应的目?提取的？辆Ｈ??标坐标集?标???Ｔ??Ｉ?）????｜￣＼????＿输出车型识别??ｊ??ｉ?ｉ?＾￣／?▼?ｌ—ｖ??＿機艘Ｉ深度卷积神经Ｉ?￣￣－——??丨丨图：订丨丨＾?丨网络分类器??图２．?１主要研究内容??由上图中可以看出，每个模块在整个系统中的作用都是不可或缺的，而本章将从货车??车型数据库的建立以及图像预处理进行展开。从对车辆拍摄的图像以及车型分类标准的分??析出发，本文分别选取了不同拍摄地点、背景以及光线的道路环境对九种不同的车型进行??了车辆侧面图像的采集，建立了货车车型数据库。由于采集的图像中存在着大量的背景噪??声，本章利用非局部均值彩色图像去噪算法对摄像机采集到的车辆图像进行了降噪等相关??处理。??２．１车辆数据集的建立??基于卷积神经网络的车型识别需要大量的货车图像进行网络的学习与测试，目前还??没有关于货车的车辆图像集，本文主要的研究内容是根据货车的包含完整车轴的侧面图像??来进行车辆类型的识别，因此车辆的侧面图像为本文研究重点。根据货车超限标准对车辆??分类太过于精细
会使得该像素块的每个灰度值设置为原始像素点的估计值，将像素块连接起来使得噪声变??得模糊，达到了平滑的作用。均值滤波是通过计算相邻像素之间的平均值使得噪声模糊，??这样也会造成原始图像模糊可以达到平滑效果。均值滤波效果如图２．３所示。设原始输入??图像为ｆ（ｘ，ｙ），Ｈ（ｘ．ｙ）为滤波后的输出图像，均值滤波器的表达式如（２．１）所示：??Ｈ（ｘ，ｙ）?＝?＾Ｉｆｊｆｊ／｛ｘ?＋?ｉ，ｙ?＋?ｊ）（Ｎ?＝?２ｎ?＋?＼，Ｎ?＝?３，５Ｊ．．．ｋ）?（２．１）??？ｉ＝－ｎｊ＝－ｎ??原图?３‘３均值滤波＿像??一一??５‘５均他滤波阁傀?７‘７均｛／〖滤波ｒａｍ??！?＇?１?￣：￣?＇丨?｜?????，?１?？？ｊ??一?Ｊ??图２．?３均值滤波效果??以上是对车辆进行均值滤波图，模板分别为３＊３、５＊５、７＊７时效果图，由图可知，当??均值滤波器的模板逐渐变大时，图像边缘也会逐渐模糊，但是３＊３的模板使得前景的杂草??不再突出、图像更加平滑，但是并没有较好地突出车辆图像。??９??
【参考文献】：
期刊论文
[1]基于监督的全卷积神经网络视网膜血管分割[J]. 王娜,傅迎华,蒋念平. 软件导刊. 2018(08)
[2]基于卷积神经网络的轿车车型精细识别方法[J]. 陈宏彩,程煜,张常有. 河北科技大学学报. 2017(06)
[3]基于深度学习的车辆检测方法[J]. 王德宇,徐友春,李永乐,陆峰,郑凯文. 计算机与现代化. 2017(08)
[4]基于卷积神经网络的车辆品牌和型号识别[J]. 黎哲明,蔡鸿明,姜丽红. 东华大学学报(自然科学版). 2017(04)
[5]多个文件密集发布:新一轮超限超载治理工作开启[J]. 本刊. 商用汽车. 2016(09)
[6]基于卷积神经网络的道路车辆检测方法[J]. 李琳辉,伦智梅,连静,袁鲁山,周雅夫,麻笑艺. 吉林大学学报(工学版). 2017(02)
[7]改进权值函数的非局部均值去噪算法[J]. 单建华. 中国图象图形学报. 2012(10)
[8]基于颜色自相似度特征的实时行人检测[J]. 曾波波,王贵锦,林行刚. 清华大学学报(自然科学版). 2012(04)
[9]基于遗传算法优化的模糊神经网络车型识别[J]. 欧卫华,唐东黎,闻斌. 湖南工业大学学报. 2010(02)
博士论文
[1]基于浅层学习引导深度学习的行人检测[D]. 刘弋锋.武汉大学 2016
[2]车载视频图像处理算法的优化与融合研究[D]. 陈炳权.湖南大学 2014
硕士论文
[1]基于卷积神经网络的交通图像目标检测研究[D]. 于小川.哈尔滨工程大学 2018
[2]基于ShuffleNet网络模型的图片内容自动分类研究[D]. 刘烨.河南大学 2018
[3]基于深度神经网络的视觉识别分类研究[D]. 李燕飞.内蒙古工业大学 2018
[4]基于图像处理的车型识别系统研究[D]. 陈娜.兰州理工大学 2018
[5]教室监控视频中人员异常行为检测研究[D]. 刘冬寅.电子科技大学 2018
[6]基于卷积神经网络的人脸识别研究与实现[D]. 于志刚.中北大学 2018
[7]基于内容的图像检索关键技术的研究[D]. 胡友春.中国石油大学（北京） 2017
[8]基于深度学习的交通视频检测及车型分类研究[D]. 楚翔宇.哈尔滨工业大学 2017
[9]基于卷积神经网络的监控视频车型识别系统设计与实现[D]. 曾俊东.西南交通大学 2017
[10]基于深度学习的车型识别分析与研究[D]. 刘灵.山东师范大学 2017
本文编号：3059137
【文章来源】：西安工业大学陕西省
【文章页数】：65 页
【学位级别】：硕士
【部分图文】：
图２．?１主要研究内容??
针对货车车型识别与其他车型分类存在差异的问题，本文在基于卷积神经网络图像分??类的基础上，设计了一套适用于货车车型识别的方案。此方案不需要破坏路面、设备简单、??不受天气及道路影响，精确率较高。系统主要研宄内容如下图２．１所示，主要包括车辆侧??面图像数据集建立、车辆目标定位、车型识别分类三个部分组成。????｜部分车辆图像｜?ｒ￣￣￣￣??摄像头装置?集及对应的目?提取的？辆Ｈ??标坐标集?标???Ｔ??Ｉ?）????｜￣＼????＿输出车型识别??ｊ??ｉ?ｉ?＾￣／?▼?ｌ—ｖ??＿機艘Ｉ深度卷积神经Ｉ?￣￣－——??丨丨图：订丨丨＾?丨网络分类器??图２．?１主要研究内容??由上图中可以看出，每个模块在整个系统中的作用都是不可或缺的，而本章将从货车??车型数据库的建立以及图像预处理进行展开。从对车辆拍摄的图像以及车型分类标准的分??析出发，本文分别选取了不同拍摄地点、背景以及光线的道路环境对九种不同的车型进行??了车辆侧面图像的采集，建立了货车车型数据库。由于采集的图像中存在着大量的背景噪??声，本章利用非局部均值彩色图像去噪算法对摄像机采集到的车辆图像进行了降噪等相关??处理。??２．１车辆数据集的建立??基于卷积神经网络的车型识别需要大量的货车图像进行网络的学习与测试，目前还??没有关于货车的车辆图像集，本文主要的研究内容是根据货车的包含完整车轴的侧面图像??来进行车辆类型的识别，因此车辆的侧面图像为本文研究重点。根据货车超限标准对车辆??分类太过于精细
会使得该像素块的每个灰度值设置为原始像素点的估计值，将像素块连接起来使得噪声变??得模糊，达到了平滑的作用。均值滤波是通过计算相邻像素之间的平均值使得噪声模糊，??这样也会造成原始图像模糊可以达到平滑效果。均值滤波效果如图２．３所示。设原始输入??图像为ｆ（ｘ，ｙ），Ｈ（ｘ．ｙ）为滤波后的输出图像，均值滤波器的表达式如（２．１）所示：??Ｈ（ｘ，ｙ）?＝?＾Ｉｆｊｆｊ／｛ｘ?＋?ｉ，ｙ?＋?ｊ）（Ｎ?＝?２ｎ?＋?＼，Ｎ?＝?３，５Ｊ．．．ｋ）?（２．１）??？ｉ＝－ｎｊ＝－ｎ??原图?３‘３均值滤波＿像??一一??５‘５均他滤波阁傀?７‘７均｛／〖滤波ｒａｍ??！?＇?１?￣：￣?＇丨?｜?????，?１?？？ｊ??一?Ｊ??图２．?３均值滤波效果??以上是对车辆进行均值滤波图，模板分别为３＊３、５＊５、７＊７时效果图，由图可知，当??均值滤波器的模板逐渐变大时，图像边缘也会逐渐模糊，但是３＊３的模板使得前景的杂草??不再突出、图像更加平滑，但是并没有较好地突出车辆图像。??９??
【参考文献】：
期刊论文
[1]基于监督的全卷积神经网络视网膜血管分割[J]. 王娜,傅迎华,蒋念平. 软件导刊. 2018(08)
[2]基于卷积神经网络的轿车车型精细识别方法[J]. 陈宏彩,程煜,张常有. 河北科技大学学报. 2017(06)
[3]基于深度学习的车辆检测方法[J]. 王德宇,徐友春,李永乐,陆峰,郑凯文. 计算机与现代化. 2017(08)
[4]基于卷积神经网络的车辆品牌和型号识别[J]. 黎哲明,蔡鸿明,姜丽红. 东华大学学报(自然科学版). 2017(04)
[5]多个文件密集发布:新一轮超限超载治理工作开启[J]. 本刊. 商用汽车. 2016(09)
[6]基于卷积神经网络的道路车辆检测方法[J]. 李琳辉,伦智梅,连静,袁鲁山,周雅夫,麻笑艺. 吉林大学学报(工学版). 2017(02)
[7]改进权值函数的非局部均值去噪算法[J]. 单建华. 中国图象图形学报. 2012(10)
[8]基于颜色自相似度特征的实时行人检测[J]. 曾波波,王贵锦,林行刚. 清华大学学报(自然科学版). 2012(04)
[9]基于遗传算法优化的模糊神经网络车型识别[J]. 欧卫华,唐东黎,闻斌. 湖南工业大学学报. 2010(02)
博士论文
[1]基于浅层学习引导深度学习的行人检测[D]. 刘弋锋.武汉大学 2016
[2]车载视频图像处理算法的优化与融合研究[D]. 陈炳权.湖南大学 2014
硕士论文
[1]基于卷积神经网络的交通图像目标检测研究[D]. 于小川.哈尔滨工程大学 2018
[2]基于ShuffleNet网络模型的图片内容自动分类研究[D]. 刘烨.河南大学 2018
[3]基于深度神经网络的视觉识别分类研究[D]. 李燕飞.内蒙古工业大学 2018
[4]基于图像处理的车型识别系统研究[D]. 陈娜.兰州理工大学 2018
[5]教室监控视频中人员异常行为检测研究[D]. 刘冬寅.电子科技大学 2018
[6]基于卷积神经网络的人脸识别研究与实现[D]. 于志刚.中北大学 2018
[7]基于内容的图像检索关键技术的研究[D]. 胡友春.中国石油大学（北京） 2017
[8]基于深度学习的交通视频检测及车型分类研究[D]. 楚翔宇.哈尔滨工业大学 2017
[9]基于卷积神经网络的监控视频车型识别系统设计与实现[D]. 曾俊东.西南交通大学 2017
[10]基于深度学习的车型识别分析与研究[D]. 刘灵.山东师范大学 2017
本文编号：3059137
本文链接：https://www.wllwen.com/kejilunwen/daoluqiaoliang/3059137.html
