面向多姿态车辆的型号识别方法研究

发布时间：2021-04-20 13:40

　　在目前国内机动车保有量不断增加的现实环境下,交通管理部门的工作面临着极大的压力与挑战,而对车辆型号的识别是相关工作中极为重要的任务。研究过程中发现车辆种类繁多,部分车型区分度小,而实际拍摄图像中的车辆姿态又各不相同,车型的精细识别难度大大提高。本文面向多姿态车辆的识别问题,采用深度学习方法进行车型识别研究,从不同的研究角度提出了两种车辆型号精细识别方法:基于FR-ResNet的车辆型号精细识别方法和基于视觉注意力模型的车型精细识别算法。在多个多姿态车辆数据集上进行实验,实验结果表明两种方法均能提高多姿态车辆型号的识别效果。本文的主要工作如下:（1）对深度学习卷积神经网络的一些经典模型进行介绍,尤其是残差网络模型ResNet,并对经典残差网络进行了改进;对目前常用的可用于车辆型号精细分类的数据集进行介绍。（2）提出了一种车型精细识别网络模型FR-ResNet:以改进的残差网络结构为基础,通过多尺度输入、低层特征在高层中重用和特征图权重学习策略来实现对残差网络特征的重用。FR-ResNet是一种基于残差网络特征重用的深度卷积神经网络模型,该模型在两个多姿态车辆数据集上都取得了很高的识别精度... 

【文章来源】：合肥工业大学安徽省 211工程院校 教育部直属院校

【文章页数】：63 页

【学位级别】：硕士

【文章目录】：
致谢
摘要
abstract
第一章 绪论
    1.1 研究目的和意义
    1.2 国内外研究现状
        1.2.1 精细识别
        1.2.2 多姿态车型识别
    1.3 研究内容与组织结构
        1.3.1 研究内容
        1.3.2 组织结构
第二章 深度学习相关算法及数据集介绍
    2.1 经典卷积神经网络概述
    2.2 残差神经网络算法
        2.2.1 原始残差神经网络结构
        2.2.2 残差神经网络结构改造
    2.3 多姿态车型识别数据集介绍
        2.3.1 StanfordCars数据集
        2.3.2 CompCars数据集
    2.4 本章小结
第三章 基于FR-ResNet的车辆型号精细识别研究
    3.1 FR-ResNet模型结构
    3.2 多尺度随机输入
    3.3 特征重用
    3.4 特征图权重学习
    3.5 实验结果与分析
        3.5.1 数据集使用与实验环境及设置
        3.5.2 实验结果分析
    3.6 本章小结
第四章 基于视觉注意力模型的多姿态车型精细识别算法
    4.1 算法主要思想
    4.2 全局特征图注意力算法
        4.2.1 LSTM视觉注意力重编码
        4.2.2 局部双线性注意力加权结构
    4.3 特征空间关系注意力机制
    4.4 实验结果与分析
        4.4.1 数据集使用与实验环境
        4.4.2 实验结果分析
    4.5 本章小结
第五章 总结与展望
    5.1 总结
    5.2 工作展望
参考文献
攻读硕士学位期间的学术活动及成果情况


【参考文献】：
期刊论文
[1]基于Fg-CarNet的车辆型号精细分类研究[J]. 余烨,金强,傅云翔,路强.  自动化学报. 2018(10)
[2]前背景骨架区域随机点对策略驱动下的车标识别方法[J]. 余烨,聂振兴,金强,王江明.  中国图象图形学报. 2016(10)
[3]基于车牌识别数据的城市交通流时空特性分析[J]. 鞠鹏,周晶,张俊婷,廖瑞辉.  统计与信息论坛. 2014(10)



本文编号：3149788