车联网环境下基于改进CNN的车辆识别方法及其应用研究

发布时间：2021-06-23 14:03

　　车辆识别是道路交通信息感知系统中的重要一环,对于交通管理以及智能网联汽车的发展具有重要的意义和工程应用价值。目前车辆识别技术中普遍存在识别精度不够细、准确率不够高、应用不够深等问题。车联网技术的迅猛发展,为解决这些难题提供了千载难逢的机会。本文依托于中国博士后科学基金“面向车联网的行车主动服务机理分析与系统建模（项目编号:2016M600375）”和交通运输部项目“新一代国家交通控制网江苏（常州）试点工程”,开展了基于改进的卷积神经网络（Convolutional Neural Network,CNN）的车辆识别模型、算法以及典型应用研究。论文的主要研究工作包括以下几个方面:（1）提出了级联的车辆定位-识别（Car Detection and Classification,CD-C）模型。从理论上确定了CD-C模型的层次结构体系,以及车辆定位模型和车型识别模型的技术框架,克服了传统车辆识别仅限于车辆特征的提取以及定位,在此基础上,增加了对车辆型号的识别,构成了相对广义的车辆识别模式,实现了车辆定位和车型识别两个任务同步输出。并从匹配度、并行性、适应性三个方面详细阐述了CD-C模型的优势... 

【文章来源】：江苏大学江苏省

【文章页数】：73 页

【学位级别】：硕士

【部分图文】：

车联网概念图

图 1.1 车联网概念图Fig.1.1 Concept Map of Vehicle Networking车联网系统是为了智能车辆而不断建立完善的通讯系统，通过安装车载终端设备，理论上可以将任何车辆纳入车联网环境。车载终端是车联网所传输的信息表现的载体，是集自车信息和环境信息、车内信息和车外信息于一体的集成设备。系统分为车载终端（On Board Unit, OBU）、云计算平台、数据分析平台，简称“端”，“管”，“云”。车载 OBU 的任务正在从最基本的实时信息的显示到信息娱乐再到综合智能的方向发展，伴随着的是电子控制技术的发展；云计算平台承担了所有车联网传输数据的流动，主要依赖于通信技术的发展，未来 5G 技术的全面应用将极大的影响云计算平台的性能；数据分析平台是为交通管理者甚至交通参与者提供管理调度的有效依据，通信技术进步的同时也必须注重信息安全。车联网技术路线图如下图 1.2 所示。

测试时离不开熟练、有经验的测试驾驶人。《规范》发布后，发布智能网联汽车测试细则，在《规范》的推动下，智能交通迎来了新的契机，重庆、上海、北京等地率先开展了智能网联道路测试。网联汽车是未来交通是重要组成部分[4]，是单体智能的自动驾车联网技术和高精地图的产物。如图 1.3 所示，单体智能的自技术分为三个层次：感知层、决策层、执行层。其中决策层是为的基础上，结合车辆感知以及联网通讯获取的车辆和道路信合理的驾驶行为决策，代替了人的大脑。执行层是在决策层做后，代替人类操作车辆，执行转向、加速等任务，代替了人的动驾驶的第一步，代替了人的五官，通过单个传感器或多传感环境，涉及到道路边界检测、车辆检测、行人检测等传感器技通讯来获取路面信息[5]。

【参考文献】：
期刊论文
[1]5G移动网络绿色通信的相关关键技术[J]. 崔玉柱,沙巍.  电子技术与软件工程. 2018(17)
[2]基于LBP卷积神经网络的面部表情识别[J]. 江大鹏,杨彪,邹凌.  计算机工程与设计. 2018(07)
[3]基于边缘检测和深度学习的车辆定位与分类[J]. 张骅,戚悦.  中国公共安全. 2018(07)
[4]针对C-V2X新车联网业务的运营商部署分析[J]. 陈美妤.  中国电信业. 2018(06)
[5]智能网联汽车标准体系分析[J]. 游根节.  电信技术. 2018(05)
[6]基于灰色关联模型的城市道路交通拥堵评价研究[J]. 黎符忠.  重庆建筑. 2018(05)
[7]基于深度卷积神经网络的车型识别[J]. 石磊,王亚敏,曹仰杰,卫琳.  计算机科学. 2018(05)
[8]LTE-V2X车联网技术、标准与应用[J]. 陈山枝,胡金玲,时岩,赵丽.  电信科学. 2018(04)
[9]基于深度学习的自动驾驶技术综述[J]. 张新钰,高洪波,赵建辉,周沫.  清华大学学报(自然科学版). 2018(04)
[10]智能网联车辆交通流优化对交通安全的改善[J]. 秦严严,王昊.  中国公路学报. 2018(04)

硕士论文
[1]G汽车集团车联网业务发展战略研究[D]. 关志辉.华南理工大学 2018
[2]基于深度学习的车辆定位及车型识别研究[D]. 张飞云.江苏大学 2016
[3]车载互联网技术在汽车行业的应用与实践[D]. 王宁.大连理工大学 2016



本文编号：3245071