基于深度学习的车辆精细分类与重识别

发布时间：2021-08-21 16:00

　　随着交通系统中车辆数量的不断增加,智能化的视频监控和管理的重要性也在与日俱增,并逐渐成为人工智能最重要的领域之一。车辆相关的问题正在得到广泛的研究和应用。因为交通管理等部门有着海量的视频图像监控数据,计算机视觉与深度学习算法在各种相关技术中脱颖而出,成为最流行的研究方法。本文研究了基于视觉的车辆精细分类和重识别方法。针对应用场景复杂、设备运算能力不足、图像视频数据分辨力不足等问题,本文从多个角度提出多种方法来解决这些问题,并获得的良好的结果。本文的主要研究内容如下:1.针对现有的车牌识别网络层数过多,速度过慢的问题,本文提出了一个轻量级的、基于字符的车牌识别网络。与以往将车牌作为一个整体识别不同,该模型将车牌每一位分开识别且优化了每一位车牌的划分方法,从而有效的减少了整体识别带来的误差。模型对高层特征图进行有重叠的剪切操作来实现高鲁棒性的识别,并针对车牌排列特点设计了不同的重叠率。此外,精简了识别模型,提高了模型速度。实验结果表明该模型在保证高准确度的情况下显著快于其他方法。2.针对精细分类领域对车型分类研究少、泛化精细分类模型对车型分类的问题表达能力不足等问题,本文提出了基于深度学习... 

【文章来源】：中国科学院大学(中国科学院大学人工智能学院)北京市

【文章页数】：74 页

【学位级别】：硕士

【部分图文】：

图１．１传统机器学习方法??Ｆｉｇｕｒｅ?１．１?Ｔｒａｄｉｔｉｏｎａｌ?Ｍａｃｈｉｎｅ?Ｌｅａｒｎｉｎｇ?Ｍｅｔｈｏｄｓ??

ｒｅｐｒｅｓｅｎｔａｔ，ｏｎ?｛ｅ．ｇ．?Ｓ｜ＦＴ）??图１．１传统机器学习方法??Ｆｉｇｕｒｅ?１．１?Ｔｒａｄｉｔｉｏｎａｌ?Ｍａｃｈｉｎｅ?Ｌｅａｒｎｉｎｇ?Ｍｅｔｈｏｄｓ??深度学习的概念并不新鲜，从概念的产生到如今已经有了几十年，因为设备??计算能力的低下而没有受到足够的重视。但如今，随着大量的可用数据、强大的??并行计算平台以及⑶ＤＡ等工具的出现，深度学习越来越受到重视，并在图像??分类检索ｐｎ、分割［３２］、目标检测［３３，３４］等许多视觉应用中取得了巨大的成??功。深度学习有两个主要的研究分支。一种是主要用于计算机视觉任务的卷积??神经网络（ｃｏｎｖｏｌｕｔｉｏｎａｌ?ｎｅｕｒａｌ?ｎｅｔｗｏｒｋｓ），另一种是主要用于自然语言处理的循??环神经网络（ｒｅｃｕｒｒｅｎｔ?ｎｅｕｒａｌ?ｎｅｔｗｏｒｋｓ）。卷积神经网络最初是为了学习图像的分??层视觉特征而提出的，在网络中，每个卷积层提取前一层输出的特征，最后利用??这些特征进行相应任务。一个典型的卷积祌经网络如图１．２所示，深度卷积神经??网络由一个输入层、一个输出层以及若千个隐藏层组成。其中隐藏层一般由卷积??层、池化层、全连接层和归一化层组成。每个隐藏层都学习不同的特征表示

?的视觉上的不同。总而言之，在目标的精细分类中，任务的主要难点是目标间高??的类内差异与低的类间差异。如图１．３所示，同一类海鸥的姿态、背景和视角有??很大的差异，而不同种类的海鸥有着高度的视觉相似性，只能通过微小的差异如??喙或翅膀进行区分。??■?Ｉ?酔，＇‘：??（ａ）?Ｃａｌｉｌｆｏｍｉａ?ｓｕｌｌ??嘯■■??（ｂ）?Ｇｌａｕｃｏｕｓ?ｇｕｌｌ??图１．３?ＣＵＢ?２００数据集中的两种海鸥??Ｆｉｇｕｒｅ?１．３?Ｔｗｏ?ｓｐｅｃｉｅｓ?ｏｆ?ｇｕｌｌ?ｉｎ?ＣＵＢ?２００?ｄａｔａｓｅｔ??现有的基于深度学习的目标精细分类方法，可根据使用额外标注信息或人??工推理分为以下４种：??（１）


本文编号：3355910