基于深度学习的汽车车型识别关键问题研究

发布时间：2021-10-19 17:11

　　随着深度学习等人工智能技术的迅猛进步,智能交通系统取得突破性进展。汽车车型识别（Vehicle Model Recognition）作为其最基础的一环,在智能交通、智能安防以及智能收费等若干方面发挥重要作用。汽车车型的精确识别不同于汽车品牌、类型等分类问题,属于细粒度分类范畴,如何提升识别精度和提升效率是亟待解决的难题。本文基于深度学习方法,研究了数据集属性对车型识别精度及效率的影响,提出汽车车型识别训练集角度紧致性的概念,并创建了针对中国市场的MTV-1638s数据集。在此基础上基于ResNet-50提出多阶段学习网络MS-CNN车型识别方法,数值实验表明该算法可进行高效车型识别。具体研究内容如下:（1）分析并提出了汽车车型识别训练集的角度紧致性及创建对应车型数据库。首先,针对中国汽车市场车型识别问题,创建了一个更为合理的汽车数据集MTV-1638s,包括了中国市场常见的1638款车型。通过分类分析发现,训练库中单一车型样本数量及角度对识别效果影响较大。为此,本文创建了一个均匀角度采样车型数据集ASMTV120s,在此基础上研究了汽车角度分布对识别率的影响,实验表明:训练集中单车型仅... 

【文章来源】：大连理工大学辽宁省 211工程院校 985工程院校 教育部直属院校

【文章页数】：64 页

【学位级别】：硕士

【文章目录】：
摘要
Abstract
1 绪论
    1.1 研究背景及意义
    1.2 相关工作
        1.2.1 汽车车型识别(VMR)
        1.2.2 汽车车型数据集
    1.3 本文工作
    1.4 本章小结
2 汽车车型识别数据库
    2.1 汽车数据集
        2.1.1 Stanford Cars
        2.1.2 VMMRdb
        2.1.3 Compcars
    2.2 MTV-1638s
    2.3 汽车数据集的属性研究
    2.4 数据集紧致性评估方法
    2.5 本章小结
3 汽车车型识别算法
    3.1 深度卷积神经网络(DCNN)
        3.1.1 DCNN—网络结构
        3.1.2 汽车车型识别常用网络模型
    3.2 汽车细粒度分类方法
    3.3 车型识别方法数值实验与分析
        3.3.1 神经网络优化算法
        3.3.2 数据增强
        3.3.3 实验结果
    3.4 多阶段卷积神经网络(MS-CNN)
        3.4.1 空间金字塔池化
        3.4.2 1 *1 卷积层
        3.4.3 全局平均池化
        3.4.4 损失函数
    3.5 MS-CNN网络模型
        3.5.1 神经网络结构
        3.5.2 神经网络可视化
    3.6 MS-CNN实验结果与分析
    3.7 本章小结
结论
参考文献
致谢



本文编号：3445282