复杂环境下的卷积神经网络车辆颜色识别研究

发布时间：2021-10-29 20:18

　　车辆颜色作为车辆的一个比较关键的特征,可以在识别车辆车牌和车型、车标的同时作为辅助信息,能大大地提高车辆身份识别的可靠性,也能在车辆卡口安检系统、非法改装车识别方面发挥比较重要的作用,对于公安部分打击违法犯罪活动提供一定的帮助。而针对复杂环境,如光照影响、粉尘或雨雾天气等环境下的车辆颜色识别方法,更是一项关键技术。现存的车辆颜色识别研究中,主要有几点问题,一方面是车身主要颜色区域分割方面不够精细,诸如图像背景、车身非主要颜色区域等因素而影响定位和分割的精确度,从而影响识别率;而另一方面,不同车辆生产厂家采用不同的喷涂和调色而导致配色越来越复杂、车身常年累月的灰尘堆积或涂层氧化导致的色彩蜕变以及不同光照下的颜色变化等等情况导致的多种颜色类别的区分度难度增大,从而分类识别算法不能很好地发挥作用。因此,本文针对复杂环境下的卷积神经网络车辆颜色识别研究,主要的内容有如下两个方面:（1）车辆颜色感兴趣区域分割,提出了基于区域显著性的抗干扰车辆区域分割算法,在对经过检测网络检测定位后的车辆图像使用多通道局部敏感直方图变换与多通道显著性检测进行区域分割,排除干扰区域,从而获取车辆主体颜色区域,即车辆... 

【文章来源】：广东工业大学广东省

【文章页数】：78 页

【学位级别】：硕士

【文章目录】：
摘要
ABSTRACT
第一章 绪论
    1.1 研究背景及意义
    1.2 课题来源
    1.3 国内外研究现状
        1.3.1 车辆目标检测研究现状
        1.3.2 颜色分割研究现状
        1.3.3 车辆颜色分类研究现状
    1.4 研究内容
    1.5 论文组织结构
第二章 课题背景介绍和相关技术
    2.1 项目背景与技术指标
        2.1.1 项目背景
        2.1.2 项目技术指标
    2.2 车辆颜色识别应用需求
        2.2.1 车辆颜色种类分类
        2.2.2 车辆颜色区域的精确分割
    2.3 颜色空间
        2.3.1 RGB颜色空间
        2.3.2 LAB颜色空间
        2.3.3 HSV颜色空间
    2.4 卷积神经网络
        2.4.1 简介和结构
        2.4.2 内部层级结构
    2.5 本章小结
第三章 基于区域显著性的抗干扰车辆区域分割
    3.1 问题描述
    3.2 多通道局部敏感直方图变换
        3.2.1 局部敏感直方图变换
        3.2.2 算法提出
        3.2.3 算法描述
    3.3 区域显著性检测
        3.3.1 显著性检测模型
        3.3.2 显著性检测理论
    3.4 基于Mul-SDLS的分割算法
        3.4.1 算法提出
        3.4.2 多通道显著性图融合
        3.4.3 非显著性目标分割
    3.5 实验
        3.5.1 实验环境与数据
        3.5.2 实验步骤
        3.5.3 实验结果分析
    3.6 本章小结
第四章 基于多颜色空间的卷积神经网络模型
    4.1 问题描述
    4.2 主流的特征提取模型
        4.2.1 AlexNet
        4.2.2 VGGNet
        4.2.3 GoogLeNet
        4.2.4 ResNet
    4.3 算法提出
        4.3.1 模型架构描述
        4.3.2 算法描述
    4.4 模型描述
        4.4.1 VGGNet模型
        4.4.2 模型输出选择判断器
        4.4.3 样本选择策略
    4.5 本章小结
第五章 实验结果与分析
    5.1 实验准备
        5.1.1 实验环境
        5.1.2 数据集来源
        5.1.3 实验流程
    5.2 实验实施
        5.2.1 数据集的重构和扩充
        5.2.2 算法参数设置与实验设置
    5.3 算法的结果以及分析
        5.3.1 多颜色空间算法结果
        5.3.2 不同数据集结果对比
        5.3.3 总体算法结果对比
    5.4 应用开发与部署
    5.5 本章小结
总结与展望
参考文献
攻读学位期间发表的论文
攻读学位期间参加的科研项目
致谢


【参考文献】：
期刊论文
[1]基于FCM聚类的自适应彩色图像分割算法[J]. 胡学刚,段瑶.  计算机工程与设计. 2018(07)
[2]航拍图像车辆检测中的圆形滤波器HOG特征快速计算[J]. 苏昂,张跃强,杨夏,于起峰.  国防科技大学学报. 2017(01)
[3]基于类Haar特征和AdaBoost的车辆识别技术[J]. 张雪芹,方婷,李志前,董明杰.  华东理工大学学报(自然科学版). 2016(02)
[4]基于阴影和类Haar特征的动态车辆检测[J]. 宋晓琳,邬紫阳,张伟伟.  电子测量与仪器学报. 2015(09)
[5]基于多通道融合HOG特征的全天候运动车辆检测方法[J]. 刘操,郑宏,黎曦,余典.  武汉大学学报(信息科学版). 2015(08)
[6]一种基于HOG-LBP的高效车辆检测方法[J]. 杨先凤,杨燕.  计算机工程. 2014(09)
[7]基于改进的Adaboost算法和帧差法的车辆检测方法[J]. 刘洋,王海晖,向云露,卢培磊.  华中科技大学学报(自然科学版). 2013(S1)
[8]一种基于帧间差分和光流技术结合的运动车辆检测和跟踪新算法[J]. 王振亚,曾黄麟.  计算机应用与软件. 2012(05)
[9]结合SVM和Gabor参数优化的车辆检测[J]. 安吉尧,欧志芳.  计算机工程与应用. 2011(36)
[10]一种基于类Haar特征和改进AdaBoost分类器的车辆识别算法[J]. 文学志,方巍,郑钰辉.  电子学报. 2011(05)

博士论文
[1]自然场景下车辆颜色识别研究[D]. 陈攀.华中科技大学 2016

硕士论文
[1]基于机器学习的车辆颜色识别方案的研究[D]. 薛旭琴.北京邮电大学 2018
[2]车辆多特征识别方法研究与实现[D]. 王博.电子科技大学 2017
[3]基于深度学习的车辆颜色识别技术研究[D]. 王高亚.北京邮电大学 2017
[4]基于深度学习的车辆检测方法研究[D]. 张文桂.华南理工大学 2016
[5]车辆信息识别系统设计与实现[D]. 胡焯源.辽宁工业大学 2016
[6]基于光流的动态场景中运动车辆检测与跟踪算法研究[D]. 高磊.中国科学技术大学 2014
[7]视频中车辆跟踪抗遮挡算法的研究[D]. 王小峰.山东师范大学 2013
[8]基于支持向量机的车身颜色识别方法研究[D]. 杨峰.电子科技大学 2013



本文编号：3465328