基于深度学习的车型识别与车辆检索研究

发布时间：2021-11-24 20:21

　　随着我国经济社会的高速发展,各地的汽车保有量也随之快速增长。面对道路上各种车辆,设计出一种有效算法,使其能够准确识别出车辆的品牌型号、能够从车辆数据库中检索出相同型号的车辆图像,对智慧交通的发展具有重要意义。以往对车辆的识别大多是粗粒度的通用车型识别,对细粒度的车辆检索也研究较少,为此本文采用深度学习技术,并结合目标检测算法给出了相应的车型识别和车辆检索方法。本文的主要工作包括以下三个方面:1、综述了现有深度学习模型的基本原理,总结了基于深度学习的目标检测方法,研究分析了基于区域和基于回归的目标检测算法,并对深度学习在车型识别与车辆检索的发展趋势进行了探讨。2、给出了改进Faster R-CNN的细粒度车型识别算法。该算法对基于深度学习的目标检测算法Faster R-CNN进行了改进,以提升车型识别准确率和识别效率,主要改进包括采用ResNeXt与FPN相结合的方式提取包含丰富语义信息的多尺度特征;改进RPN产生锚框的比例尺度,提升车型识别效率;通过SoftNM和RoIAlign去减少漏检率;加入在线困难样本挖掘机制,解决正负样本不均衡问题;利用Dropout降低网络的泛化误差,避免过... 

【文章来源】：河南工业大学河南省

【文章页数】：61 页

【学位级别】：硕士

【文章目录】：
摘要
abstract
1 绪论
    1.1 课题的研究背景和意义
    1.2 国内外研究现状
        1.2.1 车型识别研究现状
        1.2.2 车辆检索研究现状
    1.3 研究内容与创新点
        1.3.1 研究内容
        1.3.2 创新点
    1.4 论文结构框架
2 深度学习与目标检测算法
    2.1 深度学习
        2.1.1 VGG-Net
        2.1.2 Res Net
        2.1.3 Res Ne Xt
    2.2 目标检测算法
        2.2.1 R-CNN
        2.2.2 SPP-Net
        2.2.3 Fast R-CNN
        2.2.4 Faster R-CNN
        2.2.5 YOLO
        2.2.6 SSD
    2.3 本章小结
3 基于改进Faster R-CNN的细粒度车型识别
    3.1 引言
    3.2 基于改进Faster R-CNN的细粒度车型识别算法
        3.2.1 区域建议网络及其改进
        3.2.2 聚合残差-特征金字塔网络
        3.2.3 Ro IAlign代替Ro I Pooling
        3.2.4 加入在线困难样本挖掘机制
        3.2.5 加入Soft NMS算法
        3.2.6 网络优化
    3.3 实验结果与分析
        3.3.1 实验数据库
        3.3.2 实验环境
        3.3.3 实验设计与结果
        3.3.4 验证算法改进点的有效性
        3.3.5 验证算法应用的有效性
    3.4 本章小结
4 基于深度学习的两阶段细粒度车辆图像检索
    4.1 引言
    4.2 基于深度学习的两阶段细粒度车辆图像检索算法
        4.2.1 有效特征选择
        4.2.2 特征聚合池化方法
        4.2.3 全局描述子降维与白化
        4.2.4 相似性度量和查询扩展
        4.2.5 重排序
    4.3 实验结果与分析
        4.3.2 验证两阶段车辆检索效果
        4.3.3 验证车辆检索算法实际应用的有效性
    4.4 本章小结
5 总结与展望
    5.1 总结
    5.2 展望
参考文献
致谢
作者简历及攻读硕士学位期间发表的学术成果


【参考文献】：
期刊论文
[1]基于语义DCNN特征融合的细粒度车型识别模型[J]. 杨娟,曹浩宇,汪荣贵,薛丽霞.  计算机辅助设计与图形学学报. 2019(01)
[2]基于深度卷积特征的细粒度图像分类研究综述[J]. 罗建豪,吴建鑫.  自动化学报. 2017(08)
[3]面向智能交互的图像识别技术综述与展望[J]. 蒋树强,闵巍庆,王树徽.  计算机研究与发展. 2016(01)



本文编号：3516691