基于改进Faster R-CNN的车辆类型识别方法研究
发布时间：2022-02-13 11:13
伴随着我国经济水平快速提升、车辆行业不断发展、居民生活水平不断提高,汽车保有量也在不断的增加,这给我国的交通管理系统带来了不小的挑战。为了进一步提高交通管理的效率,智能交通管理系统（ITS）的建立必不可少,而根据日常交通管理的需要对不同类型的车辆进行识别是智能交通管理系统中重要的一环。但是目前车辆识别方法中的车型识别、车类识别等技术,并不能满足日常交通管理需求。论文对不同类型的车辆识别进行了研究,主要将车辆按交通管理需求分为九个类别,分别为警用车辆、救护车、消防车辆、小型汽车、客车、卡车、工程车辆、两轮车和其他车辆,并进行识别任务。论文根据不同类型车辆图像的特点,从Faster R-CNN的结构入手,改进识别方法,提高识别的准确率。论文主要工作如下:1)研究不同的CNN结构原理,对比相互间的优劣之处,对现阶段目标检测领域内的主流方法YOLO、Fast R-CNN、SPP-Net、SSD、Faster R-CNN等进行了研究对比,更加明确的了解到Faster R-CNN的优势。2)结合不同类型车辆识别的任务,论文在原有Faster R-CNN的网络结构基础上,对部分结构进行了改进,来更好...
【文章来源】：安徽大学安徽省211工程院校
【文章页数】：69 页
【学位级别】：硕士
【部分图文】：
卷积示意图
安徽大学硕士学位论文9图2.1卷积示意图卷积层中，在完成卷积操作之后，神经元不需要和图像的每个像素点进行相连，这使得网络权重参数大大减少，更加容易进行训练。同样，在卷积操作时，卷积核的权值大小不会发生任何改变，这有助于提高模型的泛化能力，也能够在一定程度上减少模型训练所需要的参数。这就是卷积层的权值共享与局部连接的特性。如图2.2，是相同的图像经过不同大小的卷积核W1和W2之后生成的特征图。图2.2原始图像经过卷积后的特征图因为卷积运算是线性运算，如果不使用激活函数，不论使用多少层的神经网络，输出均为输入的线性组合，而激活层中激活函数给神经网络提供了非线性的表达能力，这样神经网络就可以实现非线性模型。现在常见的激活函数主要有Sigmoid函数，Tanh函数，ReLU函数等。图2.3展示了三种常用的激活函数形式。
第二章目标检测相关技术简介10（1）ReLU函数（2）Tanh函数（3）Sigmoid函数图2.3三种常见的激活函数池化层也可以称为下采样层，是通过降低参数的方式来减少网络的计算量，防止过拟合现象的发生。同时池化层还能够保证网络平移、旋转和尺度等变换的不变性。池化操作分为最大池化（max-pooling）和平均池化（mean-pooling）两种。如图2.4为设置池化stride为2的最大池化操作。图2.4数据进行最大池化操作全连接层一般放在卷积神经网络的最后。全连接层通过将每个神经元都和前一层的所有神经元进行全连接，将具有区分性的局部特征信息进行整合，将高维特征信息转化为低维，建立特征信息之间的非线性关系，并且输出。全连接层因为全部相连的特性，所以参数量巨大，占到了整个网络的80%以上，因而有的轻量型网络选择使用全局平均池化来代替，对特征图的通道所有值取均值，这样能够有效地减少网络参数量，提高运算效率。2.1.2空洞卷积在神经网络中，图像输入卷积层进行特征提取，之后在池化层中进行下采样来降低特征图的尺寸，这样可以减少参数量，同时增加感受野。在图像语义分割领域中，需要生成的特征图尺寸与原图相同，所以后续还需要进行上采样（反卷积）操作，将特征图放大。这个过程就会导致大量的特征信息丢失，使得网络对于图像细节特征的处理较差。是否可以在不进行下采样的情况下也能够获得较大的感受野就成了问题的关键。YuF等据此提出的空洞卷积（AtrousConvolutions）[35]就很好地解决了这个问题。空洞卷积可以去除池化操作，使用带有0权重的卷积核进行卷积操作，从而能够
【参考文献】：
期刊论文
[1]一种基于Bilinear-HashNet网络的车型识别方法[J]. 费东炜,孙涵. 小型微型计算机系统. 2019(08)
[2]智能交通管理系统现状与发展趋势分析[J]. 魏春璐. 警学研究. 2018(06)
[3]多特征融合的车辆识别技术[J]. 程全,樊宇,刘玉春,王志良. 红外与激光工程. 2018(07)
[4]基于深度卷积神经网络的车型识别研究[J]. 邓柳,汪子杰. 计算机应用研究. 2016(03)
[5]智能交通系统综述[J]. 赵娜,袁家斌,徐晗. 计算机科学. 2014(11)
[6]基于双线圈的车辆识别检测系统[J]. 于连胜,李利. 科技信息. 2013(17)
[7]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)
本文编号：3623086
【文章来源】：安徽大学安徽省211工程院校
【文章页数】：69 页
【学位级别】：硕士
【部分图文】：
卷积示意图
安徽大学硕士学位论文9图2.1卷积示意图卷积层中，在完成卷积操作之后，神经元不需要和图像的每个像素点进行相连，这使得网络权重参数大大减少，更加容易进行训练。同样，在卷积操作时，卷积核的权值大小不会发生任何改变，这有助于提高模型的泛化能力，也能够在一定程度上减少模型训练所需要的参数。这就是卷积层的权值共享与局部连接的特性。如图2.2，是相同的图像经过不同大小的卷积核W1和W2之后生成的特征图。图2.2原始图像经过卷积后的特征图因为卷积运算是线性运算，如果不使用激活函数，不论使用多少层的神经网络，输出均为输入的线性组合，而激活层中激活函数给神经网络提供了非线性的表达能力，这样神经网络就可以实现非线性模型。现在常见的激活函数主要有Sigmoid函数，Tanh函数，ReLU函数等。图2.3展示了三种常用的激活函数形式。
第二章目标检测相关技术简介10（1）ReLU函数（2）Tanh函数（3）Sigmoid函数图2.3三种常见的激活函数池化层也可以称为下采样层，是通过降低参数的方式来减少网络的计算量，防止过拟合现象的发生。同时池化层还能够保证网络平移、旋转和尺度等变换的不变性。池化操作分为最大池化（max-pooling）和平均池化（mean-pooling）两种。如图2.4为设置池化stride为2的最大池化操作。图2.4数据进行最大池化操作全连接层一般放在卷积神经网络的最后。全连接层通过将每个神经元都和前一层的所有神经元进行全连接，将具有区分性的局部特征信息进行整合，将高维特征信息转化为低维，建立特征信息之间的非线性关系，并且输出。全连接层因为全部相连的特性，所以参数量巨大，占到了整个网络的80%以上，因而有的轻量型网络选择使用全局平均池化来代替，对特征图的通道所有值取均值，这样能够有效地减少网络参数量，提高运算效率。2.1.2空洞卷积在神经网络中，图像输入卷积层进行特征提取，之后在池化层中进行下采样来降低特征图的尺寸，这样可以减少参数量，同时增加感受野。在图像语义分割领域中，需要生成的特征图尺寸与原图相同，所以后续还需要进行上采样（反卷积）操作，将特征图放大。这个过程就会导致大量的特征信息丢失，使得网络对于图像细节特征的处理较差。是否可以在不进行下采样的情况下也能够获得较大的感受野就成了问题的关键。YuF等据此提出的空洞卷积（AtrousConvolutions）[35]就很好地解决了这个问题。空洞卷积可以去除池化操作，使用带有0权重的卷积核进行卷积操作，从而能够
【参考文献】：
期刊论文
[1]一种基于Bilinear-HashNet网络的车型识别方法[J]. 费东炜,孙涵. 小型微型计算机系统. 2019(08)
[2]智能交通管理系统现状与发展趋势分析[J]. 魏春璐. 警学研究. 2018(06)
[3]多特征融合的车辆识别技术[J]. 程全,樊宇,刘玉春,王志良. 红外与激光工程. 2018(07)
[4]基于深度卷积神经网络的车型识别研究[J]. 邓柳,汪子杰. 计算机应用研究. 2016(03)
[5]智能交通系统综述[J]. 赵娜,袁家斌,徐晗. 计算机科学. 2014(11)
[6]基于双线圈的车辆识别检测系统[J]. 于连胜,李利. 科技信息. 2013(17)
[7]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)
本文编号：3623086
本文链接：https://www.wllwen.com/kejilunwen/daoluqiaoliang/3623086.html
