基于卷积神经网络的细粒度车辆识别系统研究
发布时间：2020-04-22 10:35
【摘要】：在当今城市化深刻发展的大背景下,随着经济和工业水平的发展,汽车普及率和保有量飞速增加,随之而来的众多问题成为城市面临的重大挑战。为了缓解城市交通压力、缩短阻塞时长、减小交通事故发生频率、改善空气质量,需要建立一种人、车、路和谐、密切配合的智能交通系统(Intelligent Transportation System,简称ITS)。ITS融合了信息通信、数据分析、计算机视觉等多种前沿学科。本文设计实现了一种基于卷积神经网络的车辆识别系统,该系统融合了运动目标检测、细粒度图像识别、多任务学习和分布式架构等多种技术,实现视频车辆的多属性识别,为交通管理提供道路车辆的基础属性信息。论文主要内容安排如下:前两章对本文选题背景和意义,相关理论和关键技术进行简要阐述。第三章讨论了在细粒度车辆多属性识别要求下,一般单任务学习通过分割子任务分别单独训练的方式,不仅耗费时间成本,而且忽略了子任务之间的内在联系。为解决单任务学习遇到的瓶颈,本文提出一种基于多任务卷积神经网络的细粒度车辆属性识别的方法,该方法提出了一种针对车辆多属性的多任务卷积神经网络,通过增加相似性约束,采用联合优化的方式,实现细粒度车辆属性识别。仿真结果表明多任务卷积神经网络不仅减少了对复杂任务训练时间的投入,还考虑各属性之间的相关联系,一定程度上提高了识别准确率。第四章阐述了基于卷积神经网络的车辆识别系统的具体设计和实现过程。首先从系统需求分析和系统功能需求分析入手,设计了系统的总体架构和各个功能模块,并对系统的工作流程和业务流程进行设计。然后按照各个功能模块分别从实现、接口和算法支持角度详细说明了模块的实现。特别地针对运动车辆检测中出现的 鬼影‖现象造成系统资源浪费的问题,利用直方图匹配的方法很好地抑制了 鬼影‖现象,提高系统的资源利用率。通过系统测试系统完成了对于监控视频中车辆的检测识别,满足交通监控的实时性要求,具有实际应用价值。
【图文】：
图 2.4 LeNet-5 网络结构模型示意图LeNet-5 是一个 7 层的网络结构，主要包括：输入层（Input），卷积层（C），池化层（S），全连接层（F）和输出层（Output）。可以看出，LeNet-5 奠定了 CNN的基本结构，卷积层和池化层交替出现的结构被广泛流传，现如今流行的 CNN 模型大多也都是在此基础上发展而来的，可以说 LeNet-5 是卷积神经网络的开端。（2） AlexNetAlexNet 网络模型是在 LeNet-5 的基础上发展而来的，可以说是 LeNet-5 的一种更宽更深的版本。AlexNet 首次在 CNN 应用 ReLU、Dropout 和 LRN，并利用数据增强技术扩大数据集规模，有效避免了过拟合现象的产生。另一方面，AlexNet 首次利用 GPU 强大的计算能力处理神经网络训练时产生的大量矩阵运算，将 AlexNet分布在两个 GPU 上并行运行，同时控制了两通道中的通信损耗。其网络结构如下：
图 2.4 LeNet-5 网络结构模型示意图LeNet-5 是一个 7 层的网络结构，主要包括：输入层（Input），卷积层（C化层（S），全连接层（F）和输出层（Output）。可以看出，LeNet-5 奠定了 C基本结构，卷积层和池化层交替出现的结构被广泛流传，现如今流行的 CNN大多也都是在此基础上发展而来的，可以说 LeNet-5 是卷积神经网络的开端。（2） AlexNetAlexNet 网络模型是在 LeNet-5 的基础上发展而来的，可以说是 LeNet-5 的一宽更深的版本。AlexNet 首次在 CNN 应用 ReLU、Dropout 和 LRN，并利用数强技术扩大数据集规模，有效避免了过拟合现象的产生。另一方面，AlexNet利用 GPU 强大的计算能力处理神经网络训练时产生的大量矩阵运算，，将 Alex布在两个 GPU 上并行运行，同时控制了两通道中的通信损耗。其网络结构如
【学位授予单位】：重庆邮电大学
【学位级别】：硕士
【学位授予年份】：2018
【分类号】：U495;TP391.41;TP183
本文编号：2636428
【图文】：
图 2.4 LeNet-5 网络结构模型示意图LeNet-5 是一个 7 层的网络结构，主要包括：输入层（Input），卷积层（C），池化层（S），全连接层（F）和输出层（Output）。可以看出，LeNet-5 奠定了 CNN的基本结构，卷积层和池化层交替出现的结构被广泛流传，现如今流行的 CNN 模型大多也都是在此基础上发展而来的，可以说 LeNet-5 是卷积神经网络的开端。（2） AlexNetAlexNet 网络模型是在 LeNet-5 的基础上发展而来的，可以说是 LeNet-5 的一种更宽更深的版本。AlexNet 首次在 CNN 应用 ReLU、Dropout 和 LRN，并利用数据增强技术扩大数据集规模，有效避免了过拟合现象的产生。另一方面，AlexNet 首次利用 GPU 强大的计算能力处理神经网络训练时产生的大量矩阵运算，将 AlexNet分布在两个 GPU 上并行运行，同时控制了两通道中的通信损耗。其网络结构如下：
图 2.4 LeNet-5 网络结构模型示意图LeNet-5 是一个 7 层的网络结构，主要包括：输入层（Input），卷积层（C化层（S），全连接层（F）和输出层（Output）。可以看出，LeNet-5 奠定了 C基本结构，卷积层和池化层交替出现的结构被广泛流传，现如今流行的 CNN大多也都是在此基础上发展而来的，可以说 LeNet-5 是卷积神经网络的开端。（2） AlexNetAlexNet 网络模型是在 LeNet-5 的基础上发展而来的，可以说是 LeNet-5 的一宽更深的版本。AlexNet 首次在 CNN 应用 ReLU、Dropout 和 LRN，并利用数强技术扩大数据集规模，有效避免了过拟合现象的产生。另一方面，AlexNet利用 GPU 强大的计算能力处理神经网络训练时产生的大量矩阵运算，，将 Alex布在两个 GPU 上并行运行，同时控制了两通道中的通信损耗。其网络结构如
【学位授予单位】：重庆邮电大学
【学位级别】：硕士
【学位授予年份】：2018
【分类号】：U495;TP391.41;TP183
【参考文献】
相关博士学位论文 前1条
1 胡耀民;基于视频的车型识别关键技术研究[D];华南理工大学;2014年
相关硕士学位论文 前3条
1 路新宇;基于多传感器融合的车型识别系统研究[D];华南理工大学;2015年
2 杨儒良;基于MVC架构原理的电子文档权限管控系统的设计与实现[D];北京邮电大学;2015年
3 袁爱龙;基于视频的汽车车型识别研究[D];电子科技大学;2013年
本文编号：2636428
本文链接：https://www.wllwen.com/kejilunwen/jiaotonggongchenglunwen/2636428.html
