基于深度学习的车辆定位及车型识别研究

发布时间：2017-03-29 19:15

  本文关键词：基于深度学习的车辆定位及车型识别研究，由笔耕文化传播整理发布。

【摘要】：随着科学技术的快速发展,中国正处在现代化发展进程的关键阶段,当下对绝大多数中国人来说,汽车也正逐渐超越“交通工具”的范畴,更是人们居家生活中不可或缺的一部分。日益严重的交通拥挤、堵塞现象以及频发的交通事故等已经成为束缚各地区社会进步和经济发展的顽症。对此,智能交通的理念应运而生。其中,车辆的定位及车型识别是智能交通的重要组成部分。自2006年以来,深度学习越来越多地被应用于图像识别以及语音识别等方面,在人脸识别上的效果已经接近甚至超过人类。深度学习不需要人工设计特征,能够很好的拟合输入,使其在车辆的定位及分类识别领域具有广阔的应用前景。本文以国家自然科学基金“面向车联网的道路交通事故链动态演变规律及其阻断方法研究”和交通运输部信息化技术研究项目“道路交通事故链阻断方法及主动安全集成控制系统关键技术研究”为依托,对车辆定位及车型识别展开研究。主要工作如下:1、采用任意缩放检测窗口长宽比例及修改网络损失函数的方法,提出了改进卷积神经网络的深度学习模型,将车辆定位问题拟合为车辆位置的非线性函数回归问题,实现对自然场景图像中任意位置、任意大小的车辆精确定位,实验结果表明当预测位置与标注位置重叠率不小于0.9时,在测试集合上的定位准确率为93.3%。2、融合车辆位置与分类信息,提出了基于多任务深度学习的车辆定位方法。改进并测试了当前三种著名的网络结构,结合平滑L1范数和softmax函数,选出分类正确率最高的MT-GooGleNet,开展实际路口采集图片的车辆定位测试,结果表明在测试集合定位准确率为96.4%。3、针对现有车型识别方法中无法对制造商、类型、年代等综合信息的精细识别,提出了一种基于级联多任务深度学习车型识别方法,去除了复杂背景的影响,并采用图像数据增强以及网络预训练策略,将标准数据库上196个类别的车型识别正确率提高到86.67%,比传统方法提高了约6%。4、采用ImageNet标注方式,自建了一个可供车辆定位研究的标准数据库,该数据库包含四万张有标注信息及分类信息的自然场景下的车辆图片。
【关键词】：车辆定位 车辆检测 深度学习 卷积神经网络 车型分类
【学位授予单位】：江苏大学
【学位级别】：硕士
【学位授予年份】：2016
【分类号】：U495;TP391.41
【目录】：

• 摘要5-7
• ABSTRACT7-11
• 第一章 绪论11-20
• 1.1 研究背景和意义11-13
• 1.2 国内外研究现状13-19
• 1.2.1 车辆定位算法研究现状13-17
• 1.2.2 车型识别国内外研究现状17-19
• 1.3 论文的组织结构19-20
• 第二章 基于改进的深度学习的车辆定位研究20-42
• 2.1 深度学习概述20-31
• 2.1.1 人工神经网络20-21
• 2.1.2 深度学习的基本理论21-31
• 2.2 基于改进的深度学习方法车辆定位31-37
• 2.2.1 基于改进的深度学习方法(MCNN)31-34
• 2.2.2 基于MCNN的车辆定位方法34-37
• 2.3 实验37-41
• 2.3.1 实验说明37-38
• 2.3.2 实验结果及分析38-41
• 2.4 本章小结41-42
• 第三章 多任务深度学习的车辆定位及二分类研究42-56
• 3.1 多任务深度学习的网络模型（MT-CNN）42-45
• 3.1.1 基于Caffe Net的多任务深度学习网络模型(MT-Caffe Net)43-44
• 3.1.2 基于VGGNet的多任务深度学习网络模型(MT-VGGNet)44-45
• 3.1.3 基于Goo Gle Net的多任务深度学习网络模型(MT-Google Net)45
• 3.2 基于MT-CNN的车辆定位及二分类研究45-52
• 3.2.1 基于MT-Caffe Net车辆定位及二分类研究45-49
• 3.2.2 基于MT-VGGNet车辆定位及二分类研究49-50
• 3.2.3 基于MT-Goo Gle Net车辆定位及二分类研究50-52
• 3.3 实验结果及分析52-55
• 3.3.1 实验说明52
• 3.3.2 车辆定位结果及分析52-53
• 3.3.3 车辆二分类结果及分析53-55
• 3.4 本章小结55-56
• 第四章 基于级联MT-CNN的深度学习车型识别研究56-71
• 4.1 车型识别存在的问题56-58
• 4.2 级联MT-CNN深度学习58-60
• 4.2.1 级联MT-CNN模型58-60
• 4.2.2 级联MT-Goo Gle Net模型60
• 4.3 基于级联MT-GOOGLENET的车型识别研究60-61
• 4.4 实验结果及分析61-70
• 4.5 本章小结70-71
• 第五章 总结及展望71-72
• 5.1 工作总结71
• 5.2 工作展望71-72
• 参考文献72-77
• 致谢77-78
• 读硕士学位期间主要的研究成果78-80
• 附录A：标注工具简介80-83
• 附录B：核心代码83-89
• 附录C：自建数据库89

【相似文献】

中国期刊全文数据库 前10条

1 张宁;施毅;何铁军;;基于虚拟线圈的车型识别研究[J];交通与计算机;2008年01期

2 华莉琴;许维;王拓;马瑞芳;胥博;;采用改进的尺度不变特征转换及多视角模型对车型识别[J];西安交通大学学报;2013年04期

3 刘玉铭,白明;一种基于模糊模式识别方法的车型识别仪[J];公路交通科技;2000年01期

4 王阳萍,何欣;智能图像处理技术在车型识别中的应用研究[J];兰州交通大学学报;2004年04期

5 季晨光;张晓宇;白相宇;;基于视频图像中的车型识别[J];辽宁工业大学学报(自然科学版);2010年01期

6 张友兵,陈家祺,史旅华,田瑞庭;基于神经网络的汽车车型识别[J];湖北汽车工业学院学报;1998年03期

7 陈家祺,张友兵,史旅华,田瑞庭,傅正朝,舒章钧;运动图像处理在车型识别中的应用[J];汽车工程;1998年06期

8 欧卫华;唐东黎;闻斌;;基于遗传算法优化的模糊神经网络车型识别[J];湖南工业大学学报;2010年02期

9 王明哲;吴皓;周丰;;基于地磁的车型识别模糊数据融合方法研究[J];公路交通科技;2008年01期

10 刘玉铭,白明,吴慧;模糊模式识别理论在车型识别中的应用[J];道路交通与安全;2001年01期

中国重要会议论文全文数据库 前7条

1 韩冬梅;吕芳;;智能交通系统中车型识别的软件设计与实现[A];全国第4届信号和智能信息处理与应用学术会议论文集[C];2010年

2 王超;刘翠响;;视频图像中车辆的车型识别算法研究与实现[A];第二十七届中国（天津）2013IT、网络、信息技术、电子、仪器仪表创新学术会议论文集[C];2013年

3 邓天民;邵毅明;崔建江;;一种车型识别算法及其应用[A];计算机技术与应用进展——全国第17届计算机科学与技术应用（CACIS）学术会议论文集（上册）[C];2006年

4 张全元;戴光明;陈良;;一种新的基于实时视频流的车型识别算法[A];图像图形技术与应用进展——第三届图像图形技术与应用学术会议论文集[C];2008年

5 张大奇;曲仕茹;刘真峥;;基于环投影小波分形特征的车型自动识别方案[A];计算机技术与应用进展·2007——全国第18届计算机技术与应用（CACIS）学术会议论文集[C];2007年

6 赵天青;梁旭斌;许学忠;蔡宗义;张敏;;车型识别中听觉特征提取算法的研究[A];第三届上海——西安声学学会学术会议论文集[C];2013年

7 刘直芳;游健;王运琼;游志胜;;运动汽车投影阴影分割算法[A];第十三届全国图象图形学学术会议论文集[C];2006年

中国博士学位论文全文数据库 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

中国硕士学位论文全文数据库 前10条

1 邓柳;基于深度卷积神经网络的车型识别[D];西南交通大学;2015年

2 张明贵;道路车辆的车型识别方法研究[D];贵州民族大学;2015年

3 涂文华;基于数据融合的交通物联网感知节点研究与应用[D];南昌大学;2015年

4 刘超;多姿态车型识别算法设计及应用研究[D];电子科技大学;2014年

5 王欣;基于小波分析的车型自动识别系统的设计与实现[D];电子科技大学;2014年

6 凌永国;基于卡口图像车型识别的研究[D];广西师范大学;2015年

7 张海彬;基于卡口图像的车型识别方法研究[D];合肥工业大学;2015年

8 万青英;面向众核平台的车辆识别技术研究[D];河北科技大学;2015年

9 胡焯源;车辆信息识别系统设计与实现[D];辽宁工业大学;2016年

10 贾晓;套牌车辆的车型识别与检索技术研究[D];大连海事大学;2016年

  本文关键词：基于深度学习的车辆定位及车型识别研究，由笔耕文化传播整理发布。

，

本文编号：275213