基于深度学习的车辆识别技术研究与实现

发布时间：2020-12-27 01:51

　　随着工业自动化水平的提高和科技的进步,车辆识别的应用场景越来越复杂,对车辆识别的精度等要求也不断提高。复杂场景下的车辆识别需求与日俱增,且其识别难度大于一般性场景。深度学习的本质是通过构建多个隐层的神经网络来训练样本数据,通过训练来学习样本的特征,代替依赖经验进行的人工特征提取。深度学习最显著的特点是,它可以把一个复杂问题拆分成若干个简单问题,并依次解决这些简单问题,之后综合起来解决复杂问题。因此,深度学习逐渐成为车辆识别领域的重要支撑,且其具有广泛的应用价值。在实际应用中,往往存在目标被遮挡严重、相同目标重叠较多等情况,为了从复杂背景中准确识别出车辆并对其进行精准定位,本文通过对深度学习YOLO(You Only Look Once)网络模型深入分析的基础上,针对原YOLO网络模型算法识别率不能满足复杂应用的问题,通过对公开数据集标注文件进行可视化解析,对其中的漏标注、误标注的车辆位置进行调整,并对样本数据进行数据增强处理,形成PCAR训练数据集,提升车辆识别率;针对深度学习识别算法识别车辆存在虚警较多的问题,提出一种基于残差归一化规则的虚警抑制方法剔除虚警;训练阶段研究了深度学习模... 

【文章来源】：中国舰船研究院北京市

【文章页数】：73 页

【学位级别】：硕士

【文章目录】：
摘要
ABSTRACT
第1章 绪论
    1.1 研究背景及意义
    1.2 国内外研究现状
    1.3 本文主要工作及创新点
    1.4 本文组织与结构
第2章 深度学习在物体识别中的应用分析
    2.1 引言
    2.2 深度卷积网络的架构
    2.3 深度学习正则化
        2.3.1 L2参数正则化和L1参数正则化
        2.3.2 随机失活
    2.4 深度学习网络模型
        2.4.1 FastR-CNN
        2.4.2 FasterR-CNN
        2.4.3 SSD
    2.5 物体识别关键技术的研究
        2.5.1 图像预处理
        2.5.2 数据增强
    2.6 Darknet简介
        2.6.1 Darknet的优点
        2.6.2 Darknet的神经网络配置
    2.7 本章小结
第3章 基于YOLO改进的车辆识别方法研究
    3.1 问题描述
    3.2 基于YOLO的车辆识别方法
        3.2.1 系统流程
        3.2.2 原YOLO网络模型
        3.2.3 深度学习训练方法
        3.2.4 数据预处理方法
        3.2.5 虚警抑制方法
    3.3 本章小结
第4章 复杂场景下车辆识别系统的设计与实现
    4.1 引言
    4.2 系统设计
        4.2.1 需求分析
        4.2.2 系统总体架构
        4.2.3 系统功能设计
    4.3 系统主要功能模块设计与实现
        4.3.1 数据采集与预处理模块设计
        4.3.2 虚警抑制模块设计
        4.3.3 深度学习参数调整模块设计
    4.4 系统流程与分析
        4.4.1 深度学习训练过程
        4.4.2 测试及使用
    4.5 本章小结
第5章 实验结果与分析
    5.1 实验设置
    5.2 COCO数据集实验
    5.3 PCAR数据集实验
    5.4 不同实验平台实验
    5.5 本章小结
第6章 总结与展望
    6.1 论文工作总结
    6.2 研究工作展望
参考文献
攻读硕士学位期间发表学术论文情况
致谢


【参考文献】：
期刊论文
[1]基于前景提取的车辆识别与测量[J]. 王小丽,熊显名,曾星宇,徐韶华.  仪器仪表用户. 2018(03)
[2]基于多传感器信息融合的车辆目标识别方法[J]. 孙宁,秦洪懋,张利,葛如海.  汽车工程. 2017(11)
[3]视频中运动目标分类识别技术[J]. 刘倩兰.  电脑迷. 2017(03)
[4]深度学习的昨天、今天和明天[J]. 余凯,贾磊,陈雨强,徐伟.  计算机研究与发展. 2013(09)
[5]基于主动学习和半监督学习的多类图像分类[J]. 陈荣,曹永锋,孙洪.  自动化学报. 2011(08)
[6]情报处理中野值门限的选择[J]. 吴汉宝,周永丰,杨向广,赵晓岚.  舰船电子工程. 2007(02)
[7]统计模式识别研究进展[J]. 卢力,田金文,柳健.  军民两用技术与产品. 2003(11)



本文编号：2940865