多比例车辆目标的分类识别

发布时间：2021-08-06 05:48

　　应用卷积神经网络（CNN）进行车型分类识别时,系统研究了车辆目标在图像中的比例变化对CNN识别率的影响,发现比例过大或过小都会降低识别率。针对这种影响,研究和分析了卷积核尺寸、堆叠卷积结构和加入批归一化（BN）层对多比例车辆目标的识别效果。建立了6个具有不同目标比例的数据集,分别测试经典CNN模型Lenet—5和构建的4个不同结构的CNN模型。以Lenet—5的实验结果为参照,并对比不同模型的实验结果,研究了不同层次结构对消除目标比例影响的作用。其中表现最优的模型能够把识别率的波动稳定在1. 0%以内,最高识别率为97. 33%。多种目标比例混合后测试模型,发现CNN对于目标比例为50%的样本识别率最高。实验结果为CNN在车辆目标分类识别的研究和应用提供了参考价值。 

【文章来源】：传感器与微系统. 2020,39(07)CSCD

【文章页数】：5 页

【部分图文】：

不同模型测试结果

把6个单一目标比例的数据集中的训练集进行混合，制成多种目标比例混合的数据集。CNN模型选用C模型，训练200次后，使用6个单一目标比例数据集的测试集分别去测试，所得结果如图3所示。图3表明，当训练数据集具有多种目标比例时，模型对于目标比例最小的识别最高，比最低识别率高出3.58%。当样本具有多种目标比例时，使目标处于恰当的比例或尺寸，会一定程度上提高识别率。3 结论

实验样本是以车辆为识别目标，根据车辆类型，把样本分为4类，分别为SUV,Sedan,Bus和Minibus，样本全部为车辆正面的图像。样本尽量控制了背景、颜色、目标位置、样本数量等其他可能影响结果的因素，把目标比例作为唯一变量，建立了较为完备的数据集。由于车辆目标高低各有不同，为不发生形变，本文只控制目标的宽度和计算宽度的占比。部分图像样本如图1所示。如图1，根据目标的远近不同，采集了同一背景下的6个不同目标比例的图像样本，目标宽度分别约为32,29,26,23,20,16(单位为像素pixels)，在32×32的图像中，目标宽度占图像宽度的比例分别约为100%,90.6%,81.3%,71.9%,62.5%,50.0%。把每个目标尺寸的图像都分别制作成数据集，测试集和训练集按照7:3的比例划分，共制作成6个单一目标尺寸的数据集。其中，每个数据集都包含4类车型，每类车型具有200个图像样本，一共800个图像样本。

【参考文献】：
期刊论文
[1]卷积神经网络池化方法研究[J]. 周林勇,谢晓尧,刘志杰,任笔墨.  计算机工程. 2019(04)
[2]应用卷积神经网络与RPN的交通标志识别[J]. 谭台哲,卢剑彪,温捷文,李楚宏,凌伟林.  计算机工程与应用. 2018(21)
[3]基于Fg-CarNet的车辆型号精细分类研究[J]. 余烨,金强,傅云翔,路强.  自动化学报. 2018(10)
[4]基于卷积神经网络的车型识别方法研究[J]. 纪野,李玉惠,王蒙.  传感器与微系统. 2017(11)
[5]卷积神经网络研究综述[J]. 周飞燕,金林鹏,董军.  计算机学报. 2017(06)
[6]深度卷积神经网络的汽车车型识别方法[J]. 张军,张婷,杨正瓴,朱新山,杨伯轩.  传感器与微系统. 2016(11)

博士论文
[1]固定翼无人机地面车辆目标自动检测与跟踪[D]. 李大伟.中国科学院大学(中国科学院国家空间科学中心) 2017



本文编号：3325191