车辆目标识别算法的研究

发布时间：2023-02-26 07:48

　　随着社会经济的不断发展,现如今许多家庭都拥有自己的车辆作为出行时的代步工具,许多人也都会为了生活中不同目的购入各种类型的车辆。这使得车辆的数目在几年间成倍的增加,也使得交通拥挤、交通事故和机动车犯罪率不断增多,各类停车场的管理难度也变得越来越大。为了解决这些棘手的问题,利用基于特征的车辆目标类型检测方法在原始图像中检测出不同类型的车辆的方法来高效解决大规模图像的车辆识别和车辆类型检测的问题。当前在基于特征的目标识别算法中识别速度快且识别效果较好的一种方法就是卷积神经网络(CNN),而其中一种先在图中生成目标物体最可能出现的候选区域后再使用卷积网络提取特征最后训练分类器对候选区域分类的方法(区域卷积神经网络R-CNN)在目标分类识别场景中被广泛使用。本文以R-CNN系列算法中识别速率和识别准确度较好的算法Faster R-CNN为基础,在分析了卷积神经网络不同卷积层输出特征的特点后,首先提出一种将不同卷积层输出特征相结合的方法对网络结构进行改进,接着通过合理利用原始全图的上下文特征以及对目标边界框的优化策略进一步的对Faster R-CNN算法的识别精确度改进提升。最后,先通过对由三种类...

【文章页数】：67 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 论文的章节安排
第2章 基础特征与卷积神经网络的研究
    2.1 图像分类算法的常用特征
        2.1.1 HOG算子
        2.1.2 SIFT算子
        2.1.3 Haar-Like算子
        2.1.4 LBP算子
    2.2 卷积神经网络
    2.3 本章小结
第3章 基于卷积神经网络的车辆目标识别算法
    3.1 算法概述
    3.2 基于区域卷积神经网络的车辆识别算法
        3.2.1 Fast R-CNN
        3.2.2 Faster R-CNN
    3.3 算法的优化与改进
        3.3.1 改进后整体结构
        3.3.2 改进的多层特征合并策略
        3.3.3 改进的上下文结构
        3.3.4 引入的边界框优化策略
    3.4 本章小结
第4章 实验设计与结果分析
    4.1 实验概述
        4.1.1 运行环境
        4.1.2 评价指标
        4.1.3 数据集介绍
    4.2 改进方法的实验对比
        4.2.1 多层特征对候选框生成质量的影响
        4.2.2 多层特征对目标识别结果的影响
        4.2.3 上下文特征和边界框优化对物体检测结果的影响
        4.2.4 与一些文献的对比
    4.3 改进方法的时间性能分析
    4.4 本章小结
第5章 总结与展望
    5.1 本文工作总结
    5.2 下一步的展望
参考文献
致谢
攻读硕士学位期间从事的科研工作及取得的成果



本文编号：3750130