基于深度学习的车辆检测和属性识别方法研究
发布时间：2021-08-22 06:02
复杂的交通环境以及假牌车、套牌车的频繁出现限制了车牌对车辆的标识作用。车辆属性是车辆信息的组成部分,也是判别车辆的重要标准。在车辆诸多属性中,车辆品牌和车辆类型特征细微,类间差异较小,难以区分;作为车辆属性识别的前序工作,车辆检测需要提供车辆图片用于属性识别,不完整的车辆图片容易导致车辆属性识别精度降低;相比传统车辆检测和车辆属性识别方法,基于深度学习的方法在检测和识别精度上有很大提升,但仍存在车辆框选不完整、细粒度特征提取效果差等问题。针对上述问题,本文分别对车辆检测和车辆属性识别方法展开研究:（1）提出了基于自适应先验框的车辆检测方法。通过两层全连接网络对先验值进行回归计算,生成先验框超参数,得到自适应先验框。YOLOv3对自适应先验框坐标值再进行回归计算得到候选框坐标值。本文设计的模型通过两次回归计算提升候选框坐标的预测精度,并截取完整的车辆图片提供给车辆属性识别模型。（2）提出基于注意力机制的车辆属性识别方法。双线性卷积神经网络可以提升特征表现力。根据注意力机制设计注意力建议网络,对特征图进行回归计算得到注意力区域的坐标信息,将截取的注意力区域图片送入新的双线性卷积神经网路模型...
【文章来源】：中国石油大学(北京)北京市 211工程院校 教育部直属院校
【文章页数】：54 页
【学位级别】：硕士
【部分图文】：
图１．１论文主要研究内容及技术路线??Ｆｉｇ．?１．１?Ｔｈｅ?ｍａｉｎ?ｃｏｎｔｅｎｔ?ａｎｄ?ｔｅｃｈｎｏｌｏｇｙ?ｒｏａｄｍａｐ?ｏｆ?ｔｈｉｓ?ｔｈｅｓｉｓ??
?第２章相关背景知识???第２章相关背景知识??２．１深度学习与卷积神经网络??２．１．１深度学习概述??深度学习属于机器学习的一个分支，由人工神经网络演化而来，通过整合低??层数据特征，经过多层神经网络进行一系列多层次的非线性变换，提取出更加抽??象的高层特征，获得数据的高阶特征表示，是一种对数据本身进行高级抽象表达??的学习算法。．随着层级的提高，深度学习模型能够从低层特征中提取更抽象的信??息。这种算法的优势在于，它能够从多维数据中挖掘有用信息，弁形成有力的表??达。??人工神经网络（Ａｒｔｉｆｉｃｉａｌ?Ｎｅｕｒａｌ?Ｎｅｔｗｏｒｋ，ＡＮＮ）是对人大脑神经网络的抽象??表述，通过建立模型，将不闻的神经元按照不同的方式组合到一起，模拟信号输??入、处理、输出的过程。人工神经网络包含三部分：输入层、隐藏层和输出层，??其中最简单的神经网络结构不包含隐藏层，如图２．１所示。原始数据通过输入层进??入网络结构，经过加权处理进入输出层，输出层对加权后的数据进行某种非线性??变换，即激活后，输出结果。??ｘｉ?—??Ｘ２???＾?—＾函数?、??ｘ３——??Ｘ４?＂（Ｊ??输入层?输出层??图２．１简单的人工神经网络模型??Ｆｉｇ．?２．１?Ｓｉｍｐｌｅ?ｍｏｄｅｌ?ｏｆ?ＡＮＮ??－８?－??
，提??取了图像的多尺度特征，在检测精度上有很好的表现。??总体来说，基于深度学习的目标检测算法在检测精度上有很好的表现＾随着？??硬件水平的提升，在ＧＰＵ加速下，目标捡测算法的速度也有很大的提高ｓ??２．３多标签分类问题的产生与应用??随着计算机技术的发展和广泛应用，分类问题受到许多研宄人员的关注。分??类问题有两种划分方式：根据类别个数可以将分类问题划分为单分类问题、二分??类何题以及多分类问题；根据样本所包含标签的个数，分类问题可被分为单标签??分类问题和多标签分类问题。如图２．２所示。??娜类别傾单分类问题??／??二分类问题??／?＿多分类问题＿??分类问题??根据样本包含标签个数??＿多标签分类问题??图２．２分类问题的划分??Ｆｉｇ．?２．２?Ｔｈｅ?ｄｉｖｉｓｉｏｎ?ｏｆ?ｃｌａｓｓｉｆｉｃａｔｉｏｎ?ｐｒｏｂｌｅｍｓ??传统意义上的分类算法理论是单标签单任务学习模式，复杂的分类任务需要??进行拆解，然后分别解决由复杂任务产生的多个不相关的任务。但是这样的学习??－１１?－??
本文编号：3357154
【文章来源】：中国石油大学(北京)北京市 211工程院校 教育部直属院校
【文章页数】：54 页
【学位级别】：硕士
【部分图文】：
图１．１论文主要研究内容及技术路线??Ｆｉｇ．?１．１?Ｔｈｅ?ｍａｉｎ?ｃｏｎｔｅｎｔ?ａｎｄ?ｔｅｃｈｎｏｌｏｇｙ?ｒｏａｄｍａｐ?ｏｆ?ｔｈｉｓ?ｔｈｅｓｉｓ??
?第２章相关背景知识???第２章相关背景知识??２．１深度学习与卷积神经网络??２．１．１深度学习概述??深度学习属于机器学习的一个分支，由人工神经网络演化而来，通过整合低??层数据特征，经过多层神经网络进行一系列多层次的非线性变换，提取出更加抽??象的高层特征，获得数据的高阶特征表示，是一种对数据本身进行高级抽象表达??的学习算法。．随着层级的提高，深度学习模型能够从低层特征中提取更抽象的信??息。这种算法的优势在于，它能够从多维数据中挖掘有用信息，弁形成有力的表??达。??人工神经网络（Ａｒｔｉｆｉｃｉａｌ?Ｎｅｕｒａｌ?Ｎｅｔｗｏｒｋ，ＡＮＮ）是对人大脑神经网络的抽象??表述，通过建立模型，将不闻的神经元按照不同的方式组合到一起，模拟信号输??入、处理、输出的过程。人工神经网络包含三部分：输入层、隐藏层和输出层，??其中最简单的神经网络结构不包含隐藏层，如图２．１所示。原始数据通过输入层进??入网络结构，经过加权处理进入输出层，输出层对加权后的数据进行某种非线性??变换，即激活后，输出结果。??ｘｉ?—??Ｘ２???＾?—＾函数?、??ｘ３——??Ｘ４?＂（Ｊ??输入层?输出层??图２．１简单的人工神经网络模型??Ｆｉｇ．?２．１?Ｓｉｍｐｌｅ?ｍｏｄｅｌ?ｏｆ?ＡＮＮ??－８?－??
，提??取了图像的多尺度特征，在检测精度上有很好的表现。??总体来说，基于深度学习的目标检测算法在检测精度上有很好的表现＾随着？??硬件水平的提升，在ＧＰＵ加速下，目标捡测算法的速度也有很大的提高ｓ??２．３多标签分类问题的产生与应用??随着计算机技术的发展和广泛应用，分类问题受到许多研宄人员的关注。分??类问题有两种划分方式：根据类别个数可以将分类问题划分为单分类问题、二分??类何题以及多分类问题；根据样本所包含标签的个数，分类问题可被分为单标签??分类问题和多标签分类问题。如图２．２所示。??娜类别傾单分类问题??／??二分类问题??／?＿多分类问题＿??分类问题??根据样本包含标签个数??＿多标签分类问题??图２．２分类问题的划分??Ｆｉｇ．?２．２?Ｔｈｅ?ｄｉｖｉｓｉｏｎ?ｏｆ?ｃｌａｓｓｉｆｉｃａｔｉｏｎ?ｐｒｏｂｌｅｍｓ??传统意义上的分类算法理论是单标签单任务学习模式，复杂的分类任务需要??进行拆解，然后分别解决由复杂任务产生的多个不相关的任务。但是这样的学习??－１１?－??
本文编号：3357154
本文链接：https://www.wllwen.com/kejilunwen/ruanjiangongchenglunwen/3357154.html
