基于深度卷积神经网络的雾霾环境下车型识别算法研究

发布时间：2018-01-10 14:19

  本文关键词：基于深度卷积神经网络的雾霾环境下车型识别算法研究　出处：《中北大学》2017年硕士论文　论文类型：学位论文

  更多相关文章： 车型识别 特征提取 雾霾环境 卷积神经网络 AlexNet

【摘要】：车型识别系统是城市智能交通系统的重要组成部分。随着数字图像处理、计算机视觉、机器学习等技术的快速发展,基于图像内容的车型识别技术得到广泛关注。目前车型识别技术主要是基于统计分类的,首先需要大量的车辆图像数据集,其次通过特征提取技术获取车辆图像特征信息,最后利用机器学习分类技术对特征信息进行学习分类,进而完成车型识别。在众多基于图像的车型识别算法中,受到多尺度、多角度、复杂背景等多种因素对分类精度的影响,真正可以应用在实际智能交通系统的车型识别技术较少。同时,受雾霾天气的影响,雾霾降质车辆的识别也成为目前车型识别的难点。因此研究如何从复杂环境下准确高效地对车型分类具有非常重要的意义。针对目前基于图像的车型识别的众多影响因素,本文进行了如下内容的研究:(1)采用网络抓取的大量生活车型图像建立数据库,其中车辆背景复杂多变、多角度、多尺度等保证了数据库的多样性,车型类型种类有面包车、皮卡、跑车、小汽车、SUV和货车六种。(2)对雾霾天气下成像的车辆进行清晰化复原,复原方法基于大气散射模型并结合霾粒子散射特性,达到去雾和去霾的双重效果。(3)提出基于卷积神经网络的雾霾环境下车型识别算法,并结合Softmax分类器进行车型分类。采用改进的图像去雾霾算法和基于AlexNet优化的特征提取网络结构,且与近几年出现的车型识别算法,如基于HOG特征、PCA+SIFT特征及其它基于CNN特征等,进行分析比较。通过测试证明,本文提出基于AlexNet改进的车型识别方法无论在晴天还是雾霾环境下,其准确率较其他方法均较高。(4)实现了复杂环境下车型识别系统,系统由车型图像预处理模块和车型分类模块组成,其中车型图像预处理模块使用了本文提到的图像去雾霾算法,车型分类模块使用本文提出的车型识别算法。通过理论与实践相结合的方式,证明了本文算法的有效性及意义。
[Abstract]:The vehicle model recognition technology based on image content has been widely paid attention to the rapid development of vehicle model recognition technology based on image content . ( 4 ) The vehicle model recognition system is realized under complex environment . The system consists of vehicle model image preprocessing module and vehicle model classification module . The vehicle model image preprocessing module uses the image defog algorithm mentioned in this paper . The vehicle model classification module uses the vehicle model identification algorithm proposed in this paper . The effectiveness and significance of the algorithm are proved through the combination of theory and practice .

【学位授予单位】：中北大学
【学位级别】：硕士
【学位授予年份】：2017
【分类号】：TP391.41;TP183

【相似文献】

相关期刊论文 前10条

1 袁志勇,查桂峰,陈绵云,张仁宏;基于反对称小波的车型识别研究[J];武汉大学学报(信息科学版);2005年06期

2 袁志勇,查桂峰,陈绵云;基于聚类的二级模糊综合评判的车型识别研究[J];计算机工程与应用;2005年12期

3 运国莲;陈启美;丁胜军;;基于非完备贝叶斯网络的车型识别方法[J];交通与计算机;2006年01期

4 贾永涛;张帆;;车型识别专家系统的设计[J];计算机测量与控制;2006年04期

5 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

6 颜卓旺;;基于历史数据的车型识别方案[J];中国交通信息化;2012年03期

7 袁爱龙;陈怀新;吴云峰;;基于尺度显著性算法的车型识别方法[J];微型机与应用;2012年15期

8 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

9 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

10 张海峰,段颖妮;道桥收费站车型识别技术[J];现代电子技术;2001年09期

相关会议论文 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

相关博士学位论文 前2条

1 李丽宏;基于多传感器信息融合的超限超载检测系统设计研究[D];太原理工大学;2013年

2 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

相关硕士学位论文 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 郭志明;基于视频图像的车型识别方法的研究[D];东北大学;2014年

9 张飞云;基于深度学习的车辆定位及车型识别研究[D];江苏大学;2016年

10 程丽霞;监控视频中的车型识别技术研究[D];广东工业大学;2016年

，

本文编号：1405591