基于卷积神经网络的车脸识别研究

发布时间：2017-03-28 00:02

  本文关键词：基于卷积神经网络的车脸识别研究，由笔耕文化传播整理发布。

【摘要】：治安卡口系统是在交通道路上的特定地点,对所有通过该卡口点的机动车辆进行拍摄、记录与处理的一种道路交通现场监测系统。车辆的前端部分称为车脸,卡口系统主要拍摄过往车辆车脸的正面图像。治安卡口系统在智能交通以及犯罪车辆追踪等方面有重要的研究意义和应用价值,传统的治安卡口系统依托于人工识别和车牌识别技术对车辆进行识别。人工识别方法效率低,且不能长时间持续有效的对车辆进行检测和识别；车牌识别方法难以对故意遮挡车牌、伪造车牌或套牌的违法犯罪车辆进行有效的识别,这种情况下,需要一种更加智能的能够基于车牌之外的其它车辆特征来对车辆进行自动准确的识别,而车脸能够有效的表达车辆的外观属性,因此可以使用车脸图像来对车辆进行识别。车脸识别是指依靠车辆的车脸图像来对车辆的属性进行识别。本文主要聚焦于根据车脸图像来识别车辆型号的问题。该问题的主要难点在于不同品牌不同型号车辆的车脸外观差异巨大,同一型号车辆的车脸因为车辆配置不同也存在差异,同时车脸图像在卡口系统拍摄的图像中的颜色、位置、大小、角度等都不一致,这些因素都成为车脸识别研究的难点。针对这些问题,本文提出了一种基于卷积神经网络的车脸识别方法,该方法依托于车脸的外观特征,实现对目标车辆的车型进行快速且准确的识别。本文主要的研究内容和贡献如下：(1)采集和标定了一个卡口车脸图像数据库,总共包含7万多张卡口车脸图像,共315款车型。卡口车脸图像一般属于非公开数据,不容易得到,所以该车脸图像数据库具有巨大的研究价值。(2)针对卡口车脸图像没有对齐的问题,定义了车脸33个特征点,这些特征点标定了车脸轮廓、挡风玻璃、后视镜和车牌等车脸元素。在特征点基础上,实现了基于约束局部模型的车脸对齐方法,该方法能够快速准确的检测车脸特征点位置,从而将所有车脸图像对齐到相同的尺度。约束局部模型由形状模型和特征模型两个子模型组成,形状模型用于描述车脸形状,特征模型用于描述车脸特征,由两个子模型共同完成车脸特征点定位。(3)针对车脸图像特征提取方法的问题,设计并实现了适用于车脸图像的卷积神经网络模型,该模型以完整的车脸图像作为输入,得到车脸的整体特征。在该原始模型的基础上,本文研究了车脸不同组件对识别率的影响,提出了基于多组件卷积神经网络的车脸组合模型,该组合模型针对车脸的元素位置将车脸划分为5个组件,并对每个组件分别训练单独的卷积神经网络子模型,最后通过组合所有子模型的输出特征来得到最能够描述整体车脸的综合特征,再使用综合特征进行分类和识别。在本文整理的车脸数据库上的实验表明,基于约束局部模型的车脸对齐方法能显著提高车脸识别率,比原始非对齐的车脸图像识别率高了8%。使用基于多组件卷积神经网络的车脸组合模型对车脸提取的特征,能比传统的HOG特征更好的描述车脸,最终达到92%的车脸识别正确率。
【关键词】：车脸数据库 车脸识别 约束局部模型 卷积神经网络
【学位授予单位】：浙江大学
【学位级别】：硕士
【学位授予年份】：2016
【分类号】：TP391.41;TP183
【目录】：

• 摘要5-7
• Abstract7-15
• 第1章 绪论15-30
• 1.1 治安卡口系统15
• 1.2 现有车辆识别方法的不足15-17
• 1.3 国内外研究现状17-27
• 1.3.1 物体识别概述17-21
• 1.3.2 物体识别与图像分类21-23
• 1.3.3 人脸识别23-27
• 1.4 基于车脸识别的解决方案27-28
• 1.5 论文结构28-30
• 第2章 基于约束局部模型的车脸对齐方法30-39
• 2.1 车脸特征点30-32
• 2.1.1 人脸68个特征点30-31
• 2.1.2 车脸33个特征点31-32
• 2.2 车脸约束局部模型介绍32-33
• 2.3 车脸约束局部模型训练33-35
• 2.3.1 使用PCA训练形状模型33-34
• 2.3.2 使用SVM训练特征模型34-35
• 2.4 车脸约束局部模型匹配35-38
• 2.4.1 匹配流程35
• 2.4.2 匹配细节35-37
• 2.4.3 匹配演示37-38
• 2.5 本章小结38-39
• 第3章 基于卷积神经网络的车脸识别方法39-50
• 3.1 基于卷积神经网络的车脸模型39-43
• 3.1.1 卷积神经网络模型39-41
• 3.1.2 模型可视化41-43
• 3.2 基于多组件卷积神经网络的车脸组合模型43-48
• 3.2.1 组合挑选45
• 3.2.2 单组件卷积神经网络子模型45-46
• 3.2.3 模型可视化46-48
• 3.3 本章小结48-50
• 第4章 实验设计与结果50-57
• 4.1 数据准备50-52
• 4.1.1 数据150-51
• 4.1.2 数据251
• 4.1.3 数据351-52
• 4.2 约束局部模型对齐准确性实验52
• 4.2.1 实验方案52
• 4.2.2 实验结果52
• 4.3 约束局部模型有效性实验52-53
• 4.3.1 实验目的52-53
• 4.3.2 实验方案53
• 4.3.3 实验结果53
• 4.4 卷积神经网络有效性实验53-55
• 4.4.1 实验目的53-54
• 4.4.2 实验方案54-55
• 4.4.3 实验结果55
• 4.5 本章小结55-57
• 第5章 总结展望57-59
• 参考文献59-64
• 攻读硕士学位期间主要的研究成果64-65
• 致谢65

【相似文献】

中国期刊全文数据库 前10条

1 云中客;新的神经网络来自于仿生学[J];物理;2001年10期

2 唐春明,高协平;进化神经网络的研究进展[J];系统工程与电子技术;2001年10期

3 李智;一种基于神经网络的煤炭调运优化方法[J];长沙铁道学院学报;2003年02期

4 程科,王士同,杨静宇;新型模糊形态神经网络及其应用研究[J];计算机工程与应用;2004年21期

5 王凡,孟立凡;关于使用神经网络推定操作者疲劳的研究[J];人类工效学;2004年03期

6 周丽晖;从统计角度看神经网络[J];统计教育;2005年06期

7 赵奇 ,刘开第 ,庞彦军;灰色补偿神经网络及其应用研究[J];微计算机信息;2005年14期

8 袁婷;;神经网络在股票市场预测中的应用[J];软件导刊;2006年05期

9 尚晋;杨有;;从神经网络的过去谈科学发展观[J];重庆三峡学院学报;2006年03期

10 杨钟瑾;;神经网络的过去、现在和将来[J];青年探索;2006年04期

中国重要会议论文全文数据库 前10条

1 徐春玉;;基于泛集的神经网络的混沌性[A];1996中国控制与决策学术年会论文集[C];1996年

2 周树德;王岩;孙增圻;孙富春;;量子神经网络[A];2003年中国智能自动化会议论文集（上册）[C];2003年

3 罗山;张琳;范文新;;基于神经网络和简单规划的识别融合算法[A];2009系统仿真技术及其应用学术会议论文集[C];2009年

4 郭爱克;马尽文;丁康;;序言(二)[A];1999年中国神经网络与信号处理学术会议论文集[C];1999年

5 钟义信;;知识论:神经网络的新机遇——纪念中国神经网络10周年[A];1999年中国神经网络与信号处理学术会议论文集[C];1999年

6 许进;保铮;;神经网络与图论[A];1999年中国神经网络与信号处理学术会议论文集[C];1999年

7 金龙;朱诗武;赵成志;陈宁;;数值预报产品的神经网络释用预报应用[A];1999年中国神经网络与信号处理学术会议论文集[C];1999年

8 田金亭;;神经网络在中学生创造力评估中的应用[A];第十二届全国心理学学术大会论文摘要集[C];2009年

9 唐墨;王科俊;;自发展神经网络的混沌特性研究[A];2009年中国智能自动化会议论文集（第七分册）[南京理工大学学报（增刊）][C];2009年

10 张广远;万强;曹海源;田方涛;;基于遗传算法优化神经网络的故障诊断方法研究[A];第十二届全国设备故障诊断学术会议论文集[C];2010年

中国重要报纸全文数据库 前10条

1 美国明尼苏达大学社会学博士 密西西比州立大学国家战略规划与分析研究中心资深助理研究员 陈心想;维护好创新的“神经网络硬件”[N];中国教师报;2014年

2 卢业忠;脑控电脑 惊世骇俗[N];计算机世界;2001年

3 葛一鸣 路边文;人工神经网络将大显身手[N];中国纺织报;2003年

4 中国科技大学计算机系　邢方亮;神经网络挑战人类大脑[N];计算机世界;2003年

5 记者 孙刚;“神经网络”：打开复杂工艺“黑箱”[N];解放日报;2007年

6 本报记者 刘霞;美用DNA制造出首个人造神经网络[N];科技日报;2011年

7 健康时报特约记者　 张献怀;干细胞移植：修复受损的神经网络[N];健康时报;2006年

8 刘力;我半导体神经网络技术及应用研究达国际先进水平[N];中国电子报;2001年

9 ;神经网络和模糊逻辑[N];世界金属导报;2002年

10 邹丽梅 陈耀群;江苏科大神经网络应用研究通过鉴定[N];中国船舶报;2006年

中国博士学位论文全文数据库 前10条

1 杨旭华;神经网络及其在控制中的应用研究[D];浙江大学;2004年

2 李素芳;基于神经网络的无线通信算法研究[D];山东大学;2015年

3 石艳超;忆阻神经网络的混沌性及几类时滞神经网络的同步研究[D];电子科技大学;2014年

4 王新迎;基于随机映射神经网络的多元时间序列预测方法研究[D];大连理工大学;2015年

5 付爱民;极速学习机的训练残差、稳定性及泛化能力研究[D];中国农业大学;2015年

6 李辉;基于粒计算的神经网络及集成方法研究[D];中国矿业大学;2015年

7 王卫苹;复杂网络几类同步控制策略研究及稳定性分析[D];北京邮电大学;2015年

8 张海军;基于云计算的神经网络并行实现及其学习方法研究[D];华南理工大学;2015年

9 李艳晴;风速时间序列预测算法研究[D];北京科技大学;2016年

10 曾U喺，

本文编号：271315