基于深度学习的车型识别及车牌识别研究与应用
发布时间：2020-12-18 00:32
随着我国机动车保有量的日益增长,交通堵塞和交通安全等问题日益严重,因此交通及停车场智能管理的需求也随之日益增长。而在该智能管理系统中,车辆型号和车牌号就类似于车辆的“身份证”,因此研究如何精确地识别出机动车的型号和车牌具有很大的实际意义。因此本文研究了精确的车型识别和车牌识别,此外还开发了两者的人机交互界面,从而便于推广。本文首先介绍了深度学习相关的理论,然后使用MATLAB构建了四种卷积神经网络模型,分别是Alexnet、VGG-16、Resnet-18和Inception v3,并逐一分析了四种模型的结构和参数。对于车型识别,为了解决粗粒度车型识别无法满足当今智能管理系统需求的问题,本文使用斯坦福大学的车型数据库进行实验,从而实现车辆品牌、型号和年份的识别。在训练过程中为了避免由于参数量过大而导致模型迟迟不能收敛的现象,本文通过迁移学习来训练四种模型。此外,四种模型的分类器都使用Softmax分类器。最后对训练好后的模型进行测试,结果显示Resnet-18的测试性能最佳,测试正确率达到了96.12%。在车牌识别中,针对由于摄像机和环境等外界因素可能影响车牌图像明暗的问题,本文对较明...
【文章来源】：中北大学山西省
【文章页数】：105 页
【学位级别】：硕士
【部分图文】：
近五年小型载客汽车和私家车保有量变化图
中北大学学位论文2在交通和停车场智能管理中，车型识别作为管理系统中最重要的组成部分，采集汽车信息的方法有感应线圈法[14,15]、激光红外线及压力传感法[16,17]和基于图像处理[18-20]的车型识别方法。图1.2为基于图像的车型识别基本流程，由于图像包含信息多和人工智能（ArtificialIntelligence，AI）在图像上表现出其独特的优势，因此基于图像的汽车识别方法是当前最热门的研究方法。并且，AI技术在产业上的应用还不够全面，《2018世界人工智能产业发展蓝皮书》指出人工智能仍然处于早期阶段，仅有4%的被调研产业已经部署了AI技术，许多产业还处在正在考虑使用AI和规划AI的阶段，而智能交通系统就正处于规划发展阶段，因此研究基于深度学习的车型识别非常具有意义[21]。图1.2基于图像的车型识别基本流程仅仅采集汽车类型往往是不够，而车牌作为机动车的身份证，因此进行车牌识别也具有很重要的意义。通过获得汽车的车牌可以了解机动车车主等其他信息，并可以用来区分同一车型[22]。图1.3为车牌识别的基本流程，对于一张包含车牌的汽车图像而言，应首先定位车牌所在的区域，然后进行车牌识别。由于车牌部分的维度较小，因此采用机器学习就可以达到高识别率的要求[23-25]。车型识别加上车牌识别技术可以使得交通系统和停车场系统的管理者获得基本的有用信息，从而为解决交通堵塞、交通安全和停车场管理提供了信息基矗图1.3车牌识别的基本流程
中北大学学位论文4图1.4人工智能、机器学习和深度学习的关系1.2.2车型识别技术的发展及研究现状在智能交通和停车场管理中，首先应精确地识别出汽车的类型，其中根据拍摄汽车的图像来识别汽车类型已经是目前车型识别的重要发展方向。车型识别包括粗粒度识别和精确识别，将机动车按外形分成大、中、小三类和分为货车、卡车、SUV是属于粗粒度识别，而精确地知道汽车的具体型号则属于精确识别。随着当今智能交通管理的发展，精确识别将会是未来的主流。对于车型识别，国外已经在很久以前就开始进行研究[43]。在2000年Tan等学者根据汽车外形是两条直线的事实和汽车的尺寸大小，提出了一种汽车识别方法，该方法将汽车分类成小型汽车、轿车和货车等，其中测试正确率达到了91%[44]。在2010年Burnos等学者提出了一种基于数据融合和模糊集的粗粒度车辆识别方法，其中全部车辆的测试正确率达到了95%，货车的测试正确率达到了100%[45]。在2013年Arrospide等学者将汽车图像使用方向梯度直方图进行处理，从而得到一个一维向量，然后再对其进行识别，其中测试正确率达到了96%，但也同样只能对车型进行粗略识别[46]。在2018年ZhangH等学者基于交叉投票原则改进了支持向量机，并将其应用在车辆识别上，其中测试正确率达到了74.52%，这明显较难满足当今智能车辆管理的需求[47]。此外，Mithun等学者[48]、Wang等学者[49]、Tao等学者[50]、Zhan等学者[51]和Sarfraz等学者[52]分别使用了车辆的高
本文编号：2923000
【文章来源】：中北大学山西省
【文章页数】：105 页
【学位级别】：硕士
【部分图文】：
近五年小型载客汽车和私家车保有量变化图
中北大学学位论文2在交通和停车场智能管理中，车型识别作为管理系统中最重要的组成部分，采集汽车信息的方法有感应线圈法[14,15]、激光红外线及压力传感法[16,17]和基于图像处理[18-20]的车型识别方法。图1.2为基于图像的车型识别基本流程，由于图像包含信息多和人工智能（ArtificialIntelligence，AI）在图像上表现出其独特的优势，因此基于图像的汽车识别方法是当前最热门的研究方法。并且，AI技术在产业上的应用还不够全面，《2018世界人工智能产业发展蓝皮书》指出人工智能仍然处于早期阶段，仅有4%的被调研产业已经部署了AI技术，许多产业还处在正在考虑使用AI和规划AI的阶段，而智能交通系统就正处于规划发展阶段，因此研究基于深度学习的车型识别非常具有意义[21]。图1.2基于图像的车型识别基本流程仅仅采集汽车类型往往是不够，而车牌作为机动车的身份证，因此进行车牌识别也具有很重要的意义。通过获得汽车的车牌可以了解机动车车主等其他信息，并可以用来区分同一车型[22]。图1.3为车牌识别的基本流程，对于一张包含车牌的汽车图像而言，应首先定位车牌所在的区域，然后进行车牌识别。由于车牌部分的维度较小，因此采用机器学习就可以达到高识别率的要求[23-25]。车型识别加上车牌识别技术可以使得交通系统和停车场系统的管理者获得基本的有用信息，从而为解决交通堵塞、交通安全和停车场管理提供了信息基矗图1.3车牌识别的基本流程
中北大学学位论文4图1.4人工智能、机器学习和深度学习的关系1.2.2车型识别技术的发展及研究现状在智能交通和停车场管理中，首先应精确地识别出汽车的类型，其中根据拍摄汽车的图像来识别汽车类型已经是目前车型识别的重要发展方向。车型识别包括粗粒度识别和精确识别，将机动车按外形分成大、中、小三类和分为货车、卡车、SUV是属于粗粒度识别，而精确地知道汽车的具体型号则属于精确识别。随着当今智能交通管理的发展，精确识别将会是未来的主流。对于车型识别，国外已经在很久以前就开始进行研究[43]。在2000年Tan等学者根据汽车外形是两条直线的事实和汽车的尺寸大小，提出了一种汽车识别方法，该方法将汽车分类成小型汽车、轿车和货车等，其中测试正确率达到了91%[44]。在2010年Burnos等学者提出了一种基于数据融合和模糊集的粗粒度车辆识别方法，其中全部车辆的测试正确率达到了95%，货车的测试正确率达到了100%[45]。在2013年Arrospide等学者将汽车图像使用方向梯度直方图进行处理，从而得到一个一维向量，然后再对其进行识别，其中测试正确率达到了96%，但也同样只能对车型进行粗略识别[46]。在2018年ZhangH等学者基于交叉投票原则改进了支持向量机，并将其应用在车辆识别上，其中测试正确率达到了74.52%，这明显较难满足当今智能车辆管理的需求[47]。此外，Mithun等学者[48]、Wang等学者[49]、Tao等学者[50]、Zhan等学者[51]和Sarfraz等学者[52]分别使用了车辆的高
本文编号：2923000
本文链接：https://www.wllwen.com/shoufeilunwen/boshibiyelunwen/2923000.html
