本文選題：車(chē)輛信息識(shí)別 + 卷積神經(jīng)網(wǎng)絡(luò)��； 參考：《南京郵電大學(xué)》2017年碩士論文

【摘要】：近年來(lái),隨著車(chē)輛的普及,人們對(duì)于交通安全的重視程度越來(lái)越高,城市道路監(jiān)控系統(tǒng)應(yīng)運(yùn)而生。并且,隨著信息化技術(shù)的發(fā)展,城市道路監(jiān)控系統(tǒng)逐漸向著自動(dòng)化,智能化,信息化的方向發(fā)展。然而,由于在現(xiàn)實(shí)場(chǎng)景下,監(jiān)控視頻的外在環(huán)境非常復(fù)雜,因此,傳統(tǒng)算法很難應(yīng)對(duì)眾多環(huán)境因素的影響,在實(shí)際應(yīng)用中無(wú)法保證魯棒性。本文在基于神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)理論的基礎(chǔ)上,對(duì)車(chē)輛信息的識(shí)別方法做了深入研究,對(duì)車(chē)輛檢測(cè)、車(chē)型分類(lèi)、車(chē)標(biāo)識(shí)別三種車(chē)輛信息的識(shí)別提出了可行的解決方法,并通過(guò)實(shí)驗(yàn)驗(yàn)證了車(chē)輛信息識(shí)別方法的有效性。本文主要對(duì)車(chē)輛信息的識(shí)別技術(shù)做了如下工作:(1)介紹了車(chē)輛檢測(cè)、車(chē)型分類(lèi)和車(chē)標(biāo)識(shí)別的原理和研究現(xiàn)狀,提出了車(chē)輛信息識(shí)別系統(tǒng)的結(jié)構(gòu)框架,并做詳細(xì)闡述;(2)介紹了卷積神經(jīng)網(wǎng)絡(luò)理論,并提出了一種改進(jìn)的基于Fast-RCNN卷積神經(jīng)網(wǎng)絡(luò)的車(chē)輛檢測(cè)算法。通過(guò)神經(jīng)網(wǎng)絡(luò)的強(qiáng)大擬合能力,應(yīng)對(duì)道路監(jiān)控視頻中多種場(chǎng)景下的的車(chē)輛檢測(cè)問(wèn)題。通過(guò)深度學(xué)習(xí)網(wǎng)絡(luò)學(xué)習(xí)得到車(chē)輛的卷積特征圖,并通過(guò)全連接網(wǎng)絡(luò)最終輸出車(chē)輛目標(biāo)的位置及可信程度。此外,本文還給出了暗光條件下的車(chē)輛檢測(cè)算法,用于提高夜晚視頻下的車(chē)輛檢測(cè)正確率。(3)針對(duì)傳統(tǒng)車(chē)型分類(lèi)算法中的不足,本文提出了一種新型的基于自適應(yīng)聚類(lèi)的車(chē)型分類(lèi)算法。創(chuàng)新性地提出了車(chē)型主特征和弱標(biāo)簽特征,即通過(guò)卷積神經(jīng)網(wǎng)絡(luò)獲得的車(chē)型主特征,以及通過(guò)極限學(xué)習(xí)機(jī)(ELM)網(wǎng)絡(luò)獲得的車(chē)型弱標(biāo)簽特征。最終,將兩種特征按比例進(jìn)行融合,并通過(guò)K-means算法聚類(lèi),獲得車(chē)型的特征中心,從而對(duì)后續(xù)車(chē)輛進(jìn)行車(chē)型判別。由于這種方法可以自適應(yīng)的獲取車(chē)型特征,因此可以適用于多種類(lèi)型的場(chǎng)景。(4)給出了車(chē)標(biāo)識(shí)別系統(tǒng)的組成結(jié)構(gòu)。提出了一種“由粗到精”逐步定位車(chē)標(biāo)的檢測(cè)方法。并重點(diǎn)闡述了極限學(xué)習(xí)機(jī)的數(shù)學(xué)原理和理論模型,采用了基于局部感知野的極限學(xué)習(xí)機(jī)神經(jīng)網(wǎng)絡(luò)進(jìn)行車(chē)標(biāo)識(shí)別。并對(duì)特征提取濾波器和網(wǎng)絡(luò)的學(xué)習(xí)方法進(jìn)行了改進(jìn),提高網(wǎng)絡(luò)在多種場(chǎng)景下的算法魯棒性。(5)對(duì)算法進(jìn)行仿真實(shí)驗(yàn),驗(yàn)證算法的可行性和有效性。對(duì)算法的優(yōu)點(diǎn)和不足進(jìn)行分析,提出改進(jìn)方案。
[Abstract]:In recent years, with the popularity of vehicles, people pay more and more attention to traffic safety, urban road monitoring system arises at the historic moment. With the development of information technology, urban road monitoring system is developing towards automation, intelligence and informatization. However, because the external environment of the surveillance video is very complex in the real scene, it is difficult for the traditional algorithm to deal with the influence of many environmental factors, and the robustness can not be guaranteed in the practical application. Based on the learning theory of neural network, this paper makes a deep research on the recognition method of vehicle information, and puts forward a feasible solution to the recognition of three kinds of vehicle information, such as vehicle detection, vehicle model classification and vehicle sign recognition. The validity of vehicle information recognition method is verified by experiments. This paper mainly introduces the principle and research status of vehicle detection, vehicle classification and vehicle sign recognition, and puts forward the structure framework of vehicle information recognition system. The theory of convolution neural network is introduced, and an improved vehicle detection algorithm based on Fast-RCNN convolution neural network is proposed. The strong fitting ability of neural network is used to deal with the vehicle detection problem in various scenes in road surveillance video. The convolution feature map of the vehicle is obtained by learning the network in depth, and the position and credibility of the vehicle target are finally output through the full connected network. In addition, a vehicle detection algorithm under dark light is presented in this paper, which is used to improve the accuracy of vehicle detection in night video. This paper presents a novel vehicle classification algorithm based on adaptive clustering. The main features and weak label features of vehicle type are proposed innovatively, that is, the main feature of vehicle model obtained by convolution neural network and the weak label feature of vehicle model obtained by means of extreme learning machine (ELM) network. Finally, the two features are fused proportionally, and the feature center of the vehicle is obtained by clustering by K-means algorithm, so that the subsequent vehicles can be identified. Because this method can adaptively acquire the vehicle features, it can be used in many kinds of scene. 4) the structure of the vehicle sign recognition system is given. In this paper, a method of detecting vehicle mark from coarse to fine is put forward. The mathematical principle and theoretical model of the LLM are expounded, and the neural network of LLM based on the local perception field is used to identify the vehicle marks. The feature extraction filter and the learning method of the network are improved to improve the robustness of the algorithm in various scenarios. The simulation experiments are carried out to verify the feasibility and effectiveness of the algorithm. The advantages and disadvantages of the algorithm are analyzed and an improved scheme is proposed.
【學(xué)位授予單位】：南京郵電大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2017
【分類(lèi)號(hào)】：U495;TP391.41

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 李智;一種基于神經(jīng)網(wǎng)絡(luò)的煤炭調(diào)運(yùn)優(yōu)化方法[J];長(zhǎng)沙鐵道學(xué)院學(xué)報(bào);2003年02期

2 王凡,孟立凡;關(guān)于使用神經(jīng)網(wǎng)絡(luò)推定操作者疲勞的研究[J];人類(lèi)工效學(xué);2004年03期

3 常國(guó)任;李仁松;沈醫(yī)文;劉鋼;;基于神經(jīng)網(wǎng)絡(luò)的直升機(jī)艦面系統(tǒng)效能評(píng)估[J];艦船電子工程;2007年03期

4 陳俊;;神經(jīng)網(wǎng)絡(luò)的應(yīng)用與展望[J];佛山科學(xué)技術(shù)學(xué)院學(xué)報(bào)(自然科學(xué)版);2009年05期

5 許萬(wàn)增;;神經(jīng)網(wǎng)絡(luò)的研究及其應(yīng)用[J];國(guó)際技術(shù)經(jīng)濟(jì)研究學(xué)報(bào);1990年01期

6 張軍華;神經(jīng)網(wǎng)絡(luò)技術(shù)及其在軍用系統(tǒng)中的應(yīng)用[J];現(xiàn)代防御技術(shù);1992年04期

7 雷明,李作清,陳志祥,吳雅,楊叔子;神經(jīng)網(wǎng)絡(luò)在預(yù)報(bào)控制中的應(yīng)用[J];機(jī)床;1993年11期

8 靳蕃;神經(jīng)網(wǎng)絡(luò)及其在鐵道科技中應(yīng)用的探討[J];鐵道學(xué)報(bào);1993年02期

9 宋玉華，王啟霞;神經(jīng)網(wǎng)絡(luò)診斷──神經(jīng)網(wǎng)絡(luò)在自動(dòng)化領(lǐng)域里的應(yīng)用[J];中國(guó)儀器儀表;1994年03期

10 魏銘炎;國(guó)內(nèi)外神經(jīng)網(wǎng)絡(luò)技術(shù)的研究與應(yīng)用概況[J];電機(jī)電器技術(shù);1995年04期

相關(guān)會(huì)議論文 前10條

1 徐春玉;;基于泛集的神經(jīng)網(wǎng)絡(luò)的混沌性[A];1996中國(guó)控制與決策學(xué)術(shù)年會(huì)論文集[C];1996年

2 周樹(shù)德;王巖;孫增圻;孫富春;;量子神經(jīng)網(wǎng)絡(luò)[A];2003年中國(guó)智能自動(dòng)化會(huì)議論文集（上冊(cè)）[C];2003年

3 羅山;張琳;范文新;;基于神經(jīng)網(wǎng)絡(luò)和簡(jiǎn)單規(guī)劃的識(shí)別融合算法[A];2009系統(tǒng)仿真技術(shù)及其應(yīng)用學(xué)術(shù)會(huì)議論文集[C];2009年

4 郭愛(ài)克;馬盡文;丁康;;序言(二)[A];1999年中國(guó)神經(jīng)網(wǎng)絡(luò)與信號(hào)處理學(xué)術(shù)會(huì)議論文集[C];1999年

5 鐘義信;;知識(shí)論:神經(jīng)網(wǎng)絡(luò)的新機(jī)遇——紀(jì)念中國(guó)神經(jīng)網(wǎng)絡(luò)10周年[A];1999年中國(guó)神經(jīng)網(wǎng)絡(luò)與信號(hào)處理學(xué)術(shù)會(huì)議論文集[C];1999年

6 許進(jìn);保錚;;神經(jīng)網(wǎng)絡(luò)與圖論[A];1999年中國(guó)神經(jīng)網(wǎng)絡(luò)與信號(hào)處理學(xué)術(shù)會(huì)議論文集[C];1999年

7 金龍;朱詩(shī)武;趙成志;陳寧;;數(shù)值預(yù)報(bào)產(chǎn)品的神經(jīng)網(wǎng)絡(luò)釋用預(yù)報(bào)應(yīng)用[A];1999年中國(guó)神經(jīng)網(wǎng)絡(luò)與信號(hào)處理學(xué)術(shù)會(huì)議論文集[C];1999年

8 田金亭;;神經(jīng)網(wǎng)絡(luò)在中學(xué)生創(chuàng)造力評(píng)估中的應(yīng)用[A];第十二屆全國(guó)心理學(xué)學(xué)術(shù)大會(huì)論文摘要集[C];2009年

9 唐墨;王科俊;;自發(fā)展神經(jīng)網(wǎng)絡(luò)的混沌特性研究[A];2009年中國(guó)智能自動(dòng)化會(huì)議論文集（第七分冊(cè)）[南京理工大學(xué)學(xué)報(bào)（增刊）][C];2009年

10 張廣遠(yuǎn);萬(wàn)強(qiáng);曹海源;田方濤;;基于遺傳算法優(yōu)化神經(jīng)網(wǎng)絡(luò)的故障診斷方法研究[A];第十二屆全國(guó)設(shè)備故障診斷學(xué)術(shù)會(huì)議論文集[C];2010年

相關(guān)重要報(bào)紙文章 前10條

1 美國(guó)明尼蘇達(dá)大學(xué)社會(huì)學(xué)博士 密西西比州立大學(xué)國(guó)家戰(zhàn)略規(guī)劃與分析研究中心資深助理研究員 陳心想;維護(hù)好創(chuàng)新的“神經(jīng)網(wǎng)絡(luò)硬件”[N];中國(guó)教師報(bào);2014年

2 盧業(yè)忠;腦控電腦 驚世駭俗[N];計(jì)算機(jī)世界;2001年

3 葛一鳴 路邊文;人工神經(jīng)網(wǎng)絡(luò)將大顯身手[N];中國(guó)紡織報(bào);2003年

4 中國(guó)科技大學(xué)計(jì)算機(jī)系　邢方亮;神經(jīng)網(wǎng)絡(luò)挑戰(zhàn)人類(lèi)大腦[N];計(jì)算機(jī)世界;2003年

5 記者 何雪峰;宿州簡(jiǎn)政放權(quán)助推縣域經(jīng)濟(jì)[N];安徽日?qǐng)?bào);2009年

6 記者 賈瑞芳;檢車(chē)進(jìn)企業(yè) 溫暖送到家[N];河北經(jīng)濟(jì)日?qǐng)?bào);2009年

7 鄭利平;湖州車(chē)輛檢測(cè)科研項(xiàng)目通過(guò)鑒定[N];中國(guó)交通報(bào);2004年

8 張廣明;運(yùn)用高新技術(shù)審驗(yàn)運(yùn)輸車(chē)輛[N];巴彥淖爾日?qǐng)?bào)(漢);2007年

9 記者 孫剛;“神經(jīng)網(wǎng)絡(luò)”：打開(kāi)復(fù)雜工藝“黑箱”[N];解放日?qǐng)?bào);2007年

10 張奇 李小潔;車(chē)輛檢測(cè)，，為何招來(lái)怨聲一片[N];檢察日?qǐng)?bào);2002年

相關(guān)博士學(xué)位論文 前10條

1 楊旭華;神經(jīng)網(wǎng)絡(luò)及其在控制中的應(yīng)用研究[D];浙江大學(xué);2004年

2 李素芳;基于神經(jīng)網(wǎng)絡(luò)的無(wú)線通信算法研究[D];山東大學(xué);2015年

3 石艷超;憶阻神經(jīng)網(wǎng)絡(luò)的混沌性及幾類(lèi)時(shí)滯神經(jīng)網(wǎng)絡(luò)的同步研究[D];電子科技大學(xué);2014年

4 王新迎;基于隨機(jī)映射神經(jīng)網(wǎng)絡(luò)的多元時(shí)間序列預(yù)測(cè)方法研究[D];大連理工大學(xué);2015年

5 付愛(ài)民;極速學(xué)習(xí)機(jī)的訓(xùn)練殘差、穩(wěn)定性及泛化能力研究[D];中國(guó)農(nóng)業(yè)大學(xué);2015年

6 李輝;基于粒計(jì)算的神經(jīng)網(wǎng)絡(luò)及集成方法研究[D];中國(guó)礦業(yè)大學(xué);2015年

7 王衛(wèi)蘋(píng);復(fù)雜網(wǎng)絡(luò)幾類(lèi)同步控制策略研究及穩(wěn)定性分析[D];北京郵電大學(xué);2015年

8 張海軍;基于云計(jì)算的神經(jīng)網(wǎng)絡(luò)并行實(shí)現(xiàn)及其學(xué)習(xí)方法研究[D];華南理工大學(xué);2015年

9 李艷晴;風(fēng)速時(shí)間序列預(yù)測(cè)算法研究[D];北京科技大學(xué);2016年

10 陳輝;多維超精密定位系統(tǒng)建模與控制關(guān)鍵技術(shù)研究[D];東南大學(xué);2015年

相關(guān)碩士學(xué)位論文 前10條

1 章穎;混合不確定性模塊化神經(jīng)網(wǎng)絡(luò)與高校效益預(yù)測(cè)的研究[D];華南理工大學(xué);2015年

2 賈文靜;基于改進(jìn)型神經(jīng)網(wǎng)絡(luò)的風(fēng)力發(fā)電系統(tǒng)預(yù)測(cè)及控制研究[D];燕山大學(xué);2015年

3 李慧芳;基于憶阻器的渦卷混沌系統(tǒng)及其電路仿真[D];西南大學(xué);2015年

4 陳彥至;神經(jīng)網(wǎng)絡(luò)降維算法研究與應(yīng)用[D];華南理工大學(xué);2015年

5 董哲康;基于憶阻器的組合電路及神經(jīng)網(wǎng)絡(luò)研究[D];西南大學(xué);2015年

6 武創(chuàng)舉;基于神經(jīng)網(wǎng)絡(luò)的遙感圖像分類(lèi)研究[D];昆明理工大學(xué);2015年

7 李志杰;基于神經(jīng)網(wǎng)絡(luò)的上證指數(shù)預(yù)測(cè)研究[D];華南理工大學(xué);2015年

8 陳少吉;基于神經(jīng)網(wǎng)絡(luò)血壓預(yù)測(cè)研究與系統(tǒng)實(shí)現(xiàn)[D];華南理工大學(xué);2015年

9 張韜;幾類(lèi)時(shí)滯神經(jīng)網(wǎng)絡(luò)穩(wěn)定性分析[D];渤海大學(xué);2015年

10 邵雪瑩;幾類(lèi)時(shí)滯不確定神經(jīng)網(wǎng)絡(luò)的穩(wěn)定性分析[D];渤海大學(xué);2015年

本文編號(hào)：1840446