面對貨車超限超載新標(biāo)準(zhǔn)的頒布,傳統(tǒng)的車型識(shí)別方法不再適用于檢測站的貨車車型識(shí)別,亟需設(shè)計(jì)一種新的適用于超限檢測站的車型識(shí)別方法。基于圖像的車型分類系統(tǒng)的迅速發(fā)展,給貨車車型識(shí)別帶來了新的思路,基于神經(jīng)網(wǎng)絡(luò)的貨車車型識(shí)別將會(huì)使得車輛檢測效率提高并且提升道路通行能力,減少人力成本。根據(jù)新標(biāo)準(zhǔn),本文將道路上常見的9種貨車車型進(jìn)行分類,為了將此系統(tǒng)用于不同的檢測站,在多個(gè)不同的道路上采集了各類車輛圖像信息,再進(jìn)行整理分類,構(gòu)建本文的圖像數(shù)據(jù)庫。針對在進(jìn)行車型識(shí)別時(shí)的圖像背景過于繁雜,影響車型識(shí)別效果的問題,本文首先進(jìn)行車輛目標(biāo)定位檢測,本方案是將基于密集采樣的特征提取網(wǎng)絡(luò)與卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行結(jié)合,并且分析了幾種網(wǎng)絡(luò)模型在檢測中出現(xiàn)的問題以及車型大小和軸距不同的情況,此方案將根據(jù)實(shí)驗(yàn)數(shù)據(jù)確定了共享卷積網(wǎng)絡(luò)的深度,應(yīng)用難負(fù)樣本挖掘策略,構(gòu)成了本文的車輛檢測模型。在采集到的車輛圖像測試樣本中取得了較好的效果,并且與傳統(tǒng)的RCNN系列算法進(jìn)行了對比,相對于傳統(tǒng)的網(wǎng)絡(luò)模型其平均檢測率提升了 10%。車輛檢測定位后,將車輛標(biāo)定部分進(jìn)行裁剪,送入車型分類器中,本文利用深度卷積神經(jīng)網(wǎng)絡(luò)模型進(jìn)行模式識(shí)別。為了提高... 

【文章來源】：西安工業(yè)大學(xué)陜西省

【文章頁數(shù)】：65 頁

【學(xué)位級別】：碩士

【部分圖文】：

圖２．?１主要研究內(nèi)容??

針對貨車車型識(shí)別與其他車型分類存在差異的問題，本文在基于卷積神經(jīng)網(wǎng)絡(luò)圖像分??類的基礎(chǔ)上，設(shè)計(jì)了一套適用于貨車車型識(shí)別的方案。此方案不需要破壞路面、設(shè)備簡單、??不受天氣及道路影響，精確率較高。系統(tǒng)主要研宄內(nèi)容如下圖２．１所示，主要包括車輛側(cè)??面圖像數(shù)據(jù)集建立、車輛目標(biāo)定位、車型識(shí)別分類三個(gè)部分組成。????｜部分車輛圖像｜?ｒ￣￣￣￣??攝像頭裝置?集及對應(yīng)的目?提取的？輛Ｈ??標(biāo)坐標(biāo)集?標(biāo)???Ｔ??Ｉ?）????｜￣＼????＿輸出車型識(shí)別??ｊ??ｉ?ｉ?＾￣／?▼?ｌ—ｖ??＿機(jī)艘Ｉ深度卷積神經(jīng)Ｉ?￣￣－——??丨丨圖：訂丨丨＾?丨網(wǎng)絡(luò)分類器??圖２．?１主要研究內(nèi)容??由上圖中可以看出，每個(gè)模塊在整個(gè)系統(tǒng)中的作用都是不可或缺的，而本章將從貨車??車型數(shù)據(jù)庫的建立以及圖像預(yù)處理進(jìn)行展開。從對車輛拍攝的圖像以及車型分類標(biāo)準(zhǔn)的分??析出發(fā)，本文分別選取了不同拍攝地點(diǎn)、背景以及光線的道路環(huán)境對九種不同的車型進(jìn)行??了車輛側(cè)面圖像的采集，建立了貨車車型數(shù)據(jù)庫。由于采集的圖像中存在著大量的背景噪??聲，本章利用非局部均值彩色圖像去噪算法對攝像機(jī)采集到的車輛圖像進(jìn)行了降噪等相關(guān)??處理。??２．１車輛數(shù)據(jù)集的建立??基于卷積神經(jīng)網(wǎng)絡(luò)的車型識(shí)別需要大量的貨車圖像進(jìn)行網(wǎng)絡(luò)的學(xué)習(xí)與測試，目前還??沒有關(guān)于貨車的車輛圖像集，本文主要的研究內(nèi)容是根據(jù)貨車的包含完整車軸的側(cè)面圖像??來進(jìn)行車輛類型的識(shí)別，因此車輛的側(cè)面圖像為本文研究重點(diǎn)。根據(jù)貨車超限標(biāo)準(zhǔn)對車輛??分類太過于精細(xì)

會(huì)使得該像素塊的每個(gè)灰度值設(shè)置為原始像素點(diǎn)的估計(jì)值，將像素塊連接起來使得噪聲變??得模糊，達(dá)到了平滑的作用。均值濾波是通過計(jì)算相鄰像素之間的平均值使得噪聲模糊，??這樣也會(huì)造成原始圖像模糊可以達(dá)到平滑效果。均值濾波效果如圖２．３所示。設(shè)原始輸入??圖像為ｆ（ｘ，ｙ），Ｈ（ｘ．ｙ）為濾波后的輸出圖像，均值濾波器的表達(dá)式如（２．１）所示：??Ｈ（ｘ，ｙ）?＝?＾Ｉｆｊｆｊ／｛ｘ?＋?ｉ，ｙ?＋?ｊ）（Ｎ?＝?２ｎ?＋?＼，Ｎ?＝?３，５Ｊ．．．ｋ）?（２．１）??？ｉ＝－ｎｊ＝－ｎ??原圖?３‘３均值濾波＿像??一一??５‘５均他濾波閣傀?７‘７均｛／〖濾波ｒａｍ??！?＇?１?￣：￣?＇丨?｜?????，?１?？？ｊ??一?Ｊ??圖２．?３均值濾波效果??以上是對車輛進(jìn)行均值濾波圖，模板分別為３＊３、５＊５、７＊７時(shí)效果圖，由圖可知，當(dāng)??均值濾波器的模板逐漸變大時(shí)，圖像邊緣也會(huì)逐漸模糊，但是３＊３的模板使得前景的雜草??不再突出、圖像更加平滑，但是并沒有較好地突出車輛圖像。??９??

【參考文獻(xiàn)】：
期刊論文
[1]基于監(jiān)督的全卷積神經(jīng)網(wǎng)絡(luò)視網(wǎng)膜血管分割[J]. 王娜,傅迎華,蔣念平.  軟件導(dǎo)刊. 2018(08)
[2]基于卷積神經(jīng)網(wǎng)絡(luò)的轎車車型精細(xì)識(shí)別方法[J]. 陳宏彩,程煜,張常有.  河北科技大學(xué)學(xué)報(bào). 2017(06)
[3]基于深度學(xué)習(xí)的車輛檢測方法[J]. 王德宇,徐友春,李永樂,陸峰,鄭凱文.  計(jì)算機(jī)與現(xiàn)代化. 2017(08)
[4]基于卷積神經(jīng)網(wǎng)絡(luò)的車輛品牌和型號識(shí)別[J]. 黎哲明,蔡鴻明,姜麗紅.  東華大學(xué)學(xué)報(bào)(自然科學(xué)版). 2017(04)
[5]多個(gè)文件密集發(fā)布:新一輪超限超載治理工作開啟[J]. 本刊.  商用汽車. 2016(09)
[6]基于卷積神經(jīng)網(wǎng)絡(luò)的道路車輛檢測方法[J]. 李琳輝,倫智梅,連靜,袁魯山,周雅夫,麻笑藝.  吉林大學(xué)學(xué)報(bào)(工學(xué)版). 2017(02)
[7]改進(jìn)權(quán)值函數(shù)的非局部均值去噪算法[J]. 單建華.  中國圖象圖形學(xué)報(bào). 2012(10)
[8]基于顏色自相似度特征的實(shí)時(shí)行人檢測[J]. 曾波波,王貴錦,林行剛.  清華大學(xué)學(xué)報(bào)(自然科學(xué)版). 2012(04)
[9]基于遺傳算法優(yōu)化的模糊神經(jīng)網(wǎng)絡(luò)車型識(shí)別[J]. 歐衛(wèi)華,唐東黎,聞斌.  湖南工業(yè)大學(xué)學(xué)報(bào). 2010(02)

博士論文
[1]基于淺層學(xué)習(xí)引導(dǎo)深度學(xué)習(xí)的行人檢測[D]. 劉弋鋒.武漢大學(xué) 2016
[2]車載視頻圖像處理算法的優(yōu)化與融合研究[D]. 陳炳權(quán).湖南大學(xué) 2014

碩士論文
[1]基于卷積神經(jīng)網(wǎng)絡(luò)的交通圖像目標(biāo)檢測研究[D]. 于小川.哈爾濱工程大學(xué) 2018
[2]基于ShuffleNet網(wǎng)絡(luò)模型的圖片內(nèi)容自動(dòng)分類研究[D]. 劉燁.河南大學(xué) 2018
[3]基于深度神經(jīng)網(wǎng)絡(luò)的視覺識(shí)別分類研究[D]. 李燕飛.內(nèi)蒙古工業(yè)大學(xué) 2018
[4]基于圖像處理的車型識(shí)別系統(tǒng)研究[D]. 陳娜.蘭州理工大學(xué) 2018
[5]教室監(jiān)控視頻中人員異常行為檢測研究[D]. 劉冬寅.電子科技大學(xué) 2018
[6]基于卷積神經(jīng)網(wǎng)絡(luò)的人臉識(shí)別研究與實(shí)現(xiàn)[D]. 于志剛.中北大學(xué) 2018
[7]基于內(nèi)容的圖像檢索關(guān)鍵技術(shù)的研究[D]. 胡友春.中國石油大學(xué)（北京） 2017
[8]基于深度學(xué)習(xí)的交通視頻檢測及車型分類研究[D]. 楚翔宇.哈爾濱工業(yè)大學(xué) 2017
[9]基于卷積神經(jīng)網(wǎng)絡(luò)的監(jiān)控視頻車型識(shí)別系統(tǒng)設(shè)計(jì)與實(shí)現(xiàn)[D]. 曾俊東.西南交通大學(xué) 2017
[10]基于深度學(xué)習(xí)的車型識(shí)別分析與研究[D]. 劉靈.山東師范大學(xué) 2017



本文編號：3059137