面對貨車超限超載新標準的頒布,傳統(tǒng)的車型識別方法不再適用于檢測站的貨車車型識別,亟需設計一種新的適用于超限檢測站的車型識別方法�；趫D像的車型分類系統(tǒng)的迅速發(fā)展,給貨車車型識別帶來了新的思路,基于神經(jīng)網(wǎng)絡的貨車車型識別將會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)新標準,本文將道路上常見的9種貨車車型進行分類,為了將此系統(tǒng)用于不同的檢測站,在多個不同的道路上采集了各類車輛圖像信息,再進行整理分類,構(gòu)建本文的圖像數(shù)據(jù)庫。針對在進行車型識別時的圖像背景過于繁雜,影響車型識別效果的問題,本文首先進行車輛目標定位檢測,本方案是將基于密集采樣的特征提取網(wǎng)絡與卷積神經(jīng)網(wǎng)絡進行結(jié)合,并且分析了幾種網(wǎng)絡模型在檢測中出現(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)實驗數(shù)據(jù)確定了共享卷積網(wǎng)絡的深度,應用難負樣本挖掘策略,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系列算法進行了對比,相對于傳統(tǒng)的網(wǎng)絡模型其平均檢測率提升了 10%。車輛檢測定位后,將車輛標定部分進行裁剪,送入車型分類器中,本文利用深度卷積神經(jīng)網(wǎng)絡模型進行模式識別。為了提高... 

【文章來源】：西安工業(yè)大學陜西省

【文章頁數(shù)】：65 頁

【學位級別】：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)絡圖像分??類的基礎(chǔ)上，設計了一套適用于貨車車型識別的方案。此方案不需要破壞路面、設備簡單、??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、車輛目標定位、車型識別分類三個部分組成。????｜部分車輛圖像｜?ｒ￣￣￣￣??攝像頭裝置?集及對應的目?提取的？輛Ｈ??標坐標集?標???Ｔ??Ｉ?）????｜￣＼????＿輸出車型識別??ｊ??ｉ?ｉ?＾￣／?▼?ｌ—ｖ??＿機艘Ｉ深度卷積神經(jīng)Ｉ?￣￣－——??丨丨圖：訂丨丨＾?丨網(wǎng)絡分類器??圖２．?１主要研究內(nèi)容??由上圖中可以看出，每個模塊在整個系統(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處理進行展開。從對車輛拍攝的圖像以及車型分類標準的分??析出發(fā)，本文分別選取了不同拍攝地點、背景以及光線的道路環(huán)境對九種不同的車型進行??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采集到的車輛圖像進行了降噪等相關(guān)??處理。??２．１車輛數(shù)據(jù)集的建立??基于卷積神經(jīng)網(wǎng)絡的車型識別需要大量的貨車圖像進行網(wǎng)絡的學習與測試，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??來進行車輛類型的識別，因此車輛的側(cè)面圖像為本文研究重點。根據(jù)貨車超限標準對車輛??分類太過于精細

會使得該像素塊的每個灰度值設置為原始像素點的估計值，將像素塊連接起來使得噪聲變??得模糊，達到了平滑的作用。均值濾波是通過計算相鄰像素之間的平均值使得噪聲模糊，??這樣也會造成原始圖像模糊可以達到平滑效果。均值濾波效果如圖２．３所示。設原始輸入??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??以上是對車輛進行均值濾波圖，模板分別為３＊３、５＊５、７＊７時效果圖，由圖可知，當??均值濾波器的模板逐漸變大時，圖像邊緣也會逐漸模糊，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】：
期刊論文
[1]基于監(jiān)督的全卷積神經(jīng)網(wǎng)絡視網(wǎng)膜血管分割[J]. 王娜,傅迎華,蔣念平.  軟件導刊. 2018(08)
[2]基于卷積神經(jīng)網(wǎng)絡的轎車車型精細識別方法[J]. 陳宏彩,程煜,張常有.  河北科技大學學報. 2017(06)
[3]基于深度學習的車輛檢測方法[J]. 王德宇,徐友春,李永樂,陸峰,鄭凱文.  計算機與現(xiàn)代化. 2017(08)
[4]基于卷積神經(jīng)網(wǎng)絡的車輛品牌和型號識別[J]. 黎哲明,蔡鴻明,姜麗紅.  東華大學學報(自然科學版). 2017(04)
[5]多個文件密集發(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.  吉林大學學報(工學版). 2017(02)
[7]改進權(quán)值函數(shù)的非局部均值去噪算法[J]. 單建華.  中國圖象圖形學報. 2012(10)
[8]基于顏色自相似度特征的實時行人檢測[J]. 曾波波,王貴錦,林行剛.  清華大學學報(自然科學版). 2012(04)
[9]基于遺傳算法優(yōu)化的模糊神經(jīng)網(wǎng)絡車型識別[J]. 歐衛(wèi)華,唐東黎,聞斌.  湖南工業(yè)大學學報. 2010(02)

博士論文
[1]基于淺層學習引導深度學習的行人檢測[D]. 劉弋鋒.武漢大學 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 2014

碩士論文
[1]基于卷積神經(jīng)網(wǎng)絡的交通圖像目標檢測研究[D]. 于小川.哈爾濱工程大學 2018
[2]基于ShuffleNet網(wǎng)絡模型的圖片內(nèi)容自動分類研究[D]. 劉燁.河南大學 2018
[3]基于深度神經(jīng)網(wǎng)絡的視覺識別分類研究[D]. 李燕飛.內(nèi)蒙古工業(yè)大學 2018
[4]基于圖像處理的車型識別系統(tǒng)研究[D]. 陳娜.蘭州理工大學 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 2018
[6]基于卷積神經(jīng)網(wǎng)絡的人臉識別研究與實現(xiàn)[D]. 于志剛.中北大學 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（北京） 2017
[8]基于深度學習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 2017
[9]基于卷積神經(jīng)網(wǎng)絡的監(jiān)控視頻車型識別系統(tǒng)設計與實現(xiàn)[D]. 曾俊東.西南交通大學 2017
[10]基于深度學習的車型識別分析與研究[D]. 劉靈.山東師范大學 2017



本文編號：3059137