發(fā)布時間：2021-04-20 09:20

　　車輛細(xì)分類是智慧交通系統(tǒng)中的重要研究內(nèi)容,準(zhǔn)確獲取城市交通中的車輛型號信息,對城市交通智能管理具有重要意義。然而,車輛細(xì)粒度分類問題仍然面臨著諸多挑戰(zhàn),一方面由于視角、光照、背景等因素影響,相同的車型會呈現(xiàn)出較大的類內(nèi)差異;另一方面由于車輛的整體外觀大致相同,不同的車型之間的類間差異很小。深度卷積神經(jīng)網(wǎng)絡(luò)雖然在通用圖像識別任務(wù)上取得了很好的效果,但是受限于特征表達(dá)能力的不足,傳統(tǒng)卷積神經(jīng)網(wǎng)絡(luò)并不能滿足車輛細(xì)粒度分類的要求。在本文中,我們基于注意力機(jī)制深度卷積神經(jīng)網(wǎng)絡(luò)設(shè)計實現(xiàn)了一個車輛細(xì)分類系統(tǒng)。首先,為了盡量消除背景的干擾,我們根據(jù)車輛外觀先驗知識,對通用目標(biāo)檢測算法進(jìn)行改進(jìn),在復(fù)雜背景中檢測出車輛目標(biāo);然后,我們提出了基于注意力機(jī)制的多層級卷積特征融合方法,該方法利用注意力模塊定位車輛圖像中判別性區(qū)域,提取車輛的局部特征,并使用特征金字塔的方式將多層卷積特征融合,融合后的車輛特征既能夠關(guān)注到車輛局部區(qū)域的差異,又結(jié)合了卷積網(wǎng)絡(luò)中的低層紋理特征和高層語義特征,具有更強(qiáng)的魯棒性;最后,我們提出了基于車輛標(biāo)簽分層結(jié)構(gòu)的組交叉熵?fù)p失函數(shù),進(jìn)一步約束特征向量,增大特征向量在特征空間中的距離,最... 

【文章來源】：北京郵電大學(xué)北京市 211工程院校 教育部直屬院校

【文章頁數(shù)】：59 頁

【學(xué)位級別】：碩士

【文章目錄】：
摘要
ABSTRACT
第一章 緒論
    1.1 研究背景及意義
    1.2 國內(nèi)外研究現(xiàn)狀與趨勢
        1.2.1 車輛檢測
        1.2.2 車輛細(xì)粒度分類
    1.3 主要研究內(nèi)容
    1.4 論文章節(jié)安排
第二章 相關(guān)技術(shù)介紹
    2.1 卷積神經(jīng)網(wǎng)絡(luò)
        2.1.1 經(jīng)典卷積神經(jīng)網(wǎng)絡(luò)
        2.1.2 殘差神經(jīng)網(wǎng)絡(luò)
    2.2 目標(biāo)檢測
        2.2.1 RCNN算法
        2.2.2 SSD算法
    2.3 注意力機(jī)制
        2.3.1 空間注意力模型
        2.3.2 跨通道注意力模型
        2.3.3 自然語言處理中的注意力模型
    2.4 本章小結(jié)
第三章 基于注意力模型的車輛細(xì)分類算法
    3.1 車輛檢測算法
        3.1.1 Faster-RCNN算法
        3.1.2 基于車輛域先驗知識的算法改進(jìn)
        3.1.3 實驗結(jié)果與分析
    3.2 車輛判別性區(qū)域定位
        3.2.1 視覺注意力
        3.2.2 局部注意力模塊
    3.3 多層卷積特征融合
        3.3.1 卷積神經(jīng)網(wǎng)絡(luò)的多層特征
        3.3.2 注意力感知多層特征融合方法
    3.4 基于車輛標(biāo)簽分層結(jié)構(gòu)的損失函數(shù)約束
        3.4.1 細(xì)粒度車輛標(biāo)簽分層結(jié)構(gòu)
        3.4.2 組交叉熵?fù)p失函數(shù)
    3.5 實驗結(jié)果與分析
        3.5.1 CompCars數(shù)據(jù)集
        3.5.2 車輛細(xì)分類結(jié)果
        3.5.3 判別性區(qū)域可視化
    3.6 本章小結(jié)
第四章 車輛細(xì)分類系統(tǒng)設(shè)計與實現(xiàn)
    4.1 系統(tǒng)需求分析
    4.2 車輛細(xì)分類系統(tǒng)設(shè)計
        4.2.1 圖像輸入與預(yù)處理模塊設(shè)計
        4.2.2 車輛細(xì)分類模塊設(shè)計
        4.2.3 車輛細(xì)分類網(wǎng)頁服務(wù)模塊設(shè)計
    4.3 車輛細(xì)分類系統(tǒng)實現(xiàn)
        4.3.1 系統(tǒng)開發(fā)環(huán)境
        4.3.2 圖像預(yù)處理模塊實現(xiàn)
        4.3.3 車輛細(xì)分類模塊實現(xiàn)
        4.3.4 車輛細(xì)分類網(wǎng)頁服務(wù)模塊實現(xiàn)
    4.4 本章小結(jié)
第五章 總結(jié)與展望
    5.1 本文研究總結(jié)
    5.2 未來工作展望
參考文獻(xiàn)
致謝


【參考文獻(xiàn)】：
期刊論文
[1]面向未來智能社會的智能交通系統(tǒng)發(fā)展策略[J]. 陶永,閆學(xué)東,王田苗,劉旸.  科技導(dǎo)報. 2016(07)
[2]基于Edge Boxes和深度學(xué)習(xí)的車輛檢測[J]. 劉亞萍,姚劍.  黑龍江科技信息. 2016(01)



本文編號：3149413