在目前國(guó)內(nèi)機(jī)動(dòng)車(chē)保有量不斷增加的現(xiàn)實(shí)環(huán)境下,交通管理部門(mén)的工作面臨著極大的壓力與挑戰(zhàn),而對(duì)車(chē)輛型號(hào)的識(shí)別是相關(guān)工作中極為重要的任務(wù)。研究過(guò)程中發(fā)現(xiàn)車(chē)輛種類(lèi)繁多,部分車(chē)型區(qū)分度小,而實(shí)際拍攝圖像中的車(chē)輛姿態(tài)又各不相同,車(chē)型的精細(xì)識(shí)別難度大大提高。本文面向多姿態(tài)車(chē)輛的識(shí)別問(wèn)題,采用深度學(xué)習(xí)方法進(jìn)行車(chē)型識(shí)別研究,從不同的研究角度提出了兩種車(chē)輛型號(hào)精細(xì)識(shí)別方法:基于FR-ResNet的車(chē)輛型號(hào)精細(xì)識(shí)別方法和基于視覺(jué)注意力模型的車(chē)型精細(xì)識(shí)別算法。在多個(gè)多姿態(tài)車(chē)輛數(shù)據(jù)集上進(jìn)行實(shí)驗(yàn),實(shí)驗(yàn)結(jié)果表明兩種方法均能提高多姿態(tài)車(chē)輛型號(hào)的識(shí)別效果。本文的主要工作如下:（1）對(duì)深度學(xué)習(xí)卷積神經(jīng)網(wǎng)絡(luò)的一些經(jīng)典模型進(jìn)行介紹,尤其是殘差網(wǎng)絡(luò)模型ResNet,并對(duì)經(jīng)典殘差網(wǎng)絡(luò)進(jìn)行了改進(jìn);對(duì)目前常用的可用于車(chē)輛型號(hào)精細(xì)分類(lèi)的數(shù)據(jù)集進(jìn)行介紹。（2）提出了一種車(chē)型精細(xì)識(shí)別網(wǎng)絡(luò)模型FR-ResNet:以改進(jìn)的殘差網(wǎng)絡(luò)結(jié)構(gòu)為基礎(chǔ),通過(guò)多尺度輸入、低層特征在高層中重用和特征圖權(quán)重學(xué)習(xí)策略來(lái)實(shí)現(xiàn)對(duì)殘差網(wǎng)絡(luò)特征的重用。FR-ResNet是一種基于殘差網(wǎng)絡(luò)特征重用的深度卷積神經(jīng)網(wǎng)絡(luò)模型,該模型在兩個(gè)多姿態(tài)車(chē)輛數(shù)據(jù)集上都取得了很高的識(shí)別精度... 

【文章來(lái)源】：合肥工業(yè)大學(xué)安徽省 211工程院校 教育部直屬院校

【文章頁(yè)數(shù)】：63 頁(yè)

【學(xué)位級(jí)別】：碩士

【文章目錄】：
致謝
摘要
abstract
第一章 緒論
    1.1 研究目的和意義
    1.2 國(guó)內(nèi)外研究現(xiàn)狀
        1.2.1 精細(xì)識(shí)別
        1.2.2 多姿態(tài)車(chē)型識(shí)別
    1.3 研究?jī)?nèi)容與組織結(jié)構(gòu)
        1.3.1 研究?jī)?nèi)容
        1.3.2 組織結(jié)構(gòu)
第二章 深度學(xué)習(xí)相關(guān)算法及數(shù)據(jù)集介紹
    2.1 經(jīng)典卷積神經(jīng)網(wǎng)絡(luò)概述
    2.2 殘差神經(jīng)網(wǎng)絡(luò)算法
        2.2.1 原始?xì)埐钌窠?jīng)網(wǎng)絡(luò)結(jié)構(gòu)
        2.2.2 殘差神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)改造
    2.3 多姿態(tài)車(chē)型識(shí)別數(shù)據(jù)集介紹
        2.3.1 StanfordCars數(shù)據(jù)集
        2.3.2 CompCars數(shù)據(jù)集
    2.4 本章小結(jié)
第三章 基于FR-ResNet的車(chē)輛型號(hào)精細(xì)識(shí)別研究
    3.1 FR-ResNet模型結(jié)構(gòu)
    3.2 多尺度隨機(jī)輸入
    3.3 特征重用
    3.4 特征圖權(quán)重學(xué)習(xí)
    3.5 實(shí)驗(yàn)結(jié)果與分析
        3.5.1 數(shù)據(jù)集使用與實(shí)驗(yàn)環(huán)境及設(shè)置
        3.5.2 實(shí)驗(yàn)結(jié)果分析
    3.6 本章小結(jié)
第四章 基于視覺(jué)注意力模型的多姿態(tài)車(chē)型精細(xì)識(shí)別算法
    4.1 算法主要思想
    4.2 全局特征圖注意力算法
        4.2.1 LSTM視覺(jué)注意力重編碼
        4.2.2 局部雙線性注意力加權(quán)結(jié)構(gòu)
    4.3 特征空間關(guān)系注意力機(jī)制
    4.4 實(shí)驗(yàn)結(jié)果與分析
        4.4.1 數(shù)據(jù)集使用與實(shí)驗(yàn)環(huán)境
        4.4.2 實(shí)驗(yàn)結(jié)果分析
    4.5 本章小結(jié)
第五章 總結(jié)與展望
    5.1 總結(jié)
    5.2 工作展望
參考文獻(xiàn)
攻讀碩士學(xué)位期間的學(xué)術(shù)活動(dòng)及成果情況


【參考文獻(xiàn)】：
期刊論文
[1]基于Fg-CarNet的車(chē)輛型號(hào)精細(xì)分類(lèi)研究[J]. 余燁,金強(qiáng),傅云翔,路強(qiáng).  自動(dòng)化學(xué)報(bào). 2018(10)
[2]前背景骨架區(qū)域隨機(jī)點(diǎn)對(duì)策略驅(qū)動(dòng)下的車(chē)標(biāo)識(shí)別方法[J]. 余燁,聶振興,金強(qiáng),王江明.  中國(guó)圖象圖形學(xué)報(bào). 2016(10)
[3]基于車(chē)牌識(shí)別數(shù)據(jù)的城市交通流時(shí)空特性分析[J]. 鞠鵬,周晶,張俊婷,廖瑞輝.  統(tǒng)計(jì)與信息論壇. 2014(10)



本文編號(hào)：3149788