隨著深度學習等人工智能技術(shù)的迅猛進步,智能交通系統(tǒng)取得突破性進展。汽車車型識別（Vehicle Model Recognition）作為其最基礎(chǔ)的一環(huán),在智能交通、智能安防以及智能收費等若干方面發(fā)揮重要作用。汽車車型的精確識別不同于汽車品牌、類型等分類問題,屬于細粒度分類范疇,如何提升識別精度和提升效率是亟待解決的難題。本文基于深度學習方法,研究了數(shù)據(jù)集屬性對車型識別精度及效率的影響,提出汽車車型識別訓練集角度緊致性的概念,并創(chuàng)建了針對中國市場的MTV-1638s數(shù)據(jù)集。在此基礎(chǔ)上基于ResNet-50提出多階段學習網(wǎng)絡(luò)MS-CNN車型識別方法,數(shù)值實驗表明該算法可進行高效車型識別。具體研究內(nèi)容如下:（1）分析并提出了汽車車型識別訓練集的角度緊致性及創(chuàng)建對應(yīng)車型數(shù)據(jù)庫。首先,針對中國汽車市場車型識別問題,創(chuàng)建了一個更為合理的汽車數(shù)據(jù)集MTV-1638s,包括了中國市場常見的1638款車型。通過分類分析發(fā)現(xiàn),訓練庫中單一車型樣本數(shù)量及角度對識別效果影響較大。為此,本文創(chuàng)建了一個均勻角度采樣車型數(shù)據(jù)集ASMTV120s,在此基礎(chǔ)上研究了汽車角度分布對識別率的影響,實驗表明:訓練集中單車型僅... 

【文章來源】：大連理工大學遼寧省 211工程院校 985工程院校 教育部直屬院校

【文章頁數(shù)】：64 頁

【學位級別】：碩士

【文章目錄】：
摘要
Abstract
1 緒論
    1.1 研究背景及意義
    1.2 相關(guān)工作
        1.2.1 汽車車型識別(VMR)
        1.2.2 汽車車型數(shù)據(jù)集
    1.3 本文工作
    1.4 本章小結(jié)
2 汽車車型識別數(shù)據(jù)庫
    2.1 汽車數(shù)據(jù)集
        2.1.1 Stanford Cars
        2.1.2 VMMRdb
        2.1.3 Compcars
    2.2 MTV-1638s
    2.3 汽車數(shù)據(jù)集的屬性研究
    2.4 數(shù)據(jù)集緊致性評估方法
    2.5 本章小結(jié)
3 汽車車型識別算法
    3.1 深度卷積神經(jīng)網(wǎng)絡(luò)(DCNN)
        3.1.1 DCNN—網(wǎng)絡(luò)結(jié)構(gòu)
        3.1.2 汽車車型識別常用網(wǎng)絡(luò)模型
    3.2 汽車細粒度分類方法
    3.3 車型識別方法數(shù)值實驗與分析
        3.3.1 神經(jīng)網(wǎng)絡(luò)優(yōu)化算法
        3.3.2 數(shù)據(jù)增強
        3.3.3 實驗結(jié)果
    3.4 多階段卷積神經(jīng)網(wǎng)絡(luò)(MS-CNN)
        3.4.1 空間金字塔池化
        3.4.2 1 *1 卷積層
        3.4.3 全局平均池化
        3.4.4 損失函數(shù)
    3.5 MS-CNN網(wǎng)絡(luò)模型
        3.5.1 神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)
        3.5.2 神經(jīng)網(wǎng)絡(luò)可視化
    3.6 MS-CNN實驗結(jié)果與分析
    3.7 本章小結(jié)
結(jié)論
參考文獻
致謝



本文編號：3445282