車輛顏色作為車輛的一個比較關鍵的特征,可以在識別車輛車牌和車型、車標的同時作為輔助信息,能大大地提高車輛身份識別的可靠性,也能在車輛卡口安檢系統(tǒng)、非法改裝車識別方面發(fā)揮比較重要的作用,對于公安部分打擊違法犯罪活動提供一定的幫助。而針對復雜環(huán)境,如光照影響、粉塵或雨霧天氣等環(huán)境下的車輛顏色識別方法,更是一項關鍵技術�，F(xiàn)存的車輛顏色識別研究中,主要有幾點問題,一方面是車身主要顏色區(qū)域分割方面不夠精細,諸如圖像背景、車身非主要顏色區(qū)域等因素而影響定位和分割的精確度,從而影響識別率;而另一方面,不同車輛生產廠家采用不同的噴涂和調色而導致配色越來越復雜、車身常年累月的灰塵堆積或涂層氧化導致的色彩蛻變以及不同光照下的顏色變化等等情況導致的多種顏色類別的區(qū)分度難度增大,從而分類識別算法不能很好地發(fā)揮作用。因此,本文針對復雜環(huán)境下的卷積神經網(wǎng)絡車輛顏色識別研究,主要的內容有如下兩個方面:（1）車輛顏色感興趣區(qū)域分割,提出了基于區(qū)域顯著性的抗干擾車輛區(qū)域分割算法,在對經過檢測網(wǎng)絡檢測定位后的車輛圖像使用多通道局部敏感直方圖變換與多通道顯著性檢測進行區(qū)域分割,排除干擾區(qū)域,從而獲取車輛主體顏色區(qū)域,即車輛... 

【文章來源】：廣東工業(yè)大學廣東省

【文章頁數(shù)】：78 頁

【學位級別】：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 課題來源
    1.3 國內外研究現(xiàn)狀
        1.3.1 車輛目標檢測研究現(xiàn)狀
        1.3.2 顏色分割研究現(xiàn)狀
        1.3.3 車輛顏色分類研究現(xiàn)狀
    1.4 研究內容
    1.5 論文組織結構
第二章 課題背景介紹和相關技術
    2.1 項目背景與技術指標
        2.1.1 項目背景
        2.1.2 項目技術指標
    2.2 車輛顏色識別應用需求
        2.2.1 車輛顏色種類分類
        2.2.2 車輛顏色區(qū)域的精確分割
    2.3 顏色空間
        2.3.1 RGB顏色空間
        2.3.2 LAB顏色空間
        2.3.3 HSV顏色空間
    2.4 卷積神經網(wǎng)絡
        2.4.1 簡介和結構
        2.4.2 內部層級結構
    2.5 本章小結
第三章 基于區(qū)域顯著性的抗干擾車輛區(qū)域分割
    3.1 問題描述
    3.2 多通道局部敏感直方圖變換
        3.2.1 局部敏感直方圖變換
        3.2.2 算法提出
        3.2.3 算法描述
    3.3 區(qū)域顯著性檢測
        3.3.1 顯著性檢測模型
        3.3.2 顯著性檢測理論
    3.4 基于Mul-SDLS的分割算法
        3.4.1 算法提出
        3.4.2 多通道顯著性圖融合
        3.4.3 非顯著性目標分割
    3.5 實驗
        3.5.1 實驗環(huán)境與數(shù)據(jù)
        3.5.2 實驗步驟
        3.5.3 實驗結果分析
    3.6 本章小結
第四章 基于多顏色空間的卷積神經網(wǎng)絡模型
    4.1 問題描述
    4.2 主流的特征提取模型
        4.2.1 AlexNet
        4.2.2 VGGNet
        4.2.3 GoogLeNet
        4.2.4 ResNet
    4.3 算法提出
        4.3.1 模型架構描述
        4.3.2 算法描述
    4.4 模型描述
        4.4.1 VGGNet模型
        4.4.2 模型輸出選擇判斷器
        4.4.3 樣本選擇策略
    4.5 本章小結
第五章 實驗結果與分析
    5.1 實驗準備
        5.1.1 實驗環(huán)境
        5.1.2 數(shù)據(jù)集來源
        5.1.3 實驗流程
    5.2 實驗實施
        5.2.1 數(shù)據(jù)集的重構和擴充
        5.2.2 算法參數(shù)設置與實驗設置
    5.3 算法的結果以及分析
        5.3.1 多顏色空間算法結果
        5.3.2 不同數(shù)據(jù)集結果對比
        5.3.3 總體算法結果對比
    5.4 應用開發(fā)與部署
    5.5 本章小結
總結與展望
參考文獻
攻讀學位期間發(fā)表的論文
攻讀學位期間參加的科研項目
致謝


【參考文獻】：
期刊論文
[1]基于FCM聚類的自適應彩色圖像分割算法[J]. 胡學剛,段瑤.  計算機工程與設計. 2018(07)
[2]航拍圖像車輛檢測中的圓形濾波器HOG特征快速計算[J]. 蘇昂,張躍強,楊夏,于起峰.  國防科技大學學報. 2017(01)
[3]基于類Haar特征和AdaBoost的車輛識別技術[J]. 張雪芹,方婷,李志前,董明杰.  華東理工大學學報(自然科學版). 2016(02)
[4]基于陰影和類Haar特征的動態(tài)車輛檢測[J]. 宋曉琳,鄔紫陽,張偉偉.  電子測量與儀器學報. 2015(09)
[5]基于多通道融合HOG特征的全天候運動車輛檢測方法[J]. 劉操,鄭宏,黎曦,余典.  武漢大學學報(信息科學版). 2015(08)
[6]一種基于HOG-LBP的高效車輛檢測方法[J]. 楊先鳳,楊燕.  計算機工程. 2014(09)
[7]基于改進的Adaboost算法和幀差法的車輛檢測方法[J]. 劉洋,王海暉,向云露,盧培磊.  華中科技大學學報(自然科學版). 2013(S1)
[8]一種基于幀間差分和光流技術結合的運動車輛檢測和跟蹤新算法[J]. 王振亞,曾黃麟.  計算機應用與軟件. 2012(05)
[9]結合SVM和Gabor參數(shù)優(yōu)化的車輛檢測[J]. 安吉堯,歐志芳.  計算機工程與應用. 2011(36)
[10]一種基于類Haar特征和改進AdaBoost分類器的車輛識別算法[J]. 文學志,方巍,鄭鈺輝.  電子學報. 2011(05)

博士論文
[1]自然場景下車輛顏色識別研究[D]. 陳攀.華中科技大學 2016

碩士論文
[1]基于機器學習的車輛顏色識別方案的研究[D]. 薛旭琴.北京郵電大學 2018
[2]車輛多特征識別方法研究與實現(xiàn)[D]. 王博.電子科技大學 2017
[3]基于深度學習的車輛顏色識別技術研究[D]. 王高亞.北京郵電大學 2017
[4]基于深度學習的車輛檢測方法研究[D]. 張文桂.華南理工大學 2016
[5]車輛信息識別系統(tǒng)設計與實現(xiàn)[D]. 胡焯源.遼寧工業(yè)大學 2016
[6]基于光流的動態(tài)場景中運動車輛檢測與跟蹤算法研究[D]. 高磊.中國科學技術大學 2014
[7]視頻中車輛跟蹤抗遮擋算法的研究[D]. 王小峰.山東師范大學 2013
[8]基于支持向量機的車身顏色識別方法研究[D]. 楊峰.電子科技大學 2013



本文編號：3465328