隨著我國經(jīng)濟社會的高速發(fā)展,各地的汽車保有量也隨之快速增長。面對道路上各種車輛,設(shè)計出一種有效算法,使其能夠準確識別出車輛的品牌型號、能夠從車輛數(shù)據(jù)庫中檢索出相同型號的車輛圖像,對智慧交通的發(fā)展具有重要意義。以往對車輛的識別大多是粗粒度的通用車型識別,對細粒度的車輛檢索也研究較少,為此本文采用深度學習技術(shù),并結(jié)合目標檢測算法給出了相應(yīng)的車型識別和車輛檢索方法。本文的主要工作包括以下三個方面:1、綜述了現(xiàn)有深度學習模型的基本原理,總結(jié)了基于深度學習的目標檢測方法,研究分析了基于區(qū)域和基于回歸的目標檢測算法,并對深度學習在車型識別與車輛檢索的發(fā)展趨勢進行了探討。2、給出了改進Faster R-CNN的細粒度車型識別算法。該算法對基于深度學習的目標檢測算法Faster R-CNN進行了改進,以提升車型識別準確率和識別效率,主要改進包括采用ResNeXt與FPN相結(jié)合的方式提取包含豐富語義信息的多尺度特征;改進RPN產(chǎn)生錨框的比例尺度,提升車型識別效率;通過SoftNM和RoIAlign去減少漏檢率;加入在線困難樣本挖掘機制,解決正負樣本不均衡問題;利用Dropout降低網(wǎng)絡(luò)的泛化誤差,避免過... 

【文章來源】：河南工業(yè)大學河南省

【文章頁數(shù)】：61 頁

【學位級別】：碩士

【文章目錄】：
摘要
abstract
1 緒論
    1.1 課題的研究背景和意義
    1.2 國內(nèi)外研究現(xiàn)狀
        1.2.1 車型識別研究現(xiàn)狀
        1.2.2 車輛檢索研究現(xiàn)狀
    1.3 研究內(nèi)容與創(chuàng)新點
        1.3.1 研究內(nèi)容
        1.3.2 創(chuàng)新點
    1.4 論文結(jié)構(gòu)框架
2 深度學習與目標檢測算法
    2.1 深度學習
        2.1.1 VGG-Net
        2.1.2 Res Net
        2.1.3 Res Ne Xt
    2.2 目標檢測算法
        2.2.1 R-CNN
        2.2.2 SPP-Net
        2.2.3 Fast R-CNN
        2.2.4 Faster R-CNN
        2.2.5 YOLO
        2.2.6 SSD
    2.3 本章小結(jié)
3 基于改進Faster R-CNN的細粒度車型識別
    3.1 引言
    3.2 基于改進Faster R-CNN的細粒度車型識別算法
        3.2.1 區(qū)域建議網(wǎng)絡(luò)及其改進
        3.2.2 聚合殘差-特征金字塔網(wǎng)絡(luò)
        3.2.3 Ro IAlign代替Ro I Pooling
        3.2.4 加入在線困難樣本挖掘機制
        3.2.5 加入Soft NMS算法
        3.2.6 網(wǎng)絡(luò)優(yōu)化
    3.3 實驗結(jié)果與分析
        3.3.1 實驗數(shù)據(jù)庫
        3.3.2 實驗環(huán)境
        3.3.3 實驗設(shè)計與結(jié)果
        3.3.4 驗證算法改進點的有效性
        3.3.5 驗證算法應(yīng)用的有效性
    3.4 本章小結(jié)
4 基于深度學習的兩階段細粒度車輛圖像檢索
    4.1 引言
    4.2 基于深度學習的兩階段細粒度車輛圖像檢索算法
        4.2.1 有效特征選擇
        4.2.2 特征聚合池化方法
        4.2.3 全局描述子降維與白化
        4.2.4 相似性度量和查詢擴展
        4.2.5 重排序
    4.3 實驗結(jié)果與分析
        4.3.2 驗證兩階段車輛檢索效果
        4.3.3 驗證車輛檢索算法實際應(yīng)用的有效性
    4.4 本章小結(jié)
5 總結(jié)與展望
    5.1 總結(jié)
    5.2 展望
參考文獻
致謝
作者簡歷及攻讀碩士學位期間發(fā)表的學術(shù)成果


【參考文獻】：
期刊論文
[1]基于語義DCNN特征融合的細粒度車型識別模型[J]. 楊娟,曹浩宇,汪榮貴,薛麗霞.  計算機輔助設(shè)計與圖形學學報. 2019(01)
[2]基于深度卷積特征的細粒度圖像分類研究綜述[J]. 羅建豪,吳建鑫.  自動化學報. 2017(08)
[3]面向智能交互的圖像識別技術(shù)綜述與展望[J]. 蔣樹強,閔巍慶,王樹徽.  計算機研究與發(fā)展. 2016(01)



本文編號：3516691