伴隨著我國經濟水平快速提升、車輛行業(yè)不斷發(fā)展、居民生活水平不斷提高,汽車保有量也在不斷的增加,這給我國的交通管理系統帶來了不小的挑戰(zhàn)。為了進一步提高交通管理的效率,智能交通管理系統（ITS）的建立必不可少,而根據日常交通管理的需要對不同類型的車輛進行識別是智能交通管理系統中重要的一環(huán)。但是目前車輛識別方法中的車型識別、車類識別等技術,并不能滿足日常交通管理需求。論文對不同類型的車輛識別進行了研究,主要將車輛按交通管理需求分為九個類別,分別為警用車輛、救護車、消防車輛、小型汽車、客車、卡車、工程車輛、兩輪車和其他車輛,并進行識別任務。論文根據不同類型車輛圖像的特點,從Faster R-CNN的結構入手,改進識別方法,提高識別的準確率。論文主要工作如下:1)研究不同的CNN結構原理,對比相互間的優(yōu)劣之處,對現階段目標檢測領域內的主流方法YOLO、Fast R-CNN、SPP-Net、SSD、Faster R-CNN等進行了研究對比,更加明確的了解到Faster R-CNN的優(yōu)勢。2)結合不同類型車輛識別的任務,論文在原有Faster R-CNN的網絡結構基礎上,對部分結構進行了改進,來更好... 

【文章來源】：安徽大學安徽省211工程院校

【文章頁數】：69 頁

【學位級別】：碩士

【部分圖文】：

卷積示意圖

安徽大學碩士學位論文9圖2.1卷積示意圖卷積層中，在完成卷積操作之后，神經元不需要和圖像的每個像素點進行相連，這使得網絡權重參數大大減少，更加容易進行訓練。同樣，在卷積操作時，卷積核的權值大小不會發(fā)生任何改變，這有助于提高模型的泛化能力，也能夠在一定程度上減少模型訓練所需要的參數。這就是卷積層的權值共享與局部連接的特性。如圖2.2，是相同的圖像經過不同大小的卷積核W1和W2之后生成的特征圖。圖2.2原始圖像經過卷積后的特征圖因為卷積運算是線性運算，如果不使用激活函數，不論使用多少層的神經網絡，輸出均為輸入的線性組合，而激活層中激活函數給神經網絡提供了非線性的表達能力，這樣神經網絡就可以實現非線性模型�，F在常見的激活函數主要有Sigmoid函數，Tanh函數，ReLU函數等。圖2.3展示了三種常用的激活函數形式。

第二章目標檢測相關技術簡介10（1）ReLU函數（2）Tanh函數（3）Sigmoid函數圖2.3三種常見的激活函數池化層也可以稱為下采樣層，是通過降低參數的方式來減少網絡的計算量，防止過擬合現象的發(fā)生。同時池化層還能夠保證網絡平移、旋轉和尺度等變換的不變性。池化操作分為最大池化（max-pooling）和平均池化（mean-pooling）兩種。如圖2.4為設置池化stride為2的最大池化操作。圖2.4數據進行最大池化操作全連接層一般放在卷積神經網絡的最后。全連接層通過將每個神經元都和前一層的所有神經元進行全連接，將具有區(qū)分性的局部特征信息進行整合，將高維特征信息轉化為低維，建立特征信息之間的非線性關系，并且輸出。全連接層因為全部相連的特性，所以參數量巨大，占到了整個網絡的80%以上，因而有的輕量型網絡選擇使用全局平均池化來代替，對特征圖的通道所有值取均值，這樣能夠有效地減少網絡參數量，提高運算效率。2.1.2空洞卷積在神經網絡中，圖像輸入卷積層進行特征提取，之后在池化層中進行下采樣來降低特征圖的尺寸，這樣可以減少參數量，同時增加感受野。在圖像語義分割領域中，需要生成的特征圖尺寸與原圖相同，所以后續(xù)還需要進行上采樣（反卷積）操作，將特征圖放大。這個過程就會導致大量的特征信息丟失，使得網絡對于圖像細節(jié)特征的處理較差。是否可以在不進行下采樣的情況下也能夠獲得較大的感受野就成了問題的關鍵。YuF等據此提出的空洞卷積（AtrousConvolutions）[35]就很好地解決了這個問題�？斩淳矸e可以去除池化操作，使用帶有0權重的卷積核進行卷積操作，從而能夠

【參考文獻】：
期刊論文
[1]一種基于Bilinear-HashNet網絡的車型識別方法[J]. 費東煒,孫涵.  小型微型計算機系統. 2019(08)
[2]智能交通管理系統現狀與發(fā)展趨勢分析[J]. 魏春璐.  警學研究. 2018(06)
[3]多特征融合的車輛識別技術[J]. 程全,樊宇,劉玉春,王志良.  紅外與激光工程. 2018(07)
[4]基于深度卷積神經網絡的車型識別研究[J]. 鄧柳,汪子杰.  計算機應用研究. 2016(03)
[5]智能交通系統綜述[J]. 趙娜,袁家斌,徐晗.  計算機科學. 2014(11)
[6]基于雙線圈的車輛識別檢測系統[J]. 于連勝,李利.  科技信息. 2013(17)
[7]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)



本文編號：3623086