伴隨著我國經(jīng)濟(jì)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(tǒng)帶來了不小的挑戰(zhàn)。為了進(jìn)一步提高交通管理的效率,智能交通管理系統(tǒng)（ITS）的建立必不可少,而根據(jù)日常交通管理的需要對不同類型的車輛進(jìn)行識別是智能交通管理系統(tǒng)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(shù),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(jìn)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(hù)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(jìn)行識別任務(wù)。論文根據(jù)不同類型車輛圖像的特點,從Faster R-CNN的結(jié)構(gòu)入手,改進(jìn)識別方法,提高識別的準(zhǔn)確率。論文主要工作如下:1)研究不同的CNN結(jié)構(gòu)原理,對比相互間的優(yōu)劣之處,對現(xiàn)階段目標(biāo)檢測領(lǐng)域內(nèi)的主流方法YOLO、Fast R-CNN、SPP-Net、SSD、Faster R-CNN等進(jìn)行了研究對比,更加明確的了解到Faster R-CNN的優(yōu)勢。2)結(jié)合不同類型車輛識別的任務(wù),論文在原有Faster R-CNN的網(wǎng)絡(luò)結(jié)構(gòu)基礎(chǔ)上,對部分結(jié)構(gòu)進(jìn)行了改進(jìn),來更好... 

【文章來源】：安徽大學(xué)安徽省211工程院校

【文章頁數(shù)】：69 頁

【學(xué)位級別】：碩士

【部分圖文】：

卷積示意圖

安徽大學(xué)碩士學(xué)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(jīng)元不需要和圖像的每個像素點進(jìn)行相連，這使得網(wǎng)絡(luò)權(quán)重參數(shù)大大減少，更加容易進(jìn)行訓(xùn)練。同樣，在卷積操作時，卷積核的權(quán)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(xùn)練所需要的參數(shù)。這就是卷積層的權(quán)值共享與局部連接的特性。如圖2.2，是相同的圖像經(jīng)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(jīng)過卷積后的特征圖因為卷積運(yùn)算是線性運(yùn)算，如果不使用激活函數(shù)，不論使用多少層的神經(jīng)網(wǎng)絡(luò)，輸出均為輸入的線性組合，而激活層中激活函數(shù)給神經(jīng)網(wǎng)絡(luò)提供了非線性的表達(dá)能力，這樣神經(jīng)網(wǎng)絡(luò)就可以實現(xiàn)非線性模型�，F(xiàn)在常見的激活函數(shù)主要有Sigmoid函數(shù)，Tanh函數(shù)，ReLU函數(shù)等。圖2.3展示了三種常用的激活函數(shù)形式。

第二章目標(biāo)檢測相關(guān)技術(shù)簡介10（1）ReLU函數(shù)（2）Tanh函數(shù)（3）Sigmoid函數(shù)圖2.3三種常見的激活函數(shù)池化層也可以稱為下采樣層，是通過降低參數(shù)的方式來減少網(wǎng)絡(luò)的計算量，防止過擬合現(xiàn)象的發(fā)生。同時池化層還能夠保證網(wǎng)絡(luò)平移、旋轉(zhuǎn)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(shè)置池化stride為2的最大池化操作。圖2.4數(shù)據(jù)進(jìn)行最大池化操作全連接層一般放在卷積神經(jīng)網(wǎng)絡(luò)的最后。全連接層通過將每個神經(jīng)元都和前一層的所有神經(jīng)元進(jìn)行全連接，將具有區(qū)分性的局部特征信息進(jìn)行整合，將高維特征信息轉(zhuǎn)化為低維，建立特征信息之間的非線性關(guān)系，并且輸出。全連接層因為全部相連的特性，所以參數(shù)量巨大，占到了整個網(wǎng)絡(luò)的80%以上，因而有的輕量型網(wǎng)絡(luò)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(wǎng)絡(luò)參數(shù)量，提高運(yùn)算效率。2.1.2空洞卷積在神經(jīng)網(wǎng)絡(luò)中，圖像輸入卷積層進(jìn)行特征提取，之后在池化層中進(jìn)行下采樣來降低特征圖的尺寸，這樣可以減少參數(shù)量，同時增加感受野。在圖像語義分割領(lǐng)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(jìn)行上采樣（反卷積）操作，將特征圖放大。這個過程就會導(dǎo)致大量的特征信息丟失，使得網(wǎng)絡(luò)對于圖像細(xì)節(jié)特征的處理較差。是否可以在不進(jìn)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(guān)鍵。YuF等據(jù)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(quán)重的卷積核進(jìn)行卷積操作，從而能夠

【參考文獻(xiàn)】：
期刊論文
[1]一種基于Bilinear-HashNet網(wǎng)絡(luò)的車型識別方法[J]. 費(fèi)東煒,孫涵.  小型微型計算機(jī)系統(tǒng). 2019(08)
[2]智能交通管理系統(tǒng)現(xiàn)狀與發(fā)展趨勢分析[J]. 魏春璐.  警學(xué)研究. 2018(06)
[3]多特征融合的車輛識別技術(shù)[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(jīng)網(wǎng)絡(luò)的車型識別研究[J]. 鄧柳,汪子杰.  計算機(jī)應(yīng)用研究. 2016(03)
[5]智能交通系統(tǒng)綜述[J]. 趙娜,袁家斌,徐晗.  計算機(jī)科學(xué). 2014(11)
[6]基于雙線圈的車輛識別檢測系統(tǒng)[J]. 于連勝,李利.  科技信息. 2013(17)
[7]一種基于類Haar特征和改進(jìn)AdaBoost分類器的車輛識別算法[J]. 文學(xué)志,方巍,鄭鈺輝.  電子學(xué)報. 2011(05)



本文編號：3623086