本文關(guān)鍵詞：基于深度學(xué)習(xí)的車輛定位及車型識別研究，由筆耕文化傳播整理發(fā)布。

【摘要】：隨著科學(xué)技術(shù)的快速發(fā)展,中國正處在現(xiàn)代化發(fā)展進程的關(guān)鍵階段,當(dāng)下對絕大多數(shù)中國人來說,汽車也正逐漸超越“交通工具”的范疇,更是人們居家生活中不可或缺的一部分。日益嚴重的交通擁擠、堵塞現(xiàn)象以及頻發(fā)的交通事故等已經(jīng)成為束縛各地區(qū)社會進步和經(jīng)濟發(fā)展的頑癥。對此,智能交通的理念應(yīng)運而生。其中,車輛的定位及車型識別是智能交通的重要組成部分。自2006年以來,深度學(xué)習(xí)越來越多地被應(yīng)用于圖像識別以及語音識別等方面,在人臉識別上的效果已經(jīng)接近甚至超過人類。深度學(xué)習(xí)不需要人工設(shè)計特征,能夠很好的擬合輸入,使其在車輛的定位及分類識別領(lǐng)域具有廣闊的應(yīng)用前景。本文以國家自然科學(xué)基金“面向車聯(lián)網(wǎng)的道路交通事故鏈動態(tài)演變規(guī)律及其阻斷方法研究”和交通運輸部信息化技術(shù)研究項目“道路交通事故鏈阻斷方法及主動安全集成控制系統(tǒng)關(guān)鍵技術(shù)研究”為依托,對車輛定位及車型識別展開研究。主要工作如下:1、采用任意縮放檢測窗口長寬比例及修改網(wǎng)絡(luò)損失函數(shù)的方法,提出了改進卷積神經(jīng)網(wǎng)絡(luò)的深度學(xué)習(xí)模型,將車輛定位問題擬合為車輛位置的非線性函數(shù)回歸問題,實現(xiàn)對自然場景圖像中任意位置、任意大小的車輛精確定位,實驗結(jié)果表明當(dāng)預(yù)測位置與標(biāo)注位置重疊率不小于0.9時,在測試集合上的定位準(zhǔn)確率為93.3%。2、融合車輛位置與分類信息,提出了基于多任務(wù)深度學(xué)習(xí)的車輛定位方法。改進并測試了當(dāng)前三種著名的網(wǎng)絡(luò)結(jié)構(gòu),結(jié)合平滑L1范數(shù)和softmax函數(shù),選出分類正確率最高的MT-GooGleNet,開展實際路口采集圖片的車輛定位測試,結(jié)果表明在測試集合定位準(zhǔn)確率為96.4%。3、針對現(xiàn)有車型識別方法中無法對制造商、類型、年代等綜合信息的精細識別,提出了一種基于級聯(lián)多任務(wù)深度學(xué)習(xí)車型識別方法,去除了復(fù)雜背景的影響,并采用圖像數(shù)據(jù)增強以及網(wǎng)絡(luò)預(yù)訓(xùn)練策略,將標(biāo)準(zhǔn)數(shù)據(jù)庫上196個類別的車型識別正確率提高到86.67%,比傳統(tǒng)方法提高了約6%。4、采用ImageNet標(biāo)注方式,自建了一個可供車輛定位研究的標(biāo)準(zhǔn)數(shù)據(jù)庫,該數(shù)據(jù)庫包含四萬張有標(biāo)注信息及分類信息的自然場景下的車輛圖片。
【關(guān)鍵詞】：車輛定位 車輛檢測 深度學(xué)習(xí) 卷積神經(jīng)網(wǎng)絡(luò) 車型分類
【學(xué)位授予單位】：江蘇大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2016
【分類號】：U495;TP391.41
【目錄】：

• 摘要5-7
• ABSTRACT7-11
• 第一章 緒論11-20
• 1.1 研究背景和意義11-13
• 1.2 國內(nèi)外研究現(xiàn)狀13-19
• 1.2.1 車輛定位算法研究現(xiàn)狀13-17
• 1.2.2 車型識別國內(nèi)外研究現(xiàn)狀17-19
• 1.3 論文的組織結(jié)構(gòu)19-20
• 第二章 基于改進的深度學(xué)習(xí)的車輛定位研究20-42
• 2.1 深度學(xué)習(xí)概述20-31
• 2.1.1 人工神經(jīng)網(wǎng)絡(luò)20-21
• 2.1.2 深度學(xué)習(xí)的基本理論21-31
• 2.2 基于改進的深度學(xué)習(xí)方法車輛定位31-37
• 2.2.1 基于改進的深度學(xué)習(xí)方法(MCNN)31-34
• 2.2.2 基于MCNN的車輛定位方法34-37
• 2.3 實驗37-41
• 2.3.1 實驗說明37-38
• 2.3.2 實驗結(jié)果及分析38-41
• 2.4 本章小結(jié)41-42
• 第三章 多任務(wù)深度學(xué)習(xí)的車輛定位及二分類研究42-56
• 3.1 多任務(wù)深度學(xué)習(xí)的網(wǎng)絡(luò)模型（MT-CNN）42-45
• 3.1.1 基于Caffe Net的多任務(wù)深度學(xué)習(xí)網(wǎng)絡(luò)模型(MT-Caffe Net)43-44
• 3.1.2 基于VGGNet的多任務(wù)深度學(xué)習(xí)網(wǎng)絡(luò)模型(MT-VGGNet)44-45
• 3.1.3 基于Goo Gle Net的多任務(wù)深度學(xué)習(xí)網(wǎng)絡(luò)模型(MT-Google Net)45
• 3.2 基于MT-CNN的車輛定位及二分類研究45-52
• 3.2.1 基于MT-Caffe Net車輛定位及二分類研究45-49
• 3.2.2 基于MT-VGGNet車輛定位及二分類研究49-50
• 3.2.3 基于MT-Goo Gle Net車輛定位及二分類研究50-52
• 3.3 實驗結(jié)果及分析52-55
• 3.3.1 實驗說明52
• 3.3.2 車輛定位結(jié)果及分析52-53
• 3.3.3 車輛二分類結(jié)果及分析53-55
• 3.4 本章小結(jié)55-56
• 第四章 基于級聯(lián)MT-CNN的深度學(xué)習(xí)車型識別研究56-71
• 4.1 車型識別存在的問題56-58
• 4.2 級聯(lián)MT-CNN深度學(xué)習(xí)58-60
• 4.2.1 級聯(lián)MT-CNN模型58-60
• 4.2.2 級聯(lián)MT-Goo Gle Net模型60
• 4.3 基于級聯(lián)MT-GOOGLENET的車型識別研究60-61
• 4.4 實驗結(jié)果及分析61-70
• 4.5 本章小結(jié)70-71
• 第五章 總結(jié)及展望71-72
• 5.1 工作總結(jié)71
• 5.2 工作展望71-72
• 參考文獻72-77
• 致謝77-78
• 讀碩士學(xué)位期間主要的研究成果78-80
• 附錄A：標(biāo)注工具簡介80-83
• 附錄B：核心代碼83-89
• 附錄C：自建數(shù)據(jù)庫89

【相似文獻】

中國期刊全文數(shù)據(jù)庫 前10條

1 張寧;施毅;何鐵軍;;基于虛擬線圈的車型識別研究[J];交通與計算機;2008年01期

2 華莉琴;許維;王拓;馬瑞芳;胥博;;采用改進的尺度不變特征轉(zhuǎn)換及多視角模型對車型識別[J];西安交通大學(xué)學(xué)報;2013年04期

3 劉玉銘,白明;一種基于模糊模式識別方法的車型識別儀[J];公路交通科技;2000年01期

4 王陽萍,何欣;智能圖像處理技術(shù)在車型識別中的應(yīng)用研究[J];蘭州交通大學(xué)學(xué)報;2004年04期

5 季晨光;張曉宇;白相宇;;基于視頻圖像中的車型識別[J];遼寧工業(yè)大學(xué)學(xué)報(自然科學(xué)版);2010年01期

6 張友兵,陳家祺,史旅華,田瑞庭;基于神經(jīng)網(wǎng)絡(luò)的汽車車型識別[J];湖北汽車工業(yè)學(xué)院學(xué)報;1998年03期

7 陳家祺,張友兵,史旅華,田瑞庭,傅正朝,舒章鈞;運動圖像處理在車型識別中的應(yīng)用[J];汽車工程;1998年06期

8 歐衛(wèi)華;唐東黎;聞斌;;基于遺傳算法優(yōu)化的模糊神經(jīng)網(wǎng)絡(luò)車型識別[J];湖南工業(yè)大學(xué)學(xué)報;2010年02期

9 王明哲;吳皓;周豐;;基于地磁的車型識別模糊數(shù)據(jù)融合方法研究[J];公路交通科技;2008年01期

10 劉玉銘,白明,吳慧;模糊模式識別理論在車型識別中的應(yīng)用[J];道路交通與安全;2001年01期

中國重要會議論文全文數(shù)據(jù)庫 前7條

1 韓冬梅;呂芳;;智能交通系統(tǒng)中車型識別的軟件設(shè)計與實現(xiàn)[A];全國第4屆信號和智能信息處理與應(yīng)用學(xué)術(shù)會議論文集[C];2010年

2 王超;劉翠響;;視頻圖像中車輛的車型識別算法研究與實現(xiàn)[A];第二十七屆中國（天津）2013IT、網(wǎng)絡(luò)、信息技術(shù)、電子、儀器儀表創(chuàng)新學(xué)術(shù)會議論文集[C];2013年

3 鄧天民;邵毅明;崔建江;;一種車型識別算法及其應(yīng)用[A];計算機技術(shù)與應(yīng)用進展——全國第17屆計算機科學(xué)與技術(shù)應(yīng)用（CACIS）學(xué)術(shù)會議論文集（上冊）[C];2006年

4 張全元;戴光明;陳良;;一種新的基于實時視頻流的車型識別算法[A];圖像圖形技術(shù)與應(yīng)用進展——第三屆圖像圖形技術(shù)與應(yīng)用學(xué)術(shù)會議論文集[C];2008年

5 張大奇;曲仕茹;劉真崢;;基于環(huán)投影小波分形特征的車型自動識別方案[A];計算機技術(shù)與應(yīng)用進展·2007——全國第18屆計算機技術(shù)與應(yīng)用（CACIS）學(xué)術(shù)會議論文集[C];2007年

6 趙天青;梁旭斌;許學(xué)忠;蔡宗義;張敏;;車型識別中聽覺特征提取算法的研究[A];第三屆上�！靼猜晫W(xué)學(xué)會學(xué)術(shù)會議論文集[C];2013年

7 劉直芳;游健;王運瓊;游志勝;;運動汽車投影陰影分割算法[A];第十三屆全國圖象圖形學(xué)學(xué)術(shù)會議論文集[C];2006年

中國博士學(xué)位論文全文數(shù)據(jù)庫 前1條

1 胡耀民;基于視頻的車型識別關(guān)鍵技術(shù)研究[D];華南理工大學(xué);2014年

中國碩士學(xué)位論文全文數(shù)據(jù)庫 前10條

1 鄧柳;基于深度卷積神經(jīng)網(wǎng)絡(luò)的車型識別[D];西南交通大學(xué);2015年

2 張明貴;道路車輛的車型識別方法研究[D];貴州民族大學(xué);2015年

3 涂文華;基于數(shù)據(jù)融合的交通物聯(lián)網(wǎng)感知節(jié)點研究與應(yīng)用[D];南昌大學(xué);2015年

4 劉超;多姿態(tài)車型識別算法設(shè)計及應(yīng)用研究[D];電子科技大學(xué);2014年

5 王欣;基于小波分析的車型自動識別系統(tǒng)的設(shè)計與實現(xiàn)[D];電子科技大學(xué);2014年

6 凌永國;基于卡口圖像車型識別的研究[D];廣西師范大學(xué);2015年

7 張海彬;基于卡口圖像的車型識別方法研究[D];合肥工業(yè)大學(xué);2015年

8 萬青英;面向眾核平臺的車輛識別技術(shù)研究[D];河北科技大學(xué);2015年

9 胡焯源;車輛信息識別系統(tǒng)設(shè)計與實現(xiàn)[D];遼寧工業(yè)大學(xué);2016年

10 賈曉;套牌車輛的車型識別與檢索技術(shù)研究[D];大連海事大學(xué);2016年

  本文關(guān)鍵詞：基于深度學(xué)習(xí)的車輛定位及車型識別研究，由筆耕文化傳播整理發(fā)布。

，

本文編號：275213