為提高細(xì)粒度車(chē)型識(shí)別的準(zhǔn)確率,提升智能停車(chē)場(chǎng)、智能交通監(jiān)管系統(tǒng)的可靠性,針對(duì)低層特征在車(chē)型識(shí)別中精確不高的問(wèn)題,提出一種基于中層特征的細(xì)粒度分類(lèi)算法。其核心是使用篩選算法篩選中層特征,使得篩選后特征具有較高的表示性,提高識(shí)別的準(zhǔn)確率。使用Adaboost算法進(jìn)行車(chē)臉定位,減少后期的計(jì)算量,去除干擾因素。該算法無(wú)需GPU等計(jì)算資源,方便部署。與BOW、SPM、CNN等通用的分類(lèi)模型相比,其準(zhǔn)確率有較大提升。在大眾數(shù)據(jù)集中的實(shí)驗(yàn)結(jié)果表明,其平均準(zhǔn)確率為95.65%,平均耗時(shí)為0.82s。 

【文章來(lái)源】：計(jì)算機(jī)工程與設(shè)計(jì). 2020,41(06)北大核心

【文章頁(yè)數(shù)】：6 頁(yè)

【文章目錄】：
0 引言
1 車(chē)臉定位
2 中層特征提取
3 特征編碼
4 實(shí)驗(yàn)結(jié)果與分析
5 結(jié)束語(yǔ)


【參考文獻(xiàn)】：
期刊論文
[1]基于深度卷積神經(jīng)網(wǎng)絡(luò)的多任務(wù)細(xì)粒度車(chē)型識(shí)別[J]. 王�，�,唐娟,沈振輝.  圖學(xué)學(xué)報(bào). 2018(03)
[2]基于改進(jìn)詞包模型的車(chē)型識(shí)別算法[J]. 康珮珮,于鳳芹,陳瑩.  計(jì)算機(jī)與數(shù)字工程. 2018(05)
[3]基于改進(jìn)HOG特征提取的車(chē)型識(shí)別算法[J]. 耿慶田,趙浩宇,于繁華,王宇婷,趙宏偉.  中國(guó)光學(xué). 2018(02)
[4]基于局部抑制線性編碼的圖像快速識(shí)別方法[J]. 陳光喜,龔震霆,溫佩芝,任夏荔.  計(jì)算機(jī)科學(xué). 2016(05)
[5]采用稀疏SIFT特征的車(chē)型識(shí)別方法[J]. 張鵬,陳湘軍,阮雅端,陳啟美.  西安交通大學(xué)學(xué)報(bào). 2015(12)

碩士論文
[1]基于SURF算子的車(chē)型識(shí)別方法[D]. 丁士杰.大連理工大學(xué) 2014



本文編號(hào)：3152676