發(fā)布時(shí)間：2021-08-06 05:48

　　應(yīng)用卷積神經(jīng)網(wǎng)絡(luò)（CNN）進(jìn)行車型分類識(shí)別時(shí),系統(tǒng)研究了車輛目標(biāo)在圖像中的比例變化對(duì)CNN識(shí)別率的影響,發(fā)現(xiàn)比例過大或過小都會(huì)降低識(shí)別率。針對(duì)這種影響,研究和分析了卷積核尺寸、堆疊卷積結(jié)構(gòu)和加入批歸一化（BN）層對(duì)多比例車輛目標(biāo)的識(shí)別效果。建立了6個(gè)具有不同目標(biāo)比例的數(shù)據(jù)集,分別測(cè)試經(jīng)典CNN模型Lenet—5和構(gòu)建的4個(gè)不同結(jié)構(gòu)的CNN模型。以Lenet—5的實(shí)驗(yàn)結(jié)果為參照,并對(duì)比不同模型的實(shí)驗(yàn)結(jié)果,研究了不同層次結(jié)構(gòu)對(duì)消除目標(biāo)比例影響的作用。其中表現(xiàn)最優(yōu)的模型能夠把識(shí)別率的波動(dòng)穩(wěn)定在1. 0%以內(nèi),最高識(shí)別率為97. 33%。多種目標(biāo)比例混合后測(cè)試模型,發(fā)現(xiàn)CNN對(duì)于目標(biāo)比例為50%的樣本識(shí)別率最高。實(shí)驗(yàn)結(jié)果為CNN在車輛目標(biāo)分類識(shí)別的研究和應(yīng)用提供了參考價(jià)值。 

【文章來源】：傳感器與微系統(tǒng). 2020,39(07)CSCD

【文章頁(yè)數(shù)】：5 頁(yè)

【部分圖文】：

不同模型測(cè)試結(jié)果

把6個(gè)單一目標(biāo)比例的數(shù)據(jù)集中的訓(xùn)練集進(jìn)行混合，制成多種目標(biāo)比例混合的數(shù)據(jù)集。CNN模型選用C模型，訓(xùn)練200次后，使用6個(gè)單一目標(biāo)比例數(shù)據(jù)集的測(cè)試集分別去測(cè)試，所得結(jié)果如圖3所示。圖3表明，當(dāng)訓(xùn)練數(shù)據(jù)集具有多種目標(biāo)比例時(shí)，模型對(duì)于目標(biāo)比例最小的識(shí)別最高，比最低識(shí)別率高出3.58%。當(dāng)樣本具有多種目標(biāo)比例時(shí)，使目標(biāo)處于恰當(dāng)?shù)谋壤虺叽�，�?huì)一定程度上提高識(shí)別率。3 結(jié)論

實(shí)驗(yàn)樣本是以車輛為識(shí)別目標(biāo)，根據(jù)車輛類型，把樣本分為4類，分別為SUV,Sedan,Bus和Minibus，樣本全部為車輛正面的圖像。樣本盡量控制了背景、顏色、目標(biāo)位置、樣本數(shù)量等其他可能影響結(jié)果的因素，把目標(biāo)比例作為唯一變量，建立了較為完備的數(shù)據(jù)集。由于車輛目標(biāo)高低各有不同，為不發(fā)生形變，本文只控制目標(biāo)的寬度和計(jì)算寬度的占比。部分圖像樣本如圖1所示。如圖1，根據(jù)目標(biāo)的遠(yuǎn)近不同，采集了同一背景下的6個(gè)不同目標(biāo)比例的圖像樣本，目標(biāo)寬度分別約為32,29,26,23,20,16(單位為像素pixels)，在32×32的圖像中，目標(biāo)寬度占圖像寬度的比例分別約為100%,90.6%,81.3%,71.9%,62.5%,50.0%。把每個(gè)目標(biāo)尺寸的圖像都分別制作成數(shù)據(jù)集，測(cè)試集和訓(xùn)練集按照7:3的比例劃分，共制作成6個(gè)單一目標(biāo)尺寸的數(shù)據(jù)集。其中，每個(gè)數(shù)據(jù)集都包含4類車型，每類車型具有200個(gè)圖像樣本，一共800個(gè)圖像樣本。

【參考文獻(xiàn)】：
期刊論文
[1]卷積神經(jīng)網(wǎng)絡(luò)池化方法研究[J]. 周林勇,謝曉堯,劉志杰,任筆墨.  計(jì)算機(jī)工程. 2019(04)
[2]應(yīng)用卷積神經(jīng)網(wǎng)絡(luò)與RPN的交通標(biāo)志識(shí)別[J]. 譚臺(tái)哲,盧劍彪,溫捷文,李楚宏,凌偉林.  計(jì)算機(jī)工程與應(yīng)用. 2018(21)
[3]基于Fg-CarNet的車輛型號(hào)精細(xì)分類研究[J]. 余燁,金強(qiáng),傅云翔,路強(qiáng).  自動(dòng)化學(xué)報(bào). 2018(10)
[4]基于卷積神經(jīng)網(wǎng)絡(luò)的車型識(shí)別方法研究[J]. 紀(jì)野,李玉惠,王蒙.  傳感器與微系統(tǒng). 2017(11)
[5]卷積神經(jīng)網(wǎng)絡(luò)研究綜述[J]. 周飛燕,金林鵬,董軍.  計(jì)算機(jī)學(xué)報(bào). 2017(06)
[6]深度卷積神經(jīng)網(wǎng)絡(luò)的汽車車型識(shí)別方法[J]. 張軍,張婷,楊正瓴,朱新山,楊伯軒.  傳感器與微系統(tǒng). 2016(11)

博士論文
[1]固定翼無人機(jī)地面車輛目標(biāo)自動(dòng)檢測(cè)與跟蹤[D]. 李大偉.中國(guó)科學(xué)院大學(xué)(中國(guó)科學(xué)院國(guó)家空間科學(xué)中心) 2017



本文編號(hào)：3325191