應用卷積神經(jīng)網(wǎng)絡（CNN）進行車型分類識別時,系統(tǒng)研究了車輛目標在圖像中的比例變化對CNN識別率的影響,發(fā)現(xiàn)比例過大或過小都會降低識別率。針對這種影響,研究和分析了卷積核尺寸、堆疊卷積結構和加入批歸一化（BN）層對多比例車輛目標的識別效果。建立了6個具有不同目標比例的數(shù)據(jù)集,分別測試經(jīng)典CNN模型Lenet—5和構建的4個不同結構的CNN模型。以Lenet—5的實驗結果為參照,并對比不同模型的實驗結果,研究了不同層次結構對消除目標比例影響的作用。其中表現(xiàn)最優(yōu)的模型能夠把識別率的波動穩(wěn)定在1. 0%以內(nèi),最高識別率為97. 33%。多種目標比例混合后測試模型,發(fā)現(xiàn)CNN對于目標比例為50%的樣本識別率最高。實驗結果為CNN在車輛目標分類識別的研究和應用提供了參考價值。 

【文章來源】：傳感器與微系統(tǒng). 2020,39(07)CSCD

【文章頁數(shù)】：5 頁

【部分圖文】：

不同模型測試結果

把6個單一目標比例的數(shù)據(jù)集中的訓練集進行混合，制成多種目標比例混合的數(shù)據(jù)集。CNN模型選用C模型，訓練200次后，使用6個單一目標比例數(shù)據(jù)集的測試集分別去測試，所得結果如圖3所示。圖3表明，當訓練數(shù)據(jù)集具有多種目標比例時，模型對于目標比例最小的識別最高，比最低識別率高出3.58%。當樣本具有多種目標比例時，使目標處于恰當?shù)谋壤虺叽�，會一定程度上提高識別率。3 結論

實驗樣本是以車輛為識別目標，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、目標位置、樣本數(shù)量等其他可能影響結果的因素，把目標比例作為唯一變量，建立了較為完備的數(shù)據(jù)集。由于車輛目標高低各有不同，為不發(fā)生形變，本文只控制目標的寬度和計算寬度的占比。部分圖像樣本如圖1所示。如圖1，根據(jù)目標的遠近不同，采集了同一背景下的6個不同目標比例的圖像樣本，目標寬度分別約為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%。把每個目標尺寸的圖像都分別制作成數(shù)據(jù)集，測試集和訓練集按照7:3的比例劃分，共制作成6個單一目標尺寸的數(shù)據(jù)集。其中，每個數(shù)據(jù)集都包含4類車型，每類車型具有200個圖像樣本，一共800個圖像樣本。

【參考文獻】：
期刊論文
[1]卷積神經(jīng)網(wǎng)絡池化方法研究[J]. 周林勇,謝曉堯,劉志杰,任筆墨.  計算機工程. 2019(04)
[2]應用卷積神經(jīng)網(wǎng)絡與RPN的交通標志識別[J]. 譚臺哲,盧劍彪,溫捷文,李楚宏,凌偉林.  計算機工程與應用. 2018(21)
[3]基于Fg-CarNet的車輛型號精細分類研究[J]. 余燁,金強,傅云翔,路強.  自動化學報. 2018(10)
[4]基于卷積神經(jīng)網(wǎng)絡的車型識別方法研究[J]. 紀野,李玉惠,王蒙.  傳感器與微系統(tǒng). 2017(11)
[5]卷積神經(jīng)網(wǎng)絡研究綜述[J]. 周飛燕,金林鵬,董軍.  計算機學報. 2017(06)
[6]深度卷積神經(jīng)網(wǎng)絡的汽車車型識別方法[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]固定翼無人機地面車輛目標自動檢測與跟蹤[D]. 李大偉.中國科學院大學(中國科學院國家空間科學中心) 2017



本文編號：3325191