隨著智能交通系統(tǒng)的快速發(fā)展,基于圖像的車(chē)輛分類(lèi)越來(lái)越受到研究人員的重視。本文主要針對(duì)自然場(chǎng)景中的車(chē)輛圖像進(jìn)行細(xì)粒度分類(lèi)研究,該類(lèi)圖像的特點(diǎn)是背景復(fù)雜多變且拍攝角度也不固定,車(chē)輛本身存在較高的類(lèi)內(nèi)差異和較低的類(lèi)間差異。傳統(tǒng)的圖像特征分類(lèi)方法有基于HOG特征的、有基于SIFT特征的等等,這些特征都是由人工設(shè)計(jì)的,特征的提取過(guò)程較為繁瑣,且有些圖像特征是根據(jù)特定場(chǎng)景設(shè)計(jì)的,不具有普適性。近年來(lái)隨著深度學(xué)習(xí)的普及,作為深度學(xué)習(xí)的一個(gè)分支,卷積神經(jīng)網(wǎng)絡(luò)因其避免了人工設(shè)計(jì)特征而在圖像分類(lèi)領(lǐng)域獲得了廣泛的應(yīng)用。本文利用卷積神經(jīng)網(wǎng)絡(luò)的優(yōu)勢(shì)提出了一種基于卷積神經(jīng)網(wǎng)絡(luò)的車(chē)輛細(xì)粒度分類(lèi)算法來(lái)提高自然場(chǎng)景下的車(chē)輛圖像的分類(lèi)準(zhǔn)確率。本文首先介紹了卷積神經(jīng)網(wǎng)絡(luò)的基本理論,包括了卷積神經(jīng)網(wǎng)絡(luò)的發(fā)展歷史和卷積神經(jīng)網(wǎng)絡(luò)基本結(jié)構(gòu),并介紹了兩種常見(jiàn)的分類(lèi)模型:Softmax分類(lèi)器和SVM分類(lèi)器;其次,針對(duì)傳統(tǒng)的SIFT特征在自然場(chǎng)景下的車(chē)輛圖像分類(lèi)存在的分類(lèi)精度低的問(wèn)題,提出了一種融合FV-SIFT特征和深度卷積特征的車(chē)輛細(xì)粒度分類(lèi)算法,該方法通過(guò)將車(chē)輛圖像的FV-SIFT特征和VGG-16深度卷積特征進(jìn)行組合并采用一種基...

【文章頁(yè)數(shù)】：84 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

圖2.1LeNet卷積神經(jīng)網(wǎng)絡(luò)處理手寫(xiě)字符示意圖

神經(jīng)網(wǎng)絡(luò)的概念首次由國(guó)外的神經(jīng)科學(xué)家DavidH.Hubel和TorstenWiesel于上世紀(jì)60年代提出，他們?cè)趯?duì)貓的視覺(jué)系統(tǒng)進(jìn)行研究時(shí)發(fā)現(xiàn)了貓的視覺(jué)系統(tǒng)具有感受野這一功能結(jié)構(gòu)，即神經(jīng)網(wǎng)絡(luò)。之后，KunihikoFukushima在DavidH.Hubel和....

圖2.3二維場(chǎng)景下的輸入圖像和卷積核

圖2.3二維場(chǎng)景下的輸入圖像和卷積核次卷積操作及得到的特征(b)第二次卷積操作及得次卷積操作及得到的特征(d)第九次卷積操作及得

圖2.4二維場(chǎng)景下的卷積操作示意圖

10圖2.4二維場(chǎng)景下的卷積操作示意圖由于卷積神經(jīng)網(wǎng)絡(luò)的各個(gè)層之間輸入都是三維的，即在包含了寬度W和高度H情況下又包含了通道數(shù)C，因此對(duì)于這種三維場(chǎng)景下的卷積操作可以通過(guò)擴(kuò)展二維場(chǎng)下的卷積操作得到，如式(2-3)所示：111,,,,,,,000llllD....

圖2.5平均值池化操作示意圖

特征圖i+m行第j+n列的元素值；平均值池化核的大小表示為KK×。(2)最大值池化最大值池化通過(guò)選取一定大小的池化核對(duì)卷積層輸出的特征圖的相應(yīng)位置進(jìn)行取大值操作得到一個(gè)新的特征圖。具體的最大值池化操作如式(2-5)所示：,,,,01,01maxldijd....

本文編號(hào)：3979754