【摘要】：車型識(shí)別是目標(biāo)檢測(cè)領(lǐng)域在智能交通的重要應(yīng)用,也是近年來國內(nèi)外學(xué)者的研究熱點(diǎn)之一。針對(duì)已有車輛檢測(cè)方法缺乏識(shí)別車型能力的問題,提出了基于Faster-RCNN目標(biāo)檢測(cè)模型與ZF、VGG-16以及ResNet-101 3種卷積神經(jīng)網(wǎng)絡(luò)分別結(jié)合的策略,實(shí)驗(yàn)對(duì)比了該策略中的3種結(jié)合模型方案在BIT-Vehicle和CompCars2種大型車型數(shù)據(jù)庫的車型識(shí)別能力。在BIT-Vehicle數(shù)據(jù)集上,基于Faster-RCNN與ResNet-101結(jié)合模型方案的車型識(shí)別率高與其余2種結(jié)合模型方案,其車型識(shí)別率高達(dá)91.3%;在遷移測(cè)試CompCars數(shù)據(jù)集上,3種結(jié)合模型方案均展現(xiàn)了很好的泛化能力。
[Abstract]:Vehicle recognition is an important application of intelligent transportation in the field of target detection, and it is also one of the hot research topics of scholars at home and abroad in recent years. In order to solve the problem that the existing vehicle detection methods lack the ability to recognize vehicle models, a strategy of combining Faster-RCNN target detection model with ZFVGG-16 and ResNet-101 convolution neural networks is proposed. The vehicle recognition capability of three combined model schemes in BIT-Vehicle and CompCarsdatabase is compared experimentally. On the BIT-Vehicle data set, the model recognition rate based on Faster-RCNN and ResNet-101 is high and the recognition rate of other two models is as high as 91.3%, and the three combined model schemes show good generalization ability on the migration test CompCars data set.
【作者單位】： 重慶大學(xué)信息物理社會(huì)可信服務(wù)計(jì)算教育部重點(diǎn)實(shí)驗(yàn)室;重慶大學(xué)軟件學(xué)院;
【基金】：高等學(xué)校博士學(xué)科點(diǎn)專項(xiàng)科研基金博導(dǎo)類資助項(xiàng)目(20130191110027)~~
【分類號(hào)】：TP391.41;U495

【相似文獻(xiàn)】

相關(guān)期刊論文 前3條

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

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

3 孫青;劉智勇;;基于樸素貝葉斯分類模型的車型識(shí)別方法[J];五邑大學(xué)學(xué)報(bào)(自然科學(xué)版);2008年03期

相關(guān)會(huì)議論文 前1條

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

相關(guān)博士學(xué)位論文 前1條

1 李麗宏;基于多傳感器信息融合的超限超載檢測(cè)系統(tǒng)設(shè)計(jì)研究[D];太原理工大學(xué);2013年

相關(guān)碩士學(xué)位論文 前10條

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

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

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

4 張飛云;基于深度學(xué)習(xí)的車輛定位及車型識(shí)別研究[D];江蘇大學(xué);2016年

5 夏文吉;基于輪廓幾何稀疏表示的車型識(shí)別研究[D];西南交通大學(xué);2016年

6 陳超學(xué);基于循環(huán)神經(jīng)網(wǎng)絡(luò)的聲學(xué)車型識(shí)別研究[D];西安電子科技大學(xué);2015年

7 李孟格;基于車輛正面圖像的車型識(shí)別系統(tǒng)研究與設(shè)計(jì)[D];沈陽理工大學(xué);2016年

8 路新宇;基于多傳感器融合的車型識(shí)別系統(tǒng)研究[D];華南理工大學(xué);2015年

9 王小龍;基于視頻圖像的車型識(shí)別算法研究與實(shí)現(xiàn)[D];西安電子科技大學(xué);2014年

10 劉承胤;基于線陣CCD的車型識(shí)別方法研究[D];安徽大學(xué);2014年

，

本文編號(hào)：2122824