發(fā)布時間：2021-06-10 18:01

　　隨著時代的發(fā)展和國民消費水平的不斷提高,機動車的數(shù)量日益增長;而對于車輛的實時監(jiān)控和管理僅靠人力已經(jīng)難以完成,必須借助人工智能等智能交通手段。其中,車輛品牌和子品牌的識別是車輛管理中的一個重要環(huán)節(jié),人們可以通過對道路上監(jiān)控攝像頭中的視頻圖像進行分析,實現(xiàn)車輛品牌識別與分類,進而進行統(tǒng)計與數(shù)據(jù)分析,對城市車輛進行有效管理。近年來,計算機視覺領(lǐng)域蓬勃發(fā)展,在很多視覺處理任務(wù)中,計算機的識別水平甚至超過了肉眼的正常水平。但是在實際交通環(huán)境下,車輛被監(jiān)控攝像頭拍下的角度是多種多樣的,并且拍攝時間、天氣、光照角度等外界條件對拍下的車輛圖片清晰度影響很大,這對于車輛品牌的識別有較大的難度,對于人工標注來說更是工作量巨大。此外,實際的交通環(huán)境千差萬別,在一個環(huán)境下識別效果較好的模型到了新的環(huán)境中可能會有較大的準確率下降。因此,如何在環(huán)境改變時仍能保持一個較高的準確率是一個需要解決的問題。本文的目的是在監(jiān)控視頻場景下多角度的車輛圖片中識別車輛的品牌和子品牌信息,并且解決新場景下沒有大量車輛品牌標注數(shù)據(jù)的冷啟動問題,從而在不同的場景中保持較高的車輛品牌識別準確率。本文所做的主要工作及貢獻有:（1）選用不... 

【文章來源】：北京郵電大學(xué)北京市 211工程院校 教育部直屬院校

【文章頁數(shù)】：71 頁

【學(xué)位級別】：碩士

【部分圖文】：

圖１－１智慧交通中車輛信息識別過程??

隨著深度學(xué)習(xí)的發(fā)展，很多使用卷積神經(jīng)網(wǎng)絡(luò)的方法來進行細粒度分類，包括在??車輛品牌識別領(lǐng)域，通過神經(jīng)網(wǎng)絡(luò)提取特征來進行分類。由于卷積神經(jīng)網(wǎng)絡(luò)的梯度不??變性和角度不變性，深度學(xué)習(xí)對汽車品牌特征的提取不再強依賴于車標、車臉等具體??細節(jié)特征，也對監(jiān)控場景中的多角度的特點有很好的處理能力。汽車品牌的分類問題??是汽車這一大類下的細分類的問題，統(tǒng)歸細粒度分類問題，與此類似的還有花的品種??識別等。深度學(xué)習(xí)對于細粒度分類問題的處理通常為，使用ＩｍａｇｅＮｅｔ中預(yù)訓(xùn)練的１０００??個分類的模型，去對有標注的細粒度分類訓(xùn)練集進行微調(diào)訓(xùn)練。從而提取到細分類的??特征，并應(yīng)用到測試集中進行識別。因此在汽車品牌識別的領(lǐng)域中，大家一般把目標??聚集在有標注的圖片數(shù)據(jù)集的獲取和收集上。??當前車輛品牌識別研究所使用的數(shù)據(jù)集大多是從網(wǎng)絡(luò)中選取的高質(zhì)量圖片（比??如汽車門戶網(wǎng)站、論壇，大多為汽車銷售商所提供的圖像）。網(wǎng)絡(luò)來源圖片的特點是??分辨率很高，角度以正面為主，光線良好，圖片中其他物體的干擾遮擋較少。也有一??些數(shù)據(jù)集來自監(jiān)控視頻場景，但是由于多個攝像頭大量拍攝的汽車圖片獲取難度較??高，人工標注難度較大，這方面的大規(guī)模有標注的圖片數(shù)據(jù)集比較少。在智慧交通實??

?１８．５??ＣｏｍｐＣａｒｓ數(shù)據(jù)集的標注中包含車輛在圖片中的ｘ軸、ｙ軸坐標，長寬，類別等??信息（如圖３－１所示），并提供了約５：５的訓(xùn)練集測試集劃分文件以及４３１個類別的??映射表（如圖３－２所示）。而在Ｃａｆｆｅ中，需要輸入模型中的是每個圖片數(shù)據(jù)的圖片??位置、分類信息，以及分類數(shù)字和具體分類名稱之間的映射表。??ｌｉｌＪ?ＡＢ１ｋ２?ｃｅｌｌ??１２?３?４?５?６?７??４．００?Ｍｉｔｓｕｂｉｓｈｉ?Ｍｉｔｓｕｂｔｓｈｉ?．．．．??ＳＡＡＢ?ＳＡＡＢ?Ｄ７０??．４０２?Ｗｕｌｍ＾ｇ?Ｗｕｌｉｎ＾ｈｏｎ．．．??１４０３?Ｗｕｌｍ＾?Ｗｕｌｒｎ＾ｚｈｉ＂？??４．０４?Ｗｕｌｍ－ｇ?Ｗｕｌｍ－ｇｒｏｒｓ＊．．，??丨忒０５?Ｃｈｅｖｙ?ＡＶ’ＥＯ?ａｔｅ…??；；－４〇６?Ｃｈ＜ｅ＜ｖｙ?Ｔｒ－ａｘ??＼Ａ〇７?Ｃｈ＾ｗｙ?Ｅｐｉｃ?ａ??＼ＡＯＢ?Ｃｈｅｖｙ?Ｃｒｕｚｅ?ｓｅｄａｎ??ｉ?－４０９?Ｃｈｅｖｙ?Ｃｒｕｚｅ?ｈａｔｉｃ．…??１４１０?Ｃｈ＾ｅｖｙ?Ｃａｐｔｉｖｅ??圖３－２?ＣｏｍｐＣａｒｓ數(shù)據(jù)集４３１個車輛品牌分類表??首先對類別信息映射表進行處理，共分為以下幾步：拿到訓(xùn)練集文件后在車輛廠??商品牌的ＭＡＴＬＡＢ映射表中尋找廠商的信息，并記錄廠商與編碼之間的對應(yīng)關(guān)系。??并從廠商編碼往下尋找子品牌的編碼信息，若找到則記錄形成標注對照表，若沒找到??則繼續(xù)遍歷。標注對照表的生成過程如圖３－３所示，生成的對照表格式為??“ｘ：ｘｘｘｘ＿ｃｌａｓｓＮａｍｅ?ｍｏｄａｌＮａｍｅ”

【參考文獻】：
期刊論文
[1]車輛識別技術(shù)綜述[J]. 張強,李嘉鋒,卓力.  北京工業(yè)大學(xué)學(xué)報. 2018(03)
[2]車輛屬性識別及跨場景標注方案[J]. 董振江,高燕,吳文熙.  中興通訊技術(shù). 2017(04)

碩士論文
[1]車輛多特征識別算法研究與實現(xiàn)[D]. 于國輝.電子科技大學(xué) 2016
[2]基于卷積神經(jīng)網(wǎng)絡(luò)的車臉識別研究[D]. 姚欽文.浙江大學(xué) 2016
[3]基于GRM模板匹配算法的車型和車系識別[D]. 唐紅強.電子科技大學(xué) 2014
[4]基于深度學(xué)習(xí)的車輛型號識別[D]. 熊祎.華中科技大學(xué) 2014
[5]基于多示例學(xué)習(xí)的跨場景圖像自動標注研究[D]. 王曉明.哈爾濱工業(yè)大學(xué) 2013



本文編號：3222863