隨著我國機(jī)動車保有量的日益增長,交通堵塞和交通安全等問題日益嚴(yán)重,因此交通及停車場智能管理的需求也隨之日益增長。而在該智能管理系統(tǒng)中,車輛型號和車牌號就類似于車輛的“身份證”,因此研究如何精確地識別出機(jī)動車的型號和車牌具有很大的實(shí)際意義。因此本文研究了精確的車型識別和車牌識別,此外還開發(fā)了兩者的人機(jī)交互界面,從而便于推廣。本文首先介紹了深度學(xué)習(xí)相關(guān)的理論,然后使用MATLAB構(gòu)建了四種卷積神經(jīng)網(wǎng)絡(luò)模型,分別是Alexnet、VGG-16、Resnet-18和Inception v3,并逐一分析了四種模型的結(jié)構(gòu)和參數(shù)。對于車型識別,為了解決粗粒度車型識別無法滿足當(dāng)今智能管理系統(tǒng)需求的問題,本文使用斯坦福大學(xué)的車型數(shù)據(jù)庫進(jìn)行實(shí)驗(yàn),從而實(shí)現(xiàn)車輛品牌、型號和年份的識別。在訓(xùn)練過程中為了避免由于參數(shù)量過大而導(dǎo)致模型遲遲不能收斂的現(xiàn)象,本文通過遷移學(xué)習(xí)來訓(xùn)練四種模型。此外,四種模型的分類器都使用Softmax分類器。最后對訓(xùn)練好后的模型進(jìn)行測試,結(jié)果顯示Resnet-18的測試性能最佳,測試正確率達(dá)到了96.12%。在車牌識別中,針對由于攝像機(jī)和環(huán)境等外界因素可能影響車牌圖像明暗的問題,本文對較明... 

【文章來源】：中北大學(xué)山西省

【文章頁數(shù)】：105 頁

【學(xué)位級別】：碩士

【部分圖文】：

近五年小型載客汽車和私家車保有量變化圖

中北大學(xué)學(xué)位論文2在交通和停車場智能管理中，車型識別作為管理系統(tǒng)中最重要的組成部分，采集汽車信息的方法有感應(yīng)線圈法[14,15]、激光紅外線及壓力傳感法[16,17]和基于圖像處理[18-20]的車型識別方法。圖1.2為基于圖像的車型識別基本流程，由于圖像包含信息多和人工智能（ArtificialIntelligence，AI）在圖像上表現(xiàn)出其獨(dú)特的優(yōu)勢，因此基于圖像的汽車識別方法是當(dāng)前最熱門的研究方法。并且，AI技術(shù)在產(chǎn)業(yè)上的應(yīng)用還不夠全面，《2018世界人工智能產(chǎn)業(yè)發(fā)展藍(lán)皮書》指出人工智能仍然處于早期階段，僅有4%的被調(diào)研產(chǎn)業(yè)已經(jīng)部署了AI技術(shù)，許多產(chǎn)業(yè)還處在正在考慮使用AI和規(guī)劃AI的階段，而智能交通系統(tǒng)就正處于規(guī)劃發(fā)展階段，因此研究基于深度學(xué)習(xí)的車型識別非常具有意義[21]。圖1.2基于圖像的車型識別基本流程僅僅采集汽車類型往往是不夠，而車牌作為機(jī)動車的身份證，因此進(jìn)行車牌識別也具有很重要的意義。通過獲得汽車的車牌可以了解機(jī)動車車主等其他信息，并可以用來區(qū)分同一車型[22]。圖1.3為車牌識別的基本流程，對于一張包含車牌的汽車圖像而言，應(yīng)首先定位車牌所在的區(qū)域，然后進(jìn)行車牌識別。由于車牌部分的維度較小，因此采用機(jī)器學(xué)習(xí)就可以達(dá)到高識別率的要求[23-25]。車型識別加上車牌識別技術(shù)可以使得交通系統(tǒng)和停車場系統(tǒng)的管理者獲得基本的有用信息，從而為解決交通堵塞、交通安全和停車場管理提供了信息基矗圖1.3車牌識別的基本流程

中北大學(xué)學(xué)位論文4圖1.4人工智能、機(jī)器學(xué)習(xí)和深度學(xué)習(xí)的關(guān)系1.2.2車型識別技術(shù)的發(fā)展及研究現(xiàn)狀在智能交通和停車場管理中，首先應(yīng)精確地識別出汽車的類型，其中根據(jù)拍攝汽車的圖像來識別汽車類型已經(jīng)是目前車型識別的重要發(fā)展方向。車型識別包括粗粒度識別和精確識別，將機(jī)動車按外形分成大、中、小三類和分為貨車、卡車、SUV是屬于粗粒度識別，而精確地知道汽車的具體型號則屬于精確識別。隨著當(dāng)今智能交通管理的發(fā)展，精確識別將會是未來的主流。對于車型識別，國外已經(jīng)在很久以前就開始進(jìn)行研究[43]。在2000年Tan等學(xué)者根據(jù)汽車外形是兩條直線的事實(shí)和汽車的尺寸大小，提出了一種汽車識別方法，該方法將汽車分類成小型汽車、轎車和貨車等，其中測試正確率達(dá)到了91%[44]。在2010年Burnos等學(xué)者提出了一種基于數(shù)據(jù)融合和模糊集的粗粒度車輛識別方法，其中全部車輛的測試正確率達(dá)到了95%，貨車的測試正確率達(dá)到了100%[45]。在2013年Arrospide等學(xué)者將汽車圖像使用方向梯度直方圖進(jìn)行處理，從而得到一個(gè)一維向量，然后再對其進(jìn)行識別，其中測試正確率達(dá)到了96%，但也同樣只能對車型進(jìn)行粗略識別[46]。在2018年ZhangH等學(xué)者基于交叉投票原則改進(jìn)了支持向量機(jī)，并將其應(yīng)用在車輛識別上，其中測試正確率達(dá)到了74.52%，這明顯較難滿足當(dāng)今智能車輛管理的需求[47]。此外，Mithun等學(xué)者[48]、Wang等學(xué)者[49]、Tao等學(xué)者[50]、Zhan等學(xué)者[51]和Sarfraz等學(xué)者[52]分別使用了車輛的高


本文編號：2923000