智能交通系統(tǒng)作為一種先進(jìn)的交通管理技術(shù),越來(lái)越受到人們的重視,同時(shí)隨著計(jì)算機(jī)硬件水平的提升,許多復(fù)雜算法所帶來(lái)的實(shí)時(shí)計(jì)算困難的問(wèn)題已逐漸突破。本文所研究的車(chē)輛檢測(cè)技術(shù)是道路安全監(jiān)控系統(tǒng)中的重要組成部分,該研究對(duì)于智能交通系統(tǒng)的發(fā)展有著重大意義。本文首先研究了車(chē)輛的特征提取方法。針對(duì)卷積神經(jīng)網(wǎng)絡(luò)所提取的單層圖像特征信息不充分的問(wèn)題,同時(shí)為了降低車(chē)輛行駛過(guò)程中自然環(huán)境（光照強(qiáng)度及拍攝角度的變化、背景多樣性等）的干擾,以及在訓(xùn)練過(guò)程中節(jié)約內(nèi)存、加快計(jì)算速度,本文提出將CNN后三層特征融合,并經(jīng)PCA降維后輸入SVM分類(lèi)器的車(chē)輛識(shí)別方法。該方法以AlexNet模型為基礎(chǔ),通過(guò)實(shí)驗(yàn)對(duì)比不同參數(shù)的測(cè)試正確率,構(gòu)建卷積神經(jīng)網(wǎng)絡(luò)模型,得到最優(yōu)車(chē)輛識(shí)別系統(tǒng);采用串行融合方法將所提取的網(wǎng)絡(luò)后三層車(chē)輛特征圖進(jìn)行融合,并通過(guò)主成分分析得到一個(gè)信息充分的車(chē)輛特征向量,以提高車(chē)輛識(shí)別的準(zhǔn)確性和實(shí)時(shí)性;為了增強(qiáng)模型泛化能力與糾錯(cuò)能力,將CNN的SoftMax采用SVM分類(lèi)器代替,實(shí)現(xiàn)車(chē)輛識(shí)別。實(shí)驗(yàn)結(jié)果表明,相比傳統(tǒng)特征提取方法,本文方法顯著提高了車(chē)輛識(shí)別速度和分類(lèi)精度,且具有良好的魯棒性。其次研究了目標(biāo)檢測(cè)與跟蹤算... 

【文章來(lái)源】：西北師范大學(xué)甘肅省

【文章頁(yè)數(shù)】：57 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

卷積操作示意圖

最大池化與平

第2章基于深度特征的車(chē)輛識(shí)別10面優(yōu)化網(wǎng)絡(luò)，構(gòu)建多層特征和SVM相結(jié)合的車(chē)輛網(wǎng)絡(luò)模型，如圖2-3所示。圖2-3車(chē)輛識(shí)別模型結(jié)構(gòu)圖本文車(chē)輛識(shí)別模型結(jié)構(gòu)分三步完成1）設(shè)計(jì)車(chē)輛識(shí)別基礎(chǔ)網(wǎng)絡(luò)結(jié)構(gòu)。收集車(chē)輛數(shù)據(jù)集并分析該數(shù)據(jù)集特點(diǎn)，根據(jù)經(jīng)驗(yàn)設(shè)定不同的網(wǎng)絡(luò)結(jié)構(gòu)進(jìn)行實(shí)驗(yàn)，選出適合該數(shù)據(jù)集的網(wǎng)絡(luò)；2）多層特征融合與降維。針對(duì)傳統(tǒng)CNN僅將端層特征用于車(chē)輛識(shí)別，丟失了一些重要信息，本文將多層特征融合，并利用PCA算法進(jìn)行降維處理后再用于車(chē)輛識(shí)別；3）將降維后的特征輸入SVM分類(lèi)器進(jìn)行分類(lèi)。2.2.1基于AlexNet的CNN網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計(jì)卷積神經(jīng)網(wǎng)絡(luò)的性能受許多參數(shù)影響，AlexNet網(wǎng)絡(luò)模型通過(guò)ImageNet[23]數(shù)據(jù)訓(xùn)練得到，訓(xùn)練集的數(shù)據(jù)量達(dá)到百萬(wàn)級(jí)。這也是AlexNet網(wǎng)絡(luò)模型取得較好成績(jī)的重要原因。而在現(xiàn)實(shí)的研究工作中收集如此大的數(shù)據(jù)集是不容易的，并且對(duì)于硬件處理的要求也較為嚴(yán)格，本文對(duì)車(chē)輛進(jìn)行識(shí)別，只分為了車(chē)輛和非車(chē)輛兩類(lèi)。通過(guò)自己收集數(shù)據(jù)進(jìn)行訓(xùn)練測(cè)試，所得到的數(shù)據(jù)集有限，并且硬件條件較為基矗在此種情況下，要做到著重關(guān)注模型結(jié)構(gòu)設(shè)計(jì)和網(wǎng)絡(luò)參數(shù)設(shè)置的合理性，車(chē)輛二分類(lèi)的準(zhǔn)確率以及網(wǎng)絡(luò)損失函數(shù)的收斂狀態(tài)。表2-1為基于AlexNet網(wǎng)絡(luò)與數(shù)據(jù)集的特點(diǎn)所提出的7種對(duì)比網(wǎng)絡(luò)，以此來(lái)確定最終所使用的車(chē)輛識(shí)別網(wǎng)絡(luò)。

【參考文獻(xiàn)】：
期刊論文
[1]多尺度上下文信息增強(qiáng)的顯著目標(biāo)檢測(cè)全卷積網(wǎng)絡(luò)[J]. 凌艷,陳瑩.  計(jì)算機(jī)輔助設(shè)計(jì)與圖形學(xué)學(xué)報(bào). 2019(11)
[2]基于增強(qiáng)Tiny YOLOV3算法的車(chē)輛實(shí)時(shí)檢測(cè)與跟蹤[J]. 劉軍,后士浩,張凱,張睿,胡超超.  農(nóng)業(yè)工程學(xué)報(bào). 2019(08)
[3]改進(jìn)的YOLO V3算法及其在小目標(biāo)檢測(cè)中的應(yīng)用[J]. 鞠默然,羅海波,王仲博,何淼,常錚,惠斌.  光學(xué)學(xué)報(bào). 2019(07)
[4]基于語(yǔ)義DCNN特征融合的細(xì)粒度車(chē)型識(shí)別模型[J]. 楊娟,曹浩宇,汪榮貴,薛麗霞.  計(jì)算機(jī)輔助設(shè)計(jì)與圖形學(xué)學(xué)報(bào). 2019(01)
[5]基于Darknet框架下YOLO v2算法的車(chē)輛多目標(biāo)檢測(cè)方法[J]. 李珣,劉瑤,李鵬飛,張蕾,趙征凡.  交通運(yùn)輸工程學(xué)報(bào). 2018(06)
[6]基于YOLO＿v2模型的車(chē)輛實(shí)時(shí)檢測(cè)[J]. 黎洲,黃妙華.  中國(guó)機(jī)械工程. 2018(15)
[7]基于集成卷積神經(jīng)網(wǎng)絡(luò)的遙感影像場(chǎng)景分類(lèi)[J]. 張曉男,鐘興,朱瑞飛,高放,張作省,鮑松澤,李竺強(qiáng).  光學(xué)學(xué)報(bào). 2018(11)
[8]區(qū)域建議網(wǎng)絡(luò)的細(xì)粒度車(chē)型識(shí)別[J]. 楊娟,曹浩宇,汪榮貴,薛麗霞,胡敏.  中國(guó)圖象圖形學(xué)報(bào). 2018(06)
[9]基于CNN多層特征和ELM的交通標(biāo)志識(shí)別[J]. 孫偉,杜宏吉,張小瑞,趙玉舟,楊翠芳.  電子科技大學(xué)學(xué)報(bào). 2018(03)
[10]深度神經(jīng)網(wǎng)絡(luò)并行化研究綜述[J]. 朱虎明,李佩,焦李成,楊淑媛,侯彪.  計(jì)算機(jī)學(xué)報(bào). 2018(08)

碩士論文
[1]攝像頭運(yùn)動(dòng)狀態(tài)下目標(biāo)特征提取和跟蹤的研究[D]. 歐曉文.華南理工大學(xué) 2015



本文編號(hào)：3234633