没有合适的资源?快使用搜索试试~ 我知道了~
温馨提示
试读
22页
最近来,随着我国经济水平不断发展,人民生活质量和可支配收入逐渐提升,越来越多人希望获得更快捷的出行方式,选择购买电动汽车或新能源汽车,全国机动车持有数量呈现出不断增涨的姿态。同时,这也带来了日益严重的交通拥堵、停车困难、交通事故等问题。构建智能交通系统显得尤为必要,车型识别技术作为其中重要组成部分,随着深度学习方法得到广泛应用,本文基于深度学习对车辆车型识别进行研究,为解决日益凸显的交通问题做出贡献。本文对国内外车型识别研究进行总结,分析不同识别方法优势与不足。介绍神经网络的发展、相关结构与技术原理,深入了解不同深度神经网络模型(VGGNet、InceptionNet、ResNet)的结构及原理,突出其独特改进优势。本文选用识别精度较高,在速度上具有很大优势的YOLO算法,在BIT-Vehicle ID数据集上进行车辆检测试验,实验获得较好的准确度,mAP达到94.08%。
资源详情
资源评论
资源推荐
I
基于深度学习的车型
识别研究与应用
摘 要
最近来,随着我国经济水平不断发展,人民生活质量和可支配收入逐渐提升,
越来越多人希望获得更快捷的出行方式,选择购买电动汽车或新能源汽车,全国
机动车持有数量呈现出不断增涨的姿态。同时,这也带来了日益严重的交通拥堵、
停车困难、交通事故等问题。构建智能交通系统显得尤为必要,车型识别技术作
为其中重要组成部分,随着深度学习方法得到广泛应用,本文基于深度学习对车
辆车型识别进行研究,为解决日益凸显的交通问题做出贡献。本文对国内外车型
识别研究进行总结,分析不同识别方法优势与不足。介绍神经网络的发展、相关
结构与技术原理,深入了解不同深度神经网络模型(VGGNet、InceptionNet、
ResNet)的结构及原理,突出其独特改进优势。本文选用识别精度较高,在速度
上具有很大优势的 YOLO 算法,在 BIT-Vehicle ID 数据集上进行车辆检测试验,
实验获得较好的准确度,mAP 达到 94.08%。
关键词: 深度学习; 车型识别; 卷积神经网络; 智能交通
目 录
摘 要............................................................................................................................... I
第一章 绪论.................................................................................................................. 1
1.1. 研究背景及意义 ................................................................................................ 1
1.2. 国内外研究现状 ................................................................................................ 2
1.2.1. 电感线圈检测法 ......................................................................................... 2
1.2.2. 红外线探测法 ............................................................................................. 2
1.2.3. 磁力检测法 ................................................................................................. 3
1.2.4. 视频图像检测法 ......................................................................................... 3
1.3. 本文组织结构 .................................................................................................... 4
第二章 相关技术介绍.................................................................................................. 6
2.1. 人工神经网络 .................................................................................................... 6
2.2. 卷积神经网络 .................................................................................................... 8
1) 卷积层 ............................................................................................................... 9
2) 池化层 ............................................................................................................... 9
2.3. 神经网络模型 .................................................................................................. 10
2.3.1. VGGNet ...................................................................................................... 10
2.3.2. InceptionNet ............................................................................................... 11
2.3.3. ResNet ........................................................................................................ 11
2.4. 本章小结 .......................................................................................................... 12
第三章 车型识别算法研究........................................................................................ 13
3.1. 数据集 .............................................................................................................. 13
3.2. 车型检测识别 .................................................................................................. 14
第四章 试验过程及结果分析.................................................................................... 15
4.1. 试验环境 .......................................................................................................... 15
4.2. 数据预处理 ...................................................................................................... 15
4.3. 试验过程与结果 .............................................................................................. 16
第五章 总结与展望.................................................................................................... 19
参考文献...................................................................................................................... 20
第一章 绪论
1.1. 研究背景及意义
最近来,随着我国经济水平不断发展,人民生活质量和可支配收入逐渐提升,
越来越多人希望获得更快捷的出行方式,选择购买电动汽车或新能源汽车等。根
据公安部统计,近年来我国新注册机动车数量在不断上升。从 2015 年的 3115 万
辆增加到 2016 年的 3252 万辆,到 2017 年底,相对前一年又增加了 100 万辆。
可以看到,随着我国经济快速发展,全国机动车持有数量呈现出不断增涨的姿态。
机动车的普及让人们的出行更加便利、快捷,但从另一方面来看,大量的车辆涌
入道路,所带来的交通问题也越来越严重,例如:交通拥堵、停车困难、交通事
故、排气带来的环境污染等等。
随着科学技术的发展,制造业水平不断提高,得益于互联网的快速发展,特
别是人工智能的快速发展,人们提出了智能交通系统。智能交通系统(Intelligent
Traffic systrem,ITS)作为智慧城市的重要组成部分,最早起源于美国的上世纪
六七十年代,是一种综合运输管理系统,结合了计算机视觉技术、传感技术、通
信技术及人工智能等,对道路车辆进行监控管理,促进了路、人、车的和谐共存,
改善交通状况,提高交通运输效率,在解决日益凸显的交通问题上发挥越来越重
要的作用
[1]
。
车型识别技术作为智能交通系统一项关键的技术,结合了人工智能、设计分
析、计算机视觉、软件开发等多项技术,受到越来越多的研究者们的关注。作为
智能交通系统中另一项关键技术——车牌识别技术,其技术已经很成熟,但在现
实中的应用还不够全面。单纯依靠车辆车牌对一辆车进行识别的系统是不够健壮
的。在现实中如果被盗的车辆被恶意更改车牌号码,仅通过车牌识别这技术是很
难追查到被盗车辆的。而车型识别技术可以通过车辆整体外观进行识别判断,即
使车子被盗偷换排号,仍可以通过识别其他部分进行车辆追踪,这体现了车型识
别在追踪肇事逃逸者该交通问题上具有很大的优势。
近年来,机器学习得到了飞速的发展,一方面,理论基础更加完善,另一方
面,越来越多实际层面的应用取得显著效果。特别是在 2012 年之后,深度学习
迎来阶段性的飞跃,在图像领域(图像分类、图像识别)取得了重大的突破。例
如,AlexNet 深度学习网络提出,刷新了图像分类比赛的识别率,在 ImageNet
数据集上,准确率相比于传统的识别方法提高了接近 10%,识别效果大幅度领先
与传统学习方法。 基于大数据的发展,深度学习更好发挥自身独特优势。它具
有强大的自动提取特征能力,特别是高层语义特征提取上展现出独特的优势。因
此,我们可以有理由相信将深度学习应用到车型识别中去,利用深度学习独特的
学习方法对车辆图像进行识别追踪,这项工作将具有一定的研究价值与意义。
1.2. 国内外研究现状
车型识别技术最早源于西方国家,其工业化发展较早。车型识别技术从最初
的主要应用在车辆的检测故障以及调试性能,随着技术的不断进步,车型检测开
始呈现多种技术结合情形,例如,机械技术结合了光学、电子技术显示出独特的
优势(车轮定位仪、非接触式车速仪等)。到了上世纪七十年代,随着计算机技
术的发展与兴起,车辆检测系统更加智能化,不仅可以对车速进行检测,还可以
检测车流量、车辆占有率等。同时,应用计算机技术大大减少了人工的干预,检
测设备更新换代,提高了车辆检测自动化程度。
我国车型分类识别技术相比西方发达国家起步较晚,但也得到国家高度重
视,车辆检测识别的研究者们获得了国家批准的大量资金进行研发工作。进过不
断的科研工作,我国在上世纪九十年代也进入了智能交通时代,国内交通系统设
施日益完善,大部分高速公路以及城市道路都已布置了基于视频的车辆监控系
统。
综合国内外车型识别技术方法,基于检测原理方式不同(电感线圈、红外线、
磁力、视频图像)相应可分为四类检测方法
[2]
。
1.2.1. 电感线圈检测法
简单解释电感线圈检测法就是在道路上提前埋下金属感应线圈,汽车主要构
件是由金属构成的,当线圈上接通电流产生交变磁场时,一辆汽车穿过预先设置
好的感应线圈就会引起感应线圈的电感强度以及 LC 振荡频率变化。不同的车型
对感应线圈引起的变化不同,因此我们可以通过采集相应的变化参数来对不同车
型进行识别检测
[3]
。
目前,电感线圈检测法在一些主干道路上使用,有着一定的优势,设备设施
完善,部署系统后受到环境影响如天气变化等比较少,而且其检测技术比较成熟,
对车型检测正确率较高,有广泛的应用价值。
1.2.2. 红外线探测法
利用红外线反射的机制,可以使用红外线检测方法对车型检测识别。在道路
两侧分别放置两组红外阵列检测器(分为发射器、接收器)。发射器主要原理是
由调制脉冲发生器产生调制脉冲,然后经过红外探头进行发射。当汽车经过道路
时,不同的车型对红外线脉冲的遮挡范围不同,接收端接收到的信号也有所不同,
因此,我们可以通过分析信号来判断识别不同的车型
[4]
。
这种检测技术有一个明显的缺点就是,不能有效检测多车辆同时经过检测区
域,特别是遇到道路拥堵情况,通过接收端信号分析检测车型准确度将大幅下降。
1.2.3. 磁力检测法
该方法是考虑了地球本身的磁场特性,地球周围被磁场包围着。当一辆汽车
在道路上行走时,由于车子大部分是金属结构,穿过磁场会产生一定的磁场扰动,
就可以判断是否有汽车经过。同时,还可以进一步分析扰动的程度,根据扰动不
同来识别通过的不同车型。相比于第一种方法——电感线圈检测法,不需要埋线
破坏路面,且设备安装更方便。但也是存在许多缺点,跟第二种检测方法一样存
在着多辆车靠得很近情况下检测效果较差,测量精度低。
1.2.4. 视频图像检测法
随着智能交通系统提出,越来越多的交通监控摄像头被应用安置在道路上,
从而可以大规模采集图像视频数据。拥有了大量的这些交通信息,就可以对其进
行分析处理,出现了许多先进的车型检测技术。如利用计算机视觉技术,提出基
于图像的车辆识别方法、基于视频图像分析的车辆检测追踪技术等。这些方法有
一个独特的优势就是能够提供直观的车辆图像信息,可视化更方便人们的理解。
在后台进行视频图像处理,利用一些模式识别及处理模块可以很有效对收集数据
进行详细信息特征提取分析。在硬件上,这也要求道路上布置更高像素的摄像头,
以及达到实时快速处理的效果,在软件方面需要更先进的车辆识别算法。
基于视频图像处理的检测方法又可以分为传统的方法、深度学习方法。传统
的方法采用手工设计特征提取方法,例如:SVM、贝叶斯网络、BP 神经网络等,
但这些方法识别准确率不是很高。深度学习的方法采用深度卷积网络,能够有效
的提取不同深度的特征(底层特征、高层特征),结合不同特征层的信息,可以
获得具有良好的表征能力。
1) 传统的方法
SVM 是一种二分类问题的机器学习方法,输入向量被非线性映射到一个非
常高维的特征空间,在特征空间中构造线性决策面。决策面的特殊性质保证了网
络具有较高的泛化能力。Guzan
[5]
等人提出了将 HOG 特征跟支持向量机进行结
合,有效地提取特征信息,识别准确率较高,还可以应用到其他物体识别具有较
好的泛化能力。
人工“神经网络”被广泛用作分类和回归灵活模型。一种典型代表是BP神
经网络,网络输入训练样本正向传播训练学习,经过运用了反向传播算法,可以
更好对网络中的权值参数进行调整,调整过程就是最优化损失函数过程,目的是
剩余21页未读,继续阅读
deeplearninger
- 粉丝: 28
- 资源: 6
上传资源 快速赚钱
- 我的内容管理 展开
- 我的资源 快来上传第一个资源
- 我的收益 登录查看自己的收益
- 我的积分 登录查看自己的积分
- 我的C币 登录后查看C币余额
- 我的收藏
- 我的下载
- 下载帮助
安全验证
文档复制为VIP权益,开通VIP直接复制
信息提交成功
评论5