基于邏輯回歸與深度卷積網(wǎng)絡(luò)的應(yīng)急車道車輛檢測(cè)與分類方法研究.pdf

1、車輛占用應(yīng)急車道行駛嚴(yán)重影響了應(yīng)急車道的正常使用，目前對(duì)占用應(yīng)急車道車輛抓拍的圖像甄別工作主要依賴于人工處理。本文提出一種用于應(yīng)急車道抓拍圖像的車輛檢測(cè)和識(shí)別方法，實(shí)現(xiàn)急車道車輛智能檢測(cè)應(yīng)及行駛車輛類型的自動(dòng)判斷。
　　本文引入邏輯回歸理論，提出基于邏輯回歸的車輛檢測(cè)方法;基于卷積網(wǎng)絡(luò)強(qiáng)大的特征抽象和自動(dòng)學(xué)習(xí)能力，研究基于卷積網(wǎng)絡(luò)的車輛識(shí)別算法，分析卷積網(wǎng)絡(luò)中卷積核的貢獻(xiàn)大小，提出基于卷積核方差與L1范數(shù)和的方式裁剪卷積核，對(duì)CN

2、N模型進(jìn)行壓縮改進(jìn)。利用訓(xùn)練集圖像的HOG特征訓(xùn)練邏輯回歸分類器，通過(guò)滑動(dòng)窗口機(jī)制對(duì)目標(biāo)區(qū)域進(jìn)行搜索，提取滑動(dòng)窗口的HOG特征并送入分類器，由非極大抑制技術(shù)輸出檢測(cè)結(jié)果;利用本文制作的車輛類別訓(xùn)練集訓(xùn)練CNN模型獲取最優(yōu)模型，基于卷積核方差與L1范數(shù)和對(duì)CNN模型的卷積核進(jìn)行裁剪，由訓(xùn)練集對(duì)裁剪后的模型進(jìn)行再訓(xùn)練以達(dá)到最優(yōu)，將車輛檢測(cè)結(jié)果輸入CNN模型獲得車輛類型識(shí)別結(jié)果。主要研究?jī)?nèi)容如下:
　　1.車輛檢測(cè)
　　分析邏輯回

3、歸的分類原理和參數(shù)求解方法，在車輛的HOG特征基礎(chǔ)上，提出基于邏輯回歸的車輛檢測(cè)方法。
　　2.車輛分類識(shí)別
　　分析卷積網(wǎng)絡(luò)的結(jié)構(gòu)特點(diǎn)和參數(shù)，設(shè)計(jì)深度卷積網(wǎng)絡(luò)車輛分類識(shí)別模型。
　　3.模型的壓縮
　　分析模型卷積層中卷積核對(duì)特征提取的貢獻(xiàn)大小指標(biāo)，比如平均零占比，L1范數(shù)等，在此基礎(chǔ)上提出以卷積核方差與L1范數(shù)和為評(píng)價(jià)指標(biāo)對(duì)卷積核進(jìn)行裁剪的方法，從而實(shí)現(xiàn)模型壓縮。
　　實(shí)驗(yàn)結(jié)果表明，在抓拍的應(yīng)急車道數(shù)據(jù)

4、集上基于邏輯回歸的車輛檢測(cè)方法檢測(cè)率達(dá)到97％，分別高出SVM與Adaboost0.9％和2.3％，平均檢測(cè)時(shí)間比SVM和Adaboost短30％-40％左右，相較于SVM與Adaboost，邏輯回歸模型更簡(jiǎn)單，復(fù)雜度更低;基于卷積網(wǎng)絡(luò)的車輛識(shí)別算法的準(zhǔn)確率達(dá)到99.2％，比人工提取特征的準(zhǔn)確率高8％左右;卷積核裁剪后對(duì)模型再訓(xùn)練，結(jié)果顯示模型的參數(shù)減少了50.7％，模型運(yùn)算時(shí)間大幅下降，但是準(zhǔn)確率仍可以保持在99.1％，驗(yàn)證了該裁剪方