基于深度卷積神經(jīng)網(wǎng)絡(luò)的車型識(shí)別.pdf

1、車型識(shí)別系統(tǒng)是智能交通系統(tǒng)的重要組成部分和重點(diǎn)研究內(nèi)容。隨著圖像處理、模式識(shí)別以及計(jì)算機(jī)視覺等技術(shù)的發(fā)展，基于圖像的車型識(shí)別技術(shù)得到了越來越多的關(guān)注和研究?；趫D像的車型識(shí)別技術(shù)是通過提取攝像頭中的視頻流中的車輛圖像，然后通過模式以及計(jì)算機(jī)視覺識(shí)別技術(shù)獲得車輛圖像的有效信息，進(jìn)而進(jìn)行分類識(shí)別。但是目前基于圖像的車型識(shí)別系統(tǒng)因?yàn)槭艿剿俣群蜏?zhǔn)確率兩個(gè)重要因素的限制，投入實(shí)際應(yīng)用的智能車型識(shí)別系統(tǒng)還很少，因此如何準(zhǔn)確高效地對車型進(jìn)行識(shí)別，對于

2、保證交通的正常運(yùn)行具有重要的意義。
　　本文采用基于圖像的目標(biāo)識(shí)別方案實(shí)現(xiàn)車型的識(shí)別。首先，由于目前缺少實(shí)驗(yàn)所需的公共數(shù)據(jù)庫，本文將從高速公路上拍攝的車輛圖像數(shù)據(jù)中選擇背景車輛多變、光照多變和尺度多變等圖片進(jìn)行數(shù)據(jù)庫的構(gòu)建，以保證數(shù)據(jù)庫的多樣性。本文最終建立的車型數(shù)據(jù)庫包含轎車、客車和貨車的訓(xùn)練樣本以及測試樣本。
　　其次，本文研究了特征提取方法和分類器?；诒疚臉?gòu)建的車型圖像庫，運(yùn)用HOG及PCA-SIFT特征，結(jié)合SVM

3、算法訓(xùn)練車型分類器，比較兩種特征分類器的性能。
　　最后，針對目前基于圖像的車型識(shí)別的特征提取速度和識(shí)別效果問題，本文提出利用卷積神經(jīng)網(wǎng)絡(luò)(Convolutional Neural Network，CNN)自主提取特征，結(jié)合SVM分類器進(jìn)行車型的分類識(shí)別。本文從網(wǎng)絡(luò)層數(shù)、濾波器大小、濾波器個(gè)數(shù)、激活函數(shù)等方面優(yōu)化提取特征的網(wǎng)絡(luò)結(jié)構(gòu)，相比于如HOG和SIFT+PCA常見算法以及和最近幾年出現(xiàn)的車型識(shí)別算法，本文提出的方法在速度和準(zhǔn)確