论文部分内容阅读
车辆识别是现代交通控制系统不可或缺的组成部分,也是交通管束、无人驾驶、追踪嫌犯、行为分析等其他智能任务的基础。在高速公路复杂因素干扰的情况下,存在车型误判和车辆颜色变化较大不易于识别的问题。传统针对“灰牌照”车辆主要的识别方法是提取车辆的纹理,颜色,尺寸等底层特征,再通过各种分类器进行车辆识别。主要识别方法有图像匹配、三维模型和常用机器学习方法等,这些方法基本只适合小样本数据量,但是针对目前大数据的情况就显弱势。所以,本文采用基于图像多特征的卷积神经网络方法进行车辆识别,避免了传统车辆识别方法手工工程量大、对自然因素影响抗性弱、识别效率低的问题。克服了车辆场景不同等各种差异影响,同时越过了底层特征获取流程的困难。主要研究工作如下:1、高速公路高清车辆(车型颜色车标)图片数据集的建立。高清车辆图片数据采集来源于高速公路各卡口实际监控中高清设备抓拍的图片,并且将已建立的车型标准特征模型库图片根据常用性、广泛性和方便实验取材并实施的原则进行人工分类标准,根据一定的比例选取训练集和验证集。该数据集作为后续车辆识别研究的基础。2、样本数据集预处理。为保证数据的真实可靠性,对该数据集进行人工分类标注后通过英伟达(NVIDIA)digits中制作分类数据的工具将高速公路车辆高清彩色图片尺度归一化为统一大小制作成深度学习框架能够快速读取的格式,根据一定比例选取训练集和验证集。由于原始数据有限,实验数据集需要分类具体化,部分不规则的图片不能提供有效的车辆信息内容,而且车辆的识别问题,对分类模型的泛化能力要求较高。故将原始数据扩展3倍,根据实验数据量的差别得出不同的实验结果。3、分别针对小样本数据量和大量车辆图片数据集运用传统浅层学习方法与卷积神经网络方法分别进行车辆识别,得到实验结果后进行比较分析。实验结果表明Caffe框架下三种模型对车辆的平均识别率均高于车辆识别的其他方法,有明显的实验效果。