论文部分内容阅读
随着汽车行业的不断兴起,汽车已经开始逐渐的进入到平常百姓家,车辆数目的剧增,给道路管理带来也更大的挑战,车辆识别技术也就成为了当前研究的热点。而车标包含了厂家制造商的信息,不容易更换,在车辆识别中起到了很大的作用。在车辆识别系统中,图像的采集都是通过摄像机进行,在自然环境下采集的图像可能出现模糊,扭曲,形变,遮挡等特点,对于图像的特征提取和识别造成了一定的影响。对于当前车标识别技术大部分都是使用传统的特征,比如SIFT,HOG等,结合传统的分类器进行分类,车标识别效果不是很理想,并且实验复杂度大,时间长等特点,不利于用于当前日益增长的车量识别现状,应用价值相对较低。然而,深度学习技术的出现,使得车标识别更加的简单高效。深度学习通过堆叠多个隐藏层,能够模拟更加复杂的函数,具有强大的学习能力。深度学习中的典型卷积神经网络模型,通过模拟人脑的运行机制,能够自动的学习图像特征,进行分类。卷积神经网络具有权值共享,下采样等特点,使得提取的特征具有平移,形变不变性,能够更加高效的提取车标的特征进行分类,与传统的方法进行比较,具有明显的提高。当前车标识别并没有像人脸识别,手写体识别具有公开的训练数据集和测试数据集,只能由实验者亲自采集,样本量小,而对于小样本数据集,卷积神经网络的训练会出现过拟合现象。本文简单介绍了人工神经网络和卷积神经网络,从当前车标识别现状出发,结合车标图像的特点,提出了一种新的卷积神经网络模型,并且对卷积神经网络在小样本车标数据集训练过程中出现的过拟合现象提出了解决方案。本文主要工作如下:首先,针对当前的车标识别方法,结合卷积神经网络的特点,提出了一种树状结构的卷积神经网络模型。该模型与传统的卷积网络结构相比,在每个卷积层并不是只有单一种类的卷积核,而是有多种卷积核,形成树状结构模型。经实验验证,树状卷积网络模型与传统的车标识别方法以及传统的卷积神经网络相比较正确识别率有一定的提高。其次,针对当前小样本车标数据集和当前卷积神经网络的训练方法,使用了三种方式进行卷积网络的训练,第一,扩充样本数据集,进行数据增强操作,对样本进行几何变化。第二,网络结构调整,在小样本数据集下,使用小规模的网络结构,对卷积核大小,卷积核数量,网络层次进行调整。第三,迁移学习,通过对已有公开的数据集的训练学习,再在车标数据集上进行网络参数的微调,得到的网络模型对车标识别的正确率有一定的提高。