论文部分内容阅读
随着我国高速公路的发展,机动车数量的增加,高速公路交通流量增大,高速公路场景中传统的人工执法和人工收费方式已经远远不能满足智慧高速的发展要求。随着模式识别方法和GPU等技术的发展,基于计算机视觉的车辆检测及识别技术得到迅速发展,为高速公路中车辆信息的智能化管理与不停车电子收费提供了解决办法。目前,针对小汽车的不停车电子收费系统(ETC)逐渐普及,提高了高速公路交通通行效率,但对于货车的不停车智慧收费系统尚处于探索阶段。鉴于此,本论文对基于图像的货车品牌类型识别方法进行研究,从而为高速公路场景中货车智慧收费系统提供技术支持。首先,分析了高速公路监控货车图像特性,研究了基于可变形部件模型的货车车脸检测方法,并与基于梯度方向直方图特征及支持向量机分类器、基于局部二值模式特征及支持向量机分类器、基于最大稳定极值区域车牌检测及车辆对称性和基于边缘车牌检测及车辆对称性4种货车车脸检测方法进行了对比分析,实验结果表明基于可变形部件模型的货车车脸区域检测方法的性能优于其他4种方法,其检测率达到98.02%。其次,分析了基于梯度方向直方图、基于局部二值模式、基于尺度不变特征变换、基于分层梯度方向直方图和基于边缘方向直方图的5种特征提取方法,并基于可变形部件模型及上述5种特征,开展了货车车脸检测的对比实验,实验结果表明采用边缘方向直方图的可变形部件模型的货车车脸检测方法的性能优于其他4种方法,其检测率达到97.86%的条件下的检测时间提高到431ms;基于高速公路货车监控图像,构建了东南大学货车车脸图像集。然后,对比分析了梯度方向直方图特征、尺度不变特征变换特征提取方法及K-Means聚类算法,并分析了支持向量机分类器中所用的线性核、高斯核、Sigmoid核,多项式核和Laplace核5种核函数,基于东南大学货车车脸图像集开展了货车品牌类型识别实验,实验结果表明基于HOG特征与线性核函数支持向量机的货车品牌识别方法的性能优于其他4种核函数,其识别率达到89.63%。最后,对比分析了AlexNet网络模型、Inception V3网络模型、Xception网络模型和DenseNet-201网络模型,构建了基于迁移学习AlexNet网络模型、基于迁移学习Inception V3网络模型、基于迁移学习Xception网络模型和基于迁移学习DenseNet-201网络模型的货车品牌分类方法,实验结果表明Inception V3-MMD模型的精度优于其他三种模型,其货车品牌识别率达到94.85%;基于Inception V3-MMD、Xception-MMD和DenseNet-201-MMD三种网络模型,提出了一种基于迁移学习深度网络融合模型的货车品牌分类方法,实验结果表明基于迁移学习深度网络融合模型的货车品牌分类方法的性能优于Inception V3-MMD、Xception-MMD和DenseNet-201-MMD三种网络模型,其货车品牌识别率达到99.07%。