论文部分内容阅读
随着城市智能交通的发展及城市车辆保有量的快速增长,公共安全、交通管理与政策制定等领域都对车辆的智能识别和快速信息记录提出了急切需求。而目前对车辆的识别工作主要停留在单一信息的智能提取,即车辆的车牌,车型,颜色等外在特征上,整体信息不足导致无法实现针对改装车、套牌车、遮挡车,以及相同车型车辆的身份识别。多数利用车脸识别的研究是针对性的利用车脸某些区域或者粗略的提取车辆全脸的纹理特征,对车脸特征的提取不够完善。本文顺应智慧交通系统的发展,利用计算机视觉神经网络算法,提出了一整套基于车全脸特征的,不完全依赖于车牌号码识别车辆身份的车辆身份识别方法。通过分阶段逐步提取车脸特征的方式,先后完成了车辆的检测,车辆的分类以及车辆身份的识别。这个过程与计算机视觉方向从检测分类到细分类,实例识别的逐步加深是对应的,整个过程中使用了不同深度学习的技术以设计实现具体的应用目标,本文的主要工作如下:1.车脸即车辆前端,本文利用了PKU VehicleID,BIT Vehicle,Vehicle-1M车辆数据集,并利用网络爬虫爬取包含车辆的图片对数据集进行丰富,在此基础上根据后续任务的需求制作了对应的车辆检测、部件类别、车型分类、图像分割、和识别测试的细分数据集。2.基于MobileNet-SSD网络实现了高效的车辆检测,同时引入特征金字塔模型设计了基于SSD网络的适合多尺度目标检测的车脸重要部件提取网络。该网络更好地利用了局部低层纹理特征和全局高层抽象特征,使检测准确率提升了4.9%。3.利用单个多任务网络同时完成车脸前挡风玻璃处的目标检测,图像分割,以及特征提取。设计一种特征向量提取方式,通过分割后的语义信息过滤车脸前挡风玻璃以及不同类别兴趣区域的特征,拼接整合正则化处理后用于代表该车的身份信息,实现车辆身份的先整体后精细的识别。基于以上对车全脸特征完整的提取利用以及车辆检测、分类和身份识别的研究工作,本文应用场景下相对目前最新的车辆重识别算法识别准确率提升了6%,并在linux系统下实现了一个利用Caffe和TensorFlow深度学习平台开发的基于Vue.js和flask开源框架的多任务车辆身份识别系统。