论文部分内容阅读
车型识别,包括车型分类、品牌精细识别,在“黑车稽查”、打击通行费的“大车小标”及追查逃逸车辆等场合,都起着重要的作用。在交通监控视频中,由于存在外界光照变化、运动目标模糊、车辆引擎盖反光等干扰,传统的识别检测算法分类识别准确率不高,鲁棒性不强。为此,论文依托“基于深度学习的收费车道车辆特征识别认证系统及其应用研究”省级项目,展开了对车型视频识别算法的应用研究,其具有重要的应用价值和理论意义。论文描述了国内外车型分类检测和车品牌精细识别的现状,比较分析了几种传统目标检测算法性能,指出了这些算法的优点与不足。论文在解析了深度学习网络模型的机理基础上,结合车辆识别检测的应用场景,给出了基于深度学习网络模型YOLO的车辆检测优化算法,经高速公路行车/ETC收费实际测试:明显提升了车型分类检测的准确度,满足了检测实时性的要求。论文针对车型品牌类别之间不明显的差异,分析了所采用的定位图像重要区域及精细化图像特征表达方法的局限性,进而研究了 RA-CNN的网络模型算法。该算法具体采用了注意力提取网络APN提取最具差异的判别性区域,以进一步提取各品牌车辆之间的细微差异特征,两者结合的算法提高了精细识别准确度。模型经Stanford Cars-196数据集上训练以及测试,表明车型精细识别准确率近达90%。考虑到Cars-196库中车型分类尚未包含全部的监测车型品牌,也考虑到ETC场景的分类准确率较低,论文结合CompCars数据及道路实际通行车辆的类别,将车辆品牌划分成73类,并将数据集图片中的非车辆信息部分剔除。另外补充实际场景采集的,包含亮暗变化等干扰的1500张监控车辆图片,分别标注类别。论文改进RA-CNN网络结构,并通过两次递归卷积特征提取来训练网络模型。经ETC场景下实测,车型品牌精细识别准确率获95%。论文整合了车型分类检测及定位和车型品牌精细识别的两算法模块,组成完整的车型视频识别系统:通过车型分类检测及定位模块来检测图片,一旦检测到的车辆属于Car类别,将车辆局部图片进一步通过精细识别网络来完成车型品牌的精细识别,进而实现整个车型识别系统的功能。论文的特点和贡献在于:●优化了深度学习网络YOLO模型的车辆检测算法,提升了多场景的车辆视频识别的准确率与实时性;●优化了 RA-CNN的网络模型,从而提升了车型品牌精细识别的处理速度和车型分类的识别率;●提出了 YOLO算法与RA-CNN两优化算法的综合算法,实现了完整的车型视频识别系统,完成了车型分类识别与品牌精细识别功能。