论文部分内容阅读
车辆占用应急车道行驶严重影响了应急车道的正常使用,目前对占用应急车道车辆抓拍的图像甄别工作主要依赖于人工处理。本文提出一种用于应急车道抓拍图像的车辆检测和识别方法,实现急车道车辆智能检测应及行驶车辆类型的自动判断。本文引入逻辑回归理论,提出基于逻辑回归的车辆检测方法;基于卷积网络强大的特征抽象和自动学习能力,研究基于卷积网络的车辆识别算法,分析卷积网络中卷积核的贡献大小,提出基于卷积核方差与L1范数和的方式裁剪卷积核,对CNN模型进行压缩改进。利用训练集图像的HOG特征训练逻辑回归分类器,通过滑动窗口机制对目标区域进行搜索,提取滑动窗口的HOG特征并送入分类器,由非极大抑制技术输出检测结果;利用本文制作的车辆类别训练集训练CNN模型获取最优模型,基于卷积核方差与L1范数和对CNN模型的卷积核进行裁剪,由训练集对裁剪后的模型进行再训练以达到最优,将车辆检测结果输入CNN模型获得车辆类型识别结果。主要研究内容如下:1.车辆检测分析逻辑回归的分类原理和参数求解方法,在车辆的HOG特征基础上,提出基于逻辑回归的车辆检测方法。2.车辆分类识别分析卷积网络的结构特点和参数,设计深度卷积网络车辆分类识别模型。3.模型的压缩分析模型卷积层中卷积核对特征提取的贡献大小指标,比如平均零占比,L1范数等,在此基础上提出以卷积核方差与L1范数和为评价指标对卷积核进行裁剪的方法,从而实现模型压缩。实验结果表明,在抓拍的应急车道数据集上基于逻辑回归的车辆检测方法检测率达到97%,分别高出SVM与Adaboost 0.9%和2.3%,平均检测时间比SVM和Adaboost短30%-40%左右,相较于SVM与Adaboost,逻辑回归模型更简单,复杂度更低;基于卷积网络的车辆识别算法的准确率达到99.2%,比人工提取特征的准确率高8%左右;卷积核裁剪后对模型再训练,结果显示模型的参数减少了50.7%,模型运算时间大幅下降,但是准确率仍可以保持在99.1%,验证了该裁剪方法的有效性,同时也证明了该模型的实用性。