《基于深度学习车辆型号识别》由会员分享，可在线阅读，更多相关《基于深度学习车辆型号识别（28页珍藏版）》请在金锄头文库上搜索。
1、1基于深度学习的基于深度学习的车辆型号识别车辆型号识别 摘 要 随着智能交通的发展，车辆型号的识别受到越来越广泛的关注，它能够为个 人，企业和政府的车辆使用以及监管提供诸多遍历。因而，如何设计高效算法， 对车辆型号进行识别和分类，受到了学术界和工业界的广泛关注。 本文主要如何利用深度学习的方法进行车辆型号的识别和分类。首先，介绍 了车型识别的应用背景和深度学习的基本理论。之后，为了进行目标识别，我 们介绍了常用算法，分析比较了作为图像特征提取常见的算法，总结归纳了他 们性能，精度以及相互之间的关联。之后，介绍了在目标识别工作中基本算法, 阐明了各种方法的特点和适用场景。之后，我们以深度神经网络
2、为理论依据， 分析比较了深度神经网络不同的特征学习方法，并分析了如何使用卷积神经网 络训练参数。我们分析比较不同特征学习方法的特点选取 k 均值聚类算法作为 本文使用的特征学习方法，利用卷积神经网络结构搭建深度学习模型。 、 本文采用大量实测数据作为仿真数据，以确保实验的有效性。同时，基于相 同的实测数据我们适用改进 SIFT 特征匹配算法和深度学习算法进行车型识别。 实验结果表明，深度学习算法的准确率高达 90%，相对于 SIFT 匹配算法，深度 学习算法的车型识别的准确率大大提高。基于上述仿真结果，我们的到了深度 学习算法适用于车辆型号识别领域的结论。 关键词： k 均值聚类，深度学习，卷
3、积神经网络，尺度不变特征变换, 支撑 向量机 Abstract With the development of intelligent transportation, the recognition of vehicle model is paid more and more attention. It can provide many ergodic for vehicle use and supervision of individual, enterprise and government. Therefore, how to design efficient algorithms to
4、 identify and classify vehicle models has attracted wide attention from both academia and industry. This paper mainly discusses how to use depth learning method to identify and classify vehicle models. First of all, the application background and the basic theory of depth learning are 2introduced. A
5、fter that, in order to identify objects, we introduce the common algorithms, analyze and compare the common algorithms for image feature extraction, and summarize their performance, accuracy, and the correlation between them. After that, the basic algorithms in target recognition are introduced, and
6、 the characteristics and application scenarios of various methods are clarified. Then, we analyze and compare the different feature learning methods of depth neural networks based on the depth neural network, and analyze how to train parameters using the convolutional neural network. We analyze and
7、compare the characteristics of different feature learning methods, select the K mean clustering algorithm as the feature learning method used in this paper, and build a deep learning model by using the structure of convolutional neural network. In this paper, a large amount of measured data is used
8、as simulation data to ensure the validity of the experiment. At the same time, based on the same measured data, we apply the improved SIFT feature matching algorithm and depth learning algorithm for vehicle recognition. Experimental results show that the accuracy of the depth learning algorithm is a
9、s high as 90%. Compared with the SIFT matching algorithm, the accuracy of model recognition is greatly improved by depth learning algorithm. Based on the above simulation results, our depth learning algorithm is applicable to the field of vehicle model recognition.3目录第一章 绪论.1 1.1 课题研究背景及意义.1 1.2 深度学
10、习简介.3 1.3 本文主要工作及篇章结构.8 第二章 目标识别算法.9 2.1. 基于机器学习的分类算法.12 2.2. 神经网络算法.14 2.3. 卷积神经网络训练算法.20 第三章 车型识别算法.143.1 SIFT 特征匹配算法.163.1.1 原始算法 3.1.2 改进算法 3.2 深度学习算法.163.2.1 无监督特征学习 3.2.2 基于 SVM 卷积的网络优化算法 3.2.3 车型识别在深度学习中的建模3.2.4 深度学习算法设计 第四章 数值仿真和结果分析.22 4.1 基于 SIFT 特征匹配的车型识别仿真 4.2 基于深度算法的车型识别仿真4.3 结果分析以及算法对比
11、 第六章 结束语.27 致 谢.28 参考文献.2941. 绪论 1.1. 研究背景及意义 因此，智能交通系统(Intelligent Transportation System，简称 ITS) 1-3是未来交通系统的发展方向，它是将先进的信息技术、数据通讯传输技术、 电子传感技术、控制技术及计算机技术等有效地集成运用于整个地面交通管理 系统而建立的一种在大范围内、全方位发挥作用的，实时、准确、高效的综合 交通运输管理系统。 车辆身份识别5-6系统是智能交通的重要分支，它需要人工智能、图像处 理、计算机视觉、模式识别等相关技术的综合应用。目前国内的车牌识别技术 已经日益成熟，随着智能交通技术应
12、用的不断加深，工业界迫切希望提取更多 元的车辆信息，除车牌号码外，还需要车辆的厂牌、型号以及颜色等信息特征。 这些特征在停车场无人管理、交通事故处理、交通肇事逃逸、违章车辆自动记 录等领域具有广泛而迫切的应用需求。 机动车厂牌型号识别技术分为多个环节，一般是通过对摄像机采集的数字 图像进行去噪、增强、车标定位、特征提取、识别等分析完成。为了得到较高 的识别率，要求每一个处理步骤要有很高的准确率，而实际背景复杂，四季、 昼夜、晴雨等不同情况的光照以及车辆运动速度的快慢等直接影响车辆图像的 成像环节，造成车辆图像颜色失真、车身及车标区域灰度不均匀、边缘模糊、 粘连等问题，增加了处理难度；反光、逆光、夜晚光照不足、树荫、车身颜色 显著区域分布位置不同等情况又增加车身颜色识别难度；再加上车辆类别繁多 以及车身本身的污损、遮挡、模糊，也为进一步提高识别率带来诸多困难。针 对诸多问题，工业界一般采用了国际
