基于深度学习的超分辨率图像重建与车型识别研究

发布时间：2021-01-10 13:51

　　为了应对日益严重的交通问题,人们试图通过智能交通系统进行改善。而深度学习技术的快速发展为智能交通领域相关问题提供了一种新的解决方案。本文从深度学习相关技术入手,展开了智能交通系统中的图像的重建与车型识别的相关研究。本文首先深入研究了卷积神经网络、深度残差网络和几种典型的卷积神经网络模型,分析了已有算法在重建效果、速度和识别率上的不足,在此基础上进行改进,提出了基于拉普拉斯结构的图像超分辨率重建与基于改进的宽残差网络的车型识别方法。基于拉普拉斯结构的重建模型（LapSRN）通过级联结构,逐步优化的方式进行重建。但其在每一层都是使用相同卷积函数,在上采样过程难免会丢失部分信息。针对该问题 本文引入多通道映射提取更加丰富的特征,并用卷积级联,共享权重的方式对图像进行超分辨率重建。同时,为了优化整个网络,本文选择MSRA初始化方法对网络权值进行初始化,以便加快模型收敛。并采用新的训练策略与激活函数PReLU,大大缩短训练时间,增强系统稳定性。实验证明改进的模型可以更好的重建出图像的纹理和细节。为了满足实际场景下对车型识别的需求,本文提出了一种改进的宽残差结构网络模型。此网络对其结构进行加宽改进... 

【文章来源】：山西师范大学山西省

【文章页数】：67 页

【学位级别】：硕士

【部分图文】：

-3n；第2层

基于拉普拉斯结构的图像超分辨率重建31(2)多通道训练分支GoogleNet映射部分。每个通道都部多通道扩展了非线性的启发，该模型利用局受的通道，从上到下，该模型包含四个不同构的卷积核。具体来说有不同的级别和不同结依次为：conv1_4，由一层尺寸为33的卷积核组成；conv2_4，由两层尺寸均为33的卷积核组成；conv3_4，由一层尺寸为15的卷积核组成；conv4_4，由一层尺寸为51的卷积核组成。然后，线性映射部分的粘贴在一起作为整个非将四个通道的卷积结果输出和高分辨率图像重构部分的输入。4条不同的通道，可以提取不同的特征。conv1_4和conv2_4通道相比:conv1_4有一层，每个像素点是conv3中33于提取局部特征个像素点的映射，偏向；conv2_4有两层，每个像素点是conv3中55个像素点的映射，使得提取的特征相对更全面。conv1_4、conv3_4和conv4_4通道比较发现：3条通道都是一层，但是，conv1_4是33，conv3_4是15，conv4_4是51，不同的卷积核大小提取不同的特征映射。conv1_4提取局部细节，conv3_4主要提取纵向纹理细节，conv4_4主要提取水平纹理细节，如图3-5所示。图3-5不同通道非线性映射部分输出womanSet165个输出特征图的每通道的图作为输入，并对每条数据集中的选择性的边缘特征图，一个选择具有更高激活进行对比度增强后作为上图的子图。根据观察

【参考文献】：
期刊论文
[1]基于双通道卷积神经网络的图像超分辨率增强算法[J]. 贾凯,段新涛,李宝霞,郭玳豆.  计算机应用. 2018(12)
[2]基于卷积神经网络的车型识别方法研究[J]. 纪野,李玉惠,王蒙.  传感器与微系统. 2017(11)
[3]基于深度神经网络的汽车车型识别[J]. 王茜,张海仙.  现代计算机(专业版). 2015(35)
[4]基于深度卷积神经网络的车型识别研究[J]. 邓柳,汪子杰.  计算机应用研究. 2016(03)
[5]城市智能交通系统技术发展现状及趋势[J]. 刘小明,何忠贺.  自动化博览. 2015(01)
[6]基于误差椭圆的车型识别算法[J]. 万文利,胡加佩,刘学军.  计算机工程. 2012(05)
[7]RFID车型识别及信息处理在汽车生产中的应用[J]. 刘军,薛明,李桂丽.  制造业自动化. 2006(12)

硕士论文
[1]基于深度学习的车型识别算法研究[D]. 刘辉.青岛理工大学 2018
[2]基于深度学习的图像超分辨率重建算法研究[D]. 崔盼盼.山东科技大学 2017
[3]奇异值分解和主成分分析在车型识别中的应用[D]. 牟雪娇.上海交通大学 2008



本文编号：2968820