复杂环境下基于深度学习的车辆识别定位应用研究

发布时间：2023-10-06 14:53

　　随着交通网对车辆的吞吐量日益增加,严峻的交通形式和频发的道路车辆安全问题受到越来越多人的关注。因此,大力发展智能交通已经迫在眉睫,发展智能交通至关重要的一步是在复杂道路场景中,对车辆进行精准快速自主识别和跟踪,可以有效的解决车辆碰撞、交通事故鉴定和交通拥堵情况判定等实际问题。1)本文首先从研究国内外经典的车辆跟踪算法入手,对车辆图像的数据集进行获取和标记,做好神经网络训练和验证的数据准备工作,研究基于多特征子空间分布的深度模型和在线迁移学习的车辆识别算法,建立以多层受限玻尔兹曼机构造底层,深度信念网路构造上层结构的深层模型,利用迁移学习对复杂道路场景下的车辆进行识别。从识别精度和识别速度上分析该算法的优缺点,进一步寻找更满足复杂场景需求的车辆识别算法。2)以多特征子空间分布的深度迁移学习和YOLO神经网络作为基础的研究模型,提出一种快速精准的车辆识别算法(Fast and accurate vehicle recognition简称:FAVR)作为本文研究模型。首先,通过输入复杂环境下多种自采集车辆样本和KITTI车辆数据集对模型进行训练及参数优化,对复杂场景中的车辆进行识别。然后,结...

【文章页数】：63 页

【学位级别】：硕士

【文章目录】：
摘要
ABSTRACT
1 绪论
    1.1 研究背景及意义
    1.2 国内外研究现状
        1.2.1 车辆跟踪的发展及现状
        1.2.2 深度学习算法在车辆识别中的最新发展
        1.2.3 深度学习算法在车辆跟踪中的最新发展
        1.2.4 论文的研究内容及结构安排
2 车辆图像获取与标记
    2.1 车辆数据集的获取
        2.1.1 自采集的车辆数据集
        2.1.2 KITTI车辆数据集
    2.2 车辆数据集的标记
    2.3 车辆数据集的准备
3 基于深度学习算法的车辆自动识别
    3.1 卷积神经网络结构原理
        3.1.1 卷积神经网络的卷积层
        3.1.2 卷积神经网络的池化层
        3.1.3 卷积神经网络的全连接层
        3.1.4 卷积神经网络的反向传播算法
    3.2 问题陈述
    3.3 车辆识别CNN架构
    3.4 基于多独立子空间特征分布的深度模型构建与特征提取
        3.4.1 深层网络的底层设计和多个独立子空间的提取
        3.4.2 深层特征提取
        3.4.3 基于稀疏约束的无监督特征层次提取
    3.5 分类器迁移学习与自顶向下和自底向上框架相结合
        3.5.1 新场景中的样本标注方法
        3.5.2 基于自底向上的无监督特征迁移学习
        3.5.3 基于自顶向下监督的深度网络训练
    3.6 训练环境
    3.7 实验
        3.7.1 实验 1
        3.7.2 实验 2
    3.8 实验分析
4 快速精准的车辆跟踪算法
    4.1 车辆识别算法
        4.1.1 YOLO
        4.1.2 快速车辆识别算法FAVR
    4.2 FAVR神经网络的训练与优化
    4.3 识别实验结果的定量评估
    4.4 车辆定位跟踪算法
    4.5 跟踪实验结果的定性评价
    4.6 结论
5 总结与展望
    5.1 研究工作总结
    5.2 未来工作展望
致谢
参考文献
附录



本文编号：3851917