基于深度学习的车型精细识别

发布时间：2025-07-08 23:25

　　车型精细识别旨对外观差异较小的车辆进行细粒度型号分类,其广泛应用于统计交通流量、公路自动收费以及无人驾驶等领域。然而,已有车型精细识别方法仍存在以下问题:一方面,多数方法停留在卡口监控下单一正面角度的研究且这类方法未能综合考虑图像特征分布不均匀特点,从而导致了识别精度不够理想;另一方面,对于多角度的研究不够广泛,主要原因是多角度下的车辆背景复杂多样、视觉特征不稳定,从而给识别任务带来了困难。基于此,本文的主要研究工作如下:(1)根据交通卡口监控下正面角度车辆图像上下特征分布不均匀特点,提出了一种基于车辆正面图像的车型精细识别算法。首先以卷积神经网络为基础设计了两个不同深度的分支网络以及一个融合网络。其中,浅层上部分支网络用于提取非车辆表面部特征,深层下部分支网络用于提取车辆表面部特征,融合网络用于对两区域提取到的特征进行多分支、多尺度融合,以进一步抽象并提取具有显著区分度的特征。通过在卡口拍摄的正面角度车辆数据集上的实验结果表明,本文方法取得的识别效果更好,具有实际应用价值。(2)在分析目前多角度车型精细识别存在背景复杂、视觉特征不稳定等难点基础上,提出了一种基于多角度特征融合的车型精细...

【文章页数】：60 页

【学位级别】：硕士

【部分图文】：

图３迭代次数与准确率关系对比图??３．２实验结果分析??

０?２?４?６?８?ｘｌＯＪ??迭代次数??图３迭代次数与准确率关系对比图??３．２实验结果分析??为验证本文方法在车型识别时的优越性，拟与??Ｈａｒｒｉｓ?＆?ＳＩＦＴ方法［８１、稀疏ＳＩＦＴ方法［６］和传统深度学??习方法［９］在车型识别数和车型识别准确率两个方面??进行对比....

图2.1卷积核与输入数据

南京航空航天大学硕士学位论文第二章相关技术神经网络经网络是实际应用中最为成功的一种神经网络，其专门用于处理格状本节将介绍卷积神经网络中的两个最基本的层次结构：卷积层与池层是卷积神经网络中最重要的部分卷积运算实际上是一种数学运算方积运算可以看作矩阵的乘法卷积核也可以被看作是....

图2.2二维场景下的卷积操作示例

基于深度学习的车型精细识别在三维情形下，卷积操作可以用如下公式表示：)）1111,,,,,,,00llllllllHWDlijdijddiijjdijdyfx(2.1)其中，11(,)llij表....

图2.3三维场景下的卷积操作在公式(2.1)中，,,,lijddf可看作学习到的权重，可以发现该项权重对不同位置的所有输入都

图2.3三维场景下的卷积操作在公式(2.1)中，,,,lijddf可看作学习到的权重，可以发现该项权重对不同位置的所有同的，这体现了卷积层权值共享的特性

本文编号：4056781