原文传递
基于深度学习的车辆多维特征检测研究
| 论文题名： | 基于深度学习的车辆多维特征检测研究 |
| 关键词： | 车辆信息;多维特征;深度学习;分类识别;卷积神经网络 |
| 摘要： | 卡口车辆信息检测识别是智能交通的重要环节。目前的汽车卡口车辆信息检测识别在检测特征上比较单一，主要实现对车牌的检测，多数应用于停车场或道路汽车管理和收费。但在智能交通、公安刑侦和反恐等领域，需要对汽车多维特征进行检测，包括车牌、车标、车型等。例如，遇到环境（雨雾天、夜间）或者人为影响（车牌遮挡、车牌位置干扰）时，车牌检测一旦失效，难以掌握车辆信息。 本文提出了一种汽车多维特征识别检测的方法，通过建立基于深度学习的卷积神经网络模型，同时对车辆多个特征进行检测，即使遇到部分特征检测失败的情况，仍然可以依据车辆的其他特征掌握车辆信息。本文提出的方法能够适应复杂环境中采集图像模糊和干扰情况下的车牌和车标检测，具有较好的鲁棒性；在算法层面上，实现了多维特征端到端的检测过程，降低了算法的复杂性；采用数据并行及GPU加速的方法，提高了模型训练效率。 综上所述，本文提出的基于深度学习的Faster-RCNN基于卷积神经网络模型的研究方法能够对车辆的多维特征进行检测。在面对复杂环境时，车辆多维特征的识别率为94.6％，达到在正常环境下的检测准确率水平。而基于深度学习端到端的特点，避免了传统图像处理中需要经过人工干预后的特征提取，空间变换，机器学习的算法才能进行分类识别的复杂过程，达到从原始图像输入之间输入目标结果的效果，降低算法复杂性。而在算法训练过程中使用GPU加速以及数据并行的优化处理，训练耗费的时间减少了5倍，提高训练效率。同时该车辆多维特征检测的方法，检测时允许不同的车辆在检测图像的任意位置，而同时对其车牌与车标的进行多维特征的检测，从而扩大应用范围。 |
| 作者： | 周俊豪 |
| 专业： | 计算机科学与技术 |
| 导师： | 肖红 |
| 授予学位： | 硕士 |
| 授予学位单位： | 广东工业大学 |
| 学位年度： | 2017 |
| 正文语种： | 中文 |
检索历史
应用推荐
