車輛顏色作為車輛的一個比較關(guān)鍵的特征,可以在識別車輛車牌和車型、車標(biāo)的同時作為輔助信息,能大大地提高車輛身份識別的可靠性,也能在車輛卡口安檢系統(tǒng)、非法改裝車識別方面發(fā)揮比較重要的作用,對于公安部分打擊違法犯罪活動提供一定的幫助。而針對復(fù)雜環(huán)境,如光照影響、粉塵或雨霧天氣等環(huán)境下的車輛顏色識別方法,更是一項關(guān)鍵技術(shù)�，F(xiàn)存的車輛顏色識別研究中,主要有幾點(diǎn)問題,一方面是車身主要顏色區(qū)域分割方面不夠精細(xì),諸如圖像背景、車身非主要顏色區(qū)域等因素而影響定位和分割的精確度,從而影響識別率;而另一方面,不同車輛生產(chǎn)廠家采用不同的噴涂和調(diào)色而導(dǎo)致配色越來越復(fù)雜、車身常年累月的灰塵堆積或涂層氧化導(dǎo)致的色彩蛻變以及不同光照下的顏色變化等等情況導(dǎo)致的多種顏色類別的區(qū)分度難度增大,從而分類識別算法不能很好地發(fā)揮作用。因此,本文針對復(fù)雜環(huán)境下的卷積神經(jīng)網(wǎng)絡(luò)車輛顏色識別研究,主要的內(nèi)容有如下兩個方面:（1）車輛顏色感興趣區(qū)域分割,提出了基于區(qū)域顯著性的抗干擾車輛區(qū)域分割算法,在對經(jīng)過檢測網(wǎng)絡(luò)檢測定位后的車輛圖像使用多通道局部敏感直方圖變換與多通道顯著性檢測進(jìn)行區(qū)域分割,排除干擾區(qū)域,從而獲取車輛主體顏色區(qū)域,即車輛... 

【文章來源】：廣東工業(yè)大學(xué)廣東省

【文章頁數(shù)】：78 頁

【學(xué)位級別】：碩士

【文章目錄】：
摘要
ABSTRACT
第一章 緒論
    1.1 研究背景及意義
    1.2 課題來源
    1.3 國內(nèi)外研究現(xiàn)狀
        1.3.1 車輛目標(biāo)檢測研究現(xiàn)狀
        1.3.2 顏色分割研究現(xiàn)狀
        1.3.3 車輛顏色分類研究現(xiàn)狀
    1.4 研究內(nèi)容
    1.5 論文組織結(jié)構(gòu)
第二章 課題背景介紹和相關(guān)技術(shù)
    2.1 項目背景與技術(shù)指標(biāo)
        2.1.1 項目背景
        2.1.2 項目技術(shù)指標(biāo)
    2.2 車輛顏色識別應(yīng)用需求
        2.2.1 車輛顏色種類分類
        2.2.2 車輛顏色區(qū)域的精確分割
    2.3 顏色空間
        2.3.1 RGB顏色空間
        2.3.2 LAB顏色空間
        2.3.3 HSV顏色空間
    2.4 卷積神經(jīng)網(wǎng)絡(luò)
        2.4.1 簡介和結(jié)構(gòu)
        2.4.2 內(nèi)部層級結(jié)構(gòu)
    2.5 本章小結(jié)
第三章 基于區(qū)域顯著性的抗干擾車輛區(qū)域分割
    3.1 問題描述
    3.2 多通道局部敏感直方圖變換
        3.2.1 局部敏感直方圖變換
        3.2.2 算法提出
        3.2.3 算法描述
    3.3 區(qū)域顯著性檢測
        3.3.1 顯著性檢測模型
        3.3.2 顯著性檢測理論
    3.4 基于Mul-SDLS的分割算法
        3.4.1 算法提出
        3.4.2 多通道顯著性圖融合
        3.4.3 非顯著性目標(biāo)分割
    3.5 實(shí)驗(yàn)
        3.5.1 實(shí)驗(yàn)環(huán)境與數(shù)據(jù)
        3.5.2 實(shí)驗(yàn)步驟
        3.5.3 實(shí)驗(yàn)結(jié)果分析
    3.6 本章小結(jié)
第四章 基于多顏色空間的卷積神經(jīng)網(wǎng)絡(luò)模型
    4.1 問題描述
    4.2 主流的特征提取模型
        4.2.1 AlexNet
        4.2.2 VGGNet
        4.2.3 GoogLeNet
        4.2.4 ResNet
    4.3 算法提出
        4.3.1 模型架構(gòu)描述
        4.3.2 算法描述
    4.4 模型描述
        4.4.1 VGGNet模型
        4.4.2 模型輸出選擇判斷器
        4.4.3 樣本選擇策略
    4.5 本章小結(jié)
第五章 實(shí)驗(yàn)結(jié)果與分析
    5.1 實(shí)驗(yàn)準(zhǔn)備
        5.1.1 實(shí)驗(yàn)環(huán)境
        5.1.2 數(shù)據(jù)集來源
        5.1.3 實(shí)驗(yàn)流程
    5.2 實(shí)驗(yàn)實(shí)施
        5.2.1 數(shù)據(jù)集的重構(gòu)和擴(kuò)充
        5.2.2 算法參數(shù)設(shè)置與實(shí)驗(yàn)設(shè)置
    5.3 算法的結(jié)果以及分析
        5.3.1 多顏色空間算法結(jié)果
        5.3.2 不同數(shù)據(jù)集結(jié)果對比
        5.3.3 總體算法結(jié)果對比
    5.4 應(yīng)用開發(fā)與部署
    5.5 本章小結(jié)
總結(jié)與展望
參考文獻(xiàn)
攻讀學(xué)位期間發(fā)表的論文
攻讀學(xué)位期間參加的科研項目
致謝


【參考文獻(xiàn)】：
期刊論文
[1]基于FCM聚類的自適應(yīng)彩色圖像分割算法[J]. 胡學(xué)剛,段瑤.  計算機(jī)工程與設(shè)計. 2018(07)
[2]航拍圖像車輛檢測中的圓形濾波器HOG特征快速計算[J]. 蘇昂,張躍強(qiáng),楊夏,于起峰.  國防科技大學(xué)學(xué)報. 2017(01)
[3]基于類Haar特征和AdaBoost的車輛識別技術(shù)[J]. 張雪芹,方婷,李志前,董明杰.  華東理工大學(xué)學(xué)報(自然科學(xué)版). 2016(02)
[4]基于陰影和類Haar特征的動態(tài)車輛檢測[J]. 宋曉琳,鄔紫陽,張偉偉.  電子測量與儀器學(xué)報. 2015(09)
[5]基于多通道融合HOG特征的全天候運(yùn)動車輛檢測方法[J]. 劉操,鄭宏,黎曦,余典.  武漢大學(xué)學(xué)報(信息科學(xué)版). 2015(08)
[6]一種基于HOG-LBP的高效車輛檢測方法[J]. 楊先鳳,楊燕.  計算機(jī)工程. 2014(09)
[7]基于改進(jìn)的Adaboost算法和幀差法的車輛檢測方法[J]. 劉洋,王海暉,向云露,盧培磊.  華中科技大學(xué)學(xué)報(自然科學(xué)版). 2013(S1)
[8]一種基于幀間差分和光流技術(shù)結(jié)合的運(yùn)動車輛檢測和跟蹤新算法[J]. 王振亞,曾黃麟.  計算機(jī)應(yīng)用與軟件. 2012(05)
[9]結(jié)合SVM和Gabor參數(shù)優(yōu)化的車輛檢測[J]. 安吉堯,歐志芳.  計算機(jī)工程與應(yīng)用. 2011(36)
[10]一種基于類Haar特征和改進(jìn)AdaBoost分類器的車輛識別算法[J]. 文學(xué)志,方巍,鄭鈺輝.  電子學(xué)報. 2011(05)

博士論文
[1]自然場景下車輛顏色識別研究[D]. 陳攀.華中科技大學(xué) 2016

碩士論文
[1]基于機(jī)器學(xué)習(xí)的車輛顏色識別方案的研究[D]. 薛旭琴.北京郵電大學(xué) 2018
[2]車輛多特征識別方法研究與實(shí)現(xiàn)[D]. 王博.電子科技大學(xué) 2017
[3]基于深度學(xué)習(xí)的車輛顏色識別技術(shù)研究[D]. 王高亞.北京郵電大學(xué) 2017
[4]基于深度學(xué)習(xí)的車輛檢測方法研究[D]. 張文桂.華南理工大學(xué) 2016
[5]車輛信息識別系統(tǒng)設(shè)計與實(shí)現(xiàn)[D]. 胡焯源.遼寧工業(yè)大學(xué) 2016
[6]基于光流的動態(tài)場景中運(yùn)動車輛檢測與跟蹤算法研究[D]. 高磊.中國科學(xué)技術(shù)大學(xué) 2014
[7]視頻中車輛跟蹤抗遮擋算法的研究[D]. 王小峰.山東師范大學(xué) 2013
[8]基于支持向量機(jī)的車身顏色識別方法研究[D]. 楊峰.電子科技大學(xué) 2013



本文編號：3465328