車型識別系統(tǒng)對智能交通系統(tǒng)有著重要意義,能有效監(jiān)控可疑車輛、統(tǒng)計車流量信息等等�；跍\層機器學習的算法雖然效率高,但需針對不同場景設計不同的特征,實際應用中場景復雜多變,這種方法顯然無法滿足實際要求。深度學習的出現(xiàn)為復雜環(huán)境場景下的車型識別系統(tǒng)帶來了新思路,它能利用海量訓練數(shù)據(jù),來自動學習更泛化的特征。但其基礎理論還不夠完善,有效性需要通過實驗來驗證。在實際應用中,由于數(shù)據(jù)采集和標注困難,往往缺乏足夠樣本數(shù)據(jù)。而且大多數(shù)卷積神經(jīng)網(wǎng)絡模型是針對通用物體分類和檢測的,在具體的應用場景需要進行相應改進。根據(jù)課題來源實際,分析了復雜卡口場景下的車輛檢測和車型識別存在的問題。針對通用目標檢測器在復雜場景中的單一檢測的時候會出現(xiàn)漏檢和誤檢的問題,組建了不同天氣場景下的車輛檢測數(shù)據(jù)集,使用K均值聚類算法分析卡口車輛檢測數(shù)據(jù)集的分布特點,基于SSD(Single Shot Multibox Detector,SSD),設置了合適尺度和長寬比的區(qū)域候選框,刪除冗余的區(qū)域候選框,改進通用檢測算法。針對車型識別存在的數(shù)據(jù)集小、特征差異小、環(huán)境復雜多變導致過擬合的問題,從數(shù)據(jù)擴充、遷移學習策略和設計模型的角度...

【文章頁數(shù)】：80 頁

【學位級別】：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 車輛檢測的研究現(xiàn)狀
        1.3.2 車型識別的研究現(xiàn)狀
        1.3.3 深度學習的研究現(xiàn)狀
    1.4 論文研究內(nèi)容和目錄結(jié)構(gòu)
第二章 課題簡介及相關(guān)技術(shù)
    2.1 課題簡介
        2.1.1 課題需求
        2.1.2 課題難點
        2.1.3 應用場景
    2.2 卷積神經(jīng)網(wǎng)絡
        2.2.1 卷積神經(jīng)網(wǎng)絡的原理
        2.2.2 卷積神經(jīng)網(wǎng)絡的結(jié)構(gòu)
    2.3 深度學習中的目標檢測算法
    2.4 深度學習中的遷移學習
    2.5 深度學習中的多任務學習
    2.6 本章小結(jié)
第三章 改進SSD的車輛檢測算法
    3.1 問題描述
    3.2 SSD的檢測思想
        3.2.1 模型概述
        3.2.2 損失函數(shù)
        3.2.3 SSD的訓練和測試過程
    3.3 區(qū)域候選框設置
        3.3.1 卡口車輛檢測數(shù)據(jù)集
        3.3.2 卡口車輛檢測數(shù)據(jù)集的分布
    3.4 實驗與結(jié)果分析
        3.4.1 實驗環(huán)境
        3.4.2 評價指標
        3.4.3 實驗與結(jié)果分析
    3.5 本章小結(jié)
第四章 基于分類學習和度量學習的車型快速識別算法
    4.1 問題描述
    4.2 過擬合的解決方法
        4.2.1 數(shù)據(jù)擴充
        4.2.2 遷移學習策略
        4.2.3 設計模型
    4.3 基于分類學習和度量學習的多任務學習算法
        4.3.1 雙通道模型設計
        4.3.2 損失函數(shù)
    4.4 實驗與結(jié)果分析
        4.4.1 實驗環(huán)境
        4.4.2 車型識別數(shù)據(jù)集
        4.4.3 評價指標
        4.4.4 實驗與結(jié)果分析
    4.5 本章小結(jié)
結(jié)論
參考文獻
攻讀學位期間發(fā)表的論文
攻讀學位期間參加的科研項目
致謝



本文編號：3754140