隨著時(shí)代的發(fā)展和國(guó)民消費(fèi)水平的不斷提高,機(jī)動(dòng)車的數(shù)量日益增長(zhǎng);而對(duì)于車輛的實(shí)時(shí)監(jiān)控和管理僅靠人力已經(jīng)難以完成,必須借助人工智能等智能交通手段。其中,車輛品牌和子品牌的識(shí)別是車輛管理中的一個(gè)重要環(huán)節(jié),人們可以通過(guò)對(duì)道路上監(jiān)控?cái)z像頭中的視頻圖像進(jìn)行分析,實(shí)現(xiàn)車輛品牌識(shí)別與分類,進(jìn)而進(jìn)行統(tǒng)計(jì)與數(shù)據(jù)分析,對(duì)城市車輛進(jìn)行有效管理。近年來(lái),計(jì)算機(jī)視覺(jué)領(lǐng)域蓬勃發(fā)展,在很多視覺(jué)處理任務(wù)中,計(jì)算機(jī)的識(shí)別水平甚至超過(guò)了肉眼的正常水平。但是在實(shí)際交通環(huán)境下,車輛被監(jiān)控?cái)z像頭拍下的角度是多種多樣的,并且拍攝時(shí)間、天氣、光照角度等外界條件對(duì)拍下的車輛圖片清晰度影響很大,這對(duì)于車輛品牌的識(shí)別有較大的難度,對(duì)于人工標(biāo)注來(lái)說(shuō)更是工作量巨大。此外,實(shí)際的交通環(huán)境千差萬(wàn)別,在一個(gè)環(huán)境下識(shí)別效果較好的模型到了新的環(huán)境中可能會(huì)有較大的準(zhǔn)確率下降。因此,如何在環(huán)境改變時(shí)仍能保持一個(gè)較高的準(zhǔn)確率是一個(gè)需要解決的問(wèn)題。本文的目的是在監(jiān)控視頻場(chǎng)景下多角度的車輛圖片中識(shí)別車輛的品牌和子品牌信息,并且解決新場(chǎng)景下沒(méi)有大量車輛品牌標(biāo)注數(shù)據(jù)的冷啟動(dòng)問(wèn)題,從而在不同的場(chǎng)景中保持較高的車輛品牌識(shí)別準(zhǔn)確率。本文所做的主要工作及貢獻(xiàn)有:（1）選用不... 

【文章來(lái)源】：北京郵電大學(xué)北京市 211工程院校 教育部直屬院校

【文章頁(yè)數(shù)】：71 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

圖１－１智慧交通中車輛信息識(shí)別過(guò)程??

隨著深度學(xué)習(xí)的發(fā)展，很多使用卷積神經(jīng)網(wǎng)絡(luò)的方法來(lái)進(jìn)行細(xì)粒度分類，包括在??車輛品牌識(shí)別領(lǐng)域，通過(guò)神經(jīng)網(wǎng)絡(luò)提取特征來(lái)進(jìn)行分類。由于卷積神經(jīng)網(wǎng)絡(luò)的梯度不??變性和角度不變性，深度學(xué)習(xí)對(duì)汽車品牌特征的提取不再?gòu)?qiáng)依賴于車標(biāo)、車臉等具體??細(xì)節(jié)特征，也對(duì)監(jiān)控場(chǎng)景中的多角度的特點(diǎn)有很好的處理能力。汽車品牌的分類問(wèn)題??是汽車這一大類下的細(xì)分類的問(wèn)題，統(tǒng)歸細(xì)粒度分類問(wèn)題，與此類似的還有花的品種??識(shí)別等。深度學(xué)習(xí)對(duì)于細(xì)粒度分類問(wèn)題的處理通常為，使用ＩｍａｇｅＮｅｔ中預(yù)訓(xùn)練的１０００??個(gè)分類的模型，去對(duì)有標(biāo)注的細(xì)粒度分類訓(xùn)練集進(jìn)行微調(diào)訓(xùn)練。從而提取到細(xì)分類的??特征，并應(yīng)用到測(cè)試集中進(jìn)行識(shí)別。因此在汽車品牌識(shí)別的領(lǐng)域中，大家一般把目標(biāo)??聚集在有標(biāo)注的圖片數(shù)據(jù)集的獲取和收集上。??當(dāng)前車輛品牌識(shí)別研究所使用的數(shù)據(jù)集大多是從網(wǎng)絡(luò)中選取的高質(zhì)量圖片（比??如汽車門(mén)戶網(wǎng)站、論壇，大多為汽車銷售商所提供的圖像）。網(wǎng)絡(luò)來(lái)源圖片的特點(diǎn)是??分辨率很高，角度以正面為主，光線良好，圖片中其他物體的干擾遮擋較少。也有一??些數(shù)據(jù)集來(lái)自監(jiān)控視頻場(chǎng)景，但是由于多個(gè)攝像頭大量拍攝的汽車圖片獲取難度較??高，人工標(biāo)注難度較大，這方面的大規(guī)模有標(biāo)注的圖片數(shù)據(jù)集比較少。在智慧交通實(shí)??

?１８．５??ＣｏｍｐＣａｒｓ數(shù)據(jù)集的標(biāo)注中包含車輛在圖片中的ｘ軸、ｙ軸坐標(biāo)，長(zhǎng)寬，類別等??信息（如圖３－１所示），并提供了約５：５的訓(xùn)練集測(cè)試集劃分文件以及４３１個(gè)類別的??映射表（如圖３－２所示）。而在Ｃａｆｆｅ中，需要輸入模型中的是每個(gè)圖片數(shù)據(jù)的圖片??位置、分類信息，以及分類數(shù)字和具體分類名稱之間的映射表。??ｌｉｌＪ?ＡＢ１ｋ２?ｃｅｌｌ??１２?３?４?５?６?７??４．００?Ｍｉｔｓｕｂｉｓｈｉ?Ｍｉｔｓｕｂｔｓｈｉ?．．．．??ＳＡＡＢ?ＳＡＡＢ?Ｄ７０??．４０２?Ｗｕｌｍ＾ｇ?Ｗｕｌｉｎ＾ｈｏｎ．．．??１４０３?Ｗｕｌｍ＾?Ｗｕｌｒｎ＾ｚｈｉ＂？??４．０４?Ｗｕｌｍ－ｇ?Ｗｕｌｍ－ｇｒｏｒｓ＊．．，??丨忒０５?Ｃｈｅｖｙ?ＡＶ’ＥＯ?ａｔｅ…??；；－４〇６?Ｃｈ＜ｅ＜ｖｙ?Ｔｒ－ａｘ??＼Ａ〇７?Ｃｈ＾ｗｙ?Ｅｐｉｃ?ａ??＼ＡＯＢ?Ｃｈｅｖｙ?Ｃｒｕｚｅ?ｓｅｄａｎ??ｉ?－４０９?Ｃｈｅｖｙ?Ｃｒｕｚｅ?ｈａｔｉｃ．…??１４１０?Ｃｈ＾ｅｖｙ?Ｃａｐｔｉｖｅ??圖３－２?ＣｏｍｐＣａｒｓ數(shù)據(jù)集４３１個(gè)車輛品牌分類表??首先對(duì)類別信息映射表進(jìn)行處理，共分為以下幾步：拿到訓(xùn)練集文件后在車輛廠??商品牌的ＭＡＴＬＡＢ映射表中尋找廠商的信息，并記錄廠商與編碼之間的對(duì)應(yīng)關(guān)系。??并從廠商編碼往下尋找子品牌的編碼信息，若找到則記錄形成標(biāo)注對(duì)照表，若沒(méi)找到??則繼續(xù)遍歷。標(biāo)注對(duì)照表的生成過(guò)程如圖３－３所示，生成的對(duì)照表格式為??“ｘ：ｘｘｘｘ＿ｃｌａｓｓＮａｍｅ?ｍｏｄａｌＮａｍｅ”

【參考文獻(xiàn)】：
期刊論文
[1]車輛識(shí)別技術(shù)綜述[J]. 張強(qiáng),李嘉鋒,卓力.  北京工業(yè)大學(xué)學(xué)報(bào). 2018(03)
[2]車輛屬性識(shí)別及跨場(chǎng)景標(biāo)注方案[J]. 董振江,高燕,吳文熙.  中興通訊技術(shù). 2017(04)

碩士論文
[1]車輛多特征識(shí)別算法研究與實(shí)現(xiàn)[D]. 于國(guó)輝.電子科技大學(xué) 2016
[2]基于卷積神經(jīng)網(wǎng)絡(luò)的車臉識(shí)別研究[D]. 姚欽文.浙江大學(xué) 2016
[3]基于GRM模板匹配算法的車型和車系識(shí)別[D]. 唐紅強(qiáng).電子科技大學(xué) 2014
[4]基于深度學(xué)習(xí)的車輛型號(hào)識(shí)別[D]. 熊祎.華中科技大學(xué) 2014
[5]基于多示例學(xué)習(xí)的跨場(chǎng)景圖像自動(dòng)標(biāo)注研究[D]. 王曉明.哈爾濱工業(yè)大學(xué) 2013



本文編號(hào)：3222863