原文传递
基于深度学习的车辆检测及其属性分析的研究
| 论文题名： | 基于深度学习的车辆检测及其属性分析的研究 |
| 关键词： | 智能交通系统;车辆检测;识别系统;深度学习;支持向量机算法 |
| 摘要： | 随着人们生活水平的不断提高，汽车的数量逐年上升，导致交通密度的逐渐增大，由汽车引起的交通事故、交通拥堵、环境污染等问题越来越严峻，单纯的依靠政府来解决已远远不能满足社会的需求。因此，一个良好的智能交通系统就显得尤为重要，车辆检测及其属性分析系统作为智能交通系统的重要组成部分，具有重要的社会意义和使用价值。本文所研究的车辆检测及其属性分析包括车辆检测、车型识别以及车颜色识别三个部分。目前一般的检测与识别方法很难解决光照、阴影、图像质量等因素的影响，如帧差法，背景相减法等。针对以上的问题，本文了提出基于深度学习的车辆检测及其属性分析的方法，最后结合支持向量机(Support Vector Machine，SVM)算法对车型、车颜色进行分类识别。本文主要开展的工作如下: (1)基于深度学习的车辆检测。本文提出将深度学习的特征提取算法运用到车辆特征的提取当中，首先通过快速选择性搜索模型提取车辆的候选区域，然后分别提取各个候选区域的深度特征，并结合SVM算法的二分类模型对车辆特征进行分类识别，最终输出正确的车辆检测结果，并将车辆的检测结果运用到后续的车型及车颜色的识别当中。 (2)车型识别系统。根据车辆明显的外形特点，本文以梯度方向直方图(Histogram of Oriented Gradient, HOG)特征为车型识别中的车辆特征提取方法，并结合SVM分类模型对车型进行识别，车型的种类共包括轿车、客车（公交、巴士等）、SUV、大货车、小货车、其他（非机动车、农用车等）六类。该方法在前车检测的基础上，首先通过计算梯度并在梯度方向上提取车辆特征，然后将这些特征送入到SVM分类器进行训练，得到车型的识别模型，并输出车型识别的结果。 (3)车颜色识别系统。本文采用颜色空间的rg-hue组合特征作为车颜色特征提取方法，并结合SVM分类算法对车颜色进行识别，车颜色的种类共包括黑色、黄色、绿色、白色、红色、蓝色六类。该方法是在前车检测的基础上，对于正面车辆图像，首先定位车身具有代表性的颜色区域，本文根据基于Adaboost算法的车窗检测结果，并结合车身几何位置关系，确定车窗与车头之间的五块车颜色的代表区域，然后分别提取这五块区域的颜色空间特征，进而将这些组合特征送入到SVM分类器进行训练，最后根据这五块区域的颜色识别结果并结合设定的判别法则来得到该车的颜色识别结果。 |
| 作者： | 王猛 |
| 专业： | 电子与通信工程 |
| 导师： | 陈雁翔;陶刚 |
| 授予学位： | 硕士 |
| 授予学位单位： | 合肥工业大学 |
| 学位年度： | 2016 |
| 正文语种： | 中文 |
检索历史
应用推荐
