原文传递
基于深度学习和强化学习的车辆定位与识别
| 论文题名： | 基于深度学习和强化学习的车辆定位与识别 |
| 关键词： | 车辆定位;强化学习;神经网络;深度学习;智能交通 |
| 摘要： | 车辆的定位与识别技术是智能交通中的一个关键技术，是目标车辆搜寻、车辆速度监控、车辆跟踪的必要前提。本文主要研究对于静态图片如何将深度学习与强化学习理论应用到车辆的定位与识别中，其识别的范围是判别图像中是否有车以及属于小汽车、大巴车、卡车三类中的哪一类。针对定位，使用了金字塔图像扫描时预识别出车辆并保存的位置信息，最终在识别窗口进行合并处理时定位到车辆。本文的主要内容为： 首先，分析了深度学习中两个主要的网络模型：卷积神经网络以及深度信念网络。介绍了两个网络模型的结构以及原理，详细分析了两种模型的训练算法：梯度下降法和逐层贪婪算法。将两种模型用于车辆识别的仿真实验，实验结果表明深度神经网络在车辆识别上要好于传统的浅层网络，更进一步证明了卷积神经网络在本文车辆数据库上的识别性能优于深度信念网络。 其次，引入强化学习思想到卷积神经网络中。将卷积神经网络与强化学习结合的模型应用到车辆识别中，分析了其理论基础以及Q-学习算法。鉴于Q-学习的核心在于Agent的动作选择策略，提出将车辆类别映射为动作，以此用基于动作选择的评估Q值来代替卷积神经网络中基于实际输出与期望输出的梯度后向传播训练深度神经网络。为解决卷积神经网络在训练的末尾阶段由于被错误分类的样本所占比例较小，导致对网络权值更新调整影响力较小的问题，引入基于错分样本动态调整训练集的强化学习策略。实验结果表明引入的强化学习策略可以有效的提高车辆识别的性能，并有利于网络的训练。 最后，基于上述理论以及实验，设计实现了一个车辆定位与识别的实用系统。系统提供人机交互界面、深度网络的训练与测试、车辆的定位与识别等功能，并采用了多线程处理技术。测试结果表明系统能较好的识别出道路环境下小汽车、大巴车、卡车，能满足设计的需求。 |
| 作者： | 丁乐乐 |
| 专业： | 控制科学与工程 |
| 导师： | 孟继成 |
| 授予学位： | 硕士 |
| 授予学位单位： | 电子科技大学 |
| 学位年度： | 2016 |
| 正文语种： | 中文 |
检索历史
应用推荐
