详情

原文传递车辆多特征识别方法研究与实现

论文题名：	车辆多特征识别方法研究与实现
关键词：	车辆检测;多特征识别;卷积神经网络;智能交通系统;深度学习
摘要：	随着我国城镇化建设的深入开展，城市的道路交通也面临着巨大的压力和挑战，“道路拥堵严重”、“交通事故频发”等问题层出不穷，对社会经济发展造成了一定的制约，也给城市治安管理带来了许多的麻烦。为了缓解交管部门的压力，给市民提供更方便的出行条件，智能交通系统应运而生。本文研究的车辆多特征识别是智能交通系统的重要组成部分，识别内容主要包括车辆号牌、型号以及颜色。本文围绕车辆多特征识别方法研究与实现，展开了以下工作：　　（1）研究了一种基于聚合通道特征的车辆检测方法，该特征包含3个 LUV通道、1个归一化梯度幅值通道以及6个方向梯度直方图通道，不仅包含了目标整体轮廓特征，还包含了目标局部梯度特征。算法针对本文收集的高速公路监控数据、行车记录仪数据等单视角图像具有良好的检测效果。针对低对比度车辆图像，研究了一种车辆图像增强算法，能够有效地缓解环境和光照带来的影响，间接地提高了后续车辆号牌、型号以及颜色识别的准确率。　　（2）研究了一种基于颜色和字符特征的车辆号牌定位方法，充分结合了颜色检测的快速性和字符检测的准确性，在自建的复杂场景数据库中测试，召回率为93.12％，准确率为94.49%。伪号牌剔除采用了LBP特征结合SVM分类器的办法进行。针对易混字符识别，采用了多级SVM策略减小误识率，单字符识别率达到了96.15%。经过实验得出，本文号牌识别算法框架适用于多种复杂场景，具有良好的鲁棒性。　　（3）针对传统机器学习算法无法对车辆型号进行细致分类的问题，探讨了一种基于深度学习的车辆型号识别方法，采用微调预训练网络模型的策略，在车辆型号数据库中测试结果为：top-1错误率28.2%，top-5错误率12.9%。改进了传统方法中提取感兴趣区域进行车辆颜色识别的办法，研究了一种基于深度学习的车辆颜色识别方法，有效避免了感兴趣区域定位出错导致识别错误的情况。为了研究在深度学习背景下，色彩空间对车辆颜色识别效果的影响，本文进行了对比实验，在车辆颜色数据库中，RGB色彩空间具有最好的分类效果，平均准确率达到了93.77%。
作者：	王博
专业：	信号与信息处理
导师：	解梅
授予学位：	硕士
授予学位单位：	电子科技大学
学位年度：	2017
正文语种：	中文