原文传递
交通道路行驶车辆车标识别算法研究
| 论文题名： | 交通道路行驶车辆车标识别算法研究 |
| 关键词： | 车标检测;车标识别;模板匹配;深度学习;特征提取 |
| 摘要： | 车标识别已成为智能交通系统的核心部分。车标能够获取车辆品牌信息，其结合车牌识别更有利于确认车辆身份，在道路监管、车辆追踪等方面有广泛应用。因实际环境下车标图像背景复杂、光照不均等，车标识别还存在很大挑战。传统车标检测算法效率低且精度低，基于神经网络的车标识别算法受车标种类密度影响且不可识别未知类型车标，基于夜间车标的检测与识别研究尚少。针对上述问题，本文将深度学习与传统计算机视觉方法相结合分别对白天与夜间车标的检测与识别进行研究，主要研究内容包括： （1）针对目前车标数据集缺乏的问题，本文对道路交通车辆图像进行采集标注，并结合部分网上二手车拍摄车辆图像，制作了包含不同场景下的含有130种车标的车标数据集，该数据集每种车标有300-600张不等，一共有60000张左右。本文在此数据集上进行实验对比和分析。这对车标识别以及智能交通的发展也提供了支撑。 （2）针对传统车标检测速度慢和精度低的问题，本文采用改进的YOLOV4算法进行车标一步定位。首先采用K-Means++算法对锚框进行重新聚类，使其贴合实际车标尺寸，提高检测速度；然后对YOLO输出层引入ResNet残差网络，提高小目标复用率，提高检测精度。该方法优于原始YOLOV4、YOLOV5等算法。 （3）针对目前车标识别受车标种类密度影响，且不可应对新型车标的问题，本文提出基于形态学模板匹配的车标识别方法。首先制作含有130多种车标的车标模板库，该模板库包含目前市面大部分车标；然后将定位的车标进行形态学处理与模板相匹配；最后输出最佳匹配结果。与深度神经网络和传统计算机视觉方法进行实验对比，表明该方法可减少环境对车标识别的影响，识别精度较高，对新型车标只需将其模板加入模板库。 （4）针对夜间车标检测和识别困难的问题，本文考虑车灯与车标的空间位置关系来定位车标。首先定位车灯，对车灯图像进行MSR图像增强并采用高斯混合模型分离车灯，接着对车标区域进行车标精定位。实验表明该方法比夜间直接定位车标的方法精确度更高。由于夜间车标模糊，模板匹配车标识别效果较差，本文分别采用ResNet、DenseNet、CSPDarkNet网络对车标进行识别，在识别前采用MSRCR图像增强等操作对车标进行预处理，实验表明CSPDarkNet网络对车标识别效果最好，且识别速度最快。 |
| 作者： | 李讷 |
| 专业： | 计算机科学与技术 |
| 导师： | 雷帮军 |
| 授予学位： | 硕士 |
| 授予学位单位： | 三峡大学 |
| 学位年度： | 2022 |
检索历史
应用推荐
