当前位置: 首页> 学位论文 >详情
原文传递 基于深度学习的高速公路场景中车辆检索方法研究
论文题名: 基于深度学习的高速公路场景中车辆检索方法研究
关键词: 高速公路场景;车辆检索方法;深度学习
摘要: 近年来,随着智能交通与公路智能管理的建设与推广,车辆身份自动识别与车辆信息自动感知技术成为了智能交通建设的重要一环,目前主要采用的基于车载OBU读取IC卡信息的高速公路车辆识别方法存在识别率低、故障率高、对套牌假牌识别效果差等亟待解决的缺点。鉴于上述问题,本文开展了基于深度学习的高速公路场景中车辆检索方法的研究工作,所取得的研究成果与创新点如下:
  首先,构建了东南大学车辆图像检索样本集及东南大学车辆图像检索测试集,该图像集包括整车图像、车脸图像、车窗图像及车牌图像四种类别;分析了基于SIFT、ORB、LBP、LDP的四种车辆图像特征提取方法,研究了基于视觉词袋模型、余弦距离相似度、欧式距离、汉明距离四种图像特征匹配方法,并开展了基于传统机器学习的车辆图像检索对比实验,实验结果表明基于传统机器学习的车辆图像检索方法存在正确率低、漏检率高等问题。
  其次,构建了基于VGG16、ResNet50、DenseNet121网络的三种高速公路场景中车辆图像检索模型,并基于东南大学车辆图像检索样本集及东南大学车辆图像检索测试集,开展了对比实验研究,实验结果表明基于DenseNet121网络的车辆图像检索模型的性能优于其他两种模型,其在整车图像测试集、车脸图像测试集与车窗图像测试集上的检索正确率都优于90%;
  最后,提出了基于深度学习融合模型的高速公路场景中车辆图像检索方法,该方法包括基于单特征多网络融合的车辆图像检索融合模型、以及基于多网络多特征的车辆图像检索融合模型两类,并基于东南大学车辆图像检索样本集及东南大学车辆图像检索测试集开展了对比实验;实验结果表明所构建的用于高速公路场景中车辆图像检索融合模型的性能都优于单网络模型,在高速公路场景中整车图像与车牌图像检索方面,单特征多网络融合检索模型检索正确率分别达到99.42%、97.28%,在高速公路场景中车脸图像、车窗图像检索方面,多特征多网络融合检索模型的检索正确率分别达到98.11%、98.06%。
作者: 李昊
专业: 交通运输工程
导师: 赵池航;毛志坚
授予学位: 硕士
授予学位单位: 东南大学
学位年度: 2022
检索历史
应用推荐