基于深度学习的车辆型号识别

基于深度学习的车辆型号识别摘要随着智能交通的发展，车辆型号的识别受到越来越广泛的关注，它能够为个人，企业和政府的车辆使用以及监管提供诸多遍历。因而，如何设计高效算法，对车辆型号进行识别和分类，受到了学术界和工业界的广泛关注。本文主要如何利用深度学习的方法进行车辆型号的识别和分类。首先，介绍了车型识别的应用背景和深度学习的基本理论。之后，为了进行目标识别，我们介绍了常用算法，分析比较了作为图像特征提取常见的算法，总结归纳了他们性能，精度以及相互之间的关联。之后，介绍了在目标识别工作中基本算法,阐明了各种方法的特点和适用场景。之后，我们以深度神经网络为理论依据，分析比较了深度神经网络不同的特征学习方法，并分析了如何使用卷积神经网络训练参数。我们分析比较不同特征学习方法的特点选取k均值聚类算法作为本文使用的特征学习方法，利用卷积神经网络结构搭建深度学习模型。、本文采用大量实测数据作为仿真数据，以确保实验的有效性。同时，基于相同的实测数据我们适用改进SIFT特征匹配算法和深度学习算法进行车型识别。实验结果表明，深度学习算法的准确率高达90%，相对于SIFT匹配算法，深度学习算法的车型识别的准确率大大提高。基于上述仿真结果，我们的到了深度学习算法适用于车辆型号识别领域的结论。关键词：k均值聚类，深度学习，卷积神经网络，尺度不变特征变换,支撑向量机AbstractWiththedevelopmentofintelligenttransportation,therecognitionofvehiclemodelispaidmoreandmoreattention.Itcanprovidemanyergodicforvehicleuseandsupervisionofindividual,enterpriseandgovernment.Therefore,howtodesignefficientalgorithmstoidentifyandclassifyvehiclemodelshasattractedwideattentionfrombothacademiaandindustry.Thispapermainlydiscusseshowtousedepthlearningmethodtoidentifyandclassifyvehiclemodels.Firstofall,theapplicationbackgroundandthebasictheoryofdepthlearningareintroduced.Afterthat,inordertoidentifyobjects,weintroducethecommonalgorithms,analyzeandcomparethecommonalgorithmsforimagefeatureextraction,andsummarizetheirperformance,accuracy,andthecorrelationbetweenthem.Afterthat,thebasicalgorithmsintargetrecognitionareintroduced,andthecharacteristicsandapplicationscenariosofvariousmethodsareclarified.Then,weanalyzeandcomparethedifferentfeaturelearningmethodsofdepthneuralnetworksbasedonthedepthneuralnetwork,andanalyzehowtotrainparametersusingtheconvolutionalneuralnetwork.Weanalyzeandcomparethecharacteristicsofdifferentfeaturelearningmethods,selecttheKmeanclusteringalgorithmasthefeaturelearningmethodusedinthispaper,andbuildadeeplearningmodelbyusingthestructureofconvolutionalneuralnetwork.Inthispaper,alargeamountofmeasureddataisusedassimulationdatatoensurethevalidityoftheexperiment.Atthesametime,basedonthesamemeasureddata,weapplytheimprovedSIFTfeaturematchingalgorithmanddepthlearningalgorithmforvehiclerecognition.Experimentalresultsshowthattheaccuracyofthedepthlearningalgorithmisashighas90%.ComparedwiththeSIFTmatchingalgorithm,theaccuracyofmodelrecognitionisgreatlyimprovedbydepthlearningalgorithm.Basedontheabovesimulationresults,ourdepthlearningalgorithmisapplicabletothefieldofvehiclemodelrecognition.目录第一章绪论......................................................................................错误!未定义书签。1.1课题研究背景及意义.........................................................错误!未定义书签。1.2深度学习简介.....................................................................错误!未定义书签。1.3本文主要工作及篇章结构.................................................错误!未定义书签。第二章目标识别算法......................................................................错误!未定义书签。2.1.基于机器学习的分类算法......................................72.2.神经网络算法................................错误!未定义书签。2.3.卷积神经网络训练算法........................错误!未定义书签。第三章车型识别算法......................................................................错误!未定义书签。3.1SIFT特征匹配算法............................................................错误!未定义书签。3.1.1原始算法153.1.2改进算法18153.2深度学习算法.....................................................................错误!未定义书签。3.2.1无监督特征学习153.2.2基于SVM卷积的网络优化算法183.2.3车型识别在深度学习中的建模3.2.4深度学习算法设计19第四章数值仿真和结果分析........................................................错误!未定义书签。4.1基于SIFT特征匹配的车型识别仿真4.2基于深度算法的车型识别仿真4.3结果分析以及算法对比第六章结束语................................................................................错误!未定义书签。致谢................................................................................................错误!未定义书签。参考文献............................................................................................错误!未定义书签。1.绪论1.1.研究背景及意义因此，智能交通系统(IntelligentTransportationSystem，简称ITS)[1-3]是未来交通系统的发展方向，它是将先进的信息技术、数据通讯传输技术、电子传感技术、控制技术及计算机技术等有效地集成运用于整个地面交通管理系统而建立的一种在大范围内、全方位发挥作用的，实时、准确、高效的综合交通运输管理系统。车辆身份识别[5-6]系统是智能交通的重要分支，它需要人工智能、图像处理、计算机视觉、模式识别等相关技术的综合应用。目前国内的车牌识别技术已经日益成熟，随着智能交通技术应用的不断加深，工业界迫切希望提取更多元的车辆信息，除车牌号码外，还需要车辆的厂牌、型号以及颜色等信息特征。这些特征在停车场无人管理、交通事故处理、交通肇事逃逸、违章车辆自动记录等领域具有广泛而迫切的应用需求。机动车厂牌型号识别技术分为多个环节，一般是通过对摄像机采集的数字图像进行去噪、增强、车标定位、特征提取、识别等分析完成。为了得到较高的识别率，要求每一个处理步骤要有很高的准确率，而实际背景复杂，四季、昼夜、晴雨等不同情况的光照以及车辆运动速度的快慢等直接影响车辆图像的成像环节，造成车辆图像颜色失真、车身及车标区域灰度不均匀、边缘模糊、粘连等问题，增加了处理难度；反光、逆光、夜晚光照不足、树荫、车身颜色显著区域分布位置不同等情况又增加车身颜色识别难度；再加上车辆类别繁多以及车身本身的污损、遮挡、模糊，也为进一步提高识别率带来诸多困难。针对诸多问题，工业界一般采用了国际先进的人工智能、计算机视觉、图像处理、模式识别、大数据训练、深度学习等等技术来，通过从视频流中检测车辆、车头区域的定位、变形和倾斜校正、去除运动和成像造成的模糊、车辆特征的定位和识别、海量特征的选取和决策等多个环节来实现。在系统的设计和实现过程中，工业界开发应用了当今国际上最先进的计算机视觉技术，并通过超百万的大数据学习样本进行训练，大量实地数据的系统调整和测试，还采集了描述车头、车灯、散热格栅等各个部分的外形轮廓、相对位置、颜色、纹理等多种特征，组成了海量的辅助分类信息，与厂牌型号识别的结果一起最终通过可在线学习的特征决策模块，得到综合可信度评价，从而得到最终的识别结果。浩瀚如海的大数据，结构复杂，种类繁多，单纯依靠人力定义的过程无法处理这海量数据。于是我们采用基于模仿人类神经网络的人工智能算法，让机器从海量数据当中自我学。深度学习的实质，就是通过构建具有很多隐层的机器学习模型和海量的训练数据，来学习更有用的特征，从而最终提升分类或预测的准确性。我们通过利用大数据来深度学习各类信息、特征，更能够刻画数据的丰富内在信息。从而得出更多元更精准的厂牌型号及其他信息。1.2.深度学习简介深度学习[7-10]领域的学术研究可以包含四部分：优化（Optimization），泛化（Generalization），表达（Representation）以及应（Applications）。除了应用（Applications）之外每个部分又可以分成实践和理论两个方面。首先我们介绍优化部分。深度学习的问题最后似乎总能变成优化问题，这个时候数值优化的方