基于特征编码与卷积神经网络融合的车型识别算法研究

摘要

随着国家经济和城镇化的快速发展，人们收入水平得到明显提高，私家车逐渐成为出行必备工具。智能交通系统的研发具有越来越重要的实用价值，车型识别作为智能交通系统的关键组成部分，有着重要的应用，如：公路自动收费系统、停车场车位管理、自动驾驶等领域。
　　由于基于物理参数的车型识别算法主要有使用寿命短、对原始路面破坏性大、灵活性低等缺点，而基于视频图像处理的模式识别方法具有成本低、安装维护方便、能够获取的信息更多等优点而被更多的研究。因此，本课题主要对基于视频和图像的车型识别方法进行研究。而现存的方法主要是提取车辆的几何特征，当监控的场景和角度发生变化时，模型相关参数需要调整，不利于车型识别系统的推广，因此本文选择使用纹理特征进行车型识别。本文完成的主要工作如下：
　　本文调研了国内外关于车型识别领域的研究现状，分析了当前车型识别算法的主要优缺点。对原有的Vi B e背景建模算法中模型更新规则进行了改进，考虑到像素空间分布的扩展性和背景样本集中像素值分布的差异性，增加了背景模型的鲁棒性，实验表明该算法能够有效的去除前景检测中噪音的影响。对比了许多传统的图像识别算法和卷积神经网络运用于车型识别的结果。并且提出了将特征编码与卷积神经网络融合的车型识别算法，这利用了卷积神经网络能够学习到适合于分类识别的更高层特征，使模型表达能力更强，而特征编码算法相当于卷积神经网络的预训练。由于特征编码向量已经具有一定的分类能力，它与卷积神经网络结合之后降低了对卷积神经网络学习提取特征的要求。因此可以简化网络模型，加快了卷积神经网络的收敛并降低对海量样本集的需求。在中小型数据集的情况下比原始卷积神经网络算法精度有所提升。
　　最后，实现了一个车型识别系统，对于系统实现部分，首先需要提取出视频中运动的前景。然后，对前景作连通分量分析，去除噪声的影响，特征提取并进一步编码为定长向量，以适合于分类器的识别。最后对识别为某车型的车辆进行跟踪，最终系统运行取得了不错的效果。

目录

第1章 绪 论

1.1 课题研究背景及意义

1.2 国内外研究现状及分析

1.3 本文主要工作

1.4 本文的结构

第2章视频图像背景建模

2.1 视频背景建模

2.3 本章小结

第3章 车辆图像特征编码与识别算法

3.1 车辆图像特征提取

3.2 车辆图像特征编码

3.3 车辆图像识别算法

3.3 本章小结

第4章 车型识别系统实现与实验结果分析

4.1 实验环境与数据集及算法评价标准

4.2 改进的ViBe背景建模相关实验

4.3 粗粒度的车型识别实验

4.4 细粒度车型识别实验

4.5 系统设计实现及结果展示

4. 6本章小结

结论

参考文献

声明

致谢