基于深度学习的车辆型号识别

摘要

目标识别是计算机视觉一个重要的研究领域，由此延伸出的车辆型号识别具有重要的实际应用价值，特别是在当今交通状况复杂的大城市，智能交通系统成为发展趋势，这离不开对车辆型号进行识别和分类的工作，本文围绕如何利用计算机视觉的方法进行车辆型号的识别和分类展开了一系列研究：
　　本文对当前的目标识别和分类的特征和算法做了总结和归纳。分析比较了作为图像特征描述常见的特征算子，总结归纳了他们的提取方法、特征性能以及相互之间的关联。另外，介绍了在目标识别工作中常用的分类方法,阐述了他们各自的原理和工作方法。研究了深度神经网络的理论依据，分析比较了深度神经网络不同的特征学习方法，以及卷积神经网络的训练方法。分析比较不同特征学习方法的特点选取k-means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，进行车辆车型识别工作。
　　本文为了测试基于深度学习的车辆型号分类算法的性能在30个不同型号共7158张图片上进行实验；并在相同数据上利用改进了的SIFT特征匹配的算法进行对比实验；进过实验测试，深度学习方法在进行车型分类的实验中取得94％的正确率，并在与SIFT匹配实验结果对比后进一步证实：深度学习的方法能够应用在车辆型号识别领域。

目录

封面

声明

中文摘要

英文摘要

目录

英文单词缩写与中文对照表

1. 绪论

1.1. 研究背景

1.2. 国内外智能交通系统现状

1.3. 国内外深度学习研究现状

1.4. 本文的结构和内容

2. 目标识别算法综述

2.1. 图像特征提取

2.2. 基于机器学习的分类算法

2.3. 神经网络与深度神经网络

2.4. 特征学习方法及模型

2.5. 卷积神经网络训练过程

2.6. 本章小结

3. 基于SIFT特征匹配的车型识别

3.1. 算法概述

3.2. 算法改进

3.3. 实验结果及分析

3.4. 本章小结

4. 基于深度学习的车型识别模型

4.1. 无监督特征学习

4.2. 利用SVM分类器进行卷积网络优化

4.3. 基于深度学习的车型识别模型

4.4. 算法实现及实验

4.5. 本章小结

5. 结论与展望

致谢

参考文献