基于嵌入式系统的车辆类型识别算法研究与应用

摘要

汽车作为连接空间中不同点的重要传输纽带，完成人和物的空间传送，其在社会生活中扮演着愈发重要的角色。我国的汽车行业正处于蓬勃发展时期，汽车数量急剧增加，同时也带来了城市交通阻塞、交通事故和汽车犯罪等问题。从20世纪中后期开始，国内外纷纷开始尝试融合先进的信息技术、数据通信技术、传感器技术等去构建智能交通系统（Intelligent Transport System，ITS），希望可以借此从根本上解决上述一系列问题。而高效、高精度、精细化的车辆类型识别系统是构建上述的智能交通系统（ITS）的重要基础，其重要性不言自明。而另一方面，由于嵌入式系统自身具有便携、低功耗、低成本等特点，使其在诸多方面（比如野外作业）有PC系统无法比拟的优势。
　　论文分析、比对了传统车辆类型识别方案。在过去，研究者主要将精力集中于利用何种传感器获取表征车辆类型信息，并利用通用分类器（比如，支持向量机等）对车辆类型进行粗分类。该类方法操作简便，理论基础坚实，可解释性强。但是，利用该方案进行车辆类型判别需要工程人员具备丰富的经验才能够构造可用的人工特征，难于对车辆类型进行精细化分类。
　　论文采用基于卷积神经网络的方法构建车辆类型识别系统，该方法将特征提取与分类集于一身，可以进行精细化分类。由于不需要手动提取特征，因而不要求工程人员拥有特别丰富的经验。论文采用斯坦福大学公开的Cars Dataset数据集作为构建车辆类型识别系统的基础，通过实验比对不同数据量、网络类型、Batchsize、Dropout以及学习率对于构建神经网络模型的影响。最后，利用微调的方式逐步迭代训练基于GoogLeNet网络模型的车辆类型识别系统。通过Qt工具设计相关的界面，并将上述训练完成的模型嵌入到软件中，实现基于嵌入式系统的车辆类型识别系统。
　　鉴于上述的神经网络模型在做识别过程需要大量的计算，论文通过比对现今较为流行的几款嵌入式平台，最终确定英伟达公司的Jetson TK1作为构建车辆类型识别系统的平台。最后，经过实际测试表明：利用Jetson TK1对上述训练完成的神经网络模型做预测平均耗费时间约为228ms，性能优异。
　　综上，构建基于嵌入式系统的车辆类型识别系统是可行的。

目录

声明

插图索引

表格索引

符号对照表

缩略语对照表

第一章 绪论

1 .1研究的背景和意义

1 .2国内外发展

1 .3论文的结构安排

第二章 嵌入式系统与传统车辆类型识别方法简介

2 .1嵌入式系统简介

2 .2传统车辆类型识别方法的探究

2 .3本章小结

第三章 卷积神经网络的车辆类型识别算法探究

3 .1卷积神经网络简介

3 .2典型的卷积神经网络模型分析

3 .3本章小结

第四章 卷积神经网络车辆类型识别模型训练

4 .1实验环境概述

4 .2网络训练

4 .3影响识别率的因素分析

4 .4车辆类型识别网络模型训练

4 .5本章总结

第五章 车辆类型识别的嵌入式系统开发

5 .1车辆类型识别软件的实现

5 .2车辆类型识别系统的测试

5 .3本章总结

第六章 总结与展望

6 .1总结

6 .2展望

参考文献

致谢

作者简介