基于改进卷积神经网络的车型识别

摘要

为解决传统车型识别方法提取特征信息单一、识别精度不高、效率低的问题,将卷积神经网络引入目标识别问题中,利用其清晰、高效的泛化能力完成车型的特征学习,围绕模型的框架结构设计和内部参数优化两个方面进行研究,提出一种基于改进的Alex Net网络模型。将循环神经网络与卷积神经网络融合嵌入二级框架,设计自定义池化方式并对参数更新过程方法进行合理组合,通过提取浅层和高层的组合特征保证训练过程输入信息的多样性,使特征表达更加精确,网络性能更加高效。将该模型应用于视频监控图像车型识别任务中,通过在BIT-vehicle数据集上的一系列对比实验验证了所提模型的有效性。