基于深度學習的機動車檢測與屬性識別研究.pdf

1、機動車檢測與識別作為智能交通系統(tǒng)中的核心任務(wù)，包含車輛類型識別、車輛顏色識別、車輛品牌識別、車輛檢測等子任務(wù)。目前大多數(shù)解決方案以完成功能為導向，使用現(xiàn)成的深度學習算法依次完成機動車檢測與識別的各個功能，忽視了各個任務(wù)的性質(zhì)與其之間的聯(lián)系。在實際應用過程中這種解決方案使得機動車檢測與識別系統(tǒng)存在多個功能模塊，導致計算量較大、執(zhí)行效率低。針對以上問題，本文以研究各個任務(wù)屬性及其聯(lián)系為導向，設(shè)計機動車檢測與識別系統(tǒng)，提出先進行粗粒度屬性識別

2、與檢測，再進行細粒度屬性識別的解決方案框架。
　　首先，針對粗粒度屬性識別與檢測提出機動車聯(lián)合檢測與識別算法，將機動車顏色與類型信息融合到檢測算法中，使用多任務(wù)學習框架對機動車的屬性識別任務(wù)與定位任務(wù)建模，在檢測的同時完成粗粒度屬性識別。進一步地，針對智能交通系統(tǒng)中數(shù)據(jù)分布不均勻、呈現(xiàn)長尾現(xiàn)象的問題，將多任務(wù)學習框架與在線難例挖掘算法相結(jié)合，降低該現(xiàn)象給模型優(yōu)化帶來的危害。然后，針對細粒度屬性識別特別研究了車輛品牌識別算法，從卷積

3、神經(jīng)網(wǎng)絡(luò)模型結(jié)構(gòu)與模型損失函數(shù)兩個方面設(shè)計適用于車輛品牌識別的卷積神經(jīng)網(wǎng)絡(luò)模型。使用Inception結(jié)構(gòu)與殘差學習模塊作為模型基本子結(jié)構(gòu)，并結(jié)合中心損失函數(shù)提升模型提取細粒度特征的能力。進一步地，為了解決細粒度屬性識別測試樣本中包含未知類別樣本的問題，在品牌識別算法中融合主動學習算法，使得該模型具有辨別未知類別的能力，可以用于獲取更新模型的新樣本。
　　為了驗證本文提出的粗粒度識別與檢測算法以及車輛品牌識別算法，本文分別構(gòu)造道路

4、圖像數(shù)據(jù)集與車輛品牌數(shù)據(jù)集。在道路圖像數(shù)據(jù)集上，本文提出的機動車聯(lián)合檢測與識別算法檢測精度優(yōu)于SSD與Faster-RCNN檢測算法。在車輛品牌數(shù)據(jù)集上，本文提出的車輛品牌識別算法不僅能夠準確識別測試集中的已知類別樣本，還能辨別出未知類別樣本。除了算法效果的提升，本文提出的機動車檢測與識別算法在計算性能上也滿足實時處理數(shù)據(jù)的要求。
　　綜上所述，采用本文提出的機動車檢測與識別框架，解決了目前解決方案中存在的問題，不僅提升了機動車檢