论文部分内容阅读
随着我国经济社会的高速发展,各地的汽车保有量也随之快速增长。面对道路上各种车辆,设计出一种有效算法,使其能够准确识别出车辆的品牌型号、能够从车辆数据库中检索出相同型号的车辆图像,对智慧交通的发展具有重要意义。以往对车辆的识别大多是粗粒度的通用车型识别,对细粒度的车辆检索也研究较少,为此本文采用深度学习技术,并结合目标检测算法给出了相应的车型识别和车辆检索方法。本文的主要工作包括以下三个方面:1、综述了现有深度学习模型的基本原理,总结了基于深度学习的目标检测方法,研究分析了基于区域和基于回归的目标检测算法,并对深度学习在车型识别与车辆检索的发展趋势进行了探讨。2、给出了改进Faster R-CNN的细粒度车型识别算法。该算法对基于深度学习的目标检测算法Faster R-CNN进行了改进,以提升车型识别准确率和识别效率,主要改进包括采用ResNeXt与FPN相结合的方式提取包含丰富语义信息的多尺度特征;改进RPN产生锚框的比例尺度,提升车型识别效率;通过SoftNM和RoIAlign去减少漏检率;加入在线困难样本挖掘机制,解决正负样本不均衡问题;利用Dropout降低网络的泛化误差,避免过拟合现象。最后我们在不同规模的车辆图像数据库CompCars、Stanford Cars进行了实验,并与原始算法和常见经典算法进行比较,实验结果验证了本文算法的有效性。3、建立了基于深度学习的两阶段细粒度车辆图像检索算法。该算法首先选择包含有效信息的特征;第一阶段通过广义平均池化产生全局特征描述子,并采用欧氏距离法得到初次检索结果;第二阶段通过Faster R-CNN预测目标区域的类别得分和位置坐标,在初次检索结果中找到与该查询类别相同的目标区域,并结合扩展查询对目标区域特征再次进行欧氏距离计算,检索出最终相似的图像。实验在车辆数据库CompCars、Stanford Cars上进行,实验结果证明了算法的有效性。