基于深度卷积神经网络的车型识别-信号与信息处理专业论文.docxVIP

优秀毕业论文 精品参考文献资料 研究生优秀毕业论文 西南交通大学 西南交通大学 学位论文版权使用授权书 本学位论文作者完全了解学校有关保留、使用学位论文的规定，同意学校保留并 向国家有关部门或机构送交论文的复印件和电子版，允许论文被查阅和借阅。本文授 权西南交通大学可以将本论文的全部或部分内容编入有关图像库进行检索，可以采用 影印、缩印或扫描等复印手段保存和汇编本学位论文。 本学位论文属于 1．保密口，在 年解密后适用本授权书； 2．不保密酉，使用本授权书。 (请在以上方框内打“巾) 学 ，I 彩划作 豁签 乐 一X P柯 指导老师签名： 日瑚玑 皿M 务 S 2易 日期：20fS．S、≥≥ 万方数据 西南交通大学硕士学位论文主要工作( 西南交通大学硕士学位论文主要工作(贡献)声明 本文在学位论文中所做的主要工作或贡献如下： l、基于实验室现有的高速公路上拍摄的图像数据，对车辆图片进行了处理和归纳， 建立了车辆识别图像数据库，其中包含了轿车、客车和货车的训练样本以及测试样本， 用于车型识别算法有效性的验证。 2、研究了基于图片的车型识别方法的基本流程。将HOG及PCA—SIFT特征应用 于车型识别，利用本文建立的图像库对比了不同参数下的HOG及PCA-SIFT特征的识别 准确率及特征提取和测试分类时问。最终选择最佳参数下的特征用来和本文提出的方 法进行对比。 3、针对目前基于图像的车型识别的特征提取速度和识别效果问题，本文提出利用 卷积神经网络自主提取特征，通过分析网络的结构，从网络层数、滤波器大小、滤波 器个数、激活函数等方面优化网络，从而提取到良好的特征。 4、通过对比本文方法和常见用于车型识别的模式识别算法以及和最近几年出现的 车型识别算法，验证了本文算法在速度和准确度都能取得不错的效果。 本文郑重声明：所呈交的学位论文，是在导师指导下独立进行研究工作所得的成 果。除文中已经注明引用的内容外，本论文不包含任何其他个人或集体己经发表或撰 写过的研究成果。对本文的研究做出贡献的个人和集体，均己在文中作了明确说明。 本文完全了解违反上述声明所引起的一切法律责任将由本文承担。 学位论文作者签名：罗P朽7 日期：2口心．皇．z2， 万方数据 西南交通大学硕士研究生学位论文 西南交通大学硕士研究生学位论文 第1页 摘 要 车型识别系统是智能交通系统的重要组成部分和重点研究内容。随着图像处理、 模式识别以及计算机视觉等技术的发展，基于图像的车型识别技术得到了越来越多的 关注和研究。基于图像的车型识别技术是通过提取摄像头中的视频流中的车辆图像， 然后通过模式以及计算机视觉识别技术获得车辆图像的有效信息，进而进行分类识别。 但是目前基于图像的车型识别系统因为受到速度和准确率两个重要因素的限制，投入 实际应用的智能车型识别系统还很少，因此如何准确高效地对车型进行识别，对于保 证交通的正常运行具有重要的意义。 本文采用基于图像的目标识别方案实现车型的识别。首先，由于目前缺少实验所 需的公共数据库，本文将从高速公路上拍摄的车辆图像数据中选择背景车辆多变、光 照多变和尺度多变等图片进行数据库的构建，以保证数据库的多样性。本文最终建立 的车型数据库包含轿车、客车和货车的训练样本以及测试样本。 其次，本文研究了特征提取方法和分类器。基于本文构建的车型图像库，运用HOG 及PCA．SIFT特征，结合SVM算法训练车型分类器，比较两种特征分类器的性能。 最后，针对目前基于图像的车型识别的特征提取速度和识别效果问题，本文提出 利用卷积神经网络(ConvolutionalNeural Network，CNN)自主提取特征，结合SVM 分类器进行车型的分类识别。本文从网络层数、滤波器大小、滤波器个数、激活函数 等方面优化提取特征的网络结构，相比于如HOG和SIFT+PCA常见算法以及和最近几 年出现的车型识别算法，本文提出的方法在速度和准确率上都有可观的优势。 关键词：车型识别；特征提取：分类识别；卷积神经网络：SVM分类器； 万方数据 西南交通大学硕士研究生学位论文 西南交通大学硕士研究生学位论文 第|I页 Abstract Vehicle recognition system plays an important part in Intelligent Transportation Systems and thus is a keen research topic as well．With the rapid development of image processing，pattem recognition and computer vision，more and more attention and research has