复杂环境下基于深度学习的车辆识别定位应用研究.pdfVIP

摘要

随着交通网对车辆的吞吐量日益增加，严峻的交通形式和频发的道路车辆安

全问题受到越来越多人的关注。因此，大力发展智能交通已经迫在眉睫，发展智

能交通至关重要的一步是在复杂道路场景中，对车辆进行精准快速自主识别和跟

踪，可以有效的解决车辆碰撞、交通事故鉴定和交通拥堵情况判定等实际问题。

1）本文首先从研究国内外经典的车辆跟踪算法入手，对车辆图像的数据集进

行获取和标记，做好神经网络训练和验证的数据准备工作，研究基于多特征子空

间分布的深度模型和在线迁移学习的车辆识别算法，建立以多层受限玻尔兹曼机

构造底层，深度信念网路构造上层结构的深层模型，利用迁移学习对复杂道路场

景下的车辆进行识别。从识别精度和识别速度上分析该算法的优缺点，进一步寻

找更满足复杂场景需求的车辆识别算法。

2）以多特征子空间分布的深度迁移学习和YOLO神经网络作为基础的研究模

型，提出一种快速精准的车辆识别算法（Fastandaccuratevehiclerecognition简

称：FAVR）作为本文研究模型。首先，通过输入复杂环境下多种自采集车辆样

本和KITTI车辆数据集对模型进行训练及参数优化，对复杂场景中的车辆进行

识别。然后，结合车辆跟踪算法实现对车辆稳定、准确、实时性跟踪，其该算法

车辆识别的精确度、准确率、精确度、召回率和F1分别达到92.18%、80.73%、

78.67%和79.95%。通过训练好的网络模型进行实验，验证本文提出的识别算法

和基于卡尔曼滤波的车辆定位算法的精度和效率。

本文提出的FAVR算法使用BatchNormalization正则化，这样可以避免过拟

合的同时加速了网络的收敛；删除池化层缓解了因为池化带来的信息损失问题；

取消了全连层避免了深层网络梯度消失问题；从三个尺度对目标进行预测解决

YOLO算法对小目标的误检率，提高网络的推理速度，同时在两种数据集上获得

了较高的精度。

关键词：车辆识别、目标跟踪、深度学习、子空间特征分布、FAVR

ABSTRACT

Withtheincreasingthroughputoftrafficnetworktovehicles,moreandmore

peoplepayattentiontotheseveretrafficformsandfrequentroadvehiclesafety

problems.Therefore,itisurgenttodevelopintelligenttransportation.Oneofthemost

importantstepstodevelopintelligenttransportationistoidentifyandtrackvehicles

accuratelyandquicklyincomplexroadscenes,whichcaneffectivelysolvepractical

problemssuchasvehiclecollision,trafficaccidentidentificationandtraffic

congestiondetermination.

1)thispaperstartswiththestudyoftheclassicvehicletrackingalgorithmsat

homeandabroad,obtainsandmarksthedatasetofvehicleimage,preparesthedata

forneuralnetworktrainingandverification,studiesthedepthmodelbasedonmulti

featuresubspacedistributionandthevehiclerecognitionalgorithmbasedononline

migra