基于BP神经网络的车型识别研究

车型识别是智能交通系统中的一个重要组成部分,近年来已成为国内外研究热点之一.提出一种基于特征提取的车型识别方法,该方法对车辆图像进行预处理,通过图像边缘检测、图像纵横填充、图像修正方法进行车型特征值提取,得到车型分类特征字空间,利用BP神经网络进行车型分类识别.实验结果表明,该方法高效可行,并对低质量和背景复杂图像有着良好的处理效果.     

基于深度卷积神经网络的车型识别

传统的基于卷积神经网络的车型识别算法存在识别相似车型的准确率不高,以及在网络训练时只能使用图像的灰度图从而丢失了图像的颜色信息等缺陷。对此,提出一种基于深度卷积神经网络(Deep Convolution Neural Network,DCNN)的提取图像特征的方法,运用深度卷积神经网络对背景较复杂的车型进行网络训练,以达到识别车型的目的。文中采用先进的深度学习框架Caffe,基于AlexNet结构提出了深度卷积神经网络的模型,分别对车型的图像进行训练,并与传统CNN算法进行比较。实验结果显示,DCNN网络模型的准确率达到了96.9%,比其他算法的准确率更高。     

红外双色目标识别技术

介绍了一种红外双色目标识别算法。该算法将通过二维傅立叶小波变换对图像提取的特征作为特征向量，这组特征向量具有旋转、平移和尺度不变性。利用Dempster-Shafer(D-S)证据理论进行图像融合，并使用神经网络分类器进行分类。实验结果表明，该算法提高了对近似物体的识别能力，能对飞机、舰船等目标进行有效的识别。     

区域建议网络的细粒度车型识别

目的 细粒度车型识别旨在通过任意角度及场景下的车辆外观图像识别出其生产厂家、品牌型号、年款等信息,在智慧交通、安防等领域具有重要意义。针对该问题,目前主流方法已由手工特征提取向卷积神经网络为代表的深度学习方法过渡。但该类方法仍存在弊端,首先是识别时须指定车辆的具体位置,其次是无法充分利用细粒度目标识别其视觉差异主要集中在关键的目标局部的特点。为解决这些问题,提出基于区域建议网络的细粒度识别方法,并成功应用于车型识别。方法 区域建议网络是一种全卷积神经网络,该方法首先通过卷积神经网络提取图像深层卷积特征,然后在卷积特征上滑窗产生区域候选,之后将区域候选的特征经分类层及回归层得到其为目标的概率及目标的位置,最后将这些区域候选通过目标检测网络获取其具体类别及目标的精确位置,并通过非极大值抑制算法得到最终识别结果。结果 该方法在斯坦福BMW-10数据集的识别准确率为76.38%,在斯坦福Cars-196数据集识别准确率为91.48%,不仅大幅领先于传统手工特征方法,也取得了与目前最优的方法相当的识别性能。该方法同时在真实自然场景中取得了优异的识别效果。结论 区域建议网络不仅为目标检测提供了目标的具体位置,而且提供了具有区分度的局部区域,为细粒度目标识别提供了一种新的思路。该方法克服了传统目标识别对于目标位置的依赖,并且能够实现一图多车等复杂场景下的车型细粒度识别,具有更好的鲁棒性及实用性。     

基于卷积神经网络的遥感图像飞机目标识别

遥感图像的识别技术一直被广泛运用于民用和军事领域。针对采集到的遥感飞机图像存在大量干扰,如遮挡、噪声、视角变化等因素,提出一种改进的基于卷积神经网络的遥感图像目标识别算法。在复杂环境下,运用卷积神经网络对飞机目标进行识别,避免了在特征提取过程中信息的丢失,提高了识别率。实验结果证明了该算法在遥感图像飞机目标识别中的可行性,能克服尺度变化及目标姿态变化等因素的影响。同时提出的算法较传统CNN、BP神经网络和支持向量机(SVM)方法具有更好的识别效果,鲁棒性更强。     

BP和RBF神经网络在图像小目标识别中的研究

本文针对图像小目标识别问题，通过提取图像的有用特征，利用神经网络BP和RBF进行图像目标识别算法研究．进而比较这两种神经网络在图像小目标识别中的应用特点。     

基于AT-PGGAN的增强数据车辆型号精细识别

目的 车型识别在智能交通、智慧安防、自动驾驶等领域具有十分重要的应用前景。而车型识别中，带标签车型数据的数量是影响车型识别的重要因素。本文以"增强数据"为核心，结合PGGAN（progressive growing of GANs）和Attention机制，提出一种基于对抗网络生成数据再分类的网络模型AT-PGGAN（attention-progressive growing of GANs），采用模型生成带标签车型图像的数量，从而提高车型识别准确率。方法 该模型由生成网络和分类网络组成，利用生成网络对训练数据进行增强扩充，利用注意力机制和标签重嵌入方法对生成网络进行优化使其生成图像细节更加完善，提出标签重标定的方法重新确定生成图像的标签数据，并对生成图像进行相应的筛选。使用扩充的图像加上原有数据集的图像作为输入训练分类网络。结果 本文模型能够很好地扩充已有的车辆图像，在公开数据集StanfordCars上，其识别准确率相比未使用AT-PGGAN模型进行数据扩充的分类网络均有1%以上的提升，在CompCars上与其他网络进行对比，本文方法在同等条件下最高准确率达到96.6%，高于对比方法。实验结果表明该方法能有效提高车辆精细识别的准确率。结论 将生成对抗网络用于对数据的扩充增强，生成图像能够很好地模拟原图像数据，对原图像数据具有正则的作用，图像数据可以使图像的细粒度识别准确率获得一定的提升，具有较大的应用前景。     

基于语义DCNN特征融合的细粒度车型识别模型

针对深度卷积神经网络模型缺乏对语义信息的表征能力,而细粒度视觉识别中种类间视觉差异微小且多集中在关键的语义部位的问题,提出基于语义信息融合的深度卷积神经网络模型及细粒度车型识别模型.该模型由定位网络和识别网络组成,通过定位网络FasterRCNN获取车辆目标及各语义部件的具体位置;借助识别网络提取目标车辆及各语义部件的特征,再使用小核卷积实现特征拼接和融合;最后经过深层神经网络得到最终识别结果.实验结果表明,文中模型在斯坦福BMW-10数据集的识别准确率为78.74%,高于VGG网络13.39%;在斯坦福cars-197数据集的识别准确率为85.94%,其迁移学习模型在BMVC car-types数据集的识别准确率为98.27%,比该数据集目前最好的识别效果提高3.77%;该模型避免了细粒度车型识别对于车辆目标及语义部件位置的依赖,并具有较高的识别准确率及通用性.     

基于特征融合卷积神经网络的车型精细识别

为解决现有车型精细识别方法中存在识别精度低、模型参数规模大等问题,提出一种基于特征融合卷积神经网络的车型精细识别方法。设计两个独立网络(UpNet、DownNet)分别用于提取车辆正面图像的上部和下部特征,在融合网络(FusionNet)中进行特征融合,实现车型的精细识别。相较于现有的车型精细识别方法,该方法在提高识别精度的同时,有效压缩了模型参数规模。在基准数据集CompCars下进行大量实验的结果表明,该方法的识别精度可达98.94%,模型参数大小仅为4.9 MB。     

一种应用神经网络的车型识别仪

介绍一种新研制的公路收费车型识别仪、该设备利用环型线圈磁尖检测车辆特征信号，经一 工神经网络识别车型，并从标准２３２串口输出相应在的费额代码。     

基于深度学习的车标识别方法研究

对交通监控录像中车牌污损、遮挡的肇事车辆信息进行确认是现阶段智能交通系统中的一个重要问题,车标作为一个关键特征,可以起到辅助判别的作用.提出了一种基于深度学习的车标识别方法,相对于以人工提取特征为主的传统车标识别方法,该方法具有可自主学习特征、可直接输入图像等优点.实验表明,这种方法正确率较高,在光照变化和噪声污染下的准确性和稳定性较好,能够有效降低车标识别的错误率.     

车牌定位技术在"电子警察"系统中的应用研究

随着我国城市交通管理水平的发展，车牌识别技术得到了广泛的应用。而车牌定位作为车牌识别的关键环节之一，也受到越来越多技术人员的重视。在众多车牌定位方法中，寻找一种适用于“电子警察”系统应用的方法显得十分必要。文章通过对三种车牌定位方法的分析、研究及实验对比，提出了比较适用于“电子警察’’系统中车牌识别的方法，其中的研究方法、过程以及结果具有一定的参考价值。     

基于模糊模式识别的车型分类研究

根据目前中国路桥车辆收费标准，提出了一种基于模糊模式识别的车型分类系统。车辆经过环形线圈传感器时，形成感应曲线，提取感应曲线的特征并进行特征分离，利用模糊模式识别方法对车型进行匹配分类。研究结果已在路桥收费系统以及交通流量统计中得到应用。     

基于身份识别的暴力车辆自动拦截系统

提出一种基于汽车电子牌照识别技术的暴力车辆监控与拦截系统，给出了系统设计方案。该系统具有自动查询和接收车辆识别信息，并依据对车辆身份合法性的判定结果，自动控制门禁系统放行或禁行等功能。样机试验结果表明，该系统能够准确判断并迅速启动路障拦截企图强行闯入的非法车辆，适用于重要警卫区域准入车辆管理的需求。     

高性能的车牌识别系统

描述了一个车辆牌照识别系统.该系统首先利用车辆位置传感器和图像采集卡来自动获取车辆图像并传输至计算机,然后识别车牌字符.结合网络技术,特定车牌信息和车辆图像可以很方便地从远端检索到.文中介绍了该系统的结构及工作流程,以及两种字符的识别方法:基于PCA-LSM的有限中文字符识别方法和基于结构特征分析的字母及数字字符识别方法.在实际应用环境下,该系统的日间整体识别率超过97%,夜间整体识别率超过95%.     

机动车牌照自动识别技术的研究

设计了一种机动车牌照自动识别的解决方案,对牌照定位模块和字符识别模块进行了详细介绍,针对车牌字符分割提出了相应的算法,取得了较为理想的处理结果。识别部分采用相关性来表征字符和模板的相似程度,从而降低了对模板的准确性要求,并提高识别率。     

数学形态学在车牌自动识别中的应用

介绍了数学形态学的基本运算及其在车牌自动识别中的应用,讨论了数学形态学在汽车图像处理中存在的问题和进一步研究的方向。     

数学形态学在车牌自动识别中的应用

介绍了数学形态学的基本运算及其在车牌自动识别中的应用，讨论了数学形态学在汽车图像处理中存在的问题和进一步研究的方向。     

基于神经网络的车牌识别技术的研究

汽车牌照识别技术研究与实现一直是现代化交通发展中倍受关注的问题,也是制约交通系统智能化、现代化的重要因素。本文深入研究了基于神经网络的识别技术,提出了一种基于多个神经网络的字符识别方法,实现了车牌字符识别。