基于深度神经网络的车辆特征识别方法

提出了一种基于深度神经网络的车辆特征识别方法,通过车辆特征智能检测识别实现交通智能监控和管理.采用三维区域轮廓扫描方法进行车辆图像采集和几何形状判断,对采集的车辆图像进行边缘轮廓检测和信息增强处理,突出车辆的类别属性特征点,在仿射不变区域对车辆角点分布信息进行直方图均衡化处理,实现车辆像素特征点的提取.对提取的像素特征点采用深度神经网络进行分类训练,实现车辆特征的智能识别.选取大量交通视频图像进行实验,仿真结果表明采用该方法进行车辆特征识别的成功率较高,输出车辆特征点正确的像素总数较多,对目标车辆的准确检测定位性能较好.     

基于迁移学习的SAR图像车辆目标识别方法研究

针对卷积神经网络因参数随机初始化引起的收敛慢和过拟合的问题,提出了一种基于迁移学习的卷积神经网络模型.将小样本的数据作为源域的训练样本,将源域训练得到的模型的参数作为目标域模型的初始参数,大样本数据作为目标域的训练样本进行网络微调,实现从源域到目标域的信息迁移.在卷积神经网络中采用神经元丢弃法和组合小卷积核代替大卷积核的方式,减少网络的参数,加快收敛速度,并且抑制过拟合问题.实验采用移动与静止目标搜索识别数据集,该数据集分为十类合成孔径雷达图像车辆目标,以数据集中的三类目标数据作为源域训练样本,十类目标数据作为目标域训练样本,实验结果表明,提出的方法在十类目标识别精度上达到了98.39％,同时具有较快的收敛速度.     

基于机器视觉的车辆对称中心检测

介绍了一种基于车辆和背景的特征、灰度值、轮廓及对称性等的目标检测定位及对称中心确定的方法.提出了一种新的对称性检测算法.该算法具有简单、可靠的特点.并进行了实验验证.实验统计结果表明:该对称性检测算法能有效地检测出目标车辆的中心位置.     

基于特征融合和集成学习的隧道内车辆视频识别方法

随着数字视频技术在交通领域的广泛应用,视频车辆识别成为了一个"ITS"领域的基础问题.视频图像中的车辆识别是一个典型的分类学习问题,针对这一问题,提出一种基于特征融合和集成机器学习的车辆识别算法.该方法首先获取视频序列中的兴趣区域;然后对兴趣区域提取纹理特征、Hu不变矩特征和小波特征,将这些特征组合成一种新的特征向量;然后将组合特征向量作为BP神经网络输入进行训练得到基分类器,最后利用Adaboost方法将BP神经网络集成得到强分类器.对所用方法进行了实验对比分析,其统计正检率、误检率、漏检率以及准确率等多参数结果均优于其他两种算法,实验验证该方法具有较好的识别率和鲁棒性.     

基于支持向量机的多种人体姿态识别

为了实现对边防哨所等场合中无人监控的车辆、人体直立、哈腰、匍匐几种姿态的识别,提出了一种基于支持向量机的多种人体姿态识别方法.在对各种目标建立了样本库之后,提取了形状复杂性、矩形度、宽高比、头部矩形度等特征,利用支持向量机具有全局最优性和较好泛化能力的特点,进行了小样本的2类及多类目标分类识别,并和RBF神经网络的分类效果进行对比.实验结果表明,SVM不需进行网络迭代训练,求解速度明显高于RBF神经网络,且识别性能也优于RBF神经网络,并且采用径向基核的SVM性能最好.该方法识别率高,平均可达到96%,快速性好,识别速度平均为0.0172S,为小样本下的多目标分类及识别提供了理论和技术基础.     

基于神经网络与D-S证据理论的目标识别

针对目标识别中基本可信度分配需要专家知识在实际中难以实现的问题,提出一种基于神经网络和D-S证据理论相结合的多传感器数据融合的方法.该方法利用D-S理论来表示和处理不精确的、模糊的信息,发挥神经网络的自学习、自适应和容错能力,提高了系统识别率.最后通过实验,利用神经网络来处理证据理论中的基本可信度分配问题,对几种空中目标进行身份估计数据融合,经计算机仿真证实了该方法的有效性.     

基于粗网格神经网络的车牌字符识别方法

目的为了进一步提高交通车牌字符自动识别能力.方法通过对车牌识别技术国内外现状的分析和对各类车牌识别技术的对比说明,提出了一种基于粗网格神经网络的车牌文字识别方法.该方法先将车牌字符进行预处理,用改进的粗网格法提取字符特征,并用神经网络识别车牌字符.结果在实验过程中所用的字符是从实际拍摄的车辆牌照图像中提取的汉字、英文大写字母和数字.人工提取的汉字种类覆盖了我国现有车辆牌照中出现的大部分汉字,而字母和数字的覆盖率为100%.从实验结果看:数字、字母的识别率比较高,尤其是数字,其识别率达到了99.16%.结论实验表明:数字、字母易于准确地提取特征,粗网格神经网络车牌字符识别方法具有较高的识别精度和实用价值.     

基于全卷积神经网络复杂场景的车辆分割研究

针对目前存在的复杂交通场景中车辆分割精度不足的问题,本文提出了一种基于全卷积神经网络对图像中车辆进行分割的方法。在VGG16Net基础上,将全连接层改为卷积层,为获得更精细的边缘分类结果,减少了部分卷积层,并融合浅层和深层特征,同时,为提高交通环境下车辆的分割精度,减少其他类别目标的干扰,将对车辆目标的分割问题改为基于像素的二分类问题,为提高网络的训练速度,采用Adam优化算法对网络进行训练。实验结果表明,与现有的全卷积神经网络分割效果相比,该网络对复杂交通场景下的车辆分割精度明显提高。该研究在智能交通方面具有较好的应用前景。     

基于模糊自适应的BP神经网络动态行驶车辆车长测算

在对绿色通道检测系统实测大量数据分析及实验研究的基础上,提出了一种在车辆动态行驶过程中运用BP神经网络进行车长测算的方法。该方法通过模糊自适应的方式调节BP神经网络的学习率以加快算法的收敛速度。本文将该方法应用于吉林省省际收费站的绿色通道检测系统中,通过对绿通车辆大量的实车数据的测试与验证,结果表明本文所提测算方法能够有效地提高在车辆动态穿行过程中车长的测算精度。     

基于卷积神经网络的道路车辆检测方法

提出了一种基于卷积神经网络的前方车辆检测方法。首先,根据车底阴影特征,运用基于边缘增强的路面检测算法以及车底阴影自适应分割算法来分割并形成车底候选区域,以解决路面灰度分布不均及光照条件变化问题;其次,运用针对道路交通环境的卷积神经网络结构,建立图像样本库进行网络训练;在此基础上,采用基于卷积神经网络识别的方法以验证并剔除被误检测为车底阴影的候选区域,进而确定真正的车辆目标;最后,修改网络为三分类识别,以验证本文方法的强扩展性的优势。实验结果表明:本文提出的车辆检测方法能够很好地区分车底阴影和非车底阴影干扰,有效地提高车辆检测的准确率和可靠性,降低误检率。