论文部分内容阅读
智能交通系统是基于现代电子信息技术面向交通运输的一种信息服务和管理系统。该系统的突出技术特点是以信息的实时收集、处理、发布、交换、分析、利用等作为服务主线,为智能交通的参与者和公众提供多样性的信息服务。车辆的检测与识别等技术是新一代智能交通系统的重要技术基础和核心,在系统中执行车辆套牌识别检查、高速收费、车辆违停等交通行为的车辆识别检测,以及对被盗车辆的特定车型识别和追踪等任务时,车辆识别技术在智能交通系统中都有出色的表现。传统方法通过人工来监控车辆信息,不仅达不到准确追踪的目的,还容易伤害人的视力。随着现代计算机科学发展,用计算机视觉、数据分析及智能信息处理的方法处理繁琐、机械的车辆识别相关问题是发展必然。图像领域是深度学习最为成熟的领域,卷积神经网络构建的图像处理系统在融合GPU加速技术后,能够较好的拟合训练数据,更快更准确的识别图片。针对以上问题,本文基于深度卷积神经网络,研究更加精细化的车辆识别方法,丰富车联网中车辆目标类型,提高智能交通系统中车辆识别的准确性。本文研究内容如下:(1)详细分析和介绍用于车型识别和语义分割的网络数据集,并拍摄了本地天桥、街道等复杂场景下的数据作为车型识别和车辆语义分割的数据集,即自建车辆数据集,对实验数据集进行了扩充。(2)车辆类型识别。针对基础SSD车型识别算法在检测精度和速度上的不足,以及由于参数多导致运行内存占用过大等问题,本文设计基于改进的深度可分离卷积的SSD车型识别算法,轻量算法模型。首先,通过空间几何变换和像素颜色变换对数据进行扩充,解决因不同车型样本数量差距过大所导致过拟合的问题;其次,在深度可分离卷积前引入反残差模块进行特征提取来解决因通道数少、特征压缩导致的准确率下降问题;其次,以车辆的刚体特性为依据,使用K-means聚类算法对区域候选框的宽高比进行重构,减少模型参数运算量,提高车型识别准确率和识别速度;最后,选用大型分类数据集上预训练的模型进行网络参数微调,通过权值共享加速模型收敛,获得更好的识别效果,并在不同数据集上进行模型泛化能力测试。对比实验结果表明:本文设计的改进SSD提高了车型识别的帧速率,验证了算法的有效性,在保证识别准确率的情况下减少网络参数,加速车辆目标类型识别模型训练阶段的收敛速度及检测阶段的识别速度,满足车辆目标类型实时识别要求,可以应用于交通收费口车辆检测、被盗车辆追踪等方面。(3)车辆目标的语义分割。针对目标检测算法在边缘信息提取的缺失和复杂场景识别能力不足的问题,设计基于残差网络单元的U-Net网络对车辆目标进行语义分割,提高模型在复杂场景下对车辆分割的鲁棒性。实验采用实地拍摄数据,提高模型对更多条件因素的泛化能力;使用U-Net网络进行车辆目标分割,将浅层纹理边缘信息与深层高层语义信息相结合,解决复杂环境下车辆目标分割问题;同时借鉴Res Net(Residual Network)的残差思想,在U-Net网络中添加残差网络单元,构建残差U-Net车辆目标语义分割网络,解决深层网络训练的网络梯度消失问题,提高模型分割的准确率。(4)车辆识别算法实际应用。结合轻量SSD的车型识别算法和残差U-Net的车辆语义分割算法,设计一种公交车道违规行驶车辆检测算法。通过对违规车辆标记,辅助工作人员判定违规行为,为基于卷积神经网络的车辆识别算法应用提供参考。