论文部分内容阅读
伴随着我国经济水平快速提升、车辆行业不断发展、居民生活水平不断提高,汽车保有量也在不断的增加,这给我国的交通管理系统带来了不小的挑战。为了进一步提高交通管理的效率,智能交通管理系统(ITS)的建立必不可少,而根据日常交通管理的需要对不同类型的车辆进行识别是智能交通管理系统中重要的一环。但是目前车辆识别方法中的车型识别、车类识别等技术,并不能满足日常交通管理需求。论文对不同类型的车辆识别进行了研究,主要将车辆按交通管理需求分为九个类别,分别为警用车辆、救护车、消防车辆、小型汽车、客车、卡车、工程车辆、两轮车和其他车辆,并进行识别任务。论文根据不同类型车辆图像的特点,从Faster R-CNN的结构入手,改进识别方法,提高识别的准确率。论文主要工作如下:1)研究不同的CNN结构原理,对比相互间的优劣之处,对现阶段目标检测领域内的主流方法YOLO、Fast R-CNN、SPP-Net、SSD、Faster R-CNN等进行了研究对比,更加明确的了解到Faster R-CNN的优势。2)结合不同类型车辆识别的任务,论文在原有Faster R-CNN的网络结构基础上,对部分结构进行了改进,来更好的解决不同类型车辆识别的实际应用问题,实现其应用价值。根据部分不同类型车辆在车辆涂装、顶灯等局部区域的区别,论文选择引入空洞卷积的卷积方式代替传统卷积,提高感受野大小;添加空洞空间金字塔池化(ASPP)模块,提升网络对不同尺度特征信息的响应。3)结合数据集的特点,论文引入了注意力机制,对网络进行改进。提出了基于局部特征,利用级联网络对识别结果进行修正的方法,以此来降低相同车型但类型不同的车辆之间的误检率,并对整体实验结果进行了对比分析。4)基于论文提出的方法,设计并实现了不同类型车辆识别系统,证实了方法的有效性。