基于深度學習和強化學習的車輛定位與識別.pdf

1、車輛的定位與識別技術是智能交通中的一個關鍵技術，是目標車輛搜尋、車輛速度監(jiān)控、車輛跟蹤的必要前提。本文主要研究對于靜態(tài)圖片如何將深度學習與強化學習理論應用到車輛的定位與識別中，其識別的范圍是判別圖像中是否有車以及屬于小汽車、大巴車、卡車三類中的哪一類。針對定位，使用了金字塔圖像掃描時預識別出車輛并保存的位置信息，最終在識別窗口進行合并處理時定位到車輛。本文的主要內容為：
　　首先，分析了深度學習中兩個主要的網(wǎng)絡模型：卷積神經(jīng)網(wǎng)絡以

2、及深度信念網(wǎng)絡。介紹了兩個網(wǎng)絡模型的結構以及原理，詳細分析了兩種模型的訓練算法：梯度下降法和逐層貪婪算法。將兩種模型用于車輛識別的仿真實驗，實驗結果表明深度神經(jīng)網(wǎng)絡在車輛識別上要好于傳統(tǒng)的淺層網(wǎng)絡，更進一步證明了卷積神經(jīng)網(wǎng)絡在本文車輛數(shù)據(jù)庫上的識別性能優(yōu)于深度信念網(wǎng)絡。
　　其次，引入強化學習思想到卷積神經(jīng)網(wǎng)絡中。將卷積神經(jīng)網(wǎng)絡與強化學習結合的模型應用到車輛識別中，分析了其理論基礎以及Q-學習算法。鑒于Q-學習的核心在于Agent

3、的動作選擇策略，提出將車輛類別映射為動作，以此用基于動作選擇的評估Q值來代替卷積神經(jīng)網(wǎng)絡中基于實際輸出與期望輸出的梯度后向傳播訓練深度神經(jīng)網(wǎng)絡。為解決卷積神經(jīng)網(wǎng)絡在訓練的末尾階段由于被錯誤分類的樣本所占比例較小，導致對網(wǎng)絡權值更新調整影響力較小的問題，引入基于錯分樣本動態(tài)調整訓練集的強化學習策略。實驗結果表明引入的強化學習策略可以有效的提高車輛識別的性能，并有利于網(wǎng)絡的訓練。
　　最后，基于上述理論以及實驗，設計實現(xiàn)了一個車輛定位