基于深度學(xué)習(xí)的機(jī)動(dòng)車檢測(cè)與屬性識(shí)別研究.pdf

1、機(jī)動(dòng)車檢測(cè)與識(shí)別作為智能交通系統(tǒng)中的核心任務(wù)，包含車輛類型識(shí)別、車輛顏色識(shí)別、車輛品牌識(shí)別、車輛檢測(cè)等子任務(wù)。目前大多數(shù)解決方案以完成功能為導(dǎo)向，使用現(xiàn)成的深度學(xué)習(xí)算法依次完成機(jī)動(dòng)車檢測(cè)與識(shí)別的各個(gè)功能，忽視了各個(gè)任務(wù)的性質(zhì)與其之間的聯(lián)系。在實(shí)際應(yīng)用過(guò)程中這種解決方案使得機(jī)動(dòng)車檢測(cè)與識(shí)別系統(tǒng)存在多個(gè)功能模塊，導(dǎo)致計(jì)算量較大、執(zhí)行效率低。針對(duì)以上問(wèn)題，本文以研究各個(gè)任務(wù)屬性及其聯(lián)系為導(dǎo)向，設(shè)計(jì)機(jī)動(dòng)車檢測(cè)與識(shí)別系統(tǒng)，提出先進(jìn)行粗粒度屬性識(shí)別

2、與檢測(cè)，再進(jìn)行細(xì)粒度屬性識(shí)別的解決方案框架。
　　首先，針對(duì)粗粒度屬性識(shí)別與檢測(cè)提出機(jī)動(dòng)車聯(lián)合檢測(cè)與識(shí)別算法，將機(jī)動(dòng)車顏色與類型信息融合到檢測(cè)算法中，使用多任務(wù)學(xué)習(xí)框架對(duì)機(jī)動(dòng)車的屬性識(shí)別任務(wù)與定位任務(wù)建模，在檢測(cè)的同時(shí)完成粗粒度屬性識(shí)別。進(jìn)一步地，針對(duì)智能交通系統(tǒng)中數(shù)據(jù)分布不均勻、呈現(xiàn)長(zhǎng)尾現(xiàn)象的問(wèn)題，將多任務(wù)學(xué)習(xí)框架與在線難例挖掘算法相結(jié)合，降低該現(xiàn)象給模型優(yōu)化帶來(lái)的危害。然后，針對(duì)細(xì)粒度屬性識(shí)別特別研究了車輛品牌識(shí)別算法，從卷積

3、神經(jīng)網(wǎng)絡(luò)模型結(jié)構(gòu)與模型損失函數(shù)兩個(gè)方面設(shè)計(jì)適用于車輛品牌識(shí)別的卷積神經(jīng)網(wǎng)絡(luò)模型。使用Inception結(jié)構(gòu)與殘差學(xué)習(xí)模塊作為模型基本子結(jié)構(gòu)，并結(jié)合中心損失函數(shù)提升模型提取細(xì)粒度特征的能力。進(jìn)一步地，為了解決細(xì)粒度屬性識(shí)別測(cè)試樣本中包含未知類別樣本的問(wèn)題，在品牌識(shí)別算法中融合主動(dòng)學(xué)習(xí)算法，使得該模型具有辨別未知類別的能力，可以用于獲取更新模型的新樣本。
　　為了驗(yàn)證本文提出的粗粒度識(shí)別與檢測(cè)算法以及車輛品牌識(shí)別算法，本文分別構(gòu)造道路

4、圖像數(shù)據(jù)集與車輛品牌數(shù)據(jù)集。在道路圖像數(shù)據(jù)集上，本文提出的機(jī)動(dòng)車聯(lián)合檢測(cè)與識(shí)別算法檢測(cè)精度優(yōu)于SSD與Faster-RCNN檢測(cè)算法。在車輛品牌數(shù)據(jù)集上，本文提出的車輛品牌識(shí)別算法不僅能夠準(zhǔn)確識(shí)別測(cè)試集中的已知類別樣本，還能辨別出未知類別樣本。除了算法效果的提升，本文提出的機(jī)動(dòng)車檢測(cè)與識(shí)別算法在計(jì)算性能上也滿足實(shí)時(shí)處理數(shù)據(jù)的要求。
　　綜上所述，采用本文提出的機(jī)動(dòng)車檢測(cè)與識(shí)別框架，解決了目前解決方案中存在的問(wèn)題，不僅提升了機(jī)動(dòng)車檢