特征融合的车辆识别系统设计【字数：11624】
摘 要随着汽车普及率的提高，车辆与道路的矛盾越来越大。智能交通系统“（Intelligent?Transportation?System,?ITS）”在我国的实施也有了一定的成果，所以开发一个车辆识别系统可以防止交通拥堵、车辆失窃、肇事逃逸等等事故发生，具有重要意义。本系统的核心是基于双线性卷积神经网络模型的车辆车型识别。在双线性卷积神经网络模型的基础上尝试了多种改进方法，例如基于强化学习的显著特征提取方法、基于不同维度的上采样的特征融合方法、基于并行的双线性卷积神经网络特征融合方法、基于金字塔池化的并行卷积网络特征融合方法。网页使用python-django编写，用户通过登录网址上传图片，系统调用训练好的模型参数实现车辆的识别。实验结果表明,本文的基于强化学习的显著特征提取方法不仅能减少训练的时间,而且识别性能也优于原始双线性卷积神经网络模型。
Key words: Finegrained visual recognition; Upsampling; Pyramid pooling; Bilinear convolutional neural network 目录
1.绪论 1
1.1课题来源和背景 1
1.2国内外研究现状 1
1.3课题研究的目的和意义 3
1.4开发相关技术 3
2.基于双线性神经网络模型的车辆识别算法 6
2.1 BCNN模型 6
2.2 RLBCNN模型 7
2.3基于并行BCNN网络特征融合 10
2.4基于上采样的特征融合 11
2.5基于金字塔池化的并行网络特征融合 12
2.6 马尔科夫决策过程 12
2.7 图像识别算法的训练过程 13
2.8 RLBCNN模型运行结果 14
3.系统分析与设计 17
3.1需求分析 17
3.2功能分析 19
3.3可行性分析 19
3.4 系统功能流程设计 20
3.5 系统总体设计 21
4.系统实现 27
4.1模型和数据集 27
4.2系统功能实现 2 *好棒文|www.hbsrm.com +Q: ^351916072^
7
4.3系统核心代码 27
5.总结和展望 33
6.调试模型中遇到的问题 34
工程伦理 35
参考文献 36
致 谢 38
1.绪论
1.1课题来源和背景
在中国，随着改革开放的不断深入,国民经济一直在稳定提高,城市道路不断进行整改、扩建,车辆与道路的矛盾越来越大。车辆管理是每个城市面临的一个重要课题，传统的交通管理系统面临着巨大的挑战。并且越来越多的家庭以及企业拥有机动车，有些家庭拥有多辆机动车。据中国公安部统计，截至2018年1月底，中国机动车保有量达3.28 亿辆。2018年，中国私人汽车拥有量早已经破亿。然而，汽车普及率的提高导致了城市交通拥挤情况的日益加剧，交通事故频生，交通环境逐渐恶化，人们的生活质量下降和感官感受变差。为了全面监视、管理和控制交通，为从根本上解决问题，“智能交通系统（Intelligent?Transportation?System,?ITS）[1]”在我国的实施势在必行，并且得到了国家相关部门的高度重视。人们开始运用各种新兴技术，开发由一系列法规、工作人员、硬件与软件共同组合而成的交通管理系统。因此近几年来，ITS在中国有了长足的发展。
智能交通系统是一个广泛包含多种技术的统称，是指综合地利用电子信息技术、数字通信技术、电子自动控制技术、传感器技术和各种计算机应用处理技术等技术组建的一种全方位发挥作用的智能化的、科学化的、高效的交通综合管理系统[2]。车辆检测和车型分类是ITS应用领域中重要的分支，实际运用的都是较为熟技术如环形线圈检测、红外/激光检测、微波/超声波检测等[3]，但这几种方法各有优劣，优点是识别的车辆信息精确度较高，缺点主要是施工和安装过程十分复杂，影响正常交通秩序，维护困难，主要设备容易损坏，花费较大等。
近几年随着计算机多媒体技术和计算机图像处理技术的发展，基于视频图像的车辆自动分类识别技术[4]在现代交通系统中所占的分量也逐年上升，社会各界投入的研究力量也是越来越多。该类技术可以适应动态交通的变化，通过实时监控设备采集大量的交通数据并将其传输到交通控制中心，控制中心通过使用车辆自动分类识别技术可以迅速做出控制决策，解决交通拥堵、有无违章行驶行为等实际问题。使交通运行更加智能、更加方便、更加快捷。基于视频图像的车型识别系统，在智能交通系统中占据越来越重要的地位。
1.2国内外研究现状
基于图像识别的车辆车型分类通常分两个阶段第一步从图片中分割出目标车辆，第二步对分割出来的图片提取特征并进行分类。对第一步的算法主要使用图像序列之间存在的相关信息进行目标车辆的定位和分割, 区域选择策略主要有穷举策略和基于侯选区选择策略。而第二步的算法主要涉及到目标车辆特征的提取和分类器的设计。
1.2.1 国内车型识别技术研究现状
崔鹏宇[5]在2019年3月发布了基于多维特征融合与AdaboostSVM强分类器的车辆目标识别算法，利用车辆的不同特征融合成为多维度的特征向量，再融合Adaboost建立强分离器。设计了AdaboostSVM分类器。
程全等人[6]使用图像差分技术对车辆进行显著统计学习，再采用分块投影匹配方法进行全局运动估计和补偿，较好地解决自然场景下运动车辆的识别问题。
王宝锋等人[7]创建了一个车辆前方环境识别的方法，通过毫米波雷达和摄像头进行联合标定，对车辆底部阴影特征完成车辆边缘检测、根据逆透视变换得到车辆识别宽度。
张雪芹等人[8]使用汽车的类Haar特征,采用AdaBoost方法构建分类器实现了对视频中的车辆进行识别。并使用了采用背景差分,以及目标对象差分法提高检测率。
国内涉及车型识别研究主要从以下两个方面展开:
1、?基于神经网络[5]的车辆车型识别技术。主要是使用神经网络对车辆进行识别，也可以采用神经网络与其他技术相结合，比如分行神经网络、模糊神经网络，小波变换神经网络等等。
Key words: Finegrained visual recognition; Upsampling; Pyramid pooling; Bilinear convolutional neural network 目录
1.绪论 1
1.1课题来源和背景 1
1.2国内外研究现状 1
1.3课题研究的目的和意义 3
1.4开发相关技术 3
2.基于双线性神经网络模型的车辆识别算法 6
2.1 BCNN模型 6
2.2 RLBCNN模型 7
2.3基于并行BCNN网络特征融合 10
2.4基于上采样的特征融合 11
2.5基于金字塔池化的并行网络特征融合 12
2.6 马尔科夫决策过程 12
2.7 图像识别算法的训练过程 13
2.8 RLBCNN模型运行结果 14
3.系统分析与设计 17
3.1需求分析 17
3.2功能分析 19
3.3可行性分析 19
3.4 系统功能流程设计 20
3.5 系统总体设计 21
4.系统实现 27
4.1模型和数据集 27
4.2系统功能实现 2 *好棒文|www.hbsrm.com +Q: ^351916072^
7
4.3系统核心代码 27
5.总结和展望 33
6.调试模型中遇到的问题 34
工程伦理 35
参考文献 36
致 谢 38
1.绪论
1.1课题来源和背景
在中国，随着改革开放的不断深入,国民经济一直在稳定提高,城市道路不断进行整改、扩建,车辆与道路的矛盾越来越大。车辆管理是每个城市面临的一个重要课题，传统的交通管理系统面临着巨大的挑战。并且越来越多的家庭以及企业拥有机动车，有些家庭拥有多辆机动车。据中国公安部统计，截至2018年1月底，中国机动车保有量达3.28 亿辆。2018年，中国私人汽车拥有量早已经破亿。然而，汽车普及率的提高导致了城市交通拥挤情况的日益加剧，交通事故频生，交通环境逐渐恶化，人们的生活质量下降和感官感受变差。为了全面监视、管理和控制交通，为从根本上解决问题，“智能交通系统（Intelligent?Transportation?System,?ITS）[1]”在我国的实施势在必行，并且得到了国家相关部门的高度重视。人们开始运用各种新兴技术，开发由一系列法规、工作人员、硬件与软件共同组合而成的交通管理系统。因此近几年来，ITS在中国有了长足的发展。
智能交通系统是一个广泛包含多种技术的统称，是指综合地利用电子信息技术、数字通信技术、电子自动控制技术、传感器技术和各种计算机应用处理技术等技术组建的一种全方位发挥作用的智能化的、科学化的、高效的交通综合管理系统[2]。车辆检测和车型分类是ITS应用领域中重要的分支，实际运用的都是较为熟技术如环形线圈检测、红外/激光检测、微波/超声波检测等[3]，但这几种方法各有优劣，优点是识别的车辆信息精确度较高，缺点主要是施工和安装过程十分复杂，影响正常交通秩序，维护困难，主要设备容易损坏，花费较大等。
近几年随着计算机多媒体技术和计算机图像处理技术的发展，基于视频图像的车辆自动分类识别技术[4]在现代交通系统中所占的分量也逐年上升，社会各界投入的研究力量也是越来越多。该类技术可以适应动态交通的变化，通过实时监控设备采集大量的交通数据并将其传输到交通控制中心，控制中心通过使用车辆自动分类识别技术可以迅速做出控制决策，解决交通拥堵、有无违章行驶行为等实际问题。使交通运行更加智能、更加方便、更加快捷。基于视频图像的车型识别系统，在智能交通系统中占据越来越重要的地位。
1.2国内外研究现状
基于图像识别的车辆车型分类通常分两个阶段第一步从图片中分割出目标车辆，第二步对分割出来的图片提取特征并进行分类。对第一步的算法主要使用图像序列之间存在的相关信息进行目标车辆的定位和分割, 区域选择策略主要有穷举策略和基于侯选区选择策略。而第二步的算法主要涉及到目标车辆特征的提取和分类器的设计。
1.2.1 国内车型识别技术研究现状
崔鹏宇[5]在2019年3月发布了基于多维特征融合与AdaboostSVM强分类器的车辆目标识别算法，利用车辆的不同特征融合成为多维度的特征向量，再融合Adaboost建立强分离器。设计了AdaboostSVM分类器。
程全等人[6]使用图像差分技术对车辆进行显著统计学习，再采用分块投影匹配方法进行全局运动估计和补偿，较好地解决自然场景下运动车辆的识别问题。
王宝锋等人[7]创建了一个车辆前方环境识别的方法，通过毫米波雷达和摄像头进行联合标定，对车辆底部阴影特征完成车辆边缘检测、根据逆透视变换得到车辆识别宽度。
张雪芹等人[8]使用汽车的类Haar特征,采用AdaBoost方法构建分类器实现了对视频中的车辆进行识别。并使用了采用背景差分,以及目标对象差分法提高检测率。
国内涉及车型识别研究主要从以下两个方面展开:
1、?基于神经网络[5]的车辆车型识别技术。主要是使用神经网络对车辆进行识别，也可以采用神经网络与其他技术相结合，比如分行神经网络、模糊神经网络，小波变换神经网络等等。
版权保护: 本文由 hbsrm.com编辑，转载请保留链接: www.hbsrm.com/jsj/rjgc/547.html
