基于深度學(xué)習(xí)和強(qiáng)化學(xué)習(xí)的車輛定位與識(shí)別.pdf

1、車輛的定位與識(shí)別技術(shù)是智能交通中的一個(gè)關(guān)鍵技術(shù)，是目標(biāo)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(duì)于靜態(tài)圖片如何將深度學(xué)習(xí)與強(qiáng)化學(xué)習(xí)理論應(yīng)用到車輛的定位與識(shí)別中，其識(shí)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(duì)定位，使用了金字塔圖像掃描時(shí)預(yù)識(shí)別出車輛并保存的位置信息，最終在識(shí)別窗口進(jìn)行合并處理時(shí)定位到車輛。本文的主要內(nèi)容為：
　　首先，分析了深度學(xué)習(xí)中兩個(gè)主要的網(wǎng)絡(luò)模型：卷積神經(jīng)網(wǎng)絡(luò)以

2、及深度信念網(wǎng)絡(luò)。介紹了兩個(gè)網(wǎng)絡(luò)模型的結(jié)構(gòu)以及原理，詳細(xì)分析了兩種模型的訓(xùn)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(shí)別的仿真實(shí)驗(yàn)，實(shí)驗(yàn)結(jié)果表明深度神經(jīng)網(wǎng)絡(luò)在車輛識(shí)別上要好于傳統(tǒng)的淺層網(wǎng)絡(luò)，更進(jìn)一步證明了卷積神經(jīng)網(wǎng)絡(luò)在本文車輛數(shù)據(jù)庫(kù)上的識(shí)別性能優(yōu)于深度信念網(wǎng)絡(luò)。
　　其次，引入強(qiáng)化學(xué)習(xí)思想到卷積神經(jīng)網(wǎng)絡(luò)中。將卷積神經(jīng)網(wǎng)絡(luò)與強(qiáng)化學(xué)習(xí)結(jié)合的模型應(yīng)用到車輛識(shí)別中，分析了其理論基礎(chǔ)以及Q-學(xué)習(xí)算法。鑒于Q-學(xué)習(xí)的核心在于Agent

3、的動(dòng)作選擇策略，提出將車輛類別映射為動(dòng)作，以此用基于動(dòng)作選擇的評(píng)估Q值來(lái)代替卷積神經(jīng)網(wǎng)絡(luò)中基于實(shí)際輸出與期望輸出的梯度后向傳播訓(xùn)練深度神經(jīng)網(wǎng)絡(luò)。為解決卷積神經(jīng)網(wǎng)絡(luò)在訓(xùn)練的末尾階段由于被錯(cuò)誤分類的樣本所占比例較小，導(dǎo)致對(duì)網(wǎng)絡(luò)權(quán)值更新調(diào)整影響力較小的問(wèn)題，引入基于錯(cuò)分樣本動(dòng)態(tài)調(diào)整訓(xùn)練集的強(qiáng)化學(xué)習(xí)策略。實(shí)驗(yàn)結(jié)果表明引入的強(qiáng)化學(xué)習(xí)策略可以有效的提高車輛識(shí)別的性能，并有利于網(wǎng)絡(luò)的訓(xùn)練。
　　最后，基于上述理論以及實(shí)驗(yàn)，設(shè)計(jì)實(shí)現(xiàn)了一個(gè)車輛定位