基于邏輯回歸與深度卷積網(wǎng)絡(luò)的應(yīng)急車道車輛檢測與分類方法研究.pdf

1、車輛占用應(yīng)急車道行駛嚴重影響了應(yīng)急車道的正常使用，目前對占用應(yīng)急車道車輛抓拍的圖像甄別工作主要依賴于人工處理。本文提出一種用于應(yīng)急車道抓拍圖像的車輛檢測和識別方法，實現(xiàn)急車道車輛智能檢測應(yīng)及行駛車輛類型的自動判斷。
　　本文引入邏輯回歸理論，提出基于邏輯回歸的車輛檢測方法;基于卷積網(wǎng)絡(luò)強大的特征抽象和自動學(xué)習能力，研究基于卷積網(wǎng)絡(luò)的車輛識別算法，分析卷積網(wǎng)絡(luò)中卷積核的貢獻大小，提出基于卷積核方差與L1范數(shù)和的方式裁剪卷積核，對CN

2、N模型進行壓縮改進。利用訓(xùn)練集圖像的HOG特征訓(xùn)練邏輯回歸分類器，通過滑動窗口機制對目標區(qū)域進行搜索，提取滑動窗口的HOG特征并送入分類器，由非極大抑制技術(shù)輸出檢測結(jié)果;利用本文制作的車輛類別訓(xùn)練集訓(xùn)練CNN模型獲取最優(yōu)模型，基于卷積核方差與L1范數(shù)和對CNN模型的卷積核進行裁剪，由訓(xùn)練集對裁剪后的模型進行再訓(xùn)練以達到最優(yōu)，將車輛檢測結(jié)果輸入CNN模型獲得車輛類型識別結(jié)果。主要研究內(nèi)容如下:
　　1.車輛檢測
　　分析邏輯回

3、歸的分類原理和參數(shù)求解方法，在車輛的HOG特征基礎(chǔ)上，提出基于邏輯回歸的車輛檢測方法。
　　2.車輛分類識別
　　分析卷積網(wǎng)絡(luò)的結(jié)構(gòu)特點和參數(shù)，設(shè)計深度卷積網(wǎng)絡(luò)車輛分類識別模型。
　　3.模型的壓縮
　　分析模型卷積層中卷積核對特征提取的貢獻大小指標，比如平均零占比，L1范數(shù)等，在此基礎(chǔ)上提出以卷積核方差與L1范數(shù)和為評價指標對卷積核進行裁剪的方法，從而實現(xiàn)模型壓縮。
　　實驗結(jié)果表明，在抓拍的應(yīng)急車道數(shù)據(jù)

4、集上基于邏輯回歸的車輛檢測方法檢測率達到97％，分別高出SVM與Adaboost0.9％和2.3％，平均檢測時間比SVM和Adaboost短30％-40％左右，相較于SVM與Adaboost，邏輯回歸模型更簡單，復(fù)雜度更低;基于卷積網(wǎng)絡(luò)的車輛識別算法的準確率達到99.2％，比人工提取特征的準確率高8％左右;卷積核裁剪后對模型再訓(xùn)練，結(jié)果顯示模型的參數(shù)減少了50.7％，模型運算時間大幅下降，但是準確率仍可以保持在99.1％，驗證了該裁剪方