基于智能圖像處理的車標(biāo)識(shí)別研究.pdf

1、車標(biāo)作為車輛的重要輔助特征，特點(diǎn)鮮明，可識(shí)別性強(qiáng)，并且不易隨意變動(dòng)，因此車標(biāo)識(shí)別技術(shù)作為智能交通系統(tǒng)(Intelligent Transportation System，ITS)的關(guān)鍵技術(shù)之一，對(duì)其進(jìn)行深入研究具有重要的理論意義和應(yīng)用價(jià)值。車標(biāo)識(shí)別研究包括兩部分:車標(biāo)定位和車標(biāo)識(shí)別。目前車標(biāo)定位研究主要基于先驗(yàn)知識(shí)，但僅依靠車牌車標(biāo)的相對(duì)位置關(guān)系進(jìn)行定位存在許多缺陷和不足;車標(biāo)識(shí)別研究主要基于支持向量機(jī)(Support Vector M

2、achine，SVM)、卷積神經(jīng)網(wǎng)絡(luò)(Convolution Neural Network，CNN)等分類方法，不能滿足曰益增高的識(shí)別精度以及實(shí)時(shí)性需求。
　　針對(duì)上述問題，本文研究了一種結(jié)合改進(jìn)蟻群算法的視覺注意機(jī)制的車標(biāo)定位方法以及一種基于復(fù)合CNN模型的車標(biāo)識(shí)別方法。論文主要研究?jī)?nèi)容包括:
　　1、研究了一種結(jié)合改進(jìn)蟻群算法（Improved Ant Colony Algorithm，IACO）的視覺注意機(jī)制車標(biāo)定位方

3、法。該方法在視覺注意機(jī)制模型基礎(chǔ)上，對(duì)顯著度計(jì)算和焦點(diǎn)轉(zhuǎn)移路徑兩方面做了優(yōu)化。采用多尺度頻譜殘差進(jìn)行多特征圖顯著度計(jì)算得到全局顯著圖，并提出質(zhì)量對(duì)稱度、圖像組成復(fù)雜度、形狀復(fù)雜度三個(gè)新指標(biāo)來衡量區(qū)域復(fù)雜度，有效增加了車標(biāo)與背景區(qū)域的區(qū)分度;顯著子區(qū)域經(jīng)過競(jìng)爭(zhēng)產(chǎn)生注意焦點(diǎn)后，在蟻群算法中引入?yún)^(qū)域復(fù)雜度和螞蟻失誤率，驅(qū)動(dòng)螞蟻優(yōu)先訪問復(fù)雜度較大的焦點(diǎn)以優(yōu)化焦點(diǎn)轉(zhuǎn)移路徑，加快算法收斂速度并緩解易陷入局部最優(yōu)的影響，最后根據(jù)最優(yōu)路徑判斷并分割出車

4、標(biāo)區(qū)域。
　　2、為了提高車標(biāo)識(shí)別精度以及實(shí)時(shí)性，研究了一種基于復(fù)合CNN模型的車標(biāo)識(shí)別方法。該模型同時(shí)訓(xùn)練兩個(gè)傳統(tǒng)CNN，并在輸入層之前根據(jù)復(fù)雜度極值類內(nèi)方差法將車標(biāo)樣本分為兩類，其中復(fù)雜度差異較小的車標(biāo)樣本，訓(xùn)練傳統(tǒng)CNN時(shí)激勵(lì)函數(shù)選取sigmoid函數(shù)，同時(shí)復(fù)雜度差異較大的車標(biāo)樣本，訓(xùn)練傳統(tǒng)CNN時(shí)激勵(lì)函數(shù)選取tanh函數(shù)。并選取交叉熵作為復(fù)合CNN的代價(jià)函數(shù)以獲取更快的權(quán)值更新速度，兩個(gè)傳統(tǒng)CNN學(xué)習(xí)到的車標(biāo)樣本特征向量在