基于深度學(xué)習(xí)的車(chē)輛多維特征檢測(cè)研究.pdf

1、卡口車(chē)輛信息檢測(cè)識(shí)別是智能交通的重要環(huán)節(jié)。目前的汽車(chē)卡口車(chē)輛信息檢測(cè)識(shí)別在檢測(cè)特征上比較單一，主要實(shí)現(xiàn)對(duì)車(chē)牌的檢測(cè)，多數(shù)應(yīng)用于停車(chē)場(chǎng)或道路汽車(chē)管理和收費(fèi)。但在智能交通、公安刑偵和反恐等領(lǐng)域，需要對(duì)汽車(chē)多維特征進(jìn)行檢測(cè)，包括車(chē)牌、車(chē)標(biāo)、車(chē)型等。例如，遇到環(huán)境（雨霧天、夜間）或者人為影響（車(chē)牌遮擋、車(chē)牌位置干擾）時(shí)，車(chē)牌檢測(cè)一旦失效，難以掌握車(chē)輛信息。
　　本文提出了一種汽車(chē)多維特征識(shí)別檢測(cè)的方法，通過(guò)建立基于深度學(xué)習(xí)的卷積神經(jīng)網(wǎng)絡(luò)模

2、型，同時(shí)對(duì)車(chē)輛多個(gè)特征進(jìn)行檢測(cè)，即使遇到部分特征檢測(cè)失敗的情況，仍然可以依據(jù)車(chē)輛的其他特征掌握車(chē)輛信息。本文提出的方法能夠適應(yīng)復(fù)雜環(huán)境中采集圖像模糊和干擾情況下的車(chē)牌和車(chē)標(biāo)檢測(cè)，具有較好的魯棒性；在算法層面上，實(shí)現(xiàn)了多維特征端到端的檢測(cè)過(guò)程，降低了算法的復(fù)雜性；采用數(shù)據(jù)并行及GPU加速的方法，提高了模型訓(xùn)練效率。
　　綜上所述，本文提出的基于深度學(xué)習(xí)的Faster-RCNN基于卷積神經(jīng)網(wǎng)絡(luò)模型的研究方法能夠?qū)?chē)輛的多維特征進(jìn)行檢測(cè)

3、。在面對(duì)復(fù)雜環(huán)境時(shí)，車(chē)輛多維特征的識(shí)別率為94.6％，達(dá)到在正常環(huán)境下的檢測(cè)準(zhǔn)確率水平。而基于深度學(xué)習(xí)端到端的特點(diǎn)，避免了傳統(tǒng)圖像處理中需要經(jīng)過(guò)人工干預(yù)后的特征提取，空間變換，機(jī)器學(xué)習(xí)的算法才能進(jìn)行分類(lèi)識(shí)別的復(fù)雜過(guò)程，達(dá)到從原始圖像輸入之間輸入目標(biāo)結(jié)果的效果，降低算法復(fù)雜性。而在算法訓(xùn)練過(guò)程中使用GPU加速以及數(shù)據(jù)并行的優(yōu)化處理，訓(xùn)練耗費(fèi)的時(shí)間減少了5倍，提高訓(xùn)練效率。同時(shí)該車(chē)輛多維特征檢測(cè)的方法，檢測(cè)時(shí)允許不同的車(chē)輛在檢測(cè)圖像的任意位