基于深度学习的车辆检测与车型识别研究

作     者：张国策 

作者单位：南京信息工程大学 

学位级别：硕士

导师姓名：孙伟

授予年度：2021年

学科分类：08[工学] 081104[工学-模式识别与智能系统] 080203[工学-机械设计及理论] 0838[工学-公安技术] 0802[工学-机械工程] 0811[工学-控制科学与工程] 

主      题：车辆检测 车型识别 小目标 特征优化 联合学习策略 

摘      要：车辆检测和车型识别是智能交通领域中的重要研究内容。随着人工智能技术的发展,在智能交通领域运用深度学习解决车辆检测和车型识别问题已经成为一种研究趋势。本文基于深度学习方法对车辆检测和车型识别进行了研究,主要研究内容如下:（1）针对目前车辆检测数据库较少的问题,本文选择南京信息工程大学周围的交通环境作为研究背景,从样本的拍摄采集、正负样本及模糊样本的筛选和标签标注等方面详细介绍了本文构建的车辆检测数据集。数据集将车辆分为car,truck,van和bus这四种车型,基于白天、黑夜、晴天、阴雨天等场景,选择不同朝向的车辆图片,增加了样本的多样性。此外,针对斯坦福数据集中每种车型的图片较少同时存在样本不平衡的问题,本文通过添加高斯噪声、镜像处理等数据增强算法,对现有的斯坦福数据集进行了扩充。上述两个数据集为后续的车辆检测和车型识别研究做准备。（2）针对原始faster-rcnn算法的锚框参数需要人工设定,导致对特定场景的适应性较差,且存在小目标检测效果不佳的问题,本文提出了基于改进faster-rcnn的小目标车辆检测网络。该网络采用K-means聚类算法,对训练集样本中目标框的位置进行聚类,用效果最好的k个聚类中心替换人工设置的9个锚框来提高检测精度。同时,采用基于双线性插值的ROI Align算法对特征提取网络输出的特征图和RPN网络输出的位置信息进行池化操作,有效改善ROI Pooling取整操作造成像素偏移而导致小目标检测效果不佳的问题。实验表明,该网络在本文复杂场景下的准确性和鲁棒性较高,具有一定的实用价值。（3）针对当前车型识别算法易受拍摄角度等因素影响的问题,本文提出了一种基于特征优化和联合学习策略的精细化车型识别方法。该方法运用迁移学习的思想,选取三种常用的卷积神经网络在本文训练集上进行训练,并对准确率最高的网络进行改进。通过加入特征优化模块SENet来提高网络提取特征的能力,同时采用一种结合softmax损失和中心损失的联合学习策略提高网络的精细化车型识别能力。实验结果表明,本文的车型识别算法优于现有算法,对多角度下的车型识别具有较好的鲁棒性。（4）为了模拟算法的实际落地使用情形,本文利用Python的GUI设计模块tkinter开发了车辆检测界面和车型识别界面。两个系统界面在后台调用上述算法对输入样本进行测试并可视化测试结果,避免了复杂的命令行操作,提高了人机交互性和方便操作性。