基于深度卷积神经网络的车型识别方法

• 作者: 汤一平 袁公萍 陈麒 韩旺明
• 来源期刊: 浙江大学学报（工学版）
• 学科: 工学
• 关键词: 深度学习 卷积神经网络 特征自动提取 中心损失 车型识别
• 年，卷（期）: 2018,（4）
• 所属期刊栏目: 自动化技术
• 页码范围: 694-702
• 页数: 9页
• 分类号: TP391
• 字数: 6664字
• 语种: 中文
• DOI: 10.3785/j.issn.1008-973X.2018.04.012

摘要

针对现有车辆车型视觉识别技术中的检测精度不高、难以适应天气环境变化、难以从视频图像中准确提取出用于识别的车辆图像、难以对车辆车型子类进行识别分类、难以兼顾识别精度和检测效率等不足,将深度卷积神经网络引入车辆目标定位、识别和分类(子类)问题中.利用深度卷积神经网络自动完成车型的深度特征学习,在特征图上进行逻辑回归,从道路复杂背景中提取出感兴趣区域;利用 softmax分类器训练特征实现车型识别;为了优化softmax在深度卷积神经网络分类过程中出现的类内间距大的问题,引入中心损失函数对 softmax损失函数进行优化,提高类间分散性与类内紧密性.在BIT-Vehicle车型数据集中的实验结果显示,提出方法的平均精度为89.67 %,检测和识别时间为159 ms;与传统的分类方法相比,识别精度提高约20%,效率提高10倍以上,检测鲁棒性有明显提升;与未改进前的深度卷积神经网络相比,检测精度提高0.6%,速度提高0.29倍.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	汤一平	浙江工业大学信息工程学院	108	966	16.0	24.0
2	袁公萍	浙江工业大学信息工程学院	13	67	4.0	8.0
3	陈麒	浙江工业大学信息工程学院	5	48	3.0	5.0
4	韩旺明	浙江工业大学信息工程学院	3	62	3.0	3.0