基于卷积神经网络的车辆细粒度分类算法研究

发布时间：2024-05-21 18:28

　　随着智能交通系统的快速发展,基于图像的车辆分类越来越受到研究人员的重视。本文主要针对自然场景中的车辆图像进行细粒度分类研究,该类图像的特点是背景复杂多变且拍摄角度也不固定,车辆本身存在较高的类内差异和较低的类间差异。传统的图像特征分类方法有基于HOG特征的、有基于SIFT特征的等等,这些特征都是由人工设计的,特征的提取过程较为繁琐,且有些图像特征是根据特定场景设计的,不具有普适性。近年来随着深度学习的普及,作为深度学习的一个分支,卷积神经网络因其避免了人工设计特征而在图像分类领域获得了广泛的应用。本文利用卷积神经网络的优势提出了一种基于卷积神经网络的车辆细粒度分类算法来提高自然场景下的车辆图像的分类准确率。本文首先介绍了卷积神经网络的基本理论,包括了卷积神经网络的发展历史和卷积神经网络基本结构,并介绍了两种常见的分类模型:Softmax分类器和SVM分类器;其次,针对传统的SIFT特征在自然场景下的车辆图像分类存在的分类精度低的问题,提出了一种融合FV-SIFT特征和深度卷积特征的车辆细粒度分类算法,该方法通过将车辆图像的FV-SIFT特征和VGG-16深度卷积特征进行组合并采用一种基...

【文章页数】：84 页

【学位级别】：硕士

【部分图文】：

图2.1LeNet卷积神经网络处理手写字符示意图

神经网络的概念首次由国外的神经科学家DavidH.Hubel和TorstenWiesel于上世纪60年代提出，他们在对猫的视觉系统进行研究时发现了猫的视觉系统具有感受野这一功能结构，即神经网络。之后，KunihikoFukushima在DavidH.Hubel和....

图2.3二维场景下的输入图像和卷积核

图2.3二维场景下的输入图像和卷积核次卷积操作及得到的特征(b)第二次卷积操作及得次卷积操作及得到的特征(d)第九次卷积操作及得

图2.4二维场景下的卷积操作示意图

10图2.4二维场景下的卷积操作示意图由于卷积神经网络的各个层之间输入都是三维的，即在包含了宽度W和高度H情况下又包含了通道数C，因此对于这种三维场景下的卷积操作可以通过扩展二维场下的卷积操作得到，如式(2-3)所示：111,,,,,,,000llllD....

图2.5平均值池化操作示意图

特征图i+m行第j+n列的元素值；平均值池化核的大小表示为KK×。(2)最大值池化最大值池化通过选取一定大小的池化核对卷积层输出的特征图的相应位置进行取大值操作得到一个新的特征图。具体的最大值池化操作如式(2-5)所示：,,,,01,01maxldijd....

本文编号：3979754