基于优化卷积神经网络的车辆特征识别算法研究

摘要：

针对道路场景图像中不同距离目标车辆特征存在识别效果弱、精度低的问题,提出一种基于优化卷积神经网络的车辆特征识别算法.首先,采用基于PAN模型的多尺度输入获取不同距离的目标车辆特征;其次,在卷积神经网络结构中加入多池化、BN层和Leaky ReLU激活函数改进网络模型的性能,通过引入混合注意力机制,集中关注车辆图像中的重要特征和区域,从而增强了网络模型的泛化能力;最后,通过构建多层次卷积神经网络结构完成对车辆的特征效果识别.仿真实验结果表明,在单一场景的BIT-Vehicle数据库中,本文算法相比CNN、R-CNN、ABC-CNN、Faster R-CNN、AlexNet、VGG16 和YOLOV8在单一目标和多目标识别率方面分别提高了 16.75%、10.9%、4%、3.7%、2.46%、1.3%、1%和 17.8%、10.5%、2.5%、3.8%、2.7%、1.1%、1.3%,在复杂场景的UA-DETRAC数据库中,本文算法相比其他算法在不同距离目标车辆识别中获得了更加精确的效果.

关键词：车辆识别、卷积神经网络、多尺度输入

所属期刊栏目：39

分类号：TP391.14(计算技术、计算机技术)

在线出版日期：2023-11-17（万方平台首次上网日期，不代表论文的发表时间）

页数：共11页

页码：101-111