梯度直方图卷积特征的胶囊网络在交通监控下的车型分类

摘要：

为了充分利用图像信息以提高现有交通监控下车型分类的效果,在胶囊网络的基础上增加梯度直方图卷积(HOG-C)特征提取方法,提出HOG-C特征的胶囊网络模型——HOG-C CapsNet.首先,使用梯度统计特征提取层对图像中的梯度信息进行统计,构建方向梯度直方图(HOG)特征图;其次,使用卷积层提取出图像的颜色信息,把提取出的颜色信息与HOG特征图融合构成HOG-C特征图;最后,输入卷积层提取HOG-C特征图的抽象特征,并通过胶囊网络对提取的抽象特征进行具有三维空间特征表达的胶囊封装,使用动态路由算法实现车型分类.在BIT-Vehicle数据集上对该模型和其他相关模型进行的对比实验中,该模型得到98.17％的准确率、97.98％的平均精确率均值(MAP)、98.42％的平均召回率均值(MAR)和98.20％的综合评价指标.实验结果表明,该模型在交通监控下的车型分类上具有更好的效果.

关键词：交通监控、胶囊网络、方向梯度直方图、车型分类、卷积神经网络

所属期刊栏目：40

分类号：TP391.3(计算技术、计算机技术)

资助基金：山西省应用基础研究项目201801D221179

在线出版日期：2020-10-20（万方平台首次上网日期，不代表论文的发表时间）

页数：共9页

页码：2881-2889