基于卷积神经网络的小样本车辆检测与识别

摘要：

设计了一种快速准确的算法,实现了环境复杂、样本缺少情况下实时车辆检测和车型识别,特别是对三轮车的识别.利用一种改进的卷积神经网络(convolutional neural network,CNN)快速学习车辆特征,采用微调、分段训练以及多层特征图结合的策略增强网络特征学习能力,在小样本下尽可能全面地学习目标特征.摒弃繁琐耗时的区域推荐算法和后分类算法,利用单个网络直接预测图片中目标车辆的位置和车型类别,大幅提高了算法性能.实验结果表明,采用GeForce GTX 1080 GPU时,该算法对各类车型识别准确度较为平衡,平均检测准确率高达72.2％,每秒检测帧数46.57,在雨天、晴天、夜晚、强光和树荫等各种复杂场景下均有较好的适应性,适用于真实视频监控下智能交通系统精确实时的要求.

关键词：卷积神经网络、车辆检测、车型识别、多特征结合、分段训练

所属期刊栏目：28

分类号：TP391.4(计算技术、计算机技术)

资助基金：国家高技术研究发展计划2015AA016405

在线出版日期：2018-07-04（万方平台首次上网日期，不代表论文的发表时间）

页数：共6页

页码：1-6