交通图像中机动车联合检测与识别
目的 机动车检测和属性识别是智能交通系统中的基本任务,现有的方法通常将检测和识别分开进行,导致以下两个问题:一是检测算法与识别任务在时序上存在耦合问题,增加了算法设计的复杂度;二是多个任务模块及其交互会增加计算负载,降低了智能交通系统的执行效率.为了解决以上问题,结合机动车辆视觉属性与检测之间的联系,提出机动车联合检测与识别方法,将检测和属性识别任务整合在一个算法框架中完成.方法 首先,将车辆颜色与类型融合到检测算法中,使用多任务学习框架对机动车的属性识别任务与定位任务建模,在检测的同时完成属性识别.进一步地,针对智能交通系统中数据分布不均匀、呈现长尾现象的问题,将多任务学习框架与在线难例挖掘算法相结合,降低该现象给模型优化带来的危害.结果 为了验证本文提出的方法,构建了拥有12 712幅图像,包含19 398辆机动车的道路车辆图像数据集.在该数据集上,使用机动车联合检测与识别算法取得了85.6%的检测精度,优于SSD(single shot detector)与Faster-RCNN检测方法.针对识别任务,本文方法对于颜色与类型属性的识别准确率分别达到了91.3%和91.8%.结论 车辆颜色和类型作为机动车的重要视觉特征,综合利用以上线索有助于提高机动车检测的效果,同时能够得到良好的属性识别性能.除此之外,使用一个高度集成的框架完成多个任务,可以提升智能交通系统的运行效率.
机动车检测、机动车属性识别、难例挖掘、长尾现象、多任务学习
22
TP391(计算技术、计算机技术)
国家自然科学基金项目61673362,61233003;中央高校基本科研业务费;National Natural Science Foundation of China61673362,61233003
2017-12-11(万方平台首次上网日期,不代表论文的发表时间)
共9页
1503-1511