基于深度學習車輛型號識別-wenkub

　

【正文】 不同的核函數會帶來不同的分類效果，但是還沒有很好的理論方法去指導核函數的選取，只能通過實驗的方式選擇合適的核函數。對于不能線性劃分的樣本，算法尋找映射函數將數據從低維空間映射到一個高維空間，要求在該高維空間中數據線性可分，最后在高維空間中則可以用超平面進行樣本分類。K 近鄰則是尋找 K 個最近鄰樣本，然后讓 K 個樣本進行投票決定測試樣本點所屬類別。本章會介紹深度學習相關研究，為后文建立基于卷積神經網絡進行車型識別提供理論依據。而局部特征由于在一定程度上對尺度和旋轉的變化具有魯棒性，所以作為描述圖片的特征更有優(yōu)勢。我們采用大量的實測圖片和數據作為基準，分別驗證了SIFT特征匹配算法和深度學習算法在車型識別中的效果。我們首先介紹了原始SIFT特征匹配算法，分析該模型適用場景和局限，并給出了改進算法。 第二章對當前的車輛分類特征和算法做了詳細的描述。這里的關鍵是把原來模型中通過GMM建模的手工特征換成了通過DNN進行更加復雜的特征學習。深度學習應用廣泛，主要包括語音識別和視覺處理。這主要是因為是否能夠存在表達的理論實際上依賴于具體的問題，而面對具體問題的時候目前唯一能做的事情就是去類比現實存在的智能體（人類）是如何解決這一問題的，并設計模型來將它歸約為學習算法。另一方面，面對實際問題的科學家們一直在憑借直覺設計深度學習模型的結構來解決這些問題。而這個研究可能還會牽涉表達（Representation，見下）的一些理論。是否還有其它實踐中會比較有效的泛化誤差控制方法一直是研究者們的好奇點，比如是否可以通過博弈法避免過擬合，以及是否可以利用無標記（Unlabeled）樣本來輔助泛化誤差的控制。泛化誤差大致可以理解成測試數據集誤差和訓練數據集誤差之差。在理論方面，目前研究的比較清楚的還是凸優(yōu)化（Convex Optimization），而對于非凸問題的理論還嚴重空缺，然而深度學習大多數有效的方法都是非凸的。首先我們介紹優(yōu)化部分。我們通過利用大數據來深度學習各類信息、特征，更能夠刻畫數據的豐富內在信息。在系統的設計和實現過程中，工業(yè)界開發(fā)應用了當今國際上最先進的計算機視覺技術，并通過超百萬的大數據學習樣本進行訓練，大量實地數據的系統調整和測試，還采集了描述車頭、車燈、散熱格柵等各個部分的外形輪廓、相對位置、顏色、紋理等多種特征，組成了海量的輔助分類信息，與廠牌型號識別的結果一起最終通過可在線學習的特征決策模塊，得到綜合可信度評價，從而得到最終的識別結果。這些特征在停車場無人管理、交通事故處理、交通肇事逃逸、違章車輛自動記錄等領域具有廣泛而迫切的應用需求。基于上述仿真結果，我們的到了深度學習算法適用于車輛型號識別領域的結論。我們分析比較不同特征學習方法的特點選取k均值聚類算法作為本文使用的特征學習方法，利用卷積神經網絡結構搭建深度學習模型。首先，介紹了車型識別的應用背景和深度學習的基本理論。基于深度學習的車輛型號識別 摘 要 隨著智能交通的發(fā)展，車輛型號的識別受到越來越廣泛的關注，它能夠為個人，企業(yè)和政府的車輛使用以及監(jiān)管提供諸多遍歷。之后，為了進行目標識別，我們介紹了常用算法，分析比較了作為圖像特征提取常見的算法，總結歸納了他們性能，精度以及相互之間的關聯。、本文采用大量實測數據作為仿真數據，以確保實驗的有效性。 關鍵詞： k 均值聚類，深度學習，卷積神經網絡，尺度不變特征變換, 支撐向量機 Abstract With the development of intelligent transportation, the recognition of vehicle model is paid more and more attention. It can provide many ergodic for vehicle use and supervision of individual, enterprise and government. Therefore, how to design efficient algorithms to identify and classify vehicle models has attracted wide attention from both academia and industry. This paper mainly discusses how to use depth learning method to identify and classify vehicle models. First of all, the application background and the basic theory of depth learning are introduced. After that, in order to identify objects, we introduce the mon algorithms, analyze and pare the mon algorithms for image feature extraction, and summarize their performance, accuracy, and the correlation between them. After that, the basic algorithms in target recognition are introduced, and the characteristics and application scenarios of various methods are clarified. Then, we analyze and pare the different feature learning methods of depth neural networks based on the depth neural network, and analyze how to train parameters using the convolutional neural network. We analyze and pare the characteristics of different feature learning methods, select the K mean clustering algorithm as the feature learning method used in this paper, and build a deep learning model by using the structure of convolutional neural network. In this paper, a large amount of measured data is used as simulation data to ensure the validity of the experiment. At the same time, based on the same measured data, we apply the improved SIFT feature matching algorithm and depth learning algorithm for vehicle recognition. Experimental results show that the accuracy of the depth learning algorithm is as high as 90%. Compared with the SIFT matching algorithm, the accuracy of model recognition is greatly improved by depth learning algorithm. Based on the above simulation results, our depth learning algorithm is applicable to the field of vehicle model recognition.目錄第一章 緒論 1 課題研究背景及意義 1 深度學習簡介 3 本文主要工作及篇章結構 8第二章 目標識別算法 9. 基于機器學習的分類算法 12 . 神經網絡算法 14 . 卷積神經網絡訓練算法 20 第三章 車型識別算法 14 SIFT特征匹配算法 16 原始算法 改進算法 深度學習算法 16 無監(jiān)督特征學習 基于SVM 卷積的網絡優(yōu)化算法 車型識別在深度學習中的建模 深度學習算法設計 第四章 數值仿真和結果分析 22 SIFT 特征匹配的車型識別仿真 基于深度算法的車型識別仿真 結果分析以及算法對比第六章 結束語 27致 謝 28參考文獻 291. 緒論 . 研究背景及意義 因此，智能交通系統(Intelligent Transportation System，簡稱ITS)[13]是未來交通系統的發(fā)展方向，它是將先進的信息技術、數據通訊傳輸技術、電子傳感技術、控制技術及計算機技術等有效地集成運用于整個地面交通管理系統而建立的一種在大范圍內、全方位發(fā)揮作用的，實時、準確、高效的綜合交通運輸管理系統。機動車廠牌型號識別技術分為多個環(huán)節(jié)，一般是通過對攝像機采集的數字圖像進行去噪、增強、車標定位、特征提取、識別等分析完成。浩瀚如海的大數據，結構復雜，種類繁多，單純依靠人力定義的過程無法處理這海量數據。從而得出更多元更精準的廠牌型號及其他信息。深度學習的問題最后似乎總能變成優(yōu)化問題，這個時候數值優(yōu)化的方法就變得尤其重要。現在有一些對深度學習常用模型及其目標函數的特性研究，期待能夠發(fā)現非凸問題中局部最優(yōu)解的相關規(guī)律。在深度學習領域變流行之前，如何控制泛化誤差一直是機器學習領域的主流問題。從理論方面來說，深度學習的有效性使得PAC學習（Probably Approximately Correct Learning）相關的理論倍受質疑。表達主要指的是深度學習模型和它要解決的問題之間的關系，比如給出一個設計好的深度學習模型，它適合表達什么樣的問題，以及給定一個問題是否存在一個可以進行表達的深度學習模型。這方面出現了許多成功的例子，比如用于視覺和語音識別的卷積神經網絡（Convolutional Neural Network），以及能夠進行自我演繹的深度回歸神經網絡（Recurrent Neural Network）和會自主玩游戲的深度強化學習（Reinforcement Learning）模型。我直覺上認為，終極的表達理論就像是拉普拉斯幽靈（Laplace39。2009年，Hinton把深層神經網絡介紹給做語音識別的學者們。在此之后，在深度學習框架下，人們還在不斷利用更好的模型和更多的訓練數據進一步改進結果。分析各種特征之間的優(yōu)勢和劣勢，并對主