摘要
随着城市汽车数量的不断攀升，由此带来的交通和环境问题也日渐加剧。为了应对这些问题，智能交通系统已经成为城市发展的重点研究对象。而在智能交通系统中，对于车型的细粒度识别，已经被证明是一项关键技术。在处理包括提高收费效率，裁定交通责任和追踪肇事逃逸者等等交通问题上有着得天独厚的优势，对于智能交通系统的建设具有重要意义。然而现有的车型识别方法主要采用手工设计特征，这类的特征属于低级特征，在处理细粒度识别问题上存在较大的局限性。而深度学习在提取高层语义特征方面有其先天优势，能够针对特定任务从大数据中学习到有效的特征表示。为此，本文提出利用深度学习中的卷积神经网络作为主要架构对卡口监控场景中的车型进行细粒度识别。主要完成以下工作: 1、针对监控场景中，车辆存在多目标多尺度的情况，且采集的图片存在一定的退化问题，需要先要将车辆从图片中定位检测出来再进行下一步的识别工作。比较分析现有的深度学习检测框架，采用Faster R-CNN算法来实现这一目的。在实验过程中，使用VGG16作为网络模型进行特征提取，最后通过线性回归得到相应的检测框位置。实验结果表明，该方法对于监控环境下的车辆检测有较强的鲁棒性和不错的检测精度。 2、采用多任务的深度网络对车型进行细粒度识别。根据车辆的复杂属性，网络除了识别细粒度车型任务外，还有识别车辆颜色和车辆用途两个辅助任务，通过与单一任务的网络对比，可以看出辅助任务使主任务的识别更准确。在实验过程中，本文在经典的深度网络上进行改进，并进行预训练和微调。实验结果表明，ResNet-50在提取车型细粒度特征方面有更好的性能，更快的收敛速度，在本文数据集281个车型上识别准确率达到97.8％，展现了其强大的模型表达能力。
NETL