摘要
随着社会经济的快速发展，机动车已经成为人们日常生活中必不可少的交通工具，同时也成为了不法分子从事非法活动的必须工具。目前各省、市际高速公路和主干线、城市出入口及主要交通要道均部署了高清摄像对过往车辆进行实时图像采集，但当前的极大多数卡口识别引擎一般都是基于车牌识别技术，嫌疑车辆一旦使用假牌、套牌、无牌以及不断更换车牌的方式便可逃避现有卡口的跟踪和识别。充分挖掘视频图像信息，实现车辆类型等特征的检索和识别，这无疑对于违章稽查、肇事逃逸追捕、套牌车辆鉴别以及加快刑侦破案效率和速度都具有非常重要的现实意义和十分广阔的应用前景。 传统机器学习算法应用于智能交通应用研究存在特征人工提取或单一、算法的鲁棒性低、车辆对象的细粒度分类精度不高以及识别效率低等问题，已经无法满足大数据常态下高准确率高效率的分析需求。深度学习规避了人工特征提取的缺陷，在计算机视觉领域取得了许多突破性成果，例如图像识别、目标检测、目标跟踪、图像分割等。 本文研究对象包括卡口车辆属性的多任务识别（包括车型、品牌、车系、颜色以及车牌检测）与车牌识别两个模块组成，致力于实现假牌套牌等嫌疑车辆识别。研究方法由传统模式识别方法研究引入，落脚于基于深度卷积神经网络的FasterR-CNN（FasterRegionswithConvolutionalNeuralNetworkFeatures）方法。最终结合研究对象与FasterR-CNN方法，本文提出了一种级联多任务深度学习算法，使得模型精度进一步提高。全文工作内容如下： 首先，在目标区域检测方法方面对比三种方法，如SelectiveSearch、EdgeBoxes与卷积区域检测网络（RegionProposalNetwork,RPN）；特征表征方面，分析HOG特征、SIFT特征与CNN特征；训练特征的分类器方面，对比支持向量机（SVM）与逻辑回归（Softmax）。最终确定以联合RPN与CNN的快速区域深度卷积神经网络（FasterR-CNN）作为本文的基础算法。 其次，为了进一步提高识别精度，提出了一种级联网络方法。针对FasterR-CNN的RPN网络生成的可能性区域建议框中仍然包含了很大比例的背景区域的问题，本文在FasterR-CNN网络的基础上添加一个二分类识别网络。实现对RPN网络输出可能性区域进行识别，剔除背景区域，只将前景区域进行后续的训练，最终达到降低背景干扰的影响。实验结果显示，剔除了背景因素的干扰，能有效地提高识别精度，为后续的车牌检测与识别、多任务识别奠定了基础。 再次，车辆属性识别模块中，联合卡口的实际需求与多任务学习的优势，提出一种多任务学习的车辆属性识别方法。多任务学习方法实现多个任务相互学习，任务之间存在参数共享，同时也存相互独立。车型、牌品、车系等相关任务参共享，颜色与车牌等独立任务参数独立。在卡口数据集上取得了很好的实验效果，识别的精度与速率都优于现有方法。 最后，车牌识别模块中，使用FasterR-CNN方法对多任务网络输出的车牌检测结果进行车牌的字符识别。实现了车牌字符图像端到端的训练与识别，避免了车牌区域与字符的精确分割处理。调整优化网络神经元的个数，选择合适网络模型，进一步降低了学习中的过拟合性。 本文致力于将非结构化的卡口视频图像数据转化为结构化信息，实现嫌疑车辆的识别。对传统机器学习方法与深度卷积神经网络方法进行了探索与研究，提出了一种级联多任务深度学习方法。实验结果表明，本文的方法具备较好的泛化性、实用性，与其他方法相比，检测效果与效率有明显优势。
NETL