卷积神经网络在车辆识别中的应用

被引：27

作者：

彭清 ^{[1
]}

季桂树 ^{[1
]}

谢林江 ^{[1
]}

张少波 ^{[1
,2
]}

机构：

[1] 中南大学信息科学与工程学院

[2] 湖南科技大学计算机科学与工程学院

来源：

计算机科学与探索 | 2018年 / 02期

关键词：

车辆识别; 深度学习; 卷积神经网络(CNN); 特征提取; 支持向量机(SVM);

D O I：

暂无

中图分类号：

TP18 [人工智能理论]; TP391.41 [];

学科分类号：

081104 ; 0812 ; 0835 ; 1405 ; 080203 ;

摘要：

针对现有车辆识别方法计算量大,提取特征复杂等问题,提出一种基于卷积神经网络(convolutional neural network,CNN)的车辆识别方法。构建卷积神经网络模型,分别使用不同的卷积核、网络层数、特征图数对网络进行训练;通过100次迭代的学习结果得到最优模型,提取隐含层所有特征,并结合支持向量机进行识别;系统分析了不同参数对测试正确率和样本均方误差的影响。实验结果显示,CNN+SVM在车辆识别中的准确率明显优于传统CNN、PCA+SVM、HOG+SVM、Wavelet+SVM,正确率为97.00%,分析了样本识别错误的原因以及今后需要改进的地方,为以后的研究指明了方向。

引用

页码：282 / 291

页数：10

共 9 条

[1] 基于深度支撑值学习网络的遥感图像融合 [J].

李红 ;

刘芳 ;

杨淑媛 ;

张凯 .

计算机学报, 2016, 39 (08) :1583-1596

[2] 基于深度学习的鲁棒性视觉跟踪方法 [J].

高君宇 ;

杨小汕 ;

张天柱 ;

徐常胜 .

计算机学报, 2016, 39 (07) :1419-1434

[3] 一种基于核K-SVD和稀疏表示的车辆识别方法 [J].

孙锐 ;

王晶晶 .

模式识别与人工智能, 2014, 27 (05) :435-442

[4] 复杂交通场景中采用稀疏表示的车辆识别方法 [J].

李修志 ;

吴健 ;

崔志明 ;

陈建明 .

中国图象图形学报, 2012, 17 (03) :387-392

[5]

A novel hybrid CNN–SVM classifier for recognizing handwritten digits[J] . Xiao-Xiao Niu,Ching Y. Suen.Pattern Recognition . 2011 (4)

[6] A trainable system for object detection [J].

Papageorgiou, C ;

Poggio, T .

INTERNATIONAL JOURNAL OF COMPUTER VISION, 2000, 38 (01) :15-33

[7]

The proximal trajectory algorithm in SVM cross validation .2 Annabella A,Fuduli A. IEEE Transactions on Neural Networks and Learning Systems . 2016

[8]

DeepList:Learning Deep Features With Adaptive Listwise Constraint for Person Reidentification .2 Wang J,Wang Z,Gao C,et al. IEEE Transactions on Circuits and Systems for Video Technology . 2017

[9]

Vehicle recognition for highway lane survey .2 SIDLA O,PALETTA L,LYPETSKYY Y. The 7th International IEEE Conference on Intelligent Transportation Systems . 2004

← 1 →