基于深度残差网络的车型识别文献综述
- 前言
随着时代的不断发展，汽车走入了越来越多的家庭之中。而且，由于对汽车需求的不断增加，汽车的数量与类型也在日益丰富。但与此同时，汽车与道路交通之间的矛盾也日益突出，诸如道路拥堵、各类交通事故等问题不断发生，社会需要一个高效的管理方式来监控、管理这些繁多的汽车。
因此汽车车型识别已经成为了智能交通领域的一个重要的研究内容，可以为核心路段的交通监控、交通事故责任判定等方面提供有力的技术支持。在实际的道路环境下，车辆图像往往存在着多角度、遮挡、光照变化等影响因素，影响到了车型的识别。
针对传统的车型识别方法提取的特征的可分性较差、鲁棒性不足等问题,提出了一种基于深度残差网络的车型识别方法。相比于传统的特征提取方法,深层网络模型具有模型参数更为充分完善的优势,同时也更加适合于处理大规模的数据集,其提取的特征具有天然的层次结构,类型也更加丰富，因此能够比传统识别方式更加的高效。
二、研究意义
目前,基于视觉的车型识别方法主要包括2类:第一类是基于匹配的方法，这类方法主要包括特征匹配和模型匹配,前者需要提取相应的车辆特征,后者则对车辆图像进行一个整体建模,最后使用对应的相似性准则判断待检测车辆的车型;另一类是基于统计分类的方法。
但是由于传统的车型识别方法存在非常多的缺陷，例如可分析性较差、鲁棒性不足等缺点，于是就提出了一种基于深度残差网络的车型识别方法。
深度残差网络使用的残差单元可以改善深层网络模型寻优的过程,减少模型收敛的时间开销。在深度残差网络的基础上添加类别中心正则化的约束可以改善特征的分布空间,强化同一类别内的特征的相似性及不同类别的特征的可区分性,进一步提高模型的分类性能。训练时,将训练过程分为两个步骤,分别使用不同的数据集进行训练可以提高训练的效率,充分利用预训练模型的优势。实验结果表明,该算法在识别精度上优于传统的车型识别方法。
三、深度残差网络
以上是毕业论文文献综述，课题毕业论文、任务书、外文翻译、程序设计、图纸设计等资料可联系客服协助查找。
