基于卷积神经网络的车辆检索方法研究.docx

?

?

基于卷积神经网络的车辆检索方法研究

?

?

甘澄丁学文

摘要：为了解决传统车辆检索方法中准确性和区分度较低的问题，本文提出了一种基于卷积神经网络（CNN）的车辆检索方法。该方法利用CNN稀疏连接和权值共享的优点，针对车辆前脸图像关键特征位置的相对不变性，设计了一个七层的网络结构，可以合理提取车辆的有效特征，并将低级结构特征组合成为高一级的特征，既简化了模型的复杂度，也克服了旋转平移等因素对检测结果的影响。该方法最终通过相似度排序的方法得到检索结果。实验结果表明，本文所提出的方法相对于基于局部不变特征方法具有更高的准确度。

关键词：车辆检测；图像检索；卷积神经网络

：TP391：A：1009-3044（2016）30-0191-03

TheResearchofVehicleImageRetrievalBasedonConvolutionalNeuralNetwork

GANCheng，DINGXue-wen

（SchoolofElectronicEngineering，TianjinUniversityofTechnologyandEducation，Tianjin3000222，China）

Abstract：Inordertosolvetheproblemofthetraditionalvehicleretrievalmethodswhichhaslowdegreeofdifferentiationandaccuracy，itisproposedinthispaperthatavehicleretrievalmethodbasedonconvolutionneuralnetwork（CNN）.ThismethodsbuildsasevenlayersnetworkstructurewhichutilizestheadvantagesofCNNwhichcalledsparseconnectingandweightssharing，andthekeyfeaturelocationinvarianceforvehicleformerfaceimage.Thisstructurecanextracteffectivefeaturesofvehiclewhichisreasonable，andcombinethelowscalefeatureintohigherscaleone.Itnotonlysimplifiesthecomplexityofthemodel，butalsoovercometheinfluenceofrotatingshiftontheresultwitheffect.Finally，itgettheretrieveresultthroughsimilarityranking.Bycomparingwiththemethodswhichbasedonlocalinvariantfeatures，theexperimentalresultsshowthatthepresentedmethodhasahigheraccuracy.

Keywords：vehicledetection；imageretrieval；CNN

1引言

随着生活水平和工业水平的提高，机动车数量迅速增长，车辆的品牌也有所增加，传统的人工基于视频图像对交通信息的判断工作已经无法满足当前的发展状况，有效判别某一辆汽车具体品牌型号对于交通管理领域，特别是对车辆违章、无牌照车辆等公安稽查领域有着非常重要的意义[1]。

当前对于车辆型号信息的提取主要有以下几种方法：

1）基于车牌识别的车型识别方法。该方法对车牌进行字符识别，通过识别到的车牌信息查询交通管理数据库，以此获得车主信息与车辆型号。该方法简单高效，应用广泛，然而遇到套牌车辆会失去作用。

2）基于特征匹配的车型识别方法。通过提取车辆图像的局部特征来进行车型识别。该方法需要选择合适的局部特征，合适的匹配算法，是目前比较热门的研究方向之一。

3）基于3D模型匹配的车型识别方法。该方法需要建立标准车型的三维模型库，虽然识别精度高，但算法复杂，难度较大。

综上所述，基于车辆外观的图像特征的车型识别与车辆检索方法更为有效。若选取局部特征，可以有效降低计算的复杂度，提高系统效率与精度。选取全局特征则可以保留车型的全部信息，大幅提高检测精度，但计算的