论文部分内容阅读
摘要:车标作为车辆的重要辅助特征,特点鲜明,可识别性强,并且不易随意变动,因此车标识别技术作为智能交通系统(Intelligent Transportation System,ITS)的关键技术之一,对其进行深入研究具有重要的理论意义和应用价值。车标识别研究包括两部分:车标定位和车标识别。目前车标定位研究主要基于先验知识,但仅依靠车牌车标的相对位置关系进行定位存在许多缺陷和不足;车标识别研究主要基于支持向量机(Support Vector Machine,SVM)、卷积神经网络(Convolution Neural Network,CNN)等分类方法,不能满足日益增高的识别精度以及实时性需求。针对上述问题,本文研究了一种结合改进蚁群算法的视觉注意机制的车标定位方法以及一种基于复合CNN模型的车标识别方法。论文主要研究内容包括:1、研究了一种结合改进蚁群算法(Improved Ant Colony Algorithm,IACO)的视觉注意机制车标定位方法。该方法在视觉注意机制模型基础上,对显著度计算和焦点转移路径两方面做了优化。采用多尺度频谱残差进行多特征图显著度计算得到全局显著图,并提出质量对称度、图像组成复杂度、形状复杂度三个新指标来衡量区域复杂度,有效增加了车标与背景区域的区分度;显著子区域经过竞争产生注意焦点后,在蚁群算法中引入区域复杂度和蚂蚁失误率,驱动蚂蚁优先访问复杂度较大的焦点以优化焦点转移路径,加快算法收敛速度并缓解易陷入局部最优的影响,最后根据最优路径判断并分割出车标区域。2、为了提高车标识别精度以及实时性,研究了一种基于复合CNN模型的车标识别方法。该模型同时训练两个传统CNN,并在输入层之前根据复杂度极值类内方差法将车标样本分为两类,其中复杂度差异较小的车标样本,训练传统CNN时激励函数选取sigmoid函数,同时复杂度差异较大的车标样本,训练传统CNN时激励函数选取tanh函数。并选取交叉熵作为复合CNN的代价函数以获取更快的权值更新速度,两个传统CNN学习到的车标样本特征向量在全连接层融合,并分类识别。仿真实验结果表明,结合改进蚁群算法的视觉注意机制的车标定位率达到了98.43%,并具有较好的鲁棒性和实时性,能满足实际应用需求。同时,采用复合CNN模型的车标识别成功率可达98.61%,且对于具有旋转平移特性、高斯噪声、光照不均匀车标有较好识别效果,抗噪性能良好。