0 引言
近年來，針對車輛類型識別的技術研究主要有：(1)結合車牌以及車標信息的車型識別方法，(2)結合全局特征和局部特征的車型識別方法，(3)采用卷積神經網絡的車型識別方法等。其中，第(1)類可以用來直接識別出車輛類型和制造商[1]，但不能識別出車輛類型的細粒度信息，如果車牌和車標被覆蓋或者偽造，識別結果將不可靠。第(2)類特征包括定向輪廓點、尺度不變換特征(Scale-Invariant Feature Transform，SIFT)、Sobel邊緣響應、邊緣定向、直接正態化梯度、局部歸一化梯度、Harris角響應等[2-11]；這些特征針對常見車型，識別率比較高，但人工介入過多。第(3)類采用深度學習方法，可以自動進行特征提取，共享卷積核，處理高維數據毫無壓力[12]；但當網絡層數太深時，采用BP(Back Propagation)神經網絡收斂速度較慢。
本文研究一種基于支持向量機(Support Vector Machine，SVM)和改進的快速區域卷積神經網絡(R-CNN)車型識別方法。目標是降低計算的多重性，提高準確度、靈敏度、特異度和精密度。
論文詳細內容請下載http://www.viuna.cn/resource/share/2000002795
作者信息:
馬 秀1，譚福奎2，李 震1，李良榮1
(1.貴州大學 大數據與信息工程學院，貴州 貴陽550025；2.興義民族師范學院 物理與電子科學系，貴州 興義562400)
本站內容除特別聲明的原創文章之外，轉載內容只為傳遞更多信息，并不代表本網站贊同其觀點。轉載的所有的文章、圖片、音/視頻文件等資料的版權歸版權所有權人所有。本站采用的非本站原創文章及圖片等內容無法一一聯系確認版權者。如涉及作品內容、版權和其它問題，請及時通過電子郵件或電話通知我們，以便迅速采取適當措施，避免給雙方造成不必要的經濟損失。聯系電話：010-82306118；郵箱：aet@chinaaet.com。