0 引言

    近年來，針對車輛類型識別的技術(shù)研究主要有：(1)結(jié)合車牌以及車標信息的車型識別方法，(2)結(jié)合全局特征和局部特征的車型識別方法，(3)采用卷積神經(jīng)網(wǎng)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(jié)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(tài)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(shù)據(jù)毫無壓力^[12]；但當網(wǎng)絡層數(shù)太深時，采用BP(Back Propagation)神經(jīng)網(wǎng)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(qū)域卷積神經(jīng)網(wǎng)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(nèi)容請下載http://wldgj.com/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(shù)據(jù)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)