论文部分内容阅读
随着社会的发展,车辆已经成为人类必不可少的交通工具之一,车辆带给人类便捷的同时,又会导致一系列的问题。除了产生交通拥堵和环境污染的问题之外,还会出现很多的交通事故,给人类的生命财产安全造成威胁,所以对车辆的管理是至关重要的。对车辆加装车牌就是对车辆进行管理的手段之一,相当于车的“身份证”,当驾驶人员出现违规违法的行为时,就可以通过车牌号找到该车辆对驾驶人员进行相应的处罚。可由于现在车牌识别技术已经比较成熟,车牌信息容易获得,很多司机为了逃避处罚对车牌进行遮挡、污损处理,或者使用假车牌、套牌,在道路上肆无忌惮地驾驶,这对车辆的监管工作造成了很大的困难。针对这些问题,车脸识别技术应运而生,而随着深度学习近年来的发展,使车脸识别向着更快速准确的方向发展。本文研究了一种基于深度学习的车脸识别方法,通过卷积神经网络对车脸图片进行特征提取,采用Faster R-CNN对图片进行分类识别,本文的主要研究工作如下:1)采集和标定了一个车脸图像数据库,针对原始ZFNet卷积神经网络对车脸提取特征层次较低的问题,使用改进型ZFNet卷积神经网络提取车脸更深层次的特征,从而提高车脸的分类识别率;针对单独提取车脸特征时,车脸的分类识别率较低的问题,设计并实现了基于改进ZFNet的多车脸组件特征提取方法,该方法根据车脸的组件位置选取车脸的五个组件:车牌、车标、车灯、车格栅和车挡风玻璃,对单个车脸组件进行特征提取;2)在ZFNet卷积神经网络提取出车脸特征后,采用Faster R-CNN对提取到的车脸特征进行特征值比对,对特征类别定义后,新的车脸图像在进入到该网络后就能被分入该类别,从而达到车脸识别的目的。研究了Faster R-CNN中的RPN网络,为了提高Faster R-CNN对本文数据集的分类识别效率,对其中的IOU阈值与RPN部分的损失函数进行修改,实现更好的分类识别效果;3)为了进一步提高算法对本文数据集的分类识别准确度,采用基于决策树的多车脸组件识别方法,对识别的数据通过决策树的方式,进一步保证结果的准确性,采用车脸组件的识别结果的组合来判断整体车脸,增强了组件之间的关联,提高了车脸识别的准确率。