基于卷积神经网络的车辆属性检测和识别

• 作 者: 赵巍颂
• 机 构: 中国科学院大学
• 出 处: 中国科学院大学
• 发表日期: 2018年期
• 关键词: 车辆属性检测 车型识别 卷积神经网络 尺度可变网络

近年来，互联网技术突飞猛进，计算机软硬件技术也取得了极大的发展。数字化存储设备的成本不断下降，使得图像数据的规模呈现爆炸性的增长。随着图片数量的增加和大量强大的计算机硬件的出现，加上深度学习算法的突破，使得深度学习变为机器学习领域中的热点研究方向，在学术界和工业界均受到了广泛关注。卷积神经网络(Convolutional Neural Network，CNN)是一种专门用来处理具有类似网格结构的数据的神经网络。例如时间序列数据（可以认为是在时间轴上有规律地采样形成的一维网格）和图像数据（可以看作二维的像素网格）。卷积神经网络在诸多应用领域都表现优异，包括目标检测、图像分类、图像分割等计算机视觉领域。　　本文提出了一种尺度可变网络结构，使得卷积神经网络可以输入不同尺寸大小的图片，对基于卷积神经网络的车辆属性检测与识别进行了研究，同时完成了深度学习框架TensorFlow在神威“太湖之光”超算平台上的申威芯片主核上的移植工作。主要工作体现在以下几个方面:　　(1)尺度可变网络。通过精心设计网络结构，本文提出了一种尺度可变网络，该网络可以适用于不同尺寸的输入图像，有效地避免了图像缩放对模型性能造成的影响。　　(2)基于尺度可变网络的车辆属性检测与识别。基于本文提出的尺度可变网络分别设计了车辆属性检测网络结构和车型识别网络结构，该属性检测网络包含驾驶员的状态检测，同时利用本文提出的尺度可变网络，使得网络支持多尺度输入，适用于各种场景下的系统应用。　　(3)TensorFlow在申威芯片主核上的移植。探讨了申威芯片应用于深度学习领域的可行性和优越性，完成了TensorFlow在申威芯片主核上的移植。