河北工业大学电子信息工程学院, 天津 300401
为了提高模型在道口环境下的车辆图像的特征提取和识别能力,提出了一种基于改进残差网络的车辆分类方法。首先以残差网络为基础模型,改进了残差块中激活函数的位置,并将残差块中的一般卷积用分组卷积代替,引入注意力机制,用焦点损失函数替换交叉熵损失函数。实验部分先用公开数据集Stanford Cars进行预训练,再用自建的道口车辆数据集进行迁移学习。结果表明,改进模型在两个数据集中的准确率均优于几种经典的深度学习模型。
机器视觉 注意力机制 车型识别 残差网络 损失函数 激光与光电子学进展
2021, 58(4): 0415009
1 长春师范大学 计算机科学与技术学院, 吉林 长春 130032
2 吉林大学 计算机科学与技术学院, 吉林 长春 130012
3 吉林大学 学报编辑部, 吉林 长春 130012
本文针对高速环境下的车型识别问题, 提出基于方向可控滤波器的改进HOG算法。将方向可控滤波器算法与HOG算法相结合, 以实现对车辆图像特征提取。采用主成分分析算法（PCA)约减特征向量维数以减少计算复杂度, 利用支持向量机算法对提取特征进行样本训练, 实现对车辆外型特征的识别。仿真实验结果表明: 采用该算法原始车辆车型的识别正确率均值达到9236%; 另外, 本文方法的识别速度比传统的HOG特征算法提高了345%, 识别实时性得到提升。本文算法比传统HOG算法更优, 能有效提高车型识别的效率。
车型识别 HOG特征 方向可控滤波器 vehicle type recognition HOG feature steerable filter
提出融合局部二值模式(LBP)和Hu矩特征的车型识别算法。LBP特征能够很好地对车辆局部纹理进行描述，Hu矩属于全局特征，反映了车辆的形状轮廓信息，将这两种互补特征结合能更好地表达车型特征。设计了融合特征的提取方法，并结合支持向量机分类器构建了车型识别系统。实验结果表明，融合算法比单一的特征算法性能更优，提高了车型识别率。
机器视觉 车型识别 特征融合 融合局部二值模式 Hu矩 激光与光电子学进展
2016, 53(10): 101503
