期刊导航
期刊开放获取
河南省图书馆
退出
期刊文献
+
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
检索
高级检索
期刊导航
共找到
1
篇文章
<
1
>
每页显示
20
50
100
已选择
0
条
导出题录
引用分析
参考文献
引证文献
统计分析
检索结果
已选文献
显示方式:
文摘
详细
列表
相关度排序
被引量排序
时效性排序
基于多特征融合的隧道场景车辆再识别
被引量:
2
1
作者
梁华刚
黄伟浩
+2 位作者
薄颖
徐波帅
王一帆
《中国公路学报》
EI
CAS
CSCD
北大核心
2023年第8期280-291,共12页
为解决隧道内交通监控视频的低分辨率以及光照不均匀导致的再识别准确率偏低的问题,提出了一种基于多特征融合的车辆再识别方法,通过充分利用车辆的各种有效特征信息提升车辆再识别精确度。首先,将卷积块注意力模块(Convolutional Block...
为解决隧道内交通监控视频的低分辨率以及光照不均匀导致的再识别准确率偏低的问题,提出了一种基于多特征融合的车辆再识别方法,通过充分利用车辆的各种有效特征信息提升车辆再识别精确度。首先,将卷积块注意力模块(Convolutional Block Attention Module, CBAM)嵌入到YOLOv5模型的骨干网络卷积层,同时采用CIoU损失和DIoU-NMS方案,提高车型检测准确率;其次,使用改进DeepSORT的表观特征提取网络和ResNet网络,分别获取深度卷积神经网络(Deep Convolution Neural Networks, DCNN)特征和车型ID特征;再次,将车型特征、DCNN特征及车辆ID特征使用加和表示层进行融合,形成可鉴别身份特征,以提高车辆再识别精度;最后,基于Softmax交叉熵损失和三元组损失设计指标函数并进行学习,对学习结果进行重排序以进一步提高模型的精度,并将算法在公开数据集VeRi776、VehicleID和自建数据集Tunnel_Veh4C进行训练验证。结果表明:与现有方法相比,提出的Rank-1、Rank-5和Rank-10识别准确率以及平均精度均值(Mean Average Precision, mAP)在上述数据集上都有了不同程度的提升,其中,mAP在Tunnel_Veh4C上提升了28.78%、20.68%、18.05%和11.99%,而Rank-1、Rank-5和Rank-10识别准确率达到了95.12%、98.48%和99.3%。此外,该方法在工程项目中进行了应用,同样取得了良好的效果。因此,该方法通过充分利用车辆各种的有效特征信息,能够有效提升车辆再识别精确度,对不同视角、光照的车辆表现出良好的再识别性能,并且在实际应用中具有较强的鲁棒性。
展开更多
关键词
交通工程
车辆再识别
多特征融合
隧道场景
YOLOv5
ResNet
原文传递
题名
基于多特征融合的隧道场景车辆再识别
被引量:
2
1
作者
梁华刚
黄伟浩
薄颖
徐波帅
王一帆
机构
长安大学电子与控制工程学院
出处
《中国公路学报》
EI
CAS
CSCD
北大核心
2023年第8期280-291,共12页
基金
国家自然科学基金项目(61973243)
陕西省重点研发计划项目(2020ZDLGY09-03)。
文摘
为解决隧道内交通监控视频的低分辨率以及光照不均匀导致的再识别准确率偏低的问题,提出了一种基于多特征融合的车辆再识别方法,通过充分利用车辆的各种有效特征信息提升车辆再识别精确度。首先,将卷积块注意力模块(Convolutional Block Attention Module, CBAM)嵌入到YOLOv5模型的骨干网络卷积层,同时采用CIoU损失和DIoU-NMS方案,提高车型检测准确率;其次,使用改进DeepSORT的表观特征提取网络和ResNet网络,分别获取深度卷积神经网络(Deep Convolution Neural Networks, DCNN)特征和车型ID特征;再次,将车型特征、DCNN特征及车辆ID特征使用加和表示层进行融合,形成可鉴别身份特征,以提高车辆再识别精度;最后,基于Softmax交叉熵损失和三元组损失设计指标函数并进行学习,对学习结果进行重排序以进一步提高模型的精度,并将算法在公开数据集VeRi776、VehicleID和自建数据集Tunnel_Veh4C进行训练验证。结果表明:与现有方法相比,提出的Rank-1、Rank-5和Rank-10识别准确率以及平均精度均值(Mean Average Precision, mAP)在上述数据集上都有了不同程度的提升,其中,mAP在Tunnel_Veh4C上提升了28.78%、20.68%、18.05%和11.99%,而Rank-1、Rank-5和Rank-10识别准确率达到了95.12%、98.48%和99.3%。此外,该方法在工程项目中进行了应用,同样取得了良好的效果。因此,该方法通过充分利用车辆各种的有效特征信息,能够有效提升车辆再识别精确度,对不同视角、光照的车辆表现出良好的再识别性能,并且在实际应用中具有较强的鲁棒性。
关键词
交通工程
车辆再识别
多特征融合
隧道场景
YOLOv5
ResNet
Keywords
traffic engineering
vehicle re-identification
multi-feature fusion
tunnel scene
YOLOv5
ResNet
分类号
U491.31 [交通运输工程—交通运输规划与管理]
原文传递
题名
作者
出处
发文年
被引量
操作
1
基于多特征融合的隧道场景车辆再识别
梁华刚
黄伟浩
薄颖
徐波帅
王一帆
《中国公路学报》
EI
CAS
CSCD
北大核心
2023
2
原文传递
已选择
0
条
导出题录
引用分析
参考文献
引证文献
统计分析
检索结果
已选文献
上一页
1
下一页
到第
页
确定
用户登录
登录
IP登录
使用帮助
返回顶部