深度卷积神经网络的汽车车型识别方法

针对现有汽车车型识别方法计算量大、提取特征复杂等问题,提出一种基于深度卷积神经网络的汽车车型识别方法。该方法借助于深度学习,对经典的卷积神经网络做出改进并得到由多个卷积层和次抽样层构成的深度卷积神经网络。根据五种车型的分类结果,表明该方法在识别率方面较传统方法有明显的提高。实验还研究了网络层数、卷积核大小、特征维数对深度卷积神经网络的性能和识别率的影响。

奇异值方法用于汽车车型识别

图象灰度矩阵奇异值是图象的代数特征 ,已有文献把奇异值方法用于图象识别 ,针对常用的图象识别方法不能对外形区别不大的汽车及受到干扰的汽车进行识别的问题 ,把图象矩阵奇异值方法用到汽车车型识别的研究中 .由于光照强度的影响 ,使处于同一场景的图象往往具有不同的灰度 ,且将影响奇异值方法的使用 ,所以引入了灰度一致因子来校正图象灰度 .并用该方法对一些汽车图象进行了实验分析 ,取得了比较好的结果 .最后 ,对这一方法进行了一些定性与定量分析 ,并提出了理论上需进一步探讨的问题 .

基于BP神经网络的汽车车型识别方法

将BP神经网络应用于汽车车型的自动识别,在简述车型图像预处理和特征抽取的基础上,重点讨论学习算法的选取问题,提出一种分阶段的训练方法。对三类车型的36对样本做训练和测试实验,实验结果表明,所采用的训练算法优于传统BP算法和共轭梯度法,所设计的网络能快速有效地识别汽车车型。

基于神经网络的汽车车型识别器的设计

汽车车型自动识别在现代交通监控和管理中有着广阔的应用前景,本文探讨了用于汽车车型识别的BP神经网络分类器的设计问题。在简述车型图象预处理和特征提取的基础上,着重阐述学习算法的选取问题,提出一种分阶段学习方法。仿真结果表明这是一种有效的学习算法。

基于神经网络的汽车车型识别

本文介绍了“多品种混流机器人喷漆自动线的汽车车型识别系统”的一种识别方法，主要是运用多层前馈神经网络对自动喷漆线上的汽车车型进行识别。

一种基于不变矩和SVM的车型识别器设计

介绍了一个基于不变矩和支持向量机技术的车型分类器。不变矩对于平移、旋转、尺度变化有良好的不变性,能很好的表示2维图像形状特征。支持向量机(SVM)建立在结构风险最小化原理基础上,对车型识别这样的非线性、高维数的小样本问题有非常好的分类效果和学习推广能力。在提取车长、车高等特征的基础上加入汽车图像不变矩特征,试验结果表明,该系统有很高的识别率。

基于改进BP神经网络车型识别的研究

在分析了BP网络学习算法的缺陷基础上,引入动量项和遗传算法对BP网络学习算法进行改进。利用小波多尺度边缘检测对汽车车型图像进行分割和特征提取,利用矩不变量特征和改进BP神经网络对汽车车型进行自动识别和分类。提高了汽车车型自动识别和分类的速度和正确率。