基于卷积神经网络的监控场景下车辆颜色识别

颜色是车辆识别中广泛应用的主要线索之一,在智能交通系统中扮演着重要的角色。受光照变化、噪声、环境等复杂因素的影响,传统的车辆颜色识别方法难以取得理想的识别效果。利用卷积神经网络(CNN)的优越识别性能,提出了一种基于卷积神经网络的监控场景下车辆颜色识别方法。基于传统的CNN原理设计了车色识别专用深度网络架构,直接通过CNN学习基于颜色分布的分类模型。与其他基于深度学习的车色识别方法相比,提出的用于车色识别的专用深度网络,具有参数少、识别速度快、识别精度高等优点。实验结果表明,在Chen等公布的标准数据集上,与最新的研究成果相比,平均识别精度提高约0.77%,识别速度提高14倍左右。

自然交通场景中的车辆颜色识别

车辆颜色是重要的车辆信息之一,对其进行识别可为智能交通系统中的车辆识别环节提供更为精准丰富的信息。自然场景中光线的变化会对车辆颜色造成影响,致使难以根据RGB图像直接获得车辆的颜色类别。传统的机器学习方法用于车辆颜色识别时,通常依据经验筛选用于分类的图像特征,易导致分类效果有限等问题,且这些方法一般计算量较大,难以获得实时结果。针对自然场景中车辆颜色信息难以获取和描述这一问题,提出了一种基于多色彩空间信息的深度神经网络模型(MultiColor-Net),使用多个不同尺寸滤波器分别对输入图像在RGB颜色空间和HSV颜色空间上进行特征提取,再将上述不同颜色空间中获得的特征组合,通过全连接网络,获得自然交通场景中目标车辆的颜色分类结果。在真实的智能交通数据集上对比ResNet,Inception v3等深度神经网络模型和本文所提出的MultiColor-Net,结果表明,MultiColor-Net相比于单独识别HSV图像,准确率提高了2.45%左右;相比于单独识别RGB图像,准确率提高了0.8%左右。因此,MultiColor-Net模型能够在真实的交通图像数据上取得较高的识别准确率,同时保持较低的计算复杂度。

车辆颜色识别方法研究

车辆颜色识别对车辆的识别与搜索、完善和增强智能交通系统功能具有重要意义。通过对颜色表示方法的深入研究,使用特殊的颜色空间合并与分解方法,提出了在室外正常光照条件下基于支持向量机的车辆颜色识别的方法。该方法克服了车辆颜色识别过程中多种颜色产生的混叠问题,将车辆颜色分为7个种类,解决了样本分布不均及光照对车辆颜色的影响,提高了车辆颜色识别的准确率和效率。

车辆颜色和型号识别算法研究与应用

针对目前基于机器学习的车辆颜色和型号识别方法的识别准确率低问题,提出基于卷积神经网络的车辆颜色和型号识别方法。该方法使用Darknet网络中YOLOv3(You Only LookOnce Version 3)算法对车辆图片的车脸进行检测与定位,再对车脸区域使用车辆颜色和型号识别算法同时识别车辆颜色和型号,这是对车辆多属性同时识别的方法,不同于车辆单一属性识别的方法。在公开车辆数据集(Peking University Vehicle Datasets,PKU-VD)上进行实验,实验结果表明,车辆颜色和型号同时识别准确率为93.75%,车辆颜色单一属性识别准确率为94.98%,车辆型号单一属性识别准确率98.38%,明显优于基于机器学习的车辆属性识别算法,从而验证该算法是可行且有效的。最后将车辆颜色和型号识别技术应用在智能停车场收费系统中。

基于改进的AlexNet的车辆颜色识别

针对复杂环境下,通过车牌识别对嫌疑车辆追踪难以进行的问题,提出了一种基于改进的AlexNet深度学习网络的车辆颜色自动识别技术,从而缩小排查范围,实现对嫌疑车辆的追踪寻找,提升工作效率。该方法基于AlexNet网络的基础架构,使用Adam算法代替SGD算法作为优化函数,提升网络的收敛速度,引入批量归一化算法( Batch Normalization,BN),减少网络中间层的数据波动,提升算法的稳定性,同时保留第一个Dropout层,避免过拟合现象。该方法在Vehicle_Color_Recongnition Dataset数据集上进行实验,结果表明,该方法的车辆颜色识别准确率达到了 97.69%,该方法具有良好的鲁棒性和泛化能力,能够为公共交通、公安视频侦查等工作提供帮助。

基于多颜色空间卷积神经网络的车辆颜色分类

针对车身灰尘堆积、色彩蜕变以及不同光照条件下的颜色变化等情况导致的车辆颜色识别准确率低的问题,提出一种基于多颜色空间卷积神经网络的车辆颜色分类方法,结合多颜色空间信息及模型选择融合机制进行颜色分类。通过实验表明该方法能够达到较高的识别效果,分类准确率达95%,泛化性能良好。

基于卷积神经网络的道路监控系统下车辆颜色识别

针对卷积神经网络训练时收敛速度慢且参数数量较多的问题,文章在激活函数之前使用批归一化对每一个小批量数据进行处理,并使用1x1的卷积层和全局平均池化层代替全连接层,提出了一种基于卷积神经网络的车辆颜色识别方法。该方法是专门为识别任务而设计的,它包含八层,分别是五个卷积层,两个1x1的卷积层和一个全局平均池化层。实验结果表明,文章在训练集上的识别精度为99.6%,在测试集上的识别精度为94.8%,与现存最优的实验结果相比,识别精度提高了0.33%,且参数量仅占其14.5%。

基于显著性区域检测的抗干扰车辆颜色识别

在车辆颜色识别的过程中,车辆图像中主要颜色区域的准确分割、排除非颜色干扰区域始终是个问题。因此提出一种基于显著性区域检测的抗干扰车辆颜色识别算法,针对车辆颜色区域分割不准确问题进行一定程度的改善,去除车辆颜色干扰区域并使用自适应k近邻算法(KNN)进行颜色分类。实验结果表明,该方法能有效分割车辆主要颜色区域,并且能达到比较好的分类识别效果。

基于VGGNet卷积神经网络的车辆颜色识别

车身颜色是车辆显著而稳定的特征之一,也是车辆识别中广泛应用的主要线索。卷积神经网络是一种能够自适应地学习车辆颜色特征的深度学习方法,在复杂场景下具有更好的鲁棒性。本文基于VGGNet网络结构,设计了一个具有较深层次和小卷积核的网络模型,并对常见的车辆颜色进行了训练和测试。结果表明,本文的模型具有耗时短、准确率高的特点,在车辆颜色识别上具有较强的实用意义。

基于SqueezeNet卷积神经网络的车辆颜色识别

为实现车辆颜色的精准识别,辅助现有车牌识别方法在智能交通系统中完成对车辆身份的精确认证,通过分析现有解决方案和探究卷积神经网络在实际应用中的问题,提出基于轻量级卷积神经网络SqueezeNet实现对车辆颜色识别的方法。轻量级卷积神经网络SqueezeNet的参数量是AlexNet网络结构的1/50,同时还能保证精度,避免由于网络结构复杂、参数量大造成的大规模计算和较高的计算机硬件需求,提升了模型的可移植性。选取车辆颜色识别(Vehicle_Color_Recognition)数据集作为研究基础,针对数据集进行了扩充和增强处理。以SqueezeNet为基准探究了特征融合对分类结果的影响,通过对比试验确定将fire7/concat输出特征图和fire9/concat输出特征图相融合。研究结果表明:轻量级卷积神经网络SqueezeNet在保证模型大小2.9 M、单张测试时间15 ms的基础上,训练精度为96.28%,而AlexNet的模型大小为227 M、单张测试时间24 ms、训练精度为96.18%;在实现同等精度的前提下,轻量级卷积神经网络SqueezeNet训练得到的模型更适合移植到如现场可编程门列阵(FPGA)这种开发板上,同时在服务器上的处理速度也更快;融合后的模型最终的分类结果提升为96.48%。利用轻量级卷积神经网络SqueezeNet进行车辆颜色识别可以较好地应用在智能交通系统中,并在一定程度上解决目前车牌识别的难点。

基于隧道视频分析的车辆轨迹跟踪系统

隧道内车辆实时跟踪检测一直是高速公路管理者的痛点和难点。本文基于车辆目标检测、车辆车型颜色分类、车辆跟踪、车辆匹配、车牌识别等深度学习技术,通过对每辆车跨镜头检测跟踪之后的结果进行ReID(Re-identification)能够匹配不同时间不同监控摄像头下的同一车辆,辅以车辆车型颜色分类和车牌识别的结果,能更加精确地定位车辆行驶路线,从而完整还原每辆车的车辆行驶轨迹。本文提出的车辆轨迹跟踪系统目前已在湖北高速路现场进行测试,测试结果表明有很高的准确率,能够满足高速路管理者对隧道内车辆的实时跟踪检测的需求。同时,本系统对于高速路事故、拥堵情况、高速路养护规划等实际场景均能提供必要的支持。

深度神经网络在多场景车辆属性识别中的研究

单一的车辆属性识别已无法满足现有的交通系统,为了提高在实际监控中车辆检测定位的可靠性,利用深度神经网络的思想建立了一种能够在近景监控场景和交通监控场景两种不同场景下识别车辆属性的模型,主要包括车辆类型和颜色两种属性类别。以YOLOv3神经网络为基础,对其进行改进,降低网络深度的同时保证准确率,将车辆类型和颜色属性进行分级训练,提高模型检测速度,此外,创建了AttributesCars车辆属性数据集完成数据准备工作。实验结果表明,所提方法在平均准确率为95.63%的前提下可以满足视频的实时性要求,并且在两种不同场景下均取得了不错的成绩,适用于多场景车辆属性识别。