基于卷积神经网络的小样本车辆检测与识别

来源：计算机技术与发展杂志2018年第06期北京时间：

作者：吴玉枝;吴志红;熊运余

摘要：设计了一种快速准确的算法,实现了环境复杂、样本缺少情况下实时车辆检测和车型识别,特别是对三轮车的识别。 利用一种改进的卷积神经网络(convolutional neural network,CNN)快速学习车辆特征,采用微调、分段训练以及多层特征图结合的策略增强网络特征学习能力,在小样本下尽可能全面地学习目标特征。 摒弃繁琐耗时的区域推荐算法和后分类算法,利用单个网络直接预测图片中目标车辆的位置和车型类别,大幅提高了算法性能。 实验结果表明,采用 GeForceGTX 1080 GPU 时,该算法对各类车型识别准确度较为平衡,平均检测准确率高达 72.2%,每秒检测帧数 46.57,在雨天、晴天、夜晚、强光和树荫等各种复杂场景下均有较好的适应性,适用于真实视频监控下智能交通系统精确实时的要求。

关键词：卷积神经网络;车辆检测;车型识别;多特征结合;分段训练