侯远韶
(河南工业贸易职业学院机电工程系,郑州451191)
车辆在快速移动时背景不断变化,同时受制于计算机硬件、环境和天气等因素,使得采集的车辆信息难以对车型进行全面的描述,进而导致车型信息有限、鲁棒性差,对后期的车型识别和数据维护都存在较大挑战[1]。针对这一情况,主要通过提升硬件参数和改进软件算法两个方面来提升车型的识别率:提升硬件参数可以精确得到车辆的有效信息,在一定程度上提高识别率,但是当硬件参数达到一定数值时,每增加一个数量级都需要付出巨大的成本,同时环境和天气等外部因素以及后期维护成本都是需要考虑的因素;传统的机器学习和车型识别算法过于依赖提取特征的全面性以及识别算法的准确性,且只有当特征之间存在巨大差异时才会有较好的识别效果,不具有普适性;基于改进卷积神经网络的多层深度特征融合算法,通过含有多个隐层的深层网络获取图像的初始特征,然后通过特征融合策略对多个特征进行融合,得到更具有代表性的车型信息,从而提高车型识别效率,同时避免了位置变化以及背景多变带来的影响[2]。
图像的低层特征如何与高层语义联系起来是图像处理的难点。源于人工神经网络的深度学习,模拟人脑进行学习分析,可以将原始数据通过一系列简单的、非线性映射转变为高层次抽象的表达[3]。……