發(fā)布時(shí)間：2024-05-18 23:04

　　近年來,隨著城鎮(zhèn)化的發(fā)展,車輛變得越來越多,車輛管控愈加充滿挑戰(zhàn)。同時(shí),隨著智慧城市、物聯(lián)網(wǎng)、大數(shù)據(jù)和5G等技術(shù)的興起,互聯(lián)的監(jiān)控設(shè)備越來越多,由此產(chǎn)生了海量的數(shù)據(jù),這也為車輛監(jiān)控、跟蹤和識(shí)別等帶來了便利。因此,肇事車輛追蹤、特定車輛識(shí)別和社區(qū)車輛監(jiān)控等成為了熱門研究課題,而與此相關(guān)的車輛重識(shí)別問題也愈發(fā)受到關(guān)注。車輛重識(shí)別(Vehicle Re-identification,Vehicle ReID)是一種圖像檢索技術(shù),目的在于利用計(jì)算機(jī)視覺技術(shù),從圖像或視頻序列中跨鏡頭識(shí)別出特定的車輛。目前車牌是車輛識(shí)別的最可靠的信息,車牌檢測(cè)也是在車輛識(shí)別中用的最多的方法。然而現(xiàn)實(shí)中車牌信息并不總是有效的。由于光照、攝像角度、遮擋和污損等因素的影響,車牌信息有時(shí)無法被有效地提取,進(jìn)而影響到車輛識(shí)別精度。車輛重識(shí)別通過計(jì)算機(jī)視覺技術(shù)和深度學(xué)習(xí)來提取和分析車輛的全局特征和局部特征,進(jìn)而初步地識(shí)別出特定車輛。然后,再結(jié)合車牌識(shí)別和人工識(shí)別等方法,可以有效地提高車輛識(shí)別的整體效果。這正是車輛重識(shí)別的應(yīng)用價(jià)值所在。本文應(yīng)用動(dòng)態(tài)匹配局部信息(Dynamically Matching Local Inform...

【文章頁數(shù)】：81 頁

【學(xué)位級(jí)別】：碩士

【部分圖文】：

圖２－丨生物神經(jīng)元和神經(jīng)元模型的對(duì)比??

?山東大學(xué)碩士學(xué)位論文???第２章車輛重識(shí)別問題的算法設(shè)計(jì)??２．１深度卷積神經(jīng)網(wǎng)絡(luò)??人工神經(jīng)網(wǎng)絡(luò)（簡稱神經(jīng)網(wǎng)絡(luò)）是一種模仿動(dòng)物神經(jīng)網(wǎng)絡(luò)行為特征的算法??數(shù)學(xué)模型神經(jīng)網(wǎng)絡(luò)的最基本的單元為神經(jīng)元模型，它們與生物神經(jīng)元相??似，神經(jīng)元之間的互聯(lián)構(gòu)成了一個(gè)網(wǎng)絡(luò)模型。１９４３年，Ｗａｒ....

圖２－２?—個(gè)５層的密集塊，增長率為Ａ＝４ｌ４°ｌ??８??

深度卷積神經(jīng)網(wǎng)絡(luò)??深度卷積神經(jīng)網(wǎng)絡(luò)?網(wǎng)絡(luò)大�。ǎ停�?顯存占用（Ｇ）￣??ＲｅｓＮｅｔ－５０?２４９５?５．６??ＲｅｓＮｅｔ－１０１?４３．９５?７．５??ＲｅｓＮｅｔ－１５２?５９．５９?１０．２??ＤｅｎｓｅＮｅｔ－１２１?７．６８?６．９???ＩｎｃｅｐｔｉｏｎＶ４?４２....

圖２－５?ＳＷＡ的學(xué)習(xí)＾°調(diào)整策略的示例圖??１４??

參數(shù)ｎ／／／。ｓｗａ＿ｓｃｈｅｄｕｌｅ的學(xué)習(xí)率調(diào)節(jié)策略公式為：??＇］，?ｉｆ?ｔ?＜?０．５??／?＜－?／?ｘ?Ｊ１?－?（１?－ｒ）｛ｔ?－?０．５）?／?０．４，?ｅｌｉｆ?ｔ?＜?０．９?（２－４）??ｒ，?ｅｌｓｅ??其中，式（２－４）中?０．４、０．５?和?０．９?....

圖２－６行人重識(shí)別的重排序框架＾??假定對(duì)于測(cè)試集中的一張圖像，若其和Ａ相互近鄰中的査詢圖像近似，??則它是正確匹配的概率更大

圖２－５中的縱坐標(biāo)的學(xué)習(xí)率是１０倍尺度。１？８０?ｅｐｏｃｈｓ學(xué)習(xí)率恒定為??０．０００２，８１？丨４４?ｅｐｏｃｈｓ學(xué)習(xí)率線性衰減，１４５？３００?ｅｐｏｃｈｓ恒定為０．０００１。??２．４算法精度提升策略??２．４．１重排序??對(duì)于重識(shí)別問題，為了提高實(shí)驗(yàn)精度，在算法中加入重....

本文編號(hào)：3977387