發(fā)布時間：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,隨著智慧城市、物聯(lián)網(wǎng)、大數(shù)據(jù)和5G等技術的興起,互聯(lián)的監(jiān)控設備越來越多,由此產(chǎn)生了海量的數(shù)據(jù),這也為車輛監(jiān)控、跟蹤和識別等帶來了便利。因此,肇事車輛追蹤、特定車輛識別和社區(qū)車輛監(jiān)控等成為了熱門研究課題,而與此相關的車輛重識別問題也愈發(fā)受到關注。車輛重識別(Vehicle Re-identification,Vehicle ReID)是一種圖像檢索技術,目的在于利用計算機視覺技術,從圖像或視頻序列中跨鏡頭識別出特定的車輛。目前車牌是車輛識別的最可靠的信息,車牌檢測也是在車輛識別中用的最多的方法。然而現(xiàn)實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,車牌信息有時無法被有效地提取,進而影響到車輛識別精度。車輛重識別通過計算機視覺技術和深度學習來提取和分析車輛的全局特征和局部特征,進而初步地識別出特定車輛。然后,再結(jié)合車牌識別和人工識別等方法,可以有效地提高車輛識別的整體效果。這正是車輛重識別的應用價值所在。本文應用動態(tài)匹配局部信息(Dynamically Matching Local Inform...

【文章頁數(shù)】：81 頁

【學位級別】：碩士

【部分圖文】：

圖２－丨生物神經(jīng)元和神經(jīng)元模型的對比??

?山東大學碩士學位論文???第２章車輛重識別問題的算法設計??２．１深度卷積神經(jīng)網(wǎng)絡??人工神經(jīng)網(wǎng)絡（簡稱神經(jīng)網(wǎng)絡）是一種模仿動物神經(jīng)網(wǎng)絡行為特征的算法??數(shù)學模型神經(jīng)網(wǎng)絡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)成了一個網(wǎng)絡模型。１９４３年，Ｗａｒ....

圖２－２?—個５層的密集塊，增長率為Ａ＝４ｌ４°ｌ??８??

深度卷積神經(jīng)網(wǎng)絡??深度卷積神經(jīng)網(wǎng)絡?網(wǎng)絡大�。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的學習＾°調(diào)整策略的示例圖??１４??

參數(shù)ｎ／／／。ｓｗａ＿ｓｃｈｅｄｕｌｅ的學習率調(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行人重識別的重排序框架＾??假定對于測試集中的一張圖像，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中的縱坐標的學習率是１０倍尺度。１？８０?ｅｐｏｃｈｓ學習率恒定為??０．０００２，８１？丨４４?ｅｐｏｃｈｓ學習率線性衰減，１４５？３００?ｅｐｏｃｈｓ恒定為０．０００１。??２．４算法精度提升策略??２．４．１重排序??對于重識別問題，為了提高實驗精度，在算法中加入重....

本文編號：3977387