基于智能圖像處理的車標識別研究.pdf

1、車標作為車輛的重要輔助特征，特點鮮明，可識別性強，并且不易隨意變動，因此車標識別技術作為智能交通系統(tǒng)(Intelligent Transportation System，ITS)的關鍵技術之一，對其進行深入研究具有重要的理論意義和應用價值。車標識別研究包括兩部分:車標定位和車標識別。目前車標定位研究主要基于先驗知識，但僅依靠車牌車標的相對位置關系進行定位存在許多缺陷和不足;車標識別研究主要基于支持向量機(Support Vector M

2、achine，SVM)、卷積神經(jīng)網(wǎng)絡(Convolution Neural Network，CNN)等分類方法，不能滿足曰益增高的識別精度以及實時性需求。
　　針對上述問題，本文研究了一種結合改進蟻群算法的視覺注意機制的車標定位方法以及一種基于復合CNN模型的車標識別方法。論文主要研究內(nèi)容包括:
　　1、研究了一種結合改進蟻群算法（Improved Ant Colony Algorithm，IACO）的視覺注意機制車標定位方

3、法。該方法在視覺注意機制模型基礎上，對顯著度計算和焦點轉(zhuǎn)移路徑兩方面做了優(yōu)化。采用多尺度頻譜殘差進行多特征圖顯著度計算得到全局顯著圖，并提出質(zhì)量對稱度、圖像組成復雜度、形狀復雜度三個新指標來衡量區(qū)域復雜度，有效增加了車標與背景區(qū)域的區(qū)分度;顯著子區(qū)域經(jīng)過競爭產(chǎn)生注意焦點后，在蟻群算法中引入?yún)^(qū)域復雜度和螞蟻失誤率，驅(qū)動螞蟻優(yōu)先訪問復雜度較大的焦點以優(yōu)化焦點轉(zhuǎn)移路徑，加快算法收斂速度并緩解易陷入局部最優(yōu)的影響，最后根據(jù)最優(yōu)路徑判斷并分割出車

4、標區(qū)域。
　　2、為了提高車標識別精度以及實時性，研究了一種基于復合CNN模型的車標識別方法。該模型同時訓練兩個傳統(tǒng)CNN，并在輸入層之前根據(jù)復雜度極值類內(nèi)方差法將車標樣本分為兩類，其中復雜度差異較小的車標樣本，訓練傳統(tǒng)CNN時激勵函數(shù)選取sigmoid函數(shù)，同時復雜度差異較大的車標樣本，訓練傳統(tǒng)CNN時激勵函數(shù)選取tanh函數(shù)。并選取交叉熵作為復合CNN的代價函數(shù)以獲取更快的權值更新速度，兩個傳統(tǒng)CNN學習到的車標樣本特征向量在