基于改进的更快的R-CNN模型的图像的车型识别方法
Tong Bai1, Jiasai Luo1, Sen Zhou2
1School of Optoelectronic Engineering, Chongqing University of Posts and Telecommunications, Chongqing 400065, China.
Sensors (Basel, Switzerland)
|April 27, 2024
概括
本研究引入了一种增强的Faster R-CNN模型,用于有效识别车辆类型,提高交通管理的准确性. 新方法在汽车,SUV和货车中实现了更高的平均精度.
科学领域:
- 计算机视觉和图像处理
- 交通运输中的人工智能
背景情况:
- 越来越多的车辆数量导致交通拥堵,事故和犯罪,使停车管理复杂化.
- 车辆类型识别技术提供了一种解决方案,可以减少车辆管理中的人力工作量.
- 图像技术对于集成交通管理系统至关重要.
研究的目的:
- 为准确的车辆类型识别提出一个改进的Faster R-CNN模型.
- 通过结合不同卷积层的特征来提高识别精度.
- 用上下文特征和界限框策略来优化模型,以获得更好的性能.
主要方法:
- 改进的Faster R-CNN模型被开发用于车辆类型识别.
- 来自不同卷积层的结合输出特征,以提高识别精度.
- 集成的上下文特征和对象界限框优化策略.
主要成果:
- 改进的模型有效地识别车辆类型,包括汽车,SUV和货车.
- 汽车的平均精度为83.2%,SUV的平均精度为79.2%,货车的平均精度为78.4%.
- 平均平均精度 (mAP) 比传统的快速R-CNN模型有1.7%的改进.
结论:
- 提议的增强型Faster R-CNN模型在车辆类型识别方面表现出卓越的性能.
- 这项技术对于改善综合交通管理和减少运营负担具有重要意义.
- 该方法为现实场景中的自动化车辆分类提供了强大的解决方案.
