2020年6月计算机工程与设计June2020第41卷第6期COMPUTER ENGINEERING AND DESIGN Vol.41No.6
镁碳砖
宋岩贝，魏维，何冰倩
（成都信息工程大学计算机学院，四川成都610255）
恐龙模型仿真摘要：为提高细粒度车型识别的准确率，提升智能停车场、智能交通监管系统的可靠性，针对低层特征在车型识别中精确不高的问题，提出一种基于中层特征的细粒度分类算法。其核心是使用筛选算法筛选中层特征，使得筛选后特征具有较高的表示性，提高识别的准确率。使用Adaboott算法进行车脸定位，减少后期的计算量，去除干扰因素。该算法无需GPU等计算资源，方便部署。与BOW、SPM、CNN等通用的分类模型相比，其准确率有较大提升。在大众数据集中的实验结果表明，其平均准确率为95.65%，平均耗时为0.82s。
女用小便器
关键词：车型识别；词包算法；图像分类；细粒度分类；中层特征
中图法分类号：TP391.41文献标识号：A文章编号：1000-7024（2020）06-1708-06
熏香炉
doi：10.%6208/j.issnl000-7024.2020.06.034
Fine-grainedvehi letypere ognition based on mid-level features
SONG Yan-bei WEI Wei,HE Bing-qian
信息配线箱(School of Computer S c i ence,Chengdu University of Information Technology,Chengdu610255,China) Abstract：To improve the accuracy of finegrained vehicle recognition and the reliability of intelligent parking lot and intelligent traffic supervision system,a fine-grained classification algorithm based on middlelevel features was proposed to solve the problem that low-level features are not accurate in vehicle recognition.The core of this algorithm was to filter middle-level features using screening algorithm&so that the screened features showed high representativeness to improve the accuracy of recognition. The Adaboost algorithm was used to locate the car face to reduce the computational complexity and remove the interference factors.This algorithm did not need GPU and other computing resources,and was easy to deploy.Compared with the general clas-sifica ion models such as BOW&SPM and CNN&Lhe accuracy is grea ly improved.ExperimenLal resul s on popular daLaseLs show LhaLLhe average accuracy ofLhe algori hm is95.65%andLhe average ime consumed is0.82s.
浮游生物计数框
Key words：vehicle recognition；BOW;image classification；fine-grained classification；middle-level feature
0引言
随着我国经济发展水平的不断提高，汽车数量不断增加，在给人民带来极大便利的同时也为社会的管理治理提出了更高的要求。以智能停车场系统为例，该类系统拍摄的照片大都以车辆正面图片为主，因此本文以车辆的正面图片作为研究的出发点。目前基于视频图像的车型识别方法主要分为3个方向：①基于模型；②基于浅层特征；③基于深层特征。
基于模型的车型识别方法核心思想是对车辆的二维图片进行重新建模，然后使用模型进行车型匹配，如3D模型⑴-、线框模型、示意图模型等。但由于这些模型只能反
收稿日期：2019-03-01；修订日期：2019-06-04
基金项目：四川省教育厅重点科研基金项目（17ZA0064）映出不同车型之间的形状差异，因此大多只能用于粗粒度车型分类3，如货车、轿车、摩托车等。
对于细粒度车型识别45，以SIFT⑹、SURF78*等特征描述子为代表的浅层特征910*和以卷积神经网络为基础的深层特征是细粒度分类主要用到的两种方法。浅层特征的缺点是其表示性不好，使得识别准确率不高，而深层特征的提取往往需要借助额外的语义标注才能取得较好的效果。因此本文提出了一种基于中层特征的细粒度车型识别算法，所提取的中层特征表示性好于浅层特征，同时又不需要高
层特征所需的额外的标注，能够有效地提高细粒度车型识别的准确率，非常适合计算资源较为紧张的情景。
作者简介：宋岩贝（994-），男，山东淄博人，硕士研究生，研究方向为图形图像处理；魏维（1976-），男，四川西昌人，博士，教授，研究方向为图像图形处理；何冰倩（1994-），女，四川南充人，硕士研究生，研究方向为图形图像处理。E-mail：**********************
豫公网安备41160202000603
站长QQ:729038198
关于我们
投诉建议