Bai, Tong：基于改进的Faster R-CNN模型的图像车辆类型识别方法
论论资讯 ｜ 2024-04-27 ｜
24热度
Sensors
Explore content
About the journal
Publish with us
Vehicle-Type Recognition Method for Images Based on Improved Faster R-CNN Model
Bai Tong; Luo Jiasai; Zhou Sen; Lu Yi; Wang Yuanfa
Published：2024-04-21
DOI：10.3390/s24082650
新技术助力车辆识别：基于改进 Faster R-CNN 模型的车辆类型识别方法
研究背景
随着车辆数量的迅速增加，交通拥堵、交通事故和机动车犯罪率不断上升。各种停车场的管理也变得越来越具挑战性。车辆类型识别技术可以减轻人类在车辆管理操作中的工作量。因此，利用图像技术进行车辆类型识别对于综合交通管理具有重要意义。
研究内容
本文提出了一种改进的 Faster R-CNN 模型，用于车辆类型识别。首先，将不同卷积层的输出特征进行组合，以提高识别精度。然后，通过原始图像的上下文特征和目标边界框优化策略，提高了识别模型的平均精度（AP）。最后，对包括轿车、运动型多用途车（SUV）和面包车在内的三种车辆类型的车辆图像数据集进行了比较实验。实验结果表明，改进后的识别模型能够有效识别图像中的车辆类型。三种车辆类型的 AP 分别为 83.2%、79.2% 和 78.4%，平均精度（mAP）比传统 Faster R-CNN 模型高出 1.7%。
研究意义
这项研究的创新点在于提出了一种改进的车辆类型识别方法，有效提高了识别精度。通过利用图像技术进行车辆类型识别，可以为综合交通管理提供重要支持，减轻人工操作负担，提高管理效率。这对于缓解交通拥堵、降低交通事故率以及减少机动车犯罪具有积极的社会意义。
希望这篇简明易懂的文章能帮助你更好地了解基于改进 Faster R-CNN 模型的车辆类型识别方法，以及它对交通管理领域的重要意义。
学术热榜
查看全部
相关资讯
换一批