基于深度学习的车辆姿态分类算法研究文献综述

文 献 综 述

摘要

本毕业设计论文的课题是基于深度学习的车辆姿态分类算法研究，通过深度学习神经卷积网络，从图像或者视频数据集中提取符合要求的具体特征，进一步改善车辆姿态识别的性能。本文是课题的开题报告，主要分为三个部分。第一部分介绍车辆姿态分类技术的研究背景以及深度学习的可应用性。第二部分介绍本课题的研究意义，其中包括了车辆姿态分类技术的难点以及深度学习应用的意义。第三部分介绍了当前技术的研究现状，主要包括现有的车辆姿态分类技术现状，当前热门的神经学习网络以及框架。

1 研究背景

随着现代社会的快速发展，车辆出行数量的日渐增多，机动车的数量每年的增长比约为10%，人们对交通运输的需求量不断扩大，因此，社会出行安全成为人们越来越关注的问题。当今，监控摄像头已经广泛应用于社会生活的方方面面，形成了一个巨大规模监控网络，其中包括对行人的监控，车辆的监控，交通的监控等。

目前，只能交通系统（ITS）在全世界各个国家的交通领域都研究的比较火热，是很多学者竞相研究的前沿课题。然而至今对ITS没有给出较为科学的定义，一般归纳为：ITS是人们将先进的数据通讯传输技术，传感器技术，信息技术，计算机处理技术以及电子控制技术等有效地全方面地运用在整个交通体系，进而建立起一种可以在全方位，大范围内起作用的准确，高效，实时的交通综合管理系统。可以达到的目的是使车，人，路有机地配合，和谐地统一，很大程度上保障了交通安全，提高了交通运输效率，提高了能源利用率和改善了环境质量。[1]

现阶段对城市道路交通状态分类识别的研究主要集中在两个方面: 一是道路交通状态

的分类研究，侧重于面向交通实时数据的分类分析; 二是基于先验分类的交通状态识别的研究，侧重在对交通状态识别方法的研究。[2]

车辆识别是ITS中的重要技术和关键分支之一，为ITS在进一步的应用上提供不可或缺的信息，为了把道路收费的经济效益提高，切实做到依据车型的不同收费不同，需要对道路上车辆车型进行识别分类，世界各国都在这方面进行了研究。

视频中运动车辆检测部分，在分析研究目前常用的多种运动目标检测算法的基础上，提出了一种三帧差分与统计法相结合的背景重建和更新方法，可以快速地得到干净的背景，并且消除车流量过多所带来的干扰；同时背景模型可以很快地适应场景的变化。