文献类型：期刊文章

作　　者：彭清[1] 季桂树[1] 谢林江[1] 张少波[1,2]

机构地区：[1]中南大学信息科学与工程学院,长沙410083 [2]湖南科技大学计算机科学与工程学院,湖南湘潭411201

出　　处：《计算机科学与探索》

基　　金：国家自然科学基金Nos.61632009;61472451;61402161~~

年　　份：2018

卷　　号：12

期　　号：2

起止页码：282-291

语　　种：中文

收录情况：BDHX、BDHX2017、CSA、CSA-PROQEUST、CSCD、CSCD2017_2018、IC、JST、ZGKJHX、核心刊

摘　　要：针对现有车辆识别方法计算量大,提取特征复杂等问题,提出一种基于卷积神经网络(convolutional neural network,CNN)的车辆识别方法。构建卷积神经网络模型,分别使用不同的卷积核、网络层数、特征图数对网络进行训练;通过100次迭代的学习结果得到最优模型,提取隐含层所有特征,并结合支持向量机进行识别;系统分析了不同参数对测试正确率和样本均方误差的影响。实验结果显示,CNN+SVM在车辆识别中的准确率明显优于传统CNN、PCA+SVM、HOG+SVM、Wavelet+SVM,正确率为97.00%,分析了样本识别错误的原因以及今后需要改进的地方,为以后的研究指明了方向。

关 键 词：车辆识别 深度学习  卷积神经网络(CNN)  特征提取 支持向量机(SVM)  

分 类 号：TP391.41]