龙源期刊网 http://www.qikan.com.cn
基于卷积神经网络的车辆识别设计与实现
作者：叶亚光
来源：《电脑知识与技术》2019年第10期
摘要：随着人工智能的不断发展，对于传统领域提出了新的挑战。在大数据时代，图片和视频信息的成倍增长，如何从这些信息中提取出我们“感兴趣”的数据，成了越来越多学者研究的重点。本文基于卷积神经网络，构建车辆图像数据库，参考当下计算机视觉领域新提出的GoogleNet网络分类模型，修改NVDIA提出的Detection网络部分层，调整学习率、激活函数等部分训练参数和网络结构，形成新的object detection网络结构，提高对于图像和视频中车辆的识别率。
关键词：深度学习；卷积神经网络；车辆识别 中图分类号：TP311 文献标识码：A 文章编号：1009-3044（2019）10-0169-02 开放科学（资源服务）标识码（OSID）：
随着社会的发展，人们的生活水平的提高，安全意识逐渐增大，城市中监控系统的投入不断增多，带来了越来越多的视频数据。从这些海量的视频数据中找出有效且需要的数据需要投入大量的人力，那么能否利用计算机视觉领域的深度学习，通过前期大量有效的车辆标记数据进行训练，建立识别车辆数据的神经网络，通过该神经网络代替人脑进行解读视频数据，识别出有效的车辆数据。其中涉及有卷积神经网络及深度学习等相关内容。
深度学习是一种特征学习方法，把原始数据通过简单而非线性的模型转变成更高层次、更抽象的表达。卷积神经网 络（CNN）具有提取反映数据本质的隐性特征及可扩展性的优越性能，可被用于几乎全部的目标识别分类领域，例如交通信号识别、人脸识别、道路场景解析、图像理解等。在车辆检测方面，其区别于浅层学习的突出优点之一在于算法的可扩展性，能够进一步扩展识别交通环境中的多类目标。[2]
本文选用的神经网络为卷积神经网络，并在当下较流行的caffe深度学习框架，使用6G显存的GTX1060显卡，GPU模式，ubuntu16.04操作系统，Python2.7语言等开发环境，进行视频数据的车辆识别。经实验证明，该神经网络具识别速度快，准确度高等特点。 1 深度学习框架caffe篇
工欲善其事必先利其器，需要使用caffe学习框架，就需要从搭建caffe环境开始。搭建caffe环境分为以下几个模块，分别是Ubuntu、CUDA、cuDNN、OpenCV等。本文使用的操
基于卷积神经网络的车辆识别设计与实现
