论文基于深度学习CNN模型的智能识车助手是关于本文可作为相关专业深度论文写作研究的大学硕士与本科毕业论文深度论文开题报告范文和职称论文参考文献资料。
摘 要：在当今人工智能时代下,车标属于车辆主要标识,但需要能准确的识别,难度就较高,如何利用车标识别技术,来解决当今的智能交通中的诸多问题,是值得思考的.基于深度学习的CNN模型的车标识别方法能提高对车标识别的准确度,将车标当做探测对象,从而提高车标识别的精确性,这样解决了有关车辆辨别问题. 深度学习下的车标识别方法可以通过多样化的特征学习,能直接从训练样本集中提炼出特征,将获取到的车标图传给神经网络的分类器进行分类识别.
关键词：车标识别；深度学习；CNN模型；智能交通；人工智能
中图分类号：TP393 文献标识码：A 文章编号：1009-3044（2018）11-0207-03
Intelligent Vehicle Identification Assistant Based on Deep Learning CNN Model
ZOU Tao1,2, WU Lian1,2, DENG Juan1,2, JIAO Deng-cai1,2, MO Sheng-ming1,2
（1. College of mathematics and computer science, Guizhou normal college, Guiyang 550018,China；2. Institute of large data science and intelligent engineering, Guizhou normal college, Guiyang 550018, China）
Abstract： In today’s era of artificial intelligence,as an important vehicle logo logo, can accurately identify the high degree of difficulty, can solve the traffic problems existing in intelligent transportation system using logo recognition technology. Vehicle logo recognition method under CNN deep learning model can improve the accuracy of vehicle recognition, the logo as a research object, to improve the accuracy of recognition, so as to solve a series of problems. Vehicle logo recognition method under deep learning through diversified learning, can directly extract the features from the training samples, the logo figure get into the neural network classifier for classification.
Key words： recognition；deep learning；CNN model；intelligent transportation；artificial intelligence
1 引言
随着社会的发展,智能交通系统[3]已逐渐成为我国未来交通系统的重要发展方向,市场对车辆识别技术要求越来越高,快速获取车牌信息和车辆信息成为当前车辆品牌识别的一种必要研究.早期的车标识别技术多以研究特征提取方法为主,虽然执行的效率可观,但是准确度不够而且消耗大量人力资源.
深度学习算法[1]中,卷积神经网络在图像处理、语音识别、搜索引擎等等领域获得了巨大成就,结合深度学习的算法,能有效地避免人工选取特征的繁琐和片面,选用深度学习算法将车辆品牌识别和车牌识别相结合,使网络自主选取特征进行学习和识别,大大提高了在获取识别时准确率的提高.
2 卷积神经网络
深度学习是一种高效无监督的算法技术,可以类比于人脑,模拟大脑的行为特征,对数据进行分析和解释,卷积神经网络 （CNN）作为深度学习诸多算法中的一种,通常它由N个特征提取层、下采样层和N个全连接的分类器组成. 它的模型复杂度非常低,权值也非常少,图像可以不经过转换后就输入,减少了复杂的特征提炼过程,图像输入作为最底层,网络可以获取到该图像基础的特征,这样对目标物体或图像形变,旋转等变化具有好的抵抗性,在计算机视觉或图像识别的任务中以图像作为输入时非常有效.
3 车标识别系统的构建
3.1总体框架设计
为高效、准确的识别出车辆的信息,避免人工选取特征的繁琐和片面,深度学习的方法将车牌识别和车辆品牌识别有效结合起来,通过web前端将车标图片上传至后台进行识别,后台使用到Ja语言调用Python的脚本从而利用深度模型来识别图像.
深度学习算法具有高效无监督的作用,它可以在获取识别时大大提高数据的准确率,在它的诸多深度学习技术中,卷积神经网络能够准确识别图片是由于多个特征提炼层和下采样层及全连接的分类器作用,所以将Python脚本结合深度学习算法CNN车标识别模型,会智能进行識别并反馈最准确的车标信息给web前端.
3.2车标识别系统设计
3.2.1 系统的构建
本车标识别助手系统包括两大模块：训练模块[5]和识别模块,训练模块由训练图片输入、深度网络的训练构建和最终分类器模型的形成组成； 识别模块由调用循环模拟、车标识别和前端回显识别结果的输出组成.
总结:本论文为免费优秀的关于深度论文范文资料，可用于相关论文写作参考。
参考文献：
1、 深度学习国内综述 【摘 要】 近年来，深度学习逐渐成为学科教学领域的一个热点话题。本文采用内容分析法，对国内公开发表的深度学习相关学术、学位论文进行统计分析，从。
2、 深度学习内容构成和重构策略 【摘 要】通过国际深度学习研究与实践框架对目前基础教育学习内容现状的审视，依据生态课程观和“实践与折中”课程开发模式，分析了实证研究中学习内容。
3、 教师运用深度学习理论教学时该做准备 内容摘要：深度学习是指在基于理解学习的基础上，学习者能够批判地学习新思想和新事实，并将他们融入原有的认知结构中，能够在众多思想之间进行联系，并能。
4、 基于学习生态系统构建的大学生深度学习环境创设 【摘要】互联网的出现为人类创造了全新的学习环境，网络学习的开放性与多向交互性使人们更关注学习主体间的交互以及学习环境的支持作用。深度学习作为一种。
5、 神经网络深度学习算法在地理国情监测中的应用 摘要：开展常态化地理国情监测是广东省基础测绘“十三五”规划重要内容，本文综合利用多时相影像、专题资料及已有矢量成果数据，研究基于神经网络深度学习。
6、 深鉴科技:利用深度学习为人工智能提供更高效的解决方案 深鉴科技的深度压缩技术能够将视频帧率提高10倍以上，更便于监控画面的传输和运算，提高效率，降低成本。10月24日，人工智能企业“深鉴科技”宣布。