多比例车辆目标的分类识别

应用卷积神经网络(CNN)进行车型分类识别时,系统研究了车辆目标在图像中的比例变化对CNN识别率的影响,发现比例过大或过小都会降低识别率。针对这种影响,研究和分析了卷积核尺寸、堆叠卷积结构和加入批归一化(BN)层对多比例车辆目标的识别效果。建立了6个具有不同目标比例的数据集,分别测试经典CNN模型Lenet—5和构建的4个不同结构的CNN模型。以Lenet—5的实验结果为参照,并对比不同模型的实验结果,研究了不同层次结构对消除目标比例影响的作用。其中表现最优的模型能够把识别率的波动稳定在1. 0%以内,最高识别率为97. 33%。多种目标比例混合后测试模型,发现CNN对于目标比例为50%的样本识别率最高。实验结果为CNN在车辆目标分类识别的研究和应用提供了参考价值。