针对目前基于机器学习的车辆颜色和型号识别方法的识别准确率低问题,提出基于卷积神经网络的车辆颜色和型号识别方法。该方法使用Darknet网络中YOLOv3(You Only LookOnce Version 3)算法对车辆图片的车脸进行检测与定位,再对车脸区域使...针对目前基于机器学习的车辆颜色和型号识别方法的识别准确率低问题,提出基于卷积神经网络的车辆颜色和型号识别方法。该方法使用Darknet网络中YOLOv3(You Only LookOnce Version 3)算法对车辆图片的车脸进行检测与定位,再对车脸区域使用车辆颜色和型号识别算法同时识别车辆颜色和型号,这是对车辆多属性同时识别的方法,不同于车辆单一属性识别的方法。在公开车辆数据集(Peking University Vehicle Datasets,PKU-VD)上进行实验,实验结果表明,车辆颜色和型号同时识别准确率为93.75%,车辆颜色单一属性识别准确率为94.98%,车辆型号单一属性识别准确率98.38%,明显优于基于机器学习的车辆属性识别算法,从而验证该算法是可行且有效的。最后将车辆颜色和型号识别技术应用在智能停车场收费系统中。展开更多
文摘针对目前基于机器学习的车辆颜色和型号识别方法的识别准确率低问题,提出基于卷积神经网络的车辆颜色和型号识别方法。该方法使用Darknet网络中YOLOv3(You Only LookOnce Version 3)算法对车辆图片的车脸进行检测与定位,再对车脸区域使用车辆颜色和型号识别算法同时识别车辆颜色和型号,这是对车辆多属性同时识别的方法,不同于车辆单一属性识别的方法。在公开车辆数据集(Peking University Vehicle Datasets,PKU-VD)上进行实验,实验结果表明,车辆颜色和型号同时识别准确率为93.75%,车辆颜色单一属性识别准确率为94.98%,车辆型号单一属性识别准确率98.38%,明显优于基于机器学习的车辆属性识别算法,从而验证该算法是可行且有效的。最后将车辆颜色和型号识别技术应用在智能停车场收费系统中。
