一种改进的Mobilenet网络车载图像识别方法
2021-04-27张凯斐王翠娥
张凯斐,王翠娥
(吕梁学院 计算机科学与技术系,山西 离石 033001)
计算机视觉中图像识别技术[1]的发展为移动设备的图像识别提供了便捷的通道。目前图像识别技术 结合卷积神经网络[2](ConvolutionalNeural Networks,CNN)在对车辆和行人[3]识别等方面的研究也越来越深入。文献[4]在探索计算机视觉基础上,探讨了车辆识别领域目前仍需解决可移动设备对车辆、行人识别的精确度和实时性等问题。并阐述了车辆识别技术应用于智能交通是未来进一步的研究热点。
关于对车辆、行人识别的相关研究,Davidson R Y[5]等人将改进的Faster R-CNN的方法应用到了车辆识别中,该方法提高了模型对目标的判别能力,提升了算法的检测精度。在文献[6]中基于DNN-LSTM的算法实现了对车辆前方行人的准确识别。Philip Geismann等人在文献[7]提出了一种两阶段识别行人视频序列的方法,在合理的运行条件下,仍能获得良好的识别性能。以上研究虽然在车辆及行人的识别上有了进步,但当同步到一些现实的场景中时,模型较大的网络已不能满足可移动设备的需求。所以研究小而高效的网络模型已成为趋势。在卷积神经网络中较常见的轻量级模型[8]有:Mobilenet、SqueezeNet等。对于Mobilenet网络[9]的应用与研究,文献[10]中作者针对MobileNet模型分类准确率较低的问题,提出一种基于局部感受野扩张的D-MobileNet模型。黄跃珍等人[11]使用了相关模块对MobileNet网络结构进行改进,提高车型识别精度。虽然这些改进都提高了模型识别的精确度,但都依然存在检测实时性较低的问题。
可移动网络模型针对车辆及行人识别的研究已经在精确度上具有很明显的优势,但是在过于追求精确度的情况下忽视了网络模型在速率上的提升。……
