摘要：随着汽车普及率的提高，车辆与道路的矛盾越来越大。智能交通系统“（Intelligent Transportation System, ITS）”在我国的实施也有了一定的成果，所以开发一个车辆识别系统可以防止交通拥堵、车辆失窃、肇事逃逸等等事故发生，具有重要意义。

本系统的核心是基于双线性卷积神经网络模型的车辆车型识别。在双线性卷积神经网络模型的基础上尝试了多种改进方法，例如基于强化学习的显著特征提取方法、基于不同维度的上采样的特征融合方法、基于并行的双线性卷积神经网络特征融合方法、基于金字塔池化的并行卷积网络特征融合方法。网页使用python-django编写，用户通过登录网址上传图片，系统调用训练好的模型参数实现车辆的识别。实验结果表明,本文的基于强化学习的显著特征提取方法不仅能减少训练的时间,而且识别性能也优于原始双线性卷积神经网络模型。

关键词：细粒度视觉识别  上采样 金字塔池化  双线性卷积神经网络

目录

摘要

Abstract

1.绪论-1

1.1课题来源和背景-1

1.2国内外研究现状-1

1.3课题研究的目的和意义-3

1.4开发相关技术-3

2.基于双线性神经网络模型的车辆识别算法-6

2.1 BCNN模型-6

2.2 RL-BCNN模型-7

2.3基于并行BCNN网络特征融合-10

2.4基于上采样的特征融合-11

2.5基于金字塔池化的并行网络特征融合-12

2.6 马尔科夫决策过程-12

2.7 图像识别算法的训练过程-13

2.8 RL-BCNN模型运行结果-14

3.系统分析与设计-17

3.1需求分析-17

3.2功能分析-19

3.3可行性分析-19

3.4 系统功能流程设计-20

3.5 系统总体设计-21

4.系统实现-27

4.1模型和数据集-27

4.2系统功能实现-27

4.3系统核心代码-27

5.总结和展望-33

6.调试模型中遇到的问题-34

工程伦理-35

参考文献-36

致  谢-38