车辆大规模精准搜索
目录
车辆大规模精准搜索项目报告 1
一、摘要 1
二、项目意义 2
三、研究现状 3
（一）图像预处理 3
1、背景环境处理 3
2、光照和天气处理 3
3、角度和高度处理 3
4、车辆品牌、型号、颜色处理 4
（二）车辆特征提取 4
1、人工特征提取 4
2、自动学习提取特征 4
（三）分类型器设计 4
四、模型及算法详细说明 6
1、 VGG16卷积神经网络模型 7
2、 基于迁移学习的深度卷积神经网络模型 7
五、毕业设计设计创新点说明 10
六、实验结果与分析 11
（一） 车辆型号识别模型性能效果 11
（二） 车身颜色识别算法性能效果 11
（三） Sample的结果展示 11
七、毕业设计总结与收获 13
一、摘要
车辆大规模精准搜索（以下简称车辆检索）在实际应用中具有非常重要的意义。与其他对象检索任务类似，车辆检索任务可以定义为：给定两部分图片数据ref(车辆图片数据库)和query(测试车辆图片)，目标是对query中每张测试图片在ref中找出所有属于相同车辆的图片。在毕业设计项目中，我们的任务是对query中每张测试图片在ref中找出所有属于相同车辆的图片并排在查找结果的前面，采用MAP@K方法对算法结果进行评测。
我们将车辆大规模精准搜索的任务划分为车辆型号（model）识别任务和车身颜色识别任务这两个子任务。在车辆型号识别任务中，我们使用了基于迁移学习的深度卷积神经网络模型算法来判断车辆型号。使用的深度卷积神经网络模型包括VGG16、Inception_V3和ResNet50等，将这些模型进行迁移学习，能使其在训练集上达到97%的型号正确分类效果；车身颜色识别任务使用了基于OpenCV的HSV颜色识别算法。将两个子任务结合就可以实现车辆精准识别的任务，我们的算法在测试集上达到非常优异的识别效果。