论文部分内容阅读
道路交通事故司法鉴定主要面向事故调查取证阶段的交通事故成因分析,公安机关根据司法鉴定机构出具的鉴定意见来划分事故的责任。目前鉴定实践活动中的车型识别任务依然采用人工比对的方法。道路交通事故司法鉴定的检材通常是非固定视角下拍摄的视频图像,拍摄角度多、分辨率低、待检车辆局部被遮挡等现象是鉴定实践中面临的问题,而现有的车型识别方法不完全适用于司法鉴定的应用。不同于当下主要的车型识别方法,先通过深度学习从单张整车图片提取车辆特征,再通过各种方法进行车型分类,为适应交通事故司法鉴定的应用,本文提出以车辆整体与局部的图片作为基础数据进行车型识别。本文的主要工作如下:1.针对车辆局部被遮挡的问题,且区别于整车图片数据库,本文创建了2个图片数据库,一个是来源于网络的包含35个车辆厂牌、135个车辆品牌的近1万张车辆整体与局部的图片数据库,并对数据库进行镜像、噪声、模糊的处理,得到近8万张图片,另一个是来源于鉴定实践监控视频中大众厂牌的车辆整体与局部图片数据库,总数为1600张。2.针对交通事故司法鉴定车型识别任务的目的,本文设计了一个获取目标车辆相关参数信息的框架:先进行车辆厂牌分类,再进行车辆类型(旅行两厢轿车、三厢轿车、SUV、MPV、跑车)分类以及车辆品牌分类,根据3种分类器返回的结果,通过查询自建文本数据库中对应条目的方法,以获取目标车辆相关的参数信息。3.针对自建的图片数据库,以四种经典卷积神经网络(AlexNet、Vgg16、GoogleNet v3、ResNet50)为深度学习模型,通过迁移学习的方法对来源于网络的图片数据库上35个车辆厂牌的图片进行分类,该方法在近1万张整体与局部图片库上达到了88.94%的识别准确率,并在每个局部部位识别过程中达到了较高的识别准确率。之后采用图像处理的方法进行数据增强,并在近8万张整体与局部图片库上达到了99.49%的识别准确率。此外,应用迁移学习对鉴定实践的大众车辆图片达到了90.16%的识别准确率。4.使用ImageLabeler工具对Compcars图片数据库中897张图片进行车辆位置的标注,采用K-means方法对标注得到的车辆位置高宽比进行聚类,将聚类结果应用到Faster R-CNN中Anchor Box的选取过程中,以减少识别过程中Anchor Box的参数数量。之后使用修改的Faster R-CNN网络对Compcars中大众厂牌的58个品牌的图片进行车辆检测定位以去除背景干扰,以裁剪后的图片及自建图片数据库中大众车辆图片作为基础数据,使用迁移学习的方法进行车辆类型(旅行两厢轿车、三厢轿车、SUV、MPV、跑车)分类以及车辆品牌分类,并将识别准确率从83.56%、79.74%提高到了93.01%、89.70%。