Vehicle position estimation and vehicle classification using deep convolutional neural networks

Bu yüksek lisans tezinin amacı, Derin Evrişimli Sinir Ağı (DCNN) kullanarak araçların sınıflandırılması ve plaka lokalizasyonu ile konumunun tahmin edilmesidir. Plaka yerelleştirme ile araç poz tahmini, geçiş ücreti kontrolü, trafik durumu analizi ve şüpheli araç takibi gibi alanlarda en yaygın kullanılan gerçek dünya uygulamalarından biri olarak hizmet eder. Plaka bilgilerinin yanı sıra, genel bir kavrayış elde etmek için, araç sahibine ait bilgiler de büyük rol oynamaktadır ve bağlamsal bilgi, çalışmamızda plaka teşkil eden araçlar ile sahibi araç arasındaki ilişki olarak tanımlanmaktadır. Plaka bölgesini ve araçların duruşlarını aynı anda lokalize etmek için tek aşamalı çapasız bir araç sınıflandırıcı önerdik. Sınıflandırıcı, sınırlayıcı dikdörtgenler yerine sınırlayıcı dörtgenler verir, bu da araç poz tahmini için plaka konumlaması ile daha kesin bir gösterge sağlar. Tek ölçekli girdi için, İstihbarat ve Güvenli Otomobil Laboratuvarı (LISA) karşılaştırmalı veri setinde 35.4/82.3 ortalama Hassasiyet Doğruluğu mAP/mAP50'ye ulaştık ve halihazırda mevcut ticari sistemler OpenALPR ve Sighthound'dan daha iyi performans gösterdi. Çok ölçekli giriş için 40.8/90.1'lik en iyi mAP/mAP50'ye ulaştık. Araç pozu (ön-arka) için sınıflandırma doğruluğu %98,8'e, ortalama IoU %71,3'e ulaşarak, uçtan uca araç konumu tahmini ve bağlamsal bilgilerle plaka lokalizasyonu olarak umut verici bir sonuç verdi. Python programlama dilinde gerçekleştirilen çalışma, bu amaçla çeşitli derin öğrenme kütüphaneleri kullanılarak gerçekleştirildi. Tasarımımızda üç fonksiyonel kafa ağı vardır ve bu nedenle uçtan uca ve eşzamanlı eğitim, potansiyel bir eğitim kararsızlığına yol açar. Model bir araya gelemezse, hangi kafa tasarımının sorun yarattığını izlemek oldukça zordur. Böylece, tasarım sürecimizde, tek kafa tasarım fikrinin doğru çalıştığından emin olarak her bir işlevsel kafayı adım adım ekledik ve ardından kalan işlevsel kafalarla modeli genişlettik. DCNN model eğitimimiz, sınıflandırma başlığı olmadan modelde yaklaşık 110000 yineleme için zaten eğittiğimiz bir başlangıç ​​ağırlığından başladı, bu nedenle DCNN'deki transfer öğrenme kısmı da dahil olmak üzere toplam eğitim yinelemeleri 780000 civarında olacaktır. Aktarım öğrenimi, DCNN modelinin akıllı bir noktadan başlamasını sağladı ve tüm işlevsel başlıkların aynı anda optimize edilmesini kolaylaştırdı. Anahtar Kelimeler: Araç sınıflandırması, poz tahmini, optimizasyon, DCNN, transfer öğrenme, plaka, yerelleştirme, derin öğrenme.