复杂交通监控场景下的车辆检测及细粒度分类方法研究

Vehicle detection and fine-grained classification is the key component of intelligent traffic surveillance data analysis, as well as an importance research area in intelligent transportation system. Due to the large variations of illumination, shooting angle, structure of the roads, vehicles show very different appearances under complex traffic scenes. The lack of publicity traffic surveillance datasets and the unbalance issue among different vehicle categories limit the performance of vehicle classification algorithms. The fine-grained classification of vehicles is a very challenge problem because the difference of vehicles from different sub-categories within same type only occur in some tiny local area such as tire, air-inlet grille. This proposal is mainly about research on vehicle detection and fine-grained classification under complex traffic scenes, which include: (1) a vehicle detection method by incorporating the scene structure information; (2) an unbalanced vehicle data classification method by using the generative adversarial networks; (3) a recurrent attention model for fine-grained vehicle classification. The main goal of this proposal is to build an integral system for vehicle detection and fine-grained classification, and provide theatrical and technical support for the development of intelligent traffic surveillance data analysis.

车辆检测和细粒度分类是智能交通视觉数据分析中的关键技术，也是智能交通系统中一个重要研究领域。复杂交通场景中存在着光照变化，视角变化，道路结构分布差异，导致车辆的在不同条件下表观差异大；公开交通视频监控数据匮乏以及不同种类车型的样本数目不平衡，制约了车辆分类算法的性能；同类别车型的不同子类往往仅在进气格栅、轮胎等细微处存在差异，车辆的细粒度图像的识别问题中，为细粒度车辆识别带来各种挑战。本项目开展复杂交通监控场景下的车辆检测及细粒度分类方法研究，主要研究内容包括：（1）基于隐式场景结构的车辆检测方法；（2）基于生成对抗网络的不平衡数据分类算法；（3）基于递归注意机制的细粒度车型分类方法。本项目有望针对上述问题，构建一套完整的车辆检测及细粒度分类系统，为智能交通视觉数据分析的实际需求提供理论和技术支持。

车辆检测和细粒度分类是智能交通视觉数据分析中的关键技术，也是智能交通系统中一个重要研究领域。复杂交通场景中存在着光照变化、视角变化、道路结构分布差异，不同种类车型的样本数目不平衡，同类别车型存在着细微的差异，给不同场景下的车辆检测识别与细粒度分类带来各种挑战。项目在系统总结国内外已有相关研究成果的基础上，对相关研究现状进行了分析总结，并开展了以下三方面的研究工作。. （1）基于无监督域自适应的多模态道路场景下的车辆检测识别方法：针对不用场景下由于跨域差异，在一个源域上训练的检测识别模型在应用于不同的目标域时性能会严重下降的问题，提出了一种基于基于无监督域自适应的多模态数据融合的方法，用于不同道路场景下的车辆检测识别。. （2）基于生成对抗网络的不平衡数据下的车辆分类算法：针对不同车辆分类过程中的不平衡数据问题，提出了一种基于生成对抗样本的数据扩充不平衡数据车辆分类算法框架，用于提升少类样本车辆类别的分类性能。. （3）基于高阶统计特征的细粒度图像分类方法：针对基于双线性的细粒度图像分类方法仅使用单一卷积层来计算最终的特征表示、缺乏不同层之间的特征交互，以及计算复杂度高的问题，提出了一种基于高阶统计特征的细粒度图像分类方法，用于实现快速准确的细粒度图像分类。. 在多个相关基准数据库上的相关实验结果显示，本项目研究构建的相关算法性能可以达到当前学术界的先进水平。同时，本项目的相关研究在一定程度上解决了交通监控下的车辆检测与细粒度研究中存在的上述问题，丰富计算机视觉与机器学习在相关领域的理论和提供技术支持。