基于改进的AlexNet的车辆颜色识别

针对复杂环境下,通过车牌识别对嫌疑车辆追踪难以进行的问题,提出了一种基于改进的AlexNet深度学习网络的车辆颜色自动识别技术,从而缩小排查范围,实现对嫌疑车辆的追踪寻找,提升工作效率。该方法基于AlexNet网络的基础架构,使用Adam算法代替SGD算法作为优化函数,提升网络的收敛速度,引入批量归一化算法( Batch Normalization,BN),减少网络中间层的数据波动,提升算法的稳定性,同时保留第一个Dropout层,避免过拟合现象。该方法在Vehicle_Color_Recongnition Dataset数据集上进行实验,结果表明,该方法的车辆颜色识别准确率达到了 97.69%,该方法具有良好的鲁棒性和泛化能力,能够为公共交通、公安视频侦查等工作提供帮助。