基于卷積神經網絡的車型識別

馬國棟，姚善化

(安徽理工大學 電氣與信息工程學院，安徽 淮南 232000)

1 引言

隨著人們生活水平的提高，車輛數量大幅增加，也致交通事故和違法犯罪增加。車輛識別在智能交通管理中起著重要的作用，而車型識別是車輛識別領域的一個重要方向。目前已經出現很多技術可以解決車輛分類的問題，只是在特定的環境中需要更適合的方法和技術，這樣才能夠更高效的解決特定的問題。本文提出一種基于卷積神經網絡的車輛類型的區分檢測識別，目的在于通過深度學習實現監控智能化，以此減少車輛事故與保證安全。

文獻[1]利用基于CNN的車型識別方法，建立了一個可以區分5種車型的模型。基于車輛的前視圖像，文獻[2]提出了一種基于深度學習的車輛模型識別算法。采用圖像預處理方法進行數據集處理，有效降低了無關因素對網絡訓練的影響。本文提出深度學習訓練卷積神經網的高性能識別模型，通過評估卷積層數、卷積核大小、卷積層與池化層的數量配比等參數，實現網絡性能的比較和優化及卷積核的選擇。

2 卷積神經網絡

CNN的結構由一個或多個連續的卷積層組成，然后是規則的完全連接的ANN(人工神經網絡)層。在深度學習中，卷積神經網絡是一種重要的算法，近年來在圖形的識別檢測，語音的檢測識別，人臉識別等重要領域中有著突出的表現和較高的穩定性。

2.1 CNN的結構

傳統CNN主要由輸入層、卷積層、匯聚層和全連接層組成。卷積神經網的結構中卷積層和匯集層是關鍵部分主要用于提取被檢測圖像的特征。relu激活函數主要解決各層之間的線性與非線性的聯系，增強了各個網絡之間的非線性關系，以此實現神經網絡的功能。

2.2 卷積層

卷積層負責特征提取。上一層的特征圖經過卷積核進行卷積然后在函數的條件下輸出所要的特征圖。公式如下:

X=f(y)

(1)

y=x×k+b

(2)

其中x為上一層的輸出要素圖；k是卷積核矩陣；b是卷積核的特征映射的雙值；因變量y是最后得出的特征圖。激活函數用f表示。

2.3 匯集層

匯集是卷積神經網絡的一個關鍵動作。一方面保持被檢測識別圖像的特征值不變，另一方面減少一些不需要的干擾特征。匯集的池操作主要有隨機、平均，最大。其中，最大池可以表示如下:

Y=Q(y)

(3)

上一層的輸出要素圖用(y)表示；最大采樣函數為Q。該最大采樣函數是規范定義特征圖的矩陣劃分，其中每個矩陣的長度和寬度以及數量大小。取每個矩陣的最大值，并將其整合到輸出特征圖y中。

2.4 CNN的連接功能

激活功能，經典relu函數的圖形(圖1)和公式如下:

(4)

該函數是分段函數在y小于等于0時f(0)始終為零，當y值為正值時f(0)成正比例函數。

2.5 損失函數

損失函數選擇在CNN中起著重要的作用。損失函數常見的處理有平方誤差、交叉熵、鏈接等舒適的計算公式。下面為交叉熵的便是：

H=(p,q)=-∑p(x)logq(x)

(5)

其中預期輸出為p；q是實際輸出；H(p，q)是交叉熵。

圖1 ReLU函數

3 網絡設計

是實為了能夠研究識別精度的影響因素，主要考慮移動平均模型和卷積層。本文的網絡結構如表1。

表1 三大網絡概述

第一種網絡結構由11層組成，包括三個卷積五個匯集三個全連接層。每個卷積層后面是一個匯集層，最后一個匯集層后面是三個完全連接的層。計劃輸入大小為180×200的彩色圖像，并分別從前四卷積層提取4、10、28和48個特征圖。最終選擇521維特征，5×5的卷積核。

第二種網絡結構由14層組成，包括四個卷積六個匯集四個全連接層。二個卷積層之后一個匯集層。匯集層后面的連接情況跟網絡一不同，這里最后一個匯集層之后是兩個完全連接的層。

第三種網絡結構由15層組成包含七個卷積層，六個匯集層，二個全連接層。連接情況同上述第二種網絡結構。卷積核的大小和全連接層的維數如表中一樣選擇，最后，移動平均模型將被添加到網絡中。移動平均模型可以表示如下:

影子變量=衰減×影子變量+(1-影子)變量

(6)

變量是要更新的變量。初始值賦予兩個變量，隨著變量變化時影子變量隨著上面的公式跟著變化。衰變主要是由衰變率支配的模型來控制衰變速度，而變量的更新速度則是由移動平均模型來控制的，以此來控制變量的穩定性，保證模型的穩定性。

4 參數設置

在深度學習中卷積神經網中各種參數的設置都會影響模型精度，本文只要對網絡三的參數進行調整。調整參數以探索對模型精度的影響。如表2。

表2 參數設置對模型精度的影響

從表2看出，當學習率越高時錯誤率就越低，所以要通過降低學習率來提高準確率，也就是通過提高學習的時間提高訓練的總數據量，而移動平均衰減在0.92時培訓的準確率與測試準確率整體效率最高。當學習率基礎以及其他各量為0.02/0.05/0.92是訓練總數最高時準確率最高，也就是在稍微增加時間時間，提高訓練總數模型的精度達到該網絡的最高。且移動平均模型可以增強模型的魯棒性，從而有效提高了識別精度。

卷積層數對模型精度的影響

網因為卷積層的主要功能是負責特征的提取，要通過實驗的數據以及結果來分析卷積層層數以及卷積核大小對模型精度的影響。所以設置卷積層的個數對最終的識別率有著直接的關系。如表3。

表3 卷積層數和移動平均模型對精確度的影響

在不變的參數設置下，第一種和第二種網絡分別采用的卷積層是2個5層、3個6層，表中明顯看出第二種網絡的測試準確率更高。所以適當的在不增加邏輯計算難度的條件下適當的增加卷積層個數能夠提升測試的準確率。

5 結論

提出了一種基于神經網絡的車輛模型識別方法，首先通過在交通部門獲取大量的數據資料方便實驗的卷積神經網的訓練及測試需求，也是本文第一步充分收集到可靠的數據集。接著是介紹了卷積神經網的結構及個層的功能，通過對各個層的參數設置來探究參數對模型精度的影響，分析數據得到精度最高的參數配置。結果表明：卷積神經網在這方面優勢很大，網絡調整和改良后能達到預期的效果，為車型的識別打下基礎和提供參考。