基于卷積神經網絡的車標識別

孫　曄，吳銳文（廈門大學通信工程系，廈門361005）

基于卷積神經網絡的車標識別

孫曄，吳銳文
（廈門大學通信工程系，廈門361005）

提出一種基于卷積神經網絡（CNN）的車標識別方法，通過多層的特征學習，能夠直接從訓練樣本中提取特征，最后送入神經網絡分類器進行分類。驗證集采用5000個從屬于10類車標并附有各類變化的車標數據庫，該應用算法達到98.28%的平均準確率和每張少于3ms的識別速度（在MATLAB環境下），實驗表明，該方法對于車標識別問題具有優異的準確率和魯棒性，且對于計算資源要求很低。

智能交通；車標識別；深度學習；卷積神經網絡

0　引言

近年來很多基于視覺的智能交通系統應運而生，它們多是用于車輛信息的檢測、追蹤和識別，尤其是用于城市交通監控和高速管理系統。也正因為智能交通系統的廣泛普及，車標識別問題在這些年來也受到了越來越多的關注。

大多數關注車標識別問題的方法采用尺度不變特征變換（Scale-Invariant Feature Transform,簡稱SIFT）和圖像匹配。Dlagnekov and Belongie[1]采用SIFT特征在遠景車輛圖片上獲得了89.5%的準確率，Conos[2]在近景圖像上采用SIFT特征達到了90%的準確率，但其共同缺點是處理運算量大，無法做到實時。

卷積神經網絡（CNN）是一種含有多層次結構的神經網絡[3]，每層由包含有獨立神經元的一個二維平面組成，通過局部感受野策略和池化方法，CNN可以提高其提取的特征對于旋轉平移等變化的魯棒性并降低計算規模。CNN方法在手寫字符識別和人臉識別領域已投入應用并有著優良的識別效果[4~5]。

受到CNN層次結構特征學習上的啟發，本文中提出了一種基于CNN的車標識別系統。有別于手工設計的特征，CNN結構的特征可以從原始圖像中自動提取。我們采用BP神經網絡作為分類器，在一個含有5000個各類變化的車標數據集上達到了98.28%的識別率，并且在28×28大小的車標圖上每張處理的時間在未經任何優化的情況下只有3ms，這也說明該方法是十分高效的。

1　算法

1.1車標定位和分割

在本文中，識別任務是在分割好的只含有車標的圖像條件下完成的，這就需要我們將車標的定位和分割作為預處理環節，如圖1所示，由于該環節非本文的主要工作目標，本文這部分緊跟著Psyllos[7]的工作：

一張含有車輛的監控圖片首先被轉為灰度圖像，再送入車牌定位（License Plate Location，LPL）系統，LPL系統將輸出車牌的角點坐標，根據這四個坐標我們就可以得到其上方含有車標的一個大致區域。在該區域上我們采用相位一致性特征圖（Phase Congruency Feature Map（PCFM）Calculation[6]），由此，我們即將一副監控含有車輛的圖片裁剪為了只含有車標的圖片（圖1）。

圖1　

1.2CNN車標識別

在車標定位之后，我們獲得了一個只含有車標的小尺寸圖片，如圖2所示，本文提出的基于CNN的識別系統是一種有監督學習的識別方法，它包含有特征提取和分類器設計兩個部分。對于車標識別問題，由于其拍攝光照、視角、背景等因素的多變性，我們需要提取的特征具有很好的表征能力，CNN包含有的三種結構特性恰好能滿足旋轉、尺度和多類型形變的場景需求，這三種構架分別是：局部感受野、權值共享、池化下采樣。

CNN的特征提取環節是由多次交替的卷積層和池化層實現的，其思想是模仿人的視網膜感受神經。如圖2所示，我們輸入28×28的剪切后車標圖像，經過對卷積核的有監督訓練我們獲得了Ci層：

其中x是原始輸入圖像，?代表卷積運算，i代表了第i個卷積核，sigmoid運算的定義為：sigmoid（x）=1/（1+e-x），在卷積層后緊跟的池化層定義為：

其中C是我們之前獲取的卷積層，Ω是一個2×2的方形區域。池化層的作用是在用來減小特征圖尺寸規模的同時，增強了特征對于旋轉和變形的魯棒性。在有了卷積層和池化層定義的基礎上，前一層的輸出作為后一層的輸入，最終的特征提取環節由交替地進行（1）式（2）式得到。在本文提出的方法中一共交替進行了兩次，也就是說我們含有C1、S2、C3、S4四層。其中的參數設置在表1中提供。

表1　

由于自然圖像的特性，在一個局部提取特征可能在圖中的另一部分仍然有效，因此CNN的卷積層采取了權重共享策略，通過共享權重CNN還做到了旋轉不變的特性，因此可以在多變的識別檢測領域取得優良的效果，關于多層卷積神經網絡的更多細節可以參見文獻[4~5]。

對于車標識別任務，我們首先獲取了輸入車標圖像的局部特征，再將這些特征層層迭代處理以獲取更高級特征，這樣最后的特征被拉成一個一維向量，該向量就是此車標圖像的表征，我們也正是用此特征來有監督的訓練BP神經網絡分類器。

2　實驗

本文提出的識別系統是在2100張由監控設備拍下的包含有車輛的室外圖像上驗證的。首先經過車標定位獲取只含有車標的圖片（如1.1節所講），為了模仿不同的拍攝條件變化，我們對截取好的車標加入了：旋轉（-10~10度）、平移（四個方向3像素距離）、尺度變換、噪聲（高斯噪聲、椒鹽噪聲、泊松噪聲），最終獲取了十類共30,000張的圖片。一些樣例圖在圖3中展示。所有的圖片被歸一化到28×28大小，對于這30，000張圖片，我們取25，000張作為訓練，5，000張作為測試。

圖2　

圖3　

對于十類不同車標的識別準確率匯總在表2中，平均的準確率為98.28%，因為我們模擬了不同的場景變化，所以結果表明該方法具有優良的魯棒性。在未經任何優化的情況下本方法的識別速率為3ms每張，這說明了該方法的高效性并完全有能力滿足實時應用的需求。

在表3中我們列出了與其他算法的比較，可以看到本文提出的方法具有優異的準確率和極低的運算資源需求，并且本文提出的特征提取環節完全不需要手工設計特征的參與，特征完全從原始圖像中自動自適應學習，做到了對于不同環境變化的魯棒性。

3　結語

在本文中提出了一種基于卷積神經網絡（CNN）的車標識別系統，該系統能夠準確地識別在定位和截取后獲取的車標圖片。多層的卷積神經網絡能夠自動和自適應地從原始圖像中獲取特征并最后通過BP神經網絡進行分類。在十類含有不同類型形變和噪聲的測試集上，證明了本文提出的算法有效、準確、魯棒性優良并不需要人工設計特征的參與，該方案可以有效地應用于智能交通系統的實時識別中。

表2　

表3　

[1]Dlagnekov L,Belongie S J.Recognizing Cars[M].Department of Computer Science and Engineering,University of California,San Diego,2005

[2]Conos M.Recognition of Vehicle Make from a Frontal View[J].Master,Czech Tech.Univ.,Prague,Czech Republic,2006

[3]Hubel D H,Wiesel T N.Receptive Fields of Single Neurones in the Cat's Striate Cortex[J].The Journal of Physiology,1959,148（3）: 574~591

[4]LeCun Y,Bottou L,Bengio Y,et al.Gradient-Based Learning Applied to Document Recognition[J].Proceedings of the IEEE,1998,86（11）:2278~2324

[5]Lawrence S,Giles C L,Tsoi A C,et al.Face Recognition:A Convolutional Neural-Network Approach[J].Neural Networks,IEEE Transactions on,1997,8（1）:98~113

[6]Anagnostopoulos C N E,Anagnostopoulos I E,Loumos V,et al.A License Plate-Recognition Algorithm for Intelligent Transportation System Applications[J].Intelligent Transportation Systems,IEEE Transactions on,2006,7（3）:377~392

[7]Psyllos A P,Anagnostopoulos C N E,Kayafas E.Vehicle Logo Recognition Using a Sift-Based Enhanced Matching Scheme[J].Intelligent Transportation Systems,IEEE Transactions on,2010,11（2）:322~328

[8]Yunqiong W,Zhifang L,Fei X.A Fast Coarse-to-Fine Vehicle Logo Detection and Recognition Method[C].Robotics and Biomimetics,2007.ROBIO 2007.IEEE International Conference on.IEEE,2007:691~696

[9]Sam K T,Tian X L.Vehicle Logo Recognition Using Modest Adaboost and Radial Tchebichef Moments[C].International Conference on Machine Learning and Computing（ICMLC 2012），2012

[10]Psyllos A,Anagnostopoulos C N,Kayafas E.M-SIFT:A New Method for Vehicle Logo Recognition[C].Vehicular Electronics and Safety（ICVES）,2012 IEEE International Conference on.IEEE,2012:261~266

[11]Yu S,Zheng S,Yang H,et al.Vehicle Logo Recognition Based on Bag-of-Words[C].Advanced Video and Signal Based Surveillance（AVSS），2013 10th IEEE International Conference on.IEEE,2013:353~358

Intelligent Transportation Systems;Vehicle Logo Recognition;Deep Learning;Convolutional Neural Networks

Vehicle Logo Recognition Based on Convolutional Neural Networks

SUN Ye，WU Rui-wen
（Department of Communication Engineering，Xiamen University,Xiamen 361005）

Proposes a vehicle logo recognition based on Convolutional Neural Networks.With a deep hierarchical feature learning process,the proposed method extracts the features from the training samples directly,and trains the classier based on neural network.Applies 5,000 logos belonging to 10 vehicle manufactures for validation.The average accuracy 98.28%for ten classes and fast implementation(less than 3ms for each logo in MATLAB)has demonstrated that the proposed method outperforms than state-of-art with higher accuracy,stronger robustness,and less computational cost.

1007-1423（2015）11-0084-04

10.3969/j.issn.1007-1423.2015.11.017

孫曄（1990-），男，吉林吉林人，碩士研究生，研究方向為機器學習和深度學習

吳銳文（1990-），男，四川成都人，在讀碩士研究生，研究方向為機器學習和圖像分割

2015-03-12

2015-03-26