基于卷積神經網絡車輛品牌和型號識別

李鎏

摘要 視頻監控系統即車輛監管的主要方式，目前已全面的應用于當代交通。以往通過人工判讀的工作形式，已無法跟隨現代大量交通視頻處理的腳步，而通過智能識別系統處理車輛視訊是未來發展的主要方向。

【關鍵詞】卷積神經網絡 車輛品牌 型號 識別

目前，深度學習理論被廣泛的應用于各個領域，深度學習的核心技術即為卷積神經網絡（CNN），其己被應用于圖像辨識等方面，且己得到了認可。CNN能夠將既有參數直接進行輸入，這從根本防止了常規識別模式中加設的數據處理程序。卷積神經網絡如同生物神經網絡構架，同時弱化網絡結構的繁瑣性，亦可降低權值數量，并能夠對平移以及比例權衡等問題予以自動處理。文章將以基于卷積神經網絡車輛品牌和型號識別作為切入點，在此基礎上予以深入的探究，相關內容如下所述。

1 車輛品牌和型號識別系統的基本結構

1.1 CNN特性學習構架

卷積神經網絡特征學習模型訓練程序相主要涵蓋遞進創建卷積神經網絡與訓練卷積神經網絡。

網絡的鍵入I，卷積神經網絡可以對二維影像的基本特性予以學習，所以把既有圖像進行灰化處理，在此基礎上應用于網絡輸入。網絡卷積層Ci，此層經五×五的濾波裝置于可加偏置bi予以整體卷積，進而得到相應的特征數據圖。Si即網絡的滲透樣層，全部滲透樣層均由下述方式獲取：各鄰域4個像素的總和，權值Wi+l予以加權處理，同時綜合偏置bi+l，在此基礎上通過影響函數核小的雙彎曲函數激活。若細致的描述即通過六個五×五濾波裝置卷積輸入圖像，進而獲取六個二十一×二十一特性圖，經下采樣，特性圖被限制在五十八×四十六;在此基礎上通過十二個相同大小的濾波裝置卷積S2層，因此獲取十二個五十四×四十二的特性圖，經下采樣，特性圖控制在二十七×二十一;同時把十二張特性圖整合成一條列向量，最終獲取得特征向量。

卷積神經網絡訓練涵蓋下述基本環節：第一個為正向傳播環節：把訓練樣本傳輸至卷積神經網絡獲取實際輸出;第二個為反向傳播環節：計算實際輸出和所需輸出間的偏差，在此基礎上經反向傳輸算法傳遞偏差值，同時更新各層的有效權值。

1.2 分類識別

支持向量機分類裝置是具有一定泛化性的學習算法，目前己被應用于圖像辨識。為了有效證實CNN提取特性的有效性，研究中擇取支持向量機分類裝置對特性予以訓練及檢測。

2 實踐研究

此次研究以公路監控中的圖像為識別目標，全部既有參數都采集于公路實際監控中的真實圖像。為了從根本保障實驗的精準度，通過人工截取并注釋了小型轎車、客運車與貨車影像作為訓練及測試對象。此次研究采集了三千張各角度車輛圖片，一千四百張圖片為小型車輛，九百五十張圖片為貨車，六百五十張圖片為客車。因為圖片的大小存在差異，因此為了匹配于CNN的輸入標準，在實驗過程中將所有車型圖調節成相同的尺寸。各車型隨機抽取四百五十張圖片作為訓練樣本，剩余圖片為測試所用。

在未提取卷積神經網絡時，數據集中的彩色圖像均全部調節成白圖。見圖1，基于篇幅有限，此次研究以小車為例體現各層特性，貨車與客車僅體現最后一層的基本特性。

比對各訓練頻次的卷積神經網絡學習獲取的特性與方向梯度直方圖特性的實驗效果，準確率依附于下述公式予以計算：

研究卷積神經網絡的最為突出的訓練頻次，依附于網絡訓練頻次分別界定三類網絡為卷積神經網絡l、卷積神經網絡5、卷積神經網絡10。以精準度作為基點予以分析，卷積神經網絡5獲取的特性分類效果較之卷積神經網絡1獲取的特性分類效果提升一個百分點;卷積神經網絡10在卷積神經網絡5的基礎上僅增加千分之一，不過訓練時間前者為后者的2倍，因此精準度與網絡訓練耗時相結合進行分析，卷積神經網絡5相對合適。若以時間消耗作為基點，特性提取時間三類網絡無顯著的差異，卷積神經網絡5網絡得到的特性分類器訓練時間與識別時間相對較短，通過上述一系列因素分析，以文中的數據集為基礎，即選定卷積神經網絡5用于特性提取。整體識別率與時間消耗，卷積神經網絡5的效果最優。

通過此次研究結果分析，小型車輛很容易和其它兩種車型予以區分，貨車與客運車容易造成錯誤分類的成因即為，有棚貨車外形接近于客運車輛，同時光照與拍攝區域都會為辨識造成一定的影響。客運車輛與貨車提取所獲得的特性有一定程度的相似，因此會影響分類的正確性。

3 總結

此次研究將CNN滲透至車型的識別，設計了有針對性的特性提取與識別機制。經在公路監控數據上的比較研究總結出，CNN獲取特性和線性分類裝置支持向量機的結合，對車型識別具有深遠的意義，具有較高的識別精準度。因為貨車與客運車輛外形相對接近，同時因為拍攝角度存在差異，所以識別相對困難，基于此，本人將對此問題予以深入的研究，在未來的工作中以期能夠盡早解決此問題。

參考文獻

[1]王芳榮，周德義，鄭詠梅，王鼎，張鐵強，生物表面光譜特性識別的神經網絡方法[J].吉林大學學報（信息科學版），2014（03）：26-28.

[2]劉斌，劉新芝，廖曉昕.脈沖Hopfield神經網絡的魯棒H一穩定性及其脈沖控制器設計（英文）[J].控制理論與應用.2015 （02）：12 -16.

[3]林青，周俊鵬，王連明，基于NDRAM算法的聯想記憶網絡在車牌漢字識別中的應用[J].東北師大學報（自然科學版），2015 （04）：57-60.