基于深度學(xué)習(xí)的車型識(shí)別

劉冬琦

河北衡水中學(xué) 河北 衡水 053000

一、選題的目的與意義

21世紀(jì)隨著我們科技的高速發(fā)展,智能交通也飛速發(fā)展,車輛型號(hào)的識(shí)別受到越來(lái)越廣泛的關(guān)注,它能夠?yàn)閭€(gè)人,企業(yè)和政府的車輛使用以及監(jiān)管提供諸多便利面對(duì)著日益復(fù)雜的交通問題,智能交通系統(tǒng)受到了越來(lái)越多的關(guān)注。傳統(tǒng)的車型識(shí)別主要依靠工作人員調(diào)取監(jiān)控視頻來(lái)人為識(shí)別,但隨著汽車行業(yè)的蓬勃發(fā)展,汽車數(shù)量越來(lái)越多,人工識(shí)別顯然不適用于面對(duì)大量的汽車逐一識(shí)別,而運(yùn)用人工智能來(lái)智能識(shí)別車型,不僅速度快,準(zhǔn)確率也大幅度提高,因此智能化車型識(shí)別,也就是基于深度學(xué)習(xí)的車型識(shí)別是各國(guó)研發(fā)人員的一大開發(fā)熱點(diǎn)。

1.1 研究的主要內(nèi)容

(1)簡(jiǎn)單介紹了自己前期做的準(zhǔn)備,自學(xué)了有關(guān)卷積神經(jīng)網(wǎng)絡(luò)方面的知識(shí),對(duì)在相鄰網(wǎng)絡(luò)連接層的系統(tǒng)誤差的理解,闡述了研究車輛型號(hào)識(shí)別的目的和意義,提出車輛分類算法新思路。

(2)對(duì)車型圖像特征提取,邊緣檢測(cè),基于分層結(jié)構(gòu)的信息提取,卷積層和池化層(自己在緊張的課后基于興趣自學(xué)的)然后分析了每類算法的優(yōu)點(diǎn)和缺點(diǎn),我們從中可以對(duì)比不同算法應(yīng)用的不同場(chǎng)景。

(3)介紹了車型識(shí)別算法。我們使用SIFT特征匹配算法進(jìn)行車型識(shí)別。

(4)使用計(jì)算機(jī)進(jìn)行仿真。我們采用大量的實(shí)測(cè)圖片作為基準(zhǔn),運(yùn)用相關(guān)算法進(jìn)行系統(tǒng)仿真。最后,我們校準(zhǔn)了這兩種方法的仿真結(jié)果。

二、前期準(zhǔn)備

首先我們先要了解一下神經(jīng)網(wǎng)絡(luò)的基本概念。簡(jiǎn)單而言：受生物神經(jīng)系統(tǒng)啟發(fā),結(jié)合算法,一種可以進(jìn)行智能模式識(shí)別的數(shù)學(xué)系模型。假設(shè)一個(gè)多類問題,類別數(shù)為c一共有N個(gè)訓(xùn)練樣本,選取平方誤差作為代價(jià)函數(shù),則系統(tǒng)誤差計(jì)算如下：

相鄰的網(wǎng)絡(luò)層關(guān)系為：

我們使用各個(gè)元素一次相乘。Simulink網(wǎng)絡(luò)更新傳輸模塊對(duì)各層連接層的權(quán)重,最終訓(xùn)練得到神經(jīng)網(wǎng)絡(luò)。

接下來(lái)了解深度學(xué)習(xí)算法,在車型識(shí)別中,深度學(xué)習(xí)可以提取樣本特性,并給出分類。針對(duì)圖像識(shí)別,深度學(xué)習(xí)擁有大量經(jīng)典算法,經(jīng)過大量的實(shí)驗(yàn)研究,這些算法都有實(shí)踐性和有效性。因此,深度學(xué)習(xí)可以應(yīng)用于車型識(shí)別。基于神經(jīng)網(wǎng)絡(luò)對(duì)圖像分割,對(duì)像素進(jìn)行批處理,可以通過一次forward處理對(duì)其進(jìn)行分類。數(shù)據(jù)集是必不可少的,自己所在的中學(xué)處于鬧市區(qū),每天車流量巨大,因此在一個(gè)合適的角度安放一個(gè)高清度攝像頭采取數(shù)據(jù)集進(jìn)行后期的數(shù)據(jù)訓(xùn)練。還要學(xué)習(xí)監(jiān)督學(xué)習(xí)和無(wú)監(jiān)督學(xué)習(xí)相關(guān)的知識(shí),以便更好地掌握深度學(xué)習(xí)深處的奧妙。

三、SIFT特征匹配識(shí)別算法

具體而言,SIFT特征匹配算法有如下特點(diǎn)：

1.SIFT特征是圖像的局部特征,穩(wěn)定性好,其對(duì)平移旋轉(zhuǎn)、圖像的縮小或放大、亮度的變亮或變暗具有穩(wěn)定性。

2.相比于粒子濾波算法,SIFT算法可以建立自適應(yīng)綜合特征詞表無(wú)歧義性。

SIFT算法的相關(guān)數(shù)學(xué)運(yùn)算：

有了以上數(shù)學(xué)表達(dá)式,我們對(duì)神經(jīng)網(wǎng)絡(luò)算法有了更深一步的了解。另外,在SIFT特征識(shí)別算法中,當(dāng)輸入數(shù)據(jù)是圖像時(shí),卷積層以3維的數(shù)據(jù)形式接收輸入數(shù)據(jù),并以相同方式輸入至下一層,將這個(gè)結(jié)果保存在相應(yīng)位置,就可以得到卷積運(yùn)算的輸出。

所以說(shuō),運(yùn)用SIFT算法在車型識(shí)別中至關(guān)重要,目標(biāo)檢測(cè),語(yǔ)義分割等都需要用到。

四、車輛特征提取

1.數(shù)據(jù)集。車輛數(shù)據(jù)集來(lái)自于本市的高清卡口車輛圖像庫(kù),原始圖片尺寸為2048*1536像素,大小容量為145 KB至290KB,其中很多圖像來(lái)自各個(gè)路段的高清卡口,拍攝環(huán)境、時(shí)間、角度都有所不同,所以該數(shù)據(jù)集能很好的模擬實(shí)際場(chǎng)景下的識(shí)別情況,能很好的測(cè)試識(shí)別算法的性能。此處指的數(shù)據(jù)是原始的圖片,沒有經(jīng)過預(yù)處理的。

2.特征提取。特征提取是車型識(shí)別的關(guān)鍵,采用某種聚類方式對(duì)提取到的車型特征進(jìn)行聚類,特征提取到向量量化,用“詞包”模型表示車型特征,然后找到處理后圖像橫坐標(biāo)最大的像素和橫坐標(biāo)最小的像素,將兩者橫坐標(biāo)最大的像素和橫坐標(biāo)最小的像素,橫坐標(biāo)相減,便可以得到車輛長(zhǎng)度。自己選用的數(shù)據(jù)集也運(yùn)用到了國(guó)際比較權(quán)威的KTH數(shù)據(jù)庫(kù),和自己收集的數(shù)據(jù)庫(kù)相結(jié)合更具有可靠性。

3.系統(tǒng)仿真與結(jié)果

車型輪廓提取代碼如下：

szuida＝max(max(s))；

szuixiao＝min(min(s))；

tk＝(szuida＋szuixiao)/2；

bcal＝1；

Sdaxiao＝size(s)；

while(bcal)

ifore＝0；

iback＝0；

isum＝0；

backsum＝0；

for i＝1：Sdaxiao(1)

for j＝1：Sdaxiao(2)

tmp＝s(i,j)；

if(tmp＞＝tk)

ifore＝ifore＋1；

isum＝isum＋double(tmp)；

else

iback＝iback＋1；

backsum＝backsum＋double(tmp)；

end

end

end

so＝isum/ifore；

sb＝backsum/iback；

tktmp＝uint8((so＋sb)/2)；

if(tktmp＝＝tk)

bcal＝0；

else

tk＝tktmp；

end

end

s1＝im2bw(s,double(tk)/255)；

figure,imshow(s1)；

s2＝medfilt2(s1,[7,7])；

s3＝bwareaopen(s2,200)；

figure,imshow(s3)；

基于SIFT特征匹配的車型識(shí)別

采用SIFT特征匹配算法后,不同車型識(shí)別準(zhǔn)確率如下圖所示

五、心得體會(huì)

隨著深度學(xué)習(xí)理論的不斷發(fā)展,在很多領(lǐng)域中有著廣泛的應(yīng)用。本文主要探索了深度學(xué)習(xí)在車型識(shí)別問題上的研究,提出了車型識(shí)別系統(tǒng)的算法流程,并深入地研究了基于深度卷積神經(jīng)網(wǎng)絡(luò)的車型識(shí)別算法。實(shí)驗(yàn)表明,這種方法有較好的識(shí)別率,運(yùn)用到車型識(shí)別問題上,具有很好的應(yīng)用前景。論文的主要亮點(diǎn)工作如下：

綜述現(xiàn)有的車型識(shí)別和深度學(xué)習(xí)的國(guó)內(nèi)外研究現(xiàn)狀,介紹了深度學(xué)習(xí)基本理論,分析了深度學(xué)習(xí)與人工智能、機(jī)器學(xué)習(xí)三者之間的關(guān)系。針對(duì)車型識(shí)別的問題,結(jié)合深度卷積神經(jīng)網(wǎng)絡(luò),提出了車型識(shí)別的具體算法流程,并對(duì)其中的車型識(shí)別模塊進(jìn)行了主要闡述。