李鎏

摘要 視頻監(jiān)控系統(tǒng)即車輛監(jiān)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(xiàn)代大量交通視頻處理的腳步，而通過智能識別系統(tǒng)處理車輛視訊是未來發(fā)展的主要方向。

【關鍵詞】卷積神經(jīng)網(wǎng)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(jīng)網(wǎng)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?qū)⒓扔袇?shù)直接進行輸入，這從根本防止了常規(guī)識別模式中加設的數(shù)據(jù)處理程序。卷積神經(jīng)網(wǎng)絡如同生物神經(jīng)網(wǎng)絡構(gòu)架，同時弱化網(wǎng)絡結(jié)構(gòu)的繁瑣性，亦可降低權(quán)值數(shù)量，并能夠?qū)ζ揭埔约氨壤龣?quán)衡等問題予以自動處理。文章將以基于卷積神經(jīng)網(wǎng)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(nèi)容如下所述。

1 車輛品牌和型號識別系統(tǒng)的基本結(jié)構(gòu)

1.1 CNN特性學習構(gòu)架

卷積神經(jīng)網(wǎng)絡特征學習模型訓練程序相主要涵蓋遞進創(chuàng)建卷積神經(jīng)網(wǎng)絡與訓練卷積神經(jīng)網(wǎng)絡。

網(wǎng)絡的鍵入I，卷積神經(jīng)網(wǎng)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(wǎng)絡輸入。網(wǎng)絡卷積層Ci，此層經(jīng)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(shù)據(jù)圖。Si即網(wǎng)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(quán)值Wi+l予以加權(quán)處理，同時綜合偏置bi+l，在此基礎上通過影響函數(shù)核小的雙彎曲函數(shù)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(jīng)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(jīng)下采樣，特性圖控制在二十七×二十一;同時把十二張?zhí)匦詧D整合成一條列向量，最終獲取得特征向量。

卷積神經(jīng)網(wǎng)絡訓練涵蓋下述基本環(huán)節(jié)：第一個為正向傳播環(huán)節(jié)：把訓練樣本傳輸至卷積神經(jīng)網(wǎng)絡獲取實際輸出;第二個為反向傳播環(huán)節(jié)：計算實際輸出和所需輸出間的偏差，在此基礎上經(jīng)反向傳輸算法傳遞偏差值，同時更新各層的有效權(quán)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(jiān)控中的圖像為識別目標，全部既有參數(shù)都采集于公路實際監(jiān)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(diào)節(jié)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(jīng)網(wǎng)絡時，數(shù)據(jù)集中的彩色圖像均全部調(diào)節(jié)成白圖。見圖1，基于篇幅有限，此次研究以小車為例體現(xiàn)各層特性，貨車與客車僅體現(xiàn)最后一層的基本特性。

比對各訓練頻次的卷積神經(jīng)網(wǎng)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(jīng)網(wǎng)絡的最為突出的訓練頻次，依附于網(wǎng)絡訓練頻次分別界定三類網(wǎng)絡為卷積神經(jīng)網(wǎng)絡l、卷積神經(jīng)網(wǎng)絡5、卷積神經(jīng)網(wǎng)絡10。以精準度作為基點予以分析，卷積神經(jīng)網(wǎng)絡5獲取的特性分類效果較之卷積神經(jīng)網(wǎng)絡1獲取的特性分類效果提升一個百分點;卷積神經(jīng)網(wǎng)絡10在卷積神經(jīng)網(wǎng)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(wǎng)絡訓練耗時相結(jié)合進行分析，卷積神經(jīng)網(wǎng)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(wǎng)絡無顯著的差異，卷積神經(jīng)網(wǎng)絡5網(wǎng)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(shù)據(jù)集為基礎，即選定卷積神經(jīng)網(wǎng)絡5用于特性提取。整體識別率與時間消耗，卷積神經(jīng)網(wǎng)絡5的效果最優(yōu)。

通過此次研究結(jié)果分析，小型車輛很容易和其它兩種車型予以區(qū)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(qū)域都會為辨識造成一定的影響?？瓦\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(jié)

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(jīng)在公路監(jiān)控數(shù)據(jù)上的比較研究總結(jié)出，CNN獲取特性和線性分類裝置支持向量機的結(jié)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(jīng)網(wǎng)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(jīng)網(wǎng)絡的魯棒H一穩(wěn)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(lián)想記憶網(wǎng)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.