亚洲免费av电影一区二区三区,日韩爱爱视频,51精品视频一区二区三区,91视频爱爱,日韩欧美在线播放视频,中文字幕少妇AV,亚洲电影中文字幕,久久久久亚洲av成人网址,久久综合视频网站,国产在线不卡免费播放

        ?

        基于視頻的車載屏幕互聯(lián)與識別算法研究

        2019-05-22 09:27:34潘雨哲黎靜
        無線互聯(lián)科技 2019年4期
        關(guān)鍵詞:圖像識別深度學習神經(jīng)網(wǎng)絡(luò)

        潘雨哲 黎靜

        摘 要:文章研究了基于視頻的車載屏幕互聯(lián)與識別算法?;谥悄芎笠曠R搭建路況識別原型系統(tǒng),依托車載攝像頭收集訓(xùn)練圖片,運用神經(jīng)網(wǎng)絡(luò)與深度學習,將視頻圖像進行特征提取后,利用支持向量機進行分類識別,實現(xiàn)車輛檢測技術(shù)。

        關(guān)鍵詞:人工智能;圖像識別;神經(jīng)網(wǎng)絡(luò);深度學習

        在車載系統(tǒng)愈發(fā)智能化的今天,智能云鏡的功能不斷創(chuàng)新,導(dǎo)航可用車載導(dǎo)航系統(tǒng)甚至可以用手機,行車記錄有傳統(tǒng)的行車記錄儀和全方位攝像頭,停車監(jiān)控在很多車載操作系統(tǒng)中也有相應(yīng)的功能,智能云鏡功能日益重復(fù)[1]。日前,已有部分國家對汽車后視鏡的相關(guān)政策做出了修訂,日本頒布新政策稱允許汽車用攝像頭代替反光鏡;同時,聯(lián)合國歐洲經(jīng)濟委員會制定的后視鏡相關(guān)規(guī)則也被修訂。在智能云鏡的發(fā)展過程中,物體識別一直是一個重要的研究方向,移動網(wǎng)絡(luò)由4G走向5G時代,這為移動設(shè)備提供了更快的數(shù)據(jù)傳輸渠道,因此,對云鏡的視頻識別功能要求也越來越高[2]。基于以上背景,本文提出了利用視頻識別算法與車載屏幕互聯(lián)實現(xiàn)車輛檢測。

        1 神經(jīng)網(wǎng)絡(luò)與深度學習

        人工神經(jīng)網(wǎng)絡(luò)(Artificial Neural Network,ANN),簡稱神經(jīng)網(wǎng)絡(luò)或類神經(jīng)網(wǎng)絡(luò),是一種模仿生物神經(jīng)網(wǎng)絡(luò)(動物的中樞神經(jīng)系統(tǒng))的結(jié)構(gòu)和功能的數(shù)學模型或計算模型,用于對函數(shù)進行估計或近似[3]。

        神經(jīng)網(wǎng)絡(luò)由大量的人工神經(jīng)元聯(lián)結(jié)進行計算,大多數(shù)情況下人工神經(jīng)網(wǎng)絡(luò)能在外界信息的基礎(chǔ)上改變內(nèi)部結(jié)構(gòu),是一種自適應(yīng)系統(tǒng)。人工神經(jīng)網(wǎng)絡(luò)可處理非線性統(tǒng)計型數(shù)據(jù),具有并行結(jié)構(gòu)對神經(jīng)網(wǎng)絡(luò)中的每個神經(jīng)元進行同樣的運算,便于計算機的運算處理。此外,有學習和記憶的功能,通過對一個神經(jīng)網(wǎng)絡(luò)的訓(xùn)練能夠判別事物和聯(lián)想記憶[4]。

        深度學習是神經(jīng)網(wǎng)絡(luò)的一個大分支,深度學習的基本結(jié)構(gòu)是深度神經(jīng)網(wǎng)絡(luò)。深度學習網(wǎng)絡(luò)與傳統(tǒng)的神經(jīng)網(wǎng)絡(luò)之間的相同之處,就是二者都是相似的分層結(jié)構(gòu),包括輸入層、隱層和輸出層的多層網(wǎng)絡(luò),其中只有相鄰層之間有鏈接,同一層及跨層之間是沒有連接的。不同之處在于,傳統(tǒng)神經(jīng)網(wǎng)絡(luò)一般只有兩層或者三層的神經(jīng)網(wǎng)絡(luò),參數(shù)和計算單元有限,對復(fù)雜函數(shù)的表示能力有限,學習能力也有限;而深度學習具有更多的神經(jīng)網(wǎng)絡(luò),并且引入了更有效的算法[5]。

        云計算時代來臨之后,作為目標檢測兩大派系之一的“R-CNN系二刀流”,是第一個成功將深度學習應(yīng)用到目標檢測上的算法,解決了“生成可能區(qū)域(Region proposal)&卷積神經(jīng)網(wǎng)絡(luò)(Convolutional Neural Networks,CNN)提取特征”和“放入分類器分類和修正”的問題[6]。

        不同于經(jīng)典目標檢測算法(如overfeat)中的滑動窗口掃描所有可能區(qū)間,R-CNN使用效率更高的selective search方法預(yù)先提取所有候選區(qū)域。R-CNN結(jié)合了高容量CNN應(yīng)用于自下而上的生成區(qū)域算法中,以便對物體進行定位和分割,當標記的訓(xùn)練數(shù)據(jù)稀缺時,對輔助任務(wù)進行監(jiān)督的預(yù)訓(xùn)練,然后進行特定領(lǐng)域的微調(diào),性能將得到顯著提升。因此,本文基于R-CNN(Region-CNN)算法,在CNN、線性回歸和支持向量機(Support Vector Machine,SVM)等算法的基礎(chǔ)上,實現(xiàn)目標檢測技術(shù)[7]。

        2 支持向量機介紹

        SVM的基本模型是在特征空間中找到最佳的分離超平面,以便訓(xùn)練集上的正負采樣間隔最大。SVM是用來解決二分類問題的有監(jiān)督學習算法,在引入了核方法之后SVM也可以用來解決非線性問題。且訓(xùn)練完成之后,大部分的訓(xùn)練樣本都不需要保留,最終的模型僅與支持向量有關(guān)。

        一般SVM有下面3種:硬間隔支持向量機(線性可分支持向量機):當訓(xùn)練數(shù)據(jù)可線性分離時,可以通過硬間隔最大化學獲得線性可分支持向量機;軟間隔支持向量機:當訓(xùn)練數(shù)據(jù)近似線性可分時,可以通過軟間隔最大化獲得線性支持向量機;非線性支持向量機:當訓(xùn)練數(shù)據(jù)線性不可分離時,可以通過核方法和軟區(qū)間最大化來獲得非線性支持向量機。由于在實際任務(wù)中很難找到合適的核函數(shù),因此,樣本在樣本空間或特征空間中是線性可分的,所以本文使用SVM的軟間隔支持向量機。SVM可以很容易地獲得中小樣本數(shù)據(jù)與特征之間的非線性關(guān)系,從而避免使用神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)選擇和局部最小值問題。它可以高度解釋并且可以解決高維問題[8]。

        3 車輛識別算法步驟介紹

        本文研究內(nèi)容主要為通過攝像頭和智能云鏡的相關(guān)技術(shù),基于車載智能后視鏡平臺,研究前后車識別算法,實現(xiàn)基于前后車特征分類的方法,實現(xiàn)特定場景下的識別性能驗證。而視頻中的圖像識別及特征提取主要包括以下4個步驟。

        (1)利用攝像頭對路況進行實時收集,如圖1所示,將視頻通過硬件設(shè)備進行圖像分割形成獨立的二值圖像,本文采用圖像目標檢測算法對其進行形狀檢測,并經(jīng)過灰度變換、灰度拉伸、去噪、濾波等過程對圖像進行預(yù)處理得到灰度圖。

        (2)經(jīng)過形狀檢測的灰度圖還需進行形狀提取,即對經(jīng)過預(yù)處理的灰度圖進行二值化處理,用以區(qū)分得到更加鮮明的圖像,有利于后續(xù)的快速處理及分析,即深度學習。在二值化處理過程中,利用迭代法統(tǒng)計并計算出圖像的各灰度分布,分為目標及背景兩部分并進行多次迭代確定圖像的最佳分割閾值。

        (3)利用邊緣檢測算法分離目標與背景區(qū)域,僅對車輛部分進行增強。

        (4)使用基于形態(tài)特征的分割法進行車輛定位,對視頻中的圖像幀進行特征提取,將提取出的圖像利用支持向量機SVM進行圖像分類獲得車輛特征,如圖2所示。

        4 結(jié)語

        本文利用車載攝像頭提取視頻圖像,基于圖像識別、特征提取以及神經(jīng)網(wǎng)絡(luò)與深度學習,在復(fù)雜背景下進行車輛檢測。視頻識別算法對于智能云鏡的研究具有重要意義,定位視野前方的車輛并精確測量其相對于本車的位置,根據(jù)危險性給出不同程度的危險預(yù)警是進一步的研究方向。

        [參考文獻]

        [1]GIRSHICK R,DONAHUE J,DARRELL T,et al.Rich feature hierarchies for accurate object detection and semantic segmentation[C].Columbus:2014 IEEE Conference on Computer Vision and Pattern Recognition(CVPR),2014.

        [2]MARK S N,ALBERTO S A.Feature extraction and image processing[M].Second Edition.London:Elsevier Academic Press,2002.

        [3]劉仁云,孫秋成,王春艷.數(shù)字圖像中邊緣檢測算法研究[M].北京:科學出版社,2015.

        [4]CYGANEK B. 數(shù)字圖像目標檢測與識別:理論與實踐[M].宋曉煒,楊蕾,瞿博陽,譯.北京:電子工業(yè)出版社,2016.

        [5]才溪.多尺度圖像融合理論與方法[M].北京:電子工業(yè)出版社,2014.

        [6]周志華.機器學習[M].北京:清華大學出版社,2016.

        [7]華校專,王正林. Python大戰(zhàn)機器學習[M].北京:電子工業(yè)出版社,2017.

        [8]佚名.深度學習概述:從感知機到深度網(wǎng)絡(luò)[EB/OL].(2015-08-27)[2019-02-15].http://www.cnblogs.com/huicpc0212/p/4761875.html.

        猜你喜歡
        圖像識別深度學習神經(jīng)網(wǎng)絡(luò)
        神經(jīng)網(wǎng)絡(luò)抑制無線通信干擾探究
        電子制作(2019年19期)2019-11-23 08:42:00
        基于Resnet-50的貓狗圖像識別
        電子制作(2019年16期)2019-09-27 09:34:50
        高速公路圖像識別技術(shù)應(yīng)用探討
        圖像識別在物聯(lián)網(wǎng)上的應(yīng)用
        電子制作(2018年19期)2018-11-14 02:37:04
        圖像識別在水質(zhì)檢測中的應(yīng)用
        電子制作(2018年14期)2018-08-21 01:38:16
        MOOC與翻轉(zhuǎn)課堂融合的深度學習場域建構(gòu)
        大數(shù)據(jù)技術(shù)在反恐怖主義中的應(yīng)用展望
        深度學習算法應(yīng)用于巖石圖像處理的可行性研究
        基于深度卷積網(wǎng)絡(luò)的人臉年齡分析算法與實現(xiàn)
        軟件工程(2016年8期)2016-10-25 15:47:34
        基于神經(jīng)網(wǎng)絡(luò)的拉矯機控制模型建立
        重型機械(2016年1期)2016-03-01 03:42:04
        午夜精品久久久久久99热| 亚洲人妻精品一区二区三区| 一区二区三区四区亚洲免费 | 国产激情久久久久影院老熟女| 精品久久综合亚洲伊人| jk制服黑色丝袜喷水视频国产| 日本久久久精品免费免费理论| 日本免费视频| 精品国产sm捆绑最大网免费站| 人妻少妇看a偷人无码| 女人被男人躁得好爽免费视频| 久久国产精品二区99 | 亚洲熟女一区二区三区不卡| 极品人妻少妇av免费久久| 国产精品乱码一区二区三区| 国产精品久久国产精品99gif| 精品免费看国产一区二区白浆 | 国产精品无码制服丝袜| 真人作爱免费视频| 无码国产精品第100页| 青青草视频在线免费视频| 精品人妻av一区二区三区 | 国产日本精品一区二区| 欧美颜射内射中出口爆在线| 中文字幕av无码免费一区| 韩国精品一区二区三区 | 免费二级毛片在线播放| 天堂av国产一区二区熟女人妻| 四虎成人精品在永久免费| 东京道一本热中文字幕| 99精品电影一区二区免费看| 亚洲av乱码国产精品色| 亚洲精品视频中文字幕| 国产免费又爽又色又粗视频| 亚洲精品久久久久久动漫| 久久99亚洲综合精品首页| 日本一区二区日韩在线| 欧美老妇牲交videos| 亚洲成av人片在线观看无码 | 国产成人a∨激情视频厨房| 亚洲gv白嫩小受在线观看|