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.