歐華杰

（北京市海淀區(qū)職工大學(xué)，北京 100083）

引言

交通管理現(xiàn)狀與需求矛盾的進一步加劇，使每年偽造車牌、肇事逃逸、車輛違章行駛、機動車輛偷盜、遮擋車牌以及套牌車輛的違法案例越來越多[1]。為適應(yīng)我國現(xiàn)代化智能交通建設(shè)的需要，針對交通道路車輛實時運行情況監(jiān)控，因此提出基于卷積神經(jīng)網(wǎng)絡(luò)的車輛識別技術(shù)研究[2]?；诰矸e神經(jīng)網(wǎng)絡(luò)的車輛識別技術(shù)能夠滿足目前治安卡口對車牌識別需求，對來往車輛車牌與類型快速識別，并判斷車輛的合法情況，對違法犯罪車輛自動報警，同時提供查詢功能，快速查詢歷史過往車輛信息、自動生成和導(dǎo)出車輛統(tǒng)計信息，方便操作人員對道路安全進行監(jiān)控[3]。研究過程中，考慮到車輛行駛過程中對周圍環(huán)境信息實時性檢測需求，根據(jù)所檢測到不同類型障礙物采取處理，快速完成不同環(huán)境下車輛識別。

1 基于卷積神經(jīng)網(wǎng)絡(luò)的車輛識別技術(shù)

1.1 基于卷積神經(jīng)網(wǎng)絡(luò)的車輛識別模型

依據(jù)卷積神經(jīng)網(wǎng)絡(luò)特點，車輛識別模型設(shè)計不同網(wǎng)絡(luò)層，通過設(shè)置模型層數(shù)與超參數(shù)影響整體模型訓(xùn)練過程和最終性能。模型以滿足實際應(yīng)用性為基礎(chǔ)，使用五個卷積層模塊結(jié)構(gòu)，后面緊跟若干個全連接層[4]。在各卷積層中加入不同模塊，加深卷積層內(nèi)部網(wǎng)絡(luò)深度效果，整體全連接層提取能夠更多全局信息[5]。基于卷積神經(jīng)網(wǎng)絡(luò)的車輛識別模型示意圖，如圖1所示。

模型包含五個卷積層與兩個圈連接層，將局部信息卷積層特征映射到全連接層，實現(xiàn)網(wǎng)絡(luò)中間部分特征圖不變條件下，實現(xiàn)整體網(wǎng)絡(luò)對任意大小輸入處理。

第一層卷積層示意圖，如圖2所示。

在第一卷積層中，提取圖像大小為224*224*3，卷積核尺寸是3*3，卷積核個數(shù)為32?？刂频谝粚泳矸e層參數(shù)量，使用ReLU激活函數(shù)，經(jīng)第一層處理后，得到車輛識別最大采樣操作大小為112*112*32的特征圖[6]。

經(jīng)第一卷積層處理后，進入第二卷積層處理，其結(jié)構(gòu)圖，如圖3所示。

第二卷積層操作滑動步長為2，且不使用下層采樣層。其卷積核大小為3*3，卷積核個數(shù)為64，將特征圖尺寸降為56*56，使用ReLU激活函數(shù)，最終得到處理后特征車輛圖像尺寸為56*56*64的細節(jié)特征圖像[7]。

模型中第三、第四卷積層操作與第二卷積層操作相同，但卷積層核個數(shù)上升為128和256個；第五卷積層操作與第一卷積層操作相同，但卷積層個數(shù)升為512。

經(jīng)各卷積層處理后，形成不同等級特征提取，構(gòu)成基于卷積神經(jīng)網(wǎng)絡(luò)的車輛識別模型。

1.2 車輛特征分類

模型提取車輛數(shù)據(jù)信息后，用卷積核輸入原始圖像，得到卷積圖結(jié)果加偏位置第一層特征圖。隨后得到池化過程，將池化窗口內(nèi)像素相加，通過激活函數(shù)與權(quán)值加權(quán)與加偏，得到原始圖像縮小圖像特征圖[8]。

在車輛圖像卷積過程中，C1卷積層采用6個5*5大小卷積核對大小為256*256的輸入圖像進行卷積，得到C1層輸出大小為252*252的6張?zhí)卣鲌D。該層計算參數(shù)量為6*（5*5+1）=156。得到特征圖大小為：

式中：

W—輸入圖像大小為W×W，其卷積核大小為F×F；

P—填充像素個數(shù)；

S—卷積核步長。

圖1 基于卷積神經(jīng)網(wǎng)絡(luò)的車輛識別模型示意圖

圖2 模型網(wǎng)絡(luò)C1層結(jié)構(gòu)示意圖

圖3 模型網(wǎng)絡(luò)C2層結(jié)構(gòu)示意圖

基于卷積神經(jīng)網(wǎng)絡(luò)的車輛識別模型存在大量數(shù)據(jù)樣本，將常見的將小汽車、公交車與貨車分為三個類型，數(shù)據(jù)來源以Stanford Cars Dataset車輛數(shù)據(jù)集、BITVehicle Dataset車輛數(shù)據(jù)集為主，部分缺失數(shù)據(jù)自制補充[9]。Stanford Cars Dataset車輛數(shù)據(jù)集中包括16 185張車輛樣本信息，其中含有8 041張測試樣本與8 144張訓(xùn)練樣本，并含有車輛位置標注信息[10]。BIT-Vehicle Dataset車 輛 數(shù) 據(jù) 集 中 包 含Bus，Microbus，Minivan，Sedan，SUV和Truck六種類別，作為數(shù)據(jù)補充[11]。在兩種數(shù)據(jù)集中包含貨車與公交車樣本數(shù)據(jù)較少，因此自制數(shù)據(jù)庫以構(gòu)建貨車與公交車樣本數(shù)據(jù)集為重點。

考慮到分類過程中，不同天氣和環(huán)境變化對車輛分類有很大的影響，采集不同光照、天氣與環(huán)境條件下車輛圖像作為訓(xùn)練數(shù)據(jù)來訓(xùn)練分類網(wǎng)絡(luò)，滿足卷積神經(jīng)網(wǎng)絡(luò)識別模型訓(xùn)練需求[12]。為避免過度擬合現(xiàn)象。在模型中輸入大量樣本數(shù)據(jù)后，使用數(shù)據(jù)增強方式擴大數(shù)據(jù)庫。自制樣本輸入數(shù)據(jù)后，存儲樣本車輛縮放變換圖像、平移變換圖像、對比度變換圖像以及噪聲擾動圖像，方便識別過程中提取各種環(huán)境下不同車輛圖像[13]。

由于不同數(shù)據(jù)集標簽信息不一致，因此對提取車輛特征標簽實現(xiàn)統(tǒng)一化處理，將樣本統(tǒng)一轉(zhuǎn)化為PASCAL VOC的數(shù)據(jù)集的格式，如表1所示。

表1 數(shù)據(jù)樣本格式

其中，數(shù)據(jù)樣本格式中目標類型中0為背景、1類別為小汽車、2為公交車、3為貨車。后面目標位置分別為目標圖像左上角與右上角坐標值[14]。

在輸入圖像后，經(jīng)第一卷積層后得到特征圖大小將變成55x55，同時將步長減到2[15]。修改后網(wǎng)絡(luò)結(jié)構(gòu)，如表2所示。

表2 AlexNrt結(jié)構(gòu)

根據(jù)車輛AlexNrt結(jié)構(gòu)不同，完成車輛提取特征圖信息分類。

1.3 車輛特征識別

利用修改后網(wǎng)絡(luò)結(jié)構(gòu)進行batch_size進行訓(xùn)練，采用SoftMax損失函數(shù)，依據(jù)圖像的局部信息相關(guān)性，盡可能的保留圖像的特征。車輛特征提取過程，如圖4所示。

特征圖像經(jīng)前三層卷積層處理后，提取到包含輪廓和紋理在內(nèi)的低層次圖像特征。后面兩層卷積層根據(jù)車輛不同區(qū)域具有不同的統(tǒng)計特征的不共享參數(shù)，充分提取不同車輛位置的特征信息，得到數(shù)據(jù)庫中相關(guān)信息與不同位置間的相關(guān)性，得到最終分類結(jié)果。

局部卷積核對車輛識別進行有效特征分類，使網(wǎng)絡(luò)在訓(xùn)練時需要訓(xùn)練參數(shù)量大大增加，提高網(wǎng)絡(luò)訓(xùn)練時計算量。通過觀察通用圖像識別網(wǎng)絡(luò)定義車輛不同關(guān)鍵區(qū)域，車輛特征提取示意圖，如圖5所示。

圖4 車輛特征提取過程

得到提取特征后，提取數(shù)據(jù)庫中對應(yīng)區(qū)域訓(xùn)練得到不共享卷積參數(shù)，使相互獨立的網(wǎng)絡(luò)只在他們所對應(yīng)的區(qū)域上進行訓(xùn)練。最終將大卷積核改為多個小卷積核后AlexNet。得到車輛關(guān)鍵區(qū)域特征識別網(wǎng)絡(luò)，如表3所示。

根據(jù)車輛關(guān)鍵區(qū)域特征識別，完成車輛特征識別，同時提取數(shù)據(jù)庫中車輛信息，完成卷積神經(jīng)網(wǎng)絡(luò)的車輛識別。

2 仿真實驗

2.1 實驗準備

設(shè)計仿真實驗對比基于卷積神經(jīng)網(wǎng)絡(luò)的車輛識別技術(shù)、基于視頻圖像處理的車輛識別技術(shù)的在相同實驗環(huán)境下識別結(jié)果準確率。實驗硬件測試環(huán)境采用常見交通管理系統(tǒng)硬件，其配置如表4所示。

實驗選取包括21個品牌，總共356款車型在內(nèi)的車輛圖像7 086張，將識別樣本分為10個測試集，車輛拍攝環(huán)境不同，存在白天、黑夜、陰天等多種拍攝環(huán)境。測試兩種技術(shù)對不同環(huán)境下車輛識別結(jié)果，取多個測試集結(jié)果平均值，對比兩組車輛測試結(jié)果準確性。

2.2 實驗結(jié)果對比

圖5 車輛特征提取示意圖

表3 車輛關(guān)鍵區(qū)域特征識別網(wǎng)絡(luò)

實驗結(jié)果選取包括十字路口、夜晚、雨雪等幾種較為常見的復(fù)雜車輛行駛環(huán)境，實驗過程中兩種技術(shù)準確率隨著訓(xùn)練迭代次數(shù)變化而變化，其基于視頻圖像處理的車輛識別技術(shù)識別結(jié)果，如表5所示。

分析表5數(shù)據(jù)，得到基于視頻圖像處理的車輛識別技術(shù)準確率，如圖6所示。

表4 實驗硬件運行環(huán)境

表5 基于視頻圖像處理特定路況車輛識別情況

圖6 基于視頻圖像處理的車輛識別技術(shù)準確率

分析圖6可以看出，基于視頻圖像處理的車輛識別技術(shù)在不同場景車輛識別結(jié)果存在一定差異，且對不同類型車輛識別也存在一定差異。該技術(shù)識別結(jié)果在晴天環(huán)境下對不同類型車輛識別準確度最好，但在雪天與雨天識別環(huán)境下識別準確度最低。且在識別過程中，在雪天對白色車輛識別效果最差，其準確率隨著測試車輛數(shù)量增加而降低，且受到無法很好抵抗外界環(huán)境干擾，無法滿足不同環(huán)境下不同類型車輛識別需求。

而基于卷積神經(jīng)網(wǎng)絡(luò)的車輛識別技術(shù)識別結(jié)果，如表6所示。

分析表6數(shù)據(jù)，得到基于卷積神經(jīng)網(wǎng)絡(luò)的車輛識別技術(shù)識別準確率。如圖7所示。

表6 基于卷積神經(jīng)特定路況車輛識別情況

圖7 基于卷積神經(jīng)網(wǎng)絡(luò)的車輛識別技術(shù)識別準確率

分析圖7可以看出，基于卷積神經(jīng)網(wǎng)絡(luò)的車輛識別技術(shù)受不同場景環(huán)境影響較小，且對不同類型車輛識別不會受到場景影響，能夠較好抵抗外界環(huán)境干擾。在較為惡劣環(huán)境下，識別結(jié)果較為穩(wěn)定。隨著測試車輛數(shù)量增加，其識別準確性不會受到外界因素影響，能夠有效滿足不同環(huán)境下不同類型車輛識別需求，從而證明研究有效性。

3 結(jié)束語

在大數(shù)據(jù)技術(shù)廣泛應(yīng)用下，智慧交通系統(tǒng)作為精準識別車輛信息的一種重要手段，在基于卷積神經(jīng)網(wǎng)絡(luò)的車輛識別技術(shù)研究過程中，以卷積神經(jīng)網(wǎng)絡(luò)為基礎(chǔ)，針對不同環(huán)境下車輛進行詳細車型識別，提取車輛信息與車輛異常情況，滿足實際應(yīng)用需求。