基于視頻的車(chē)載屏幕互聯(lián)與識(shí)別算法研究

潘雨哲　黎靜

摘 要：文章研究了基于視頻的車(chē)載屏幕互聯(lián)與識(shí)別算法。基于智能后視鏡搭建路況識(shí)別原型系統(tǒng)，依托車(chē)載攝像頭收集訓(xùn)練圖片，運(yùn)用神經(jīng)網(wǎng)絡(luò)與深度學(xué)習(xí)，將視頻圖像進(jìn)行特征提取后，利用支持向量機(jī)進(jìn)行分類識(shí)別，實(shí)現(xiàn)車(chē)輛檢測(cè)技術(shù)。

關(guān)鍵詞：人工智能；圖像識(shí)別；神經(jīng)網(wǎng)絡(luò)；深度學(xué)習(xí)

在車(chē)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(chē)載導(dǎo)航系統(tǒng)甚至可以用手機(jī)，行車(chē)記錄有傳統(tǒng)的行車(chē)記錄儀和全方位攝像頭，停車(chē)監(jiān)控在很多車(chē)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(guó)家對(duì)汽車(chē)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(chē)用攝像頭代替反光鏡；同時(shí)，聯(lián)合國(guó)歐洲經(jīng)濟(jì)委員會(huì)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(guò)程中，物體識(shí)別一直是一個(gè)重要的研究方向，移動(dòng)網(wǎng)絡(luò)由4G走向5G時(shí)代，這為移動(dòng)設(shè)備提供了更快的數(shù)據(jù)傳輸渠道，因此，對(duì)云鏡的視頻識(shí)別功能要求也越來(lái)越高[2]。基于以上背景，本文提出了利用視頻識(shí)別算法與車(chē)載屏幕互聯(lián)實(shí)現(xiàn)車(chē)輛檢測(cè)。

1 神經(jīng)網(wǎng)絡(luò)與深度學(xué)習(xí)

人工神經(jīng)網(wǎng)絡(luò)（Artificial Neural Network，ANN），簡(jiǎn)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(dòng)物的中樞神經(jīng)系統(tǒng)）的結(jié)構(gòu)和功能的數(shù)學(xué)模型或計(jì)算模型，用于對(duì)函數(shù)進(jìn)行估計(jì)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(jìn)行計(jì)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(jì)型數(shù)據(jù)，具有并行結(jié)構(gòu)對(duì)神經(jīng)網(wǎng)絡(luò)中的每個(gè)神經(jīng)元進(jìn)行同樣的運(yùn)算，便于計(jì)算機(jī)的運(yùn)算處理。此外，有學(xué)習(xí)和記憶的功能，通過(guò)對(duì)一個(gè)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(xué)習(xí)是神經(jīng)網(wǎng)絡(luò)的一個(gè)大分支，深度學(xué)習(xí)的基本結(jié)構(gòu)是深度神經(jīng)網(wǎng)絡(luò)。深度學(xué)習(xí)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(méi)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(jì)算單元有限，對(duì)復(fù)雜函數(shù)的表示能力有限，學(xué)習(xí)能力也有限；而深度學(xué)習(xí)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(jì)算時(shí)代來(lái)臨之后，作為目標(biāo)檢測(cè)兩大派系之一的“R-CNN系二刀流”，是第一個(gè)成功將深度學(xué)習(xí)應(yīng)用到目標(biāo)檢測(cè)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(wèn)題[6]。

不同于經(jīng)典目標(biāo)檢測(cè)算法（如overfeat）中的滑動(dòng)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(duì)物體進(jìn)行定位和分割，當(dāng)標(biāo)記的訓(xùn)練數(shù)據(jù)稀缺時(shí)，對(duì)輔助任務(wù)進(jìn)行監(jiān)督的預(yù)訓(xùn)練，然后進(jìn)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(jī)（Support Vector Machine，SVM）等算法的基礎(chǔ)上，實(shí)現(xiàn)目標(biāo)檢測(cè)技術(shù)[7]。

2 支持向量機(jī)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(fù)采樣間隔最大。SVM是用來(lái)解決二分類問(wèn)題的有監(jiān)督學(xué)習(xí)算法，在引入了核方法之后SVM也可以用來(lái)解決非線性問(wèn)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(jī)（線性可分支持向量機(jī)）：當(dāng)訓(xùn)練數(shù)據(jù)可線性分離時(shí)，可以通過(guò)硬間隔最大化學(xué)獲得線性可分支持向量機(jī)；軟間隔支持向量機(jī)：當(dāng)訓(xùn)練數(shù)據(jù)近似線性可分時(shí)，可以通過(guò)軟間隔最大化獲得線性支持向量機(jī)；非線性支持向量機(jī)：當(dāng)訓(xùn)練數(shù)據(jù)線性不可分離時(shí)，可以通過(guò)核方法和軟區(qū)間最大化來(lái)獲得非線性支持向量機(jī)。由于在實(shí)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(jī)。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(wèn)題。它可以高度解釋并且可以解決高維問(wèn)題[8]。

3 車(chē)輛識(shí)別算法步驟介紹

本文研究?jī)?nèi)容主要為通過(guò)攝像頭和智能云鏡的相關(guān)技術(shù)，基于車(chē)載智能后視鏡平臺(tái)，研究前后車(chē)識(shí)別算法，實(shí)現(xiàn)基于前后車(chē)特征分類的方法，實(shí)現(xiàn)特定場(chǎng)景下的識(shí)別性能驗(yàn)證。而視頻中的圖像識(shí)別及特征提取主要包括以下4個(gè)步驟。

（1）利用攝像頭對(duì)路況進(jìn)行實(shí)時(shí)收集，如圖1所示，將視頻通過(guò)硬件設(shè)備進(jìn)行圖像分割形成獨(dú)立的二值圖像，本文采用圖像目標(biāo)檢測(cè)算法對(duì)其進(jìn)行形狀檢測(cè)，并經(jīng)過(guò)灰度變換、灰度拉伸、去噪、濾波等過(guò)程對(duì)圖像進(jìn)行預(yù)處理得到灰度圖。

（2）經(jīng)過(guò)形狀檢測(cè)的灰度圖還需進(jìn)行形狀提取，即對(duì)經(jīng)過(guò)預(yù)處理的灰度圖進(jìn)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(xué)習(xí)。在二值化處理過(guò)程中，利用迭代法統(tǒng)計(jì)并計(jì)算出圖像的各灰度分布，分為目標(biāo)及背景兩部分并進(jìn)行多次迭代確定圖像的最佳分割閾值。

（3）利用邊緣檢測(cè)算法分離目標(biāo)與背景區(qū)域，僅對(duì)車(chē)輛部分進(jìn)行增強(qiáng)。

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

4 結(jié)語(yǔ)

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

[參考文獻(xiàn)]

[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(cè)算法研究[M].北京：科學(xué)出版社，2015.

[4]CYGANEK B. 數(shù)字圖像目標(biāo)檢測(cè)與識(shí)別：理論與實(shí)踐[M].宋曉煒，楊蕾，瞿博陽(yáng)，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(jī)器學(xué)習(xí)[M].北京：清華大學(xué)出版社，2016.

[7]華校專，王正林. Python大戰(zhàn)機(jī)器學(xué)習(xí)[M].北京：電子工業(yè)出版社，2017.

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