一種改進的卷積神經網絡算法在交通視頻圖像識別中的應用

吳瓊 郝洋 王洪鵬 劉峰

摘要：本文提出了基于一種改進的卷積神經網絡算法，并將該算法應用于交通視頻的圖像識別。首先，利用Canny算子改善交通視頻中車輛的邊緣識別檢測效率；其次，利用局部結構圖LTP算子去除光線影響，提取圖像紋理特征；最后，通過改進傳統卷積神經網絡算法，識別交通視頻圖像。實驗表明，本文構建的LTP-微卷積神經網絡大大地提高了交通視頻圖像的正識率。

關鍵詞：卷積神經網絡；LTP算子；視頻圖像；識別

中圖分類號：G642.0 文獻標志碼：A 文章編號：1674-9324（2019）27-0211-02

目前，針對視頻圖像識別的算法的有邊緣特征定位法、紋理特征定位法、機器學習法等。如Ashwini B等人針對光線變化和場景變換提出了直方圖方向梯度算子與支持向量機相結合的方法，來檢測和識別交通視頻對象[1]。Kim D提出了一種基于超像素退化因子的自適應二值化LP字符分割算法，降低因局部光照的突然變換引起的誤差[2]。雖然，這些算法顯著提高了識別的精度，但基于交通視頻圖像中不同物體識別準確率等方面還有待提高[3-4]。因此，本文將改進卷積神經網絡算法，利用LTP-微卷積神經網絡算法對交通視頻圖像提取圖像紋理特征，從而來識別交通視頻圖像。

一、圖像預處理

在交通視頻圖像識別過程中，應減少圖像本身模糊的質量問題。在提高識別準確率的同時，又能降低檢測圖像中其他物體產生的干擾。因此，在建立模型訓練前需對交通視頻原始圖像進行處理，從而減少誤差、縮小檢測范圍。

Canny邊緣檢測方法的步驟為：（1）Gaussian濾波進行去噪處理；（2）獲取圖像的梯度及方向；（3）非極大值抑制處理來獲取精準定位；（4）通過閾值化降低假邊緣點的影響，并連接其余邊緣點。

在邊緣檢測算法中，Canny算子具備較高的檢測精度和較短的檢測時間。因此，本文選擇Canny算子對圖像邊緣進行檢測。圖1是對視頻圖像中汽車車窗這一物體的檢測。

二、改進的卷積神經網絡

三、實驗結果分析

在本實驗中，選取某路口的交通視頻，分別獲得無遮擋、有部分遮擋、光線不同三種狀況下的交通圖像。每種狀況下20幅圖像，圖像大小均為同一尺寸128×128。圖5給出了基于本改進方法的交通視頻圖像識別過程。

從已構建的數據庫中，分別取4、6、8幅圖像作為訓練樣本，其余圖像作為測試樣本，計算該算法正識率的平均值約為86%。圖6顯示了基于LTP-微型卷積神經網絡的車輛識別結果。

四、結語

本文采用Canny邊緣檢測算子對視頻圖像進行預處理。然后利用LTP-微卷積神經網絡算法對交通視頻圖像提取圖像紋理特征。根據實驗檢測的結果表明，本次提出的LTP-微卷積深度學習算法大大提高交通視頻圖像識別的效率。

參考文獻：

[1]Ashwini B，Yuvaraju B N，Deepashree B，et al.Application of Image Processing for Detection and Recognition of Objects in Traffic Video[C]// International Conference on Emerging Research in Computing，Information，Communication and Applications.Springer，Singapore，2016：667-677.

[2]Kim D，Song T，Lee Y，et al.Effective character segmentation for license plate recognition under illumination changing environment[C]// IEEE International Conference on Consumer Electronics.IEEE，2016：532-533.

[3]柴江武，王茜，魯斌.基于深度學習的道路交通態勢在線視頻判別系統[J].科研，2016，（12）：00151-00151.

[4]劉衛東，魏周朝，郭長全.深度學習車型識別在聯網收費系統中應用淺析[J].中國交通信息化，2016，（s1）：79-83.