基于卷積神經網絡的車輛識別技術研究

歐華杰

（北京市海淀區職工大學，北京 100083）

引言

交通管理現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]。為適應我國現代化智能交通建設的需要，針對交通道路車輛實時運行情況監控，因此提出基于卷積神經網絡的車輛識別技術研究[2]?；诰矸e神經網絡的車輛識別技術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、自動生成和導出車輛統計信息，方便操作人員對道路安全進行監控[3]。研究過程中，考慮到車輛行駛過程中對周圍環境信息實時性檢測需求，根據所檢測到不同類型障礙物采取處理，快速完成不同環境下車輛識別。

1 基于卷積神經網絡的車輛識別技術

1.1 基于卷積神經網絡的車輛識別模型

依據卷積神經網絡特點，車輛識別模型設計不同網絡層，通過設置模型層數與超參數影響整體模型訓練過程和最終性能。模型以滿足實際應用性為基礎，使用五個卷積層模塊結構，后面緊跟若干個全連接層[4]。在各卷積層中加入不同模塊，加深卷積層內部網絡深度效果，整體全連接層提取能夠更多全局信息[5]。基于卷積神經網絡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，實現網絡中間部分特征圖不變條件下，實現整體網絡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，卷積核個數為32。控制第一層卷積層參數量，使用ReLU激活函數，經第一層處理后，得到車輛識別最大采樣操作大小為112*112*32的特征圖[6]。

經第一卷積層處理后，進入第二卷積層處理，其結構圖，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，卷積核個數為64，將特征圖尺寸降為56*56，使用ReLU激活函數，最終得到處理后特征車輛圖像尺寸為56*56*64的細節特征圖像[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，但卷積層個數升為512。

經各卷積層處理后，形成不同等級特征提取，構成基于卷積神經網絡的車輛識別模型。

1.2 車輛特征分類

模型提取車輛數據信息后，用卷積核輸入原始圖像，得到卷積圖結果加偏位置第一層特征圖。隨后得到池化過程，將池化窗口內像素相加，通過激活函數與權值加權與加偏，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張特征圖。該層計算參數量為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；

S—卷積核步長。

圖1 基于卷積神經網絡的車輛識別模型示意圖

圖2 模型網絡C1層結構示意圖

圖3 模型網絡C2層結構示意圖

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

考慮到分類過程中，不同天氣和環境變化對車輛分類有很大的影響，采集不同光照、天氣與環境條件下車輛圖像作為訓練數據來訓練分類網絡，滿足卷積神經網絡識別模型訓練需求[12]。為避免過度擬合現象。在模型中輸入大量樣本數據后，使用數據增強方式擴大數據庫。自制樣本輸入數據后，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境下不同車輛圖像[13]。

由于不同數據集標簽信息不一致，因此對提取車輛特征標簽實現統一化處理，將樣本統一轉化為PASCAL VOC的數據集的格式，如表1所示。

表1 數據樣本格式

其中，數據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]。修改后網絡結構，如表2所示。

表2 AlexNrt結構

根據車輛AlexNrt結構不同，完成車輛提取特征圖信息分類。

1.3 車輛特征識別

利用修改后網絡結構進行batch_size進行訓練，采用SoftMax損失函數，依據圖像的局部信息相關性，盡可能的保留圖像的特征。車輛特征提取過程，如圖4所示。

特征圖像經前三層卷積層處理后，提取到包含輪廓和紋理在內的低層次圖像特征。后面兩層卷積層根據車輛不同區域具有不同的統計特征的不共享參數，充分提取不同車輛位置的特征信息，得到數據庫中相關信息與不同位置間的相關性，得到最終分類結果。

局部卷積核對車輛識別進行有效特征分類，使網絡在訓練時需要訓練參數量大大增加，提高網絡訓練時計算量。通過觀察通用圖像識別網絡定義車輛不同關鍵區域，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，提取數據庫中對應區域訓練得到不共享卷積參數，使相互獨立的網絡只在他們所對應的區域上進行訓練。最終將大卷積核改為多個小卷積核后AlexNet。得到車輛關鍵區域特征識別網絡，如表3所示。

根據車輛關鍵區域特征識別，完成車輛特征識別，同時提取數據庫中車輛信息，完成卷積神經網絡的車輛識別。

2 仿真實驗

2.1 實驗準備

設計仿真實驗對比基于卷積神經網絡的車輛識別技術、基于視頻圖像處理的車輛識別技術的在相同實驗環境下識別結果準確率。實驗硬件測試環境采用常見交通管理系統硬件，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，車輛拍攝環境不同，存在白天、黑夜、陰天等多種拍攝環境。測試兩種技術對不同環境下車輛識別結果，取多個測試集結果平均值，對比兩組車輛測試結果準確性。

2.2 實驗結果對比

圖5 車輛特征提取示意圖

表3 車輛關鍵區域特征識別網絡

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

分析表5數據，得到基于視頻圖像處理的車輛識別技術準確率，如圖6所示。

表4 實驗硬件運行環境

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在不同場景車輛識別結果存在一定差異，且對不同類型車輛識別也存在一定差異。該技術識別結果在晴天環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量增加而降低，且受到無法很好抵抗外界環境干擾，無法滿足不同環境下不同類型車輛識別需求。

而基于卷積神經網絡的車輛識別技術識別結果，如表6所示。

分析表6數據，得到基于卷積神經網絡的車輛識別技術識別準確率。如圖7所示。

表6 基于卷積神經特定路況車輛識別情況

圖7 基于卷積神經網絡的車輛識別技術識別準確率

分析圖7可以看出，基于卷積神經網絡的車輛識別技術受不同場景環境影響較小，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境干擾。在較為惡劣環境下，識別結果較為穩定。隨著測試車輛數量增加，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境下不同類型車輛識別需求，從而證明研究有效性。

3 結束語

在大數據技術廣泛應用下，智慧交通系統作為精準識別車輛信息的一種重要手段，在基于卷積神經網絡的車輛識別技術研究過程中，以卷積神經網絡為基礎，針對不同環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，滿足實際應用需求。