基于卷積神經網絡車輛行駛的識別預警系統

呂東芳，宋雷震

(淮南聯合大學 a.信息工程學院；b.智能制造學院，淮南 232038)

工業革命的發展使得社會生產力得到了顯著的提升，社會經濟也隨之而持續發展，人們的出行方式也產生了顯著的改變。汽車已經成為21世紀使用最為廣泛的交通工具，然而與此同時也出現了大量的交通事故，因此對車輛行駛的識別預警系統進行優化迫在眉睫。車輛預警系統可以協助車主避免高速、低速追尾等事故的發生，有效地避免車輛偏離車道、與人碰撞等事故，還可以幫助觀察道路險情，不斷檢測分析前方道路的情況，識別和判斷各種潛在危險狀態。并且最重要的一點就是可以通過不同的聲音和視覺來提醒駕駛員有效避免事故的發生。

卷積神經網絡作為一種深度學習的模型，能夠對樣本的深層特征進行有效提取，在處理類似網絡結構的數據時，具有極強的準確性與可行性，因此卷積神經網絡被廣泛應用于多項領域之中。本文將針對卷積神經網絡的模型架構，以及其在車輛行駛識別預警中的應用進行深入的探析，旨在為車輛行駛的識別預警系統的優化提供一定的參考價值。

1 卷積神經網絡在車輛行駛識別中的作用機制

1.1 卷積神經網絡模型架構

卷積神經網絡是應用最為廣泛的一種人工神經網絡，具有深度前向反饋機制，能夠對所有待檢圖像的像素進行準確高效的響應[1]。卷積神經網絡還具有多層次的相關特點，其中每一層的元素均由若干個二維平面所構成，該種二維平面可被定義為相應的二維特征圖。卷積神經網絡的基礎模型結構如圖1所示。

圖1 卷積神經網絡模型結構

通過圖1可知，在卷積神經網絡中，每一個單獨的二維平面上均存在著若干個不同的神經元，各個神經元節點均對應著二維特征圖中的所有特征點。卷積神經網絡模型結構中包含了輸入層、卷積層、降采樣層、分類器輸入層、隱層以及輸出層[2]。在上述模型的基本結構中，重點是特征提取器與分類器，其中特征提取器指的是由多個卷積層與降采樣層組成的結構。圖1中第1層為輸入層，是一個二維圖像，通過多個卷積核與輸入層進行卷積運算，以獲取到若干特征圖，由獲取到的特征圖進一步構成卷積層。卷積運算是指卷積核持續不斷地在目標圖像之上進行上下左右多方位的移動。由于圖像特征具有一定的豐富性與多樣性，且每個卷積核僅僅可以提取到圖像中的單一特征，因此需要大量的卷積核參與到卷積運算的過程中，才能夠全面完整地提取到目標圖像的各種特征。在此之后，該模型會對特征圖進行降采樣的操作，達到使特征圖尺寸縮小至適宜范圍的目標，以優化計算過程，降低計算的難度，該步驟完成之后即可成功構成降采樣層。通過數次卷積與降采樣處理后，特征圖的尺寸達到適宜狀態，且數量有所增加，對圖像特征的識別能力得到進一步提升。最后分類器將會對所得特征圖進行鋪展處理，進而形成一個目標特征向量，為分類識別做準備，最終輸出檢測識別的相關結果[3]。在傳統的卷積神經網絡中，所有網絡都包含了數量巨大的節點，而相鄰的網絡層之間的所有節點，必須滿足全部相連的狀態，全連接示意如圖2所示。

由圖2可知，所有的網絡層在運行過程中，均會通過節點運算而產生大量的參數，使得網絡訓練的難度有所提升。為了減小整個網絡層的計算量，完成網絡訓練，需要采取一定的措施來減少參數的數量，以期提高運算的速度與精度，通常可使用局部感知與權值共享2種方法。在將圖像像素的連接方式轉換為局部連接后，像素之間的連接有所減弱，需要在圖像的局部感知區域進行多次重疊采樣處理，以加強像素之間的聯系[4]。重疊采樣中移動的像素個數小于卷積核的邊長個數，運算示意及輸出結果如圖3所示。

圖2 卷積神經網絡全連接示意

圖3中展現了卷積運算的具體形式，其中移動的像素個數被稱之為步長。從圖3(a)中可看到特征圖像的尺寸為5×5像素；黃色部分為卷積核，尺寸為3×3像素。以卷積核部分的數值與紅色數值做點積運算，且根據由左至右、由上至下的方向進行移動，即可得到卷積輸出結果(圖3(b))，即一個大小為3×3的矩陣特征圖。在實際的卷積運算中，還需要對獲取到的卷積結果設置一個偏置系數，使得最終輸出層的尺寸為[(r-a)/k+1]×[(r-a)/k+1]，其中r為輸入層的尺寸邊長，a為卷積核的邊長，k為步長。

圖3 卷積運算操作示意

1.2 基于卷積神經網絡算法的車輛識別預警系統構建

車輛的識別預警系統既需要考慮兩車間的安全距離，又需考慮碰撞時間，二者兼顧才可制定出合理的防撞預警策略，進而保障人們的行車安全。結合1.1卷積神經網絡的相關內容與特性，構建出車輛識別預警系統，如圖4所示。

圖4 基于卷積神經網絡的車輛識別預警系統

基于卷積神經網絡車輛行駛的識別預警系統主要分為2個部分：①視頻處理，獲取車輛圖像；②車輛識別，獲取到相關的車輛識別結果。視頻處理通過相關的運動目標檢測算法，在圖像形態學的基礎上獲取到車輛圖像[5]。車輛識別包含4個主要部分，分別為車輛圖片歸一化、卷積神經網絡模型、車輛特征提取以及車輛圖片分類。在具體的識別過程中，將卷積神經網絡算法應用至視頻處理的輸出中，對車輛圖像進行歸一化處理，以滿足卷積神經網絡的輸入條件。在識別到基礎的車輛圖像特征信息之后，依據該目標在圖像中的位置，綜合利用攝像機參數與幾何關系，獲取兩車之間的實際距離；根據車輛行進信息，包括行駛速度與加速度，來計算兩車的碰撞時間；其投影模型是一種理想狀態的幾何模型，車距估算示意見圖5[6]。

圖5中的斜線區域為水平地面車輛行駛區域，A與B分別表示自車與前車，攝像頭P安裝于A車前輪后側上方后視鏡位置，B車采集點在后車輪與地面切點，近似于B車后輪中心，方便通過幾何投影計算兩車距離。兩車之間的實際距離以Z來表示；P點為A車攝像頭的位置所在，由于其相對體積較小，因此可視作一個質點；f為焦距；H為質點P與水平地面間的距離；y表示A車和水平線的接觸點與垂線上端交點的距離。由此可得y/f=H/Z，則兩車之間實際距離Z的計算公式如下：

圖5 基于圖像幾何原理的車距估算

Z=f×H/y

(1)

在A車攝像頭參數的設定完成后，式(1)可改寫為式(2)：

Z=f×H/y=F×H/Y

(2)

式中：F為A車攝像頭的等效垂直焦距；Y為B車底部到圖像中線位置的像素數。

隨后需要對碰撞時間進行計算，令不同時刻中車輛在圖像中大小的變換關系為h，則

h=Z0/Zt

(3)

式中：Z0，Zt分別為初始時刻和t時刻由圖像中檢測到的車寬。

在Δt時間內，兩車均做勻速運動，且保持著一定的相對速度，則

(4)

式中：v為速度差。

將A車在制動時產生加速度的情況納入考慮，則在Δt時間內車距為

Z(Δt)=0.5×a×Δt2+v×Δt+Z0

(5)

式中：a為制動參數。

令碰撞時間為G，由式(1)—(5)，以及幾何關系，可得碰撞時間：

(6)

完成兩車距離與碰撞時間的估算后，可正式制定避撞預警策略。由于在車輛行駛過程中，路況形式具有多樣性，車輛數量也處于不可控的狀態，因此視頻錄像中會出現多輛車，實際進行兩車距離與碰撞時間的計算時會出現多個車輛及相關參數，增加計算量[7]。在一定程度上對預警的準確性造成消極影響，因此需要對前向碰撞的可能性進行分析，如圖6所示。

圖6 前向碰撞可能性分析

從圖6中可以看到，視頻錄像中可能出現A1至A5多輛車，應該具有針對性地選取最易產生碰撞的車輛進行分析。由于A3與A4位于同一行車道，僅需要分析A4與A3之間的距離和碰撞時間，就可以確保行車安全。設兩車之間的安全車距為D，當Z>D時，車輛行駛處于安全狀態；當Z

2 實驗與分析

通過對卷積神經網絡進行深入分析，構建出基于卷積神經網絡的車輛識別預警系統，進行多次實驗分析。在實際的分析過程中，實驗車輛囊括了多種顏色、尺寸、品牌的車型，綜合考慮了諸多外界條件因素，如光照強度與天氣環境等，以此來確保實驗的可信度與準確性[9]。除圖3中的運算形式結構外，此次研究中還設置了兩組不同配置的網絡，作為對照組，其參數設置如表1所示。

表1 對照組參數設置

根據表1可知，α組的結構是在圖3中結構上進行增添，使每層的特征圖數有所增加；β組的結構相對于圖3結構而言，改動較少，僅減少最后一層。最終α、β和圖3對單樣本車輛進行計算的平均時間分別為0.0167，0.0323以及0.0135 s；準確率分別為97.89%，94.06%以及98.64%。通過對比可知，本次研究中圖3結構趨于完美，其對樣本車輛進行識別的正確率最高，且耗時較短。而α組與β組只能在正確率與耗時上占據1項優勢，無法做到兼并。3種結構網絡的測試ROC曲線如圖7所示。

圖7直觀地展示了3種不同結構網絡的識別率，圖3結構為最優結構，其正確率高且耗費時間短。檢測錯誤的樣本車輛大都屬于壞樣本，壞樣本覆蓋的類型主要為三種，分別為含有過多背景的車輛樣本、僅含有局部信息的車輛樣本，以及遠距離時的模糊車輛樣本。另一方面，此次研究還針對不同路況條件進行了大量實驗，識別檢測結果見圖8。

如圖8所示，在圖8(a)—圖8(j)10種不同的路況條件下，基于卷積神經網絡的車輛行駛識別算法均可以對前方車輛進行有效地檢測識別，進而計算自車與前車之間的實時車距與碰撞時間，準確地實現相關的預警操作。然而在圖8(k)和圖8(l)中，由于雨天與夜晚的自然條件相對惡劣，導致自車前擋風玻璃變得模糊，前車底部到圖像中線位置的像素數無法進行測量，進而導致該算法出現失敗。大部分情況下，基于卷積神經網絡的車輛行駛識別算法仍然可以滿足基本的識別預警需求。為進一步檢測此次研究中識別預警技術的性能，將傳統的遺傳算法與基于卷積神經網絡的算法進行對比，分析在實際識別預警過程中所耗費的時間，結果如圖9所示。

圖8 不同場景與路況下的車輛檢測結果

圖9中顯示了2種算法的識別耗時對比，橫軸表示車輛圖像序列，為了確保識別的精度，每10幀為1個單位；縱軸表示該算法處理10幀的車輛圖像所耗費的時間。由圖9可知，2種識別預警方法在耗時上具有顯著的差別，傳統的識別預警方法耗時較長，而基于卷積神經網絡車輛行駛的識別預警方法更為快捷高效，其耗時遠遠低于前者，且浮動較小，更加趨于穩定，能夠滿足車輛圖像信息處理的要求。

3 結束語

將卷積神經網絡作為研究的重點對象，深入分析了卷積神經網絡的原理，并將其靈活地運用到車輛行駛的識別預警系統中，并進行多次對照實驗。研究結果顯示，基于卷積神經網絡的車輛行駛識別預警系統具有較強的準確性，且進行識別與預警等操作的耗時較短，可以大量地投入到實際交通系統中，實現對駕駛員和車輛的實時安全預警，并實時將行車過程中采集的各類報警信息，如：前碰撞報警、車道偏離報警、行人碰撞報警、安全車距預警、急加速/減速報警、急轉彎報警、疲勞駕駛報警等信息和視頻圖像上傳至云端，達到遠程監管和統計分析駕駛行為的目的，有效改善駕駛員不規范駕駛行為，提升管理水平，防范事故于未然。