基于卷积神经网络的车型识别方法研究*

纪 野， 李玉惠， 王 蒙

(1.昆明理工大学 信息工程与自动化学院，云南 昆明 650500; 2.云南省智能交通系统工程技术研究中心 智能图像处理研究室，云南 昆明 650500)

基于卷积神经网络的车型识别方法研究*

纪 野1,2， 李玉惠1,2， 王 蒙1,2

(1.昆明理工大学信息工程与自动化学院，云南昆明650500;2.云南省智能交通系统工程技术研究中心智能图像处理研究室，云南昆明650500)

针对高速公路环境下的车型识别问题，利用深度学习Caffe框架中的AlexNet和传统方法支持向量机(SVM)，分别对车辆图像进行网络训练与测试，得到两种车型识别方法的准确率并进行比较验证。实验结果表明：卷积神经网络的分类方法具有较高的车型识别精度，车型识别准确率高。

深度学习； 车型识别； 卷积神经网络； 支持向量机； AlexNet

0 引 言

视频监控系统作为交通监管的一种重要手段，已被广泛应用于现代交通管理的各个领域。车型识别方法在采集车辆信息、判别违章肇事车辆中成为了智能交通的重要内容。卷积神经网络[1～3]可将原始数据直接作为输入，避免了传统识别算法中额外的数据预处理过程。传统识别方法中，陈曦等人利用支持向量机(support vector machine,SVM)进行心电图(ECG)传感器信号身份识别[4]准确率高，该方法适用于车型识别；纪野等人利用有监督Kohonen网络对车辆三维几何特征识别车型[4]。本文分别采用了基于SVM的网络、深度学习Caffe框架中的AlexNet两种分类方法对车辆图像进行网络训练与测试，得到两种车型识别方法的准确率并进行比较验证实验，验证了卷积神经网络的分类方法识别准确率高。

1 车型识别方法原理与结构

1.1 基于SVM的网络分类[5]

SVM算法原理：对于样本集(xi,yi)，i=1,2,…,n;xi∈Rn;yi∈{-1,1}，构造分类面：WX+b=0，可将两类样本无错误区分，使两类之间距离最大。W，X为n维向量，线性判别函数一般形式为g(x)=Wx+b，用同倍缩放W，b的方法进行归一化，使离分类面最近的样本满足|g(x)|=1，两类所有样本均满足|g(x)|≥1，两类样本分类间隔为2/‖W‖。

1.2 卷积神经网络分类

首先，卷积神经网络针对车型图片数据建立训练模型，特征提取过程在模型训练过程中进行。然后，数据预处理将图片中的主要信息最大化，并对图片进行分类标签，训练出模型，最后，通过测试集进行分类准确率验证。

卷积神经网络算法原理：

1)前向传播：本文讨论的是多类问题，共c类，N个训练样本

(1)

(2)

3)卷积层：在一个卷积层，上一层的特征map被一个可学习的卷积核进行卷积，然后通过一个激活函数，就可以得到输出特征map。每一个输出map可能是组合卷积多个输入maps的值

(3)

式中Mj为选择的输入map的集合。

(4)

1.3 AlexNet结构流程

通过图形可视化工具将Caffe使用的AlexNet结构流程如图1，由于网络结构稍复杂，省略了部分卷积层和池化层的核数量模块。

图1 AlexNet结构流程

2 实验分析

2.1 数据集

实验采用已经建好的高速公路车型图片数据集，所有原始数据均采集于高速公路卡口实际监控过程中的真实照相设备。为了确保实验的可靠性，人工将各个卡口的高清图片进行标注，分别为卡车、客车、微面、小车4类图像。共采集不同尺度、光照、角度的车辆图片共86 775张，其中，小车54 690张，微面15 693张，卡车11 732张，客车4 663张，根据比例选取其中的10 %作为验证集，其余90 %作为训练集。由于每张图片的大小不一，为了满足深度学习中卷积神经网络的输入要求，实验中，4种车型均归一化为高×宽为256×256同一尺度。图2给出了数据集的具体情况，部分车型如图3。

2.2 实验结果分析

数据集中所有彩色图像均为真实采集的原图像，并未

图2 数据集

图3 部分车型

进行任何处理，可以看到抓拍图片的水印，但并未对最终的识别准确率带来较大影响，各类车型识别结果精度均达到90 %以上。以图4样本车型中的一张小车图片为例阐述第一层卷积的特征基。2种分类方法对应4种车型分类准确率的比较结果如表1所示。

图4 小车第一层卷积特征基

3 结束语

针对已有高速公路车型图片数据集，通过两种分类方法的实验结果比较验证，卷积神经网络优于传统分类方法，识别准确率高。

表1 4种车型在两种分类下的准确率 %

[1] 邓 柳，汪子杰.基于深度卷积神经网络的车型识别研究[J].计算机应用研究,2016,33(3):930-932.

[2] LeCun Y,Boser B,Denker J S,et al.Backpropagation applied to handwritten zip code recognition[J].Neural Computation,1989,1(4):541-551.

[3] Krizhevsky A,Hinton G E,Sutskever I.ImageNet classification with deep convolutional neural networks[C]∥Int’l Conf on Neural Information Processing Systems,2012:1097-1105.

[4] 陈 曦，陈冠雄，沈海斌.基于SVM的ECG传感器信号身份识别方法[J].传感器与微系统，2014,33(10):40-42.

[5] 纪 野，李玉惠，李 勃,等.有监督Kohonen网络的车型识别方法[J].传感器与微系统，2016,35(8):12-14.

[6] Simard P Y,Steinkraus Dave,Platt J C.Best practices for convolutional neural networks applied to visual document analysis[C]∥Proceedings of the International Conference on Document Analysis and Recognition,2003:958-962.

Researchonvehicletyperecognitionmethodbasedonconvolutionalneuralnetwork*

JI Ye1,2, LI Yu-hui1,2, WANG Meng1,2

(1.SchoolofInformationEngineeringandAutomation,KunmingUniversityofScienceandTechnology,Kunming650500,China;2.IntelligentImageProcessingResearchDepartment,IntelligentTransportationSystemEngineeringTechnologyResearchCenterofYunnanProvince,Kunming650500,China)

Aiming at vehicle type identification problem in highway environment,use Caffe AlexNet in deep learning framework and the traditional method of support vector machine(SVM),vehicle images are trained and tested, get accuracy of two vehicle models recognition method is carried out comparison and verification.

deep learning; vehicle type identification; convolutional neural network; support vector machine(SVM); AlexNet

10.13873/J.1000—9787(2017)11—0042—02

TP 183

A

1000—9787(2017)11—0042—02

2016—10—14

国家自然科学基金资助项目(61363043,61563025)

纪 野(1990-)，男，硕士研究生，主要研究方向为图像处理。

李玉惠,通讯作者,E—mail：1484946977@qq.com。