基于深度神经网络的车辆特征识别方法

李 浩，王旭辉

(1.河南工程学院 计算机学院,河南 郑州 451191;2.河南工程学院 工程训练中心，河南 郑州 451191)

基于深度神经网络的车辆特征识别方法

李 浩1，王旭辉2

(1.河南工程学院 计算机学院,河南 郑州 451191;2.河南工程学院 工程训练中心，河南 郑州 451191)

提出了一种基于深度神经网络的车辆特征识别方法，通过车辆特征智能检测识别实现交通智能监控和管理.采用三维区域轮廓扫描方法进行车辆图像采集和几何形状判断，对采集的车辆图像进行边缘轮廓检测和信息增强处理，突出车辆的类别属性特征点，在仿射不变区域对车辆角点分布信息进行直方图均衡化处理，实现车辆像素特征点的提取.对提取的像素特征点采用深度神经网络进行分类训练，实现车辆特征的智能识别.选取大量交通视频图像进行实验，仿真结果表明采用该方法进行车辆特征识别的成功率较高，输出车辆特征点正确的像素总数较多，对目标车辆的准确检测定位性能较好.

深度神经网络；车辆；特征识别；分类；像素

随着汽车保有量不断增长，道路的交通压力不断加大，与汽车相关的安全管理问题也日益凸显.为了实现对运行汽车的优化管理和调度，可通过对汽车特征的有效检测和识别为驾驶员和车辆管理调度中心提供可视化的信息参考.通过对汽车特征的智能识别，结合车联网和无线通信技术，进行车辆运行状况监测和道路交通信息监测与评估，提取车辆的速度、GPS位置及三维信息化特征，通过智能分类识别方法进行车辆状态的实时评估和三维可视化分析[1]，在车辆安全管理和道路交通管控等领域具有重要的应用价值.同时，研究车辆特征智能识别方法，在侦查与车辆相关的违法犯罪方面也具有很好的应用前景.

对车辆特征的智能识别方法研究建立在对车辆图像信息采集和特征提取的基础上，通过提取车辆图像的类别属性特征，例如像素信息、边缘轮廓及角点特征等[2-3]，采用分类算法进行特征归类识别.常见的分类算法有BP神经网络分类算法、支持向量机分类方法及模糊C均值分类方法等[4].根据上述原理，相关学者进行了车辆特征智能识别方法研究，如文献[5]提出了一种基于改进 SURF 算法的交通视频车辆检索，采用SIFT(scale-invariant feature transform)角点检测方法进行交通视频中车辆图像角点分布的检测，结合SURF算法实现图像分类识别，具有较高的识别精度，但该方法计算开销较大，对大规模交通视频的车辆特征识别的实时性不好；文献[6]提出了一种基于多特征抑制车辆阴影检测方法的车辆特征识别方法，基于LWT小波分解方法进行车辆监控图像的特征分割和块特征匹配，采用支持向量机方法进行多特征分类识别，提高了对模糊车辆视频监控图像及存在阴影条件下车辆图像的准确识别能力，但该方法存在分辨性能不好和聚类收敛性不高的问题.

针对上述问题，本研究提出了一种基于深度神经网络的车辆特征识别方法.首先，采用三维区域轮廓扫描方法进行车辆图像采集和几何形状判断，对采集的车辆图像进行边缘轮廓检测和信息增强处理，在仿射不变区域对车辆角点分布信息进行直方图均衡化处理，实现车辆像素特征点的提取.然后，对提取的像素特征点采用深度神经网络进行分类训练，实现车辆特征的智能识别.最后，选取大量交通视频图像进行实验，通过仿真得出有效性结论.

1 车辆图像采集与预处理

1.1 车辆图像采集模型的构建

本研究采用三维区域轮廓扫描方法进行车辆图像采集和几何形状分析判断，对交通视频监测图像进行特征点扫描分析，在路网模型下构建车辆图像采集的三维区域轮廓扫描模型，如图1所示.

图1 车辆图像采集的路网模型Fig.1 Road network model of vehicle image acquisition

图1中，在路网和车联网结构体系下，以十字路口的节点为Sink点进行车辆交通视频信息监控和图像采集，选取α和90°α作为视频监控的相位角，根据布尔模型得到车辆图像采样节点与Sink节点的欧氏距离d，车辆图像扫描的帧数为V={C1，C2，…，Ck}，头节点v的簇满足Ci⊆V，1≤i≤k，k≤|V|，不同车辆x和y的间距distance(x，y)≤d.

(1)

三维网格顶点y∈Ci，车辆初始速度为v(0)，在均匀像素采样下，车辆边缘轮廓重构的像素偏移值为

(2)

式中，a(x)为初始像素采样信息.

1.2 车辆边缘轮廓检测和信息增强处理

(3)

式中:η表示单车区域的占空比；φ表示车辆的行驶方位角；R表示交通监控视频的辐射半径；d表示相邻车辆间距.

为了增强图像中运动区域的明暗对比度，采用子空间降噪方法进行图像信息增强处理，在每一个连通区域内图像降噪的传递函数为

(4)

式中：Cj，k是先验像素点分布的模板匹配值；hn是子空间降噪滤波器的脉冲响应.对车辆区域的边缘子块P(i，j)进行特征匹配处理，运用边界图像分割得到车辆区域的中心线Z(i，Zi).记Li为分割曲线的列坐标，Ri为车辆区子块分布的列坐标，得到每一子块中车辆属性的信息熵：

(5)

对提取的信息熵进行二值泛函，得到车辆图像增强后在像素边缘子块Z(i,Zi)左右两侧所占比例，进而得到在动态视频监控下车辆左子块和右子块边缘轮廓特征检测输出结果：

(6)

式中：Ci表示第i行列像素分布坐标；Li表示第i行像素矩阵自左向右的图像网格分布集合；Ri表示第i行的像素特征最大偏移量；Hij表示坐标为(i,j)的子块.以此判断车辆的外观特征，如车辆外观特征具有连续光滑区域则Hij=1，否则Hij=0.通过上述方法，对采集的车辆图像进行边缘轮廓检测和信息增强处理，突出车辆的类别属性特征点，为进行车辆特征识别提供输入参量.

2 车辆特征识别的实现

2.1 车辆特征的提取

在进行了上述车辆图像采集分析和图像增强预处理的基础上，进行车辆特征智能识别算法设计，提出了一种基于深度神经网络的车辆特征识别方法.在仿射不变区域内对车辆角点分布信息进行直方图均衡化处理[8]，实现车辆像素特征点的提取，计算原始图像与编码图像之间的均方误差函数：

(7)

(8)

对车辆的角点信息进行亚像素级分割，结合统计直方图均衡方法[9]，得到角点检测的多模状态方程：

(9)

沿车辆的边缘轮廓分割曲线方向f进行图像信息融合，实现了车辆的特征信息检索，得到了车辆特征点识别的角点匹配结果：

(10)

计算车辆三维像素特征点in+1的Canny算子，在深度神经网络训练下，得到神经网络输出层的图像二阶矩表达式：

(11)

在仿射不变区域中对像素序列进行聚类处理，模糊C均值聚类的目标函数为

(12)

式中:r1表示像素点在初始聚类中心的聚敛密度;r2表示先验点簇;σ1表示边缘像素值;N1为仿射不变矩.由此,得到在车辆角点直方图分布邻域车辆像素特征点提取结果：

(13)

式中:J(w,e)为过车辆区域的边缘子;ai为原始车辆图像等大的低频图像;φ(xi)为噪声敏感系数.

图2 深度神经网络结构模型Fig.2 Deep neural network structure model

2.2 深度神经网络分类器

对上述提取的像素点特征进行分类学习，采用深度神经网络训练方法进行特征分类，神经网络结构模型如图2所示.图2中，深度神经网络结构模型建立在BP神经网络模型的基础上[10]，分为三层结构体系，网络上层为输出节点(设为N个)，输入层是信息处理中心，输入节点处于下方.

在图2构建的深度神经网络分类器中进行车辆特征的智能识别，对提取的像素特征点采用深度神经网络进行分类训练，实现步骤如下：

(1)初始化神经网络输入层的向量模式和每个向量元素，给定输入节点的个数k，遍历图像的平滑区域，令车辆图像的像素值为x(t)，t=0,1,…,n-1，给定像素特征训练序列，置时间计数t=0；

(3)设置一个响应的频率计数器进行神经网络的自适应加权，得到输入车辆像素特征点向量x(t)与隐含层的权向量wj=(w0j,w1j,…,wk-1,j)T的距离为

(14)

(5)根据车辆的特征差异性进行信息分类，在神经网络分类器中调整与输出节点Nj*所连接的权值，Nj∈Ej*(t)，根据车辆的边缘轮廓线Nj*及几何邻域NEj*(t)判断分类权重归属，得到车辆特征分类识别的迭代式：

wij(t+1)=wij(t)+α(t)(xi(t)-wij(t)),

(15)

式中：0≤i≤k-1,0≤α(t)≤1是一种可变的学习速度；

(6)如满足终止条件则结束算法，否则继续输入车辆的像素特征样本数据，t=t+1，转到步骤(2).

图3 车辆特征识别实现流程Fig.3 Vehicle feature recognition process

综上分析，本设计基于深度神经网络的车辆特征智能识别方法的实现流程如图3所示.

3 仿真实验与结果分析

为了测试本方法在实现车辆特征智能识别中的应用性能，进行仿真实验.实验建立在Matlab 7仿真工具基础上，实验选取大量交通视频图像作为实验样本集，车辆的边缘轮廓特征搜索范围[xmin, j,xmax, j]=[-1,1]，车辆轮廓线尺度分割系数为0.23，边缘轮廓检测的单次测量误差a=0.44，图像序列长度为320帧，图像的分块模板为22×20，灰度邻域大小为22×14.根据上述仿真环境和参数设定，选择其中一组车辆外形特征相似的视频图像作为研究对象，得到车辆监控图像，如图4所示.

对图4所示的车辆图像进行信息增强处理，突出像素特征点信息，得到的信息增强结果如图5所示.

从图5可见，采用本方法进行图像增强，实现了车辆图像亮度的均衡化处理，提高了特征信息表达能力.在此基础上，采用本方法进行车辆边缘轮廓的检测和特征提取，得到的结果如图6所示.

图4 车辆交通视频监控图像 图5 车辆信息增强处理Fig.4 Vehicle traffic video surveillance image Fig.5 Vehicle information enhancement

图6 车辆边缘轮廓检测与特征识别Fig.6 Vehicle edge detection and feature recognition

图7 车辆特征识别的准确性对比Fig.7 Accuracy comparison of vehicle feature recognition

分析图6得知，采用本方法进行车辆边缘轮廓的检测，能准确提取各个车辆的边缘轮廓和外观几何特征，以此为特征量输入深度神经网络分类器，可实现车辆特征的分类识别.与传统的支持向量机分类方法进行对比，得到车辆特征识别的准确率对比结果如图7所示.

由图7得知，采用本方法进行车辆特征识别的准确性高于传统方法，收敛性较好.

4 结语

本研究提出了一种基于深度神经网络的车辆特征识别方法.对交通视频监测图像进行特征点扫描分析，在路网模型下构建车辆图像采集模型，采用图像处理方法进行车辆图像的信息增强及边缘轮廓检测处理，提取车辆特征参数，构建深度神经网络分类器进行特征分类，实现了车辆特征的分类识别.采用本方法进行车辆特征识别的准确性较好，对特征提取的智能性较高，提高了对车辆的监控和辨识能力.

[1] 张洁玉.基于图像分块的局部阈值二值化方法[J].计算机应用,2017,37(3):827-831.

[2] ZHANG M,CHEN W,CHEN L W,et al.Photorefractive long period waveguide grating filter in lithium niobate strip waveguide[J].Optical and Quantum Electronics,2014(46):1529-1538.

[3] ZHENG L,HE X,SAMALI B,et al.An algorithm for accuracy enhancement of license plate recognition[J].Journal of Computer and System Sciences,2013,79(2):245-255.

[4] 张龙,乔铁柱.一种红外图像的二值化分割算法研究[J].红外技术,2014,36(8):649-651.

[5] 张子龙,薛静,乔鸿海,等.基于改进 SURF 算法的交通视频车辆检索方法研究[J].西北工业大学学报,2014,32(2): 297-301.

[6] 于明,陈曦,周刚,等.交通视频中利用多特征抑制车辆阴影[J].控制工程,2013,20(3): 408-410.

[7] 邱保志,陈旭.车祸中车辆严重碰撞区域边界图像分割技术[J].计算机仿真,2013,30(1): 215-218.

[8] 郭佳,刘晓玉,吴冰,等.一种光照不均匀图像的二值化方法[J].计算机应用与软件,2014,31(3):183-186.

[9] 文政颖,王佳欣.基于小波分析的夜间色光背景图像白平衡优化算法[J].河南工程学院学报(自然科学版),2016,28(2):70-75.

[10]周毅敏,李光耀.多重光照色差下图像平滑美化处理算法[J].计算机科学,2016,43(10):287-291.

Vehiclefeaturerecognitionbasedondeepneuralnetwork

LIHao1,WANGXuhui2

(1.CollegeofComputer,HenanUniversityofEngineering,Zhengzhou451191,China；2.EngineeringTrainingCenter,HenanUniversityofEngineering,Zhengzhou451191,China)

An identification method of vehicle features depth based on neural network is proposed, it can realize the vehicle intelligent identification for intelligent traffic monitoring and management. By using 3D contour scanning method for vehicle image collection and geometry of judgment, and the vehicle image edge detection and contour information enhancement, the categorical feature points highlight the vehicles. In the affine invariant region of the vehicle corner distribution information histogram is equalized, and the pixel feature extraction is realized. The vehicle classification training of pixel feature extraction using deep neural network, intelligent recognition of vehicle features is realized. Through a large number of traffic video images, the simulation results show that using the method the success rate of vehicle feature recognition is high, and the total number of pixels of the vehicle is more accurate, which shows that the detection and localization of the target vehicle is high.

deep neural network; vehicle; feature recognition; classification; pixel

TP391

A

1674-330X(2017)04-0044-05

2017-08-13

李浩(1974- )，男，河南洛阳人，副教授，研究方向为计算机网络与算法.