基于卷积神经网络车辆品牌和型号识别

李鎏

摘要 视频监控系统即车辆监管的主要方式，目前已全面的应用于当代交通。以往通过人工判读的工作形式，已无法跟随现代大量交通视频处理的脚步，而通过智能识别系统处理车辆视讯是未来发展的主要方向。

【关键词】卷积神经网络 车辆品牌 型号 识别

目前，深度学习理论被广泛的应用于各个领域，深度学习的核心技术即为卷积神经网络（CNN），其己被应用于图像辨识等方面，且己得到了认可。CNN能够将既有参数直接进行输入，这从根本防止了常规识别模式中加设的数据处理程序。卷积神经网络如同生物神经网络构架，同时弱化网络结构的繁琐性，亦可降低权值数量，并能够对平移以及比例权衡等问题予以自动处理。文章将以基于卷积神经网络车辆品牌和型号识别作为切入点，在此基础上予以深入的探究，相关内容如下所述。

1 车辆品牌和型号识别系统的基本结构

1.1 CNN特性学习构架

卷积神经网络特征学习模型训练程序相主要涵盖递进创建卷积神经网络与训练卷积神经网络。

网络的键入I，卷积神经网络可以对二维影像的基本特性予以学习，所以把既有图像进行灰化处理，在此基础上应用于网络输入。网络卷积层Ci，此层经五×五的滤波装置于可加偏置bi予以整体卷积，进而得到相应的特征数据图。Si即网络的渗透样层，全部渗透样层均由下述方式获取：各邻域4个像素的总和，权值Wi+l予以加权处理，同时综合偏置bi+l，在此基础上通过影响函数核小的双弯曲函数激活。若细致的描述即通过六个五×五滤波装置卷积输入图像，进而获取六个二十一×二十一特性图，经下采样，特性图被限制在五十八×四十六;在此基础上通过十二个相同大小的滤波装置卷积S2层，因此获取十二个五十四×四十二的特性图，经下采样，特性图控制在二十七×二十一;同时把十二张特性图整合成一条列向量，最终获取得特征向量。

卷积神经网络训练涵盖下述基本环节：第一个为正向传播环节：把训练样本传输至卷积神经网络获取实际输出;第二个为反向传播环节：计算实际输出和所需输出间的偏差，在此基础上经反向传输算法传递偏差值，同时更新各层的有效权值。

1.2 分类识别

支持向量机分类装置是具有一定泛化性的学习算法，目前己被应用于图像辨识。为了有效证实CNN提取特性的有效性，研究中择取支持向量机分类装置对特性予以训练及检测。

2 实践研究

此次研究以公路监控中的图像为识别目标，全部既有参数都采集于公路实际監控中的真实图像。为了从根本保障实验的精准度，通过人工截取并注释了小型轿车、客运车与货车影像作为训练及测试对象。此次研究采集了三千张各角度车辆图片，一千四百张图片为小型车辆，九百五十张图片为货车，六百五十张图片为客车。因为图片的大小存在差异，因此为了匹配于CNN的输入标准，在实验过程中将所有车型图调节成相同的尺寸。各车型随机抽取四百五十张图片作为训练样本，剩余图片为测试所用。

在未提取卷积神经网络时，数据集中的彩色图像均全部调节成白图。见图1，基于篇幅有限，此次研究以小车为例体现各层特性，货车与客车仅体现最后一层的基本特性。

比对各训练频次的卷积神经网络学习获取的特性与方向梯度直方图特性的实验效果，准确率依附于下述公式予以计算：

研究卷积神经网络的最为突出的训练频次，依附于网络训练频次分别界定三类网络为卷积神经网络l、卷积神经网络5、卷积神经网络10。以精准度作为基点予以分析，卷积神经网络5获取的特性分类效果较之卷积神经网络1获取的特性分类效果提升一个百分点;卷积神经网络10在卷积神经网络5的基础上仅增加千分之一，不过训练时间前者为后者的2倍，因此精准度与网络训练耗时相结合进行分析，卷积神经网络5相对合适。若以时间消耗作为基点，特性提取时间三类网络无显著的差异，卷积神经网络5网络得到的特性分类器训练时间与识别时间相对较短，通过上述一系列因素分析，以文中的数据集为基础，即选定卷积神经网络5用于特性提取。整体识别率与时间消耗，卷积神经网络5的效果最优。

通过此次研究结果分析，小型车辆很容易和其它两种车型予以区分，货车与客运车容易造成错误分类的成因即为，有棚货车外形接近于客运车辆，同时光照与拍摄区域都会为辨识造成一定的影响。客运车辆与货车提取所获得的特性有一定程度的相似，因此会影响分类的正确性。

3 总结

此次研究将CNN渗透至车型的识别，设计了有针对性的特性提取与识别机制。经在公路监控数据上的比较研究总结出，CNN获取特性和线性分类装置支持向量机的结合，对车型识别具有深远的意义，具有较高的识别精准度。因为货车与客运车辆外形相对接近，同时因为拍摄角度存在差异，所以识别相对困难，基于此，本人将对此问题予以深入的研究，在未来的工作中以期能够尽早解决此问题。

参考文献

[1]王芳荣，周德义，郑咏梅，王鼎，张铁强，生物表面光谱特性识别的神经网络方法[J].吉林大学学报（信息科学版），2014（03）：26-28.

[2]刘斌，刘新芝，廖晓昕.脉冲Hopfield神经网络的鲁棒H一稳定性及其脉冲控制器设计（英文）[J].控制理论与应用.2015 （02）：12 -16.

[3]林青，周俊鹏，王连明，基于NDRAM算法的联想记忆网络在车牌汉字识别中的应用[J].东北师大学报（自然科学版），2015 （04）：57-60.