基于Faster R-CNN的车辆属性识别

李传秀 王哲

【摘要】    不良环境下的图像目标检测技术，是道路交通中目标检测与状态识别系统需要解决的关键性问题。基于Faster R-CNN （region-convliutionalneuralnetworks）的车辆属性识别，用于处理车辆属性的识别问题。可以解决部分外形构造基本相似的车辆之间的错误检测问题。该方法对车辆检测精度有所提高，也可加快车辆检测的效率。

【关键词】    车辆检测    Faster R-CNN    属性识别

引言：

随着人们的生产活动和经济的快速增长，人民生活水平快速提高，与之伴随而来的是大气环境遭到一定程度的破坏，从而导致雾霾天气频繁出现，在光线不好的天气条件下，图像获取会使图像对比度降低，使人类肉眼很难感知物体的基本状态及其特征。从而，雾霾天气条件下的交通环境存在着多方面的安全隐患，大气中粒子对光线的散射和吸收，都会导致自然光线效果不好、事物及车辆能见度下降，导致各类交通问题及事故频繁出现，因而行车过程中人车安全越来越受到社会各界的重视。

作为智能交通的重要组成部分，车辆目标检测，也受到国内外研究者的广泛关注。其中，辅助驾驶系统作为智能交通系统中重要的一部分，需要利用机器视觉技术，通过采集当前车辆前方的交通环境及信息，并对图像中受到的噪声污染进行处理，然后对图像中感兴趣区域进行目标检测和识别工作，在突发情况下，可以及时自动地给出警报[1]。本文主要研究在不良环境下，如何为自动驾驶和无人驾驶车辆识别道路中其他车辆的属性信息。

二、研究现状

由于近年来雾霾天气频繁出现和汽车使用量加大，对雾霾去除的理论和方法越来越多的被研究者关注并提出了很有价值的方法。事实上，造成图像对比度下降、颜色和分辨率等特征衰减的主要原因是光线在照射到物体的传播过程中，遇到悬浮于大气中粒径比较大的气溶胶粒子，并发生交互作用，其中散射是霧天图像降质的主要因素，而吸收和辐射作用所造成的影响则相对较小[2]。目前，国内外许多专家学者在运动目标的识别、检测领域做了很多的研究工作。当前还有些算法，是基于被跟踪目标的形状来完成车载视频中或单帧图像中运动目标的检测，但鲁棒性不强，容易受到噪声影响，车辆之间和背景变化都会对其造成影响。

传统的图像处理方法通常采用提取特征方法，比如提取车辆的角点特征、边缘特征、强度峰值等浅层特征，这些方法在提取过程中容易受光线明暗变化和车辆行驶状态的影响，从而也不能准确区分车辆外观特性。张军等人在“深度卷积神经网络的汽车车型识别方法”一文中提出改进的深度学习网络实现车型的分类，该方法可以完成对车辆大小进行分类。

三、基于Faster R-CNN的车辆检测与属性识别

3.1 Faster R-CNN

R-CNN， SPP net和 Fast R-CNN 算法均采用选择性搜索的方法提取建议区域。 Faster R-CNN 诞生于2015年，是 Two-stage 检测算法的典型代表，具有识别漏检率低、准确率高、实时性强的特点。其选择区域建议网络（RPN）代替selective search进行候选区域生成，从而可以减少图像处理的时间。

车辆属性识别包括车辆类别、颜色和状态等参数识别，在道路交通中，车辆检测的主要目的在于识别道路交通中车辆的状态属性，再将车辆图像的识别结果输入辅助驾驶系统中，进而辨识前方车辆的具体状态。不良天气下车辆状态别识别流程图如图1所示。

3.2车辆检测识别模型

当前成熟的车辆检测方法很多，但传统的检测方法存在这样或那样的问题，如：计算量大或产生冗余候选框。道路交通中基于视频的车辆检测分类存在很多困难有时待检目标不完整或者车辆在光线、远近上产生的变化等。基于此，本文拟采取Faster R-CNN算法实现车辆检测和属性识别。Faster R-CNN[3] 算法主要包括卷积层、RPN 层和坐标回归层等，网络结构如图2所示，在卷积层可以进行车辆的特征提取，卷积核从7*7到3*3逐步减小，从而尽可能保留更多的浅层特征。然后将生成的特征图像和输入图像在RPN层生成候选框，在回归层进一步确定候选框的具体大小和位置。

在车辆识属性别领域有很多种分类方法，除了基本的对车辆具体所属类型进行识别、对车辆的颜色属性进行分类识别之外，还可以识别车辆所处的具体坐标位置和车辆的纹理等外观属性，但是大多属性识别都是割离并独立的，不考虑多个属性间的特征关系而进行的属性识别准确率在一定程度上会有所下降。因此，我们尝试进行多属性分类，从全连接层入手，将其改为多个，每个全连接层对应一个降维层。

3.3 模型训练

本文旨在实现对汽车的多个属性目标检测和分类问题，所以对数据集的种类和数据量有一定的要求，基于Faster R-CNN的车辆属性检测识别方法需要对大量的数据样本进行特征学习和训练，因此对数据集的选取应当具代表性，从而可以够更好地对所提取特征进行学习。本文采用的数据样本从标定了坐标信息和车辆属性包括品牌、车辆类型、车辆姿态等等多种类型如：商务车、面包车、公交车、卡车和小汽车等。

训练采用 tensorflow作为深度学习框架，硬件配置为Intel i5处理器、8 G 内存;软件环境是 Ubuntu14.04 系统，python3.7。分类后训练过程分为RPN、Faster RCNN、RPN2、Faster RCNN+RPN四个步骤。具体如图3所示。

学习过程通过对候选区大小在RPN中的最佳重叠率 （Average Best Overlap，ABO）的评估[4-5]，确定该候选区域和被检测目标是否适合，并根据结果对范围进行选择，算式如下：

四、结束语

基于Faster R-CNN的汽车属性识别方法，采集了道路交通中车载视频获取的交通数据学习，训练过程利用汽车数据集进行训练。在全连接层将车辆的多个属性进行连接，属性类别包括车辆的颜色、车型等，从而有效地提高了识别车辆属性的正确率。图4为数据输入，图5为实验效果图，如下所示。

参  考  文  献

[1]李俊泽.面向辅助驾驶的交通场景图像预处理研究. [湖南大学硕士学位论文].长沙： 湖南大学， 2015

[2]翟艺书·雾天降质图像的清晰化技术研究：[博士学位论文]·大连：大连海事大学，2008

[3] Ren SQ， He KM， Girshick R， et al. Faster R-CNN： Towardsreal-time  object  detection  with  region  proposal  networks.IEEE  Transactions  on  Pattern  Analysis  and  MachineIntelligence， 2017， 39（6）： 1137–1149. [doi： 10.1109/TPAMI.2016.2577031]

[4]赵庆北，元昌安，覃晓 . 改进Faster R-CNN 的小目标检测[J]. 广西师范学院学报（自然科学版），2018，35（2）：68-73.

[5]李晓光，付陈平，李晓莉等.面向多尺度目标检测的改进Faster R-CNN算法[J].计算机辅助设计与图形学学报，2019（7）：1095-1101.