基于深度學(xué)習(xí)網(wǎng)絡(luò)的露天停車場(chǎng)汽車檢測(cè)

王中策 吳瑞 王慶慶 孫欽濤

摘 要：為滿足停車場(chǎng)容納更多車輛需求，緩解城市交通擁堵，本文通過采集并處理停車場(chǎng)圖像，訓(xùn)練停車場(chǎng)實(shí)際環(huán)境的正負(fù)樣本，建立基于深度學(xué)習(xí)網(wǎng)絡(luò)的露天停車場(chǎng)車輛檢測(cè)系統(tǒng)，并利用Matlab軟件對(duì)設(shè)計(jì)方案仿真。

關(guān)鍵詞：汽車檢測(cè)；深度學(xué)習(xí)網(wǎng)絡(luò)；車輛識(shí)別DCNN

隨著城市車輛的急劇增加，傳統(tǒng)停車場(chǎng)泊車效率低的問題日益突出。若將深度學(xué)習(xí)網(wǎng)絡(luò)用于停車場(chǎng)車輛檢測(cè)，可有效配置停車場(chǎng)資源，提高停車場(chǎng)工作效率，緩解城市交通壓力。

1 汽車檢測(cè)方法的設(shè)計(jì)思路

本檢測(cè)方法基于深度學(xué)習(xí)網(wǎng)絡(luò)，由高速攝像機(jī)采集圖像，通過灰度化處理和圖像去噪方法提高圖像品質(zhì)，設(shè)計(jì)DCNN分類器并對(duì)圖像進(jìn)行特征提取，采集正負(fù)樣本并建立訓(xùn)練樣本庫(kù)，建立Fast-RCNN網(wǎng)絡(luò)模型進(jìn)行車輛檢測(cè)，最終輸出停車場(chǎng)車輛信息。

2 圖像的采集和預(yù)處理

鏡頭的選用應(yīng)考慮工作距離、目標(biāo)高度和目標(biāo)寬度。本文選用Basler Lens C125-0618-5M F1.8 f6mm攝像機(jī)鏡頭作為停車場(chǎng)環(huán)境捕捉工具。攝像機(jī)參數(shù)的標(biāo)定是非常關(guān)鍵的環(huán)節(jié)，標(biāo)定結(jié)果的精度及算法的穩(wěn)定性直接影響攝像機(jī)結(jié)果的準(zhǔn)確.本文采用張定友標(biāo)定原理進(jìn)行標(biāo)定試驗(yàn)

灰度化處理可提高圖像的質(zhì)量和辨識(shí)度，利于圖像進(jìn)一步分析處理。本文采用直方圖均衡化處理圖像，步驟如下：

（1）求出給定的待處理直方圖Pr（r）；

（2）利用累計(jì)分布函數(shù)對(duì)原圖像的統(tǒng)計(jì)直方圖做變換，得到新的灰度圖像；

（3）進(jìn)行近似處理，將新灰度代替舊灰度，同時(shí)將灰度值相等或近似的每個(gè)灰度直方圖合并。

灰度處理后的圖像有一定噪聲，本文采用空域?yàn)V波方法，利用Matlab內(nèi)的Imfilter函數(shù)進(jìn)行圖像去噪，增強(qiáng)圖像品質(zhì)。

3 卷積神經(jīng)網(wǎng)絡(luò)特征提取

露天停車場(chǎng)的車型眾多，汽車?？坎唤y(tǒng)一，高檢測(cè)率和低誤報(bào)率是車輛特征提取的關(guān)鍵。選用深度卷積神經(jīng)網(wǎng)絡(luò)（DCNN）作為特征提取工具，以圖像灰度像素作為基本輸入，能顯著提高車輛識(shí)別率。

本次設(shè)計(jì)的DCNN采用隨機(jī)梯度下降法進(jìn)行訓(xùn)練，待訓(xùn)練權(quán)重參數(shù)的初始值選用[-0.05，0.05]之間滿足隨機(jī)分布的隨機(jī)數(shù)，所有基向量的初始值為0。目標(biāo)函數(shù)選用交叉熵?fù)p失函數(shù)：

其中（xi，yi）為樣本圖像與對(duì)應(yīng)標(biāo)簽。訓(xùn)練的目標(biāo)是使該函數(shù)輸出最小，最大迭代次數(shù)上限設(shè)置為1×次。

4 實(shí)驗(yàn)的仿真模擬

本文利用Matlab內(nèi)的Training-ImageLabeler程序建立訓(xùn)練樣本庫(kù)，步驟如下：

（1）讀取該組截圖的原始圖像；

（2）將讀入的非灰度圖像轉(zhuǎn)化為灰度圖像；

（3）得到該組截圖的所有ROI參數(shù)；

（4）得到所有ROI參數(shù)對(duì)應(yīng)的子圖，儲(chǔ)存于元胞中；

（5）將得到的子圖通過Imwrite函數(shù)保存。

為了歸納統(tǒng)一樣本的統(tǒng)計(jì)分布性，加快網(wǎng)絡(luò)學(xué)習(xí)速度，利用Matlab軟件的Premnmx函數(shù)進(jìn)行歸一化處理，具體包括坐標(biāo)中心化、X-shearing歸一化、縮放歸一化和旋轉(zhuǎn)歸一化4個(gè)步驟。

由于傳統(tǒng)R-CNN網(wǎng)絡(luò)模型有測(cè)試速度慢、訓(xùn)練所需空間大等問題，為提高檢測(cè)精度和準(zhǔn)確度，本文采用Fast-RCNN網(wǎng)絡(luò)模型訓(xùn)練樣本。

我們收集了1314組訓(xùn)練樣本，其中正樣本為920組，負(fù)樣本394組。樣本訓(xùn)練時(shí)隨機(jī)選取20%的樣本作為測(cè)試數(shù)據(jù)，80%的樣本作為訓(xùn)練數(shù)據(jù)，測(cè)試結(jié)果如圖所示。

5 結(jié)論

由圖的訓(xùn)練與測(cè)試結(jié)果可知，樣本訓(xùn)練分類準(zhǔn)確率為924%，測(cè)試結(jié)果的準(zhǔn)確率為91.7%，同時(shí)訓(xùn)練和測(cè)試過程ROC曲線表現(xiàn)出良好的收斂性，滿足停車場(chǎng)檢測(cè)對(duì)于準(zhǔn)確性的要求。

參考文獻(xiàn)：

[1]郭穩(wěn)濤.基于RFID的智能停車場(chǎng)管理系統(tǒng)的研究與設(shè)計(jì)[D].湖南大學(xué)，2010.

[2]楊丹，趙海濱.MATLAB圖像處理實(shí)例詳解.北京：清華大學(xué)出版社，2015.

[3]尹寶才，王文通，王立春.深度學(xué)習(xí)研究綜述[J].北京工業(yè)大學(xué)學(xué)報(bào)，2015，（01）：48-59.

[4]王蕾.基于視頻圖像處理的車輛識(shí)別技術(shù)研究[D].中國(guó)海洋大學(xué)，2009.