基于計(jì)算機(jī)視覺的車輛識(shí)別技術(shù)

李嫩，王志雷，周琳，付鵬

?

基于計(jì)算機(jī)視覺的車輛識(shí)別技術(shù)

李嫩，王志雷，周琳，付鵬

（長安大學(xué)，陜西 西安 710064）

車輛識(shí)別是智能交通系統(tǒng)的重要組成部分。文章在探索計(jì)算機(jī)視覺基礎(chǔ)上，探討了車輛識(shí)別領(lǐng)域目前仍需解決問題和未來研究方向，分析和總結(jié)了基于特征分析和人腦模型的車輛識(shí)別前沿技術(shù)。

車輛識(shí)別；計(jì)算機(jī)視覺；特征分析；智能交通系統(tǒng)

前言

計(jì)算機(jī)視覺應(yīng)用于智能交通系統(tǒng)中是近幾年來的熱點(diǎn)技術(shù)之一，車輛識(shí)別技術(shù)屬于計(jì)算機(jī)視覺技術(shù)，廣泛應(yīng)用于停車場(chǎng)管理、違章車輛、電子收費(fèi)等多項(xiàng)ITS 應(yīng)用領(lǐng)域。

隨著交通監(jiān)控信息系統(tǒng)的不斷優(yōu)化，車輛識(shí)別技術(shù)也發(fā)展迅速，但仍然受到以下幾個(gè)方面限制：光照、噪聲、特殊天氣、攝像頭參數(shù)、攝像頭安裝方位、相似車型、復(fù)雜交通場(chǎng)景等。這些因素會(huì)導(dǎo)致車輛在圖像中的尺寸及姿態(tài)變化較大，也增大了識(shí)別的難度。

1 基于特征分析的車輛識(shí)別

基于特征分析的車輛識(shí)別一般包括獲取數(shù)據(jù)、初步處理、提取特征、生成圖像、分類器設(shè)計(jì)等環(huán)節(jié)。核心問題是提取什么樣的特征對(duì)車輛進(jìn)行表達(dá)及應(yīng)用何種學(xué)習(xí)模型設(shè)計(jì)分類工具。根據(jù)特征表達(dá)方法的不同，基于特征分析的車輛識(shí)別技術(shù)主要可以分為整體特征分析、細(xì)節(jié)特征分析以及三維輪廓特征分析。

1.1 整體特征分析

整體特征分析是通過提取車輛特征信息對(duì)圖像的整體信息進(jìn)行描述，得到表示圖像的特征向量，結(jié)合淺層學(xué)習(xí)的方法，進(jìn)行車輛類別判斷和預(yù)測(cè)。通常適合用于對(duì)差別較大的車色識(shí)別和種類識(shí)別等任務(wù)。

整體特征一般有顏色、紋理、形狀特征等，其中顏色是識(shí)別的主要線索之一。顏色直方圖被廣泛應(yīng)用，其特點(diǎn)是將圖像中各種顏色概率作為特征，這種概率對(duì)圖像的旋轉(zhuǎn)、平移和尺寸變化并不敏感。顏色直方圖的優(yōu)勢(shì)：在色調(diào)、飽和度、亮度組成的HSB顏色空間[1]，使用H、S 兩個(gè)分量構(gòu)成二維特征向量，解決了顏色特征的表達(dá)問題。若考慮到在不同顏色通道中的特征信息對(duì)識(shí)別的重要程度不同，在色調(diào)、飽合度、強(qiáng)度組成的HSI顏色空間中，就需要為各顏色通道設(shè)置統(tǒng)計(jì)區(qū)間。

為了減少非車色區(qū)域的干擾，可以對(duì)不同區(qū)域提取顏色直方圖，構(gòu)造特征向量獲得較好的車色識(shí)別性能，直接提取車輛顏色特征進(jìn)行識(shí)別。這種方法還能較好地適應(yīng)光照變化。

1.2 細(xì)節(jié)特征分析

采用整體特征分析的方法在識(shí)別同類型差別較小的車輛時(shí)細(xì)節(jié)信息的獲取不夠充分，導(dǎo)致識(shí)別的準(zhǔn)確性和穩(wěn)定性較差。因此需要采用細(xì)節(jié)特征分析方法進(jìn)行車輛識(shí)別。Li等[2]提出的類似目標(biāo)銀行(Object Bank)方法，借助Deformable Parts Model思想，從訓(xùn)練的數(shù)據(jù)中挖掘出具有判別性的遮擋模式，較好地降低了遮擋問題對(duì)車輛識(shí)別的影響。

細(xì)節(jié)特征分析的首先提取細(xì)節(jié)特征進(jìn)行描述，然后使用特征變換算法對(duì)部分特征進(jìn)行編碼，整合特征獲得更準(zhǔn)確的特征表達(dá)，進(jìn)而得到一個(gè)符合的特征向量，最后選擇適當(dāng)?shù)膶W(xué)習(xí)結(jié)構(gòu)設(shè)計(jì)出分類器。其中如何有效地對(duì)細(xì)節(jié)特征進(jìn)行緊湊表達(dá)是提升識(shí)別精確度的關(guān)鍵。

1.3 三維輪廓特征分析

目前，受采集設(shè)備的限制，采用二維圖像進(jìn)行識(shí)別會(huì)遇到很多問題，如幾何形狀、空間位置等變化，從而難以達(dá)到識(shí)別效果。為了提高識(shí)別度，人們對(duì)二維圖像中的車輛進(jìn)行三維建模獲得三維數(shù)據(jù)，然后通過訓(xùn)練固定的三維模型進(jìn)行車輛識(shí)別。Buch等[3]為識(shí)別車輛的地理位置和車輛類別，使用三維模型提取運(yùn)動(dòng)輪廓，與投影的模型輪廓進(jìn)行比較，排除了車輛陰影的影響。

在某種程度上，三維建模的方法可以解決視點(diǎn)問題，但是三維車輛固定模型一般難以區(qū)分不同形狀的目標(biāo)對(duì)象。此外，由于提取特征信息和匹配模型環(huán)節(jié)會(huì)因?yàn)槟Ｐ蛿?shù)量的增加而變得更加復(fù)雜，對(duì)于類別較多的車輛精細(xì)識(shí)別任務(wù)來說實(shí)現(xiàn)相對(duì)困難。因此，算法需要進(jìn)行優(yōu)化，從而提升模型的區(qū)分能力和適應(yīng)能力。

2 基于人腦模型的車輛識(shí)別

圖1 構(gòu)建神經(jīng)網(wǎng)絡(luò)的2種方式

構(gòu)造人腦模型[4]的目標(biāo)在于通過模擬人類大腦的神經(jīng)分層表達(dá)結(jié)構(gòu)，建立識(shí)別神經(jīng)網(wǎng)絡(luò)來分析數(shù)據(jù)，逐層提取表達(dá)特征，提高識(shí)別精度。卷積神經(jīng)網(wǎng)絡(luò)作為一種最重要的神經(jīng)網(wǎng)絡(luò)模型，在圖像處理領(lǐng)域取得了相當(dāng)之大的成就，構(gòu)建卷積神經(jīng)網(wǎng)絡(luò)模型通常有2種方式，如圖1所示。下面對(duì)卷積神經(jīng)網(wǎng)絡(luò)(CNN)進(jìn)行討論。

2.1 兩端表達(dá)的神經(jīng)網(wǎng)絡(luò)

每個(gè)特征提取層后面都緊跟著一個(gè)用來求局部平均和二次提取的子采樣層，這種兩次特征提取結(jié)構(gòu)使網(wǎng)絡(luò)對(duì)輸入樣本有較高的畸變?nèi)萑棠芰Γ诰W(wǎng)絡(luò)的末層一般連接幾個(gè)全連接層，最終輸出節(jié)點(diǎn)個(gè)數(shù)就是識(shí)別結(jié)果個(gè)數(shù)。例如8層的CNN(Alex-Net)降低了識(shí)別錯(cuò)誤率，直接針對(duì)原始圖像進(jìn)行處理，經(jīng)過卷積特征提取及映射直接得到識(shí)別結(jié)果，在復(fù)雜環(huán)境下更高效的識(shí)別。

如何訓(xùn)練神經(jīng)網(wǎng)絡(luò)是需要解決的一個(gè)關(guān)鍵問題。目前常用的訓(xùn)練兩端表達(dá)網(wǎng)絡(luò)模型的方法為：先對(duì)大規(guī)模標(biāo)注數(shù)據(jù)進(jìn)行預(yù)先訓(xùn)練，獲得初始網(wǎng)絡(luò)權(quán)重參數(shù)值；然后在相對(duì)較小的任務(wù)數(shù)據(jù)集上進(jìn)行微調(diào)訓(xùn)練，得到分類識(shí)別模型。

2.2 中間表達(dá)的神經(jīng)網(wǎng)絡(luò)

多級(jí)聯(lián)合的神經(jīng)網(wǎng)絡(luò)模型就是針對(duì)中間表達(dá)實(shí)現(xiàn)了車輛的精細(xì)識(shí)別。該模型首先應(yīng)用優(yōu)化的區(qū)域CNN算法對(duì)輸入圖像提取多個(gè)興趣層，然后采用兩端表達(dá)的神經(jīng)網(wǎng)絡(luò)對(duì)多個(gè)特征區(qū)進(jìn)行學(xué)習(xí)。優(yōu)點(diǎn)是不局限于應(yīng)用單一網(wǎng)絡(luò)結(jié)構(gòu)完成識(shí)別任務(wù)，充分利用了深度學(xué)習(xí)在每個(gè)環(huán)節(jié)的優(yōu)點(diǎn)，是具有代表性的車輛識(shí)別新方法之一。

3 結(jié)論

現(xiàn)有的網(wǎng)絡(luò)模型一般是通用的學(xué)習(xí)模型，結(jié)構(gòu)復(fù)雜，消耗時(shí)間和計(jì)算資源較多，難于移植到嵌入式系統(tǒng)中。在車輛識(shí)別模型優(yōu)化方面，研究面臨著如何設(shè)計(jì)輕型化的車輛識(shí)別專用網(wǎng)絡(luò)的問題。在識(shí)別數(shù)據(jù)方面，小樣本問題同樣限制了技術(shù)發(fā)展。

[1] 胡焯源,曹玉東,李羊.基于HSV顏色空間的車身顏色識(shí)別算法[J]. 遼寧工業(yè)大學(xué)學(xué)報(bào),2017, 37(1): 10-12.

[2] LI L J, SU H, XING E P, et al. Object bank: a highlevelimage repre -sentation for scene classification &semantic feature sparsification [C].Cambridge: MIT Press,2010: 1378-1386.

[3] BUCH N, ORWELL J, VELASTIN S A. Detection andclassification of vehicles for urban traffic scenes[C]∥Visual Information Engine -ering, 2008. London: IET,2008:182-187.

[4] 李軼南,張雄偉,李治中等.深度學(xué)習(xí):開啟人工智能的新紀(jì)元[J]. 軍事通信技術(shù),2015(4): 20.

Based on Computer Vision of Vehicle Recognition Technology

Li Nen, Wang Zhilei, Zhou Lin, Fu Peng

( Chang’an University, Shaanxi Xi’an 710064 )

Vehicle recognition is one of the most important parts of intelligent transportation system. Based on the explora -tion of computer vision, this paper discussed the problems that need to be solved in the field of vehicle identification and the future research directions, and analyzed the frontier technology of vehicle recognition based on feature analysis and human brain model and summarizes it.

vehicle recognition; computer vision; feature analysis; intelligent transportation system

B

1671-7988(2018)24-39-02

U462

B

1671-7988(2018)24-39-02

U462

李嫩，碩士研究生，就讀于長安大學(xué)汽車學(xué)院。

10.16638/j.cnki.1671-7988.2018.24.012