基于深度學(xué)習(xí)的車輛識(shí)別系統(tǒng)設(shè)計(jì)

王瀚 唐嵐

摘 要：本設(shè)計(jì)針對(duì)無人駕駛中目標(biāo)識(shí)別問題，設(shè)計(jì)了一種基于深度學(xué)習(xí)的車輛識(shí)別系統(tǒng)。該系統(tǒng)一共包括三大模塊，分別是圖像采集模塊、圖像預(yù)處理模塊和圖像識(shí)別模塊。其中圖像采集模塊以兩百萬像素的工業(yè)攝像頭為核心對(duì)圖像進(jìn)行采集。圖像預(yù)處理模塊包括圖像增強(qiáng)、圖像去噪、模糊圖像復(fù)原。圖像識(shí)別模塊以深度學(xué)習(xí)為核心對(duì)車輛進(jìn)行識(shí)別。通過相關(guān)算法對(duì)質(zhì)量下降的圖片進(jìn)行有效處理提高圖片質(zhì)量，本文構(gòu)建的基于深度神經(jīng)網(wǎng)絡(luò)的模型可以對(duì)圖像中的車輛進(jìn)行有效識(shí)別，具有一定的實(shí)際價(jià)值。

關(guān)鍵詞：深度學(xué)習(xí);圖像預(yù)處理;圖像識(shí)別;試驗(yàn)驗(yàn)證

隨著新一輪科技和產(chǎn)業(yè)革命興起，智能技術(shù)已經(jīng)滲透到人們?nèi)粘Ｖ?，自?dòng)駕駛作為智能化和網(wǎng)聯(lián)化發(fā)展的高級(jí)形態(tài)，成為汽車行業(yè)競(jìng)相角逐的陣地，同時(shí)人工智能在功能和應(yīng)用方面的突破性進(jìn)展將推動(dòng)汽車行業(yè)新一輪發(fā)展。

1 基于深度學(xué)習(xí)的車輛識(shí)別系統(tǒng)設(shè)計(jì)

基于深度學(xué)習(xí)的車輛識(shí)別系統(tǒng)中系統(tǒng)設(shè)計(jì)方案如下所示。該系統(tǒng)由圖像采集，圖像與處理，以及圖像識(shí)別三個(gè)模塊組成。

1.1 圖像采集模塊

本文實(shí)驗(yàn)所涉及到的設(shè)備有實(shí)驗(yàn)相機(jī)和實(shí)驗(yàn)車輛。根據(jù)實(shí)際情況使用了工業(yè)攝像頭作為本次實(shí)驗(yàn)的圖像采集傳感器。

1.2 圖像預(yù)處理模塊

1.2.1 圖像增強(qiáng)

在對(duì)圖像拍攝、傳輸以及顯示的過程中，由于成像設(shè)備、傳輸系統(tǒng)或顯示系統(tǒng)的原因，以及周圍環(huán)境的影響最終造成圖像退化和質(zhì)量下降。由于造成圖像質(zhì)量下降的原因十分復(fù)雜，所以本文基于車輛識(shí)別中所遇到的常見現(xiàn)象，采用了基于直方圖均勻化的算法對(duì)圖像進(jìn)行了增強(qiáng)，該方法算法簡(jiǎn)單且適用范圍廣，在圖像增強(qiáng)、光照補(bǔ)償、圖像去霧等方面取得很好的效果[1]，可以讓圖片達(dá)到更加清晰的效果，從而提高車輛識(shí)別的準(zhǔn)確率。

1.2.2 圖像去噪

本文選定高斯濾波模板大小：5×5，σ2=0.2，u=0;利用二維高斯離散函數(shù)計(jì)算高斯模板內(nèi)每個(gè)小窗口的高斯濾波權(quán)重值;計(jì)算高斯模板窗口內(nèi)每個(gè)點(diǎn)的像素值乘以權(quán)重系數(shù)后的和，然后用該值替換中心點(diǎn)像素值，最后輸出圖像。

1.3 圖像運(yùn)動(dòng)復(fù)原

在目標(biāo)與相機(jī)在曝光時(shí)間內(nèi)產(chǎn)生相對(duì)運(yùn)動(dòng)引起成像模糊，使圖像中原本銳利的邊緣退化成拖影，運(yùn)動(dòng)模糊的圖像會(huì)直接影響圖像關(guān)鍵信息的獲取[2]。所以為了準(zhǔn)確識(shí)別物體，對(duì)圖像進(jìn)行運(yùn)動(dòng)復(fù)原是很有必要的。針對(duì)車輛識(shí)別實(shí)際任務(wù)，本文采取了以傅里葉變換[3]，Radon變換[3]為核心的運(yùn)動(dòng)模糊復(fù)原對(duì)圖像進(jìn)行復(fù)原處理。該算法對(duì)模糊圖像的處理效果明顯，基本達(dá)到了預(yù)期的效果。

2 圖像識(shí)別模塊

自動(dòng)駕駛核心之一就是如何對(duì)圖像中車輛的特征進(jìn)行有效，準(zhǔn)確的提取，并讓計(jì)算機(jī)通過提取的特征來識(shí)別目標(biāo)[4]，從而實(shí)現(xiàn)對(duì)周圍環(huán)境的目標(biāo)識(shí)別，識(shí)別和避障，實(shí)現(xiàn)無人駕駛目的。本文主要介紹基于卷積神經(jīng)網(wǎng)絡(luò)的特征提取方法。

2.1 深度神經(jīng)網(wǎng)絡(luò)模型的訓(xùn)練

神經(jīng)網(wǎng)絡(luò)的訓(xùn)練。本文采用的是隨機(jī)梯度下降算法[5]，將神經(jīng)網(wǎng)絡(luò)模型的訓(xùn)練過程則轉(zhuǎn)化成一個(gè)尋找最優(yōu)的過程，通過定義模型的損失函數(shù)，在一定的約束條件下尋找使得該模型損失函數(shù)達(dá)到最小值的參數(shù)，本文中設(shè)定交叉熵函數(shù)[6]為該模型的損失函數(shù)，找到的這個(gè)參數(shù)即為神經(jīng)網(wǎng)絡(luò)中神經(jīng)元的學(xué)習(xí)權(quán)重，其原理及流程如下所示：

在神經(jīng)網(wǎng)絡(luò)模型訓(xùn)練時(shí)，采用參數(shù)前饋傳播來尋找損失函數(shù)的極小值來更新模型的參數(shù)，當(dāng)損失函數(shù)達(dá)到全局最小值的時(shí)候，模型的準(zhǔn)確率就到達(dá)最大值，接下來就利用有關(guān)算法尋找損失函數(shù)的全局最小值，本文使用了隨機(jī)梯度下降算法。

2.2 樣本識(shí)別

2.3 深度神經(jīng)網(wǎng)絡(luò)的搭建

在遷移學(xué)習(xí)的基礎(chǔ)上本文采用的是AlexNet網(wǎng)絡(luò)結(jié)構(gòu)根據(jù)本文實(shí)際任務(wù)搭建模型及設(shè)置各層參數(shù)如下：

3 實(shí)驗(yàn)工況

為了驗(yàn)證系統(tǒng)的準(zhǔn)確性，本文在一些常見工況下進(jìn)行實(shí)驗(yàn)，包括視野較好，基本無車輛相互遮擋，單向行駛的高速公路工況（都江堰至郫縣紅光路段）;視野較差，車輛相互遮擋情況嚴(yán)重以及存在建筑物干擾的城市工況（西華大學(xué)南門至犀浦路段）。采集圖像信息如下：

對(duì)實(shí)驗(yàn)中采集到的每張圖片進(jìn)行人工標(biāo)注，即標(biāo)注圖片中所要識(shí)別的車輛。該方法借助MATLAB中training Image Labeler工具箱完成。

4 實(shí)驗(yàn)結(jié)果

高速路工況和城市工況下準(zhǔn)確率與平均召回率大小如下所示：

5 總結(jié)

根據(jù)以上實(shí)驗(yàn)結(jié)果可以得知，在高速路工況和城市的識(shí)別準(zhǔn)確率和召回率都大于60%。高速路工況的準(zhǔn)確率與召回率皆高于城市工況下的準(zhǔn)確率與識(shí)別率。進(jìn)一步分析可以得出，由于高速路工況下的車輛全部為單向行駛，車輛間的相互遮擋現(xiàn)象也比較少，在對(duì)車輛進(jìn)行識(shí)別時(shí)，被識(shí)別的車輛屬于背向試驗(yàn)車輛，因此特征較為明顯，模型準(zhǔn)確率與召回率較高;相反在城市工況下的試驗(yàn)車輛，由于工況復(fù)雜，在采集圖片時(shí)容易受到車輛間的相互遮擋影響，從而造成車輛特征提取較弱，另外在城市工況下存在大量同向行駛的車輛以及停放在路旁靜止的車輛，因此對(duì)于被識(shí)別車輛而言特征太多導(dǎo)致模型的準(zhǔn)確率與召回率低于高速工況。但是整體而言，本實(shí)驗(yàn)所采用的模型依然具有一定的實(shí)際運(yùn)用價(jià)值。

參考文獻(xiàn)：

[1]王超，孫玉秋，徐石瑤，余美晨，李祖勝.自適應(yīng)直方圖均衡圖像增強(qiáng)算法研究[J].長(zhǎng)江大學(xué)學(xué)報(bào)（自科版），2018，15（01）：55-59+7.

[2]陳文靜，蘇顯渝，曹益平，向立群.傅里葉變換輪廓術(shù)中抑制零頻的新方法[J].中國(guó)激光，2004（06）：740-744.

[3]張強(qiáng)，李嘉鋒，卓力.車輛識(shí)別技術(shù)綜述[J/OL].北京工業(yè)大學(xué)學(xué)報(bào)，1-11.

[4]夏鵬飛.基于HOG的多特征融合行人識(shí)別跟蹤系統(tǒng)[D].南昌航空大學(xué)，2017.

[5]靳冬歡.基于隨機(jī)并行梯度下降算法的波前校正技術(shù)研究[D].國(guó)防科學(xué)技術(shù)大學(xué)，2006.

[6]Anon.Unsupervised Search-based Structured Prediction[J].Advances in Neural Information Processing Systems，2015.

作者簡(jiǎn)介：王瀚（1992-），女，四川成都人，碩士，從事無人駕駛方面的研究。