| 标题 | 基于深度学习网络的露天停车场汽车检测 |
| 范文 | 王中策 吴瑞 王庆庆 孙钦涛 摘 要：为满足停车场容纳更多车辆需求，缓解城市交通拥堵，本文通过采集并处理停车场图像，训练停车场实际环境的正负样本，建立基于深度学习网络的露天停车场车辆检测系统，并利用Matlab软件对设计方案仿真。 关键词：汽车检测；深度学习网络；车辆识别DCNN 随着城市车辆的急剧增加，传统停车场泊车效率低的问题日益突出。若将深度学习网络用于停车场车辆检测，可有效配置停车场资源，提高停车场工作效率，缓解城市交通压力。 1 汽车检测方法的设计思路 本检测方法基于深度学习网络，由高速摄像机采集图像，通过灰度化处理和图像去噪方法提高图像品质，设计DCNN分类器并对图像进行特征提取，采集正负样本并建立训练样本库，建立Fast-RCNN网络模型进行车辆检测，最终输出停车场车辆信息。 2 图像的采集和预处理 镜头的选用应考虑工作距离、目标高度和目标宽度。本文选用Basler Lens C125-0618-5M F1.8 f6mm摄像机镜头作为停车场环境捕捉工具。摄像机参数的标定是非常关键的环节，标定结果的精度及算法的稳定性直接影响摄像机结果的准确.本文采用张定友标定原理进行标定试验 灰度化处理可提高图像的质量和辨识度，利于图像进一步分析处理。本文采用直方图均衡化处理图像，步驟如下： （1）求出给定的待处理直方图Pr（r）； （2）利用累计分布函数对原图像的统计直方图做变换，得到新的灰度图像； （3）进行近似处理，将新灰度代替旧灰度，同时将灰度值相等或近似的每个灰度直方图合并。 灰度处理后的图像有一定噪声，本文采用空域滤波方法，利用Matlab内的Imfilter函数进行图像去噪，增强图像品质。 3 卷积神经网络特征提取 露天停车场的车型众多，汽车停靠不统一，高检测率和低误报率是车辆特征提取的关键。选用深度卷积神经网络（DCNN）作为特征提取工具，以图像灰度像素作为基本输入，能显著提高车辆识别率。 本次设计的DCNN采用随机梯度下降法进行训练，待训练权重参数的初始值选用[-0.05，0.05]之间满足随机分布的随机数，所有基向量的初始值为0。目标函数选用交叉熵损失函数： 其中（xi，yi）为样本图像与对应标签。训练的目标是使该函数输出最小，最大迭代次数上限设置为1×次。 4 实验的仿真模拟 本文利用Matlab内的Training-ImageLabeler程序建立训练样本库，步骤如下： （1）读取该组截图的原始图像； （2）将读入的非灰度图像转化为灰度图像； （3）得到该组截图的所有ROI参数； （4）得到所有ROI参数对应的子图，储存于元胞中； （5）将得到的子图通过Imwrite函数保存。 为了归纳统一样本的统计分布性，加快网络学习速度，利用Matlab软件的Premnmx函数进行归一化处理，具体包括坐标中心化、X-shearing归一化、缩放归一化和旋转归一化4个步骤。 由于传统R-CNN网络模型有测试速度慢、训练所需空间大等问题，为提高检测精度和准确度，本文采用Fast-RCNN网络模型训练样本。 我们收集了1314组训练样本，其中正样本为920组，负样本394组。样本训练时随机选取20%的样本作为测试数据，80%的样本作为训练数据，测试结果如图所示。 5 结论 由图的训练与测试结果可知，样本训练分类准确率为924%，测试结果的准确率为91.7%，同时训练和测试过程ROC曲线表现出良好的收敛性，满足停车场检测对于准确性的要求。 参考文献： [1]郭稳涛.基于RFID的智能停车场管理系统的研究与设计[D].湖南大学，2010. [2]杨丹，赵海滨.MATLAB图像处理实例详解.北京：清华大学出版社，2015. [3]尹宝才，王文通，王立春.深度学习研究综述[J].北京工业大学学报，2015，（01）：48-59. [4]王蕾.基于视频图像处理的车辆识别技术研究[D].中国海洋大学，2009. |
| 随便看 |
|
科学优质学术资源、百科知识分享平台，免费提供知识科普、生活经验分享、中外学术论文、各类范文、学术文献、教学资料、学术期刊、会议、报纸、杂志、工具书等各类资源检索、在线阅读和软件app下载服务。