| 标题 | 基于深度学习CNN模型的智能识车助手 |
| 范文 | 邹涛 吴恋 邓娟 焦登才 莫胜明 摘要：在当今人工智能时代下，车标属于车辆主要标识，但需要能准确的识别，难度就较高，如何利用车标识别技术，来解决当今的智能交通中的诸多问题，是值得思考的。基于深度学习的CNN模型的车标识别方法能提高对车标识别的准确度，将车标当做探测对象，从而提高车标识别的精确性，这样解决了有关车辆辨别问题。 深度学习下的车标识别方法可以通过多样化的特征学习，能直接从训练样本集中提炼出特征，将获取到的车标图传给神经网络的分类器进行分类识别。 关键词：车标识别；深度学习；CNN模型；智能交通；人工智能 中图分类号：TP393 文献标识码：A 文章编号：1009-3044（2018）11-0207-03 Intelligent Vehicle Identification Assistant Based on Deep Learning CNN Model ZOU Tao1，2， WU Lian1，2， DENG Juan1，2， JIAO Deng-cai1，2， MO Sheng-ming1，2 （1. College of mathematics and computer science， Guizhou normal college， Guiyang 550018，China；2. Institute of large data science and intelligent engineering， Guizhou normal college， Guiyang 550018， China） Abstract： In todays era of artificial intelligence，as an important vehicle logo logo， can accurately identify the high degree of difficulty， can solve the traffic problems existing in intelligent transportation system using logo recognition technology. Vehicle logo recognition method under CNN deep learning model can improve the accuracy of vehicle recognition， the logo as a research object， to improve the accuracy of recognition， so as to solve a series of problems. Vehicle logo recognition method under deep learning through diversified learning， can directly extract the features from the training samples， the logo figure get into the neural network classifier for classification. Key words： recognition；deep learning；CNN model；intelligent transportation；artificial intelligence 1 引言 随着社会的发展，智能交通系统[3]已逐渐成为我国未来交通系统的重要发展方向，市场对车辆识别技术要求越来越高，快速获取车牌信息和车辆信息成为当前车辆品牌识别的一种必要研究。早期的车标识别技术多以研究特征提取方法为主，虽然执行的效率可观，但是准确度不够而且消耗大量人力资源。 深度学习算法[1]中，卷积神经网络在图像处理、语音识别、搜索引擎等等领域获得了巨大成就，结合深度学习的算法，能有效地避免人工选取特征的繁琐和片面，选用深度学习算法将车辆品牌识别和车牌识别相结合，使网络自主选取特征进行学习和识别，大大提高了在获取识别时准确率的提高。 2 卷积神经网络 深度学习是一种高效无监督的算法技术，可以类比于人脑，模拟大脑的行为特征，对数据进行分析和解释，卷积神经网络 （CNN）作为深度学习诸多算法中的一种，通常它由N个特征提取层、下采样层和N个全连接的分类器组成。 它的模型复杂度非常低，权值也非常少，图像可以不经过转换后就输入，减少了复杂的特征提炼过程，图像输入作为最底层，网络可以获取到该图像基础的特征，这样对目标物体或图像形变，旋转等变化具有好的抵抗性，在计算机视觉或图像识别的任务中以图像作为输入时非常有效。 3 车标识别系统的构建 3.1总体框架设计 为高效、准确的识别出车辆的信息，避免人工选取特征的繁琐和片面，深度学习的方法将车牌识别和车辆品牌识别有效结合起来，通过web前端将车标图片上传至后台进行识别，后台使用到Java语言调用Python的脚本从而利用深度模型来识别图像。 深度学习算法具有高效无监督的作用，它可以在获取识别时大大提高数据的准确率，在它的诸多深度学习技术中，卷积神经网络能够准确识别图片是由于多个特征提炼层和下采样层及全连接的分类器作用，所以将Python脚本结合深度学习算法CNN车标识别模型，会智能进行識别并反馈最准确的车标信息给web前端。 3.2车标识别系统设计 3.2.1 系统的构建 本车标识别助手系统包括两大模块：训练模块[5]和识别模块，训练模块由训练图片输入、深度网络的训练构建和最终分类器模型的形成组成； 识别模块由调用循环模拟、车标识别和前端回显识别结果的输出组成。 3.2.2 网络的构建 常规的卷积神经网络[6]CNN共有七层，分别是输入层、卷积层、子抽样层、全连接层以及输出层。它的每一层都散布多个独立的神经元，在提取特征阶段，子抽样层会完成特征的整合，全连接层会完成分类任务。 卷积神经网络的每一个卷积层都有不同卷积核的特征图，特征图上又散布多个独立的神经元，而放在同一特征图上的神经元又共用一个卷积核。每个神经元会将接受域里的输入信息与卷积核做卷积处理，然后获得处理后的特征图。 图即为图像卷积[7]的一种形式。 卷积操作得到的特征数量一般都会很大，如果直接将这些海量的数据特征送到分类器中，这将带来巨大的计算量，甚至出现过拟合现象，所以在卷积层之后需要连上一个子抽样层，子抽样层利用池化技术[8]将小领域内的特征整合到新的领域上， 从而减少了计算的复杂度。 我们一般采用池化技术有Mean-pooling、Max-pooling、Stochastic-pooling。 a）Mean-pooling：领域内所有特征点的平均值。 b）Max-pooling：领域内特征点的最大值。 c）Stochastic-pooling：将一定范围内的像素位点按照数值的大小计算出概率，并选出较大的概率值。 如图5对上层输出做Max-pooling的举例： 4 实验与结果 4.1模型的训练 本文所述的车标样本来自于网络，共有30类车标图片，训练集5000张和测试集1000张，每一类300张，总计6000张图片。 图片统一化处理为40*40大小。如图6的图片均是经过车标定位得到的不同车标实例。 依据顺序分别为：本田、奥迪、宝骏、北汽、奔驰、奔腾、道奇、东风、东南、法拉利、福特、比亚迪、华普、黄海、吉利、江铃、金牛星、标致、华普、黄海、吉利、江铃、金牛星、标致、荣威、三菱、斯柯达、五菱、长安、大众。 4.2系统测试与结果分析 为测试该系统识别的效果，对一系列车标测试集进行测试，对于测试的识别效果可知，该系统所用的深度神经网络对于大多数车标图的识别来说效果较好，因为的训练参数值小，辨认效率高，可直接输入图像一系列优势。表1是对测试集的测试结果，从结果中不难看出，利用深度学习算法对车标进行识别，其准确率都比较精准。 5 总结 基于深度学习的卷积神经网络（CNN） [10]的车标识别方法，与传统的车标识别方法对比，它能够准确、快速的定位车标，在多层的卷积神经网络能够从原始图像上获取特征，并且能够自主提取特征进行车标识别，相信它所在图像分类上占据的优势会在未来交通系统中占领主导地位。 参考文献： [1] Igor M. Coelho，Vitor N. Coelho，Eduardo J. da S. Luz，Luiz S. Ochi，Frederico G. Guimar?es，Eyder Rios. A GPU deep learning metaheuristic based model for time series forecasting[J]. Applied Energy，2017. [2] Xiaohong Gao，Wei Li，Martin Loomes，Lianyi Wang. A fused deep learning architecture for viewpoint classification of echocardiography[J]. Information Fusion，2017，36. [3] 陳小娥，杨薇薇.基于深度学习的车标识别算法的研究与实现[J].长春工程学院学报（自然科学版），2017，18（2）：117-120. [4] 张素雯. 基于视频分析的道路车辆信息提取方法研究[D].海南大学，2017. [5] 刘灵. 基于深度学习的车型识别分析与研究[D].山东师范大学，2017. [6] 吴章辉. 基于树状卷积神经网络的车标识别[D].湘潭大学，2017. [7] 李梦. 基于智能图像处理的车标识别研究[D].北京交通大学，2017. [8] 张琪. 卷积神经网络在车标识别技术中的研究及其小样本下的处理策略[D].安徽大学，2016. [9] 彭博，臧笛.基于深度学习的车标识别方法研究[J].计算机科学，2015，42（4）：268-273. [10] 张海彬. 基于卡口图像的车型识别方法研究[D].合肥工业大学，2015. |
| 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。