基于深度神經(jīng)網(wǎng)絡(luò)的車(chē)輛特征識(shí)別方法

李 浩，王旭輝

(1.河南工程學(xué)院 計(jì)算機(jī)學(xué)院,河南 鄭州 451191;2.河南工程學(xué)院 工程訓(xùn)練中心，河南 鄭州 451191)

基于深度神經(jīng)網(wǎng)絡(luò)的車(chē)輛特征識(shí)別方法

李 浩1，王旭輝2

(1.河南工程學(xué)院 計(jì)算機(jī)學(xué)院,河南 鄭州 451191;2.河南工程學(xué)院 工程訓(xùn)練中心，河南 鄭州 451191)

提出了一種基于深度神經(jīng)網(wǎng)絡(luò)的車(chē)輛特征識(shí)別方法，通過(guò)車(chē)輛特征智能檢測(cè)識(shí)別實(shí)現(xiàn)交通智能監(jiān)控和管理.采用三維區(qū)域輪廓掃描方法進(jìn)行車(chē)輛圖像采集和幾何形狀判斷，對(duì)采集的車(chē)輛圖像進(jìn)行邊緣輪廓檢測(cè)和信息增強(qiáng)處理，突出車(chē)輛的類(lèi)別屬性特征點(diǎn)，在仿射不變區(qū)域?qū)?chē)輛角點(diǎn)分布信息進(jìn)行直方圖均衡化處理，實(shí)現(xiàn)車(chē)輛像素特征點(diǎn)的提取.對(duì)提取的像素特征點(diǎn)采用深度神經(jīng)網(wǎng)絡(luò)進(jìn)行分類(lèi)訓(xùn)練，實(shí)現(xiàn)車(chē)輛特征的智能識(shí)別.選取大量交通視頻圖像進(jìn)行實(shí)驗(yàn)，仿真結(jié)果表明采用該方法進(jìn)行車(chē)輛特征識(shí)別的成功率較高，輸出車(chē)輛特征點(diǎn)正確的像素總數(shù)較多，對(duì)目標(biāo)車(chē)輛的準(zhǔn)確檢測(cè)定位性能較好.

深度神經(jīng)網(wǎng)絡(luò)；車(chē)輛；特征識(shí)別；分類(lèi)；像素

隨著汽車(chē)保有量不斷增長(zhǎng)，道路的交通壓力不斷加大，與汽車(chē)相關(guān)的安全管理問(wèn)題也日益凸顯.為了實(shí)現(xiàn)對(duì)運(yùn)行汽車(chē)的優(yōu)化管理和調(diào)度，可通過(guò)對(duì)汽車(chē)特征的有效檢測(cè)和識(shí)別為駕駛員和車(chē)輛管理調(diào)度中心提供可視化的信息參考.通過(guò)對(duì)汽車(chē)特征的智能識(shí)別，結(jié)合車(chē)聯(lián)網(wǎng)和無(wú)線通信技術(shù)，進(jìn)行車(chē)輛運(yùn)行狀況監(jiān)測(cè)和道路交通信息監(jiān)測(cè)與評(píng)估，提取車(chē)輛的速度、GPS位置及三維信息化特征，通過(guò)智能分類(lèi)識(shí)別方法進(jìn)行車(chē)輛狀態(tài)的實(shí)時(shí)評(píng)估和三維可視化分析[1]，在車(chē)輛安全管理和道路交通管控等領(lǐng)域具有重要的應(yīng)用價(jià)值.同時(shí)，研究車(chē)輛特征智能識(shí)別方法，在偵查與車(chē)輛相關(guān)的違法犯罪方面也具有很好的應(yīng)用前景.

對(duì)車(chē)輛特征的智能識(shí)別方法研究建立在對(duì)車(chē)輛圖像信息采集和特征提取的基礎(chǔ)上，通過(guò)提取車(chē)輛圖像的類(lèi)別屬性特征，例如像素信息、邊緣輪廓及角點(diǎn)特征等[2-3]，采用分類(lèi)算法進(jìn)行特征歸類(lèi)識(shí)別.常見(jiàn)的分類(lèi)算法有BP神經(jīng)網(wǎng)絡(luò)分類(lèi)算法、支持向量機(jī)分類(lèi)方法及模糊C均值分類(lèi)方法等[4].根據(jù)上述原理，相關(guān)學(xué)者進(jìn)行了車(chē)輛特征智能識(shí)別方法研究，如文獻(xiàn)[5]提出了一種基于改進(jìn) SURF 算法的交通視頻車(chē)輛檢索，采用SIFT(scale-invariant feature transform)角點(diǎn)檢測(cè)方法進(jìn)行交通視頻中車(chē)輛圖像角點(diǎn)分布的檢測(cè)，結(jié)合SURF算法實(shí)現(xiàn)圖像分類(lèi)識(shí)別，具有較高的識(shí)別精度，但該方法計(jì)算開(kāi)銷(xiāo)較大，對(duì)大規(guī)模交通視頻的車(chē)輛特征識(shí)別的實(shí)時(shí)性不好；文獻(xiàn)[6]提出了一種基于多特征抑制車(chē)輛陰影檢測(cè)方法的車(chē)輛特征識(shí)別方法，基于LWT小波分解方法進(jìn)行車(chē)輛監(jiān)控圖像的特征分割和塊特征匹配，采用支持向量機(jī)方法進(jìn)行多特征分類(lèi)識(shí)別，提高了對(duì)模糊車(chē)輛視頻監(jiān)控圖像及存在陰影條件下車(chē)輛圖像的準(zhǔn)確識(shí)別能力，但該方法存在分辨性能不好和聚類(lèi)收斂性不高的問(wèn)題.

針對(duì)上述問(wèn)題，本研究提出了一種基于深度神經(jīng)網(wǎng)絡(luò)的車(chē)輛特征識(shí)別方法.首先，采用三維區(qū)域輪廓掃描方法進(jìn)行車(chē)輛圖像采集和幾何形狀判斷，對(duì)采集的車(chē)輛圖像進(jìn)行邊緣輪廓檢測(cè)和信息增強(qiáng)處理，在仿射不變區(qū)域?qū)?chē)輛角點(diǎn)分布信息進(jìn)行直方圖均衡化處理，實(shí)現(xiàn)車(chē)輛像素特征點(diǎn)的提取.然后，對(duì)提取的像素特征點(diǎn)采用深度神經(jīng)網(wǎng)絡(luò)進(jìn)行分類(lèi)訓(xùn)練，實(shí)現(xiàn)車(chē)輛特征的智能識(shí)別.最后，選取大量交通視頻圖像進(jìn)行實(shí)驗(yàn)，通過(guò)仿真得出有效性結(jié)論.

1 車(chē)輛圖像采集與預(yù)處理

1.1 車(chē)輛圖像采集模型的構(gòu)建

本研究采用三維區(qū)域輪廓掃描方法進(jìn)行車(chē)輛圖像采集和幾何形狀分析判斷，對(duì)交通視頻監(jiān)測(cè)圖像進(jìn)行特征點(diǎn)掃描分析，在路網(wǎng)模型下構(gòu)建車(chē)輛圖像采集的三維區(qū)域輪廓掃描模型，如圖1所示.

圖1 車(chē)輛圖像采集的路網(wǎng)模型Fig.1 Road network model of vehicle image acquisition

圖1中，在路網(wǎng)和車(chē)聯(lián)網(wǎng)結(jié)構(gòu)體系下，以十字路口的節(jié)點(diǎn)為Sink點(diǎn)進(jìn)行車(chē)輛交通視頻信息監(jiān)控和圖像采集，選取α和90°α作為視頻監(jiān)控的相位角，根據(jù)布爾模型得到車(chē)輛圖像采樣節(jié)點(diǎn)與Sink節(jié)點(diǎn)的歐氏距離d，車(chē)輛圖像掃描的幀數(shù)為V={C1，C2，…，Ck}，頭節(jié)點(diǎn)v的簇滿足Ci?V，1≤i≤k，k≤|V|，不同車(chē)輛x和y的間距distance(x，y)≤d.

(1)

三維網(wǎng)格頂點(diǎn)y∈Ci，車(chē)輛初始速度為v(0)，在均勻像素采樣下，車(chē)輛邊緣輪廓重構(gòu)的像素偏移值為

(2)

式中，a(x)為初始像素采樣信息.

1.2 車(chē)輛邊緣輪廓檢測(cè)和信息增強(qiáng)處理

(3)

式中:η表示單車(chē)區(qū)域的占空比；φ表示車(chē)輛的行駛方位角；R表示交通監(jiān)控視頻的輻射半徑；d表示相鄰車(chē)輛間距.

為了增強(qiáng)圖像中運(yùn)動(dòng)區(qū)域的明暗對(duì)比度，采用子空間降噪方法進(jìn)行圖像信息增強(qiáng)處理，在每一個(gè)連通區(qū)域內(nèi)圖像降噪的傳遞函數(shù)為

(4)

式中：Cj，k是先驗(yàn)像素點(diǎn)分布的模板匹配值；hn是子空間降噪濾波器的脈沖響應(yīng).對(duì)車(chē)輛區(qū)域的邊緣子塊P(i，j)進(jìn)行特征匹配處理，運(yùn)用邊界圖像分割得到車(chē)輛區(qū)域的中心線Z(i，Zi).記Li為分割曲線的列坐標(biāo)，Ri為車(chē)輛區(qū)子塊分布的列坐標(biāo)，得到每一子塊中車(chē)輛屬性的信息熵：

(5)

對(duì)提取的信息熵進(jìn)行二值泛函，得到車(chē)輛圖像增強(qiáng)后在像素邊緣子塊Z(i,Zi)左右兩側(cè)所占比例，進(jìn)而得到在動(dòng)態(tài)視頻監(jiān)控下車(chē)輛左子塊和右子塊邊緣輪廓特征檢測(cè)輸出結(jié)果：

(6)

式中：Ci表示第i行列像素分布坐標(biāo)；Li表示第i行像素矩陣自左向右的圖像網(wǎng)格分布集合；Ri表示第i行的像素特征最大偏移量；Hij表示坐標(biāo)為(i,j)的子塊.以此判斷車(chē)輛的外觀特征，如車(chē)輛外觀特征具有連續(xù)光滑區(qū)域則Hij=1，否則Hij=0.通過(guò)上述方法，對(duì)采集的車(chē)輛圖像進(jìn)行邊緣輪廓檢測(cè)和信息增強(qiáng)處理，突出車(chē)輛的類(lèi)別屬性特征點(diǎn)，為進(jìn)行車(chē)輛特征識(shí)別提供輸入?yún)⒘?

2 車(chē)輛特征識(shí)別的實(shí)現(xiàn)

2.1 車(chē)輛特征的提取

在進(jìn)行了上述車(chē)輛圖像采集分析和圖像增強(qiáng)預(yù)處理的基礎(chǔ)上，進(jìn)行車(chē)輛特征智能識(shí)別算法設(shè)計(jì)，提出了一種基于深度神經(jīng)網(wǎng)絡(luò)的車(chē)輛特征識(shí)別方法.在仿射不變區(qū)域內(nèi)對(duì)車(chē)輛角點(diǎn)分布信息進(jìn)行直方圖均衡化處理[8]，實(shí)現(xiàn)車(chē)輛像素特征點(diǎn)的提取，計(jì)算原始圖像與編碼圖像之間的均方誤差函數(shù)：

(7)

(8)

對(duì)車(chē)輛的角點(diǎn)信息進(jìn)行亞像素級(jí)分割，結(jié)合統(tǒng)計(jì)直方圖均衡方法[9]，得到角點(diǎn)檢測(cè)的多模狀態(tài)方程：

(9)

沿車(chē)輛的邊緣輪廓分割曲線方向f進(jìn)行圖像信息融合，實(shí)現(xiàn)了車(chē)輛的特征信息檢索，得到了車(chē)輛特征點(diǎn)識(shí)別的角點(diǎn)匹配結(jié)果：

(10)

計(jì)算車(chē)輛三維像素特征點(diǎn)in+1的Canny算子，在深度神經(jīng)網(wǎng)絡(luò)訓(xùn)練下，得到神經(jīng)網(wǎng)絡(luò)輸出層的圖像二階矩表達(dá)式：

(11)

在仿射不變區(qū)域中對(duì)像素序列進(jìn)行聚類(lèi)處理，模糊C均值聚類(lèi)的目標(biāo)函數(shù)為

(12)

式中:r1表示像素點(diǎn)在初始聚類(lèi)中心的聚斂密度;r2表示先驗(yàn)點(diǎn)簇;σ1表示邊緣像素值;N1為仿射不變矩.由此,得到在車(chē)輛角點(diǎn)直方圖分布鄰域車(chē)輛像素特征點(diǎn)提取結(jié)果：

(13)

式中:J(w,e)為過(guò)車(chē)輛區(qū)域的邊緣子;ai為原始車(chē)輛圖像等大的低頻圖像;φ(xi)為噪聲敏感系數(shù).

圖2 深度神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)模型Fig.2 Deep neural network structure model

2.2 深度神經(jīng)網(wǎng)絡(luò)分類(lèi)器

對(duì)上述提取的像素點(diǎn)特征進(jìn)行分類(lèi)學(xué)習(xí)，采用深度神經(jīng)網(wǎng)絡(luò)訓(xùn)練方法進(jìn)行特征分類(lèi)，神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)模型如圖2所示.圖2中，深度神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)模型建立在BP神經(jīng)網(wǎng)絡(luò)模型的基礎(chǔ)上[10]，分為三層結(jié)構(gòu)體系，網(wǎng)絡(luò)上層為輸出節(jié)點(diǎn)(設(shè)為N個(gè))，輸入層是信息處理中心，輸入節(jié)點(diǎn)處于下方.

在圖2構(gòu)建的深度神經(jīng)網(wǎng)絡(luò)分類(lèi)器中進(jìn)行車(chē)輛特征的智能識(shí)別，對(duì)提取的像素特征點(diǎn)采用深度神經(jīng)網(wǎng)絡(luò)進(jìn)行分類(lèi)訓(xùn)練，實(shí)現(xiàn)步驟如下：

(1)初始化神經(jīng)網(wǎng)絡(luò)輸入層的向量模式和每個(gè)向量元素，給定輸入節(jié)點(diǎn)的個(gè)數(shù)k，遍歷圖像的平滑區(qū)域，令車(chē)輛圖像的像素值為x(t)，t=0,1,…,n-1，給定像素特征訓(xùn)練序列，置時(shí)間計(jì)數(shù)t=0；

(3)設(shè)置一個(gè)響應(yīng)的頻率計(jì)數(shù)器進(jìn)行神經(jīng)網(wǎng)絡(luò)的自適應(yīng)加權(quán)，得到輸入車(chē)輛像素特征點(diǎn)向量x(t)與隱含層的權(quán)向量wj=(w0j,w1j,…,wk-1,j)T的距離為

(14)

(5)根據(jù)車(chē)輛的特征差異性進(jìn)行信息分類(lèi)，在神經(jīng)網(wǎng)絡(luò)分類(lèi)器中調(diào)整與輸出節(jié)點(diǎn)Nj*所連接的權(quán)值，Nj∈Ej*(t)，根據(jù)車(chē)輛的邊緣輪廓線Nj*及幾何鄰域NEj*(t)判斷分類(lèi)權(quán)重歸屬，得到車(chē)輛特征分類(lèi)識(shí)別的迭代式：

wij(t+1)=wij(t)+α(t)(xi(t)-wij(t)),

(15)

式中：0≤i≤k-1,0≤α(t)≤1是一種可變的學(xué)習(xí)速度；

(6)如滿足終止條件則結(jié)束算法，否則繼續(xù)輸入車(chē)輛的像素特征樣本數(shù)據(jù)，t=t+1，轉(zhuǎn)到步驟(2).

圖3 車(chē)輛特征識(shí)別實(shí)現(xiàn)流程Fig.3 Vehicle feature recognition process

綜上分析，本設(shè)計(jì)基于深度神經(jīng)網(wǎng)絡(luò)的車(chē)輛特征智能識(shí)別方法的實(shí)現(xiàn)流程如圖3所示.

3 仿真實(shí)驗(yàn)與結(jié)果分析

為了測(cè)試本方法在實(shí)現(xiàn)車(chē)輛特征智能識(shí)別中的應(yīng)用性能，進(jìn)行仿真實(shí)驗(yàn).實(shí)驗(yàn)建立在Matlab 7仿真工具基礎(chǔ)上，實(shí)驗(yàn)選取大量交通視頻圖像作為實(shí)驗(yàn)樣本集，車(chē)輛的邊緣輪廓特征搜索范圍[xmin, j,xmax, j]=[-1,1]，車(chē)輛輪廓線尺度分割系數(shù)為0.23，邊緣輪廓檢測(cè)的單次測(cè)量誤差a=0.44，圖像序列長(zhǎng)度為320幀，圖像的分塊模板為22×20，灰度鄰域大小為22×14.根據(jù)上述仿真環(huán)境和參數(shù)設(shè)定，選擇其中一組車(chē)輛外形特征相似的視頻圖像作為研究對(duì)象，得到車(chē)輛監(jiān)控圖像，如圖4所示.

對(duì)圖4所示的車(chē)輛圖像進(jìn)行信息增強(qiáng)處理，突出像素特征點(diǎn)信息，得到的信息增強(qiáng)結(jié)果如圖5所示.

從圖5可見(jiàn)，采用本方法進(jìn)行圖像增強(qiáng)，實(shí)現(xiàn)了車(chē)輛圖像亮度的均衡化處理，提高了特征信息表達(dá)能力.在此基礎(chǔ)上，采用本方法進(jìn)行車(chē)輛邊緣輪廓的檢測(cè)和特征提取，得到的結(jié)果如圖6所示.

圖4 車(chē)輛交通視頻監(jiān)控圖像 圖5 車(chē)輛信息增強(qiáng)處理Fig.4 Vehicle traffic video surveillance image Fig.5 Vehicle information enhancement

圖6 車(chē)輛邊緣輪廓檢測(cè)與特征識(shí)別Fig.6 Vehicle edge detection and feature recognition

圖7 車(chē)輛特征識(shí)別的準(zhǔn)確性對(duì)比Fig.7 Accuracy comparison of vehicle feature recognition

分析圖6得知，采用本方法進(jìn)行車(chē)輛邊緣輪廓的檢測(cè)，能準(zhǔn)確提取各個(gè)車(chē)輛的邊緣輪廓和外觀幾何特征，以此為特征量輸入深度神經(jīng)網(wǎng)絡(luò)分類(lèi)器，可實(shí)現(xiàn)車(chē)輛特征的分類(lèi)識(shí)別.與傳統(tǒng)的支持向量機(jī)分類(lèi)方法進(jìn)行對(duì)比，得到車(chē)輛特征識(shí)別的準(zhǔn)確率對(duì)比結(jié)果如圖7所示.

由圖7得知，采用本方法進(jìn)行車(chē)輛特征識(shí)別的準(zhǔn)確性高于傳統(tǒng)方法，收斂性較好.

4 結(jié)語(yǔ)

本研究提出了一種基于深度神經(jīng)網(wǎng)絡(luò)的車(chē)輛特征識(shí)別方法.對(duì)交通視頻監(jiān)測(cè)圖像進(jìn)行特征點(diǎn)掃描分析，在路網(wǎng)模型下構(gòu)建車(chē)輛圖像采集模型，采用圖像處理方法進(jìn)行車(chē)輛圖像的信息增強(qiáng)及邊緣輪廓檢測(cè)處理，提取車(chē)輛特征參數(shù)，構(gòu)建深度神經(jīng)網(wǎng)絡(luò)分類(lèi)器進(jìn)行特征分類(lèi)，實(shí)現(xiàn)了車(chē)輛特征的分類(lèi)識(shí)別.采用本方法進(jìn)行車(chē)輛特征識(shí)別的準(zhǔn)確性較好，對(duì)特征提取的智能性較高，提高了對(duì)車(chē)輛的監(jiān)控和辨識(shí)能力.

[1] 張潔玉.基于圖像分塊的局部閾值二值化方法[J].計(jì)算機(jī)應(yīng)用,2017,37(3):827-831.

[2] ZHANG M,CHEN W,CHEN L W,et al.Photorefractive long period waveguide grating filter in lithium niobate strip waveguide[J].Optical and Quantum Electronics,2014(46):1529-1538.

[3] ZHENG L,HE X,SAMALI B,et al.An algorithm for accuracy enhancement of license plate recognition[J].Journal of Computer and System Sciences,2013,79(2):245-255.

[4] 張龍,喬鐵柱.一種紅外圖像的二值化分割算法研究[J].紅外技術(shù),2014,36(8):649-651.

[5] 張子龍,薛靜,喬鴻海,等.基于改進(jìn) SURF 算法的交通視頻車(chē)輛檢索方法研究[J].西北工業(yè)大學(xué)學(xué)報(bào),2014,32(2): 297-301.

[6] 于明,陳曦,周剛,等.交通視頻中利用多特征抑制車(chē)輛陰影[J].控制工程,2013,20(3): 408-410.

[7] 邱保志,陳旭.車(chē)禍中車(chē)輛嚴(yán)重碰撞區(qū)域邊界圖像分割技術(shù)[J].計(jì)算機(jī)仿真,2013,30(1): 215-218.

[8] 郭佳,劉曉玉,吳冰,等.一種光照不均勻圖像的二值化方法[J].計(jì)算機(jī)應(yīng)用與軟件,2014,31(3):183-186.

[9] 文政穎,王佳欣.基于小波分析的夜間色光背景圖像白平衡優(yōu)化算法[J].河南工程學(xué)院學(xué)報(bào)(自然科學(xué)版),2016,28(2):70-75.

[10]周毅敏,李光耀.多重光照色差下圖像平滑美化處理算法[J].計(jì)算機(jī)科學(xué),2016,43(10):287-291.

Vehiclefeaturerecognitionbasedondeepneuralnetwork

LIHao1,WANGXuhui2

(1.CollegeofComputer,HenanUniversityofEngineering,Zhengzhou451191,China；2.EngineeringTrainingCenter,HenanUniversityofEngineering,Zhengzhou451191,China)

An identification method of vehicle features depth based on neural network is proposed, it can realize the vehicle intelligent identification for intelligent traffic monitoring and management. By using 3D contour scanning method for vehicle image collection and geometry of judgment, and the vehicle image edge detection and contour information enhancement, the categorical feature points highlight the vehicles. In the affine invariant region of the vehicle corner distribution information histogram is equalized, and the pixel feature extraction is realized. The vehicle classification training of pixel feature extraction using deep neural network, intelligent recognition of vehicle features is realized. Through a large number of traffic video images, the simulation results show that using the method the success rate of vehicle feature recognition is high, and the total number of pixels of the vehicle is more accurate, which shows that the detection and localization of the target vehicle is high.

deep neural network; vehicle; feature recognition; classification; pixel

TP391

A

1674-330X(2017)04-0044-05

2017-08-13

李浩(1974- )，男，河南洛陽(yáng)人，副教授，研究方向?yàn)橛?jì)算機(jī)網(wǎng)絡(luò)與算法.