基于卷積神經(jīng)網(wǎng)絡(luò)車身顏色識(shí)別技術(shù)研究

管德永，鞠銘，安連華

（山東科技大學(xué)交通學(xué)院，山東青島266590）

0 引言

近幾年，隨著從“平安城市”到“智慧城市”的推廣，很多科研項(xiàng)目陸續(xù)開展，取得了不錯(cuò)的成果，提出了“3111工程［1］”、“立體化社會(huì)治安防控體系”等概念。權(quán)威電子行業(yè)研究機(jī)構(gòu)IMSResearch研究表明，全球攝像頭每年呈指數(shù)增長，并且攝像后端的數(shù)據(jù)存儲(chǔ)十分龐大。據(jù)統(tǒng)計(jì)，2011年安裝攝像系統(tǒng)260多萬臺(tái)，一天的數(shù)據(jù)存儲(chǔ)達(dá)100 PB，而在2015年攝像設(shè)備增加到5454萬臺(tái)，相應(yīng)的一天儲(chǔ)存數(shù)據(jù)也高達(dá)2000 PB。在這個(gè)大數(shù)據(jù)的時(shí)代，面臨著以下2大瓶頸：（1）提取結(jié)構(gòu)化信息，縮減監(jiān)控?cái)z像頭產(chǎn)生的海量冗余視頻數(shù)據(jù)；（2）建立監(jiān)控平臺(tái)網(wǎng)絡(luò)，更好的實(shí)現(xiàn)監(jiān)控各子系統(tǒng)之間的連接，達(dá)到監(jiān)控資源共享。如何解決這些問題成為近幾年的研究熱點(diǎn)，即視頻特征信息提取服務(wù)器的研究。車身顏色識(shí)別技術(shù)是一個(gè)重要研究方向，而其對(duì)車輛的識(shí)別與搜索、并為公安部門打擊套牌車輛具有重要的意義。

目前，深度卷積神經(jīng)網(wǎng)絡(luò)的應(yīng)用，在車型識(shí)別、圖片識(shí)別、車身顏色識(shí)別等方面取得了較高的識(shí)別率。鄧柳基于其建立的車型數(shù)據(jù)庫，從車型識(shí)別的提取速度和效果方面，進(jìn)行卷積神經(jīng)網(wǎng)絡(luò)的深度研究［2］。隨婷婷提出一種深度卷積網(wǎng)絡(luò)CLMF模型，從多目標(biāo)角度提取特征，利用加融融合進(jìn)行目標(biāo)識(shí)別［3］。王茜等建立多角度拍攝的圖片數(shù)據(jù)庫，利用深度學(xué)習(xí)進(jìn)行圖片識(shí)別，VGG16模型準(zhǔn)確率達(dá)到97.58%［4］。楊楠利用 CIFAR-10神經(jīng)網(wǎng)絡(luò)，自己搭建網(wǎng)絡(luò)的訓(xùn)練方法，提高了網(wǎng)絡(luò)訓(xùn)練的正確率［5］。

車身顏色識(shí)別技術(shù)的研究大致分為2類：（1）基于顏色空間的色差方法；（2）構(gòu)建顏色模板，提取顏色特征，通過分類器進(jìn)行分類、識(shí)別。趙紅波等提出了一種新的車身顏色識(shí)別算法，提取車輛顏色特征，這種新算法把白色分成白色和銀白色2種，把車身顏色數(shù)據(jù)庫分為7種，進(jìn)行識(shí)別且精度較高［6］。Michelel建立了15種顏色數(shù)據(jù)庫，采用K近鄰算法進(jìn)行顏色識(shí)別［7］。宋曉紅通過聯(lián)合共享技術(shù)對(duì)車身顏色識(shí)別技術(shù)研究，對(duì)圖像先進(jìn)行圖像預(yù)處理，采用算法進(jìn)行顏色特征提取，最后通過支持向量機(jī)SVM分類器進(jìn)行分類識(shí)別，得到較高的車身顏色識(shí)別率［8］。Fang等將車身顏色數(shù)據(jù)庫分為7種，在HIS的3個(gè)通道中提取車身顏色中每個(gè)像素的微觀特性值，利用這些特征來進(jìn)行顏色分類識(shí)別［9］。Wu等首先通過獲取車輛前景圖，去噪得到識(shí)別區(qū)域，采用SVM分類器進(jìn)行分類識(shí)別，總體識(shí)別率得到提高，但黑、銀、綠顏色識(shí)別誤差大，識(shí)別率較低［10］。胡焯源等針對(duì)傳統(tǒng)的HSV模型中的局限性，即光線變化對(duì)車身顏色識(shí)別的影響，改進(jìn)了模型顏色的量化模板和判別原則，提高了顏色的識(shí)別效果［11］。

從上述研究可以看出，復(fù)雜環(huán)境因素對(duì)于汽車車身顏色的識(shí)別影響并沒有得到很好的解決，車身顏色的識(shí)別率比較低，而且圍繞車身識(shí)別技術(shù)的研究，受到光照、環(huán)境等方面的噪音影響，研究結(jié)果不理想，造成的識(shí)別誤差也比較大。車身顏色識(shí)別模型的建立，需要克服復(fù)雜的數(shù)據(jù)庫中的噪音，避免因環(huán)境因素造成的識(shí)別錯(cuò)誤。基于以上車身顏色識(shí)別技術(shù)的研究現(xiàn)狀，文章利用深度學(xué)習(xí)技術(shù)，在AlexNet［12］網(wǎng)絡(luò)模型的基礎(chǔ)上，并搭建 caffe深度學(xué)習(xí)框架，通過車身顏色的數(shù)據(jù)庫，進(jìn)行自主學(xué)習(xí)，提出一種基于深度卷積神經(jīng)網(wǎng)絡(luò)的車身顏色識(shí)別技術(shù)的研究方案。

1 車身顏色識(shí)別技術(shù)理論基礎(chǔ)

1.1 深度學(xué)習(xí)—caffe框架概述

深度學(xué)習(xí)是一個(gè)自主學(xué)習(xí)的過程，從底層到高層，類似于人體的神經(jīng)網(wǎng)絡(luò)系統(tǒng)。學(xué)習(xí)過程由低到高，層層挖掘數(shù)據(jù)的本質(zhì)信息。在圖像識(shí)別領(lǐng)域，HoG［13］、SIFT［14］等特征識(shí)別應(yīng)用比較多，但這些特征有著各自的限定條件。深度學(xué)習(xí)一開始應(yīng)用于圖像分類，在深度學(xué)習(xí)技術(shù)中，caffe框架是常用框架。2014年，caffe框架由伯克利大學(xué)發(fā)布，后來賈揚(yáng)清團(tuán)隊(duì)開發(fā)并由C++編譯caffe框架，搭配計(jì)算機(jī)GPU，其計(jì)算速度得到了很大的提高，Caffe所提供的測(cè)試單元在實(shí)際中廣泛應(yīng)用［15］。

1.2 卷積神經(jīng)網(wǎng)絡(luò)理論

隨著神經(jīng)計(jì)算模型［16］的提出，第一代感知機(jī)的神經(jīng)網(wǎng)絡(luò)［17］取得了良好的識(shí)別效果，特別是近幾年，深度學(xué)習(xí)模型優(yōu)化迅速發(fā)展，卷積神經(jīng)網(wǎng)絡(luò)CNN（Convolutional Neural Network）模型［18］應(yīng)用于圖像識(shí)別、人臉識(shí)別中效果較好，受限于莫爾茲曼RBM（Restricted Boltzmann Machines）模型和堆棧式自動(dòng)編碼機(jī)SAN（Stacked Auto-encoder Network）模型同樣是深度學(xué)習(xí)的重要應(yīng)用模型。卷積神經(jīng)網(wǎng)絡(luò)模擬人的神經(jīng)網(wǎng)絡(luò)，成功訓(xùn)練多層（輸入層、卷積層、降采樣層、全連接層）神經(jīng)網(wǎng)絡(luò)，此算法省去了圖像預(yù)處理，直接通過圖片輸入，自主學(xué)習(xí)圖像特征。最重要的是模型結(jié)構(gòu)、參數(shù)配置得到優(yōu)化，提高了模型訓(xùn)練測(cè)試速度和效果［19］。神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)如圖1所示。

圖1 卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)示意圖

（1）輸入層 卷積神經(jīng)網(wǎng)絡(luò)避免了圖像預(yù)處理，直接輸入原始圖片、多通道圖像或者圖像序列。

（2）卷積層 是卷積神經(jīng)網(wǎng)絡(luò)的關(guān)鍵。卷積層對(duì)原始圖像進(jìn)行卷積運(yùn)算，獲取特征圖特征，得到卷積特征圖，其結(jié)果經(jīng)過激勵(lì)函數(shù)作用，最終輸出為卷積層的輸出神經(jīng)元，從而構(gòu)成此層的特征向量表達(dá)式由式（1）表示為

式中：f為激活函數(shù)；t為卷積層數(shù)；kij為卷積核；*為2D的卷積操作；btj為偏置。

（3）降采樣層 可以得到抽樣特征，利用圖像局部相關(guān)性，對(duì)圖像進(jìn)行子抽樣，減少數(shù)據(jù)處理的工作量，由式（2）表示為

式中：w為權(quán)重；down（·）為降采樣函數(shù)。

（4）全連接層 神經(jīng)網(wǎng)絡(luò)的輸入層、卷積層、降采樣層的神經(jīng)元都與全連接層的各個(gè)神經(jīng)元連接。

利用卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行車身顏色識(shí)別，輸入層輸入原始圖像，卷積層通過卷積運(yùn)算，得到特征單元，降采樣層提取抽象特征，通過全連接層進(jìn)行分類，輸出層進(jìn)行輸出。卷積網(wǎng)絡(luò)中的各層相鄰神經(jīng)元之間互相連接。首先在圖像中獲取最原始的特征，特征提取的方法和位置無關(guān)，這些特征可以為更高層的神經(jīng)元所用［19］。特征圖的組成部分是模塊元，具有相同的權(quán)值，但位置不同。這些特征圖通過多次卷積，得到結(jié)果，再通過降采樣并反向調(diào)節(jié)，最后通過全連接層，實(shí)現(xiàn)對(duì)圖像的特征獲取，得到圖像的本質(zhì)信息。

2 車身顏色識(shí)別技術(shù)方案設(shè)計(jì)

研究方案可以分為2個(gè)模塊：樣本訓(xùn)練模塊和樣本測(cè)試模塊。方案設(shè)計(jì)的原理：（1）樣本訓(xùn)練模塊是通過機(jī)器學(xué)習(xí)來提取已知的車身圖片顏色特征，確定車身顏色的識(shí)別模型；（2）樣本測(cè)試模塊的處理過程利用樣本訓(xùn)練模塊得到的模型進(jìn)行特征提取，通過自主學(xué)習(xí)，得到車身顏色的識(shí)別最優(yōu)模型?？傮w設(shè)計(jì)方案如圖2所示。

圖2 車身顏色識(shí)別研究方案圖

研究方案表述的識(shí)別過程，（1）建立車身顏色數(shù)據(jù)庫，對(duì)數(shù)據(jù)庫進(jìn)行標(biāo)準(zhǔn)化處理，分類出實(shí)驗(yàn)所需要的車身顏色的訓(xùn)練樣本和車身顏色的測(cè)試樣本，通過車身顏色訓(xùn)練樣本來提取特征，確定研究的車身顏色識(shí)別模型；（2）利用車身顏色訓(xùn)練樣本得到的車身顏色識(shí)別模型，對(duì)測(cè)試樣本進(jìn)行測(cè)試，得到測(cè)試樣本的圖片特征，完成測(cè)試分類，識(shí)別出最終的車身顏色。

2.1 實(shí)驗(yàn)環(huán)境

實(shí)驗(yàn)選取的caffe框架在科研項(xiàng)目中應(yīng)用廣泛，其優(yōu)勢(shì)在于利用計(jì)算機(jī)的GPU來進(jìn)行訓(xùn)練，速度快、框架完整、兼容性強(qiáng)，并且容易搭建測(cè)試環(huán)境。因此，利用caffe框架來實(shí)現(xiàn)卷積神經(jīng)網(wǎng)絡(luò)模型。

計(jì)算機(jī)的處理器要求比較高，選擇Intel（R）Core（TM）i5-3210M＠2.5GHZ；運(yùn)行內(nèi)存比較大，以滿足caffe框架的運(yùn)行，選擇4.00 GB RAM；操作系統(tǒng)類型，要求兼容性強(qiáng)，選擇64位；實(shí)驗(yàn)需要搭建環(huán)境，配置Microsoft Visual Studio 2010軟件。

2.2 實(shí)驗(yàn)數(shù)據(jù)庫

實(shí)驗(yàn)過程中，統(tǒng)計(jì)了近幾年中國國內(nèi)車輛車身顏色比例。將顏色分為8種并進(jìn)行樣本訓(xùn)練和測(cè)試，按照標(biāo)準(zhǔn)分為白、黑、灰、紅、藍(lán)、黃、綠和紫，其比例各占22%、20%、12%、9%、6%、3%、3% 和1%，如圖3所示。

圖3 國內(nèi)車身顏色的比例統(tǒng)計(jì)圖

訓(xùn)練和測(cè)試的車輛顏色樣本是高清監(jiān)控或者卡口圖片，構(gòu)建的數(shù)據(jù)庫主要選取正常光照下的車輛圖片，包括少量逆光、順光、傍晚等背景下的車輛圖片。實(shí)驗(yàn)中建立車身顏色數(shù)據(jù)庫，包括白、黑、灰、紅、藍(lán)、黃、綠和紫各為1000張。數(shù)據(jù)庫中的樣本標(biāo)準(zhǔn)：車身顏色圖片具有唯一性，不可重復(fù)地存在于一個(gè)數(shù)據(jù)庫中；車身顏色肉眼可識(shí)別出結(jié)果，即顏色無明顯的顏色偏差；車身顏色圖片具有統(tǒng)一性，需要對(duì)圖片進(jìn)行歸一處理（高寬比大小256×256），得到輸入層要求的圖片尺寸；車身顏色圖片的復(fù)雜性，即車身顏色數(shù)據(jù)庫中包括黑天、白天、霧天、雨天等情況，增加數(shù)據(jù)庫的復(fù)雜性。實(shí)驗(yàn)需要進(jìn)行樣本訓(xùn)練和樣本測(cè)試，因此需要把車身顏色數(shù)據(jù)庫分為訓(xùn)練樣本數(shù)據(jù)庫和測(cè)試樣本數(shù)據(jù)庫，訓(xùn)練樣本數(shù)據(jù)庫包括白、黑、灰、紅、藍(lán)、黃、綠和紫各900張，其余的100張車身顏色圖片作為模型的測(cè)試樣本。

2.3 模型的訓(xùn)練及優(yōu)化

利用卷積神經(jīng)網(wǎng)絡(luò)能夠提取良好的特征，基于AlexNet網(wǎng)絡(luò)，搭建caffe深度學(xué)習(xí)框架進(jìn)行訓(xùn)練，配置好基本參數(shù)之后，需要進(jìn)行參數(shù)的微調(diào)才能得到較好的分類結(jié)果。識(shí)別精度由式（3）表示為

式中：Prei為第i類車身顏色圖片的識(shí)別準(zhǔn)確度；PTi為車身顏色圖片識(shí)別的正確樣本數(shù)；PFi為車身顏色圖片識(shí)別的錯(cuò)誤樣本數(shù)。

2.3.1 模型的訓(xùn)練

運(yùn)用訓(xùn)練樣本進(jìn)行CNN網(wǎng)絡(luò)的訓(xùn)練，模型的訓(xùn)練過程需要進(jìn)行層層特征提取，得到特征圖。模型訓(xùn)練之前，把樣本分成N組，樣本個(gè)數(shù)設(shè)為m，這樣就需要訓(xùn)練N次，每一次需要選取m／N個(gè)樣本。

（1）正向傳播

正向傳播需要將車身顏色的訓(xùn)練樣本的原始圖片通過輸入層輸入CNN網(wǎng)絡(luò)，通過卷積運(yùn)算，得到基本特征信息的特征圖。特征圖的大小為A×A，濾波器w的大小為n×n，最終提取的車身顏色特征圖大?。ˋ-n+1）×（A-n+1）。卷積層中每個(gè)特征圖的非線性輸入的結(jié)果，由式（4）表示為

卷積過程Conv在Matlab中由式（5）表示為

把式（5）中的卷積層計(jì)算的結(jié)果，通過激活函數(shù)作用，得到非線性的卷積結(jié)果由式（6）表示為

其下采樣過程不需要自身的學(xué)習(xí)過程，輸出f×f的區(qū)域值。如果經(jīng)過一個(gè)最大值的變換，即輸入層大小為N×N，由于每一個(gè)f×f的區(qū)域都要經(jīng)過最大值函數(shù)變化，變成一個(gè)值輸出，因此整個(gè)下采樣層輸出的大小為

（2）反向傳播

反向傳播是正向傳播的逆過程，過程中需要逐層計(jì)算，把實(shí)際輸出值與理想值進(jìn)行計(jì)算，得到誤差值。在卷積過程中，通過方差函數(shù)E來計(jì)算方差值，然后通過反向計(jì)算得到函數(shù)值，進(jìn)而來計(jì)算權(quán)值的梯度。在計(jì)算權(quán)值梯度的過程中，可以得到每一層的每一個(gè)神經(jīng)元輸出的方差為

根據(jù)鏈?zhǔn)椒▌t，誤差值反向傳播到前一層，具體的實(shí)現(xiàn)過程由式（9）表示為

根據(jù)式（7）～（9），通過反向傳播的逐層計(jì)算，誤差值逐層向上一層反饋，得到首層的誤差值。

2.3.2 模型的優(yōu)化

模型優(yōu)化關(guān)系到最終模型的優(yōu)劣。從模型的網(wǎng)絡(luò)層數(shù)、迭代次數(shù)、學(xué)習(xí)率三方面優(yōu)化卷積神經(jīng)網(wǎng)絡(luò)，通過自主提取特征，得到識(shí)別率較高的最優(yōu)模型。

（1）確定最優(yōu)的網(wǎng)絡(luò)層數(shù)

網(wǎng)絡(luò)層數(shù)的選取關(guān)系到模型的處理速度和圖像的信息效果。網(wǎng)絡(luò)層數(shù)過少，車身顏色的信息提取速度快，會(huì)失去有效信息。網(wǎng)絡(luò)層數(shù)過多，特征信息提取精度高，但訓(xùn)練速度慢。

根據(jù)實(shí)驗(yàn)構(gòu)建的數(shù)據(jù)庫，最優(yōu)的網(wǎng)絡(luò)層數(shù)需要識(shí)別效果來反饋。學(xué)習(xí)率設(shè)為0.001，迭代次數(shù)為30000次，通過控制變量法，設(shè)定不同的網(wǎng)絡(luò)層數(shù)，即網(wǎng)絡(luò)層數(shù)分別為7、8、9，各顏色樣本數(shù)為900張時(shí)的車身顏色識(shí)別正確率的變化，見表1。

表1 網(wǎng)絡(luò)層數(shù)的選取與識(shí)別正確率之間的關(guān)系表

從表1的識(shí)別效果來看，8層網(wǎng)絡(luò)的效果最好，而9層網(wǎng)絡(luò)的準(zhǔn)確率最低。

（2）迭代次數(shù)的確定

迭代次數(shù)在一定范圍內(nèi)，識(shí)別率與迭代次數(shù)成正比，當(dāng)?shù)螖?shù)超過這個(gè)范圍時(shí)，模型訓(xùn)練時(shí)間會(huì)增長，迭代次數(shù)對(duì)識(shí)別正確率的提升作用會(huì)減弱。

針對(duì)于相同的數(shù)據(jù)集，迭代次數(shù)的確定需要根據(jù)最終的分類識(shí)別效果來確定，假設(shè)卷積神經(jīng)網(wǎng)絡(luò)為8層，學(xué)習(xí)率初設(shè)為0.001，迭代次數(shù)分別取值10、20、30、40萬次，各顏色樣本數(shù)為 900張時(shí)的識(shí)別率變化，見表2。

表2 迭代次數(shù)的選取與識(shí)別正確率之間的關(guān)系表

從表2的識(shí)別效果來看，隨著迭代次數(shù)的增加，識(shí)別正確率也增加，迭代次數(shù)與識(shí)別正確率關(guān)系中來看，隨著迭代次數(shù)的增加，識(shí)別正確率的增加幅度越來越小，趨于平穩(wěn)。結(jié)果表明：迭代次數(shù)為30萬次是識(shí)別準(zhǔn)確率變化的轉(zhuǎn)折值，而迭代次數(shù)超過30萬次時(shí)，識(shí)別效果趨于穩(wěn)定，但不會(huì)出現(xiàn)過擬合現(xiàn)象。

（3）學(xué)習(xí)率的確定

學(xué)習(xí)率是深度學(xué)習(xí)中的一個(gè)重要的參數(shù)，學(xué)習(xí)率太大，會(huì)跨越識(shí)別率的極值點(diǎn)，設(shè)置太小，造成跨度太小，容易出現(xiàn)局部最優(yōu)。

采用基于經(jīng)驗(yàn)的手動(dòng)調(diào)整。通過控制變量法進(jìn)行訓(xùn)練測(cè)試，設(shè)網(wǎng)絡(luò)層數(shù)為8，迭代次數(shù)為30萬，嘗試采用不同的固定學(xué)習(xí)率進(jìn)行模型優(yōu)化，即0.1、0.01、0.001、0.0001。各顏色樣本數(shù)為 900張時(shí)，學(xué)習(xí)率的選取與識(shí)別正確率之間的關(guān)系見表3。

表3 學(xué)習(xí)率的選取與識(shí)別正確率之間的關(guān)系表

從表3中可以看出，當(dāng)學(xué)習(xí)率為0.1和0.001時(shí)識(shí)別正確率為92.7%，在其它參數(shù)一致的情況下，增大學(xué)習(xí)率，識(shí)別準(zhǔn)確率也會(huì)相應(yīng)下降。通過分析變化過程，發(fā)現(xiàn)識(shí)別準(zhǔn)確率變化波動(dòng)較大，當(dāng)學(xué)習(xí)率過大時(shí)，準(zhǔn)確率開始不穩(wěn)定。因此，根據(jù)學(xué)習(xí)率與識(shí)別正確率的關(guān)系，學(xué)習(xí)率設(shè)為0.001，進(jìn)行模型訓(xùn)練和測(cè)試。

（4）確定最優(yōu)網(wǎng)絡(luò)

實(shí)驗(yàn)表明，在深度卷積神經(jīng)網(wǎng)絡(luò)中，網(wǎng)絡(luò)層數(shù)、迭代次數(shù)、學(xué)習(xí)率影響車身顏色特征提取的速度和精度。同樣，濾波器的選取、特征維度和激活函數(shù)等，也是影響卷積神經(jīng)網(wǎng)絡(luò)模型的重要因素。

針對(duì)搜集的車身顏色數(shù)據(jù)庫，基于AlexNet網(wǎng)絡(luò)模型，確定的最終模型為卷積神經(jīng)網(wǎng)絡(luò)CNN模型層數(shù)為8，最大迭代次數(shù)為30萬，學(xué)習(xí)率為0.001。模型包括5個(gè)卷積層，以及3個(gè)全連接層，在每一個(gè)卷積層中都包含了激勵(lì)函數(shù)RELU與局部響應(yīng)歸一化LRN處理，之后再經(jīng)過降采樣處理。各顏色樣本數(shù)為900張時(shí)，模型的訓(xùn)練優(yōu)化結(jié)果，見表4。

表4 模型訓(xùn)練優(yōu)化結(jié)果表

3 實(shí)驗(yàn)結(jié)果及分析

3.1 識(shí)別結(jié)果效果分析

通過測(cè)試白、黑、灰、紅、藍(lán)、黃、綠和紫各100張車身顏色圖片，判斷卷積神經(jīng)網(wǎng)絡(luò)模型的性能優(yōu)劣。將卷積神經(jīng)網(wǎng)絡(luò)CNN模型與改進(jìn)后的HSV模型［20］、支持向量機(jī) SVM進(jìn)行測(cè)試，對(duì)結(jié)果進(jìn)行對(duì)比。基于建立的車身顏色數(shù)據(jù)庫，卷積神經(jīng)網(wǎng)絡(luò)模型的識(shí)別率達(dá)到93，2%，明顯優(yōu)于支持向量機(jī)SVM、改進(jìn)后的HSV模型的識(shí)別率，見表5。

表5 SVM、改進(jìn)后HSV模型、CNN模型結(jié)果對(duì)比表

由表5可以看出，SVM分類器、改進(jìn)后的HSV模型、卷積神經(jīng)網(wǎng)絡(luò)CNN模型的識(shí)別率都＞80%，改進(jìn)后的HSV顏色空間量化模板車身顏色識(shí)別率達(dá)到85.25%，略優(yōu)于傳統(tǒng)的SVM方法。利用深度學(xué)習(xí)技術(shù)，通過卷積神經(jīng)網(wǎng)絡(luò)CNN模型自主提取車身顏色特征，識(shí)別率遠(yuǎn)遠(yuǎn)高于前兩種方法，故滿足實(shí)時(shí)的要求。

3.2 測(cè)試結(jié)果原因分析

通過分析原始樣本圖像可知，車身顏色數(shù)據(jù)庫中的樣本被識(shí)別錯(cuò)誤的原因主要是背景的多樣性，逆光會(huì)讓顏色變暗，順光會(huì)增加光線強(qiáng)度，夜晚遠(yuǎn)光燈會(huì)讓顏色增強(qiáng)，失去車身顏色的原色，在識(shí)別過程中，出現(xiàn)了如圖4所示的情況。

（1）傍晚 綠車識(shí)別為黑色，這是由于在學(xué)習(xí)的過程中，夜間光線灰暗，再加上車燈照射，造成光線混亂，部分顏色偏暗，車身部分背光。

（2）逆光 黑色識(shí)別為藍(lán)色，這是由于在學(xué)習(xí)的過程中，正常光線下，深藍(lán)與黑色的色差較小，加上白天逆光狀態(tài)，光線灰暗，顏色混淆。

（3）順光 灰色識(shí)別為白色，這是由于銀色、灰色與白色顏色相近，在學(xué)習(xí)的過程中，白天順光情況下，白天強(qiáng)光的照射，造成車身部分反光，顏色混淆。

圖4 車身顏色識(shí)別錯(cuò)誤樣本代表圖

4 結(jié)論

通過上述研究可知：

（1）基于車身顏色數(shù)據(jù)庫，對(duì)卷積神經(jīng)網(wǎng)絡(luò)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練，網(wǎng)絡(luò)層數(shù)為8時(shí)，模型識(shí)別率為89.5%；迭代次數(shù)為30萬次時(shí)，模型趨于穩(wěn)定；學(xué)習(xí)率為0.001時(shí)，識(shí)別率為92.7%。因此，卷積神經(jīng)網(wǎng)絡(luò)最優(yōu)模型的神經(jīng)網(wǎng)絡(luò)層數(shù)為8，最大迭代次數(shù)為30萬，學(xué)習(xí)率為0.001。

（2）卷積神經(jīng)網(wǎng)絡(luò)顏色識(shí)別模型與改進(jìn)后的HSV顏色識(shí)別模型、支持向量機(jī)（SVM）顏色識(shí)別模型進(jìn)行測(cè)試對(duì)比，支持向量機(jī)SVM模型顏色識(shí)別率為80.05%、改進(jìn)后的 HSV模型顏色識(shí)別率為85.25%，卷積神經(jīng)網(wǎng)絡(luò)模型顏色識(shí)別率為90.20%，卷積神經(jīng)網(wǎng)絡(luò)模型顏色識(shí)別效果最好。

參考文獻(xiàn)：

［1］顧長海.公共安全中的視頻結(jié)構(gòu)化［J］.中國公共安全，2016（17）：141-143.

［2］鄧柳.基于深度卷積神經(jīng)網(wǎng)絡(luò)的車型識(shí)別［D］.成都：西南交通大學(xué)，2015.

［3］隨婷婷，王曉峰.一種基于CLMF的深度卷積神經(jīng)網(wǎng)絡(luò)模型［J／OL］.自動(dòng)化學(xué)報(bào)，2016，42（6）：875-882［2018-01-05］.

［4］王茜，張海仙.基于深度神經(jīng)網(wǎng)絡(luò)的汽車車型識(shí)別［J］.現(xiàn)代計(jì)算機(jī)（專業(yè)版），2015（35）：61-64.

［5］楊楠.基于Caffe深度學(xué)習(xí)框架的卷積神經(jīng)網(wǎng)絡(luò)研究［D］.石家莊：河北師范大學(xué)，2016.

［6］趙紅波，張涵.車輛顏色識(shí)別方法研究［J］.電視技術(shù)，2013，37（23）：207-209，233.

［7］Merler M.Car Color and Logo Recognition［C］.CSE IM90A Projet in Vision and Learning，2006：46-49.

［8］宋曉紅.車身顏色識(shí)別在高速公路卡口中的應(yīng)用［J］.中國交通信息化，2014（3）：87-90.

［9］Fang J，Yue H J，Li X Z.Color identifying of vehicles based on color container and BP network［C］.Proceeding of IEEE Conference on Business Management and Electronic lnformation，2012：226-229.

［10］Wu Y T，Kao JH，Yu M.A Vehicle color classification method for video surveillance system concerning model-based background subtraction［C］.Advances in Multimedia Information Processing-PCM，2010：369-380.

［11］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)（自然科學(xué)版），2017，37（1）：10-12.

［12］Krizhevsky A，Sutskever I，Hinton G E.ImageNet classification with deep convolutionalneural networks［J］.Commun ACM，2017，60（6）：84-90.

［13］Dalal N，Triggs B.Histograms of oriented gradients for human detection［C］.IEEE Computer Society Conference on Computer Vision and Pattern Recognition，2005：84-90.

［14］Lowe D G.Distinctive image features from scale-invariant keypoints［J］.International Journal of Computer Vision，2004，60（2）：91-110.

［15］Jia Y，Shelhamer E，Donahue J，etɑl.Caffe：Convolutional architecture for fast feature embedding［C］.Proceedings of the ACM International Conference on Multimedia，2014：667-675.

［16］Mcculloch W S，PittsW.A logical calculus of the ideas immanent in nervous activity［J］.The Bulletin of Mathematical Biophysics，1943，5（4）：115-133.

［17］Rosenblatt F. The perceptron： A probabilistic model for information storage and organization in the brain［J］.Psychological Review，1958，65（6）：386.

［18］Hinton G E，Salakhutdinov R R.Reducing the dimensionality of data with neural networks［J］.Science，2013，313（5786）：504-507.

［19］賈世杰，楊東坡，劉金環(huán).基于卷積神經(jīng)網(wǎng)絡(luò)的商品圖像精細(xì)分類［J］.山東科技大學(xué)學(xué)報(bào)（自然科學(xué)版），2014，33（6）：91-96.

［20］敖道敢.無監(jiān)督特征學(xué)習(xí)結(jié)合神經(jīng)網(wǎng)絡(luò)應(yīng)用于圖像識(shí)別［D］.廣州：華南理工大學(xué)，2014.