基于深度學(xué)習(xí)的復(fù)雜場(chǎng)景下車輛識(shí)別方法探討

沈子龍

摘 要：通常在相對(duì)復(fù)雜的場(chǎng)景下，會(huì)對(duì)入場(chǎng)車輛產(chǎn)生嚴(yán)重遮擋的情況，再加之部分車輛尺寸較小，所以車輛識(shí)別系統(tǒng)在識(shí)別車輛的過程中會(huì)存在別率低、虛警率高等難題。為了有效解決該問題，本次研究中提出一種基于深度學(xué)習(xí)的復(fù)雜場(chǎng)景下有效識(shí)別車輛的方法?？梢愿鶕?jù)場(chǎng)景當(dāng)中車輛存在的特點(diǎn)，以可視化解析的方式分析公開數(shù)據(jù)集當(dāng)中的標(biāo)注性文件，運(yùn)用深度學(xué)習(xí)對(duì)復(fù)雜場(chǎng)景下車輛進(jìn)行有效識(shí)別。

關(guān)鍵詞：深度學(xué)習(xí);車輛識(shí)別;應(yīng)用

0.? 引言

我國城市化的不斷深入以及交通道路的快速發(fā)展使我國公路車輛的數(shù)量不斷攀升，進(jìn)而造成城市交通擁堵、難停車等一系列負(fù)面問題。為了減輕這類問題的嚴(yán)重性，有學(xué)者提出使用深度學(xué)習(xí)法分析與調(diào)整城市交通和停車狀況，從而引發(fā)一定程度上的關(guān)注。

對(duì)于復(fù)雜場(chǎng)景下的目標(biāo)識(shí)別方法，國內(nèi)外學(xué)者提出了許多的內(nèi)容和觀點(diǎn)。盡管如此，但是在車輛識(shí)別的過程中都會(huì)面臨著目標(biāo)圖像背景復(fù)雜、尺寸相差大、遮擋嚴(yán)重等因素引起的目標(biāo)識(shí)別率較低、虛警率高、實(shí)時(shí)性差等一系列問題。

在研究過程中，發(fā)現(xiàn) YOLO v2利用回歸法可以實(shí)現(xiàn)車輛的分類與檢測(cè)同步進(jìn)行，進(jìn)而使車輛的訓(xùn)練與識(shí)別實(shí)踐縮短。

為了滿足復(fù)雜的場(chǎng)景下有效識(shí)別車輛的需要，本次研究在 YOLO v2網(wǎng)絡(luò)模型基礎(chǔ)上提出深度學(xué)習(xí)的車輛識(shí)別方法，配合標(biāo)注文件解析等方法規(guī)范數(shù)據(jù)集標(biāo)注文件，確保學(xué)習(xí)樣本的準(zhǔn)確性。在運(yùn)用回歸的基礎(chǔ)上使計(jì)算速度得到提升。經(jīng)過實(shí)踐應(yīng)用最終得出結(jié)論，基于深度學(xué)習(xí)的車輛識(shí)別算法可以有效的提升車輛識(shí)別率，實(shí)用性較強(qiáng)。

1.? 深度學(xué)習(xí)基礎(chǔ)上的車輛快速識(shí)別方法

1.1???? 數(shù)據(jù)預(yù)處理

數(shù)據(jù)預(yù)處理的終于要內(nèi)容包括對(duì)數(shù)據(jù)的裁剪、標(biāo)注、批量規(guī)范、化、數(shù)據(jù)增強(qiáng)。

（1） 對(duì)標(biāo)注文件進(jìn)行可視化解析與調(diào)整

通過對(duì)攝像頭和網(wǎng)絡(luò)采集的數(shù)據(jù)進(jìn)行人為標(biāo)注，在深度網(wǎng)絡(luò)模型訓(xùn)練當(dāng)中可能會(huì)用到這些數(shù)據(jù)。

在本次研究中使用 LabelImg 法對(duì)每張圖片當(dāng)中存在的車輛進(jìn)行標(biāo)注并整理訓(xùn)練數(shù)據(jù)集，每張圖片現(xiàn)實(shí)汽車標(biāo)注的工作完成以后，使用 Labe- lImg 法會(huì)在原圖目錄的基礎(chǔ)上，會(huì)生成與原圖相匹配的 xml 格式文件，在這個(gè)文件的內(nèi)容中，對(duì)該圖片的路徑、標(biāo)記框的相對(duì)位置、標(biāo)記框內(nèi)物體的類別等內(nèi)容進(jìn)行了明確的標(biāo)注[1]。

如果發(fā)現(xiàn)需要標(biāo)注的圖像當(dāng)中車輛太小，就可以選擇放棄將次圖片加入到訓(xùn)練集當(dāng)中。

微軟公司的 COCO 公共數(shù)據(jù)集圖像無法實(shí)現(xiàn)對(duì)觀察標(biāo)注框內(nèi)部包圍車輛的實(shí)際情況進(jìn)行清晰觀察。為了避免這種情況帶來的一系列負(fù)面問題，所以在本次研究編寫腳本的過程中可以用可視化分析方法處理公共數(shù)據(jù)集標(biāo)注文件，重新標(biāo)注漏標(biāo)、誤標(biāo)等一系列情況，進(jìn)而使訓(xùn)練數(shù)據(jù)集的質(zhì)量得到提升。

（2） 增強(qiáng)數(shù)據(jù)

所謂的數(shù)據(jù)增強(qiáng)是在每一次訓(xùn)練正式開始之前在特定范圍內(nèi)旋轉(zhuǎn)、對(duì)隨即曝光度進(jìn)行設(shè)計(jì)、對(duì)隨機(jī)飽和度進(jìn)行設(shè)計(jì)。

通過增強(qiáng)數(shù)據(jù)等方式可以有效預(yù)處理訓(xùn)練集，進(jìn)而在最大程度上降低由于計(jì)算機(jī)視覺模型泛化產(chǎn)生的誤差。在實(shí)際的測(cè)試過程中，可以把同一輸入通過不同的版本傳遞到模型，模型比例的不同決定了模型輸出的不同，即通過集成法有效解決問題，泛化誤差程度被降低。結(jié)合傳感器的采集特點(diǎn)可以實(shí)現(xiàn)在將訓(xùn)練集和驗(yàn)證集融入到特定場(chǎng)景的圖像當(dāng)中，由此場(chǎng)景目標(biāo)識(shí)別的效果就會(huì)得到增強(qiáng)。

1.2???? YOLO 模型的物體識(shí)別方法

使用 YOLO 模型的物體識(shí)別方法可以實(shí)現(xiàn)對(duì)回歸問題進(jìn)行求解，進(jìn)而使原始圖像從輸入到輸出物體的位置與類別[2]。

使用 YOLO 模型的物體識(shí)別方法，無論是檢測(cè)還是訓(xùn)練都是在一個(gè)獨(dú)立的網(wǎng)絡(luò)中進(jìn)行的。 YOLO v2使用全新的網(wǎng)絡(luò)，常用的卷積核為3*3， 一次池化操作結(jié)束后，通道的數(shù)量就會(huì)出現(xiàn)翻倍增長。YOLO 模型的物體識(shí)別方法在使用的過程中可以引用 network in network 思想，將卷積核1*1穿插在卷積核3*3中間，使目標(biāo)特征被壓縮。

YOLO v2技術(shù)的內(nèi)部含有卷積層、最大值池化層，分別是19個(gè)、5個(gè)。最后一層網(wǎng)絡(luò)數(shù)量為13*13，相比曾經(jīng)的7*7網(wǎng)絡(luò)，處理細(xì)粒度目標(biāo)數(shù)量就會(huì)出現(xiàn)成倍增加，相比26*26的特征，與13*13實(shí)現(xiàn)同時(shí)決策，包括貢獻(xiàn)為雙層、SSD 網(wǎng)絡(luò)大于4層都是相等的，因而計(jì)算量增加程度并不顯著。

為了使 YOLO v2可以在任何尺度下進(jìn)行任務(wù)檢測(cè)，有學(xué)者曾試驗(yàn)使用分辨率不同的圖片使網(wǎng)絡(luò)的適應(yīng)性得到提升，不過該方法只運(yùn)用到了卷積層與池化層，如此一來在進(jìn)行動(dòng)態(tài)調(diào)整時(shí)將會(huì)更加有效[3]。

2.? 實(shí)踐與分析

為了證明上述分析的有效性，接下來通過 COCO 數(shù)據(jù)集和 PCAR 數(shù)據(jù)集分析與對(duì)比不同深度學(xué)習(xí)網(wǎng)絡(luò)模型識(shí)別性能[3]。

COCO 數(shù)據(jù)集是一種以微軟維護(hù)為前提的圖像數(shù)據(jù)集，可以進(jìn)行一系列的機(jī)器視覺任務(wù)的數(shù)據(jù)集工作，包括識(shí)別對(duì)象、分割圖像、識(shí)別圖片中字幕等工作。

COCO 數(shù)據(jù)集具有較為強(qiáng)大的工作能力，可以處理圖像數(shù)量大于30萬、實(shí)例大于200萬、對(duì)象80大于類實(shí)現(xiàn)同時(shí)處理。本次研究中僅選擇數(shù)據(jù)集當(dāng)中的一部分進(jìn)行使用，數(shù)據(jù)集主要由兩部分組成，含其中車輛訓(xùn)練圖8290張、車輛測(cè)試圖4051張，圖片分辨率全部都在640*640以下。

本次研究進(jìn)行了三組實(shí)驗(yàn)進(jìn)行相互對(duì)比，在實(shí)驗(yàn)中除了運(yùn)用到 YOLO 以外，還運(yùn)用到了 SSD 以及改良版的 COCO 算法，數(shù)據(jù)上行訓(xùn)練集結(jié)束后，可以使用 COCO 測(cè)試集進(jìn)行測(cè)試。

本次研究中運(yùn)用到 YOLO、SSD、改良版 COCO 數(shù)據(jù)三種技術(shù)，通過三種算法對(duì) COCO 數(shù)據(jù)集進(jìn)行訓(xùn)練，分別對(duì)同一張圖片進(jìn)行測(cè)試，測(cè)試效果相對(duì)直觀，首先在 YOLO 、SSD、改良版 COCO 測(cè)試結(jié)果技術(shù)的基礎(chǔ)上觀察車輛識(shí)別效果，可以清晰的看出無論使用 YOLO 還是 SSD 模型進(jìn)行圖片測(cè)試，均存在虛警現(xiàn)象，YOLO 技術(shù)會(huì)出現(xiàn)將多輛車與背景識(shí)別為一輛車的情況，SSD 技術(shù)車輛識(shí)別圖像當(dāng)中會(huì)將公路、花壇、摩托車錯(cuò)誤的識(shí)別為車輛。改良版 COCO 可以在一定程度上規(guī)避將其它目標(biāo)或背景錯(cuò)誤識(shí)別為車輛[4]。

經(jīng)過實(shí)踐證明，改良版 COCO 增強(qiáng)了車輛識(shí)別精確強(qiáng)度，將虛警現(xiàn)象有效消除。

結(jié)論：

復(fù)雜場(chǎng)景下的車輛識(shí)別是長期以來對(duì)工作人員造成困擾的一項(xiàng)難題，本次研究從深度學(xué)習(xí)的角度出發(fā)對(duì)復(fù)雜場(chǎng)景下車輛識(shí)別方法進(jìn)行研究。具體做法是針對(duì)傳統(tǒng)的 COCO 法文件進(jìn)行重新標(biāo)注，隨后使用 YOLO、SSD 以及改良版的 COCO 法對(duì)復(fù)雜場(chǎng)景下的車輛識(shí)別進(jìn)行實(shí)踐分析，發(fā)現(xiàn)無論是 YOLO 還是 SSD 都存在將周圍的非車輛目標(biāo)識(shí)別為車輛，進(jìn)而增大了實(shí)驗(yàn)誤差，最終結(jié)果顯示改良版的 COCO 法在復(fù)雜場(chǎng)景下的車輛識(shí)別工作中展現(xiàn)出更出眾的效果。

參考文獻(xiàn)：

[1] 石鑫，趙池航，林盛梅，李彥偉，薛善光，錢子晨.基于深度學(xué)習(xí)網(wǎng)絡(luò)模型的車輛類型識(shí)別方法研究 [J]. 筑路機(jī)械與施工機(jī)械化，2020，37（04）：67-73+78.

[2] 程遠(yuǎn)航，吳銳.基于圖像實(shí)例分割的行人車輛檢測(cè)識(shí)別方法[J].信息與電腦（理論版），2020，32（06）：130-132.

[3] 石鑫，趙池航，張小琴，李彥偉，薛善光，毛迎兵.基于融合特征稀疏編碼模型的車輛品牌識(shí)別方法[J].筑路機(jī)械與施工機(jī)械化，2020，37（03）：59-63.[4]朱文佳，付源梓，金強(qiáng)，余燁.視角相關(guān)的車輛型號(hào)精細(xì)識(shí)別方法[J].合肥工業(yè)大學(xué)學(xué)報(bào)（自然科學(xué)版），2020，43（02）：205-210+279.

[5] 蘇婕，張磊，申欣，徐海豐.基于號(hào)牌識(shí)別數(shù)據(jù)的車輛出行鏈分離方法研究[J].汽車與安全，2020（02）：88-91.

[6] 王也. 基于深度學(xué)習(xí)與虛擬數(shù)據(jù)的車輛識(shí)別與狀態(tài)估計(jì)研究[D].吉林大學(xué)，2019.