基于Faster R-CNN的車輛屬性識別

李傳秀 王哲

【摘要】 ? ?不良環(huán)境下的圖像目標(biāo)檢測技術(shù)，是道路交通中目標(biāo)檢測與狀態(tài)識別系統(tǒng)需要解決的關(guān)鍵性問題?；贔aster R-CNN （region-convliutionalneuralnetworks）的車輛屬性識別，用于處理車輛屬性的識別問題?？梢越鉀Q部分外形構(gòu)造基本相似的車輛之間的錯誤檢測問題。該方法對車輛檢測精度有所提高，也可加快車輛檢測的效率。

【關(guān)鍵詞】 ? ?車輛檢測 ? ?Faster R-CNN ? ?屬性識別

引言：

隨著人們的生產(chǎn)活動和經(jīng)濟的快速增長，人民生活水平快速提高，與之伴隨而來的是大氣環(huán)境遭到一定程度的破壞，從而導(dǎo)致霧霾天氣頻繁出現(xiàn)，在光線不好的天氣條件下，圖像獲取會使圖像對比度降低，使人類肉眼很難感知物體的基本狀態(tài)及其特征。從而，霧霾天氣條件下的交通環(huán)境存在著多方面的安全隱患，大氣中粒子對光線的散射和吸收，都會導(dǎo)致自然光線效果不好、事物及車輛能見度下降，導(dǎo)致各類交通問題及事故頻繁出現(xiàn)，因而行車過程中人車安全越來越受到社會各界的重視。

作為智能交通的重要組成部分，車輛目標(biāo)檢測，也受到國內(nèi)外研究者的廣泛關(guān)注。其中，輔助駕駛系統(tǒng)作為智能交通系統(tǒng)中重要的一部分，需要利用機器視覺技術(shù)，通過采集當(dāng)前車輛前方的交通環(huán)境及信息，并對圖像中受到的噪聲污染進(jìn)行處理，然后對圖像中感興趣區(qū)域進(jìn)行目標(biāo)檢測和識別工作，在突發(fā)情況下，可以及時自動地給出警報[1]。本文主要研究在不良環(huán)境下，如何為自動駕駛和無人駕駛車輛識別道路中其他車輛的屬性信息。

二、研究現(xiàn)狀

由于近年來霧霾天氣頻繁出現(xiàn)和汽車使用量加大，對霧霾去除的理論和方法越來越多的被研究者關(guān)注并提出了很有價值的方法。事實上，造成圖像對比度下降、顏色和分辨率等特征衰減的主要原因是光線在照射到物體的傳播過程中，遇到懸浮于大氣中粒徑比較大的氣溶膠粒子，并發(fā)生交互作用，其中散射是霧天圖像降質(zhì)的主要因素，而吸收和輻射作用所造成的影響則相對較小[2]。目前，國內(nèi)外許多專家學(xué)者在運動目標(biāo)的識別、檢測領(lǐng)域做了很多的研究工作。當(dāng)前還有些算法，是基于被跟蹤目標(biāo)的形狀來完成車載視頻中或單幀圖像中運動目標(biāo)的檢測，但魯棒性不強，容易受到噪聲影響，車輛之間和背景變化都會對其造成影響。

傳統(tǒng)的圖像處理方法通常采用提取特征方法，比如提取車輛的角點特征、邊緣特征、強度峰值等淺層特征，這些方法在提取過程中容易受光線明暗變化和車輛行駛狀態(tài)的影響，從而也不能準(zhǔn)確區(qū)分車輛外觀特性。張軍等人在“深度卷積神經(jīng)網(wǎng)絡(luò)的汽車車型識別方法”一文中提出改進(jìn)的深度學(xué)習(xí)網(wǎng)絡(luò)實現(xiàn)車型的分類，該方法可以完成對車輛大小進(jìn)行分類。

三、基于Faster R-CNN的車輛檢測與屬性識別

3.1 Faster R-CNN

R-CNN， SPP net和 Fast R-CNN 算法均采用選擇性搜索的方法提取建議區(qū)域。 Faster R-CNN 誕生于2015年，是 Two-stage 檢測算法的典型代表，具有識別漏檢率低、準(zhǔn)確率高、實時性強的特點。其選擇區(qū)域建議網(wǎng)絡(luò)（RPN）代替selective search進(jìn)行候選區(qū)域生成，從而可以減少圖像處理的時間。

車輛屬性識別包括車輛類別、顏色和狀態(tài)等參數(shù)識別，在道路交通中，車輛檢測的主要目的在于識別道路交通中車輛的狀態(tài)屬性，再將車輛圖像的識別結(jié)果輸入輔助駕駛系統(tǒng)中，進(jìn)而辨識前方車輛的具體狀態(tài)。不良天氣下車輛狀態(tài)別識別流程圖如圖1所示。

3.2車輛檢測識別模型

當(dāng)前成熟的車輛檢測方法很多，但傳統(tǒng)的檢測方法存在這樣或那樣的問題，如：計算量大或產(chǎn)生冗余候選框。道路交通中基于視頻的車輛檢測分類存在很多困難有時待檢目標(biāo)不完整或者車輛在光線、遠(yuǎn)近上產(chǎn)生的變化等?；诖?，本文擬采取Faster R-CNN算法實現(xiàn)車輛檢測和屬性識別。Faster R-CNN[3] 算法主要包括卷積層、RPN 層和坐標(biāo)回歸層等，網(wǎng)絡(luò)結(jié)構(gòu)如圖2所示，在卷積層可以進(jìn)行車輛的特征提取，卷積核從7*7到3*3逐步減小，從而盡可能保留更多的淺層特征。然后將生成的特征圖像和輸入圖像在RPN層生成候選框，在回歸層進(jìn)一步確定候選框的具體大小和位置。

在車輛識屬性別領(lǐng)域有很多種分類方法，除了基本的對車輛具體所屬類型進(jìn)行識別、對車輛的顏色屬性進(jìn)行分類識別之外，還可以識別車輛所處的具體坐標(biāo)位置和車輛的紋理等外觀屬性，但是大多屬性識別都是割離并獨立的，不考慮多個屬性間的特征關(guān)系而進(jìn)行的屬性識別準(zhǔn)確率在一定程度上會有所下降。因此，我們嘗試進(jìn)行多屬性分類，從全連接層入手，將其改為多個，每個全連接層對應(yīng)一個降維層。

3.3 模型訓(xùn)練

本文旨在實現(xiàn)對汽車的多個屬性目標(biāo)檢測和分類問題，所以對數(shù)據(jù)集的種類和數(shù)據(jù)量有一定的要求，基于Faster R-CNN的車輛屬性檢測識別方法需要對大量的數(shù)據(jù)樣本進(jìn)行特征學(xué)習(xí)和訓(xùn)練，因此對數(shù)據(jù)集的選取應(yīng)當(dāng)具代表性，從而可以夠更好地對所提取特征進(jìn)行學(xué)習(xí)。本文采用的數(shù)據(jù)樣本從標(biāo)定了坐標(biāo)信息和車輛屬性包括品牌、車輛類型、車輛姿態(tài)等等多種類型如：商務(wù)車、面包車、公交車、卡車和小汽車等。

訓(xùn)練采用 tensorflow作為深度學(xué)習(xí)框架，硬件配置為Intel i5處理器、8 G 內(nèi)存;軟件環(huán)境是 Ubuntu14.04 系統(tǒng)，python3.7。分類后訓(xùn)練過程分為RPN、Faster RCNN、RPN2、Faster RCNN+RPN四個步驟。具體如圖3所示。

學(xué)習(xí)過程通過對候選區(qū)大小在RPN中的最佳重疊率 （Average Best Overlap，ABO）的評估[4-5]，確定該候選區(qū)域和被檢測目標(biāo)是否適合，并根據(jù)結(jié)果對范圍進(jìn)行選擇，算式如下：

四、結(jié)束語

基于Faster R-CNN的汽車屬性識別方法，采集了道路交通中車載視頻獲取的交通數(shù)據(jù)學(xué)習(xí)，訓(xùn)練過程利用汽車數(shù)據(jù)集進(jìn)行訓(xùn)練。在全連接層將車輛的多個屬性進(jìn)行連接，屬性類別包括車輛的顏色、車型等，從而有效地提高了識別車輛屬性的正確率。圖4為數(shù)據(jù)輸入，圖5為實驗效果圖，如下所示。

參 ?考 ?文 ?獻(xiàn)

[1]李俊澤.面向輔助駕駛的交通場景圖像預(yù)處理研究. [湖南大學(xué)碩士學(xué)位論文].長沙： 湖南大學(xué)， 2015

[2]翟藝書·霧天降質(zhì)圖像的清晰化技術(shù)研究：[博士學(xué)位論文]·大連：大連海事大學(xué)，2008

[3] Ren SQ， He KM， Girshick R， et al. Faster R-CNN： Towardsreal-time ?object ?detection ?with ?region ?proposal ?networks.IEEE ?Transactions ?on ?Pattern ?Analysis ?and ?MachineIntelligence， 2017， 39（6）： 1137–1149. [doi： 10.1109/TPAMI.2016.2577031]

[4]趙慶北，元昌安，覃曉 . 改進(jìn)Faster R-CNN 的小目標(biāo)檢測[J]. 廣西師范學(xué)院學(xué)報（自然科學(xué)版），2018，35（2）：68-73.

[5]李曉光，付陳平，李曉莉等.面向多尺度目標(biāo)檢測的改進(jìn)Faster R-CNN算法[J].計算機輔助設(shè)計與圖形學(xué)學(xué)報，2019（7）：1095-1101.