基于憶阻神經(jīng)網(wǎng)絡(luò)的車輛標(biāo)志識(shí)別技術(shù)研究

羅運(yùn)鑫 佘 堃 于 鑰 李 洋

1(電子科技大學(xué)信息與軟件工程學(xué)院 成都 610054) 2(廳市共建智能終端四川省重點(diǎn)實(shí)驗(yàn)室(電子科技大學(xué)宜賓研究院) 四川宜賓 644002)

1971年，Chua教授[1]根據(jù)電路理論的完備性和對(duì)稱性預(yù)言憶阻器的存在，它是除電阻、電容和電感外的第4類基本電子元器件.憶阻器作為天然的電子突觸，是模擬人腦和神經(jīng)系統(tǒng)的最佳選擇，在未來是新型人工神經(jīng)網(wǎng)絡(luò)的首選器件.憶阻器和神經(jīng)網(wǎng)絡(luò)的有效結(jié)合將大大改變?nèi)斯ぶ悄茴I(lǐng)域，這不僅對(duì)神經(jīng)網(wǎng)絡(luò)硬件化的研究和人工智能領(lǐng)域的發(fā)展有著重要的意義，也將在違章停車、假套車牌檢測(cè)、違章車輛逃逸等應(yīng)用領(lǐng)域有重要意義.在物聯(lián)網(wǎng)時(shí)代萬物互聯(lián)，車聯(lián)網(wǎng)作為其產(chǎn)物之一為消費(fèi)者提供了便利的出行方式，但在智能交通信息安全方面也存在各種風(fēng)險(xiǎn)[2].不安全的用戶行為和各種信息安全威脅共同組成了車聯(lián)網(wǎng)中的車輛安全問題[3].

本文基于憶阻器的特性構(gòu)建憶阻交叉陣列，用于灰度圖像的存儲(chǔ)，采用的全新數(shù)字圖像預(yù)處理算法實(shí)現(xiàn)數(shù)據(jù)增強(qiáng)操作.對(duì)于VLR-40數(shù)據(jù)集，憶阻神經(jīng)網(wǎng)絡(luò)準(zhǔn)確率可達(dá)97.35%，比MobileNetV2準(zhǔn)確率高0.3%，網(wǎng)絡(luò)模型的泛化性能得到了提高，能有效地對(duì)抗真實(shí)場(chǎng)景中的噪聲，具有較高的準(zhǔn)確率，在智能交通信息安全中具有巨大的現(xiàn)實(shí)意義.

1 相關(guān)研究及進(jìn)展

1.1 車輛標(biāo)志識(shí)別的發(fā)展及研究現(xiàn)狀

車輛標(biāo)志識(shí)別的關(guān)鍵技術(shù)在于特征提取和分類器的選擇，特征和分類器的好壞直接決定車輛標(biāo)志的識(shí)別準(zhǔn)確率，而且圖像背景復(fù)雜度、圖像噪聲程度、光照強(qiáng)度和圖像畸變等因素都會(huì)影響車輛標(biāo)志的識(shí)別.

車輛標(biāo)志識(shí)別作為智能交通系統(tǒng)(intelligent transportation system, ITS)的核心技術(shù)之一，有助于準(zhǔn)確地辨別車輛身份，為假套牌車的調(diào)查提供可靠證據(jù).國(guó)內(nèi)外研究人員一直嘗試著各種方法對(duì)車輛標(biāo)志進(jìn)行識(shí)別，也取得一定的研究成果.早期的車輛標(biāo)志識(shí)別方法主要以研究特征提取為主，采用支持向量機(jī)(support vector machines, SVM)用于分類.傳統(tǒng)的模板匹配方法[4]不僅耗時(shí)，而且對(duì)模板較為敏感，當(dāng)圖像出現(xiàn)畸變或旋轉(zhuǎn)時(shí)，該方法識(shí)別率較差.2004年，羅彬等人[5]提出基于邊緣直方圖的快速汽車標(biāo)志識(shí)別方法，然而該方法的計(jì)算量較大，識(shí)別率一般；文獻(xiàn)[6]提出基于尺度不變特征變換(SIFT)的車輛標(biāo)志識(shí)別方法，該方法對(duì)畸變圖像不敏感，識(shí)別率高于模板匹配方法，但這種方法相對(duì)耗時(shí)；文獻(xiàn)[7]提出基于BP神經(jīng)網(wǎng)絡(luò)的車輛標(biāo)志識(shí)別方法，該方法是利用主成分分析法(principal components analysis, PCA)對(duì)車輛標(biāo)志的訓(xùn)練樣本進(jìn)行數(shù)據(jù)降維，再通過BP神經(jīng)網(wǎng)絡(luò)進(jìn)行車輛標(biāo)志識(shí)別，方法簡(jiǎn)單有效.

相對(duì)于傳統(tǒng)的神經(jīng)網(wǎng)絡(luò)，深度學(xué)習(xí)讓網(wǎng)絡(luò)自主學(xué)習(xí)特征，解放繁瑣的人工選取特征的步驟.2015年， Ren等人[8]使用Faster-RCNN(faster-region convolutional neural network)實(shí)現(xiàn)目標(biāo)檢測(cè)和識(shí)別；2018年， Huang等人[9]提出一種帶有2個(gè)不同卷積神經(jīng)網(wǎng)絡(luò)(VGG-16(visual geometry group-16)和ResNet-50)的Faster-RCNN模型，用于車輛標(biāo)志的定位及識(shí)別，該方法對(duì)復(fù)雜外界環(huán)境中采集的含有車輛標(biāo)志的圖像有很好的魯棒性，平均準(zhǔn)確率達(dá)到94.33%；2019年，Zhao等人[10]先用帶有Sobel邊緣檢測(cè)的平滑窗口進(jìn)行車輛標(biāo)志定位，然后基于SIFT特征和最近鄰分類器進(jìn)行識(shí)別，雖然圖像的分辨率較低且光照情況不一，但識(shí)別率也達(dá)到85%左右；2020年，Zhang等人[11]改善YOLOv2網(wǎng)絡(luò)并進(jìn)行車輛標(biāo)志的檢測(cè)，識(shí)別效果相對(duì)原來的YOLOv2網(wǎng)絡(luò)也有提高.

1.2 憶阻器研究現(xiàn)狀

人類大腦是一個(gè)復(fù)雜的神經(jīng)網(wǎng)絡(luò)系統(tǒng)，有大約1011～1012個(gè)神經(jīng)元，突觸是神經(jīng)網(wǎng)絡(luò)系統(tǒng)的重要組成部分，具有連接神經(jīng)元和信息傳遞功能.

憶阻器作為天然的突觸材料，它的阻值會(huì)隨著外加信號(hào)的變化而變化，這與生物學(xué)中的神經(jīng)突觸原理相似，能模擬神經(jīng)系統(tǒng)中的突觸連接強(qiáng)度和傳遞效率.憶阻器作為神經(jīng)元之間的突觸概念示意圖如圖1所示.

圖1 憶阻器作為神經(jīng)元之間的突觸概念示意圖

2011年，HP實(shí)驗(yàn)室的Snider團(tuán)隊(duì)[12]首次將憶阻器與突觸聯(lián)系起來，研究如何用憶阻器模擬突觸的記憶功能；2010年，Jo等人[13]前后依次采用1個(gè)憶阻器和2個(gè)憶阻器模擬神經(jīng)網(wǎng)絡(luò)中突觸的行為特性；2011年，Kim等人[14]分別用5個(gè)和4個(gè)憶阻器搭建類似橋的突觸電路，前者電路可以實(shí)現(xiàn)突觸權(quán)重，僅用1個(gè)憶阻器進(jìn)行權(quán)值計(jì)算，另外4個(gè)憶阻器進(jìn)行符號(hào)設(shè)置，后者電路不需要符號(hào)設(shè)置即可獲得正、0和負(fù)突觸權(quán)值；2012年，Kim等人[15]又提出一種基于憶阻橋突觸設(shè)計(jì)的多層神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)；2015年，西南大學(xué)Duan等人[16]提出用2個(gè)憶阻器和2個(gè)電阻的改進(jìn)憶阻橋突觸電路，簡(jiǎn)化了權(quán)重處理，但不適合集成；2018年，Yang等人[17]實(shí)現(xiàn)憶阻橋突觸模擬生物突觸的興奮和抑制，并利用神經(jīng)憶阻突觸陣列設(shè)計(jì)細(xì)胞神經(jīng)網(wǎng)絡(luò)電路，以加速神經(jīng)網(wǎng)絡(luò)運(yùn)算[18]；同年，基于憶阻突觸特性，王麗丹等人[19]結(jié)合神經(jīng)元晶體管，設(shè)計(jì)新型的憶阻神經(jīng)網(wǎng)絡(luò)，實(shí)現(xiàn)聯(lián)想記憶功能；2019年，Hu等人[20]提出基于憶阻突觸的Hopfield神經(jīng)網(wǎng)絡(luò)，并詳細(xì)研究其聯(lián)想記憶的召回時(shí)間；2020年，Wang等人[21]采用憶阻交叉陣列表示神經(jīng)元之間的突觸權(quán)值，提出基于憶阻器的連續(xù)Hopfield神經(jīng)網(wǎng)絡(luò)用于圖像恢復(fù).

上述一系列研究表明憶阻器具有突觸特性，可以與神經(jīng)網(wǎng)絡(luò)結(jié)合，為目前神經(jīng)網(wǎng)絡(luò)發(fā)展面臨的問題提供了新的方向，也為尋找新的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)提供了無限可能.

1.3 憶阻神經(jīng)網(wǎng)絡(luò)發(fā)展及研究現(xiàn)狀

1943年，人工神經(jīng)網(wǎng)絡(luò)興起，McCulloch和Pitts[22]提出首個(gè)用建模描述大腦信息處理過程的M-P神經(jīng)元模型.2013年，Hebb[23]提出突觸是聯(lián)系可變的假設(shè)，促進(jìn)了神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)算法的研究.直到1958年Rosenblat[24]提出首個(gè)比較完整的人工神經(jīng)網(wǎng)絡(luò)-感知機(jī)模型，首次把神經(jīng)網(wǎng)絡(luò)的研究應(yīng)用在實(shí)際工程中，從此相關(guān)的人工神經(jīng)網(wǎng)絡(luò)研究進(jìn)入熱潮.

傳統(tǒng)集成電路缺乏集成度高和支持多連接的突觸結(jié)構(gòu)，采用人工神經(jīng)網(wǎng)絡(luò)模擬人腦進(jìn)行智能學(xué)習(xí)很難完全實(shí)現(xiàn)，只能集中在較小規(guī)模的神經(jīng)元和突觸電路上.憶阻器的發(fā)現(xiàn)給人工神經(jīng)網(wǎng)絡(luò)帶來曙光，它的內(nèi)部離子遷移十分類似于神經(jīng)突觸里的神經(jīng)遞質(zhì)擴(kuò)散過程，利用憶阻器模擬神經(jīng)網(wǎng)絡(luò)中的突觸成為一大趨勢(shì)[13]，神經(jīng)形態(tài)學(xué)電路和系統(tǒng)研究迎來新高潮.

2007年，Snider等人[25]提出一種憶阻突觸神經(jīng)網(wǎng)絡(luò)模型，并嘗試解決網(wǎng)絡(luò)的容錯(cuò)能力和自組織神經(jīng)系統(tǒng)問題；2011年，Querlioz等人[26]設(shè)計(jì)一種憶阻神經(jīng)網(wǎng)絡(luò)系統(tǒng)，并給出一些該憶阻CNN系統(tǒng)在醫(yī)學(xué)應(yīng)用領(lǐng)域的測(cè)試數(shù)據(jù)；同年，Kim等人[14]采用憶阻橋作為神經(jīng)網(wǎng)絡(luò)的突觸，并搭建CNN自動(dòng)機(jī)網(wǎng)絡(luò)應(yīng)用于圖像處理；文獻(xiàn)[27]結(jié)合遺傳基因算法，將幾種不同類型的憶阻器模型應(yīng)用于自適應(yīng)連接的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，從軟硬件上解決路徑導(dǎo)航優(yōu)化問題，充分驗(yàn)證憶阻神經(jīng)網(wǎng)絡(luò)的使用價(jià)值；2015年，電子科技大學(xué)Liu教授團(tuán)隊(duì)[28]在硬件電路上實(shí)現(xiàn)可重構(gòu)憶阻Hopfield神經(jīng)網(wǎng)絡(luò)的聯(lián)想記憶功能;西南大學(xué)Duan團(tuán)隊(duì)[29]也研究了憶阻Hopfield神經(jīng)網(wǎng)絡(luò)在聯(lián)想記憶和數(shù)字識(shí)別方面的應(yīng)用;2019年，Parastesh等人[30]提出一種基于憶阻器的雙曲型Hopfield神經(jīng)網(wǎng)絡(luò)，并研究其網(wǎng)絡(luò)的穩(wěn)定性狀態(tài);文獻(xiàn)[31]提出具有記憶性的深度卷積神經(jīng)網(wǎng)絡(luò)，這種網(wǎng)絡(luò)不僅減少憶阻器的數(shù)量，在識(shí)別率方面也高于一些其他網(wǎng)絡(luò);2020年，Wu等人[32]提出一種全硬件執(zhí)行的憶阻卷積神經(jīng)網(wǎng)絡(luò)，應(yīng)用于數(shù)字識(shí)別，其識(shí)別率超過96%，這一結(jié)果有望為深度神經(jīng)網(wǎng)絡(luò)和邊緣計(jì)算提供一個(gè)可行的解決方案.

2 基于憶阻神經(jīng)網(wǎng)絡(luò)的車輛標(biāo)志識(shí)別

2.1 憶阻交叉陣列存儲(chǔ)灰度圖像

憶阻器是一種可以連續(xù)輸出的器件，理論上擁有無數(shù)個(gè)阻值狀態(tài)，可以記憶圖像的灰度值.按照線性映射關(guān)系，如果1個(gè)憶阻器的阻值對(duì)應(yīng)1張圖像的1個(gè)像素值，那么1個(gè)大小為224×224的憶阻交叉陣列結(jié)構(gòu)就可以存儲(chǔ)1張尺寸為224×224的圖像.

憶阻交叉陣列存儲(chǔ)灰度圖像的步驟如下：

1) 設(shè)置憶阻器的阻值等級(jí)，分別對(duì)應(yīng)灰度圖像的256級(jí)灰度.如圖2所示，當(dāng)給憶阻器2端施加1個(gè)幅值為1 V的正弦信號(hào)時(shí)，憶阻值會(huì)隨著輸入信號(hào)的變化而變化，當(dāng)輸入信號(hào)逐漸增大至最大值時(shí)，憶阻值逐漸變小，最終呈現(xiàn)最小值狀態(tài)Ron，當(dāng)輸入信號(hào)逐漸減小至最小值時(shí)，憶阻值逐漸變大，最終呈現(xiàn)最大值狀態(tài)Roff.按照實(shí)驗(yàn)需求，將電壓值在0～1之間的憶阻值劃分為256級(jí)，實(shí)現(xiàn)憶阻器的阻值等級(jí)劃分，此時(shí)憶阻值最大，對(duì)應(yīng)圖像像素值最小，憶阻值最小，對(duì)應(yīng)圖像像素值最大.

圖2 惠普憶阻器模型特性曲線

2) 大小為224×224的憶阻交叉陣列結(jié)構(gòu)讀取尺寸為224×224的灰度圖像.首先將尺寸為224×224灰度圖像像素值歸一化至0～1之間，將2維像素矩陣轉(zhuǎn)為1維像素向量，然后令1維像素向量值為電壓信號(hào)幅值，實(shí)現(xiàn)灰度圖像到幅度不同寬度相同的電壓信號(hào)轉(zhuǎn)變，最后灰度圖像以幅度不同寬度相同的電壓信號(hào)傳入大小為224×224的憶阻交叉陣列結(jié)構(gòu)，完成讀取尺寸為224×224的灰度圖像.

3) 憶阻交叉陣列存儲(chǔ)灰度圖像.按照線性映射關(guān)系，輸入的灰度圖像每個(gè)像素值為憶阻交叉陣列中每個(gè)交叉點(diǎn)處憶阻器的輸入電壓信號(hào)，采用離線學(xué)習(xí)中的權(quán)重寫入方式，最終灰度圖像的每個(gè)像素值以憶阻值的形式存儲(chǔ)至憶阻交叉陣列.

2.2 憶阻神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計(jì)

如表1所示，憶阻神經(jīng)網(wǎng)絡(luò)對(duì)數(shù)據(jù)集主要有3步處理：

第1步.預(yù)處理.本文利用憶阻器的存儲(chǔ)特性，構(gòu)建存儲(chǔ)圖像的憶阻交叉陣列結(jié)構(gòu)，并提出一種全新的數(shù)字圖像預(yù)處理算法.首先將經(jīng)典3×3均值濾波卷積核分離成9個(gè)1×1卷積核，并對(duì)憶阻交叉陣列中每個(gè)交叉點(diǎn)處的憶阻值進(jìn)行初始化；然后將輸入圖像進(jìn)行9次移位操作，得到9張圖像，緊接著9張圖像分別和9個(gè)1×1卷積核執(zhí)行卷積操作，得到9個(gè)新圖像；按照線性映射關(guān)系，圖像的每個(gè)像素值對(duì)應(yīng)憶阻交叉陣列中每個(gè)交叉點(diǎn)處憶阻器的輸入電壓信號(hào)，隨后將9個(gè)新圖像依次傳入到憶阻交叉陣列中，以調(diào)整每個(gè)憶阻器的阻值狀態(tài)；最終預(yù)處理后的圖像像素值以憶阻值的形式存儲(chǔ)在憶阻交叉陣列中，完成圖像預(yù)處理與存儲(chǔ)操作.

第2步.特征提取.預(yù)處理后的圖像存儲(chǔ)在憶阻交叉陣列中：首先將憶阻交叉陣列中每個(gè)交叉點(diǎn)處的憶阻值映射為圖像對(duì)應(yīng)點(diǎn)處的像素值；然后將預(yù)處理后的圖像傳入標(biāo)準(zhǔn)卷積層，此時(shí)輸出特征圖尺寸減半；緊接著特征圖依次傳入17層瓶頸層作進(jìn)一步處理.每層瓶頸層內(nèi)部：首先采用1×1逐點(diǎn)卷積對(duì)輸入特征圖進(jìn)行升維，豐富特征數(shù)量，使其通道數(shù)變?yōu)樵瓉淼?倍；隨后通過深度可分離卷積進(jìn)行特征提??；最后采用1×1逐點(diǎn)卷積對(duì)特征圖作降維，除了第1層瓶頸層內(nèi)部不對(duì)輸入特征圖進(jìn)行升維，其他瓶頸層內(nèi)部都對(duì)輸入特征圖進(jìn)行升維，并使得其通道數(shù)變?yōu)樵瓉淼?倍.其中，當(dāng)s=2時(shí)，輸出特征圖尺寸減半；當(dāng)s=1時(shí)，輸出特征圖尺寸保持不變.

第3步.分類識(shí)別.首先將第2步處理后輸入特征圖采用1×1逐點(diǎn)卷積層進(jìn)行升維，然后經(jīng)過全局平均池化層進(jìn)行降采樣，最終經(jīng)過全連接層和Softmax層完成分類識(shí)別.

表1 憶阻神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

2.3 憶阻神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)算法

憶阻器具有存儲(chǔ)特性，本實(shí)驗(yàn)采用50 176個(gè)壓控憶阻器構(gòu)建大小為224×224的憶阻交叉陣列結(jié)構(gòu)，該結(jié)構(gòu)可以存儲(chǔ)尺寸為224×224的灰度圖像.

壓控憶阻器模型參數(shù)設(shè)置如表2所示.其中：U表示平均離子漂移率；D表示二氧化鈦薄膜的厚度；W0表示摻雜層的厚度；Ron表示憶阻器阻值的最小值；Roff表示憶阻器阻值的最大值；p表示窗函數(shù)的控制參數(shù)；dt表示憶阻器在狀態(tài)更新時(shí)的步長(zhǎng)大小.

表2 壓控憶阻器模型的參數(shù)值

壓控憶阻器模型中采用Joglekar函數(shù)作為窗函數(shù)，然而在實(shí)際應(yīng)用中該模型會(huì)出現(xiàn)邊界效應(yīng)，即當(dāng)摻雜層和無摻雜層之間的界限達(dá)到憶阻器的邊界后，沒有外部激勵(lì)可以再改變憶阻器的狀態(tài)，它將永遠(yuǎn)保持在某個(gè)極限狀態(tài)而無法恢復(fù)，Joglekar窗函數(shù)如式(1)：

f(x)=1-(2x-1)2p.

(1)

憶阻交叉陣列中每個(gè)交叉點(diǎn)處的憶阻器狀態(tài)調(diào)整規(guī)則如算法1所示.為了解決邊界效應(yīng)帶來的影響，在憶阻器狀態(tài)調(diào)整時(shí)添加第5步操作，即在狀態(tài)調(diào)整時(shí)憶阻器產(chǎn)生微小波動(dòng).當(dāng)輸入電壓信號(hào)為0時(shí)，憶阻值會(huì)因?yàn)槲⑿〉臓顟B(tài)波動(dòng)阻值持續(xù)增大，直到憶阻值達(dá)到最大值狀態(tài)時(shí)保持不變.此時(shí)正好對(duì)應(yīng)憶阻器輸入電壓信號(hào)為最小值時(shí)，憶阻值為最大值，符合憶阻交叉陣列存儲(chǔ)灰度圖像的規(guī)則，如圖3所示:

圖3 憶阻值狀態(tài)的變化

在預(yù)處理過程中，基于卷積核可分離的思想，首先將經(jīng)典3×3均值濾波卷積核分離成9個(gè)1×1卷積核，并對(duì)憶阻交叉陣列中每個(gè)交叉點(diǎn)處的憶阻值進(jìn)行初始化，其中經(jīng)典3×3均值濾波卷積核如圖4所示；然后對(duì)輸入的224×224灰度圖像依次進(jìn)行3次水平移位和3次垂直移位，得到9張圖像，緊接著9張圖像分別和9個(gè)1×1卷積核進(jìn)行卷積操作，得到9個(gè)新的圖像；按照線性映射關(guān)系，將224×224灰度圖像的每一個(gè)像素值映射為憶阻交叉陣列中每一個(gè)交叉點(diǎn)處憶阻器的輸入電壓信號(hào)，隨后將9個(gè)新的圖像以電壓信號(hào)的形式依次傳入到憶阻交叉陣列中，以調(diào)整憶阻器的阻值狀態(tài)；最后憶阻交叉陣列中每一個(gè)交叉點(diǎn)處的憶阻器狀態(tài)調(diào)整結(jié)束，完成圖像預(yù)處理操作.此時(shí)預(yù)處理后的圖像像素值以憶阻值的形式存儲(chǔ)在憶阻交叉陣列中，按照線性映射關(guān)系，224×224灰度圖像為預(yù)處理后的輸出.

圖4 均值濾波卷積核

算法1.憶阻交叉陣列中每一個(gè)交叉點(diǎn)處的憶阻器狀態(tài)調(diào)整規(guī)則.

輸入：224×224灰度圖像；

輸出：預(yù)處理后的224×224灰度圖像；

初始值：

① forii<3;

② forjj<3;

③V=img[ii:224+ii,jj:224+jj]×

k[ii][jj]；

④I←V/M;

⑤dw←0.1×(W0-W)；

⑦W←(W+dw)×dt;

⑨jj←jj+1;

⑩ end for

2.4 新數(shù)據(jù)集

為了更好地模擬在真實(shí)場(chǎng)景中采集的數(shù)據(jù)集，基于VLR-40數(shù)據(jù)集，本節(jié)重新制作了4類含有不同噪聲的新數(shù)據(jù)集，其中3類包含了26種不同噪聲程度的椒鹽噪聲、高斯噪聲、椒鹽和高斯混合噪聲，且噪聲程度分別為0.05，0.13，0.15，0.17，0.23，0.25，0.27，0.33，0.35，0.37，0.43，0.45，0.47，0.53，0.55，0.57，0.60，0.63，0.65，0.67，0.70，0.73，0.75，0.80，0.85，0.90.另一類包含自定義模糊、均值模糊和中值模糊.部分新數(shù)據(jù)集如圖5所示，不同噪聲程度的Abarth圖像如圖6所示.

圖5 部分新數(shù)據(jù)集

圖6 不同噪聲程度的Abarth圖像

3 實(shí)驗(yàn)與結(jié)果分析

本文共做了2大對(duì)比實(shí)驗(yàn)：一是用含噪聲的測(cè)試集去測(cè)試含有同等噪聲程度訓(xùn)練集訓(xùn)練的網(wǎng)絡(luò)；二是用含噪聲測(cè)試集去測(cè)試無噪聲訓(xùn)練集訓(xùn)練的網(wǎng)絡(luò).在2大實(shí)驗(yàn)中，令采用均值濾波的網(wǎng)絡(luò)模型為Mea_NN，采用中值濾波的網(wǎng)絡(luò)模型為Med_NN，采用高斯濾波1的網(wǎng)絡(luò)模型為G1_NN，采用高斯濾波2的網(wǎng)絡(luò)模型為G2_NN，采用新算法濾波的網(wǎng)絡(luò)模型為憶阻神經(jīng)網(wǎng)絡(luò)，無濾波處理的網(wǎng)絡(luò)模型為MobileNetV2.

3.1 實(shí)驗(yàn)1

對(duì)于VLR-40數(shù)據(jù)集，不同網(wǎng)絡(luò)模型的準(zhǔn)確率如表3所示，實(shí)驗(yàn)結(jié)果表明：采用新算法的憶阻神經(jīng)網(wǎng)絡(luò)模型準(zhǔn)確率明顯優(yōu)于采用均值濾波、中值濾波、高斯濾波1和高斯濾波2的網(wǎng)絡(luò)模型，準(zhǔn)確率可以達(dá)到97.35%.因?yàn)樵瓟?shù)據(jù)集中含有的噪聲較少，所以在沒有濾波器進(jìn)行去噪處理時(shí)，無濾波處理的網(wǎng)絡(luò)也具有較好的準(zhǔn)確率，準(zhǔn)確率可以達(dá)到97.05%.當(dāng)使用中值濾波、高斯濾波1和高斯濾波2時(shí)，濾波處理過程給網(wǎng)絡(luò)引入部分噪聲，導(dǎo)致網(wǎng)絡(luò)模型的準(zhǔn)確率略微下降.相對(duì)于采用均值濾波的網(wǎng)絡(luò)模型，新算法基本不會(huì)給網(wǎng)絡(luò)引入噪聲，能達(dá)到輕微去噪功能，所以采用新算法的憶阻神經(jīng)網(wǎng)絡(luò)準(zhǔn)確率略高于采用均值濾波和無濾波處理的網(wǎng)絡(luò)模型，即憶阻神經(jīng)網(wǎng)絡(luò)性能最好.其中：高斯濾波1的卷積核如圖7所示；高斯濾波2是多維高斯濾波器，此時(shí)高斯核的標(biāo)準(zhǔn)偏差參數(shù)sigma=4.

圖7 高斯濾波1卷積核

分別選取0.25，0.55，0.85這3種噪聲程度的新數(shù)據(jù)集用于網(wǎng)絡(luò)性能測(cè)試.對(duì)含椒鹽噪聲的新數(shù)據(jù)集，不同網(wǎng)絡(luò)模型的準(zhǔn)確率如表4所示；對(duì)含高斯噪聲的新數(shù)據(jù)集，不同網(wǎng)絡(luò)模型的準(zhǔn)確率如表5所示；對(duì)含混合噪聲的新數(shù)據(jù)集，不同網(wǎng)絡(luò)模型的準(zhǔn)確率如表6所示；對(duì)含模糊噪聲的新數(shù)據(jù)集，不同網(wǎng)絡(luò)模型的準(zhǔn)確率如表7所示.

表3 不同網(wǎng)絡(luò)模型的準(zhǔn)確率(VLR-40數(shù)據(jù)集)

表4 對(duì)含椒鹽噪聲新數(shù)據(jù)集不同網(wǎng)絡(luò)模型的準(zhǔn)確率

表5 對(duì)含高斯噪聲新數(shù)據(jù)集不同網(wǎng)絡(luò)模型的準(zhǔn)確率

表6 對(duì)含混合噪聲新數(shù)據(jù)集不同網(wǎng)絡(luò)模型的準(zhǔn)確率

表7 對(duì)含模糊噪聲新數(shù)據(jù)集不同網(wǎng)絡(luò)模型的準(zhǔn)確率

對(duì)含有不同類型和不同噪聲程度的新數(shù)據(jù)集，本文提出的全新數(shù)字圖像預(yù)處理算法能在一定程度上抑制圖像中含有的噪聲，具有數(shù)據(jù)增強(qiáng)的效果.相對(duì)于采用均值濾波、中值濾波和2種高斯濾波的網(wǎng)絡(luò)，采用新算法進(jìn)行數(shù)據(jù)增強(qiáng)的憶阻神經(jīng)網(wǎng)絡(luò)，整體性能處于較高水平，且對(duì)各種新數(shù)據(jù)集都具有較高的準(zhǔn)確率.

3.2 實(shí)驗(yàn)2

在已有的訓(xùn)練集上，網(wǎng)絡(luò)一般通過平移、旋轉(zhuǎn)、反轉(zhuǎn)和縮放比例等方式進(jìn)行數(shù)據(jù)增強(qiáng)，以提高網(wǎng)絡(luò)模型的泛化性能.由于數(shù)據(jù)集VLR-40具有一定的挑戰(zhàn)性，所以本實(shí)驗(yàn)并未采用常規(guī)的數(shù)據(jù)增強(qiáng)操作，而采用不同濾波操作對(duì)數(shù)據(jù)集進(jìn)行預(yù)處理，以達(dá)到數(shù)據(jù)增強(qiáng)功能.

實(shí)驗(yàn)2是在實(shí)驗(yàn)1的基礎(chǔ)上，對(duì)憶阻神經(jīng)網(wǎng)絡(luò)性能作的進(jìn)一步探究.首先采用數(shù)據(jù)集VLR-40作為無噪聲訓(xùn)練集去訓(xùn)練網(wǎng)絡(luò)，實(shí)驗(yàn)結(jié)果如圖8所示，然后保存網(wǎng)絡(luò)模型參數(shù)值，最后用含噪聲的4類新數(shù)據(jù)集去測(cè)試無噪聲訓(xùn)練集訓(xùn)練的網(wǎng)絡(luò)模型.

圖8 憶阻神經(jīng)網(wǎng)絡(luò)性能測(cè)試

無噪聲訓(xùn)練集訓(xùn)練的不同網(wǎng)絡(luò)模型對(duì)含模糊噪聲新數(shù)據(jù)集的準(zhǔn)確率如表8所示；無噪聲訓(xùn)練集訓(xùn)練的不同網(wǎng)絡(luò)模型對(duì)含椒鹽噪聲新數(shù)據(jù)集的準(zhǔn)確率如圖9所示；無噪聲訓(xùn)練集訓(xùn)練的不同網(wǎng)絡(luò)模型對(duì)含高斯噪聲新數(shù)據(jù)集的準(zhǔn)確率如圖10所示；無噪聲訓(xùn)練集訓(xùn)練的不同網(wǎng)絡(luò)模型對(duì)含混合噪聲新數(shù)據(jù)集的準(zhǔn)確率如圖11所示.

表8 對(duì)含模糊噪聲新數(shù)據(jù)集不同網(wǎng)絡(luò)模型的準(zhǔn)確率

圖9 對(duì)含椒鹽噪聲新數(shù)據(jù)集不同網(wǎng)絡(luò)模型的準(zhǔn)確率

圖10 對(duì)含高斯噪聲新數(shù)據(jù)集不同網(wǎng)絡(luò)模型的準(zhǔn)確率

圖11 對(duì)含混合噪聲新數(shù)據(jù)集不同網(wǎng)絡(luò)模型的準(zhǔn)確率

實(shí)驗(yàn)2結(jié)果表明：對(duì)于無噪聲數(shù)據(jù)集VLR-40，本實(shí)驗(yàn)采用全新數(shù)字圖像預(yù)處理算法對(duì)其進(jìn)行數(shù)據(jù)增強(qiáng)操作，實(shí)驗(yàn)結(jié)果顯示新算法對(duì)噪聲具有很強(qiáng)的濾除功能，采用新算法的憶阻神經(jīng)網(wǎng)絡(luò)識(shí)別率高于采用其他濾波處理的網(wǎng)絡(luò)，識(shí)別率可以達(dá)到97.35%，間接地增加了模型的泛化性能；當(dāng)用含噪聲的測(cè)試集去測(cè)試用無噪聲訓(xùn)練集訓(xùn)練的網(wǎng)絡(luò)時(shí)，憶阻神經(jīng)網(wǎng)絡(luò)顯現(xiàn)出巨大的優(yōu)勢(shì)，可以降低噪聲對(duì)模型識(shí)別率的影響，有效地對(duì)抗真實(shí)場(chǎng)景中的噪聲，對(duì)車輛標(biāo)志的識(shí)別具有很大的現(xiàn)實(shí)意義.

4 車輛標(biāo)志識(shí)別技術(shù)與智能交通信息安全

隨著經(jīng)濟(jì)社會(huì)的快速發(fā)展，人們生活水平逐漸提高.中國(guó)作為世界第一大汽車生產(chǎn)國(guó)和最大的新車消費(fèi)市場(chǎng)，全國(guó)汽車總量逐年遞增.然而，套牌車和無牌車大量出現(xiàn)，頻繁發(fā)生的違法行為導(dǎo)致交通管理部門追查交通違法的難度變得越來越大，因此僅僅依靠車牌作為車輛唯一的識(shí)別標(biāo)志已不合時(shí)宜.

套牌車俗稱克隆車.這種車是參照真牌車的型號(hào)和顏色，將號(hào)碼相同的假牌套在同樣型號(hào)和顏色的車上，其中有很多是報(bào)廢后偷運(yùn)出來的舊車翻新的.使用偽造、變?cè)斓臋C(jī)動(dòng)車號(hào)牌，使用其他車輛的機(jī)動(dòng)車號(hào)牌，使用欺騙、賄賂手段取得機(jī)動(dòng)車號(hào)牌的機(jī)動(dòng)車均可以稱為套牌車.套牌車在智能交通信息安全中存在以下危害：

1) 脫離國(guó)家公安機(jī)關(guān)的管控.由于車輛沒有合法的牌照，這些車輛的信息公安機(jī)關(guān)也無法獲得，車輛出現(xiàn)事故、肇事逃逸、違章行駛等違法行為時(shí)，增加了公安機(jī)關(guān)的偵破難度.

2) 害人害己的行為.大部分套牌車在質(zhì)量上都會(huì)有大大小小的問題，而且套牌車經(jīng)常會(huì)出現(xiàn)違章行駛，這都會(huì)增加出現(xiàn)交通事故的概率，套牌車也無法購(gòu)買合法保險(xiǎn)，損失無力承擔(dān)的情況下 ，很多人會(huì)選擇逃逸.

3) 逃避稅費(fèi).套牌車無需辦理合法手續(xù)，而辦理合法手續(xù)產(chǎn)生的合理稅費(fèi)也無從繳納，對(duì)國(guó)家稅收造成大量流失.

4) 欺詐保險(xiǎn)公司.很多套牌車出現(xiàn)事故后，會(huì)騙取保險(xiǎn)公司保金，危害保險(xiǎn)公司的合法利益.

5) 危害真實(shí)車主的利益.套牌車出現(xiàn)事故、違章行駛和其他違法行為之后，會(huì)對(duì)真實(shí)車主造成巨大損失，雖然大部分可以通過申訴避免損失，還是有一部分車主會(huì)蒙受不白之冤.

車輛標(biāo)志識(shí)別作為ITS的核心技術(shù)漸漸受到重視，也在打擊違法犯罪行為中起到非常重要的輔助作用.車輛標(biāo)志作為制造商最重要的信息，在車輛信息中往往明顯且難以更換，犯罪嫌疑人容易忽視車輛標(biāo)志不易更換的特點(diǎn)，工作人員經(jīng)常借助車輛標(biāo)志信息進(jìn)行車輛身份的甄別，正確識(shí)別車輛標(biāo)志將有助于車輛身份的確定，也有助于交通信息安全管理部門打擊違法犯罪.

5 結(jié) 論

本文首先設(shè)置憶阻器的阻值等級(jí)分別對(duì)應(yīng)灰度圖像的256級(jí)灰度，按照線性映射關(guān)系，實(shí)現(xiàn)了憶阻交叉陣列存儲(chǔ)灰度圖像.然后采用全新的數(shù)字圖像預(yù)處理算法實(shí)現(xiàn)了數(shù)據(jù)增強(qiáng)操作，網(wǎng)絡(luò)模型的泛化性能得到了提高，能有效地對(duì)抗真實(shí)場(chǎng)景中的噪聲，具有較高的準(zhǔn)確率，在智能交通信息安全中具有巨大的現(xiàn)實(shí)意義.