基于深度學(xué)習(xí)的智能小車視覺檢測(cè)方法分析

易禮智

(湖南工程職業(yè)技術(shù)學(xué)院， 湖南 長(zhǎng)沙 410151)

0 引言

在智能化發(fā)展的引領(lǐng)下，智能汽車領(lǐng)域正在呈現(xiàn)一種突飛猛進(jìn)的態(tài)勢(shì)。在智能小車視覺檢測(cè)中，需要進(jìn)行相關(guān)智能裝置內(nèi)部特征提取和歸納總結(jié)以及整理，將特征信息進(jìn)行分級(jí)上傳，獲取目標(biāo)物體。本文在卷積神經(jīng)網(wǎng)絡(luò)基礎(chǔ)上進(jìn)行深度學(xué)習(xí)拓展，將卷積神經(jīng)網(wǎng)絡(luò)中的卷積層的每個(gè)單位元素進(jìn)行像素單位相乘，實(shí)現(xiàn)目標(biāo)信息的特征提??；整體串聯(lián)其中的多段卷積神經(jīng)網(wǎng)絡(luò)，收集信息數(shù)據(jù)，并且配置大型池化層將收集結(jié)果進(jìn)行展示，以實(shí)現(xiàn)對(duì)相關(guān)設(shè)備裝置的視覺檢測(cè)，能夠適應(yīng)智能小車視覺檢測(cè)的環(huán)境差異。相較于智能小車視覺檢測(cè)代表性檢測(cè)方法-幀間差分法步驟更簡(jiǎn)便，傳遞圖像與數(shù)據(jù)信息性能更佳，視覺檢測(cè)連接更加順暢。

1 發(fā)展智能小車的重要性

智能小車作為汽車行業(yè)在信息化時(shí)代的產(chǎn)物，必然有其存在的意義。智能小車的運(yùn)行構(gòu)想是將預(yù)編完成的程序系統(tǒng)裝置智能小車中，并且對(duì)其下達(dá)一個(gè)在一定區(qū)域范圍內(nèi)進(jìn)行活動(dòng)的指令，在上述區(qū)域內(nèi)部，智能小車能夠通過自動(dòng)化啟動(dòng)系統(tǒng)完成小車的啟動(dòng)，在此期間不需要人為進(jìn)行干涉與管理，在科學(xué)探索與無人駕駛汽車中具有重要的研究意義。

除此之外，部分相關(guān)研究學(xué)家將智能小車作為人員出行的工具，極大程度上幫助了部分有駕駛障礙的人群進(jìn)行出行活動(dòng)。并且智能小車能夠顯示當(dāng)時(shí)時(shí)間、運(yùn)行速率、行駛路程等，及時(shí)進(jìn)行相關(guān)周圍環(huán)境數(shù)據(jù)的檢測(cè)，及時(shí)記錄在案。同時(shí)，該智能小車在運(yùn)行過程中能自我觀察光源，并根據(jù)光源所折射出的方向進(jìn)行暫時(shí)性躲避，還能夠根據(jù)周圍光照情況及時(shí)躲避障礙，其中內(nèi)部安裝的遠(yuǎn)程信息傳輸系統(tǒng)能夠?qū)⒅悄苄≤囁幁h(huán)境以及觀測(cè)信息進(jìn)行精確傳輸，在部分設(shè)置較為先進(jìn)的系統(tǒng)中，能夠?qū)崿F(xiàn)全景圖像傳播。

2 智能小車視覺檢測(cè)方法

2.1 傳統(tǒng)智能裝置檢測(cè)

要進(jìn)行智能小車視覺檢測(cè)，首先要對(duì)相應(yīng)的智能裝置進(jìn)行檢測(cè)，以此來佐證進(jìn)行智能小車檢測(cè)的正確性。根據(jù)傳統(tǒng)智能裝置進(jìn)行檢測(cè)，大致方式都是首先對(duì)裝置進(jìn)行檢測(cè)區(qū)域的劃分，根據(jù)劃分情況進(jìn)行候選區(qū)域的生成，再將此候選區(qū)域內(nèi)部的條件以及系統(tǒng)結(jié)構(gòu)進(jìn)行詳細(xì)分析，最終確定該區(qū)域內(nèi)部的運(yùn)行算法，例如在智能裝置內(nèi)部劃分智能指令窗口的彈出。此外，還要進(jìn)行相關(guān)智能裝置的內(nèi)部特征提取，內(nèi)部特征是能否進(jìn)行該智能裝置視覺檢測(cè)的基礎(chǔ)，能夠?qū)罄m(xù)檢測(cè)結(jié)構(gòu)產(chǎn)生決定性影響，例如該智能裝置的HOG系統(tǒng)以及SIFT處理設(shè)備等。另外，還要時(shí)刻注意對(duì)相關(guān)數(shù)據(jù)信息進(jìn)行歸納總結(jié)，并將內(nèi)部系統(tǒng)進(jìn)行整理，再通過相應(yīng)特征信息將該智能裝置的特征進(jìn)行分級(jí)上傳，以此來實(shí)現(xiàn)對(duì)目標(biāo)物體的透徹分析，在智能裝置中常見的分類設(shè)備包括SVM處理器以及Ada Boost系統(tǒng)。

2.2 幀間差分法

幀間差分法是作為一種智能小車視覺檢測(cè)的代表性檢測(cè)方法，其主要運(yùn)行機(jī)制包括對(duì)智能小車所檢測(cè)到的至少2個(gè)幀率圖像進(jìn)行觀察，并根據(jù)所觀測(cè)到的幀率差值進(jìn)行計(jì)算，將所得到的差值帶入首個(gè)幀率圖像中，得出差值圖像，該圖像實(shí)質(zhì)是將2個(gè)幀率圖像的灰度參數(shù)進(jìn)行相減。然后再將提取圖像的背景以及隔離圖像所展示的前景結(jié)合起來，在此過程中，所出現(xiàn)的前景圖像是幀率閾值高于平均像素幀率的檢測(cè)對(duì)象。其基本流程如圖1所示。

圖1 幀間差分法

采用上述方式進(jìn)行智能小車的視覺檢測(cè)，在檢測(cè)過程中所要進(jìn)行的計(jì)算相對(duì)比較簡(jiǎn)單，并且運(yùn)算數(shù)值與數(shù)量較小。此外，在外部環(huán)境較為昏暗的情況下依然能夠進(jìn)行信息數(shù)據(jù)的精確采集，出現(xiàn)智能小車發(fā)生搖擺情況下的拍照情況也能具備良好的抓拍像素。另外，在周圍環(huán)境與拍攝目標(biāo)呈現(xiàn)靜止?fàn)顟B(tài)時(shí)，具有去除背景板的優(yōu)勢(shì)，且此時(shí)得出的數(shù)據(jù)信息較為精確，受外界影響較小。但是上述視覺檢測(cè)方式存在一定的漏洞與天然缺陷，例如只能作用于相對(duì)平穩(wěn)的攝像頭，在運(yùn)動(dòng)的攝像頭裝置下無法正常作業(yè)，此外，對(duì)于靜態(tài)物體不能快速精確定位。

3 基于深度學(xué)習(xí)的智能小車視覺檢測(cè)方法

從上述分析可知，幀間差分法不適用于進(jìn)行智能小車的視覺檢測(cè)，因此必須依次為突破口進(jìn)行深度學(xué)習(xí)，通過深度學(xué)習(xí)的方式才能進(jìn)行智能小車的視覺檢測(cè)。卷積神經(jīng)網(wǎng)絡(luò)作為一種極具代表性的深度學(xué)習(xí)方式，能夠適應(yīng)智能小車視覺檢測(cè)的環(huán)境差異，在此基礎(chǔ)上進(jìn)行深度學(xué)習(xí)的拓展，將現(xiàn)有比較合適的視覺檢測(cè)方式作用于智能小車，在后續(xù)檢測(cè)階段，對(duì)智能小車的視覺檢測(cè)區(qū)域增加額外的空間。

3.1 卷積神經(jīng)網(wǎng)絡(luò)

卷積神經(jīng)網(wǎng)絡(luò)作為一種極具代表性的深度學(xué)習(xí)方法，能夠通過一種較為直觀網(wǎng)絡(luò)形式實(shí)現(xiàn)深度歇息前饋，并且此種類型較為特殊，在實(shí)戰(zhàn)操作中的步驟相較于幀間差分法更為簡(jiǎn)便，在圖像與數(shù)據(jù)信息的傳遞過程中也具備極佳的性能。再者，將該種深度學(xué)習(xí)方式載入智能檢測(cè)流程中，能夠使得視覺檢測(cè)的連接過程更加順暢。該神經(jīng)網(wǎng)絡(luò)主要由卷積層、績(jī)效函數(shù)層、信息處理層以及全檢連接層等構(gòu)成。卷積神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)示意圖如圖2所示。

在進(jìn)行智能小車的視覺檢測(cè)時(shí)，最為重要是通過與卷積層的結(jié)合程度實(shí)現(xiàn)的，且卷積層在卷積神經(jīng)網(wǎng)絡(luò)中占有絕對(duì)位置，因此在深度學(xué)習(xí)中，必須根據(jù)卷積層才能進(jìn)行智能小車的視覺特征數(shù)據(jù)信息提取。

在卷積層所構(gòu)成的內(nèi)部結(jié)構(gòu)中，可以將其當(dāng)作一個(gè)卷積核來應(yīng)對(duì)，并且該卷積核內(nèi)部呈現(xiàn)奇數(shù)分布，核中的每個(gè)單位元素進(jìn)行像素單位的相乘，然后將所得出的數(shù)據(jù)信息進(jìn)行匯總，以此類推，在完成所有卷積核內(nèi)部的數(shù)據(jù)處理后，就能得出該卷積神經(jīng)網(wǎng)絡(luò)對(duì)目標(biāo)信息的特征提取，將原有卷積核數(shù)據(jù)圖像檢測(cè)為5×5卷積核，卷積核大小為3×3卷積核，內(nèi)部卷積步驟長(zhǎng)度為1，因此可以得出滿足卷積神經(jīng)網(wǎng)絡(luò)的特征公式，該公式如下：

3.2 基于深度學(xué)習(xí)的智能小車視覺檢測(cè)方式

根據(jù)上述卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖得知，在該網(wǎng)絡(luò)構(gòu)建中能夠組成任意形式的多種神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)模型，即在進(jìn)行智能小車所處的任何復(fù)雜環(huán)境，采用上述深度學(xué)習(xí)方式能夠?qū)⒁曈X檢測(cè)的檢測(cè)方式進(jìn)行橫向拓展，滿足智能小車的日常工作需求。在進(jìn)行智能小車的視覺探索過程中，首先可以根據(jù)20世紀(jì)初期的YannLeCun教授所提出的LeNet-5模型進(jìn)行智能小車的視覺檢測(cè)。該種方法的檢測(cè)構(gòu)層一共有7層，并且這種方式是能夠進(jìn)行卷積神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)目標(biāo)的智能識(shí)別。

除此之外，2012年Alexnet研究學(xué)家通過對(duì)卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行深度挖掘，最終得出lmageNet ILSVRC圖像，進(jìn)一步將深度學(xué)習(xí)拓展到智能裝置的視覺檢測(cè)中，其中最具影響力的檢測(cè)方式為VGGNet，該檢測(cè)方式內(nèi)部包含許多不同級(jí)別的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，根據(jù)對(duì)深度學(xué)習(xí)的掌控力度進(jìn)行11～18層等不同的劃分方式，并且將其中的多段卷積神經(jīng)網(wǎng)絡(luò)(3×3)進(jìn)行整體串聯(lián)，達(dá)到收集信息數(shù)據(jù)的目的，并且配置大型池化層將收集結(jié)果進(jìn)行展示，以實(shí)現(xiàn)對(duì)相關(guān)設(shè)備裝置的視覺檢測(cè)。

3.3 視覺檢測(cè)的經(jīng)典框架

在進(jìn)行設(shè)備裝置的視覺檢測(cè)過程中，通?？梢詫⒂糜跈z測(cè)的框架模型分為2種：一種是檢測(cè)結(jié)果較為準(zhǔn)確但是檢測(cè)速率較慢的兩階段視覺檢測(cè)框架；另外一種則是檢測(cè)結(jié)果出入較大但是檢測(cè)速率較快的一階視覺檢測(cè)框架。其中兩階段檢測(cè)框架首先采用內(nèi)部區(qū)域分選法進(jìn)行潛在信息數(shù)據(jù)的收集、分類，然后運(yùn)用篩選算法將所收集的圖像進(jìn)行框架分隔，放入深度學(xué)習(xí)方式中進(jìn)行目標(biāo)視覺圖像的輸出。而在一階檢測(cè)框架中，不需要在檢測(cè)過程中進(jìn)行區(qū)域的分隔，直接將整體圖像作為一塊區(qū)域進(jìn)行快速計(jì)算，構(gòu)建出一個(gè)S×S的卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，從而根據(jù)結(jié)構(gòu)中的信息進(jìn)行視覺檢測(cè)。

4 結(jié)語(yǔ)

本文通過對(duì)深度學(xué)習(xí)中的視覺檢測(cè)方法進(jìn)行闡述，結(jié)合智能小車在運(yùn)行過程中所遇到的問題進(jìn)行分析，根據(jù)卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)在其內(nèi)部安裝信息化檢測(cè)系統(tǒng)。智能小車的視覺檢測(cè)為無人駕駛汽車與避障技術(shù)提供了思路和保障。