• 一、本篇介紹
• 二、本文主要內容（知識點）
  • 1、歷史和發展
  • 2、使用卷積神經網絡的優勢
    • 1. 不對原始圖像進行處理，簡化特征模型，提高運算效率
    • 2.對圖片質量要求較低，魯棒性比較好
  • 3、具體的模型
  • 4、訓練的階段
  • 5、實驗的數據集
  • 6、實驗結果分析
• 三、具體創新
• 四、心得感想
• 五、專業詞匯的學習

一、本篇介紹

篇名：基于深度卷積神經網絡的車型識別研究
作者：鄧柳，汪子杰
作者單位：西南交通大學 信息科學與技術學院
發表在：計算機應用研究，2016年3日

二、本文主要內容（知識點）

1、歷史和發展

傳統的依賴人工判讀的方法已無法滿足如今海量交通視頻處理的需要，構建智能識別系統以自動處理各種交通視頻信息成為必然趨勢。
卷積神經網絡可將原始數據(如圖像像素值)直接作為輸入，避免了傳統識別算法中額外的數據預處理過程。

2、使用卷積神經網絡的優勢

1. 不對原始圖像進行處理，簡化特征模型，提高運算效率

傳統方法依賴人工設計特征，如SIFT、PCA+SIFT、HOG等，這些特征針對通用問題，運算量大且在實際應用中往往還需對輸入圖像進行一系列的預處理工作。而卷積神經網絡直接以原始圖像為輸入，在訓練數據的驅動下通過自主學習獲取特征描述，簡化特征模型的同時提高運算效率。

2.對圖片質量要求較低，魯棒性比較好

車輛外觀表現形式復雜。攝像機距離、高度和角度以及環境光照等因素往往會引起視頻圖像中車輛參數縮放、旋轉、模糊等外觀變化，加大識別的難度。而卷積神經網絡對平移、縮放等仿射形變具有良好的抵抗能力，有效克服了車輛外觀多變帶來的困難。

3、具體的模型

CNN特征學習模型訓練過程包括逐層構建CNN和訓練CNN兩個部分。

本文采用的是五層網絡，網絡的構建過程如上圖所示。
第一層為網絡的輸入I，CNN能夠對二維圖像的特征進行自主學習，故在此將原始圖像灰度化后直接作為網絡的輸入。
第二層C1為網絡的卷積層，卷積層通過6個5×5大小的濾波器和可加偏置bi進行卷積，得到6個21×21大小的特征圖。
第三層S2為網絡的下采樣層，所有的下采樣層都是依次通過如下處理得到:每鄰域四個像素求和，權值Wi+1(卷積核元素)加權，加上偏置bi+1，最后通過一個影響函數核小的sigmoid激活函數，將特征圖縮小為6個58×46大小的特征圖。
第四層C3為網絡的卷積層，卷積層通過12個5×5大小的濾波器和可加偏置bi進行卷積，得到12個54×42大小的特征圖。
第五層S為網絡的下采樣層，所有的下采樣層都是依次通過如下處理得到:每鄰域四個像素求和，權值Wi+1(卷積核元素)加權，加上偏置bi+1，最后通過一個影響函數核小的sigmoid激活函數，將特征圖縮小為12個27×21大小的特征圖。
最后將12張特征圖排列為一條列向量，得到最終的特征向量。

4、訓練的階段

1.正向傳播階段。將訓練樣本輸入CNN網絡，得到實際輸出;
2.反向傳播階段。計算實際輸出與理想輸出間的誤差，通過反向傳播算法逐層傳播誤差，并更新各層權值。

5、實驗的數據集

共采集不同尺度、光照和角度的車輛圖片3000張，根據高速公路上三種車型出現的比例分別選取小車1400張，貨車950張，公客車650張。由于每張圖片的大小不一，為了滿足深度卷積神經網絡的輸入要求，在實驗中三種車型均歸一化為同一尺度(高寬比120×96)。每種車型隨機選取450張圖片作為訓練樣本，其余的作為測試樣本。

6、實驗結果分析

分析CNN的最優訓練次數，根據網絡訓練次數分別定義三種網絡為CNN1、CNN5、CNN10。從準確率來看，CNN5得到的特征分類效果比CNN1得到的特征分類效果提高了1%;而CNN10在CNN5基礎上只提高了0．1%，沒有明顯的提升，但訓練時間前者約是后者的兩倍，所以從準確率和網絡訓練時間綜合考慮，CNN5比較合適。從時間消耗來看，特征提取時間三種網絡差別較小，CNN5網絡得到的特征分類器訓練時間和識別時間均是最短的。綜合以上各因素，針對本文的數據集，選定CNN5用于特征提取。表3還給出了車型識別中常用的HOG特征以及PCA+SIFT特征的識別效果進行比較。在特征識別率方面，本文構建的CNN5比HOG高了6.5%，比PCA+SIFT高9%;從特征提取速度來看，CNN5比HOG快了2倍，比PCA+SIFT快了95倍;在分類器訓練方面，PCA+SIFT最快，比CNN5快了240倍，比HOG快了350倍;分類識別時間PCA+SIFT最快，比CNN5快了9倍，比HOG快了10倍。綜合識別率和時間消耗兩個方面，CNN5的效果是最好的。

三、具體創新

用CNN解決車型識別問題，一個三分類的解決方案，相比于傳統的機器學習，使用CNN可以大幅度提高準確率和減低數據預處理的難度。

四、心得感想

圖像識別是一個大的方向，其中車型的識別是一個熱門問題，用CNN來解決車型識別是目前的一個學術創新，也是一個熱點研究方向，但是，我認為CNN來做車型識別已經到了一個瓶頸，可以在使用CNN的基礎上，對CNN的某些步驟進行改進，從而進一步提高識別效率。但是，在這之前，必須先了解CNN。

五、專業詞匯的學習

vehicle recognition 車輛識別

另：一些說明
1、本博客僅用于學習交流，歡迎大家瞧瞧看看，為了方便大家學習，相關論文請去知網等地方自行下載。
2、如果原作者認為侵權，請及時聯系我，我的qq是244509154，郵箱是244509154@qq.com，我會及時刪除侵權文章。
3、我的文章大家如果覺得對您有幫助或者您喜歡，請您在轉載的時候請注明來源，不管是我的還是其他原作者，我希望這些有用的文章的作者能被大家記住。
4、最后希望大家多多的交流，提高自己，從而對社會和自己創造更大的價值。

總結

以上是生活随笔為你收集整理的05《基于深度卷积神经网络的车型识别研究》学习总结的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。