论文部分内容阅读
摘要 車辆识别是智能交通系统中的核心技术，基于深度学习的车辆识别作为机器学习领域一个新的研究方向，其目标在于通过模拟人类大脑的分层表达结构，建立用于数据分析学习的神经网络，从原始数据中提取出由浅层到深层逐层抽象的特征表达，来提升分类精度或预测准确性，通过收集实时交通流数据判断道路的交通运行状态并智能识别交通事故的发生，为道路的运营管理提供宝贵的辅助决策信息。
关键词 深度学习 智能交通 车辆识别
人工智能（Artificial Intelligence），英文缩写为AI。它是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门新的技术科学。人工智能研究的一个主要目标是使机器能够胜任一些通常需要人类智能才能完成的复杂工作。人工智能通过数据分析与学习，找到相对固定模板，然后通过套用模板进行“创作”和演出。本文中深度学习是机器学习的一个子领域，是人工神经网络的另一个名字。
深度学习是指多层的人工神经网络和训练它的方法。一层神经网络会把大量矩阵数字作为输入，通过非线性激活方法取权重，再产生另一个数据集合作为输出。这就像生物神经大脑的工作机理一样，通过合适的矩阵数量，多层组织链接一起，形成神经网络“大脑”进行精准复杂的处理，就像人们识别物体标注图片一样。车辆识别是智能交通系统中的核心技术，其任务是确定目标车辆属于哪一种类别.根据区分车辆属性的不同，车辆识别又可以细分为车色识别、车型识别、车标识别、车牌识别等。车辆识别有重要的现实意义，可以应用到不同场景。
本系统通过深度学习技术实现图片识别，可以采集车牌、车型、位置、辖区等关键信息，并对信息进行传输、存储和分析，实现常规管理工作。通过深度神经网络定义检测、识别、分类等模型，基于交通行业内的图像大数据进行迭代训练，生成业内专用AI模型，实现车牌、车型等多项属性的自动识别。
1深度学习框架Keras
本文实验环境使用深度学习框架Keras 2.2.5，由纯python编写的基于theano/tensorflow的深度学习框架。Keras自动处理核心任务并生成输出，支持卷积神经网络CNN和递归神经网络RNN，可以在CPU和GPU上无缝运行。本文实验使用Python 3.6版本编写，采用GPU训练方式，在CUDA-capable GPU上编译运行，可以提高训练速度，需要安装CUDA和GPU加速库，使用CUDA 10.0版本，cuDNN 7.6.5版本。Keras使用的依赖包主要有：numpy、scipy、pyyaml、HDF5， h5py、TensorFlow_gpu-2.0.0作为后端。
使用Keras搭建神经网络，主要有以下几步：选择模型、构建网络层，编译、训练、预测。Keras提供高级神经网络 API，支持快速的实验。能够以最小的时间把想法转换为实验结果，是做好研究的关键。
2车辆数据标注及模型训练
数据标注就是帮助机器去学习去认知数据中的特征。确立一个算法模型需要使用大量标注好的数据去训练机器让机器去学习其中的特征以达到“智能”的目的。比如本文要让机器学习识别车辆，我们直接给机器一个车辆的图片它是无法识别的，必须对车辆图片进行标注打上标签注明“这是一个车辆，什么车型，什么品牌，什么颜色，什么车牌”等特征信息，当机器获得大量打上标签的车辆图片进行学习之后，再给机器一个车辆的图片，机器就能知道这是一个车辆了，什么型号，什么颜色，什么车牌等。
本文参考CIFAR-10公开数据集进行实验，通过数据标记助手软件对数据集车辆图片进行标记，形成实验所需车辆数据集，验证不同卷积神经网络的分类能力，确定最优车型分类网络，在公开数据集CompCars进行车辆识别实验。
3基于深度学习识别模型
本文实验采用inception-v4深度学习网络结构，相比AlexNet、VGG等网络结构都是通过增大网络的深度（层数）来获得更好的训练效果，同时又会带来很多负作用，比如overfit、梯度消失、梯度爆炸等。inception使用1x1的卷积来进行升降维和在多个尺寸上同时进行卷积再聚合的方法来提升训练结果，能更高效的利用计算资源，在相同的计算量下能提取到更多的特征，从而提升训练结果。
4模型优化及实验结果
本实验数据集包含20000张车辆图像，大小为210MB。首先创建数据集，使用12000张车辆图片进行模型训练，4000张测试图像和4000张验证图像。
本次实验模型训练数据集中包含常见的10种车辆品牌，包括：奥迪_A4、福特_福克斯、别克_君越、大众_宝来、大众_朗逸、大众_桑塔纳、丰田_凯美瑞、丰田_卡罗拉、日产_轩逸、日产_天籁。6种车身颜色，包括：白色、黑色、灰色、黄色、红色、绿色，共12000张车辆图片，
本实验通过将训练后的模型引入车辆识别验证程序，验证4000张图像的目标检测，实验中为减小深层卷积神经网络的计算开销，对网络模型参数进行优化，基于实验确定了模型最优参数，从而以较少的网络层数获得较高的车辆识别精度，优化后的卷积神经网络的车辆识别速度提升52.4%，识别精度提升33.1%。
结束语
随着技术的发展，越来越多的深度学习开源框架展现在我们面前，使用这些框架训练得到的模型可以直接高效地部署到交通和安防等应用领域中，促进物联网技术的发展，不断提高国家信息化水平。
参考文献
[1]叶亚光.基于卷积神经网络的车辆识别设计与实现[J].电脑知识与技术，2019，15（169-170）.
[2]蔡英凤，王海，陈龙，等.采用视觉显著性和深度卷积网络的鲁棒视觉车辆识别算法[J].清华大学学报：自然科学版，2015，36（3）：333-336.
[3]李琳辉，伦智梅，连静，等.基于卷积神经网络的道路车辆检测方法[J].吉林大学学报：工学版，2017，47（2）：385-391.
【课题项目】本文系2018年度烟台汽车工程职业学院科技类课题立项项目“基于AI深度学习的车辆识别智能管理系统”的研究成果（课题编号：2018YTQK06）
关键词 深度学习 智能交通 车辆识别
人工智能（Artificial Intelligence），英文缩写为AI。它是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门新的技术科学。人工智能研究的一个主要目标是使机器能够胜任一些通常需要人类智能才能完成的复杂工作。人工智能通过数据分析与学习，找到相对固定模板，然后通过套用模板进行“创作”和演出。本文中深度学习是机器学习的一个子领域，是人工神经网络的另一个名字。
深度学习是指多层的人工神经网络和训练它的方法。一层神经网络会把大量矩阵数字作为输入，通过非线性激活方法取权重，再产生另一个数据集合作为输出。这就像生物神经大脑的工作机理一样，通过合适的矩阵数量，多层组织链接一起，形成神经网络“大脑”进行精准复杂的处理，就像人们识别物体标注图片一样。车辆识别是智能交通系统中的核心技术，其任务是确定目标车辆属于哪一种类别.根据区分车辆属性的不同，车辆识别又可以细分为车色识别、车型识别、车标识别、车牌识别等。车辆识别有重要的现实意义，可以应用到不同场景。
本系统通过深度学习技术实现图片识别，可以采集车牌、车型、位置、辖区等关键信息，并对信息进行传输、存储和分析，实现常规管理工作。通过深度神经网络定义检测、识别、分类等模型，基于交通行业内的图像大数据进行迭代训练，生成业内专用AI模型，实现车牌、车型等多项属性的自动识别。
1深度学习框架Keras
本文实验环境使用深度学习框架Keras 2.2.5，由纯python编写的基于theano/tensorflow的深度学习框架。Keras自动处理核心任务并生成输出，支持卷积神经网络CNN和递归神经网络RNN，可以在CPU和GPU上无缝运行。本文实验使用Python 3.6版本编写，采用GPU训练方式，在CUDA-capable GPU上编译运行，可以提高训练速度，需要安装CUDA和GPU加速库，使用CUDA 10.0版本，cuDNN 7.6.5版本。Keras使用的依赖包主要有：numpy、scipy、pyyaml、HDF5， h5py、TensorFlow_gpu-2.0.0作为后端。
使用Keras搭建神经网络，主要有以下几步：选择模型、构建网络层，编译、训练、预测。Keras提供高级神经网络 API，支持快速的实验。能够以最小的时间把想法转换为实验结果，是做好研究的关键。
2车辆数据标注及模型训练
数据标注就是帮助机器去学习去认知数据中的特征。确立一个算法模型需要使用大量标注好的数据去训练机器让机器去学习其中的特征以达到“智能”的目的。比如本文要让机器学习识别车辆，我们直接给机器一个车辆的图片它是无法识别的，必须对车辆图片进行标注打上标签注明“这是一个车辆，什么车型，什么品牌，什么颜色，什么车牌”等特征信息，当机器获得大量打上标签的车辆图片进行学习之后，再给机器一个车辆的图片，机器就能知道这是一个车辆了，什么型号，什么颜色，什么车牌等。
本文参考CIFAR-10公开数据集进行实验，通过数据标记助手软件对数据集车辆图片进行标记，形成实验所需车辆数据集，验证不同卷积神经网络的分类能力，确定最优车型分类网络，在公开数据集CompCars进行车辆识别实验。
3基于深度学习识别模型
本文实验采用inception-v4深度学习网络结构，相比AlexNet、VGG等网络结构都是通过增大网络的深度（层数）来获得更好的训练效果，同时又会带来很多负作用，比如overfit、梯度消失、梯度爆炸等。inception使用1x1的卷积来进行升降维和在多个尺寸上同时进行卷积再聚合的方法来提升训练结果，能更高效的利用计算资源，在相同的计算量下能提取到更多的特征，从而提升训练结果。
4模型优化及实验结果
本实验数据集包含20000张车辆图像，大小为210MB。首先创建数据集，使用12000张车辆图片进行模型训练，4000张测试图像和4000张验证图像。
本次实验模型训练数据集中包含常见的10种车辆品牌，包括：奥迪_A4、福特_福克斯、别克_君越、大众_宝来、大众_朗逸、大众_桑塔纳、丰田_凯美瑞、丰田_卡罗拉、日产_轩逸、日产_天籁。6种车身颜色，包括：白色、黑色、灰色、黄色、红色、绿色，共12000张车辆图片，
本实验通过将训练后的模型引入车辆识别验证程序，验证4000张图像的目标检测，实验中为减小深层卷积神经网络的计算开销，对网络模型参数进行优化，基于实验确定了模型最优参数，从而以较少的网络层数获得较高的车辆识别精度，优化后的卷积神经网络的车辆识别速度提升52.4%，识别精度提升33.1%。
结束语
随着技术的发展，越来越多的深度学习开源框架展现在我们面前，使用这些框架训练得到的模型可以直接高效地部署到交通和安防等应用领域中，促进物联网技术的发展，不断提高国家信息化水平。
参考文献
[1]叶亚光.基于卷积神经网络的车辆识别设计与实现[J].电脑知识与技术，2019，15（169-170）.
[2]蔡英凤，王海，陈龙，等.采用视觉显著性和深度卷积网络的鲁棒视觉车辆识别算法[J].清华大学学报：自然科学版，2015，36（3）：333-336.
[3]李琳辉，伦智梅，连静，等.基于卷积神经网络的道路车辆检测方法[J].吉林大学学报：工学版，2017，47（2）：385-391.
【课题项目】本文系2018年度烟台汽车工程职业学院科技类课题立项项目“基于AI深度学习的车辆识别智能管理系统”的研究成果（课题编号：2018YTQK06）