卷积神经网络在车辆识别系统中的应用.pdfVIP

卷积神经网络在车辆识别系统中的应用 李丹;牛中彬;汪鑫耘 【摘要】针对工厂厂房和仓库无人门禁系统需对货运车辆单独检测与识别的特殊 需求,提出一种融合 Darknet19 网络与 SSD(Single Shot-multibox Detector)模 型的车辆检测与识别模型.首先,采集真实场景中包括行人、叉车、货车的大量图片 并进行人工标注,构建一个私有数据集;其次,在 Caffe 框架下使用 ImageNet2012 数据集重新训练 Darknet19 网络,并通过更换基础分类网络及在每个卷积层后加入 批归一化(Batch Normalization)层等方式改进 SSD 目标检测模型,构建出一个新 的端到端的车辆检测模型.结果表明,该模型对货运车辆的平均查准率可达 99.2％,检 测帧率可达 72 帧/s,准确率与实时性均满足厂区环境检测货运车辆的要求. 【期刊名称】《安徽工业大学学报（自然科学版）》 【年(卷),期】2018(035)002 【总页数】5 页(P148-152) 【关键词】车辆识别;卷积神经网络;批归一化 【作者】李丹;牛中彬;汪鑫耘 【作者单位】安徽工业大学电气与信息工程学院,安徽马鞍山 243032;安徽工业大 学电气与信息工程学院,安徽马鞍山 243032;安徽工业大学电气与信息工程学院,安 徽马鞍山 243032 【正文语种】中 文 【中图分类】TP391.4 为规范工厂仓储管理，企业要求行人、车辆等按照规定的出入口进出，且货车通道 不允许行人及其他车辆通过，利用摄像机传回图像实时检测与识别成为有效方案之 一。基于视觉的目标识别方法一般采用各种人工设计的特征 +分类器的方式，如使 用方向梯度直方图(HoG)[1-2]、Haar[3-4]、SURF[5]等特征或其变体和组合，将 设计特征输入到一个可训练分类器，如 SVM[6-7]、AdaBoost[8]等，再通过有监 督的训练方式获得最终识别结果。董天阳等[9]利用 Haar 特征 +Adaboost 分类器 的方法对车辆进行识别，但这种方式通常训练比较复杂，算法的实时性也无法得到 保证。李天剑等[10]尝试使用 Densenet[11]+SSD(Single Shot-multibox Detector)的方法解决工业现场智能叉车对托盘的检测识别问题 ，这种方法省略了 繁琐的特征筛选 ，简化了训练过程 ，在保证识别精度的同时也能较大提高算法的实 时性。在此基础上 ，提出一种融合 Darknet19[12]与 SSD 模型[13]的车辆识别模 型用于工业厂区特定车辆的检测和识别。首先在 Caffe 框架下利用 ImageNet[14] 数据集对 Darknet19 网络进行预训练，然后用预训练后的网络替换 SSD 模型中的 基础分类网络 VGG16[15] ，并利用 Pascal VOC[16]数据集对新网络进行训练，最 后使用私有数据集对训练后的网络进行微调。 1 Darknet19 模型 Darknet19 是 Redmon 等[12]提出的一种网络模型 ，在 VGG16 的基础上引入 1×1 卷积、批归一化(Batch Normalization,BN) ，并在每一次池化操作后把通道 数翻倍 ，使Darknet19 模型在精度相对 VGG16 变化不大的情况下大幅度减小模 型的参数量及浮点运算量。Darknet19 网络模型结构与 VGG16 模型类似 ，主要 差异在于 Darknet 在每组卷积核尺寸为 3×3 的卷积层中间添加一层卷积核尺寸为 1×1 的卷积层 ，且卷积核尺寸为 1×1 的卷积层通道数均为相邻卷积层通道数的 1/2。Darknet19 模型的具体结构如表 1。 表 1 Darknet19 网络模型 Tab.1 Network model of Darknet19 输出尺寸/(像素 ×像素）14×14 14×14 14×14 14×14 7×7 7×7 7×7 7×7 7×7 7×7 7×7 7×7- 类型 Conv1 Maxpool1 Conv2 Maxpool2 Conv3_1 Conv3_2 Conv3_3 Maxpool3 Conv4_1 Conv4_2 Conv4_3 Maxpool4 Conv5_1卷积核数量 32- 64-128 64 128-256 128 256-512 尺寸×步长 3×3 2×2-2 3×3 2×2-2 3×3 1×1 3×3 2×2-2 3×3 1×1 3×3 2×2-2 3×3 输出尺寸/(像素×像素）224×224 112×112 112×1