基于卷积神经网络的车型识别

马国栋，姚善化

(安徽理工大学 电气与信息工程学院，安徽 淮南 232000)

1 引言

随着人们生活水平的提高，车辆数量大幅增加，也致交通事故和违法犯罪增加。车辆识别在智能交通管理中起着重要的作用，而车型识别是车辆识别领域的一个重要方向。目前已经出现很多技术可以解决车辆分类的问题，只是在特定的环境中需要更适合的方法和技术，这样才能够更高效的解决特定的问题。本文提出一种基于卷积神经网络的车辆类型的区分检测识别，目的在于通过深度学习实现监控智能化，以此减少车辆事故与保证安全。

文献[1]利用基于CNN的车型识别方法，建立了一个可以区分5种车型的模型。基于车辆的前视图像，文献[2]提出了一种基于深度学习的车辆模型识别算法。采用图像预处理方法进行数据集处理，有效降低了无关因素对网络训练的影响。本文提出深度学习训练卷积神经网的高性能识别模型，通过评估卷积层数、卷积核大小、卷积层与池化层的数量配比等参数，实现网络性能的比较和优化及卷积核的选择。

2 卷积神经网络

CNN的结构由一个或多个连续的卷积层组成，然后是规则的完全连接的ANN(人工神经网络)层。在深度学习中，卷积神经网络是一种重要的算法，近年来在图形的识别检测，语音的检测识别，人脸识别等重要领域中有着突出的表现和较高的稳定性。

2.1 CNN的结构

传统CNN主要由输入层、卷积层、汇聚层和全连接层组成。卷积神经网的结构中卷积层和汇集层是关键部分主要用于提取被检测图像的特征。relu激活函数主要解决各层之间的线性与非线性的联系，增强了各个网络之间的非线性关系，以此实现神经网络的功能。

2.2 卷积层

卷积层负责特征提取。上一层的特征图经过卷积核进行卷积然后在函数的条件下输出所要的特征图。公式如下:

X=f(y)

(1)

y=x×k+b

(2)

其中x为上一层的输出要素图；k是卷积核矩阵；b是卷积核的特征映射的双值；因变量y是最后得出的特征图。激活函数用f表示。

2.3 汇集层

汇集是卷积神经网络的一个关键动作。一方面保持被检测识别图像的特征值不变，另一方面减少一些不需要的干扰特征。汇集的池操作主要有随机、平均，最大。其中，最大池可以表示如下:

Y=Q(y)

(3)

上一层的输出要素图用(y)表示；最大采样函数为Q。该最大采样函数是规范定义特征图的矩阵划分，其中每个矩阵的长度和宽度以及数量大小。取每个矩阵的最大值，并将其整合到输出特征图y中。

2.4 CNN的连接功能

激活功能，经典relu函数的图形(图1)和公式如下:

(4)

该函数是分段函数在y小于等于0时f(0)始终为零，当y值为正值时f(0)成正比例函数。

2.5 损失函数

损失函数选择在CNN中起着重要的作用。损失函数常见的处理有平方误差、交叉熵、链接等舒适的计算公式。下面为交叉熵的便是：

H=(p,q)=-∑p(x)logq(x)

(5)

其中预期输出为p；q是实际输出；H(p，q)是交叉熵。

图1 ReLU函数

3 网络设计

是实为了能够研究识别精度的影响因素，主要考虑移动平均模型和卷积层。本文的网络结构如表1。

表1 三大网络概述

第一种网络结构由11层组成，包括三个卷积五个汇集三个全连接层。每个卷积层后面是一个汇集层，最后一个汇集层后面是三个完全连接的层。计划输入大小为180×200的彩色图像，并分别从前四卷积层提取4、10、28和48个特征图。最终选择521维特征，5×5的卷积核。

第二种网络结构由14层组成，包括四个卷积六个汇集四个全连接层。二个卷积层之后一个汇集层。汇集层后面的连接情况跟网络一不同，这里最后一个汇集层之后是两个完全连接的层。

第三种网络结构由15层组成包含七个卷积层，六个汇集层，二个全连接层。连接情况同上述第二种网络结构。卷积核的大小和全连接层的维数如表中一样选择，最后，移动平均模型将被添加到网络中。移动平均模型可以表示如下:

影子变量=衰减×影子变量+(1-影子)变量

(6)

变量是要更新的变量。初始值赋予两个变量，随着变量变化时影子变量随着上面的公式跟着变化。衰变主要是由衰变率支配的模型来控制衰变速度，而变量的更新速度则是由移动平均模型来控制的，以此来控制变量的稳定性，保证模型的稳定性。

4 参数设置

在深度学习中卷积神经网中各种参数的设置都会影响模型精度，本文只要对网络三的参数进行调整。调整参数以探索对模型精度的影响。如表2。

表2 参数设置对模型精度的影响

从表2看出，当学习率越高时错误率就越低，所以要通过降低学习率来提高准确率，也就是通过提高学习的时间提高训练的总数据量，而移动平均衰减在0.92时培训的准确率与测试准确率整体效率最高。当学习率基础以及其他各量为0.02/0.05/0.92是训练总数最高时准确率最高，也就是在稍微增加时间时间，提高训练总数模型的精度达到该网络的最高。且移动平均模型可以增强模型的鲁棒性，从而有效提高了识别精度。

卷积层数对模型精度的影响

网因为卷积层的主要功能是负责特征的提取，要通过实验的数据以及结果来分析卷积层层数以及卷积核大小对模型精度的影响。所以设置卷积层的个数对最终的识别率有着直接的关系。如表3。

表3 卷积层数和移动平均模型对精确度的影响

在不变的参数设置下，第一种和第二种网络分别采用的卷积层是2个5层、3个6层，表中明显看出第二种网络的测试准确率更高。所以适当的在不增加逻辑计算难度的条件下适当的增加卷积层个数能够提升测试的准确率。

5 结论

提出了一种基于神经网络的车辆模型识别方法，首先通过在交通部门获取大量的数据资料方便实验的卷积神经网的训练及测试需求，也是本文第一步充分收集到可靠的数据集。接着是介绍了卷积神经网的结构及个层的功能，通过对各个层的参数设置来探究参数对模型精度的影响，分析数据得到精度最高的参数配置。结果表明：卷积神经网在这方面优势很大，网络调整和改良后能达到预期的效果，为车型的识别打下基础和提供参考。