论文部分内容阅读
摘 要：针对现有的基于视频进行车辆自动识别的方法在隧道交通拥堵路段存在提取图像特征困难、识别效果差等问题，本文提出了基于深度学习的隧道视频车辆检测的方法。（1）对视频图像进行道路区域的界定，用人工勾勒出感兴趣区域ROI作为待检测区域，并基于形态学检测方法将待检测区域进行子块划分;（2）对图像子块进行公交车、小汽车和道路标线分类，据此建立图像基准库;（3）建立CaffeNet深度学习模型，利用图像基准库对CaffeNet模型进行训练测试。结果显示，公交车和道路标线识别准确率為100%，小汽车识别准确率为98.80%，表明本方法可准确有效地识别隧道交通视频中的车辆种类及道路标线。
关键词：智能交通;深度学习;隧道视频;车辆检测
在现代交通系统中，基于视频的交通信息检测是一种重要交通信息采集技术。由于其具有可视化、安装维护便捷、可获取多种交通参数且不破坏路面结构等优势，在交通监控管理和交通研究等领域得到了广泛的应用。但现有的基于视频进行车辆自动识别的方法在交通拥堵路段存在提取图像特征困难、识别效果差等问题。
近年来深度学习成为研究热点，在车辆颜色[1]、无牌车检测[2]、机动车检测与分类[3]、目标跟踪[4]、车辆定位[5]等相关的技术方面也比较成熟。深度学习能够很好地获取较为稳定的特征，搜索的相似目标更精确，搜索准确率在95%以上。目前深度学习在交通领域中的应用还有车辆检测与感知[6]、车辆身份特征识别[7]、交通视频的分析应用[8]等。
因此，本文提出了基于深度学习的隧道视频车辆检测方法，有效避免了图像特征提取困难、识别效果差等问题。
1 方法简介
本文基于方法步骤如下：
（1）视频采集。
（2）图像预处理。将采集的视频转化为图像，并经过一系列图像预处理过程获得原始数据库。
（3）深度学习图像基准库构建。人工分类原始数据库内的图像，构建训练集、测试集与验证集。
（4）CaffeNet模型训练测试。将训练集与测试集同CaffeNet模型结合进行模型的训练与测试，并不断调整优化模型的参数，直到满足准确率-损失值阈值条件。
（5）CaffeNet模型验证与分析。利用训练好的CaffeNet模型分类验证集的图像，若准确率太低则调整参数后重新进行模型的训练与测试;若准确率达到要求，则可以进行车辆检测。
2 深度学习图像基准库构建
将原始数据库内的图像按类别归类整理，本文将路面上的目标分成3类，分别是bus（公交车）、car（小汽车）以及lanemarking（标线）。各类别样图如图1至图3所示。
图像基准库由四部分组成，包括basic_dataset（原始数据库）、train_dataset（训练集）、test_dataset（测试集）以及predict_dataset（验证集）。其中，原始数据库是由原始视频转化成图像后经过人工截取检测目标后的原始图像。图像基准库各部分样图数量如表1所示。
3 CaffeNet模型训练测试
3.1 CaffeNet深度学习模型简介
深度神经网络模型常见模型有LeNet、AlexNet、CaffeNet、GoogLeNet与Vgg_16，本文使用的模型是CaffeNet模型。CaffeNet模型除了输入层和输出层之外，由5个卷积层与3个全连接层组成，模型运行图如图4所示。
3.2 CaffeNet深度学习模型训练测试
CaffeNet模型训练测试主要有准备数据集、标记数据、创建lmdb格式的数据库文件、建立Caffenet网络和训练参数、执行训练五个步骤。本文CaffeNet模型基本训练参数如表2所示。
经过训练与测试，得到结果图分为Train loss、Test loss和Accuracy三个部分，当Train loss和Test loss趋近于0时，Accuracy趋近于1时，训练测试结果越好。如图5所示为CaffeNet模型的训练测试结果图，可见模型的精确率较高，可进行模型验证步骤。
4 CaffeNet模型验证与分析
模型验证有准备有关类名文件、准备验证图像集、准备网络构架说明文件、准备分类器并执行批处理文件几个步骤。部分验证概率值如表3所示。
根据统计得到，“bus”的验证准确率为100%，“car”的验证准确率为98.80%，“lanemarking”的验证准确率为100%。从表中可看出，Caffenet模型对车辆检测的验证准确率很高，但是依然存在识别误差，误差主要集中在小轿车和公交车以及小轿车和标线之间的识别。
5 隧道视频车辆检测
对于隧道视频图像中的任意子块，如图6所示，利用CaffeNet深度学习模型进行公交车、小汽车、道路标线的种类识别。然后，将识别结果在原始视频图像中进行标记，如图7所示。
6 结论
本文设计的基于深度学习的隧道视频车辆检测方法，弥补了现有视频车辆检测方法的不足，有助于实时交通信息采集，在交通监控管理和交通研究等领域拓展交通流理论研究范畴、推动交通流分析等相关研究，具有较广阔的工程应用价值和理论意义。
基于深度学习的隧道视频车辆检测，具有更直观、稳定可靠、识别效率高、易操作等优势，依靠神经网络训练时自动从低级特征到高级特征不断学习提取图像的特征，从而规避了人工提取图像特征的复杂性、模糊性以及特征匹配时的不稳定性。
但是，目前深度学习在交通领域的研究还不够成熟，需要挖掘的地方还有很多。另外，模型训练样本的构建以及神经网络模型的训练都比较耗时，特别是参数的优化。模型的准确度将直接影响后面预测的可靠性，所以对于深度学习需要更全面的测试和长期深入的研究。
参考文献：
[1]张强，李嘉锋，卓力，等.基于卷积神经网络的监控场景下车辆颜色识别[J].测控技术，2017（10）：11-14.
[2]邹刚，蒋涛，李鸿升.基于深度学习的车牌检测方法，CN106022232A[P].2016.
[3]郭少博.基于深度学习的机动车检测与属性识别研究[D].中国科学技术大学，2017.
[4]管皓，薛向阳，安志勇.融合视觉先验与背景信息的视频目标跟踪方法[J].小型微型计算机系统，2016，37（9）：2074-2078.
[5]张飞云.基于深度学习的车辆定位及车型识别研究[D].江苏大学，2016.
[6]陈惠珍.基于深度学习的无人车避障策略研究[D].湖南大学，2016.
[7]王梦伟.基于深度学习的车辆特征识别系统研究与实现[D].电子科技大学，2016.
[8]柴江武，王茜，鲁斌.基于深度学习的道路交通态势在线视频判别系统[J].科研，2016（12）：151.
关键词：智能交通;深度学习;隧道视频;车辆检测
在现代交通系统中，基于视频的交通信息检测是一种重要交通信息采集技术。由于其具有可视化、安装维护便捷、可获取多种交通参数且不破坏路面结构等优势，在交通监控管理和交通研究等领域得到了广泛的应用。但现有的基于视频进行车辆自动识别的方法在交通拥堵路段存在提取图像特征困难、识别效果差等问题。
近年来深度学习成为研究热点，在车辆颜色[1]、无牌车检测[2]、机动车检测与分类[3]、目标跟踪[4]、车辆定位[5]等相关的技术方面也比较成熟。深度学习能够很好地获取较为稳定的特征，搜索的相似目标更精确，搜索准确率在95%以上。目前深度学习在交通领域中的应用还有车辆检测与感知[6]、车辆身份特征识别[7]、交通视频的分析应用[8]等。
因此，本文提出了基于深度学习的隧道视频车辆检测方法，有效避免了图像特征提取困难、识别效果差等问题。
1 方法简介
本文基于方法步骤如下：
（1）视频采集。
（2）图像预处理。将采集的视频转化为图像，并经过一系列图像预处理过程获得原始数据库。
（3）深度学习图像基准库构建。人工分类原始数据库内的图像，构建训练集、测试集与验证集。
（4）CaffeNet模型训练测试。将训练集与测试集同CaffeNet模型结合进行模型的训练与测试，并不断调整优化模型的参数，直到满足准确率-损失值阈值条件。
（5）CaffeNet模型验证与分析。利用训练好的CaffeNet模型分类验证集的图像，若准确率太低则调整参数后重新进行模型的训练与测试;若准确率达到要求，则可以进行车辆检测。
2 深度学习图像基准库构建
将原始数据库内的图像按类别归类整理，本文将路面上的目标分成3类，分别是bus（公交车）、car（小汽车）以及lanemarking（标线）。各类别样图如图1至图3所示。
图像基准库由四部分组成，包括basic_dataset（原始数据库）、train_dataset（训练集）、test_dataset（测试集）以及predict_dataset（验证集）。其中，原始数据库是由原始视频转化成图像后经过人工截取检测目标后的原始图像。图像基准库各部分样图数量如表1所示。
3 CaffeNet模型训练测试
3.1 CaffeNet深度学习模型简介
深度神经网络模型常见模型有LeNet、AlexNet、CaffeNet、GoogLeNet与Vgg_16，本文使用的模型是CaffeNet模型。CaffeNet模型除了输入层和输出层之外，由5个卷积层与3个全连接层组成，模型运行图如图4所示。
3.2 CaffeNet深度学习模型训练测试
CaffeNet模型训练测试主要有准备数据集、标记数据、创建lmdb格式的数据库文件、建立Caffenet网络和训练参数、执行训练五个步骤。本文CaffeNet模型基本训练参数如表2所示。
经过训练与测试，得到结果图分为Train loss、Test loss和Accuracy三个部分，当Train loss和Test loss趋近于0时，Accuracy趋近于1时，训练测试结果越好。如图5所示为CaffeNet模型的训练测试结果图，可见模型的精确率较高，可进行模型验证步骤。
4 CaffeNet模型验证与分析
模型验证有准备有关类名文件、准备验证图像集、准备网络构架说明文件、准备分类器并执行批处理文件几个步骤。部分验证概率值如表3所示。
根据统计得到，“bus”的验证准确率为100%，“car”的验证准确率为98.80%，“lanemarking”的验证准确率为100%。从表中可看出，Caffenet模型对车辆检测的验证准确率很高，但是依然存在识别误差，误差主要集中在小轿车和公交车以及小轿车和标线之间的识别。
5 隧道视频车辆检测
对于隧道视频图像中的任意子块，如图6所示，利用CaffeNet深度学习模型进行公交车、小汽车、道路标线的种类识别。然后，将识别结果在原始视频图像中进行标记，如图7所示。
6 结论
本文设计的基于深度学习的隧道视频车辆检测方法，弥补了现有视频车辆检测方法的不足，有助于实时交通信息采集，在交通监控管理和交通研究等领域拓展交通流理论研究范畴、推动交通流分析等相关研究，具有较广阔的工程应用价值和理论意义。
基于深度学习的隧道视频车辆检测，具有更直观、稳定可靠、识别效率高、易操作等优势，依靠神经网络训练时自动从低级特征到高级特征不断学习提取图像的特征，从而规避了人工提取图像特征的复杂性、模糊性以及特征匹配时的不稳定性。
但是，目前深度学习在交通领域的研究还不够成熟，需要挖掘的地方还有很多。另外，模型训练样本的构建以及神经网络模型的训练都比较耗时，特别是参数的优化。模型的准确度将直接影响后面预测的可靠性，所以对于深度学习需要更全面的测试和长期深入的研究。
参考文献：
[1]张强，李嘉锋，卓力，等.基于卷积神经网络的监控场景下车辆颜色识别[J].测控技术，2017（10）：11-14.
[2]邹刚，蒋涛，李鸿升.基于深度学习的车牌检测方法，CN106022232A[P].2016.
[3]郭少博.基于深度学习的机动车检测与属性识别研究[D].中国科学技术大学，2017.
[4]管皓，薛向阳，安志勇.融合视觉先验与背景信息的视频目标跟踪方法[J].小型微型计算机系统，2016，37（9）：2074-2078.
[5]张飞云.基于深度学习的车辆定位及车型识别研究[D].江苏大学，2016.
[6]陈惠珍.基于深度学习的无人车避障策略研究[D].湖南大学，2016.
[7]王梦伟.基于深度学习的车辆特征识别系统研究与实现[D].电子科技大学，2016.
[8]柴江武，王茜，鲁斌.基于深度学习的道路交通态势在线视频判别系统[J].科研，2016（12）：151.