科技创新 科技风 ２

０２０年 ５月
ＤＯＩ
：１０．
１９３
９２／
ｊ．ｃ
ｎｋｉ
．１６
７１
７３４
１．２
０２０
１５０
２０

基于深度学习的车辆识别系统设计
王　瀚　 唐　岚 

西华大学汽车与交通学院　四川成都　６１００３９

摘　要：本设计针对无人驾驶中目标识别问题，设计了一种基于深度学习的车辆识别系统。该系统一共包括三大模块，分别
是图像采集模块、图像预处理模块和图像识别模块。其中图像采集模块以两百万像素的工业摄像头为核心对图像进行采集。图
像预处理模块包括图像增强、图像去噪、模糊图像复原。图像识别模块以深度学习为核心对车辆进行识别。通过相关算法对质量
下降的图片进行有效处理提高图片质量，本文构建的基于深度神经网络的模型可以对图像中的车辆进行有效识别，具有一定的实
际价值。
关键词：深度学习；图像预处理；图像识别；试验验证
中图分类号：Ｕ４
６３．
６；ＴＰ１
８１　　文献标识码：Ａ

　　随着新一轮科技和产业革命兴起，智能技术已经渗透到人
们日常中，自动驾驶作为智能化和网联化发展的高级形态，成
为汽车行业竞相角逐的阵地，同时人工智能在功能和应用方面
的突破性进展将推动汽车行业新一轮发展。
１基于深度学习的车辆识别系统设计
基于深度学习的车辆识别系统中系统设计方案如下所示。
该系统由图像采集，图像与处理，以及图像识别三个模块组成。
２图像识别模块
自动驾驶核心之一就是如何对图像中车辆的特征进行有
效，准确的提取，并让计算机通过提取的特征来识别目标 ［４］，从
而实现对周围环境的目标识别，识别和避障，实现无人驾驶目
的。本文主要介绍基于卷积神经网络的特征提取方法。
２．１深度神经网络模型的训练

图 ２卷积神经网络结构示意图
神经网络的训练。本文采用的是随机梯度下降算法 ［５］，将
神经网络模型的训练过程则转化成一个寻找最优的过程，通过
定义模型的损失函数，在一定的约束条件下寻找使得该模型损
失函数达到最小值的参数，本文中设定交叉熵函数 ［６］为该模型
的损失函数，找到的这个参数即为神经网络中神经元的学习权
重，其原理及流程如下所示：
图 １系统总体设计 在神经网络模型训练时，采用参数前馈传播来寻找损失函
１．
１图像采集模块 数的极小值来更新模型的参数，当损失函数达到全局最小值的
本文实验所涉及到的设备有实验相机和实验车辆。根据 时候，模型的准确率就到达最大值，接下来就利用有关算法寻
实际情况使用了工业摄像头作为本次实验的图像采集传感器。 找损失函数的全局最小值，本文使用了随机梯度下降算法。
１．
２图像预处理模块 ２． ２样本识别
１．
２．１图像增强 根据上文，本文将车辆识别问题看作一个二分类问题，在
在对图像拍摄、传输以及显示的过程中，由于成像设备、传 本节将采用 ｓ ｏｆｔｍａｘ回归模型作为分类器，ｓ ｏｆｔ
ｍａｘ回归模型主
输系统或显示系统的原因，以及周围环境的影响最终造成图像 要解决分类问题。设有 ｍ个训练样本，样本采样集为｛（ｘ （１）
，
退化和质量下降。由于造成图像质量下降的原因十分复杂，所 ｙ（１）
Ｉ ）， （２）
（ｘ ，ｙ （２） （３）
Ｉ ），（ｘ ，ｙ （３）
Ｉ ）…，（ｘ ，ｙ （ｍ） （ｍ）
Ｉ ）｝，向量 ｘ的维
以本文基于车辆识别中所遇到的常见现象，采用了基于直方图 度为 ｎ＋１，模型参数 θ＝｛Ｗｉｊｂ ｝。ｙ可以取两个值分别为 ０和 １。
ｊ
均匀化的算法对图像进行了增强，该方法算法简单且适用范围 设概率 ｐ （ｙ＝ｊ ｜ｘ；θ，ｂ）代表在输入样本为 ｘ ，网络模型参数为
广，在图像增强、 光照补偿、 图像去雾等方面取得很好的效果［１］， ｛θ，ｂ｝的情况下判别为 ｊ 类的概率。模型通过计算输入的样本
可以让图片达到更加清晰的效果， 从而提高车辆识别的准确率。 在不同类别下的概率，取概率最大的类别作为判断结果，从而
１．
２．２图像去噪 判断输入样本是否是车。因此对于本文的二分类模型，其输出
本文选定高斯滤波模板大小：５×５，σ２＝０．２，ｕ＝０；利用二 的是一个二维向量（向量的和为 １），输出为：
维高斯离散函数计算高斯模板内每个小窗口的高斯滤波权重 ｐ（ｙ（ｉ
）
＝０｜ ｘ（ｉ） （ｉ
；θ），ｂ （ｉ
）

值；计算高斯模板窗口内每个点的像素值乘以权重系数后的
（ｉ
ｈ０（ｘ ）
[
）＝
ｐ （ｉ
）
（ｙ ＝１｜ ]
ｘ ；θ ，ｂ）
（ｉ） （ｉ ） （ｉ

和，然后用该值替换中心点像素值，最后输出图像。 Ｔ （０） （ｉ）

１ ｅ ｓｐ（θ ０ｂ ｘ ）
１．
３图像运动复原
在目标与相机在曝光时间内产生相对运动引起成像模糊，
＝
[
Ｚ ｅ ｓｐ（θ ]
Ｔ （１） （ｉ
１ｂ ｘ ）
）
＼
ＭＥＲＧＥＦＯＲＭＡＴ （１）

式中：θ ０，θ１ 为本文的模型的参数； Ｚ为归一化函数，其大

使图像中原本锐利的边缘退化成拖影，运动模糊的图像会直接 １
Ｔ （ｊ
） （ｉ
）
影响图像关键信息的获取 ［２］。所以为了准确识别物体，对图像 小为∑ｅ
ｓｐ（θ
ｊｂ ｘ ） ，对计算出的不同类别概率值进行归一
＝１
ｊ
进行运动复原是很有必要的。针对车辆识别实际任务，本文采 化，令所有情况下的概率之和为 １。
取了以傅里叶变换 ［３］，Ｒａｄｎ变换 ［３］为核心的运动模糊复原对
ｏ ２．３深度神经网络的搭建
图像进行复原处理。该算法对模糊图像的处理效果明显，基本 在迁移学习的基础上本文采用的是 Ａｌ
ｅｘＮｅ
ｔ网络结构根据
达到了预期的效果。 本文实际任务搭建模型及设置各层参数如下：

２４
 　科技风 ２
０２０年 ５月 科技创新

图 ８本系统识别结果
图 ３本文采用的卷积神经网络结构
各层参数如下所示：
输入层：输入大小为 ２ ７×２
２ ２７×３的图片；
卷积层：使用 ５×５×３的卷积核，共 ３２个卷积核；
池化层：使用最大池化；
全连接层：将之前得到的所有的特征图进行全卷积，然后
输出一个二维向量；
输出层：采用 ｓｏｆ
ｔｍａ
ｘ作为分类函数进行输出。
３实验工况
为了验证系统的准确性，本文在一些常见工况下进行实
验，包括视野较好，基本无车辆相互遮挡，单向行驶的高速公路
图 ９城市工况准确率曲线
工况（都江堰至郫县红光路段）；视野较差，车辆相互遮挡情况
高速路工况和城市工况下准确率与平均召回率大小如下
严重以及存在建筑物干扰的城市工况（西华大学南门至犀浦路
所示：
段）。采集图像信息如下：
表 ２不同工况下不同指标大小
表 １图像采集信息
工况 平均准确率
图像来源 图像数量（张） 图像分辨率 包含工况 道路情况
高速工况 ７８．
９９％
１ ４０
００ ００×１
１６ ２００ 单向行车，无遮挡 高速工况
城市工况 ７２．
８５％
２ ４０
００ ００×１
１６ ２００ 遮挡严重，强光照 城市工况
５总结
　　对实验中采集到的每张图片进行人工标注，即标注图片中
根据以上实验结果可以得知，在高速路工况和城市的识别
所要 识 别 的 车 辆。 该 方 法 借 助 ＭＡＴＬＡＢ 中 ｔ
ｒａｉ
ｎｉｎ
ｇＩｍａ
ｇｅ
准确率和召回率都大于 ６ ０％。高速路工况的准确率与召回率
Ｌａ
ｂｅｌ
ｅｒ工具箱完成。
皆高于城市工况下的准确率与识别率。进一步分析可以得出，
４实验结果
由于高速路工况下的车辆全部为单向行驶，车辆间的相互遮挡
实验结果如下图所示：
现象也比较少，在对车辆进行识别时，被识别的车辆属于背向
试验车辆，因此特征较为明显，模型准确率与召回率较高；相反
在城市工况下的试验车辆，由于工况复杂，在采集图片时容易
受到车辆间的相互遮挡影响，从而造成车辆特征提取较弱，另
外在城市工况下存在大量同向行驶的车辆以及停放在路旁静
止的车辆，因此对于被识别车辆而言特征太多导致模型的准确
图 ４高速工况实验采集图片
率与召回率低于高速工况。但是整体而言，本实验所采用的模
型依然具有一定的实际运用价值。
参考文献：
［１］王超，孙玉秋，徐石瑶，余美晨，李祖胜．自适应直方图
均衡图像增强算法研究［Ｊ ］．长江大学学报（自科版）， ２
０１ ８，
１５
（０１）：５５
５９＋７．
图 ５本系统识别结果 ［２］陈文静，苏显渝，曹益平，向立群．傅里叶变换轮廓术中
抑制零频的新方法［Ｊ ］．中国激光， ２０
０４（０６）：７４０７４４．
［３］张强，李嘉锋，卓力．车辆识别技术综述［Ｊ／ ＯＬ］．北京
工业大学学报， １
１１．
［４］夏鹏飞．基于 ＨＯＧ的多特征融合行人识别跟踪系统
［Ｄ］．南昌航空大学， ２０
１７．
［５］靳冬欢．基于随机并行梯度下降算法的波前校正技术
研究［Ｄ］．国防科学技术大学， ２００
６．
［６］Ａｎｏｎ．Ｕｎｓｕ
ｐｅｒｖｉ
ｓ ｅｄＳｅａｒ
ｃｈ
ｂａｓ
ｅｄＳ ｔｒ
ｕｃｔｕｒ
ｅｄＰｒ ｅｄｉｃｔ
ｉｏｎ
［Ｊ］．Ａｄｖａ
ｎｃｅｓｉ
ｎＮｅ ｕｒ
ａｌＩｎｆｏｒｍａ
ｔｉ
ｏｎＰｒｏｃ
ｅｓｓｉ
ｎｇＳｙ ｓ
ｔｅｍｓ，２０１５．
作者简介：王瀚（１ ９９
２ ），女，四川成都人，硕士，从事无人
驾驶方面的研究。
图 ６高速工况准确率曲线
通讯作者：唐岚。

图 ７城市工况实验采集图片

２５