《深度学习车型识别文献综述》3500字

2023年12月8日发(作者：海马福美来f7)

基于深度学习的车型识别国内文献综述

1 车型识别国内外研究现状

目前图像处理的车型识别技术是指对从交通路口摄像头或者图像采集卡，交通视频采取的帧所采集到的各种图像以及自然场景下的图像经过车辆图像的定位，即找出图像中车辆的位置后进行车辆的特征提取，最后进行车型识别。对精细车型的识别如奥迪A4L、奥迪A6L的识别难度较大,

HSIEH J W，马蓓，黄灿等中国内外学者利用车辆的前脸特征提出了一些可行方法。车辆的前脸图像通常被用于车型分类，因其包含车牌、车标、车灯等具有可判别性的大量信息。Sarfraz提出了利用车辆前脸的形状直方图的局部特征，然后利用贝叶斯先验模型进行分类。马蓓利用车辆前脸的纹理特征，然后利用最小距离分类器进行车型分类,实现了快速识别车型。黄灿先提取车辆头部区域的局部特征，然后与数据库中的特征进行匹配，最后根据匹配的结果判断车型。上述几种方法实现了通过提取车辆前脸的特征判断车辆类型的可行性,但是识别的正确率有待提高。

Krishnan Ramnath等提取了汽车的3D空间曲线特征，从车辆的外形整体进行车型分类，该方法能够对任意角度拍摄的图像中的汽车进行分类，但缺点是计算量大。2015年，张红兵等人通过提取汽车前脸的HOG特征，用投影细定位和形态学粗定位相结合的方法提取视频中车辆的前脸区域，采用线性判别的分析算法提取车辆前脸的梯度方向直方图特征，其方法降低了特征维数，提高了运算速度。2016年吴彤等人通过提取车辆侧向特征，利用背景差分法将车型分为大、中、小三类，但是不能满足对车型精细分类的要求。张飞云等人在2015年IEEEROBIO会议上提出了基于深度卷积神经网络的车型识别方法用以解决自然场景下车型精细识别的问题。车辆具有明显的几何特征，如对称性特性。人们在对车辆识别时提取了一种适合于车型识别的模板，比如西门子公司的Jolly等人，通过模板匹配的方法将车辆进行简单的大型、中型、小型分类，这三类车在同样的拍摄条件下，同一幅图中所成像的前景和背景的比值和物体大小是不同的，因而通过这三类车辆的正视图和侧视图的直方图交集和变形模板，然后通过点之间的距离与现有的车辆模板进行比较实现分类。

2 车辆定位算法国内外研究现状

目前基于单目视觉的车辆定位方法可分为基于外观的方法和基于运动的方法。前者直接从单帧图像中检测车辆，而后者则使用连续帧图像进行检测。单目图像缺乏直接的深度测量，大多使用基于外观的方法。早期的单目视觉车辆定位方法使用的是图像中的对称性特征和边缘特征来进行定位，还有采用例如车辆的HOG特征，Haar-like等其他特征来对车辆进行定位。也有人利用SIFT特征来检测车的尾部，包括有遮挡时的情况。激光雷达能够快速地获取扫描平面中的距离信息，并获得障碍物在扫描平面中的外轮廓，同时不受光照条件的影响，但障碍物的形状、纹理信息等特征无法获得，而机器视觉能够提供更为丰富的平面信息，但容易受光照条件的影响。这两种环境感知传感器可以实现功能上的互补，通过建立激光雷达、摄像机和车体之间的坐标转换模型，将激光雷达数据与图像像素数据统一到同一坐标系中进行识别处理。基于先验知识的车辆检测方法主要是利用车辆上比较具有可判别性的特征如车的外观、车灯造型、车标、车窗外形这类车的边缘特征以及车辆具有对称性的几何特征对车辆进行检测识别。

基于机器学习的车辆检测方法主要是指使用机器学习的方法对从样本中抽取的车辆特征进行训练之后检测。常见的有提取Haar和Adaboost特征，最小马氏距离分类、HOG结合SVM分类、HOG结合。2007年采用多维分类的方法实现了道路车辆的检测。2010年Chang和Cho提出了一种online boosting的方法进行车辆检测，解决了不同环境下车辆检测的难题。Chang和Lin等在2012年解决了盲区内前向车辆的检测，其主要通过特征组合并结合概率分类的策略利用边缘特征和SURF特征描述车辆。Wu等使用基本的主成分分析方法（Principal Components Analysis，PCA）提取特征，同时结合最近邻分类器对图像中的车辆进行检测。近几年，在许多计算机视觉任务中，深度学习在许多领域取得了较好的成绩，比如多尺度图片的分类、物体检测和车辆识别，人脸识别。部件可变形模型DPM（Deformable parts model）主要思想是利用改进的HOG特征，然后利用SVM分类，并训练多个模型匹配不同角度下拍摄到的物体。2014年，Ross Girshick将高容量的卷积神经网络特征用在图像中物体检测和分类的候选框中，并且解决了标注数据稀缺的情况下，作为辅助任务的监督预训练以及特定区域的微调。2015年他提出的可变形的部分模型(DPM)和卷积神经网络(CNN)是两种广泛使用的视觉识别的工具。目前比较著名的三大网络CaffeNet,GoogleNet,和VggNet更是打开了深度学习的热潮，在ImageNet上取得了令人骄傲的成绩。

车辆具有很明显的几何特征，比如矩形特征，左上、右下、右上、左下四个角点，BERTOZZI M等利用这一特征定义了四个角点对应的模板，之后搜索图像中与之匹配的角点，根据角点的关系确定车辆的位置。基于车辆边缘信息的车辆检测方法是指车辆的头部和尾部比如挡风玻璃、车牌、车窗等存在着大量垂直和水平结构的特征。通过将这些特征进行边缘检测后具有大量的垂直和水平边缘，因此可以用以车辆检测。SRINIVASA N利用索贝儿算子进行边缘检测，然后根据训练好的行滤波器和边缘滤波器对提取的边缘进行处理，并计算出车辆的位置。

3 深度学习的理论研究现状

深度学习是机器学习的一个分支，通过使用多个数据处理层来进行高层次的模型抽象，包含多个非线性变换。1962年Hubel和Wiesel在对猫视觉皮层细胞的研究基础上，提出了感受野的概念以及1984年日本学者Fukushima在感受野概念的基础上提出了神经认知机，这可以看成神经网络的首次实现，也是感受野在神经网络的第一次应用。深度学习的概念来自于人工神经网络的研究。通常含有多个隐层的感知器模型就可以认为是一种深度学习模型。深度学习作为机器学习的一个分支，可以认为是神经网络的发展，通过组合底层特征形成更加抽象的高层特征，从而进行分类识别，深度学习大约起源于二三十年前，但是一直没有得到大家重视主要由于以下几个方面：

（1）从顶层到底层，误差信号越来越小,因此梯度会越来越小，不利于函数收敛；（2）利用随机初始化时，当初始值远离最优解的时候，很容易导致收敛到局部最小值而非全局最小值；

（3）训练过程中比较容易过拟合，调参数需要不少技巧，参数相对比较难调优；

（4）当层数过深时候训练速度较慢，当层数较少时候，相对于其他方法并没有显著的优势；

（5）对于大部分训练数据而言并没有太多的标签。因而在过去二十多年一直没有得到广泛发展，但多伦多大学的Hinton坚持深度学习的研究并且提出了一个可行的深度框架，再次点燃了深度学习的热度。

深度学习较于传统的神经网络既有很多相似之处，但也包含很多不同之处。比如两者都采用了神经网络的分层结构，系统由很多层组成，输入层、多个隐藏层以及输出层，都采用类似与人脑的结构，只有相邻层节点之间才有连接，隔层以及同一层节点之间相互无连接，每一层都可以看作是一个逻辑回归模型。不同于传统神经网络的训练方法，深度学习为了克服神经网络训练中的问题，采用了与神经网络不同的训练机制。深度学习采用的是逐层训练的方式，直到收敛，而传统的神经网络中采用的是随机初始化，计算当前输出与标注的误差，根据误差调整前面所有层，直至最终收敛，这样会导致误差传到最前面一层的时候太小，导致梯度弥散。卷积网络由卷积层、池化层以及全连接层组合而成，且卷积层和全连接层都过非线性化的处理。卷积操作仅在每个小区域的局部感受野上进行实施，这样可以减少神经元参数的个数。除此，卷积层还利用了权值共享，相同的滤波器作用于同一层上的每个像素点，该做法不仅在性能得到了优化，更加减少内存的占用空间。

参考文献

[1]彭国旗. 基于RFID的车辆定位技术研究[D].长春理工大学,2018.

[2]王海,蔡英凤,陈龙,江浩斌. 弱监督分层深度学习的车辆识别算法[J]. 数据采集与处理,2016,31(06):1141-1147. [3]曹立波,陈峥,颜凌波,秦勤,张瑞锋. 基于RFID、视觉和UWB的车辆定位系统[J]. 汽车工程,2017,39(02):225-231.

[4]孔小江,钟昆,徐珂瑜,牛新征. 基于深度学习的车辆跨摄像头跟踪方法[J]. 数码设计,2017,6(03):46-50.

[5]董浩,曹从咏,杨莹. 车牌定位及车辆特征识别研究[J]. 交通信息与安全,2017,35(04):63-68.

[6]徐一鸣,张娟,刘成成,顾菊平,潘高超. 迁移学习模式下基于GoogLeNet网络的风电机组视觉检测[J]. 计算机科学,2019,46(05):260-265.

[7]郑远攀,李广阳,李晔. 深度学习在图像识别中的应用研究综述[J]. 计算机工程与应用,2019,55(12):20-36.

[8]李玺,查宇飞,张天柱,崔振,左旺孟,侯志强,卢湖川,王菡子. 深度学习的目标跟踪算法综述[J]. 中国图象图形学报,2019,24(12):2057-2080.

[9]彭博,蔡晓禹,唐聚,谢济铭,张媛媛. 基于形态检测与深度学习的高空视频车辆识别[J].

交通运输系统工程与信息,2019,19(06):45-51.

[10]赵奇慧,刘艳洋. 基于深度学习的车辆跟踪算法综述[J]. 电子技术与软件工程,2020(03):142-145.

[11]王瀚,唐岚. 基于深度学习的车辆识别系统设计[J]. 科技风,2020(15):24-25.