基于機(jī)器學(xué)習(xí)的車標(biāo)的特征識(shí)別系統(tǒng)設(shè)計(jì)摘要本論文主要研究了基于機(jī)器學(xué)習(xí)的車標(biāo)識(shí)別，大致分為圖像處理，信號(hào)采集，數(shù)據(jù)庫(kù)建立三大板塊，擬通過圖像處理、傳感器、視頻技術(shù)、卷積神經(jīng)網(wǎng)絡(luò)、SLIQ算法等進(jìn)行圖像處理，利用Matlab，python等軟件搭建平臺(tái)和構(gòu)建模型，結(jié)合各類算法與函數(shù)對(duì)靜動(dòng)態(tài)信號(hào)進(jìn)行采集和處理，然后將處理后的數(shù)據(jù)和標(biāo)簽寫入數(shù)據(jù)集，用CNN和SVM算法對(duì)車標(biāo)集訓(xùn)練，建立車標(biāo)數(shù)據(jù)庫(kù)，最終在靜態(tài)和動(dòng)態(tài)下都能實(shí)現(xiàn)機(jī)器對(duì)于車標(biāo)的識(shí)別。本文的研究重點(diǎn)在信號(hào)的采集和數(shù)據(jù)庫(kù)的設(shè)計(jì)，用二拓?fù)銼VM模型、Vgg模型和卷積神經(jīng)網(wǎng)絡(luò)，進(jìn)行一系列卷積池化等操作，以達(dá)到更精確的識(shí)別率。該研究對(duì)智能交通系統(tǒng)有極大幫助。關(guān)鍵詞圖像處理；機(jī)器學(xué)習(xí)；神經(jīng)網(wǎng)絡(luò)；車標(biāo)識(shí)別目錄TOC\o"1-2"\h\u1緒論 11.1研究背景與研究意義 11.2國(guó)內(nèi)外車標(biāo)識(shí)別研究現(xiàn)狀 11.3本文的主要工作 22圖像技術(shù)和機(jī)器視覺 32.1圖像處理技術(shù) 32.2數(shù)字圖像處理 42.3機(jī)器視覺技術(shù) 42.4機(jī)器視覺的應(yīng)用 52.5機(jī)器學(xué)習(xí) 53數(shù)據(jù)庫(kù)和信號(hào)采集的設(shè)計(jì) 83.1引言 83.2系統(tǒng)的需求分析 83.3信號(hào)采集的設(shè)計(jì) 143.4數(shù)據(jù)庫(kù)的生成和訓(xùn)練 163.5采集后的處理分析 184總體車標(biāo)檢測(cè)軟件設(shè)計(jì) 204.1車標(biāo)的實(shí)況收集 204.2車標(biāo)的預(yù)處理 204.3閾值選取 214.4圖像勘測(cè) 214.5車標(biāo)檢測(cè) 274.6車標(biāo)識(shí)別 295實(shí)驗(yàn)結(jié)果及分析 305.1實(shí)驗(yàn)數(shù)據(jù) 305.2實(shí)驗(yàn)分析 32總結(jié) 33參考文獻(xiàn) 351緒論1.1研究背景與研究意義近些年來(lái)，隨著科技的進(jìn)步和發(fā)展，車輛日益增多，各類問題也撲面而來(lái)，智能交通在人們?nèi)粘Ｉ钪衅鸬接鷣?lái)愈大的作用，而車標(biāo)識(shí)別則是車輛識(shí)別的尤為關(guān)鍵的環(huán)節(jié)。車標(biāo)識(shí)別技術(shù)是指以采集到的數(shù)字圖像為目標(biāo),對(duì)其進(jìn)行圖像的處理等操作，最終達(dá)到自動(dòng)識(shí)別,從而獲取車輛品牌以及其他信息的一種非常實(shí)用的技術(shù)。經(jīng)過不斷的發(fā)展，車標(biāo)識(shí)別主要有以下幾個(gè)應(yīng)用領(lǐng)域：（1）車輛的管理。對(duì)于不法商家以及黑車車牌，利用車牌和車標(biāo)的共同識(shí)別，可對(duì)其進(jìn)行有效打擊。（2）收費(fèi)。無(wú)人收費(fèi)和自動(dòng)管理能有效降低勞動(dòng)力，識(shí)別系統(tǒng)提供要信息依據(jù)，也可以避免逃費(fèi)狀況的發(fā)生。（3）天網(wǎng)布控?？梢杂行У谋O(jiān)控車輛，既可以放盜，也能為公安抓捕在逃分子提供車輛信息。1.2國(guó)內(nèi)外車標(biāo)識(shí)別研究現(xiàn)狀要對(duì)車標(biāo)進(jìn)行識(shí)別，首先要需要在環(huán)境或是圖片中找到車標(biāo)的位置，也就是對(duì)車標(biāo)進(jìn)行定位。林志陽(yáng)等三人提出了運(yùn)用Adaboost算法進(jìn)行定位，即定位技術(shù)。遼寧師范大學(xué)的李俠提出了一種匹配的設(shè)想，具體是想通過它與車牌以及車燈的相對(duì)位置進(jìn)行初步定位，再利用邊緣檢測(cè)法結(jié)合車牌的一些特點(diǎn)，對(duì)車標(biāo)進(jìn)行更好的定位。李長(zhǎng)俊等三人則想從投影的角度，結(jié)合其他算法，對(duì)車標(biāo)進(jìn)行定位。而在去年，李映東等人在投影的基礎(chǔ)上，引入Sobel算法分子以及去燥技術(shù)，減少了部分物理影響，從而提高定位的精度。隨著研究的推進(jìn)，也將越來(lái)越多的定位技術(shù)可供我們選擇。定位完成后，就要對(duì)定位采集的信號(hào)進(jìn)行識(shí)別，這就是識(shí)別技術(shù)。早期人們?cè)\(yùn)用ITTI視覺模型對(duì)車標(biāo)進(jìn)行識(shí)別。2014年，王建在ITTI視覺模型的基礎(chǔ)上，運(yùn)用二值分割、快速最鄰近算法等技術(shù)成功優(yōu)化了識(shí)別。2019年，余燁等4人為解決識(shí)別提取特征中，過人冗雜等問題，提出增強(qiáng)邊緣梯度化特征的方法，再分別利用WPCA技術(shù)和CRC處理器進(jìn)行降為和分類操作，效果也十分不錯(cuò)。如今，也有研究者結(jié)合了MFC、OpenCV以及Adaboost算法后，更有效的排除了可能存在的誤區(qū)，從而進(jìn)行更好的識(shí)別。當(dāng)前，利用OpenCV成了許多人的選擇。1.3本文的主要工作本研究課題通過對(duì)車標(biāo)的數(shù)據(jù)采集,利用一系列算法以及神經(jīng)網(wǎng)絡(luò)，分析技術(shù)、誤差以及可行性，將原始車標(biāo)信號(hào)進(jìn)行了實(shí)時(shí)的接收、預(yù)處理及保存,再比對(duì)建立起的車標(biāo)數(shù)據(jù)庫(kù),能對(duì)靜態(tài)和捕捉的動(dòng)態(tài)車標(biāo)進(jìn)行識(shí)別。2圖像技術(shù)和機(jī)器視覺2.1圖像處理技術(shù)在基于機(jī)器人的自動(dòng)視覺圖像系統(tǒng)中,視覺圖像信息的邏輯收集和分析處理信息技術(shù)主要指的是一種依賴于對(duì)視覺圖像信號(hào)進(jìn)行信息處理的各種方法,它們主要技術(shù)包括了視覺圖像邏輯加強(qiáng)、信號(hào)傳輸、特征提取、圖像識(shí)別與信息理解等。經(jīng)過這些輸出圖像的優(yōu)化處理后,輸出的輸入圖像數(shù)據(jù)質(zhì)量精度可以同時(shí)得到相當(dāng)程度的大幅提高,既大大度地改善了輸出圖像的質(zhì)量可靠性和它的視覺效果,又十分有利于利用計(jì)算機(jī)對(duì)輸出圖像質(zhì)量進(jìn)行科學(xué)分析、處理和識(shí)別。2.1.1數(shù)字圖像數(shù)字圖像是圖像的連續(xù)信號(hào)離散化后，形成的矩陣或數(shù)組。它的基本元素是像素，多用于數(shù)電存儲(chǔ)和圖像處理。2.1.2圖像技術(shù)和圖像工程圖像處理技術(shù)是各種在與圖像及其相關(guān)的信息技術(shù)之間所做的統(tǒng)稱。目前現(xiàn)在我國(guó)大學(xué)主要正在從事的工作是數(shù)字圖像方面的研究,廣泛運(yùn)用的領(lǐng)域之一就是使用計(jì)算機(jī)數(shù)字圖像。例如：1、對(duì)一個(gè)圖像的場(chǎng)景信息正確采集、獲得、編譯、存儲(chǔ)和進(jìn)一步傳輸,圖像的分辨率調(diào)整和處理,圖像的拉伸、增強(qiáng)、修復(fù)(或恢復(fù))等一系列變換。2、對(duì)目標(biāo)的檢測(cè)、表達(dá)和圖像形式的描述,還有特征提取和校正,對(duì)圖像場(chǎng)景信息處理數(shù)據(jù)庫(kù)的正確構(gòu)建、索引和信息抽取,圖像的正確歸類和辨認(rèn)。3、圖像思維模式的正確建立和相互匹配,圖像和人在現(xiàn)實(shí)中對(duì)圖像場(chǎng)景的正確詮釋和深度了解,以及基于它們的理性判斷和短期決策和對(duì)圖像行為的長(zhǎng)期規(guī)劃等。圖像處理技術(shù)也可以指能夠?qū)崿F(xiàn)完成上述各種功能所需的軟硬件結(jié)合設(shè)計(jì)和圖像制作。圖像工程主要是將傳統(tǒng)的數(shù)學(xué)、光學(xué)等基本科學(xué)原理,與圖像應(yīng)用中的技術(shù)相結(jié)合。圖像學(xué)技術(shù)工程的內(nèi)容十分豐富,按照其抽象化的程度與所采用的研究手段和方法等不同,大致可以劃分為三個(gè)方面:處理,分析與消化理解。處理的著重于強(qiáng)調(diào)圖像之間的變化。而分析則主要對(duì)圖像中人們所感興趣的部分進(jìn)行探索,來(lái)建立對(duì)圖像的描述。而消化理解的研究重點(diǎn)主要是在傳統(tǒng)的圖象學(xué)理論基礎(chǔ)上,進(jìn)一步地研究了圖像中每個(gè)目標(biāo)的屬性和它們之間的相互關(guān)聯(lián)。由次可知,圖像的消化理解作為模仿人思維的一個(gè)過程，也是目前較大的難點(diǎn)。2.2數(shù)字圖像處理2.2.1系統(tǒng)簡(jiǎn)介整個(gè)數(shù)字圖像處理系統(tǒng)簡(jiǎn)而言之就是將采集圖像輸入計(jì)算機(jī)或是其他設(shè)備，進(jìn)行一系列處理，最終輸出理想結(jié)果或完成某項(xiàng)功能。2.2.2樣本采集采集數(shù)字圖象需要兩種器件。一是傳感器，而是數(shù)字化器件，即將傳感器捕捉的信號(hào)變?yōu)殡x散的數(shù)字形式，并輸入到計(jì)算機(jī)中。目前常用的設(shè)備有電荷藕合器件CCD和互補(bǔ)性金屬氧化物半導(dǎo)(CMOS)。CCD攝像機(jī)的特點(diǎn)是在極短的時(shí)間內(nèi)，可以捕捉很多畫面。而CMOS攝像機(jī)的傳感器主要包括:傳感器核心,數(shù)字信號(hào)模擬信號(hào)轉(zhuǎn)換器和一些功能性的寄存器等等。它能有效降低功耗，也節(jié)約了成本，但噪聲相比偏大。2.2.3數(shù)據(jù)處理數(shù)字圖像的處理是對(duì)輸入的圖像進(jìn)行變換來(lái)達(dá)到特定效果，例如增強(qiáng)某些特定信息，這些技術(shù)包括銳化、去燥、壓縮、分割等。對(duì)圖像的處理和分析一般可用算法的形式描述，可利用Matlab等軟件實(shí)現(xiàn)。2.3機(jī)器視覺技術(shù)機(jī)器視覺不是單純的一門技術(shù)，而是把圖形學(xué)、圖像處理和識(shí)別、AI等各類學(xué)科結(jié)合的多功能的、綜合性的技術(shù)。簡(jiǎn)單來(lái)講，就是用機(jī)器代替人眼來(lái)做測(cè)量、識(shí)別和判斷。機(jī)器視覺系統(tǒng)將檢測(cè)圖像并轉(zhuǎn)化為數(shù)字信號(hào)，再對(duì)其數(shù)字信號(hào)進(jìn)行多方面處理，最后得到特征值，來(lái)實(shí)現(xiàn)各類功能。然后再通過反饋結(jié)果成像，輸出數(shù)據(jù)，反饋指令，自我調(diào)整等。整個(gè)系統(tǒng)如圖2-1（常用CCD攝像）。圖2-1機(jī)器視覺系統(tǒng)2.4機(jī)器視覺的應(yīng)用現(xiàn)如今的生產(chǎn)領(lǐng)域和工業(yè)領(lǐng)域中，人們已經(jīng)能將機(jī)器視覺系統(tǒng)和配套設(shè)備結(jié)合并運(yùn)用，效果也十分顯著。包括批量生產(chǎn)、監(jiān)視、作品檢驗(yàn)和質(zhì)量控制和分析等。人們看重的就是它可以提高產(chǎn)業(yè)的自動(dòng)化從而減少人工成本和時(shí)間。近年來(lái)機(jī)器視覺的發(fā)展表現(xiàn)在以下方面：機(jī)器視覺在環(huán)境中的信息感知。包括它的形貌、位置、姿勢(shì)、運(yùn)動(dòng)等。2、在圖像的底層處理中提現(xiàn)了其統(tǒng)計(jì)方法。3、逐步走向商業(yè)化的機(jī)器視覺。如人臉、語(yǔ)音等識(shí)別技術(shù)、監(jiān)測(cè)技術(shù)、身份鑒別等智能領(lǐng)域。在日常運(yùn)用中，我們可利用OpenCV這個(gè)庫(kù)（這個(gè)庫(kù)支持很多操作系統(tǒng)），在windows等操作系統(tǒng)上實(shí)現(xiàn)這類功能。2.5機(jī)器學(xué)習(xí)機(jī)器學(xué)習(xí)大致可分為四種，（按學(xué)習(xí)方式的不同）如下：1、監(jiān)督學(xué)習(xí)。在監(jiān)督式學(xué)習(xí)下，輸入的訓(xùn)練數(shù)據(jù)有一個(gè)明確的輸出。在建立預(yù)測(cè)模型時(shí)，它會(huì)以此為依據(jù)，將兩者不斷比較學(xué)習(xí)，不斷調(diào)整不斷改良，提高擬合度，直到模型的預(yù)測(cè)結(jié)果達(dá)到一個(gè)預(yù)期的準(zhǔn)確率。常見的有邏輯回歸（LogisticRegression）等。2、非監(jiān)督學(xué)習(xí)。非監(jiān)督學(xué)習(xí)所給定的數(shù)據(jù)集不用標(biāo)記，它的數(shù)據(jù)不是一個(gè)確切值。因此要根據(jù)數(shù)據(jù)直接建立模型，所以我們要將數(shù)據(jù)降低到二維，三維，從而可以更好地展示數(shù)據(jù)信息。常見算法有k-Means算法。3、半監(jiān)督學(xué)習(xí)。半監(jiān)督學(xué)習(xí)則是將前兩者相結(jié)合的一種學(xué)習(xí)方法。這種模式可以用來(lái)進(jìn)行預(yù)測(cè)，但需通過學(xué)習(xí)數(shù)據(jù)的內(nèi)在結(jié)構(gòu)，從而做出合理有效的預(yù)測(cè)。常用有傳導(dǎo)推理法（TansductiveLearmning)和歸納學(xué)習(xí)法(Inductiveleaning)等。4、強(qiáng)化學(xué)習(xí)(ReinforcementLeaming)，它是在環(huán)境中尋找一種學(xué)習(xí)方法，好處是給與少量信息，根據(jù)給定的參數(shù)先做出行動(dòng)，得到試驗(yàn)值，通過判斷試驗(yàn)值的優(yōu)良來(lái)對(duì)前期的步驟做一個(gè)分析和判斷，以此為依據(jù)調(diào)整，進(jìn)一步優(yōu)化結(jié)果。機(jī)器學(xué)習(xí)可被認(rèn)為是為了實(shí)現(xiàn)目標(biāo)，我們通過訓(xùn)練，逐步提高表現(xiàn)并完善模型的一個(gè)過程。具體流程分以下幾步，(1)數(shù)據(jù)采集與分類︰采集數(shù)據(jù)，并區(qū)分為訓(xùn)練、驗(yàn)證和測(cè)試集。(2)模型搭建:結(jié)合訓(xùn)練集的結(jié)果搭建合適的模型。(3)驗(yàn)證:在驗(yàn)證集上，對(duì)構(gòu)建的特征模型進(jìn)行檢驗(yàn)，評(píng)估模型的可信度和擬合度。(4)模型評(píng)估:在測(cè)試集上，對(duì)驗(yàn)證過的特征模型進(jìn)行測(cè)評(píng)。(5)優(yōu)化:通過參數(shù)微調(diào)以及其他分析法來(lái)提高算法的性能。而機(jī)器學(xué)習(xí)的技術(shù)主要在于算法和決策。而依據(jù)算法的功能，大致可分為回歸算法、SLIQ、貝葉斯方法、基于核的算法、聚類算法等?；貧w算法是通過誤差衡量尋求聯(lián)系的一種算法。它是統(tǒng)計(jì)學(xué)中的無(wú)法替代的。常見的包括：、地散點(diǎn)平滑估計(jì)（LocallyEstimatedScatterplotSmoothing）等。貝葉斯方法算法是同樣是用來(lái)解決分類和回歸問題。如樸素貝葉斯算法。SLIQ算法決策樹算法顧名思義采用樹狀結(jié)構(gòu)建立決策模型，這種模型用來(lái)解決分類問題。如隨機(jī)森林（RandomForest）。支持向量機(jī)算法（基于核的算法中最重要的）它是一種二類分類模型，通過間隔的最大化對(duì)數(shù)據(jù)進(jìn)行分類統(tǒng)計(jì)。它通常分為支持向量分類機(jī)和支持向量回歸機(jī)。集成學(xué)習(xí)集成學(xué)習(xí)（ensemblelearning）是近些年流行的方法，它是一種整合后的整體預(yù)測(cè)。集成學(xué)習(xí)可以用于分類矛盾問題集中，回歸矛盾問題集中，特點(diǎn)選用矛盾問題集中，異常不同點(diǎn)測(cè)試矛盾問題集中，征選取問題集成，堆疊泛化等?？蚣軋D見圖2-2。圖2-2集成學(xué)習(xí)框架圖3數(shù)據(jù)庫(kù)和信號(hào)采集的設(shè)計(jì)3.1引言本章主要車標(biāo)識(shí)別系統(tǒng)進(jìn)行需求分析以及使用可行性分析，并探討在Matlab中使用SVM算法來(lái)獲取優(yōu)質(zhì)信號(hào)標(biāo)本，再將優(yōu)化處理的圖像標(biāo)本放入python的OpenCV中，用cv2.show函數(shù)展示出來(lái)，從而在VGG模型下的訓(xùn)練庫(kù)中進(jìn)行更好的測(cè)試和識(shí)別，提高準(zhǔn)確率。3.2系統(tǒng)的需求分析 假設(shè)有效容量有限鍛煉集D=QUOTE，QUOTE，為現(xiàn)有標(biāo)記的實(shí)驗(yàn)?zāi)Ｐ湾憻捈绞奖鎰e的最簡(jiǎn)單的要求是根據(jù)鍛煉集D在多維分布空間內(nèi)計(jì)算得知一個(gè)分類超分布平面，使各種特征屬性的鍛煉試驗(yàn)樣品有一定依次。如下示意圖3-1所示，數(shù)個(gè)分類超分布平面里，兩大類鍛煉數(shù)據(jù)信息試驗(yàn)樣品“正中間”的分類超分布平面也就是為最優(yōu)化超分布平面，也就是圖3.1里黑色實(shí)線。由于這個(gè)分類超分布平面對(duì)全新的數(shù)據(jù)信息所形成的微觀轉(zhuǎn)變的“容忍”性最好。如果有已經(jīng)知道試驗(yàn)樣品其他的數(shù)據(jù)信息更接近兩大類試驗(yàn)樣品的分隔界，則其他它分類超分布平面把形成異常不同，而藍(lán)實(shí)線分類超分布平面所受干擾影響的最低。因此這個(gè)分類超分布平面所形成的辨別作用效果最好，對(duì)全新的數(shù)據(jù)信息的辨別作用效果更優(yōu)。圖3-1兩類訓(xùn)練樣本的多個(gè)劃分超平面在對(duì)車標(biāo)信號(hào)支持向量機(jī)的研究中，我們假設(shè)有一個(gè)?可以準(zhǔn)確識(shí)別信號(hào)。但在現(xiàn)實(shí)中，原始的信號(hào)空間內(nèi)可能無(wú)法得到一個(gè)好的車標(biāo)分類樣本的?。圖3-2從數(shù)學(xué)線性不可分到線性可分為了處理和解決及其以上問題矛盾，可適當(dāng)提高信號(hào)的維度，分布空間從低調(diào)至稍微高一點(diǎn)，這樣方便車標(biāo)數(shù)據(jù)信號(hào)在全新的分布空間內(nèi)數(shù)學(xué)線性可分。如下示意圖3-2所示，如果把初始的分布平面分布空間交換至一個(gè)恰當(dāng)?shù)牧㈩}分布空間，就可以計(jì)算求解出一個(gè)恰當(dāng)?shù)?。如果車標(biāo)數(shù)據(jù)信號(hào)的初始分布維度有限，則能夠計(jì)算得知全新的高維分布空間使車標(biāo)數(shù)據(jù)信號(hào)數(shù)學(xué)線性可分。以下是一些常用的核函數(shù)，如表3.1所示。表3.1常用核函數(shù)一次SVM僅能夠?qū)崿F(xiàn)對(duì)數(shù)據(jù)的二分類，由此可見，若而面對(duì)多分類問題的時(shí)候，則可能需組合數(shù)個(gè)模型進(jìn)行組合來(lái)對(duì)車標(biāo)信號(hào)進(jìn)行識(shí)別。當(dāng)然，線性化分有一定局限性。在實(shí)際中通常很難確定線性結(jié)果是否會(huì)影響特征的過度擬合。因而在這種情況中引入“軟間隔”，如圖3-3所示。圖3-3軟間隔核運(yùn)算函數(shù)、車標(biāo)數(shù)據(jù)信號(hào)映射以及車標(biāo)分布空間是依次匹配的。核運(yùn)算函數(shù)有關(guān)參參數(shù)的調(diào)整變化真實(shí)就是隱形地對(duì)核運(yùn)算函數(shù)展開調(diào)整變化，從而對(duì)特點(diǎn)映射展開改變。此同時(shí)，調(diào)節(jié)控制車標(biāo)數(shù)據(jù)信號(hào)特點(diǎn)分布空間的龐雜作用程度。車標(biāo)數(shù)據(jù)信號(hào)分布空間的分布維數(shù)確定了數(shù)學(xué)線性?的最高VC維，如果車標(biāo)數(shù)據(jù)信號(hào)分布空間分布維數(shù)非常高，最優(yōu)化?龐雜度就會(huì)比較大，針對(duì)鍛煉集辨別作用效果好但是兼容性能差；相反一樣建立。這兩大類實(shí)際狀況下獲取的SVM都不會(huì)對(duì)車標(biāo)數(shù)據(jù)信號(hào)有優(yōu)良的分類作用效果。從而要求明確恰當(dāng)?shù)暮诉\(yùn)算函數(shù)參數(shù)從而方便獲取合適的車標(biāo)數(shù)據(jù)信號(hào)分類分布空間，這樣一來(lái)才能夠獲取車標(biāo)分類作用功能好的SVM.懲戒系數(shù)C為判斷SVM分類作用效果的又一個(gè)干擾影響系數(shù)。其最高作用是在明確的車標(biāo)數(shù)據(jù)信號(hào)分布空間里轉(zhuǎn)變SVM的置信分布區(qū)間與實(shí)踐經(jīng)驗(yàn)風(fēng)險(xiǎn)的相對(duì)大小，以進(jìn)--步提升SVM的泛化作用功能。不相同車標(biāo)數(shù)據(jù)信號(hào)分布空間的最優(yōu)化系數(shù)數(shù)值有一定轉(zhuǎn)變，在某一個(gè)的車標(biāo)數(shù)據(jù)信號(hào)分布空間里，系數(shù)C的數(shù)值愈小可規(guī)避過模擬，但是辨別工作效率低；相反一樣.建立。因此，針對(duì)本次研究課題所成立的車標(biāo)數(shù)據(jù)信號(hào)數(shù)據(jù)信息集，為了獲取辨別最終結(jié)果良好的SVM，明確恰當(dāng)?shù)倪x用-一個(gè)恰當(dāng)?shù)膽徒湎禂?shù)C非常重要。為使SVM的分類辨別及系數(shù)尋優(yōu)更為快捷，出自中國(guó)臺(tái)灣區(qū)域的林智仁等分析研究工作人員綜合系統(tǒng)設(shè)計(jì)并且撰寫了LBSVM操作應(yīng)用軟件數(shù)據(jù)庫(kù)。Matlab應(yīng)用平臺(tái)支持LIBSVM操作應(yīng)用軟件數(shù)據(jù)庫(kù)的研發(fā)和使用，svmtrain編輯語(yǔ)句可實(shí)現(xiàn)了對(duì)SVM的鍛煉及其系數(shù)尋優(yōu)。懲戒影響因子C的實(shí)際大小由svntrain編輯語(yǔ)句的“-c”項(xiàng)判斷，默認(rèn)數(shù)值為1。其它調(diào)參項(xiàng)如下表3.2所示。表3.2普遍常用核函數(shù)的系數(shù)項(xiàng)伴隨著分析研究的深入、全面與建筑工程投資項(xiàng)目實(shí)踐經(jīng)驗(yàn)的累計(jì)，有關(guān)工作管理人員試圖運(yùn)用少數(shù)運(yùn)算方法對(duì)SVM的系數(shù)展開轉(zhuǎn)變與尋優(yōu)。遺傳運(yùn)算方法及分布網(wǎng)格搜查法是比較典型的兩大類模式。受自然選用理論思想的激發(fā)，科學(xué)研究行業(yè)領(lǐng)域逐漸探究出了全局優(yōu)化提高運(yùn)算方法，也就是遺傳運(yùn)算方法。GA隨機(jī)形成富含一定量個(gè)體的車標(biāo)數(shù)據(jù)信號(hào)SVM系數(shù)生物種群，對(duì)生物種群依作業(yè)環(huán)境(優(yōu)化提高作用效果)展開自然選用、并且針對(duì)生物種群展開生物學(xué)轉(zhuǎn)化，最后形成字代系數(shù)群體，持續(xù)往復(fù)，一直到實(shí)現(xiàn)了迭代更新，找到發(fā)現(xiàn)最為合理系數(shù)排列組合。流程圖如3-4所示。圖3-4基于GA的SVM系數(shù)優(yōu)化提高工作流程分布網(wǎng)格搜查法是機(jī)器設(shè)備學(xué)習(xí)里最初始的優(yōu)化提高運(yùn)算方法，使用這類應(yīng)用模式計(jì)算求解SVM的最優(yōu)化系數(shù)點(diǎn)是一類作用效果優(yōu)良的尋優(yōu)模式，能夠從數(shù)個(gè)系數(shù)分布維度對(duì)SVM展開優(yōu)化提高。分布網(wǎng)格搜查運(yùn)算方法的概念是把待尋優(yōu)系數(shù)于限定的系數(shù)分布空間內(nèi)區(qū)別為大小相同的分布網(wǎng)格，以后1次計(jì)算求解每一個(gè)分布網(wǎng)格相對(duì)應(yīng)系數(shù)數(shù)值的實(shí)驗(yàn)?zāi)Ｐ湾憻捵饔眯Ч＿@個(gè)系數(shù)優(yōu)化提高運(yùn)算方法理論簡(jiǎn)易、容易編輯翻譯。分布網(wǎng)格搜查法可應(yīng)用在優(yōu)化提高本次研究課題的實(shí)時(shí)動(dòng)態(tài)車標(biāo)支持SVM，其主要優(yōu)勢(shì)具體如下所示：(1)可以與此同時(shí)，對(duì)懲戒系數(shù)C、核系數(shù)2個(gè)系數(shù)數(shù)值展開遍歷尋優(yōu)，并且使兩組系數(shù)互不干預(yù)，可完成并行連接搜查。(2)在SVM系數(shù)搜查作用范圍相對(duì)明確的時(shí)候，互聯(lián)網(wǎng)搜查損耗的有效時(shí)間比較少。(3)計(jì)算得知的最優(yōu)化系數(shù)數(shù)值為系數(shù)分布空間的全局最優(yōu)合理解，不容易導(dǎo)致SVM停駐于某一地區(qū)的系數(shù)解。但是分布網(wǎng)格搜查法缺點(diǎn)不足亦然非常顯著，主要具體如下所示：(1)如果設(shè)立系數(shù)作用范圍比較多的時(shí)候，尋優(yōu)作用時(shí)間比較長(zhǎng)。(2)假如實(shí)踐經(jīng)驗(yàn)問題不足，未限定恰當(dāng)?shù)南禂?shù)尋優(yōu)地區(qū)，相對(duì)其它系數(shù)尋優(yōu)模式，不容易計(jì)算得知二拓?fù)浣M成結(jié)構(gòu)SVM的最優(yōu)化系數(shù)數(shù)值。不難得知，分布網(wǎng)格搜查運(yùn)算方法事實(shí)上是一類窮舉的模式。本次研究課題使用這個(gè)運(yùn)算方法展開SVM尋優(yōu)的基本工作流程為：(1)跟據(jù)實(shí)踐經(jīng)驗(yàn)明確懲戒系數(shù)C、核系數(shù)待搜查的作用范圍。(2)固定各懲戒系數(shù)C、核系數(shù)檢測(cè)步長(zhǎng)，把懲戒系數(shù)C、核系數(shù)依步長(zhǎng)離散分布化，沿著懲戒系數(shù)C、核系數(shù)的步長(zhǎng)分別檢測(cè)，分布網(wǎng)格里的離散的點(diǎn)與之對(duì)應(yīng)不相同的系數(shù)數(shù)值。(3)在檢測(cè)最終結(jié)果里，選用最為合理系數(shù)點(diǎn)作為SVM最為合理系數(shù)。其流程圖如3-5所示。圖3-5根據(jù)分布網(wǎng)格搜查運(yùn)算方法的SVM尋優(yōu)工作流程針對(duì)以數(shù)學(xué)線性核為核運(yùn)算函數(shù)的SVM單系數(shù)優(yōu)化提高矛盾問題，能夠應(yīng)用GA尋優(yōu)，經(jīng)一定數(shù)目的迭代更新之后，找到發(fā)現(xiàn)滿足適合度最優(yōu)等的懲戒影響因子C；而就多系數(shù)優(yōu)化提高矛盾問題，GA和分布網(wǎng)格搜查法展開系數(shù)尋優(yōu)各有優(yōu)劣。分布網(wǎng)格搜查法常常固定了步長(zhǎng)，在規(guī)定要求的控制范圍里分別論證SVM的鍛煉準(zhǔn)確比例。對(duì)比于遺傳運(yùn)算方法，其論證了全局系數(shù)的SVM鍛煉準(zhǔn)確比例，不會(huì)落入局部最優(yōu)勢(shì)，并且SVM核運(yùn)算函數(shù)普遍常用的系數(shù)作用范圍不是尤其廣，并且常常把系數(shù)取對(duì)數(shù)并且增長(zhǎng)相對(duì)應(yīng)步長(zhǎng)分別論證，減少降低了鍛煉作用時(shí)間，提升了論證工作效率。但是分布網(wǎng)格搜查法步長(zhǎng)固定，在系數(shù)比較多的時(shí)候，其對(duì)數(shù)衰減作用的更加迅速，在不斷前行一致的步長(zhǎng)下系數(shù)增長(zhǎng)幅度太大，在相鄰的論證分布網(wǎng)格里，會(huì)發(fā)現(xiàn)不了2個(gè)分布網(wǎng)格間鍛煉作用效果更為的系數(shù)點(diǎn)。分布網(wǎng)格搜查法的功能優(yōu)勢(shì)是能夠宏觀鎖定“高原系數(shù)區(qū)”，如下3-6示意圖所示黃色地區(qū)所示，但是在微觀尋求局部“工作高峰系數(shù)點(diǎn)”上，也就是局部最優(yōu)勢(shì)上不具優(yōu)勢(shì)。圖3-6分布網(wǎng)格搜查法對(duì)“高原系數(shù)區(qū)”的宏觀鎖定3.3信號(hào)采集的設(shè)計(jì)為了提高訓(xùn)練效果，加強(qiáng)準(zhǔn)確率，收集的數(shù)據(jù)樣本要盡可能多一些。本研究擬對(duì)100條車標(biāo)圖像實(shí)況采集和處理。（100個(gè)樣本，80訓(xùn)練集，20測(cè)試集，4種車標(biāo)）。自Matlab6.0應(yīng)用版本起，MatlabGUI應(yīng)用平臺(tái)增添了機(jī)器設(shè)備操作控制箱(instrumentcontroltoolbox)，主要目的在于為RS-232/RS-485通訊基本準(zhǔn)則賦予有關(guān)的保障和支持，減少操作應(yīng)用軟件研發(fā)難度。經(jīng)過在這其中，的serial有關(guān)命令指示、使用串行接口專屬instrcallback()間斷，可完成串行連接通訊，并且具備具體如下所示優(yōu)勢(shì)：(1)兼容支持很多種不同串行連接機(jī)器設(shè)備(RS-232，RS-422，RS-485)的鏈接和通訊；(2)二進(jìn)制數(shù)據(jù)信息及信息文本(ASCII)數(shù)據(jù)信息兩大類通訊模式都受支持；(3)支持異步通訊及實(shí)時(shí)同步通訊；(4)支持根據(jù)意外突發(fā)事件聯(lián)動(dòng)的通訊(亦稱間斷模式)。GUI應(yīng)用平臺(tái)的串行接口通訊僅將數(shù)據(jù)信號(hào)自動(dòng)傳輸?shù)絇C處理終端，而其它作用功能都使用操作應(yīng)用軟件完成，所以使用GUI應(yīng)用平臺(tái)完成數(shù)據(jù)信息預(yù)先處理等作用功能較經(jīng)濟(jì)實(shí)用舊有傳統(tǒng)類型的串行接口通訊操作應(yīng)用軟件要簡(jiǎn)約，如果需要增添某一項(xiàng)作用功能，僅僅需要增添一個(gè)程序代碼功能模塊就可以完成，而不需要轉(zhuǎn)變通訊機(jī)器設(shè)備的鏈接與操作應(yīng)用軟件結(jié)構(gòu)。Matlab對(duì)車標(biāo)數(shù)據(jù)信號(hào)的收集整體上是使用serialU命令指示實(shí)現(xiàn)了，通常包括：4個(gè)操作應(yīng)用步驟：(1)創(chuàng)立串行接口或者通訊機(jī)器設(shè)備并且設(shè)立其特征屬性；(2)開啟串行接口或者通訊機(jī)器設(shè)備；(3)獲取串行接口或者通訊機(jī)器設(shè)備數(shù)據(jù)信息；(4)關(guān)停串行接口或者通訊機(jī)器設(shè)備。MatlabGUI頁(yè)面繪制設(shè)計(jì)好之后，會(huì)按照數(shù)據(jù)信息收集頁(yè)面里繪制設(shè)計(jì)的構(gòu)件把程序代碼劃分成為不相同的function功能模塊，產(chǎn)生初步基本上的程序代碼結(jié)構(gòu)，不相同的function相互之間波及影響到系數(shù)實(shí)時(shí)共享矛盾問題，也就是全局變化量，本次研究課題數(shù)據(jù)信息收集體系涉及到的全局變化量如下圖3-7所示。圖3-7數(shù)據(jù)信息收集體系全局變化量部分本研究運(yùn)用的功能模塊，其名稱及功能如圖3-8所示。圖3-8GUI頁(yè)面圖的區(qū)域名稱及表現(xiàn)主要內(nèi)容在MATLAB按鈕的Callback函數(shù)下進(jìn)行編譯。但在這個(gè)過程中可能出現(xiàn)數(shù)據(jù)異常或是溢出。所以在信號(hào)采集時(shí)需注意信號(hào)是否會(huì)發(fā)生過度飽和，若有數(shù)據(jù)溢出，則該數(shù)據(jù)無(wú)效，如果未出現(xiàn)這種情況，則可以繼續(xù)下一步。3.4數(shù)據(jù)庫(kù)的生成和訓(xùn)練本研究運(yùn)用Python中的Kears安裝TensorFlow進(jìn)行深度學(xué)習(xí)，再利用已有的VGG模型加以修改，如圖3-9所示，data為數(shù)據(jù)集，model是要學(xué)習(xí)得到的車標(biāo)模型。Vgg-16總共有16層，其中13個(gè)卷積層和3個(gè)全連接層，要經(jīng)過一次64個(gè)卷積核卷積，1次128個(gè)的卷積，2次3個(gè)512個(gè)的卷積，多次池化，要經(jīng)過三次全連接，整合所有的目標(biāo)特征，得到模型。VGG網(wǎng)絡(luò)圖形如圖3-10所示。以下是關(guān)于利用神經(jīng)網(wǎng)絡(luò)訓(xùn)練和調(diào)用函數(shù)的分析。圖3-9引入VGG模型圖3-10VGG16模型神經(jīng)網(wǎng)絡(luò)訓(xùn)練的本是底層采用了正向傳播和反向傳播來(lái)不斷地更新每一層的權(quán)重，試其輸出的結(jié)果更加接近樣本標(biāo)簽的值。而整個(gè)神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)的就是從輸入到輸出的映射，給出輸入，通過學(xué)習(xí)能夠以最小誤差去計(jì)算出輸出。無(wú)論是在回歸還是分類的模型中，有監(jiān)督的學(xué)習(xí)就是這個(gè)過程。神經(jīng)網(wǎng)絡(luò)的激活函數(shù)的選擇，在不同的神經(jīng)網(wǎng)絡(luò)層之中采用不同的激活函數(shù)的原因是因?yàn)椋荷窠?jīng)網(wǎng)絡(luò)的本質(zhì)就是找到輸入和輸出的關(guān)系，因此僅僅靠權(quán)重的線性組合并不能真正的幫助機(jī)器去學(xué)習(xí)到這個(gè)過程，并且在絕大多數(shù)的情況下神經(jīng)網(wǎng)絡(luò)的輸入和輸出是呈現(xiàn)非線性的關(guān)系，因此如果一個(gè)神經(jīng)網(wǎng)絡(luò)只有線性的部分，那么其神經(jīng)網(wǎng)絡(luò)的功能僅僅是學(xué)習(xí)簡(jiǎn)單的線性組合的關(guān)系，而不能學(xué)習(xí)到非線性的關(guān)系，因此為了保證神經(jīng)網(wǎng)絡(luò)在學(xué)習(xí)的過程中能夠?qū)W習(xí)到非線性的過程，因此在每一層的輸出后加上響應(yīng)的激活函數(shù)為了保證非線性。而激活函數(shù)的種類常見的有sigmoid,relu,tans，softmax等等。首先是Sigmoid函數(shù)，定義如圖3-11所示。它的值的區(qū)域是在（0，1）之間，因此在做一些分類的任務(wù)的時(shí)候常常在最后一層加上sigmoid函數(shù)來(lái)將結(jié)果均勻的分布到0-1之間因?yàn)榉诸惾蝿?wù)的輸出都是在0-1之間的。但是sigmoid函數(shù)的梯度變化在趨近于0或者1的時(shí)候是接近0的，因此在反向傳輸更新系數(shù)的時(shí)候在這種情況下容易發(fā)生梯度消失的現(xiàn)象從而無(wú)法反向更新權(quán)重。其次是Relu函數(shù)在x<0的時(shí)候Relu函數(shù)的值為0，在x>0的時(shí)候Relu函數(shù)的值是線性增長(zhǎng)的，因此和sigmoid激活函數(shù)相比,Relu函數(shù)不會(huì)發(fā)生梯度消失的現(xiàn)象并且其梯度的值要遠(yuǎn)遠(yuǎn)大于sigmoid和tan激活函數(shù)因此Relu函數(shù)常常用在中間層作為激活函數(shù)，在本次畢業(yè)設(shè)計(jì)所用到的VGG網(wǎng)絡(luò)中，除了最后一層用到的是softmax作為激活函數(shù)之外，中間層用到的都是relu函數(shù)。最后是tan激活函數(shù)，其形狀和sigmoid函數(shù)一樣，但是該函數(shù)是關(guān)于原點(diǎn)對(duì)稱的，因此和sigmoid函數(shù)相比其更能夠加快梯度的更新，而不會(huì)發(fā)生一上一下的現(xiàn)象，因?yàn)閳D片的數(shù)據(jù)是-128~128之間更加符合tan函數(shù)的要求。圖3-11sigmoid函數(shù)用卷積神經(jīng)網(wǎng)絡(luò)對(duì)收集的訓(xùn)練集進(jìn)行車標(biāo)的特征提取，在池化層中精確提取特征。池化層的作用是進(jìn)行數(shù)據(jù)的降維操作。我們?cè)谶M(jìn)行特征提取的誤差主要來(lái)自兩個(gè)方面：（1）是鄰域大小受限造成的估計(jì)值方差增大；（2）是卷積層參數(shù)誤差造成估計(jì)均值的偏移。此時(shí)我們通常是選取某個(gè)區(qū)域的最大值或均值來(lái)代替整個(gè)區(qū)域。本次設(shè)計(jì)采用的是max-pooling，也就是最大值池化，它減小上述所說(shuō)的第二種誤差，從而更多的保留了紋理信息。最后全連接層將各個(gè)數(shù)據(jù)和特征進(jìn)行整合，最終產(chǎn)生幾種分類，形成數(shù)據(jù)庫(kù)，也就是車標(biāo)庫(kù)。圖3-12為池化操作。圖3-12-1初次池化圖3-12-2再池化3.5采集后的處理分析由于實(shí)驗(yàn)的一些局限性，本次數(shù)據(jù)庫(kù)的訓(xùn)練設(shè)計(jì)直接將圖片放入VGG模型下的學(xué)習(xí)庫(kù)中進(jìn)行識(shí)別。以下是用的另一組圖片集，在理想狀態(tài)下擬采用的對(duì)原始圖像信號(hào)進(jìn)行的處理操作，我們對(duì)其數(shù)據(jù)進(jìn)行分析。將原始圖像信號(hào)數(shù)據(jù)儲(chǔ)存后，在Matlab中分別將原始信號(hào)、全段和分段FFT處理的信號(hào)作為數(shù)據(jù)集，通過二拓?fù)涞腟VM實(shí)行分類。表3.3線性核分類結(jié)果SVM1SVM2原始數(shù)據(jù)0.7850.550全段FFT0.8750.705分段FFT0.9000.950表3.4多項(xiàng)式核分類結(jié)果SVM1SVM2原始數(shù)據(jù)0.7250.800全段FFT0.6750.750分段FFT0.8500.985由此表3.3和3.4可以得到，從用線性核和多項(xiàng)式核的方式分類結(jié)果表明，分段FFT產(chǎn)生的分類效果更好。而用SVM進(jìn)行分類時(shí)，核函數(shù)的選取對(duì)結(jié)果有重要的影響。我們需要嘗試SVM分別在線性核，多項(xiàng)式核，高斯核和sigmoid核下進(jìn)行訓(xùn)練。實(shí)驗(yàn)嘗試了不同核函數(shù)，發(fā)現(xiàn)不同的核函數(shù)對(duì)于不同SVM的鍛煉能力不相同，因此在實(shí)際操作中，需要根據(jù)不同情況，選取和匹配可達(dá)效果最好的核函數(shù)。前文提到，為了使SVM的線性分類具有一定容錯(cuò)率，我們引入了“軟間隔”。部分函數(shù)如下圖3-13所示。其中C為一個(gè)大于零的懲罰因子，表示對(duì)那些脫離群體的點(diǎn)的一種重視程度，懲罰因子越大，表示那些點(diǎn)越重要，則在實(shí)驗(yàn)中越不能將這些點(diǎn)舍棄，但從另一方面來(lái)說(shuō)，分類也會(huì)更嚴(yán)格，對(duì)錯(cuò)誤的容忍度也越低。因此在運(yùn)用SVM分類時(shí)，也要通過嘗試選用分類方法能達(dá)到準(zhǔn)確率高的懲罰因子。圖3-13懲罰因子相關(guān)函數(shù)4總體車標(biāo)檢測(cè)軟件設(shè)計(jì)本次研究希望能形成一個(gè)完整、實(shí)時(shí)的自動(dòng)化車標(biāo)檢測(cè)系統(tǒng),所以我們做的首先就是圖像的采集工作,然后經(jīng)過圖像的預(yù)處理、閾值的選取、分割,對(duì)輸入信號(hào)加工完成形成更為優(yōu)質(zhì)的信號(hào)后，再直至進(jìn)行模式識(shí)別,最后對(duì)車標(biāo)的精確識(shí)別。該系統(tǒng)主要包括幾個(gè)功能模塊:車標(biāo)圖像實(shí)時(shí)采集、圖像預(yù)處理、閾值選擇、圖像測(cè)量、車標(biāo)自動(dòng)檢測(cè),其操作如下圖4-1所示。圖4-1過程4.1車標(biāo)的實(shí)況收集實(shí)際操作中直接可攝像頭或是相機(jī)的拍攝和捕捉，另外從網(wǎng)上尋找部分圖片，并將信號(hào)向下傳輸。設(shè)計(jì)擬用采集圖像的一些傳感器。4.2車標(biāo)預(yù)處理要將采集的圖像信號(hào)進(jìn)行預(yù)處理來(lái)除燥，比如：去掉一些偏遠(yuǎn)的點(diǎn)和調(diào)整亮度。例如圖4-2所示。圖4-2初始圖像及調(diào)整后圖像圖像信號(hào)預(yù)處理過后，如圖4-3所示，灰度被拉伸了一些。050100150200250050100150200250直方圖直方圖像素值300025002000150010005000050100150200250像素值300025002000150010005000圖4-3調(diào)整前后對(duì)比4.3閾值選取極限值的選取對(duì)提取信息采集十分關(guān)鍵，以下采取通過圖像的灰度直方示意圖來(lái)得到極限值，如圖4-4所示?；叶戎祷叶戎抵狈綀D050100150200250050100150200250直方圖像素值6000500040003000200010000像素值6000500040003000200010000灰度值圖4-4濾波前后的灰度直方示意圖4.4圖像勘測(cè)（1）車標(biāo)尺寸與坐標(biāo)的確定通過極值選取，進(jìn)行二值化的運(yùn)算處理，有助于得到整個(gè)信息數(shù)據(jù)，如圖4-5所示。圖4-5處理后的圖像圖4-6坐標(biāo)圖由圖4-6所示，可得：那么，可得車標(biāo)的圓心分布坐標(biāo)，其分布曲線依次如圖5-7所示。01002003004005006007008000100200300400500600700800圖像寬（Y）圖像數(shù)據(jù)圖像高（X）60050040030020010000100200300400500600700800圖像數(shù)據(jù)圖像寬（Y）圖像高（X）6005004003002001000圖4-7數(shù)據(jù)曲線在實(shí)際的圖像中經(jīng)常會(huì)存在各種干擾,圖像信號(hào)最佳態(tài),因此我們?cè)趻呙钑r(shí),必須找到干擾信息并減小誤差,在圖4-7中我們就可以更加直觀地進(jìn)行顯示。一旦找到了含有此誤差的測(cè)定值,就要把它們從測(cè)定結(jié)果中刪除。若設(shè)被測(cè)量的真數(shù)值為，一系列測(cè)得值為，則測(cè)量列中的隨機(jī)有效誤差為上式中正態(tài)分布的分布密度為：上式中——標(biāo)準(zhǔn)差；——自然對(duì)數(shù)的底。-1-0.500.51-1-0.500.512.521.510.50-0.5圖4-8誤差曲線綜上所述：由誤差曲線可得數(shù)值愈小，則的系數(shù)的絕對(duì)值愈大，降低得愈快，分布曲線變陡。同時(shí)降低愈慢，分布曲線平坦。誤差曲線如圖4-8所示。相同準(zhǔn)度下，單次測(cè)量的標(biāo)準(zhǔn)差如下：式中、、、分別表示測(cè)試次數(shù)(很大)、真值之差、殘差、均值。圖4-9半徑計(jì)算由圓心坐標(biāo)，再進(jìn)行去除粗大誤差后，通過自動(dòng)掃描的數(shù)據(jù)就可計(jì)算車標(biāo)的半徑，如圖4-9所示。為圖像有效寬度，為的個(gè)數(shù)。（2）判斷判斷采集的樣本是空心還是實(shí)心。圖像寬（X）0100200300400500600700800經(jīng)過圓心掃描的原始圖像數(shù)據(jù)灰度值300250圖像寬（X）0100200300400500600700800經(jīng)過圓心掃描的原始圖像數(shù)據(jù)灰度值300250200150100500圖像寬（X）0100200300400500600700800經(jīng)過閾值分割之后灰度值6005004003002001000圖像寬（X）圖像寬（X）0100200300400500600700800經(jīng)過圓心掃描的原始圖像數(shù)據(jù)灰度值300250200150100500圖像寬（X）0100200300400500600700800經(jīng)過閾值分割之后灰度值6005004003002001000圖4-11圓片結(jié)合圖4-10、4-11能得出，當(dāng)檢驗(yàn)對(duì)象是圓環(huán)形，在O附近會(huì)有明顯間斷；而圓形片沒有這種情況。模擬操作如圖4-12所示：圖4-12模擬掃描過程但因?yàn)閳D像類似于一個(gè)矩陣，需要將它轉(zhuǎn)化為直角坐標(biāo)系，（車標(biāo)中心為坐標(biāo)原點(diǎn)）在轉(zhuǎn)化到圖像矩陣中，為其中，和依次是車標(biāo)圓心的橫縱坐標(biāo)。再當(dāng)逐個(gè)掃描每個(gè)像素碰到灰度突變的時(shí)候，記下和：020406080100弧度020406080100弧度按弧度計(jì)算的內(nèi)圓半徑大小半徑大小200180160140120100806040200弧度020406080100半徑大小200180160140120100806040200按弧度計(jì)算的內(nèi)圓半徑大小圖4-13前后對(duì)比最后，掃描結(jié)束，得到數(shù)據(jù)曲線如圖4-13所示；將掃描到的數(shù)據(jù)進(jìn)行處理，除掉偏差較大的數(shù)據(jù)，計(jì)算內(nèi)徑大小。（3）光圈計(jì)算圖4-14去光圈在檢測(cè)中，因?yàn)槟承┰颍糠止饩€會(huì)進(jìn)入攝像系統(tǒng)，從而形成光圈，例如4-14所示，這樣會(huì)影響圖像的檢測(cè)。所以須處理光圈從而能得到理想數(shù)據(jù)。圖4-15光圈掃描其掃描過程如下：首先，如圖4-15所示，原理同上；在轉(zhuǎn)化到圖像分布矩陣中，為根據(jù)判斷方案來(lái)確定是掃描圓環(huán)還是圓片，再依據(jù)所檢形狀適當(dāng)提高圖像的處理速度。測(cè)試集晶過預(yù)處理、去除光圈，用合適的取值分割圖像信息數(shù)據(jù)，再運(yùn)用膨脹等方式，就可以把車標(biāo)信息提取出來(lái)。4.5車標(biāo)檢測(cè)對(duì)車標(biāo)進(jìn)行檢測(cè)，首先必須確定經(jīng)過處里后的圖像是否有車標(biāo)，如果沒有，則車標(biāo)無(wú)車標(biāo)。如果有車標(biāo)，則車標(biāo)是否是獨(dú)立的車標(biāo)，圖像中有幾個(gè)車標(biāo)，需要對(duì)不同的車標(biāo)進(jìn)行標(biāo)識(shí)。設(shè)已經(jīng)分割出的二值圖像，如果在檢測(cè)過程中碰到車標(biāo)上一點(diǎn)，則它的上方和左邊鄰近點(diǎn)必然是已經(jīng)標(biāo)記過了的點(diǎn)，對(duì)該點(diǎn)加標(biāo)記的方法是由左點(diǎn)及上點(diǎn)來(lái)確定的，會(huì)有幾種情況。如圖4-16所示，（圖中A，0分別表示車標(biāo)和車標(biāo)以外的部分。）圖4-16原圖像依據(jù)上述原則，在首次掃描后對(duì)車標(biāo)進(jìn)行標(biāo)記，如圖4-17所示，標(biāo)記1-N（N是大于1的正整數(shù)），我們會(huì)發(fā)現(xiàn)同一車標(biāo)可能會(huì)產(chǎn)生多種標(biāo)記，因此需重復(fù)掃描操作，如果達(dá)到四連通原則，就可以進(jìn)行統(tǒng)一整合了。如圖4-18所示。圖4-17掃描示意圖圖4-18標(biāo)記圖4.5.1二值圖像法利用二值圖像法，每一個(gè)區(qū)域都是同一像素連成的，從而我們通過標(biāo)記這些區(qū)域，獲取區(qū)域的數(shù)目。如圖4-19的示例所示，圖中有A、B、C三個(gè)不連通的車標(biāo)。圖4-19標(biāo)識(shí)區(qū)域經(jīng)處理后，可得標(biāo)記后的圖像。4.5.2對(duì)小區(qū)域的消除如果某個(gè)區(qū)域的面積過小，在一定閾值以下，則該區(qū)域不是所需要采集的空間區(qū)域，要清除掉整理后，再來(lái)形成新的圖像，示意如圖4-20。圖4-20去掉小面積的區(qū)域4.6車標(biāo)識(shí)別通過以上處理，從原始圖像中提取出了含有車標(biāo)的圖像信息，得到了初步目標(biāo)車標(biāo)。但由于車標(biāo)表面車標(biāo)圖像不同特征之間有一定關(guān)聯(lián)，輸入圖像也可能存在車標(biāo)信息不全的問題，這里可用二叉樹分類的方法，減少識(shí)別的混亂與復(fù)雜程度，如圖4-21所示。圖4-21二叉樹表示多次反復(fù)后，將已經(jīng)處理好的輸入圖像交于已搭建的VGG模型下的車標(biāo)數(shù)據(jù)庫(kù)進(jìn)行學(xué)習(xí)比對(duì)，最終完成整個(gè)車標(biāo)識(shí)別過程。5實(shí)驗(yàn)結(jié)果及分析5.1實(shí)驗(yàn)數(shù)據(jù)數(shù)據(jù)集存放在各自的路徑中，用訓(xùn)練集的數(shù)據(jù)進(jìn)行訓(xùn)練，測(cè)試集的數(shù)據(jù)進(jìn)行測(cè)試，如下圖所示，本次畢業(yè)設(shè)計(jì)中所采用最后的結(jié)果是4分類，測(cè)試集中100張圖片的成功率達(dá)到97%，結(jié)果如下圖所示，將輸入的圖片用openCV中的cv2.show函數(shù)展示出來(lái)，然后將其擴(kuò)維并且做圖像預(yù)處理除以255以及減去128，將預(yù)處理得到的圖像送入到已經(jīng)訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)之中，得到輸出，因?yàn)檩敵鍪仟?dú)熱矩陣，因此從輸出的結(jié)果中找到最大值的那一列，根據(jù)該列的列數(shù)在字典中查找，該列所對(duì)應(yīng)的鍵值。測(cè)試過程如下圖5-1所示。圖5-1測(cè)試過程輸出值如5-2所示。圖5-2輸出結(jié)果靜態(tài)識(shí)別（即清晰完整車標(biāo)）結(jié)果如圖5-3-1至圖5-3-4所示。從網(wǎng)絡(luò)中選擇出賓利和寶馬的車標(biāo)，均能識(shí)別。選取以車標(biāo)為圖片主題（少量其他外因影響）的圖片時(shí)，識(shí)別率還比較高。選取自然狀態(tài)下，含有車標(biāo)的圖片進(jìn)行檢測(cè)，識(shí)別率有待提高。圖5-3-1賓利車標(biāo)圖5-3-2識(shí)別出賓利車標(biāo)圖5-3-3寶馬車標(biāo)圖5-3-4識(shí)別出寶馬車標(biāo)動(dòng)態(tài)采集樣本（還未實(shí)現(xiàn)）擬用捕捉的完整車標(biāo)圖像20張、不完整不規(guī)則得車標(biāo)圖片20張、車標(biāo)占圖片總體率較低的20張、重復(fù)疊加的（有多中）車標(biāo)的圖片放入車標(biāo)檢測(cè)系統(tǒng)進(jìn)行車標(biāo)的檢測(cè)和識(shí)別，經(jīng)多次反復(fù)實(shí)驗(yàn)，記錄數(shù)據(jù)和結(jié)果。5.2實(shí)驗(yàn)分析由完整清晰的車標(biāo)網(wǎng)圖做驗(yàn)證集，得到的準(zhǔn)確率達(dá)到90%，說(shuō)明數(shù)據(jù)集的訓(xùn)練效果還不錯(cuò)。但如果有大量車標(biāo)以外的因素干擾進(jìn)行識(shí)別，則還需進(jìn)一步對(duì)數(shù)據(jù)集進(jìn)行更深層次的訓(xùn)練，并優(yōu)化對(duì)前期輸入信號(hào)圖片的處理過程。而再動(dòng)態(tài)捕捉的圖像中，則需要提高獲得的圖像質(zhì)量和尋找更優(yōu)的圖像處理算法來(lái)提高處理輸入信號(hào)圖像，最后送往數(shù)據(jù)庫(kù)中，從而提高檢出效率和辨認(rèn)度?？偨Y(jié)本研究緊跟機(jī)器識(shí)別方向的熱點(diǎn)，通過圖像和數(shù)據(jù)處理形成數(shù)據(jù)集，結(jié)合fft對(duì)車標(biāo)信號(hào)的數(shù)據(jù)進(jìn)行處理，再搭建VGG神經(jīng)網(wǎng)絡(luò)和SVM模型，用CNN和SVM算法對(duì)車標(biāo)集訓(xùn)練，建立車標(biāo)數(shù)據(jù)庫(kù)，最終在靜態(tài)和動(dòng)態(tài)下都能實(shí)現(xiàn)機(jī)器對(duì)于車標(biāo)的識(shí)別。通過此次研究，讓我能更深入了解機(jī)器學(xué)習(xí)、圖像處理和神經(jīng)網(wǎng)絡(luò)，同時(shí)也加深了對(duì)Matlab和Python中的各個(gè)模塊（例如OpenCV、Kears和TensorFlow）的認(rèn)知。而車標(biāo)識(shí)別作為車輛識(shí)別系統(tǒng)乃至智能交通系統(tǒng)的重要組成部分，具有極大的社會(huì)意義和價(jià)值，未來(lái)還可能在其他領(lǐng)域發(fā)揮更多的作用。參考文獻(xiàn)[1]趙小川,趙繼鵬,范炳遠(yuǎn),郝麗麗.車標(biāo)識(shí)別技術(shù)研究綜述與應(yīng)用展望[A].中國(guó)高科技產(chǎn)業(yè)化研究會(huì)智能信息處理產(chǎn)業(yè)化分會(huì)、中國(guó)高科技產(chǎn)業(yè)化研究會(huì)信號(hào)處理專家委員會(huì).第十一屆全國(guó)信號(hào)和智能信息處理與應(yīng)用學(xué)術(shù)會(huì)議?？痆C].中國(guó)高科技產(chǎn)業(yè)化研究會(huì)智能信息處理產(chǎn)業(yè)化分會(huì)、中國(guó)高科技產(chǎn)業(yè)化研究會(huì)信號(hào)處理專家委員會(huì):中國(guó)高科技產(chǎn)業(yè)化研究會(huì),2017:4.[2]武霞,張崎,許艷旭.車標(biāo)識(shí)別研究發(fā)展現(xiàn)狀綜述[J].電子科技,2013,26(06):171-174.[3]馮志全,蔣彥.車標(biāo)識(shí)別研究綜述[J].濟(jì)南大學(xué)學(xué)報(bào)(自然科學(xué)版),2013,27(04):336-341.[4]JingLiu,Kavakli,M..Asurveyofspeech-handgesturerecognitionforthedevelopmentofmultimodalinterfacesincomputergames[P].MultimediaandExpo(ICME),2010IEEEInternationalConferenceon,2010.[5]楊文靈.基于情境意識(shí)的智能汽車人機(jī)交互設(shè)計(jì)研究[D].湖南大學(xué),2017.[6]王丹蕾.聽力言語(yǔ)障礙輔助器具設(shè)計(jì)研究[D].華東理工大學(xué),2016.[7]龐雷,陳啟祥.人機(jī)交互動(dòng)態(tài)車標(biāo)輪廓提取仿真研究[J].機(jī)械設(shè)計(jì)與制造,2019(01):253-256.[8]盧暢暢,寧少文,唐德昌.光學(xué)字符識(shí)別技術(shù)(OCR)的研究于應(yīng)用[J].中國(guó)戰(zhàn)略新興產(chǎn)業(yè),2018(28):1-3.[9]黃佑佳,劉洪海.基于B型超聲的在線車標(biāo)識(shí)別[J].傳感器與微系統(tǒng),2018,37(07):70-72.[10]楊晉芳,衛(wèi)建華,劉琪,齊攀.基于