基于车型识别的BP算法Matlab实现Word格式.docx

基于车型识别的BP算法Matlab实现Word格式.docx

《基于车型识别的BP算法Matlab实现Word格式.docx》由会员分享，可在线阅读，更多相关《基于车型识别的BP算法Matlab实现Word格式.docx（4页珍藏版）》请在冰点文库上搜索。

Abstract:

VehicletypeRecognitionhasawidefutureapplicationprospect.BPartificialneuralnetworkcanimprovetherecognitionrateofvehicletypeintheVehicleTypeAutomaticRecognitionSystem.Anyvehicletypecanbeabstractedintoa"

工"

-shapedmode.ThreerelativeparametersareusedastheinputparametersofBPANN.Athreelayered3-8-3BPANNisadoptedandistrainedby14pairinputparameters.TheBPANNistestedby4pairinputparametersandthensomeexpectedvaluesareobtainedinthisprocessing.

Keywords:

VehicleTypeRecognition；

BPNeuralNetwork；

0引言

车型识别在现代交通监控和管理中有着非常广阔的应用前景，可应用于高速公路、过桥过路等各类车辆收费站以及大型停车场的自动收费系统。

另外，BP神经网络已被人们研究了几十年，技术成熟，是应用最为广泛的一种人工神经网络，在许多科学领域中均具有重要的实用意义，其学习能力和容错能力对模式识别具有独到之处[1]。

Matlab作为一个强大的工具软件，具备了数字图像图形和人工神经网络等方面的处理功能，受到了人们的欢迎与追捧。

1汽车车型分析

特征提取是目标识别中一个非常重要的环节，一个识别系统的识别能力与特征矢量的选取有直接关系。

选取的特征要求具有高度的代表性、典型性及稳定性。

因此，特征提取是模式识别的关键步骤之一。

为了便于分类，必须收集各种车辆的主要技术参数。

经过实地观察测量和查找有关车辆的类型数据及资料，通常各类车辆，其车身侧视图可提供车型的一些参数，如：

顶蓬长度、车辆长度、车辆高度等信息。

由于图像在拍摄时，镜头与车辆间的距离、角度等的微小变化都会造成同一车辆在两次拍摄图像时，上述各参数的绝对大小有可能不相同，这就决定着不能用绝对长度或绝对高度等参数作为车型的识别特征。

按汽车的应用功能进行大致的分类，可分为客车、轿车和货车三类。

对这三类车型的统计分析，通常选取的特征是：

顶蓬长度与车辆长度之比，称之为顶长比；

以顶蓬的中垂线为界，前后两部分之比，称之为前后比；

顶蓬长度与车辆高度之比，称之为顶高比[1]。

按此规则，任何车型大致都可以抽象成一个“工”字型，并使用车辆的顶蓬长度为d，前底长为C1、后底长为C2、高度为h（取顶长中点作中垂线）这四个绝对参数构成三个相对参数。

通过对轿车、货车、客车外形的分析，处理了相关的数据，得出车型识别技术的特征值。

取各车型的侧视图来进行分析，取特征值d/（C1+C2），d/h，C1/C2作为BP网络的输入，其中d代表顶长，C1、C2分别代表各车自顶长中垂线所分的前后长度，h代表轿车的高度，把各种车抽象成“工”字形，如图1～图3。

图1抽象成“工”字形轿车模型

图2抽象成“工”字形货车模型

图3抽象成“工”字形的客车模型

2主要程序思路

BP网络中各层结点数的选择对网络的性能影响很大。

对输入结点，输入层的结点数通常是由问题的本身决定的。

取d/（C1+C2），d/h，C1/C2作为输入的特征值，将选取的特征作为网络的输入向量X={X1，X2，X3}，其中X1为顶长比，X2为顶高比，X3为前后比；

网络的期望输出为Y1=[100]，Y2=[010]，Y3=[001]，其中Y1，Y2，Y3分别代表卡车，客车和轿车，因此输入层的节点数为3，输出层的节点数也为3[2]。

车型的识别结果有3种，所以输出层结点数为3；

隐层的结点数是BP网络构建中最具挑战性的问题，隐单元直接影响着网络的容量、学习速度、和输出性能等。

首先要确定隐层数，一般认为，增加隐层数可以降低网络误差（也有文献认为不一定能有效降低），提高精度，但也使网络更加复杂化，从而增加了网络的训练时间和出现“过拟合”的倾向，隐层数应该有最优值。

Hornik等早已证明：

若输入层和输出层采用线性转换函数，隐层采用Sigmoid转换函数，则含一个隐层的MLP网络能够以任意精度逼近任何有理函数。

显然，这是一个存在性结论。

在设计BP网络时可参考这一点，应优先考虑3层BP网络，即只有1个隐层。

一般情况下，靠增加隐层节点数来获得较低的误差，其训练效果要比增加隐层数更容易实现。

对于没有隐层的神经网络模型，实际上就是一个线性或非线性（取决于输出层采用线性或非线性转换函数型式）回归模型。

在此，仅选取了一个隐层进行BP神经网络的构建。

对于隐层节点数目的选择也是一个十分复杂的问题，根据前人的经验，可以参照以下公式设计：

（其中n为隐含层神经元数，ni为输入神经元数，n0为输出神经元数，a是1～10之间的常数）。

隐含单元数与问题的要求输入输出单元的多少都有直接的关系。

隐层节点数太少，网络可能训练不出来，因为隐层节点数少时，局部极小就多，或者不“鲁棒”，不能识别以前没有看到过的样本，容错性差。

增加隐层节点数可能改善网络与训练组匹配的精确度，但是隐层节点数太多又使学习时间过长，误差也不一定最佳。

隐含层网络的选择原则是在能够解决问题的前提下，再加上一个到两个神经元以加快误差的下降速度即可[3]。

为了找到合适的隐层节点数目，最好的办法是在网络的学习过程中，根据自己的结构，最后得到一个大小合适的神经网络模型。

根据实际情况，采用三层的BP网络[4]，输入结点数为3，隐层结点数为8，输出节点数为3，即3-8-3的网络结构；

输入层至隐层以及隐层至输出层，均采用Sigmoid函数。

3主要核心代码

P为用于训练的车型数据，T为期望输出目标值。

net为建立的3-8-3BP神经网络，系统每50步显示一次训练误差的变化曲线，学习率设置为0.6，最大训练循环次数设置为5000，设置目标误差为0.001。

Q为4对未知车辆的相关输入参数，B为生成得到的值，B′为期望输出值。

P=[0.86450.83290.94980.87350.77970.88050.74530.84560.14730.15260.34210.31640.23110.15340.30050.39620.39620.36870.44440.29210.33190.37450.27470.3331;

2.30531.99632.40152.43421.51031.59031.37711.73660.43720.45721.00060.92500.94590.52800.83571.02770.75000.81381.00120.98451.07541.38270.95661.1811;

0.92880.96250.94660.89560.93150.94660.95430.97210.39260.45880.51660.18750.13060.51720.18740.18751.52382.88232.18182.30001.48781.36001.48781.5531];

%用于训练的车型数据P

T=[111111110000000000000000;

000000001111111100000000;

000000000000000011111111];

%期望目标值T

net=newff（minmax（P）,[8,3],{'

tansig'

'

},'

traingdx'

）;

%建立3-8-3BP神经网络

net.trainParam.show=50;

%系统每50步显示一次训练误差的变化曲线

net.trainParam.lr=0.6;

%设置学习率

net.trainParam.mc=0.9;

%设置动量系数

net.trainParam.epochs=5000;

%设置最大训练循环次数

net.trainParam.goal=1e-3;

%设置目标误差

[net,tr]=train（net,P,T）;

%训练BP网络

A=sim（net,P）;

Q=[0.88190.91120.93400.9740;

2.35882.43932.8122.5451;

0.91560.95470.99120.9702];

%新车型的相关参数

B=sim（net,Q）

%生成得到值B

B=

0.98960.99080.99540.9923

0.0151-0.0775-0.3423-0.1395

0.0215-0.0693-0.3540-0.1185

%B′=[1111;

0000;

0000]

4结束语

任何车型大致都可以抽象成一个“工”字型，取顶长比、前后比和顶高比这三项相对参数作为BP神经网络[5]的输入参数。

另外，还采用了三层3-8-3的BP神经网络，并用14对输入参数离线训练之，再用4对新数据进行检验，均得到了期望的结果。

经证明，此Matlab程序能够很好地完成相关任务，并取得了良好的效果。

参考文献

[1]周红晓．基于BP神经网络的汽车车型识别方法[J]．微电子学与计算机．2003，（4）：

39-41.

[2]霍炜，刘大维，王江涛．复杂背景下的车型自动分类研究[J]．青岛理工大学学报．2008，29

（1）：

107-110．

[3]胡方明，简琴，张秀君．基于BP神经网络的车型分类器[J]．西安电子科技大学学报（自然科学版）．2005，32（3）：

440-442．

[4]杜华英．基于PSO算法的BP神经网络研究[J]．现代计算机（专业版）．2009，（02）．

[5]杜华英，赵跃龙．人工神经网络典型模型的比较研究．计算机技术与发展．2006，（05）．

[6]李在铭等．数字图像处理压缩与识别技术[M]．西安电子科技大学出版社．2000．

[7]蒋宗礼．人工神经网络导论[M]．高等教育出版社．2001．

[8]陶清平，陶白云．基于模糊神经网络的汽车类型自动识别分类系统[J]．计算机工程与应用．1998，11．

[9]王年，任彬．基于神经网络的汽车车型图像自动识别[J]．中国图像图形学报．1998，8．

[10]傅明等．一种基于分形与神经网络的汽车车型图像识别法．湖南交通科技．2001，3．

[11]张立明．人工神经网络模型及应用[M]．复旦大学出版社．1993．

[12]苏亮，宋绪丁．基本Matlab的概率神经网络的实现及应用[J]．计算机与现代化．2011，（11）．

[13]全星慧，范武君，张华．基于Matlab的数字图像处理课件设计[J]．计算机与现代化．2008，（7）．

[14]戴永伟，雷志勇．BP网络学习算法研究及其图像模式识别应用[J]．计算机与现代化．2006，（11）．

[15]张海波，董槐林等．基于BP神经网络的较低识别研究[J]．计算机与现代化．2008，（5）．