0 引言

    近年來，隨著人工智能技術的不斷發展，其被廣泛用于公共安全、教育、人機交互等領域，例如：人臉檢測^[1]、圖像分類^[2]、圖像分割等。同樣的車標檢測技術對于完善智能交通具有重要作用，能夠輔助實現車輛信息的確認。21世紀以來，隨著國民經濟快速發展，汽車數量在我國的增長速度越來越快。汽車數量過多帶來交通壓力的同時也會帶來其他問題：套牌車、假車牌事件頻頻發生。這些事件的發生意味著僅僅通過車牌來確認車輛準確信息將受到阻礙。同車牌一樣，車標也是車輛的一個重要屬性，在結合車牌信息后，就能更準確地確認車輛信息。國內外學者對車標檢測采用了不同的方法進行研究。一般而言，分為傳統機器學習方法和卷積神經網絡方法。

    采用傳統機器學習方法在進行車標檢測時繁瑣，需要分為兩個獨立的步驟：首先進行車標定位，然后進行車標識別。文獻[3]-[4]采用傳統機器學習方法在進行車標定位和識別過程中都需要由專業人員人工設計特定特征，但是這些特征對于光照、陰影、車身傾斜等的變化所表現出來的魯棒性不強，在應用于實際場景下會出現低檢測率和識別率問題。針對傳統機器學習方法的不足，卷積神經網絡方法應運而生。

    早在20世紀80年代末期,卷積神經網絡^[5]技術就已經應用于視覺任務中，但由于當時設備的運算能力不強和數據資源的不足，這一技術并沒有得到研究人員的廣泛研究和長足的發展。后來得益于GPU(Graphics Processing Unit)強大的計算能力和互聯網上豐富的數據資源，卷積神經網絡技術得到了進一步的發展，而且也取得了突破性的進展。卷積神經網絡一般包含卷積層、池化層、全連接層等。借助于卷積神經網絡的強表達能力，不需要人工設計特征，在網絡學習車標特征后就能自動進行車標的定位以及分類。2014年，GIRSHICK R等^[6]人第一次將卷積神經網絡應用于目標檢測上并且獲得了比只使用方向梯度直方圖^[7](Histogram of Oriented Gradient，HOG)特征更高的準確率，該網絡稱為區域卷積神經網絡(Region Convlutional Network，R-CNN)。但該網絡存在耗時久的弊端，伴隨著對該網絡框架的不斷改進，其目標檢測的精度不斷提高，運行時間也不斷減少。2015年，HE K^[8]等人通過改進R-CNN網絡縮短其檢測時間，但其最大幀率也只能達到5FPS。這對于幀率最小為25FPS的監控視頻來說是遠遠不夠的。為了在準確率和時間上得到均衡，YOLO網絡^[9]得到了應用，它將物體檢測作為回歸問題來求解，在輸入圖像后經過一次前饋就能得到圖像中所有待檢測物體的位置和其所屬的類別以及相應的置信度，進行目標檢測時耗時少。

    目前采用卷積神經網絡進行車標檢測時遇到兩個問題：(1)公開的車標數據集少且包含的車標種類少^[10]；(2)采用卷積神經網絡方法時參數多，運行耗時。因此，本文提出的采用改進的YOLOv3^[11]網絡進行車標檢測主要有以下兩個貢獻：(1)替換YOLOv3中的Darknet-53為層數少的Darknet-19[12]結構，減少運算量進而減少車標檢測時間；(2)構建了一個包含46類車標的數據集。

本文詳細內容請下載:http://m.rjjo.cn/resource/share/2000002976

作者信息:

王  林，黃三麗

(西安理工大學 自動化與信息工程學院，陜西 西安710048)