基于车型识别的BP算法Matlab实现

基于车型识别的BP算法Matlab实现杜华英（惠州商贸旅游学校信息技术教研室，广东 惠州 ）摘 要 车型识别具有广阔的应用前景，BP神经网络在车型识别中能够提高车型的识别率。在任何车型大致都可以抽象成一个“工”字型情况下，提取了其中的顶长比、前后比和顶高比这三项相对参数作为BP神经网络的输入参数。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，均得到了预想的期望值。关键词 车型识别；BP神经网络；MatlabThe Application of BP Algorithm Using Matlab Based on Vehicle Type RecognitionDU Hua-ying1（Information Technology Office, Huizhou School of Business & Tourism, Huizhou China）Abstract: Vehicle type Recognition has a wide future application prospect. BP artificial neural network can improve the recognition rate of vehicle type in the Vehicle Type Automatic Recognition System. Any vehicle type can be abstracted into a 工-shaped mode. Three relative parameters are used as the input parameters of BP ANN. A three layered 3-8-3 BP ANN is adopted and is trained by 14 pair input parameters. The BP ANN is tested by 4 pair input parameters and then some expected values are obtained in this processing.Key words: Vehicle Type Recognition；BP Neural Network；Matlab0 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=1 0 0，Y2=0 1 0，Y3=0 0 1，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32。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110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3-8-3 BP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=0.8645 0.8329 0.9498 0.8735 0.7797 0.8805 0.7453 0.8456 0.1473 0.1526 0.3421 0.3164 0.2311 0.1534 0.3005 0.3962 0.3962 0.3687 0.4444 0.2921 0.3319 0.3745 0.2747 0.3331;2.3053 1.9963 2.4015 2.4342 1.5103 1.5903 1.3771 1.7366 0.4372 0.4572 1.0006 0.9250 0.9459 0.5280 0.8357 1.0277 0.7500 0.8138 1.0012 0.9845 1.0754 1.3827 0.9566 1.1811;0.9288 0.9625 0.9466 0.8956 0.9315 0.9466 0.9543 0.9721 0.3926 0.4588 0.5166 0.1875 0.1306 0.5172 0.1874 0.1875 1.5238 2.8823 2.1818 2.3000 1.4878 1.3600 1.4878 1.5531;%用于训练的车型数据PT=1 1 1 1 1 1 1 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0;0 0 0 0 0 0 0 0 1 1 1 1 1 1 1 1 0 0 0 0 0 0 0 0;0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 1 1 1 1 1 1 1;%期望目标值Tnet=newff(minmax(P),8,3,tansig,tansig,traingdx);%建立3-8-3 BP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=0.8819 0.9112 0.9340 0.9740;2.3588 2.4393 2.812 2.5451;0.9156 0.9547 0.9912 0.9702;%新车型的相关参数B = sim(net,Q)%生成得到值BB = 0.9896 0.9908 0.9954 0.9923 0.0151 -0.0775 -0.3423 -0.1395 0.0215 -0.0693 -0.3540 -0.1185%B=1 1 1 1;0 0 0 0;0 0 0 04 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）：107-1103 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）：440-4424 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20007 蒋宗礼人工神经网络导论M高等教育出版社20018 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1998，119 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