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1（惠州商贸旅游学校信息技术教研室，广东惠州516057）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；MatlabTheApplicationofBPAlgorithmUsingMatlabBasedonVehicleTypeRecognitionDUHua-ying1（InformationTechnologyOffice,HuizhouSchoolofBusiness&Tourism,Huizhou516057China）Abstract:VehicletypeRecognitionhasawidefutureapplicationprospect.BPartificialneuralnetworkcanimprovetherecognitionrateofvehicletypeintheVehicleTypeAutomaticRecognitionSystem.Anyvehicletypecanbeabstractedintoa工-shapedmode.ThreerelativeparametersareusedastheinputparametersofBPANN.Athreelayered3-8-3BPANNisadoptedandistrainedby14pairinputparameters.TheBPANNistestedby4pairinputparametersandthensomeexpectedvaluesareobtainedinthisprocessing.Keywords:VehicleTypeRecognition；BPNeuralNetwork；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作者简介：杜华英（1975-），女，江西樟树人，惠州商贸旅游学校信息技术教研室讲师、工程师，软件工程硕士，研究方向：神经网络、模式识别。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dhC1C2dhC1C2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：annoin（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，C1C2hd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PT=[111111110000000000000000;000000001111111100000000;000000000000000011111111];%期望目标值Tnet=newff(minmax(P),[8,3],{'tansig','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BB=0.98960.99080.99540.99230.0151-0.0775-0.3423-0.13950.0215-0.0693-0.3540-0.1185%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）．