一种改进的卷积神经网络算法在交通视频图像识别中的应用

吴琼 郝洋 王洪鹏 刘峰

摘要：本文提出了基于一种改进的卷积神经网络算法，并将该算法应用于交通视频的图像识别。首先，利用Canny算子改善交通视频中车辆的边缘识别检测效率；其次，利用局部结构图LTP算子去除光线影响，提取图像纹理特征；最后，通过改进传统卷积神经网络算法，识别交通视频图像。实验表明，本文构建的LTP-微卷积神经网络大大地提高了交通视频图像的正识率。

关键词：卷积神经网络；LTP算子；视频图像；识别

中图分类号：G642.0 文献标志码：A 文章编号：1674-9324（2019）27-0211-02

目前，针对视频图像识别的算法的有边缘特征定位法、纹理特征定位法、机器学习法等。如Ashwini B等人针对光線变化和场景变换提出了直方图方向梯度算子与支持向量机相结合的方法，来检测和识别交通视频对象[1]。Kim D提出了一种基于超像素退化因子的自适应二值化LP字符分割算法，降低因局部光照的突然变换引起的误差[2]。虽然，这些算法显著提高了识别的精度，但基于交通视频图像中不同物体识别准确率等方面还有待提高[3-4]。因此，本文将改进卷积神经网络算法，利用LTP-微卷积神经网络算法对交通视频图像提取图像纹理特征，从而来识别交通视频图像。

一、图像预处理

在交通视频图像识别过程中，应减少图像本身模糊的质量问题。在提高识别准确率的同时，又能降低检测图像中其他物体产生的干扰。因此，在建立模型训练前需对交通视频原始图像进行处理，从而减少误差、缩小检测范围。

Canny边缘检测方法的步骤为：（1）Gaussian滤波进行去噪处理；（2）获取图像的梯度及方向；（3）非极大值抑制处理来获取精准定位；（4）通过阈值化降低假边缘点的影响，并连接其余边缘点。

在边缘检测算法中，Canny算子具备较高的检测精度和较短的检测时间。因此，本文选择Canny算子对图像边缘进行检测。图1是对视频图像中汽车车窗这一物体的检测。

二、改进的卷积神经网络

三、实验结果分析

在本实验中，选取某路口的交通视频，分别获得无遮挡、有部分遮挡、光线不同三种状况下的交通图像。每种状况下20幅图像，图像大小均为同一尺寸128×128。图5给出了基于本改进方法的交通视频图像识别过程。

从已构建的数据库中，分别取4、6、8幅图像作为训练样本，其余图像作为测试样本，计算该算法正识率的平均值约为86%。图6显示了基于LTP-微型卷积神经网络的车辆识别结果。

四、结语

本文采用Canny边缘检测算子对视频图像进行预处理。然后利用LTP-微卷积神经网络算法对交通视频图像提取图像纹理特征。根据实验检测的结果表明，本次提出的LTP-微卷积深度学习算法大大提高交通视频图像识别的效率。

参考文献：

[1]Ashwini B，Yuvaraju B N，Deepashree B，et al.Application of Image Processing for Detection and Recognition of Objects in Traffic Video[C]// International Conference on Emerging Research in Computing，Information，Communication and Applications.Springer，Singapore，2016：667-677.

[2]Kim D，Song T，Lee Y，et al.Effective character segmentation for license plate recognition under illumination changing environment[C]// IEEE International Conference on Consumer Electronics.IEEE，2016：532-533.

[3]柴江武，王茜，鲁斌.基于深度学习的道路交通态势在线视频判别系统[J].科研，2016，（12）：00151-00151.

[4]刘卫东，魏周朝，郭长全.深度学习车型识别在联网收费系统中应用浅析[J].中国交通信息化，2016，（s1）：79-83.