崔華+紀宇+李盼儂

摘 要：近年來，高速路的擁堵問題變得越來越嚴重，傳統(tǒng)的交通擁堵識別采用視頻進行研究，其具有代價昂貴，識別速度慢的缺點。文章提出了一種基于圖片進行交通擁堵識別的方法。因為卷積神經網絡（CNN）在圖像識別方面有著識別速度快，適用范圍廣，識別準確率高的優(yōu)點，所以文章使用了帶有relu激活函數代替?zhèn)鹘y(tǒng)的sigmod函數和tanh函數，并引入了dropout層的卷積神經網絡模型GoogleNet，并對網絡結構和參數進行了調整優(yōu)化，得到了一個交通擁堵圖片識別的改進的GoogleNet改進模型，該模型的樣本內測試準確率達到了98.6%。在對2000張現實高速路上的圖片進行識別測試后，測得其準確率為96.5%。采用文理特征的傳統(tǒng)方法的高速路交通擁堵圖像識別準確率為90%。

關鍵詞：卷積神經網絡；GoogleNet模型；擁堵

中圖分類號：TP391.41 文獻標志碼：A 文章編號：2095-2945（2018）05-0018-02

Abstract： In recent years， the problem of highway congestion has become more and more serious. Traditional traffic congestion identification is studied by video， which has the disadvantages of high cost and low recognition speed. This paper presents a method of traffic congestion identification based on pictures. Because the convolution neural network （CNN） has the advantages of high recognition speed， wide range of application and high recognition accuracy in image recognition， we use the ReLU activation function instead of the traditional Sigmod function and Tanh function， and introduce the Dropout layer convolution neural network model GoogleNet. The network structure and parameters are adjusted and optimized， and an improved GoogleNet model for traffic congestion image recognition is obtained. The test accuracy of the model is 98.6%. After the recognition test of 2，000 images on the real highway， the accuracy rate is 96.5%. The recognition accuracy of highway traffic congestion image using traditional methods of literary and scientific features is 90%.

Keywords： convolutional neural network（CNN）； GoogleNet model； congestion

1 概述

近年來，隨著社會經濟的發(fā)展，我國社會呈現的交通擁堵問題越來越嚴重，傳統(tǒng)的交通擁堵識別方法基于視頻中車輛的移動速度，這種方法設備昂貴，代價較高，覆蓋面窄。如今，深度學習成為機器學習的一個重要研究方向，卷積神經網絡廣泛應用于圖片的識別和分類。

2 CNN的GoogleNet模型結構

CNN的GoogleNet模型是一種由卷積層（convolutional），降采樣層（pooling）和全連接層（full-connected）組成的深度神經網絡模型，它有兩方面的優(yōu)勢：一方面是它是非全連接的型的神經元連接方式，另一方面是一層中神經元之間是共享權重的。CNN主要應用在語音分析和圖像識別領域，本文采用了經典的GoogleNet模型，其模型結構如圖1。

在典型的CNN模型里，前面幾層主要是卷積層和子采樣層，后面是全連接層。一般地，CNN的基本結構包括兩層，其一為特征提取層，每個神經元的輸入與前一層的局部接受域相連，并提取該局部的特征。一旦該局部特征被提取后，它與其他特征間的位置關系也隨之確定下來；其二是特征映射層，網絡的每個計算層由多個特征映射組成，每個特征映射是一個平面，平面上所有神經元的權值相等。特征映射結構采用影響函數核小的sigmoid函數作為卷積網絡的激活函數，使得特征映射具有位移不變性。此外，由于一個映射面上的神經元共享權值，因而減少了網絡自由參數的個數。卷積神經網絡中的每一個卷積層都緊跟著一個用來求局部平均與二次提取的計算層，這種特有的兩次特征提取結構減小了特征分辨率。

3 基于GoogleNet的高速路交通圖片擁堵識別

3.1 方法流程

對于交通擁堵圖片識別，GoogleNet的處理流程，首先將訓練樣本進行大小為256*256的歸一化，為防止出現連續(xù)的劣質樣本對實驗結果產生不良影響，實驗的訓練過程中對訓練樣本一般采取批處理的方式，即每次隨機迭取固定數目的訓練樣本作為一個批次（epoch），然后將這個批次（epoch）作為輸入，然后通過bp算法對每個批次（epoch）進行一次權值更新，當達到一定的迭代次數或者誤差達到給定閾值時停止訓練。將測試樣本作為輸入數據，將輸入數據輸入訓練好的GoogleNet模型中，通過前向傳播進行誤差計算，然后根據結果得出分類的結果。endprint

前向傳播階段包括卷積過程和降采樣過程。

卷積過程：用一個可訓練的濾波器fx去卷積一個輸入的圖像，然后加一個偏置bx，得到卷積層Cx.卷積層的形式如（1）所示。其中l(wèi)代表層數，k為卷集合，Mi表示選擇的輸入特征圖的集合，每個輸出特征圖會給一個額外的偏置b。

采樣過程：將圖像的特征提取為卷積特征，然后將卷積特征劃分為數個n x n的不相交區(qū)域。然后通過ωi+1進行一個加權，再通過增加一個偏置bx+1對結果進行評估，最后通過一個激活函數（sigmod），結果會產生一個縮小n倍的特征映射圖。降采樣層的一般形式如式（2）所示。其中down（·）表示一個下采樣函數（pooling）。

4 實驗數據和分析

4.1 實驗數據集

本文的實驗數據采自各高速路、城市道路的視頻中采集樣本，部分樣本如圖2所示。本實驗隨機從樣本中每類選擇出7000張作為訓練樣本，1000張作為測試樣本。訓練樣本和測試樣本不重復，所有的圖片的分辨率歸一化為256x256。

4.2 GoogleNet模型中參數的選擇

本文主要調整了GoogleNet模型中的學習率、網絡層數、各層濾波器數量和大小。然后通過對比實驗，得出最優(yōu)的學習率。然后調節(jié)該網絡的層數、每層卷積核大小及數量，總結出了樣本內準確率最高的參數值，從而提高目分類的準確率。

學習率的影響

本文通過對學習率進行線性的調整，從1開始，每次減小0.01調整模型的學習率，根據不同的學習率對損失函數產生的影響來進行調整。學習率的初始值為0.1，每次學習率遞減0.01進行實驗。實驗結果顯示當學習率為0.01時收斂速度最快而且收斂時損失函數達到最小，所以本實驗選用0.01作為GoogleNet最優(yōu)的學習率的值。

4.3 GoogleNet模型網絡結構優(yōu)化

GoogleN模型可以改進的方法有多種，例如在誤差函數上增加一個懲罰項，通過訓練使得權值參數趨于稀疏。本文主要是針對GoogleNe中的學習率、網絡層數、各層濾波器數量和大小進行實驗和調整。學習率主要用來改變權值，如果學習率選擇的太小，比較容易得到收斂結果，但收斂速度太慢；如果學習率太大，雖然收斂速度比較快，但可能導致損失函數曲線震蕩或發(fā)散，出現局部收斂而非全局收斂。

4.4 識別結果

本文提出的改進的cnn模型的樣本內測試準確率為98.6%。訓練樣本為45000張，測試樣本為2000張。樣本外測試準確率為98.3%，測試樣被為1500張。

5 實驗結果

本文提出一種基CNN中的GoogleNet模型的交通擁堵圖片識別的方法，GoogleNe模型可以避免顯式特征提取，然后在對大量實驗數據的訓練中進行隱士學習。這使得GoogleNet模型和其他分類器有明顯的區(qū)別。GoogleNet模型通過直接處理灰度圖像，它的優(yōu)點在于可以自動處理圖像，進行圖像的自動分類，然后自動進行目標的識別。利用GoogleNet模型，進行多組對比實驗。通過比較實驗結果選取最佳的學習率、網絡層數和各層濾波器數量和尺寸，使得識別的準確率最高。在接下來的計劃中，我將對模型進行進一步改進，從而進一步提高交通擁堵圖像目標識別的準確率。

參考文獻：

[1]R.M. Bell and Y. Koren. Lessons from the netflix prize challenge. ACM SIGKDD Explorations Newsletter，9（2）：75-79，2007.

[2]A. Berg， J. Deng， and L. Fei-Fei. Large scale visual recognition challenge 2010. www.image-net.org/challenges. 2010.

[3]曲景影，孫顯，高鑫.基于cnn模型的高分辨率遙感圖像目標識別[J].國外電子測量技術，2016，08.endprint