文章目录
#一、本篇介绍
篇名：基于深度学习的车标识别方法研究
作者：彭博，臧笛
作者单位：同济大学 计算机科学与技术系
发表在：计算机科学，2015年4月
#二、本文主要内容（知识点）
##1、卷积神经网络
图1为一个卷积神经网络中卷积层和下采样层的示意图，其中C x为卷积层，S x＋1为下采样层，f x和w x为乘性偏置，b x为加性偏置，σ为Sigmoid函数。
图1、CNN结构示意图
卷积层用以提取输入图像的局部特征，如边缘信息以及角点等。在随后的训练过程中，网络在有监督的环境下不断更新权值，以获取效果良好的网络。下采样层可视为模糊滤波器，对图像进行后续的特征提取。卷积神经网络的各层之间空间分辨率递减，而每层所包含的平面数增加，如此有利于获取更多的原图特征信息。
##2、系统的结构
车标识别模块分为深度神经网络训练及车标识别两部分。
网络的输入为原始图片或视频，初步处理后将其置入车标定位模块。通过车标定位，可以得到一个较为准确的车标图片。预处理模块将车标图片变换为符合网络参数的标准图片，随后将标准图片输入网络，通过隐层进行分类，最终得到输入结果。
网络的训练通过输入有监督的训练集，不断地迭代、反馈结果，从而调整卷积核的参数，使得网络整体向着最优解前进。
###1.车标定位
本文使用多个特征融合进行车标定位，融合的特征信息有：先验知识、摄像头标定信息、时间域信息及车辆的底层特征。
###2.车标识别
车标识别网络包含预处理层、输入层、两个卷积层、两个下采样层、一个全链接层、一个SVM模块以及输出层。
第一层，预处理层，将图片灰度化后调整为44×44像素大小，并将其转换为二维矩阵，附加其理想输出值。
第二层，输入层，是44×44的图像。
第三层，网络层C1是由8个特征图组成的卷积层。卷积核为5×5，特征矩阵大小为40×40。
第四层，下采样层S2包含8张特征图，特征矩阵大小为20×20。
第五层，网络层C3包含12张特征图，卷积核为5×5，特征矩阵大小为16×16
第六层，下采样层S4包含12张特征图，特征矩阵大小为8＊8。全连接层A5包含768个节点。
第七层，全连接层A5包含768个节点。
第八层，输出层共有20个节点，代表20种车标。
##3、各种公式
###1.卷积层
卷积运算可以在一定程度上降低噪声，增强输入图像的特征。卷积公式定义为：
其中，I为输入，k为可训练卷积核，b为可训练加性偏置，cx为获得的卷积特征图，f为激活函数，k与b初始时为一个随机值，在网络的不断训练中进行调整。
###2.下采样层
得到了卷积层之后，需要进行一次下采样，目的是在保留图像信息的同时减少计算量。与上一层相比，下采样层降低了图像的分辨率，但获得了更多的空间平面，有利于特征的检测。下采样的公式定义为：
其中，w为乘性偏置，b为可训练加性偏置，c x为该下采样层对应的上一卷积层，S x＋1为获得的下采样特征图，σ（x）为Sigmoid函数，使其对中间值的细微变化敏感，从而提高识别度。
###3.损失函数和经验风险函数
对于每一个输入x，存在一个预测值y′及实际值y，损失函数l（y′，y）用以描述二者之间的实际损失。一个良好的神经网络的目标是使在整个训练集中这个损失函数是最小的。
其中，Q（z，w）为平均损失函数，fw（x）为权值为w时样本x的预测值，En（f）为经验风险函数，l（f（x i），y i）为某个样本的损失函数。经验风险函数用以衡量网络的训练效果。
###4.卷积核更新公式
卷积核更新公式定义为：
其中，δx为灵敏度，可由En（f）得到，w x＋1为乘性偏置，表示每个元素相乘，up表示上采样，down表示下采样，Δw x为该层的权值更新，η为学习率。
##4、实验的数据集
本文的车标图片来自于交通卡口监视视频与拍摄的车辆图片，共有20种车标图片合计1085张，其中训练集435张，测试集650张。
##5、实验结果分析
实验表明，这种方法的鲁棒性和准确度较好，对光照变化与噪声污染有较强的抵抗能力，能够有效地提高车标识别的正确率。
#三、具体创新
一个是融合了多个特征进行车标定位。
另一个是将卷积神经网络用于车标识别，提高了准确率。
#四、心得感想
本篇论文创新性地把卷积神经网络用在了车标识别中，提高了识别率。
#五、专业词汇的学习
intelligent transportation system 智能交通系统
car license plates 车牌
original images 原始图像
另：一些说明
1、本博客仅用于学习交流，欢迎大家瞧瞧看看，为了方便大家学习，相关论文请去知网等地方自行下载。
2、如果原作者认为侵权，请及时联系我，我的qq是244509154，邮箱是244509154@qq.com，我会及时删除侵权文章。
3、我的文章大家如果觉得对您有帮助或者您喜欢，请您在转载的时候请注明来源，不管是我的还是其他原作者，我希望这些有用的文章的作者能被大家记住。
4、最后希望大家多多的交流，提高自己，从而对社会和自己创造更大的价值。