利用matlab自带的深度,利用Matlab自带的深度学习工具进行车辆区域检测与车型识别【福利-内附源码与数据库】（一）...

曾经终败给现在 2023-01-15 04:58 104阅读 0赞

前言

Okay……最近事情比较多，博客也发的少，所以决定搞一次大新闻。本此的博客详细记录了我使用Matlab进行车辆区域检测(R-CNN)与车型识别(AlexNet)的过程。并且内包含了训练数据集、测试数据集以及源码。

训练数据集是使用的斯坦福大学的一个车型数据库，内含196种不同的车型。写到这里我真的很想吐槽一下这个数据库里面的奥迪车系：很多黑白的图片啊喂！！！ 做训练的时候AlexNet数据输入维度是3啊喂！！！害的我自己找了很多图片啊！！！….

环境

测试环境：

硬件：

Intel i5-4590

GTX 980

软件：

Matlab R2016b(只有这个版本才实现了RCNN…)

数据集的下载

嗯。一上来就发福利：

原始数据集，内含train/test：http://pan.baidu.com/s/1miTn9jy

我规整后的数据集，将图片变换为227\*227，并且对少量黑白图片进行了替换：http://pan.baidu.com/s/1pKIbQiB

接下来的这个是每一张图片所对应的车型标注文件：http://pan.baidu.com/s/1nuOR7PR

在Matlab中下载AlexNet

AlexNet是2012年ImageNet大赛的冠军。它一共有8层，其中了5个卷积层，2层全连接和一层分类，如果使用其对一张图片进行前向传播，那么最后输出的这张图片属于1000种物体中哪一个的概率。

我这里对AlexNet在Matlab中进行了定义，这是我的代码和网络结构：

function \[AlexLayer,opts\]=MakeAlexLayer

inputLayer = imageInputLayer(\[227 227 3\],'Name','Input');

middleLayers = \[

convolution2dLayer(\[11 11\], 96,'NumChannels',3,'Stride',4,'Name','conv1','Padding',0)

reluLayer('Name','relu1')

crossChannelNormalizationLayer(5,'Name','norm1')

maxPooling2dLayer(3, 'Stride', 2,'Name','pool1','Padding',0)

convolution2dLayer(\[5 5\], 256, 'NumChannels',48,'Padding', 2,'Name','conv2','Stride',1)

reluLayer('Name','relu2')

crossChannelNormalizationLayer(5,'Name','norm2')

maxPooling2dLayer(3, 'Stride',2,'Name','pool2','Padding',0)

convolution2dLayer(\[3 3\], 384, 'NumChannels',256,'Padding', 1,'Name','conv3','Stride',1)

reluLayer('Name','relu3')

convolution2dLayer(\[3 3\], 384,'NumChannels',192, 'Padding', 1,'Name','conv4','Stride',1)

reluLayer('Name','relu4')

convolution2dLayer(\[3 3\], 256, 'NumChannels',192,'Padding', 1,'Name','conv5','Stride',1)

reluLayer('Name','relu5')

maxPooling2dLayer(3, 'Stride',2,'Name','pool5','Padding',0)

\];

finalLayers = \[

fullyConnectedLayer(4096,'Name','fc6')

reluLayer('Name','relu6')

%caffe中有这一层

dropoutLayer(0.5,'Name','dropout6')

fullyConnectedLayer(4096,'Name','fc7')

reluLayer('Name','relu7')

%caffe中有这一层

dropoutLayer(0.5,'Name','dropout7')

%196种车

fullyConnectedLayer(196,'Name','fc8')

softmaxLayer('Name','softmax')

classificationLayer('Name','classification')

\];

AlexLayer=\[inputLayer

middleLayers

finalLayers\];

opts = trainingOptions('sgdm', ...

'Momentum', 0.9, ...

'InitialLearnRate', 0.001, ...

'LearnRateSchedule', 'piecewise', ...

'MaxEpochs', 500, ...

'MiniBatchSize', 100, ...

'Verbose', true);

end

由于数据库太小，loss一直比较高。所以我们还是在网上下载一下人家训练好的网络来微调吧(逃

地址：http://www.vlfeat.org/matconvnet/models/beta16/

对AlexNet进行Finetune

首先读入这个AlexNet：

AlexNet=helperImportMatConvNet('AlexLayerFromWeb.mat');

观察其网络结构：

AlexNet.Layers

![0818b9ca8b590ca3270a3433284dd417.png][]

我们要对其进行微调，那么其实前面的卷积层都不用改，要改的就是最后的一个全连接层，要把它改成我们的层。由于车型一共是196种，所以全连接的输出也得改成196，后面再接上一个softmax层和一个classificationLayer,并且定义训练方式：

function \[AlexLayer\_New , optionsTransfer\]=FineTune(AlexNet)

AlexNet\_reduce = AlexNet.Layers(1:end-3);

%add

Last3Layers = \[

fullyConnectedLayer(196,'Name','fc8','WeightLearnRateFactor',10, 'BiasLearnRateFactor',20)

softmaxLayer('Name','softmax')

classificationLayer('Name','classification')

\];

AlexLayer\_New=\[AlexNet\_reduce

Last3Layers\];

optionsTransfer = trainingOptions('sgdm',...

'MaxEpochs',10,...

'InitialLearnRate',0.0005,...

'Verbose',true,'MiniBatchSize', 100);%MiniBatchSize根据显卡内存而定

end

运行：

\[AlexLayer\_New , optionsTransfer\]=FineTune(AlexNet)

得到新的网络层级：

![0818b9ca8b590ca3270a3433284dd417.png][]

Okay，现在我们要开始准备数据了。有两个方式，可以直接下载我的traindata.mat，并且按照里面的路径来放一下cars\_train这个文件夹。那么我们就直接可以：

load('traindata.mat')

第二种方式，稍微复杂一点。打开我更改后的数据集，自己来做imageDatastore容器。首先解压cars\_train\_croped(227\_227)这个文件夹，然后在Matlab中写入：

traindata=imageDatastore('cars\_train\_croped(227\_227)/','LabelSource','none')

![0818b9ca8b590ca3270a3433284dd417.png][]

这个时候是没有Label的。我们的Label在哪里呢？在cars\_train\_annos.mat中。将其读入：

load 'cars\_train\_annos.mat';

%annotations.class即为标注信息

traindata.Labels=categorical(\[annotations.class\])

看看是否成功了：

unique(traindata.Labels)%应该输出196个数字，从1-196

好的，现在我们可以开始训练！

AlexNet\_New=trainNetwork(traindata,AlexLayer\_New,optionsTransfer)

这是我的结果：

![0818b9ca8b590ca3270a3433284dd417.png][]

似乎还不错。

调用其对图片进行测试，我们需要读入一个车型的文件：

![0818b9ca8b590ca3270a3433284dd417.png][]

封装一下进行测试的代码：

function test(fileRoad,AlexNet\_New,class\_names) testImage=imread(fileRoad); testImage\_=imresize(testImage,\[227 227\]); TypeNum=classify(AlexNet\_New,testImage\_); TypeName=class\_names(TypeNum); disp(TypeName); figure; imshow(testImage); end

对单张图片进行测试：

test('bmw.jpg',AlexNet\_New,class\_names)

结果：

![0818b9ca8b590ca3270a3433284dd417.png][]

至于这张图片具体型号是什么，我也不知道。反正肯定是宝马嘛。(废话！)

[0818b9ca8b590ca3270a3433284dd417.png]: /images/20221022/64404a2e14ff41d2860b9257b7775d6e.png

利用matlab自带的深度,利用Matlab自带的深度学习工具进行车辆区域检测与车型识别【福利-内附源码与数据库】（一）...

发表评论取消回复

还没有评论，来说两句吧...

相关阅读

相关多车型带时间窗的车辆路径规划问题求解——基于遗传算法的MATLAB源码

相关利用matlab自带的深度,利用Matlab自带的深度学习工具进行车辆区域检测与车型识别【福利-内附源码与数据库】（一）...

相关车辆属性识别、车型识别

相关【MATLAB深度学习】采用Faster R-CNN实现车辆目标检测

相关 MATLAB自带的svm实现函数与libsvm差别小议(机器学习)

相关利用supervisor替换redis自带的守护

相关利用MATLAB2017进行深度学习

相关利用Android Studio自带的模拟器联网

相关利用Android Studio自带的模拟器联网

相关 Matlab 深度学习