车辆颜色识别

1万 · 2018-7-16 08:23

本帖最后由一路向北lm 于 2018-7-16 08:29 编辑

转载博客 https://blog.csdn.net/cesc_treze ... 61935?from=timeline 仅供大家参考学习

识别目标包括：

1.车牌号

2.车辆颜色

3.车辆品牌，具体到如奥迪A6之类

4.驾驶人是否系安全带

5.是否贴有年检标志

实验平台

开发平台使用Caffe，参考了博客小咸鱼_的实现（pretrained CaffeNet+finetune），本文主要在其基础上补充一些实现的细节。训练好的模型已经分享到百度云。链接: https://pan.baidu.com/s/1eRSDFlo 密码: ahyx

1. 训练数据准备

在caffe/examples下建立目录car_color，并在其下面建立几个子目录：

car_color/data：存放训练和验证数据

car_color/models：存放prototxt和训练得到的模型

car_color/pre_train_models：存放预训练的CaffeNet

data目录

首先新建文件color_map.txt，存放待分类的颜色，这里我们划分了8种颜色

复制

black

white

red

blue

green

gray

yellow

brown

对每种颜色划分train和valid数据：

复制

# ratio for train and valid data

train_ratio = 0.8

val_ratio = 0.2



if not os.path.exists('train/' + color):

    os.makedirs('train/' + color)

if not os.path.exists('val/' + color):

    os.makedirs('val/' + color)



num = len(os.listdir('raw_data/' + color))

print("Folder {} has {} images.".format(color, num))



for file in os.listdir('raw_data/' + color):

    oldfile = 'raw_data/{}/{}'.format(color, file)

    if train_num > 0:

        newfile = 'train/{}'.format(file)

        shutil.copyfile(oldfile, newfile)

        train_num -= 1

    elif val_num > 0:

        newfile = 'val/{}'.format(file)

        shutil.copyfile(oldfile, newfile)

        val_num -= 1

    else:

        pass

创建train.txt和val.txt，用于lmdb数据库的生成:

复制

prefix = '/your/path/caffe/examples/car_color/data/'

def make_dict(syn_file):

    i = 0

    with open(syn_file, 'r') as df:

        for kv in [d.strip().split(' ') for d in df]:

            dict[kv[0]] = i； i = i + 1

dict = {}

make_dict('color_map.txt')



# list file directories

command = 'cd %s%s; find -name *.jpg | cut -d ''/'' -f2-3 >train.txt' % (prefix, train)

system(command)

command = 'cd %s%s; find -name *.jpg | cut -d ''/'' -f2-3 >val.txt' % (prefix, val)

system(command)



# add label

train_in = open(prefix + train + 'train.txt')

val_in = open(prefix + val + 'val.txt')

train_out = open(prefix + 'train.txt', 'w')

val_out = open(prefix + 'val.txt', 'w')

for d in train_in:

    train_out.write(d[0:len(d)-1] + ' ' + str(dict[d.strip().split('/')[0]]) + '\n')

for d in val_in:

    val_out.write(d[0:len(d)-1] + ' ' + str(dict[d.strip().split('/')[0]]) + '\n')

生成的train.txt形如：

复制

blue/016_011_00011.jpg 3

brown/001_001_00005.jpg 7

brown/002_002_00001.jpg 7

brown/002_002_00003.jpg 7

brown/003_001_00002.jpg 7

brown/006_001_00003.jpg 7

...

models目录和pre_train_models目录
1. 从models/bvlc_reference_caffenet下拷贝train_val.prototxt、deploy.prototxt和solver.prototxt这三个文件到examples/ car_color/models，并修改对应的路径。
2. 修改train_val.prototxt中fc8的名称和输出层节点数。
3. 下载预训练的CaffeModel至目录examples/car_color/pre_train_models。
篇幅问题不做赘述，具体可以参考小咸鱼_的博客。

生成lmdb数据库和图像均值

复制

./examples/car_color/create_imagenet.sh

./examples/car_color/make_imagenet_mean.sh

2. 开始训练

复制

./build/tools/caffe train -solver examples/car_color/models/solver.prototxt -weights examples/car_color/pre_train_models/bvlc_reference_caffenet.caffemodel

这里有必要把初始学习率设低一些，否则很难收敛。我用的是0.001。
最终实验时每个类别的训练和评估分别用了50/10张图片。
训练速度比我想象的要更快，50个Iter后Valid accuracy就到了72.5%，150个Iter后基本稳定在95%。
3. 实验结果

复制

I0518 11:12:40.746090 12784 solver.cpp:341] Iteration 1000, Testing net (#0)

I0518 11:12:40.938202 12784 solver.cpp:409]     Test net output #0: accuracy = 0.975

I0518 11:12:40.938266 12784 solver.cpp:409]     Test net output #1: loss = 0.0606646 (* 1 = 0.0606646 loss)

I0518 11:12:40.938277 12784 solver.cpp:326] Optimization Done.

I0518 11:12:40.938285 12784 caffe.cpp:215] Optimization Done.