失眠网 > 【车辆检测】基于matlab yolo v2车辆检测识别【含Matlab源码 581期】

【车辆检测】基于matlab yolo v2车辆检测识别【含Matlab源码 581期】

时间：2020-02-29 01:36:45

一、简介

1 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！！！….

2 环境

测试环境：

硬件：

Intel i5-4590

GTX 980

软件：

Matlab Rb（只有这个版本才实现了RCNN…）

3 数据集的下载

嗯。一上来就发福利：

原始数据集，内含train/test：/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：/s/1pKIbQiB

接下来的这个是每一张图片所对应的车型标注文件：/s/1nuOR7PR

在Matlab中下载AlexNet

AlexNet是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：

二、部分源代码

clearclcdoTraining = true; % 是否进行训练% 解压数据% data = load('./data/carDatasetGroundTruth.mat');% vehicleDataset = data.carDataset; % table型，包含文件路径和groundTruthdata = load('./data/vehicleDatasetGroundTruth.mat');vehicleDataset = data.vehicleDataset; % table型，包含文件路径和groundTruth% 添加绝对路径至vehicleDataset中vehicleDataset.imageFilename = fullfile([pwd, '/data/'],vehicleDataset.imageFilename);% 显示数据集中的一个图像，以了解它包含的图像的类型。vehicleDataset(1:4,:) % 显示部分数据情况% 将数据集分成两部分：一个是用于训练检测器的训练集，一个是用于评估检测器的测试集。% 选择 70% 的数据进行训练，其余数据用于评估。rng(0); % 控制随机数生成shuffledIndices = randperm(height(vehicleDataset));idx = floor(0.7 * length(shuffledIndices) );trainingDataTbl = vehicleDataset(shuffledIndices(1:idx),:);testDataTbl = vehicleDataset(shuffledIndices(idx+1:end),:);% 保存数据和标签imdsTrain = imageDatastore(trainingDataTbl{:,'imageFilename'}); % 路径bldsTrain = boxLabelDatastore(trainingDataTbl(:,'vehicle')); % 真实框和类别imdsTest = imageDatastore(testDataTbl{:,'imageFilename'});bldsTest = boxLabelDatastore(testDataTbl(:,'vehicle'));% 整理训练测试集trainingData = combine(imdsTrain,bldsTrain); % 联合文件路径和真实框testData = combine(imdsTest,bldsTest);% 显示数据data = read(trainingData); % data包括图片数据、真实框坐标、类别I = data{1};bbox = data{2};annotatedImage = insertShape(I,'Rectangle',bbox); % 在数据矩阵中标出真实框annotatedImage = imresize(annotatedImage,2);figureimshow(annotatedImage) % 显示图像% 创建yolo网络inputSize = [224 224 3];numClasses = width(vehicleDataset)-1; % 通过table的列数计算类别数% 用于评估锚框个数trainingDataForEstimation = transform(trainingData,@(data)preprocessData(data,inputSize));numAnchors = 7;[anchorBoxes, meanIoU] = estimateAnchorBoxes(trainingDataForEstimation, numAnchors)% 特征提取层采用resnet50featureExtractionNetwork = resnet50;featureLayer = 'activation_40_relu';% 设置yolo网络lgraph = yolov2Layers(inputSize,numClasses,anchorBoxes,featureExtractionNetwork,featureLayer);% 进行数据增强augmentedTrainingData = transform(trainingData,@augmentData);% 可视化增强后的图片augmentedData = cell(4,1);for k = 1:4data = read(augmentedTrainingData);augmentedData{k} = insertShape(data{1},'Rectangle',data{2});reset(augmentedTrainingData);endfiguremontage(augmentedData,'BorderSize',10)% 对增强数据进行预处理preprocessedTrainingData = transform(augmentedTrainingData,@(data)preprocessData(data,inputSize));data = read(preprocessedTrainingData);% 显示一下I = data{1};bbox = data{2};annotatedImage = insertShape(I,'Rectangle',bbox);annotatedImage = imresize(annotatedImage,2);figureimshow(annotatedImage)% 训练参数options = trainingOptions('sgdm', ...'MiniBatchSize', 16, ....'InitialLearnRate',1e-3, ...'MaxEpochs',20,...'CheckpointPath', tempdir, ...'Shuffle','never');if doTraining % 训练YOLOv2检测器[detector,info] = trainYOLOv2ObjectDetector(preprocessedTrainingData,lgraph,options);else% 载入预训练模型pretrained = load('yolov2_mytrain.mat');detector = pretrained.detector;end% 测试训练好的模型并显示I = imread(testDataTbl.imageFilename{4});I = imresize(I,inputSize(1:2));[bboxes,scores] = detect(detector,I);I = insertObjectAnnotation(I,'rectangle',bboxes,scores);figureimshow(I)% 预处理测试集preprocessedTestData = transform(testData,@(data)preprocessData(data,inputSize));% 对测试集数据进行测试detectionResults = detect(detector, preprocessedTestData);% 评估准确率[ap,recall,precision] = evaluateDetectionPrecision(detectionResults, preprocessedTestData);figureplot(recall,precision)xlabel('Recall')ylabel('Precision')grid ontitle(sprintf('Average Precision = %.2f',ap))