【车辆检测】yolo v2车辆检测识别【含Matlab源码 581期】

✅博主简介：热爱科研的Matlab仿真开发者，修心和技术同步精进，Matlab项目合作可私信。
🍎个人主页：海神之光
🏆代码获取方式：
海神之光Matlab王者学习之路—代码获取方式
⛳️座右铭：行百里者，半于九十。

更多Matlab仿真内容点击👇
Matlab图像处理（进阶版）
路径规划（Matlab）
神经网络预测与分类（Matlab）
优化求解（Matlab）
语音处理（Matlab）
信号处理（Matlab）
车间调度（Matlab）

⛄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 R2016b（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：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：

⛄二、部分源代码

clear
clc

doTraining = 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groundTruth
data = 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);
figure
imshow(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resnet50
featureExtractionNetwork = 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 = 1:4
data = read(augmentedTrainingData);
augmentedData{k} = insertShape(data{1},‘Rectangle’,data{2});
reset(augmentedTrainingData);
end
figure
montage(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);
figure
imshow(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);
figure
imshow(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);

figure
plot(recall,precision)
xlabel(‘Recall’)
ylabel(‘Precision’)
grid on
title(sprintf(‘Average Precision = %.2f’,ap))

⛄三、运行结果

⛄四、matlab版本及参考文献

1 matlab版本
2014a

2 参考文献
[1]黎洲,黄妙华.基于YOLO＿v2模型的车辆实时检测[J].中国机械工程. 2018,29(15)

3 备注
简介此部分摘自互联网，仅供参考，若侵权，联系删除

🍅 仿真咨询
1 各类智能优化算法改进及应用
生产调度、经济调度、装配线调度、充电优化、车间调度、发车优化、水库调度、三维装箱、物流选址、货位优化、公交排班优化、充电桩布局优化、车间布局优化、集装箱船配载优化、水泵组合优化、解医疗资源分配优化、设施布局优化、可视域基站和无人机选址优化

2 机器学习和深度学习方面
卷积神经网络（CNN）、LSTM、支持向量机（SVM）、最小二乘支持向量机（LSSVM）、极限学习机（ELM）、核极限学习机（KELM）、BP、RBF、宽度学习、DBN、RF、RBF、DELM、XGBOOST、TCN实现风电预测、光伏预测、电池寿命预测、辐射源识别、交通流预测、负荷预测、股价预测、PM2.5浓度预测、电池健康状态预测、水体光学参数反演、NLOS信号识别、地铁停车精准预测、变压器故障诊断

3 图像处理方面
图像识别、图像分割、图像检测、图像隐藏、图像配准、图像拼接、图像融合、图像增强、图像压缩感知

4 路径规划方面
旅行商问题（TSP）、车辆路径问题（VRP、MVRP、CVRP、VRPTW等）、无人机三维路径规划、无人机协同、无人机编队、机器人路径规划、栅格地图路径规划、多式联运运输问题、车辆协同无人机路径规划、天线线性阵列分布优化、车间布局优化

5 无人机应用方面
无人机路径规划、无人机控制、无人机编队、无人机协同、无人机任务分配

6 无线传感器定位及布局方面
传感器部署优化、通信协议优化、路由优化、目标定位优化、Dv-Hop定位优化、Leach协议优化、WSN覆盖优化、组播优化、RSSI定位优化

7 信号处理方面
信号识别、信号加密、信号去噪、信号增强、雷达信号处理、信号水印嵌入提取、肌电信号、脑电信号、信号配时优化

8 电力系统方面
微电网优化、无功优化、配电网重构、储能配置

9 元胞自动机方面
交通流 人群疏散 病毒扩散 晶体生长

10 雷达方面
卡尔曼滤波跟踪、航迹关联、航迹融合