开发笔记:车辆检测基于matlabyolov2车辆检测识别含Matlab源码581期

一、简介

1 前言
Okay……最近事情比较多&＃xff0c;博客也发的少&＃xff0c;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&＃xff08;R-CNN&＃xff09;与车型识别&＃xff08;AlexNet&＃xff09;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&＃xff0c;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&＃xff1a;很多黑白的图片啊喂&＃xff01;&＃xff01;&＃xff01; 做训练的时候AlexNet数据输入维度是3啊喂&＃xff01;&＃xff01;&＃xff01;害的我自己找了很多图片啊&＃xff01;&＃xff01;&＃xff01;….

2 环境
测试环境&＃xff1a;
硬件&＃xff1a;
Intel i5-4590
GTX 980
软件&＃xff1a;
Matlab R2016b&＃xff08;只有这个版本才实现了RCNN…&＃xff09;

3 数据集的下载
嗯。一上来就发福利&＃xff1a;
原始数据集&＃xff0c;内含train/test&＃xff1a;http://pan.baidu.com/s/1miTn9jy
我规整后的数据集&＃xff0c;将图片变换为227*227&＃xff0c;并且对少量黑白图片进行了替换&＃xff1a;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&＃xff1a;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&＃xff0c;其中了5个卷积层&＃xff0c;2层全连接和一层分类&＃xff0c;如果使用其对一张图片进行前向传播&＃xff0c;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&＃xff0c;这是我的代码和网络结构&＃xff1a;

二、源代码

clear
clc

doTraining &＃61; true; % 是否进行训练

% 解压数据
% data &＃61; load(&＃39;./data/carDatasetGroundTruth.mat&＃39;);
% vehicleDataset &＃61; data.carDataset; % table型&＃xff0c;包含文件路径和groundTruth
data &＃61; load(&＃39;./data/vehicleDatasetGroundTruth.mat&＃39;);
vehicleDataset &＃61; data.vehicleDataset; % table型&＃xff0c;包含文件路径和groundTruth

% 添加绝对路径至vehicleDataset中
vehicleDataset.imageFilename &＃61; fullfile([pwd, &＃39;/data/&＃39;],vehicleDataset.imageFilename);

% 显示数据集中的一个图像&＃xff0c;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&＃xff1a;一个是用于训练检测器的训练集&＃xff0c;一个是用于评估检测器的测试集。
% 选择 70% 的数据进行训练&＃xff0c;其余数据用于评估。
rng(0); % 控制随机数生成
shuffledIndices &＃61; randperm(height(vehicleDataset));
idx &＃61; floor(0.7 * length(shuffledIndices) );
trainingDataTbl &＃61; vehicleDataset(shuffledIndices(1:idx),:);
testDataTbl &＃61; vehicleDataset(shuffledIndices(idx&＃43;1:end),:);

% 保存数据和标签
imdsTrain &＃61; imageDatastore(trainingDataTbl{:,&＃39;imageFilename&＃39;}); % 路径
bldsTrain &＃61; boxLabelDatastore(trainingDataTbl(:,&＃39;vehicle&＃39;)); % 真实框和类别

imdsTest &＃61; imageDatastore(testDataTbl{:,&＃39;imageFilename&＃39;});
bldsTest &＃61; boxLabelDatastore(testDataTbl(:,&＃39;vehicle&＃39;));

% 整理训练测试集
trainingData &＃61; combine(imdsTrain,bldsTrain); % 联合文件路径和真实框
testData &＃61; combine(imdsTest,bldsTest);


% 显示数据
data &＃61; read(trainingData); % data包括图片数据、真实框坐标、类别
I &＃61; data{1};
bbox &＃61; data{2};
annotatedImage &＃61; insertShape(I,&＃39;Rectangle&＃39;,bbox); % 在数据矩阵中标出真实框
annotatedImage &＃61; imresize(annotatedImage,2);
figure
imshow(annotatedImage) % 显示图像


% 创建yolo网络
inputSize &＃61; [224 224 3];
numClasses &＃61; width(vehicleDataset)-1; % 通过table的列数计算类别数

% 用于评估锚框个数
trainingDataForEstimation &＃61; transform(trainingData,&＃64;(data)preprocessData(data,inputSize));
numAnchors &＃61; 7;
[anchorBoxes, meanIoU] &＃61; estimateAnchorBoxes(trainingDataForEstimation, numAnchors)


% 特征提取层采用resnet50
featureExtractionNetwork &＃61; resnet50;

featureLayer &＃61; &＃39;activation_40_relu&＃39;;

% 设置yolo网络
lgraph &＃61; yolov2Layers(inputSize,numClasses,anchorBoxes,featureExtractionNetwork,featureLayer);

% 进行数据增强
augmentedTrainingData &＃61; transform(trainingData,&＃64;augmentData);

% 可视化增强后的图片
augmentedData &＃61; cell(4,1);
for k &＃61; 1:4
data &＃61; read(augmentedTrainingData);
augmentedData{k} &＃61; insertShape(data{1},&＃39;Rectangle&＃39;,data{2});
reset(augmentedTrainingData);
end
figure
montage(augmentedData,&＃39;BorderSize&＃39;,10)

% 对增强数据进行预处理
preprocessedTrainingData &＃61; transform(augmentedTrainingData,&＃64;(data)preprocessData(data,inputSize));

data &＃61; read(preprocessedTrainingData);

% 显示一下
I &＃61; data{1};
bbox &＃61; data{2};
annotatedImage &＃61; insertShape(I,&＃39;Rectangle&＃39;,bbox);
annotatedImage &＃61; imresize(annotatedImage,2);
figure
imshow(annotatedImage)


% 训练参数
options &＃61; trainingOptions(&＃39;sgdm&＃39;, ...
&＃39;MiniBatchSize&＃39;, 16, ....
&＃39;InitialLearnRate&＃39;,1e-3, ...
&＃39;MaxEpochs&＃39;,20,...
&＃39;CheckpointPath&＃39;, tempdir, ...
&＃39;Shuffle&＃39;,&＃39;never&＃39;);

if doTraining
% 训练YOLOv2检测器
[detector,info] &＃61; trainYOLOv2ObjectDetector(preprocessedTrainingData,lgraph,options);
else
% 载入预训练模型
pretrained &＃61; load(&＃39;yolov2_mytrain.mat&＃39;);
detector &＃61; pretrained.detector;
end


% 测试训练好的模型并显示
I &＃61; imread(testDataTbl.imageFilename{4});
I &＃61; imresize(I,inputSize(1:2));
[bboxes,scores] &＃61; detect(detector,I);

I &＃61; insertObjectAnnotation(I,&＃39;rectangle&＃39;,bboxes,scores);
figure
imshow(I)

% 预处理测试集
preprocessedTestData &＃61; transform(testData,&＃64;(data)preprocessData(data,inputSize));
% 对测试集数据进行测试
detectionResults &＃61; detect(detector, preprocessedTestData);
% 评估准确率
[ap,recall,precision] &＃61; evaluateDetectionPrecision(detectionResults, preprocessedTestData);

figure
plot(recall,precision)
xlabel(&＃39;Recall&＃39;)
ylabel(&＃39;Precision&＃39;)
grid on
title(sprintf(&＃39;Average Precision &＃61; %.2f&＃39;,ap))





三、运行结果

四、备注

完整代码或代写添加QQ 1564658423