商國(guó)軍　楊利紅　王列偉

摘要：為實(shí)現(xiàn)精確實(shí)時(shí)的車輛檢測(cè)，本文算法基于遷移學(xué)習(xí)思想，以深度學(xué)習(xí)實(shí)時(shí)檢測(cè)算法YOLOv2為基礎(chǔ)。使用在大規(guī)模數(shù)據(jù)集上預(yù)訓(xùn)練得到的分類模型初始化YOLOv2卷積神經(jīng)網(wǎng)絡(luò)，搜集交通場(chǎng)景車輛圖片并標(biāo)注后輸入該網(wǎng)絡(luò)利用反向傳播進(jìn)行微調(diào)，從而得到最終的車輛檢測(cè)模型。測(cè)試結(jié)果表明，本文算法在包含300張車輛圖片的測(cè)試集中MAP達(dá)到0.788，每幀檢測(cè)平均耗時(shí)15ms，滿足工程應(yīng)用實(shí)時(shí)性要求。

關(guān)鍵詞：遷移學(xué)習(xí)；車輛檢測(cè)；卷積神經(jīng)網(wǎng)絡(luò)；YOLOv2

中圖分類號(hào)：TP391.41 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：1007-9416（2018）04-0123-02

車輛檢測(cè)作為智能交通規(guī)劃中的關(guān)鍵基礎(chǔ)技術(shù)，一直以來都是國(guó)內(nèi)外研究的熱點(diǎn)。近年來，伴隨著國(guó)內(nèi)機(jī)動(dòng)車數(shù)量的快速增長(zhǎng)，我國(guó)道路交通狀況日趨復(fù)雜，實(shí)現(xiàn)精確實(shí)時(shí)車輛檢測(cè)的難度不斷增加。

傳統(tǒng)的車輛檢測(cè)方法基于機(jī)器學(xué)習(xí)，由于監(jiān)控視頻中的車輛特征隨著光照、視角等因素的變化而變化，使用HOG、SIFT等常用特征泛化能力較差。因此工程應(yīng)用中需要針對(duì)具體應(yīng)用場(chǎng)景進(jìn)行特征設(shè)計(jì)，為了獲取更高的準(zhǔn)確率，特征維度越來越高，大大降低了算法實(shí)時(shí)性，因此傳統(tǒng)車輛檢測(cè)方法在實(shí)用中一直難以取得突破性進(jìn)展。

近年來，隨著大規(guī)模數(shù)據(jù)集的不斷構(gòu)建以及硬件計(jì)算能力的持續(xù)增強(qiáng)，深度學(xué)習(xí)理論和實(shí)踐得到迅速發(fā)展。2014年，R-CNN[1]首次將深度學(xué)習(xí)應(yīng)用到檢測(cè)領(lǐng)域，后續(xù)出現(xiàn)了該類方法的改進(jìn)，但均無(wú)法實(shí)時(shí)運(yùn)行。在工程應(yīng)用中，實(shí)時(shí)性非常重要，由此出現(xiàn)了基于回歸的深度學(xué)習(xí)目標(biāo)檢測(cè)方法，典型代表為YOLO[2]、SSD[3]和YOLOv2[4]，能夠?qū)崿F(xiàn)實(shí)時(shí)檢測(cè)。

根據(jù)交通場(chǎng)景中車輛檢測(cè)對(duì)準(zhǔn)確率和實(shí)時(shí)性的要求，本文以YOLOv2算法作為基礎(chǔ)，結(jié)合大量交通場(chǎng)景車輛樣本數(shù)據(jù)，實(shí)現(xiàn)了基于遷移學(xué)習(xí)的車輛實(shí)時(shí)檢測(cè)算法。實(shí)驗(yàn)結(jié)果表明每幀圖像檢測(cè)平均耗時(shí)15ms，不僅顯著提高了識(shí)別準(zhǔn)確率，而且滿足工程應(yīng)用的實(shí)時(shí)性需求。

1 YOLOv2算法簡(jiǎn)介

YOLOv2是基于回歸的目標(biāo)檢測(cè)方法，通過在圖像上運(yùn)行一次深度卷積神經(jīng)網(wǎng)絡(luò)前向計(jì)算，同時(shí)預(yù)測(cè)得到其中目標(biāo)的位置和類別。由于將候選框提取、特征提取、目標(biāo)分類、目標(biāo)定位統(tǒng)一于同一個(gè)卷積神經(jīng)網(wǎng)絡(luò)中，YOLOv2不僅訓(xùn)練過程中能夠?qū)崿F(xiàn)端到端的優(yōu)化，而且檢測(cè)過程耗時(shí)少，能夠滿足實(shí)時(shí)處理需求。

2 實(shí)時(shí)車輛檢測(cè)算法

基于遷移學(xué)習(xí)的交通場(chǎng)景車輛實(shí)時(shí)檢測(cè)算法分為訓(xùn)練階段和檢測(cè)階段。訓(xùn)練階段基于遷移學(xué)習(xí)，首先使用在大規(guī)模數(shù)據(jù)集上預(yù)訓(xùn)練得到的分類模型初始化YOLOv2卷積神經(jīng)網(wǎng)絡(luò)，然后將車輛圖片數(shù)據(jù)及其標(biāo)注信息輸入卷積神經(jīng)網(wǎng)絡(luò)利用反向傳播對(duì)網(wǎng)絡(luò)參數(shù)進(jìn)行微調(diào)，從而得到最終的車輛檢測(cè)模型。檢測(cè)階段輸入待檢測(cè)交通場(chǎng)景圖片，通過訓(xùn)練階段得到的檢測(cè)模型計(jì)算其中包含的車輛位置及其類別概率，并輸出最終檢測(cè)到的車輛目標(biāo)信息。整個(gè)算法流程圖如圖1所示。

2.1 遷移學(xué)習(xí)簡(jiǎn)介

在深度學(xué)習(xí)領(lǐng)域，由于獲取并標(biāo)注足量的訓(xùn)練樣本用于從頭開始訓(xùn)練整個(gè)卷積網(wǎng)絡(luò)成本十分昂貴，因此實(shí)踐中通常應(yīng)用遷移學(xué)習(xí)的思想把已訓(xùn)練好的模型參數(shù)遷移到新的模型來幫助新模型訓(xùn)練。首先使用在開源的大規(guī)模數(shù)據(jù)集上預(yù)訓(xùn)練得到模型初始化卷積神經(jīng)網(wǎng)絡(luò)，然后使用特定場(chǎng)景的訓(xùn)練樣本對(duì)卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行微調(diào)，通過繼續(xù)反向傳播來優(yōu)化卷積神經(jīng)網(wǎng)絡(luò)參數(shù)，從而得到最終的深度學(xué)習(xí)模型。由于大部分?jǐn)?shù)據(jù)或任務(wù)是存在相關(guān)性的，所以通過遷移學(xué)習(xí)可以將已經(jīng)學(xué)到的模型參數(shù)分享給新模型從而加快并優(yōu)化模型的學(xué)習(xí)效率。

2.2 檢測(cè)模型訓(xùn)練

2.2.1 訓(xùn)練集構(gòu)建

訓(xùn)練集是遷移學(xué)習(xí)能否取得良好效果極為重要的因素。本文收集了大量交通場(chǎng)景下的車輛圖片，對(duì)圖片中車輛出現(xiàn)的位置進(jìn)行標(biāo)注。所收集的圖片包含白天、夜間等不同的關(guān)照條件，涵蓋晴天、雨雪天等不同的天氣環(huán)境，覆蓋目標(biāo)盡可能多的尺度和形狀變化，保證了訓(xùn)練樣本的多樣性。

2.2.2 初始候選框選取

本文統(tǒng)計(jì)了訓(xùn)練集中所有目標(biāo)標(biāo)注框的寬度和高度數(shù)據(jù)，通過k-means++算法對(duì)其進(jìn)行聚類，得到最能表征訓(xùn)練集中目標(biāo)寬高比信息的候選框尺度。表1所示為各個(gè)初始候選框的尺度，其中寬度比和高度比是初始候選框尺寸與檢測(cè)區(qū)域尺寸的比值。交通場(chǎng)景中車輛圖片正面和背面位置框近似為正方形且像素占比較小，側(cè)面位置框近似于長(zhǎng)方形且像素占比較大，與表1中初始候選框尺度數(shù)據(jù)一致。

2.3 車輛檢測(cè)

檢測(cè)階段流程圖如圖2所示，首先將需要車輛檢測(cè)的圖片縮放到416×416，并將其劃分為13×13的檢測(cè)區(qū)域，針對(duì)每個(gè)檢測(cè)區(qū)域預(yù)測(cè)得到5個(gè)目標(biāo)候選框，采用非極大值抑制剔除無(wú)效候選框，最終得到圖片中包含車輛目標(biāo)。

3 算法效果

3.1 運(yùn)行環(huán)境

本文算法運(yùn)行環(huán)境如：CPU：Inter Xeon CPU E5-2623；GPU：NVIDIA Geforce GTX1080Ti。

3.2 檢測(cè)指標(biāo)

測(cè)試數(shù)據(jù)集包含300張不同光照和天氣環(huán)境下的交通場(chǎng)景車輛圖片，在上述測(cè)試條件下，檢測(cè)算法每幀平均耗時(shí)15ms。

YOLOv2算法通過VOC數(shù)據(jù)集訓(xùn)練得到的檢測(cè)模型中包含車輛類型，并不適用于本文所述的交通場(chǎng)景，直接使用其檢測(cè)本文測(cè)試數(shù)據(jù)集，MAP僅為0.636；本文檢測(cè)模型達(dá)到的MAP為0.788，有較大提升。由此可見，針對(duì)具體應(yīng)用場(chǎng)景，在已有的深度學(xué)習(xí)檢測(cè)模型基礎(chǔ)上應(yīng)用遷移學(xué)習(xí)進(jìn)行微調(diào)可以較大程度提升檢測(cè)準(zhǔn)確率。

4 結(jié)語(yǔ)

相較于基于機(jī)器學(xué)習(xí)車輛檢測(cè)方法中的傳統(tǒng)特征，深度學(xué)習(xí)模擬人腦，自動(dòng)從圖像中提取深度特征，不僅避免了復(fù)雜的特征設(shè)計(jì)過程，而且具有強(qiáng)大的泛化能力。本文以深度學(xué)習(xí)實(shí)時(shí)檢測(cè)算法YOLOv2為基礎(chǔ)，通過遷移學(xué)習(xí)，利用了大規(guī)模數(shù)據(jù)集上預(yù)訓(xùn)練模型參數(shù)加快并優(yōu)化了車輛檢測(cè)模型的學(xué)習(xí)效率，將檢測(cè)MAP從0.636提高到0.788；同時(shí)該算法每幀平均檢測(cè)耗時(shí)15ms，滿足工程應(yīng)用實(shí)時(shí)性需求。

參考文獻(xiàn)

[1]Girshick R， Donahue J， Darrell T， et al. Rich Feature Hierarchies for Accurate Object Detection and Semantic Segmentation[C]. IEEE Conf. Computer Vision and Pattern Recognition， 2014， 580-587.

[2]Redmon J， Divvala S， Girshick R， et al. You Only Look Once： Unified， Real-Time Object Detection[C]. IEEE Conf. Computer Vision and Pattern Recognition， 2016， 779-788.

[3]Liu W， Anguelov D， Erhan D， et al. SSD： Single Shot MultiBox Detector[C]. 14th European Conference. European Conference on Computer Vision， 2016， 21-37.

[4]Redmon J， Farhadi A， YOLO9000： Better， Faster， Stronger[C]. IEEE Conf. Computer Vision and Pattern Recognition 2017， 6517-6525.