移動(dòng)GPU上基于輕量級(jí)卷積神經(jīng)網(wǎng)絡(luò)的道路擁堵檢測(cè)方法

全美娟,陳慶奎

(上海理工大學(xué) 光電信息與計(jì)算機(jī)工程學(xué)院,上海 200093)

1 引 言

隨著城市的發(fā)展,城市道路擁堵問(wèn)題已然變得十分嚴(yán)峻,一個(gè)強(qiáng)大的智能交通監(jiān)控系統(tǒng)對(duì)于每一個(gè)現(xiàn)代化城市而言都是非常必要的.其中,道路擁堵檢測(cè)技術(shù)在智能交通系統(tǒng)領(lǐng)域具有極其重要的地位.傳統(tǒng)的道路擁堵檢測(cè)技術(shù)會(huì)有破壞路面,安裝與維護(hù)難,成本高等缺點(diǎn).相反,通過(guò)交通監(jiān)控視頻處理技術(shù)[1-3]來(lái)進(jìn)行車輛密度檢測(cè)具有很大的優(yōu)勢(shì).近年來(lái)隨著深度學(xué)習(xí)在圖像處理等領(lǐng)域扮演著越來(lái)越重要的角色,已有研究人員想要在移動(dòng)設(shè)備上進(jìn)行深度學(xué)習(xí)框架的移植[4].但是,由于卷積神經(jīng)網(wǎng)絡(luò)模型龐大的計(jì)算量,導(dǎo)致移植程序在性能受限的移動(dòng)設(shè)備上難以取得較好的檢測(cè)效果.

伴隨深度學(xué)習(xí)技術(shù)的發(fā)展,當(dāng)前卷積神經(jīng)網(wǎng)絡(luò)技術(shù)的發(fā)展是趨向更深更復(fù)雜的結(jié)構(gòu)體系,以此來(lái)獲得更高的精度.雖然深層卷積網(wǎng)絡(luò)在NVIDIA GTX 1080等高配置GPU上能夠達(dá)到實(shí)時(shí)性的要求,但是在一些計(jì)算性能有限的移動(dòng)平臺(tái)上,很難達(dá)到實(shí)時(shí)要求.如何在計(jì)算性能受限的設(shè)備,尤其是小型嵌入式設(shè)備上進(jìn)行檢測(cè)仍是當(dāng)前研究的熱門(mén)方向.本文研究的主要方向是在功耗和計(jì)算性能受限的移動(dòng) GPU 平臺(tái)上實(shí)現(xiàn)基于車輛密度的道路擁堵檢測(cè),對(duì)于智能交通系統(tǒng)領(lǐng)域而言具有創(chuàng)新性和挑戰(zhàn)性.

本文基于Caffe框架,在移動(dòng)GPU上利用改進(jìn)的輕量化SqueezeNet網(wǎng)絡(luò)對(duì)城市道路路口視頻圖像進(jìn)行基于車輛密度的分類,并結(jié)合本文提出的道路擁堵判斷方法來(lái)實(shí)時(shí)判斷各車道的擁堵?tīng)顟B(tài).實(shí)驗(yàn)結(jié)果表明,改進(jìn)的SqueezeNet網(wǎng)絡(luò)可在保證較高準(zhǔn)確率的同時(shí)減少參數(shù)量,與擁堵?tīng)顟B(tài)判斷模型的結(jié)合能夠高效的實(shí)現(xiàn)道路擁堵檢測(cè)任務(wù).

2 相關(guān)工作

深度學(xué)習(xí)的概念由Hinton等人于2006年提出,并在計(jì)算機(jī)視覺(jué)、語(yǔ)音識(shí)別和自然語(yǔ)言處理中的許多問(wèn)題上有杰出的表現(xiàn).但是,深度學(xué)習(xí)模型的共同點(diǎn)是計(jì)算復(fù)雜度高,參數(shù)規(guī)模大,不能夠在性能受限的移動(dòng)設(shè)備上大規(guī)模應(yīng)用.因此,輕量化的網(wǎng)絡(luò)模型以及模型壓縮技術(shù)愈發(fā)受到開(kāi)發(fā)者的青睞.輕量化的網(wǎng)絡(luò)模型是通過(guò)設(shè)計(jì)淺層網(wǎng)絡(luò)來(lái)實(shí)現(xiàn)對(duì)深度學(xué)習(xí)模型識(shí)別效果的逼近,本質(zhì)上也是一種有效的模型壓縮思路.這些網(wǎng)絡(luò)模型的參數(shù)較少,層數(shù)不多,具有代表性的網(wǎng)絡(luò)有MobileNet、ShuffleNet、SqueezeNet.2016年,FN.Iandola[5]等人提出的SqueezeNet網(wǎng)絡(luò)模型通過(guò)將大量的3*3卷積核轉(zhuǎn)換為1*1卷積核以及減少3*3卷積核的通道數(shù),同時(shí)將一個(gè)卷積層分解為一個(gè)squeeze層和一個(gè)expend層,在大規(guī)模縮減參數(shù)規(guī)模的同時(shí)保持和AlexNet相當(dāng)?shù)臏?zhǔn)確度.2017年Google提出了一個(gè)針對(duì)移動(dòng)設(shè)備、嵌入式設(shè)備等的輕量化網(wǎng)絡(luò)模型MobileNet[6].MobileNet采用了大量的通道分組卷積層(Depthwise Separable Convolution)結(jié)構(gòu),分組卷積模塊的參數(shù)量比標(biāo)準(zhǔn)卷積縮小了約8-9倍,但對(duì)準(zhǔn)確率的影響甚小.

傳統(tǒng)針對(duì)道路擁堵檢測(cè)[7]來(lái)獲取諸多交通特征參數(shù)的方法有環(huán)形線圈法、雷達(dá)(微波)法、超聲波法等.但這些方法存在著很多缺點(diǎn),如環(huán)形線圈法安裝不方便,影響路面壽命,有較大的識(shí)別誤差.雷達(dá)(微波)法和超聲波法不能檢測(cè)靜止或低速行駛的車輛,檢測(cè)性能隨溫度和氣流影響而降低.而由于視頻監(jiān)控安裝簡(jiǎn)單,成本較低,導(dǎo)致開(kāi)發(fā)商對(duì)視頻處理的關(guān)注度持續(xù)上升.針對(duì)傳統(tǒng)道路擁堵檢測(cè)方法的弊端,結(jié)合基于深度學(xué)習(xí)視頻處理技術(shù)的優(yōu)勢(shì),本文提出了基于視頻處理技術(shù)的道路擁堵判斷方案.該方案能夠在提供較高判斷準(zhǔn)確率的前提下,減小安裝維護(hù)的成本,靈活性以及簡(jiǎn)便性較強(qiáng),為大量的推廣和普及提供了基礎(chǔ).

3 道路擁堵檢測(cè)方法

針對(duì)在移動(dòng)GPU上實(shí)現(xiàn)基于車輛密度的道路擁堵檢測(cè)問(wèn)題,由于移動(dòng)GPU的存儲(chǔ)容量較小以及計(jì)算性能有限等特點(diǎn),我們對(duì)輕量化SqueezeNet1.1網(wǎng)絡(luò)進(jìn)行改進(jìn),并實(shí)現(xiàn)在移動(dòng)GPU上進(jìn)行圖像分類模型的訓(xùn)練.結(jié)合該分類模型檢測(cè)出的各車道在各時(shí)刻的車輛密度分類狀態(tài)序列和本文提出的道路擁堵判斷模型來(lái)實(shí)時(shí)判斷各車道的擁堵?tīng)顟B(tài).

3.1 檢測(cè)方法框架

本文利用改進(jìn)的輕量化SqueezeNet網(wǎng)絡(luò)進(jìn)行基于車輛密度的圖像分類模型訓(xùn)練,并用該分類模型對(duì)視頻進(jìn)行檢測(cè).為減小移動(dòng)GPU的計(jì)算壓力,我們采用間隔采樣(如間隔1秒)的方法提取視頻幀進(jìn)行檢測(cè),并記錄各車道在各時(shí)刻的車輛密度分類狀態(tài)序列.結(jié)合分類狀態(tài)時(shí)間序列分析判斷各車道當(dāng)前時(shí)刻是否擁堵.整體檢測(cè)方法流程圖見(jiàn)圖1.

圖1 檢測(cè)方法流程圖Fig.1 Flow chart of detection method

3.2 模型訓(xùn)練

雖然使用更深、更復(fù)雜的卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)能夠獲得更高的檢測(cè)精度,但是其龐大的參數(shù)量以及計(jì)算量使其對(duì)部署設(shè)備的GPU性能有著嚴(yán)格的要求.針對(duì)移動(dòng)GPU環(huán)境而言,網(wǎng)絡(luò)模型的輕量化工作無(wú)疑是必須.輕量化的網(wǎng)絡(luò)模型需要考慮模型的存儲(chǔ)問(wèn)題和模型預(yù)測(cè)的效率問(wèn)題.在眾多網(wǎng)絡(luò)模型中,輕量化的SqueezeNet能夠在大規(guī)模縮減參數(shù)規(guī)模的同時(shí)保持和AlexNet相當(dāng)?shù)臏?zhǔn)確度.因此,本文在SqueezeNet1.1網(wǎng)絡(luò)的基礎(chǔ)上進(jìn)行參數(shù)的優(yōu)化、網(wǎng)絡(luò)結(jié)構(gòu)的調(diào)整,使網(wǎng)絡(luò)模型參數(shù)量減少的同時(shí)保證了分類檢測(cè)的準(zhǔn)確度,得到較好的性能.

3.2.1 模型結(jié)構(gòu)

改進(jìn)的輕量化SqueezeNet網(wǎng)絡(luò)的網(wǎng)絡(luò)結(jié)構(gòu)見(jiàn)圖2.該網(wǎng)絡(luò)可在不損失分類檢測(cè)準(zhǔn)確度的同時(shí)將模型大小壓縮至AlexNet網(wǎng)絡(luò)模型大小的0.023倍,其模型大小只有2.78MB左右.本文的改進(jìn)策略有如下2點(diǎn):

1)相比SqueezeNet1.1而言,減少部分上層的num_output數(shù),即減小輸入到下層的通道數(shù)

2)為保留更多的信息,在SqueezeNet1.1基礎(chǔ)上,我們調(diào)整網(wǎng)絡(luò)結(jié)構(gòu),置后池化層位置,從而獲得更高的精度

3.2.2 Fire Module模塊

SqueezeNet的核心模塊為Fire Module模塊[8]見(jiàn)圖3,類似于Inception網(wǎng)絡(luò)結(jié)構(gòu)單元.Fire Module模塊由兩層構(gòu)成,分別為squeeze層和expand層,同時(shí)各自還連接了一個(gè)ReLU激活層.squeeze層只包含1*1的卷積核,其數(shù)量為s1,expand層包含1*1的卷積核和3*3的卷積核,其中1*1卷積核的數(shù)量為e1,3*3卷積核的數(shù)量為e3,并且s1

3.2.3 池化操作

由于參數(shù)量以及計(jì)算量巨大,通常在網(wǎng)絡(luò)結(jié)構(gòu)的卷積層之間加上pooling池化層.這不僅可以減少參數(shù)、防止過(guò)擬合、提高模型性能,還可以提升整體的檢測(cè)精度.為最大化的保持原圖特征,通過(guò)調(diào)整網(wǎng)絡(luò)結(jié)構(gòu),改變池化層的位置來(lái)改進(jìn)SqueezeNet網(wǎng)絡(luò)結(jié)構(gòu),從而獲得更高的精度.本文采用max-pooling的池化操作來(lái)對(duì)數(shù)據(jù)進(jìn)行降采樣.當(dāng)卷積層的輸出大小為4*4,池化層過(guò)濾器filter大小為2*2,步長(zhǎng)stride為2,那么經(jīng)過(guò)池化層處理后,輸出數(shù)據(jù)的大小為2*2,驟減到池化操作前的1/4.經(jīng)池化操作后輸出的特征圖大小計(jì)算公式如公式(1):

(1)

圖2 SqueezeNet網(wǎng)絡(luò)結(jié)構(gòu)對(duì)比圖Fig.2 SqueezeNet network structure contrast diagram

3.2.4 車輛密度分類

本文在基于車輛密度的基礎(chǔ)上利用卷積神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)圖像分類[9-11].圖像分類檢測(cè)的主要流程見(jiàn)圖4,主要任務(wù)是對(duì)路口各車道在各時(shí)刻車輛密度進(jìn)行分類檢測(cè).

對(duì)于上海市某段包括右轉(zhuǎn)車道、直行車道、左轉(zhuǎn)車道的路口,我們根據(jù)各車道車輛密度的多少制定出8類標(biāo)簽,見(jiàn)圖5.若當(dāng)前車道的密度大,車輛鋪滿整個(gè)車道,則標(biāo)記為多;若當(dāng)前車道的密度低,車輛沒(méi)有鋪滿整個(gè)車道,道路后方路面未被遮擋區(qū)域較多,則標(biāo)記為少.

3.2.5 道路擁堵判斷模型

已有研究人員利用視頻前后幀圖像相似度的方法來(lái)判斷道路是否擁堵.對(duì)于光照變化、車輛款式相同以及車輛等待綠燈等情況造成的影響,利用圖像相似度來(lái)檢測(cè)道路是否擁堵的方法會(huì)造成很大的誤差.此外,根據(jù)車道車輛狀態(tài)序列的狀態(tài)持續(xù)時(shí)長(zhǎng)來(lái)判斷這段時(shí)間內(nèi)車道是否擁堵的方法存在很多弊端.例如,若這段時(shí)間內(nèi)某些時(shí)刻的狀態(tài)檢測(cè)有誤,則狀態(tài)序列片段中會(huì)出現(xiàn)噪聲,從而影響擁堵判斷的準(zhǔn)確率.記車道的狀態(tài)序列為S={s1,s2,s3,s4,…,sk}(k為視頻中的時(shí)刻),S可以分割為一個(gè)個(gè)序列片段,則車道的狀態(tài)序列可表示為S={N1,N2,N3,N4,…,Nf}(f為序列片段數(shù)).其中某一狀態(tài)序列片段集Ni={sm,sm+1,…,sn}的狀態(tài)均為多,且持續(xù)時(shí)間大于閾值,則認(rèn)為該車道在這段時(shí)間內(nèi)是擁堵的.如果這個(gè)片段Ni中出現(xiàn)噪聲,干擾了狀態(tài)序列片段Ni,那么該車道在這段時(shí)間內(nèi)會(huì)被誤判為不堵.

圖3 Fire module模塊單元Fig.3 Fire module unit

據(jù)此,本文結(jié)合分類狀態(tài)時(shí)間序列提出了一種新穎的道路車道擁堵判斷方法.通過(guò)在紅綠燈信號(hào)周期的基礎(chǔ)上進(jìn)行時(shí)間序列的分析可將車輛的運(yùn)動(dòng)和靜止?fàn)顟B(tài)有效的區(qū)分開(kāi).連續(xù)的“紅—綠”時(shí)間段稱為一個(gè)信號(hào)周期T(本文忽略黃燈,將黃燈顯示時(shí)間并入綠燈時(shí)間),而各個(gè)路口的紅綠燈信號(hào)周期T雖各不相同,但已知.一個(gè)信號(hào)周期T可以分別對(duì)不同方向的交通流分配不同的相位,對(duì)于實(shí)驗(yàn)中的上海市某段路口,紅綠燈信號(hào)周期T由三個(gè)相位組成,相互獨(dú)立,各個(gè)相位周期性交替獲得綠燈顯示,見(jiàn)圖6.

圖6 相位圖Fig.6 Phase map

路口的右轉(zhuǎn)車道、直行車道以及左轉(zhuǎn)車道的燈色顯示都遵循紅綠燈信號(hào)周期T,循環(huán)顯示“紅—綠”狀態(tài).對(duì)于各車道來(lái)說(shuō),我們已經(jīng)利用圖像分類模型檢測(cè)出各時(shí)刻各車道車輛密度的分類狀態(tài),得到基于車輛密度分類的狀態(tài)序列,然后在基于紅綠燈信號(hào)周期的擁堵?tīng)顟B(tài)判斷模型上,結(jié)合歷史分類狀態(tài)時(shí)間序列和當(dāng)前分類狀態(tài)來(lái)判斷當(dāng)前時(shí)刻各車道是否擁堵.

根據(jù)本文的判斷方法,若當(dāng)前t時(shí)刻,直行車道的車輛處于靜止?fàn)顟B(tài),1個(gè)信號(hào)周期前的t-T時(shí)刻和2個(gè)信號(hào)周期前的t-2T時(shí)刻的車輛必然處于靜止?fàn)顟B(tài),反之,當(dāng)t時(shí)刻車輛處于運(yùn)動(dòng)狀態(tài),1個(gè)信號(hào)周期前的t-T時(shí)刻和2個(gè)信號(hào)周期前的t-2T時(shí)刻的車輛也必然處于運(yùn)動(dòng)狀態(tài).此方法可以有效的將各時(shí)刻道路上車輛運(yùn)動(dòng)和靜止?fàn)顟B(tài)區(qū)分開(kāi),如圖7所示.依據(jù){…,t-2T,t-T,t}連續(xù)n個(gè)周期時(shí)刻直行車道車輛的狀態(tài){…,st-2T,st-T,st}均為多,即經(jīng)過(guò)連續(xù)n個(gè)周期時(shí)間,車輛多的狀態(tài)仍沒(méi)得到緩解,則說(shuō)明存在很多車輛的堆積.顯然當(dāng)前t時(shí)刻的直行車道是擁堵的,因此我們可判斷出當(dāng)前t時(shí)刻的直行車道是擁堵的.

圖7 各車道基于信號(hào)周期的時(shí)間序列Fig.7 Time series of lanes based on signal period

我們將本文提出的擁堵判斷方法封裝為擁堵?tīng)顟B(tài)判斷模型,建立如下的數(shù)學(xué)模型:

A(T,t,n)={Pn(t-nT),…,P2(t-2T),P1(t-T)}

(2)

E=G(P,A,t,T,n)n∈{1,2,…}

(3)

其中t表示當(dāng)前時(shí)刻,T表示信號(hào)周期的時(shí)間,n為正整數(shù)表示信號(hào)周期的數(shù)目,圖8為n=2時(shí)的擁堵?tīng)顟B(tài)判斷模型,A表示早期的時(shí)間狀態(tài)序列集,P(t)=[SL,SM,SR]表示t時(shí)刻各車道的狀態(tài)序列數(shù)組,L、M以及R分別表示左轉(zhuǎn)車道、直行車道以及右轉(zhuǎn)車道,G為本文的擁堵?tīng)顟B(tài)判斷模型,E(t)=[OL,OM,OR]表示t時(shí)刻各車道擁堵與否的狀態(tài)序列數(shù)組.

圖8 擁堵?tīng)顟B(tài)判斷模型Fig.8 Congestion state judgment model

本文所提出的擁堵判斷方法能夠判斷出當(dāng)前時(shí)刻各車道是否擁堵,將車輛的運(yùn)動(dòng)狀態(tài)和靜止?fàn)顟B(tài)有效的區(qū)分開(kāi).通過(guò)控制n的取值,在一定程度上可以預(yù)測(cè)當(dāng)前時(shí)刻的車道上是否有異常事件的發(fā)生,如上下班的高峰,車禍?zhǔn)录?

我們給出本文單車道擁堵判斷算法的部分偽代碼:

Algorithmofcongestiondetectioninsinglelane

IF Signal period is not null

THEN Read T from Signal period

ELSE

T=120

END IF

Get the current time t from the video

Input State Sequence ArraySM=[{si}]

IFt

CONTINUE

ELSE IFst=st-T=st-2T=…=st-nT="numerous"

THEN the current time lane is congested

ELSE the current time lane is not congested

END IF

Output the Congestion Sequence Array

4 實(shí)驗(yàn)及分析

本文實(shí)驗(yàn)的硬件環(huán)境如下:移動(dòng)處理器Tegra K1搭載NVIDIA 4-加-1(4-Plus-1TM)四核ARM?CortexTM-A15的CPU,以及包含192個(gè)NVIDIA CUDA?核心的NVIDIA KeplerTMGPU,8GB的內(nèi)存容量,2.3GHz的時(shí)鐘頻率.開(kāi)發(fā)環(huán)境如下:配置OpenCV圖像處理庫(kù),CUDA-6.5并行計(jì)算庫(kù),并搭載對(duì)應(yīng)版本的cudnn-6.5-linux-ARMv7-v2并行加速庫(kù)以及cudnnv2版本對(duì)應(yīng)的Caffe框架.實(shí)驗(yàn)所采用的數(shù)據(jù)集均采集于上海市某路口不同時(shí)間段的交通視頻.

4.1 訓(xùn)練過(guò)程

根據(jù)采集的道路交通視頻,利用工具提取視頻幀圖片作為數(shù)據(jù)集.其中153858張圖片作為訓(xùn)練數(shù)據(jù)集,85650張圖片作為測(cè)試集.該路口有右轉(zhuǎn)車道、直行車道、左轉(zhuǎn)車道,根據(jù)分類規(guī)則對(duì)每張圖片進(jìn)行分類標(biāo)記.

在Caffe框架下,利用訓(xùn)練數(shù)據(jù)集對(duì)改進(jìn)的SqueezeNet網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練.訓(xùn)練過(guò)程中,使用poly的學(xué)習(xí)策略,初始學(xué)習(xí)率base_lr設(shè)置為0.002,最大迭代次數(shù)max_iter設(shè)置為29000次,學(xué)習(xí)率依照l(shuí)earning_rate(1-iter/max_iter) ^(power)不斷進(jìn)行變化,為了防止過(guò)擬合,權(quán)重衰減系數(shù)weight_decay設(shè)置為0.0005.

4.2 模型運(yùn)行時(shí)間

傳統(tǒng)AlexNet網(wǎng)絡(luò)模型的網(wǎng)絡(luò)結(jié)構(gòu)比較簡(jiǎn)單,卷積層數(shù)為5.SqueezeNet的網(wǎng)絡(luò)結(jié)構(gòu)稍微復(fù)雜一點(diǎn),卷積層數(shù)為26層,是AlexNet的5倍以上.通過(guò)在低端的移動(dòng)GPU TegraK1上測(cè)試模型50次迭代的總運(yùn)行時(shí)間(見(jiàn)圖9),AlexNet網(wǎng)絡(luò)的測(cè)試結(jié)果為6531.77 ms,SqueezeNet1.1網(wǎng)絡(luò)的測(cè)試結(jié)果為8933.26 ms,本文改進(jìn)的SqueezeNet網(wǎng)絡(luò)的測(cè)試結(jié)果為8612.26 ms.通過(guò)比較,在卷積層數(shù)增加了5倍左右的情況下,本文改進(jìn)的SqueezeNet網(wǎng)絡(luò)50次迭代的總運(yùn)行時(shí)間較AlexNet網(wǎng)絡(luò)的總運(yùn)行時(shí)間只增加了32%左右.對(duì)比SqueezeNet1.1網(wǎng)絡(luò)50次迭代的總運(yùn)行時(shí)間,本文改進(jìn)的SqueezeNet網(wǎng)絡(luò)50次迭代的總運(yùn)行時(shí)間縮短了3.59%.

圖9 模型運(yùn)行時(shí)間對(duì)比圖Fig.9 Model runtime contrast diagram

4.3 模型大小及參數(shù)量

4.3.1 模型大小

由于移動(dòng)GPU的計(jì)算性能有限,存儲(chǔ)容量較小,在此平臺(tái)上部署網(wǎng)絡(luò)模型需要控制模型規(guī)模.而本文改進(jìn)的SqueezeNet模型大小為2850KB,與傳統(tǒng)AlexNet模型相比縮小了43倍(見(jiàn)表1),滿足在移動(dòng)GPU上的部署需求.

表1 改進(jìn)的SqueezeNet模型與傳統(tǒng)AlexNet模型對(duì)比
Table 1 Comparing the improved SqueezeNet model with the traditional AlexNet model

網(wǎng)絡(luò)結(jié)構(gòu)模型大小與Alext對(duì)比模型大小的減少AlexNet123950KB1xSqueezeNet2850KB43x

4.3.2 參數(shù)量

通過(guò)統(tǒng)計(jì),傳統(tǒng)AlexNet網(wǎng)絡(luò)模型所包含的參數(shù)量(如表2)達(dá)到了3745824,SqueezeNet1.1網(wǎng)絡(luò)模型的參數(shù)量為723136.文改進(jìn)的SqueezeNet網(wǎng)絡(luò)模型的參數(shù)量縮減到了544416,與傳統(tǒng)AlexNet網(wǎng)絡(luò)模型相比縮小了6.9倍,比SqueezeNet1.1網(wǎng)絡(luò)模型減少了1/4,實(shí)現(xiàn)了網(wǎng)絡(luò)模型的輕量化,為在移動(dòng)GPU上的部署奠定了基礎(chǔ).

表2 模型參數(shù)量
Table 2 Model parameters

模型輸入大小輸出大小總參數(shù)量AlexNet119*159*37*9*2563745824SqueezeNet1.1119*159*37*9*7723136ours119*159*37*9*7544416

4.4 準(zhǔn)確率分析

4.4.1 模型準(zhǔn)確率分析

為了驗(yàn)證本文改進(jìn)后網(wǎng)絡(luò)模型的檢測(cè)準(zhǔn)確度以及改進(jìn)效果,使用測(cè)試集對(duì)訓(xùn)練出的模型與SqueezeNet1.1網(wǎng)絡(luò)模型進(jìn)行8類道路路況的準(zhǔn)確度驗(yàn)證,測(cè)試結(jié)果如圖10所示.

圖10 SqueezeNet1.1與改進(jìn)的SqueezeNet模型測(cè)試正確率對(duì)比Fig.10 Comparison of squeezeNet 1.1 and improved squeezeNet model test accuracy

實(shí)驗(yàn)結(jié)果表明,改進(jìn)的網(wǎng)絡(luò)模型在減少了參數(shù)量的同時(shí),其檢測(cè)準(zhǔn)確率并未下降.對(duì)8類道路路況檢測(cè)簡(jiǎn)易程度的各不相同,導(dǎo)致實(shí)驗(yàn)中各類別道路路況檢測(cè)準(zhǔn)確率不同.例如上圖中類別1,對(duì)應(yīng)各車道為少少少的路況,針對(duì)這種稀疏的對(duì)象檢測(cè),卷積神經(jīng)網(wǎng)絡(luò)能夠提供極高的準(zhǔn)確率,因此本文模型對(duì)其檢測(cè)的準(zhǔn)確率達(dá)到98%以上是合理的.但是數(shù)據(jù)樣本的不均衡也會(huì)對(duì)8類道路路況檢測(cè)準(zhǔn)確率產(chǎn)生一定程度的影響.

4.4.2 道路擁堵判斷準(zhǔn)確率分析

根據(jù)采集的上海市某路口的交通視頻,分別對(duì)時(shí)間段為06:00-09:00、11:00-14:00、16:00-19:00、21:00-24:00的視頻進(jìn)行逐秒標(biāo)注擁堵?tīng)顟B(tài).

為了驗(yàn)證本文提出的道路擁堵判斷模型對(duì)各車道擁堵判斷的準(zhǔn)確率,我們提出了擁堵?tīng)顟B(tài)判斷的評(píng)價(jià)指標(biāo).首先統(tǒng)計(jì)多段視頻中(本文間隔1秒采樣視頻幀圖片)各車道的擁堵?tīng)顟B(tài)序列,記為Eorigin=[EL,EM,ER].然后利用本文的擁堵?tīng)顟B(tài)判斷模型判斷得到各車道的擁堵?tīng)顟B(tài)序列,記為Etest=[EL,EM,ER].再對(duì)狀態(tài)序列Eorigin和狀態(tài)序列Etest進(jìn)行逐一匹配,若狀態(tài)相同則檢測(cè)正確,反之檢測(cè)錯(cuò)誤,得到匹配序列V=[VL,VM,VR].最后統(tǒng)計(jì)匹配序列V中各車道檢測(cè)正確的長(zhǎng)度,記為length(V1),則各車道擁堵判斷準(zhǔn)確率的評(píng)價(jià)指標(biāo)為:

(4)

本文針對(duì)在擁堵?tīng)顟B(tài)判斷模型中正整數(shù)n取值的不同,分別對(duì)各車道在不同時(shí)間段的2段視頻進(jìn)行實(shí)驗(yàn),得到信號(hào)周期數(shù)目n對(duì)各車道道路擁堵檢測(cè)結(jié)果的影響.

表3 不同n值下右轉(zhuǎn)車道的擁堵檢測(cè)準(zhǔn)確率
Table 3 Accuracy of congestion detection in right-turn lanes with differentnvalues

實(shí)驗(yàn)序號(hào)視頻數(shù)時(shí)間段n=1n=2n=3n=41206:00-09:0081.6%95.7%88.7%74.2%2211:00-14:0084.7%89.2%79.6%72.4%3216:00-19:0089.8%88.6%89.3%77.3%4221:00-24:0086.5%93.7%88.3%80.7%

表3的幾組實(shí)驗(yàn)為不同信號(hào)周期數(shù)目的情況下右轉(zhuǎn)車道在06:00-09:00、11:00-14:00、16:00-19:00、21:00-24:00時(shí)間段里的擁堵檢測(cè)準(zhǔn)確率.實(shí)驗(yàn)1、2以及4的情況下,n取值為2時(shí),實(shí)驗(yàn)3中n為1時(shí)準(zhǔn)確率最高比n為2時(shí)的準(zhǔn)確率僅高1.2%.表4及表5分別為各時(shí)間段里不同n值下直行車道以及左轉(zhuǎn)車道的道路擁堵檢測(cè)準(zhǔn)確率,當(dāng)信號(hào)周期數(shù)目n取2時(shí),擁堵的檢測(cè)準(zhǔn)確率最高.

表4 不同n值下直行車道的擁堵檢測(cè)準(zhǔn)確率
Table 4 Accuracy of congestion detection in straight lanes with differentnvalues

實(shí)驗(yàn)序號(hào)視頻數(shù)時(shí)間段n=1n=2n=3n=41206:00-09:0087.3%90.7%84.6%79.2%2211:00-14:0085.7%88.6%87.6%72.4%3216:00-19:0079.8%89.2%77.2%76.3%4221:00-24:0084.4%88.5%80.8%78.3%

從不同n取值情況下各車道擁堵檢測(cè)準(zhǔn)確率的整體結(jié)果觀測(cè)來(lái)看,當(dāng)信號(hào)周期數(shù)目n取2時(shí),道路擁堵的檢測(cè)準(zhǔn)確率最高,因此后續(xù)實(shí)驗(yàn)中n的取值設(shè)為2.

在信號(hào)周期數(shù)目n取值為2的情況下,分別對(duì)06:00-09:00、11:00-14:00、16:00-19:00以及21:00-24:00時(shí)間段的5個(gè)視頻進(jìn)行準(zhǔn)確率的檢測(cè)實(shí)驗(yàn),最終檢測(cè)結(jié)果取其平均值,各車道擁堵檢測(cè)準(zhǔn)確率的結(jié)果見(jiàn)表6.縱觀實(shí)驗(yàn)數(shù)據(jù),本文的道路擁堵判斷模型對(duì)各車道道路擁堵判斷的準(zhǔn)確率均高于85%.

表5 不同n值下左轉(zhuǎn)車道的擁堵檢測(cè)準(zhǔn)確率
Table 5 Accuracy of congestion detection in left-turn lanes with differentnvalues

實(shí)驗(yàn)序號(hào)視頻數(shù)時(shí)間段n=1n=2n=3n=41206:00-09:0086.8%93.5%84.6%79.2%2211:00-14:0089.1%91.6%89.7%71.5%3216:00-19:0083.2%87.7%87.2%77.3%4221:00-24:0085.7%89.3%88.6%80.8%

表6 各車道的擁堵檢測(cè)準(zhǔn)確率
Table 6 Accuracy of congestion detection in each lane

實(shí)驗(yàn)序號(hào)視頻數(shù)時(shí)間段右轉(zhuǎn)車道直行車道左轉(zhuǎn)車道1506:00-09:0095.2%89.7%94.3%2511:00-14:0088.7%89.6%92.4%3516:00-19:0089.8%87.2%86.3%4521:00-24:0094.4%88.3%86.8%

5 結(jié) 語(yǔ)

針對(duì)移動(dòng)GPU的道路擁堵檢測(cè)問(wèn)題,本文利用改進(jìn)的深度學(xué)習(xí)網(wǎng)絡(luò)SqueezeNet實(shí)現(xiàn)了基于車輛密度的分類檢測(cè)模型.通過(guò)與傳統(tǒng)的深度學(xué)習(xí)網(wǎng)絡(luò)模型進(jìn)行對(duì)比,驗(yàn)證了本文對(duì)SqueezeNet改進(jìn)的有效性,在保持較高準(zhǔn)確率的情況下實(shí)現(xiàn)網(wǎng)絡(luò)模型輕量化.結(jié)合基于紅綠燈信號(hào)周期的擁堵?tīng)顟B(tài)判斷模型可減少因車輛等待綠燈而被誤判的影響,高效率的實(shí)現(xiàn)了在移動(dòng)GPU上判斷各車道實(shí)時(shí)擁堵?tīng)顟B(tài)的任務(wù),這對(duì)智能交通系統(tǒng)領(lǐng)域而言具有重要意義.本文下一步研究的重點(diǎn)是結(jié)合新型的MobileNet等網(wǎng)絡(luò)模型,進(jìn)一步提高基于車輛密度的分類檢測(cè)模型的準(zhǔn)確率以及降低模型的規(guī)模和占用空間,使其適用于性能更低的移動(dòng)平臺(tái).