基于嵌入式GPU的車流量檢測系統(tǒng)

儲(chǔ)澤楠 韓毅 宋倍倍

摘 要：交通擁堵是當(dāng)今世界交通領(lǐng)域面臨的主要問題之一，如何通過現(xiàn)有的交通設(shè)備獲取更加精準(zhǔn)的交通信息是亟待解決的問題。圖像識(shí)別技術(shù)在智能交通系統(tǒng)中有著廣泛的應(yīng)用，基于深度學(xué)習(xí)的車流量檢測技術(shù)是智能交通的重要組成部分。本項(xiàng)目設(shè)計(jì)了一個(gè)基于嵌入式GPU的智能車流量檢測系統(tǒng)，該系統(tǒng)架設(shè)在NVIDIA JetsonTX2平臺(tái)上，采用基于深度學(xué)習(xí)YOLO v3的車輛檢測模型，檢測道路上的車輛目標(biāo)，設(shè)置興趣區(qū)域，對檢測到的目標(biāo)進(jìn)行識(shí)別計(jì)數(shù)，實(shí)現(xiàn)對交通視頻的實(shí)時(shí)車流量檢測。試驗(yàn)驗(yàn)證分析表明，該系統(tǒng)具有較高的檢測精度。

關(guān)鍵詞：深度學(xué)習(xí);車流量檢測;YOLO;Jetson TX2

中圖分類號(hào)：TP391.41文獻(xiàn)標(biāo)識(shí)碼：A文章編號(hào)：1003-5168（2020）05-0029-03

Abstract： Traffic congestion is one of the main problems in the world's transportation field， how to obtain more accurate traffic information through existing transportation equipment is an urgent problem. Image recognition technology has been widely used in intelligent transportation systems， vehicle flow detection technology based on deep learning is an important part of intelligent transportation. This project designed an intelligent vehicle flow detection system based on embedded GPU， which was built on the NVIDIA JetsonTX2 platform， used a YOLO v3 vehicle detection model based on deep learning to detect vehicle targets on the road， set areas of interest， identify and count the detected targets， and realize real-time traffic flow detection on traffic videos. Test verification analysis shows that the system has high detection accuracy.

Keywords： deep learning;vehicle flow detection;YOLO;Jetson TX2

隨著國民經(jīng)濟(jì)的發(fā)展，交通擁堵、道路安全事故頻發(fā)已經(jīng)成為我國各大城市面臨的嚴(yán)峻問題。為了有效地了解城市交通狀況，解決交通堵塞、交通事故等突發(fā)性狀況，美國、德國、英國等發(fā)達(dá)國家紛紛開始開發(fā)智能交通系統(tǒng)（ITS）[1]。ITS是將車載導(dǎo)航[2]、交通信號(hào)燈控制系統(tǒng)[3]和車輛車牌自動(dòng)識(shí)別系統(tǒng)[4]等許多先進(jìn)的交通技術(shù)集成到交通管理和控制系統(tǒng)中的一種方法。車流量檢測是智能交通系統(tǒng)的關(guān)鍵技術(shù)，光流法（Optical Flow）、背景減除法（Background Subtraction）、邊緣檢測法（Edge detection）和運(yùn)動(dòng)矢量檢測法（Measurement of Motion Vector）是常見的幾種基于視頻的車輛檢測方法[5-6]。

傳統(tǒng)的車輛檢測算法在檢測的實(shí)時(shí)性、準(zhǔn)確性和可靠性上有著一定的技術(shù)痛點(diǎn)，已經(jīng)不能完全滿足智能交通系統(tǒng)實(shí)時(shí)性的要求，人們急需研發(fā)更高效、更可靠、實(shí)時(shí)性好、準(zhǔn)確性高的車輛檢測算法。

近年來，隨著人工智能技術(shù)和圖像識(shí)別技術(shù)的發(fā)展，采用機(jī)器學(xué)習(xí)方案來識(shí)別車輛通過監(jiān)控屏幕的情況已經(jīng)成為一個(gè)新的技術(shù)熱點(diǎn)。深度學(xué)習(xí)是一種特殊的機(jī)器學(xué)習(xí)方法，其在目標(biāo)檢測方面比傳統(tǒng)的檢測方法與淺層機(jī)器學(xué)習(xí)模型有著更高的準(zhǔn)確率與更好的檢測結(jié)果，它通過應(yīng)用深度卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行大量的有監(jiān)督訓(xùn)練來獲取圖像中的車輛特征，從而檢測出車輛[7]。本研究使用YOLO v3作為系統(tǒng)的影像識(shí)別基礎(chǔ)，在視頻中設(shè)置虛擬的興趣區(qū)域及標(biāo)記出興趣區(qū)域中的車輛，以達(dá)到車輛計(jì)數(shù)的目的。試驗(yàn)表明，該系統(tǒng)可以達(dá)到較高的計(jì)數(shù)精度。

一個(gè)完整的車流量檢測系統(tǒng)由交通視頻采集、車流量檢測算法及檢測結(jié)果輸出三部分組成。傳統(tǒng)的通用計(jì)算機(jī)存在成本高、易死機(jī)、體積大等缺點(diǎn)，本系統(tǒng)采用NVIDIA公司出品的Jetson TX2作為高性能嵌入式GPU開發(fā)平臺(tái)，采用CPU+GPU的協(xié)同處理模式，實(shí)現(xiàn)目標(biāo)對象檢測。

1 系統(tǒng)設(shè)計(jì)目標(biāo)

一是實(shí)時(shí)計(jì)數(shù)，要構(gòu)建一個(gè)具有魯棒性的車流量計(jì)數(shù)系統(tǒng)，實(shí)現(xiàn)車輛實(shí)時(shí)計(jì)數(shù)。二是多目標(biāo)感知。為了準(zhǔn)確計(jì)算交通流量，車流量計(jì)數(shù)系統(tǒng)需要具備同時(shí)感知多個(gè)目標(biāo)的處理能力。三是目標(biāo)分類，在真實(shí)交通場景中，攝像頭會(huì)獲取多個(gè)類型的對象。因此，車輛計(jì)數(shù)系統(tǒng)需要從多種類型的移動(dòng)目標(biāo)中提取到各種類型車輛。

2 系統(tǒng)模型結(jié)構(gòu)

如圖1所示，該系統(tǒng)主要包括三個(gè)功能模塊，一是車輛檢測器，二是車輛坐標(biāo)緩沖器，三是車輛計(jì)數(shù)器。筆者將攝像頭或視頻圖像作為數(shù)據(jù)來源，先對視頻進(jìn)行預(yù)處理，然后檢測器將處理過后的數(shù)據(jù)作為車輛坐標(biāo)緩沖器的輸入內(nèi)容，最后車輛計(jì)數(shù)器將處理緩沖器中的數(shù)據(jù)，并輸出車流量計(jì)數(shù)的結(jié)果。下面對該流程做詳細(xì)的講解。

2.1 車輛檢測器

本系統(tǒng)采用YOLO v3模型作為車輛檢測算法，YOLO是一個(gè)快速、準(zhǔn)確的目標(biāo)探測器。它包含公開可用的數(shù)據(jù)集Pascalvoc2007，其中包含數(shù)百萬個(gè)自然圖像，可以使用訓(xùn)練數(shù)據(jù)集訓(xùn)練的權(quán)重識(shí)別80個(gè)類別。對于車流量檢測系統(tǒng)來說，只需要檢測汽車、公共汽車和卡車三種類別的目標(biāo)。因此，對原有的YOLO代碼做了修改，只輸出上述三類對象識(shí)別，并屏蔽掉屏幕上的其他移動(dòng)對象。

2.2 車輛坐標(biāo)緩沖器

YOLO v3模型采用矩形框標(biāo)記出檢測到的車輛，車輛標(biāo)記的矩形框位置用一個(gè)元組（x，y，w，h）來進(jìn)行表示。其中，（x，y）表示矩形框左上方點(diǎn)的坐標(biāo)，w，h分別表示矩形框的橫向長度和縱向長度。因此，通過計(jì)算可知，標(biāo)記車輛的質(zhì)心位置坐標(biāo)為（x+w/2，y+h/2）。

2.3 車輛計(jì)數(shù)器

由于YOLO采用的是“端對端”的訓(xùn)練方法，因此對當(dāng)前畫面進(jìn)行處理之后將返回?cái)?shù)據(jù)進(jìn)行處理，視每一個(gè)預(yù)選區(qū)域?yàn)閱为?dú)個(gè)體，在該個(gè)體的矩形框上標(biāo)記其序號(hào)，并將其加入列表中，同時(shí)根據(jù)質(zhì)心追蹤算法確保其從進(jìn)入興趣區(qū)域到離開興趣區(qū)域都被標(biāo)記，存放標(biāo)記個(gè)體的列表根據(jù)檢測實(shí)時(shí)變化，從而獲取到車輛數(shù)，如圖2所示。

3 算法移植

如圖3所示，本系統(tǒng)采用英偉達(dá)公司出品的Jetson TX2作為檢測系統(tǒng)的嵌入式平臺(tái)，該嵌入式平臺(tái)采用256核心的NVIDIA Pascal GPU架構(gòu)，擁有256核心NVIDIA Pascal GPU，完全支持所有現(xiàn)代圖形API（Application Programming Interface），統(tǒng)一著色器實(shí)現(xiàn)圖像渲染并支持GPU計(jì)算。GPU支持與分立NVIDIA GPU相同的所有功能，涵蓋廣泛的計(jì)算API和包括CUDA在內(nèi)的計(jì)算庫。兩個(gè)CPU集群通過NVIDIA設(shè)計(jì)的高性能相干互連結(jié)構(gòu)連接;支持兩個(gè)CPU集群同時(shí)運(yùn)行，以實(shí)現(xiàn)真正的異構(gòu)多處理（HMP）環(huán)境。Denver 2（雙核）CPU集群針對更高的單線程性能進(jìn)行了優(yōu)化;ARM Cortex-A57 MPCore（四核）CPU集群更適合多線程應(yīng)用和更輕負(fù)載[8]。內(nèi)存系統(tǒng)支持高帶寬LPDDR4（Low Power Double Data Rate 4），支持128位內(nèi)存控制器，數(shù)據(jù)傳輸速度最高可達(dá)3 200 Mbps。總體來說，該嵌入式平臺(tái)性能強(qiáng)大，外形小巧，節(jié)能高效，非常適合智能移動(dòng)機(jī)器人、交通巡線無人機(jī)、嵌入式智能監(jiān)控器等智能設(shè)備。本嵌入式檢測系統(tǒng)平臺(tái)運(yùn)行所需的軟件為：Ubuntu16.04操作系統(tǒng)、CUDA9.0 Toolkit，cuDNN7.0等。

本研究以安陽市萬達(dá)天橋采集的交通視頻為數(shù)據(jù)源，一旦該系統(tǒng)接收到需要檢測的視頻，檢測器將采用YOLO v3模型來識(shí)別視頻中的車輛，并將車輛的坐標(biāo)存儲(chǔ)在緩存器中，最后車輛計(jì)數(shù)器將處理存儲(chǔ)在緩存器中的數(shù)據(jù)，并輸出車輛計(jì)數(shù)的結(jié)果。

4 試驗(yàn)驗(yàn)證

為了驗(yàn)證車流量檢測系統(tǒng)（見圖4）的有效性和可靠性，將該算法移植入Jetson TX2嵌入式平臺(tái)。由于攝像頭在拍攝中受到風(fēng)及天橋本身的震動(dòng)影響，攝像頭會(huì)產(chǎn)生輕微的晃動(dòng)，對拍攝視頻的穩(wěn)定性產(chǎn)生一定影響，但是通過測試，該系統(tǒng)對車流量的檢測效果依舊良好。下面三組測試說明了該系統(tǒng)的有效性，如表1所示。

試驗(yàn)數(shù)據(jù)表明，該系統(tǒng)采用YOLO v3作為車流量檢測算法，準(zhǔn)確率較高，對比幀差法具有一定的優(yōu)勢，結(jié)合Jetson TX2強(qiáng)大的GPU運(yùn)算能力，其基本可以滿足實(shí)時(shí)檢測的要求，該系統(tǒng)的設(shè)計(jì)是可行的。

5 結(jié)論

智能交通系統(tǒng)為人們提供了一個(gè)安全的交通環(huán)境。得益于圖像識(shí)別技術(shù)的快速發(fā)展，它可以方便地完成交通流計(jì)數(shù)等綜合任務(wù)，通過修改現(xiàn)有的YOLO模型，對檢測到的物體進(jìn)行識(shí)別，以獲得所需的車輛坐標(biāo)。本文提出了一種利用改進(jìn)的YOLO模型的嵌入式車流量檢測系統(tǒng)，通過對三段不同的交通視頻進(jìn)行試驗(yàn)，驗(yàn)證了系統(tǒng)的正確性和有效性。

參考文獻(xiàn)：

[1]Dimitrakopoulos G，Demestichas P.Intelligent Transportation Systems[J].IEEE Vehicular Technology Magazine，2010（1）：77-84.

[2]K Morinaga.Car navigation System：US，5416478[P].1995-05-16.

[3]K H Molloy，J P Ward，V M Benson.Traffic Signal Control System：US，3675196[P].1972-07-04.

[4]Lotufo R，Morgan A.Automatic number-plate recognition[C]//IEEE Colloquium on Image Analysis for Transport Applications.1990.

[5]史忠科，曹力.交通圖像檢測與分析[M].北京：科學(xué)出版社，2007.

[6]R C Gonzalez，R E Woods.Digital image processing[M].Upper Saddle River：Prentice Hall，2002.

[7]馬永杰，宋曉鳳.基于YOLO和嵌入式系統(tǒng)的車流量檢測[J].液晶與顯示，2019，4（6）：613-618.

[8]高潮，李天長，郭永彩.基于DM642的嵌入式實(shí)時(shí)多路圖像采集處理系統(tǒng)[J].微計(jì)算機(jī)信息，2008（30）：282-283.