目標(biāo)檢測(cè)算法在智能交通監(jiān)控中的應(yīng)用研究

李軼杰

現(xiàn)代交通管理系統(tǒng)影響著當(dāng)代人出行的方方面面。其中，車輛目標(biāo)識(shí)別作為交管系統(tǒng)的核心要素，其研究具有重要且深遠(yuǎn)意義。針對(duì)現(xiàn)有交通問題，研究了幾種典型的由卷積神經(jīng)網(wǎng)絡(luò)作為骨架構(gòu)建的目標(biāo)識(shí)別算法，分析這幾種算法的優(yōu)缺點(diǎn)。對(duì)公交站牌監(jiān)控中不同的交通狀況進(jìn)行分析統(tǒng)計(jì)，從而更加高效地解決交通管理方面存在的問題。

截至2021年12月27日，中國(guó)機(jī)動(dòng)車保有量已經(jīng)突破3.93億輛，其中汽車保有量突破了3億輛。城市道路交通所承擔(dān)的壓力與日俱增。一個(gè)城市的交管系統(tǒng)直接決定了當(dāng)?shù)亟煌ㄊ欠穹奖闳藗兂鲂屑肮芾聿块T應(yīng)對(duì)違法違規(guī)現(xiàn)象的處理速度，因此智能交通管理系統(tǒng)已成為當(dāng)前中國(guó)交通領(lǐng)域的熱點(diǎn)話題，車輛目標(biāo)檢測(cè)算法的研究與創(chuàng)新迫在眉睫。

車輛目標(biāo)檢測(cè)算法可以應(yīng)用在道路交通的多個(gè)方面，比如通過應(yīng)用在交通路口的監(jiān)控?cái)z像頭，可以根據(jù)當(dāng)前車輛的擁堵情況，實(shí)時(shí)將數(shù)據(jù)上傳到各類地圖中，以供駕駛員選擇最優(yōu)路段行進(jìn)。應(yīng)用在停車場(chǎng)中，通過對(duì)停車場(chǎng)整體的停車狀況進(jìn)行分析，緩解停車位不足造成擁堵的問題。應(yīng)用在智能公交站牌上，可以通過頂部的攝像頭，根據(jù)不同編號(hào)的公交車的特殊標(biāo)志進(jìn)行識(shí)別并及時(shí)地向乘客播報(bào)即將到達(dá)的公交車的編號(hào)，以及對(duì)在公交站牌附近違規(guī)停車，占用公交車道的機(jī)動(dòng)車，識(shí)別其車型與車牌號(hào)，進(jìn)行相應(yīng)的證據(jù)獲取和處罰。

由此可見，車輛目標(biāo)檢測(cè)算法的應(yīng)用可以有效緩解交通問題，提高人們出行的便利性，減少違規(guī)停車的發(fā)生率。本文對(duì)比了傳統(tǒng)的目標(biāo)檢測(cè)算法和基于卷積神經(jīng)網(wǎng)絡(luò)的目標(biāo)檢測(cè)算法，為尋找更加適合的目標(biāo)檢測(cè)算法進(jìn)行了研究。

目標(biāo)檢測(cè)算法本質(zhì)上是將圖片中的前景與背景進(jìn)行劃分后，對(duì)需要的目標(biāo)根據(jù)不同的外觀特征進(jìn)行識(shí)別的算法。對(duì)于車輛的目標(biāo)檢測(cè)而言，即在所需要識(shí)別的場(chǎng)景中，針對(duì)行人或是車輛的不同外觀特征以及車牌號(hào)，準(zhǔn)確的完成識(shí)別任務(wù)，從而實(shí)現(xiàn)路口車輛數(shù)目統(tǒng)計(jì)，特定車輛目標(biāo)跟蹤，以及違規(guī)車輛的監(jiān)測(cè)等一系列任務(wù)。

（一）傳統(tǒng)目標(biāo)檢測(cè)算法

傳統(tǒng)的目標(biāo)檢測(cè)算法，實(shí)質(zhì)上就是通過不同尺寸的滑動(dòng)窗口在圖片上進(jìn)行平移滑動(dòng)，從中獲取不同視野的候選區(qū)域，然后提取候選區(qū)域相關(guān)的視覺特征，最后通過傳統(tǒng)機(jī)器學(xué)習(xí)中的分類器進(jìn)行分類判斷。

在交通監(jiān)控系統(tǒng)中使用傳統(tǒng)目標(biāo)檢測(cè)算法作為檢測(cè)器，可以實(shí)現(xiàn)對(duì)于車輛目標(biāo)檢測(cè)的基本需求。首先將路面，建筑以及車輛進(jìn)行前景與背景的區(qū)分，隨后針對(duì)所檢測(cè)到的車輛進(jìn)行較為細(xì)化的劃分。但是道路上的車輛存在不同程度的遮擋，而且在不同的天氣狀況下，也會(huì)對(duì)監(jiān)控畫面造成影響，干擾檢測(cè)效果。同時(shí)，因?yàn)榛诨瑒?dòng)窗口的區(qū)域選擇策略沒有針對(duì)性，時(shí)間復(fù)雜度高，檢測(cè)速度相對(duì)較慢。因此，該類算法雖然非常經(jīng)典，但并不完全適用于車輛目標(biāo)檢測(cè)。

（二）基于卷積神經(jīng)網(wǎng)絡(luò)的目標(biāo)檢測(cè)算法

傳統(tǒng)的目標(biāo)檢測(cè)算法檢測(cè)速度較慢，人為設(shè)計(jì)的特征提取模板不夠全面且難以處理遮擋，基于深度學(xué)習(xí)的目標(biāo)檢測(cè)算法性能要優(yōu)于傳統(tǒng)目標(biāo)檢測(cè)算法，其主要采用的是卷積神經(jīng)網(wǎng)絡(luò)作為特征提取網(wǎng)絡(luò)。卷積神經(jīng)網(wǎng)絡(luò)通過隨機(jī)初始化的卷積核，在目標(biāo)圖像上不斷地平移，以此獲取相應(yīng)的特征圖。而其卷積核因?yàn)樵诜聪騻鞑ミ^程中不斷地進(jìn)行調(diào)整，從而獲取具有顯著特征的特征圖。通過卷積神經(jīng)網(wǎng)絡(luò)可以提取到更加深層次、語義化的特征。因此，基于卷積神經(jīng)網(wǎng)絡(luò)的目標(biāo)檢測(cè)算法在出現(xiàn)后，便被廣泛應(yīng)用在目標(biāo)識(shí)別任務(wù)當(dāng)中。

1.基于one-stage的目標(biāo)檢測(cè)算法

目標(biāo)檢測(cè)可以歸納為兩個(gè)主要的任務(wù)，其一是獲取目標(biāo)相較于整張圖像中的位置，可以看作是回歸任務(wù)，其二是判斷物體的類別，可以看作是分類任務(wù)。onestage目標(biāo)檢測(cè)算法，即一階段目標(biāo)檢測(cè)算法。該類算法是直接對(duì)于需要進(jìn)行目標(biāo)識(shí)別的圖片進(jìn)行預(yù)測(cè)和分類。經(jīng)典的one-stage目標(biāo)識(shí)別算法有YOLO系列，SSD以及DetectNet，相較于two-stage算法，不需要對(duì)大量的候選框進(jìn)行篩選，而是直接產(chǎn)生物體的類別概率和位置坐標(biāo)值，經(jīng)過單次檢測(cè)即可直接得到最終的檢測(cè)結(jié)果，其運(yùn)行速度會(huì)快很多。

當(dāng)圖片中需要進(jìn)行識(shí)別的目標(biāo)只有一個(gè)時(shí)，只需要進(jìn)行特征提取并進(jìn)行分類即可得出所需識(shí)別的物體的位置與類別。但當(dāng)識(shí)別的任務(wù)是多個(gè)物體時(shí)，需要對(duì)圖片使用網(wǎng)格（grid）進(jìn)行劃分，為bounding box提供一定的候選區(qū)域，其作用是為了限制某個(gè)目標(biāo)的bounding box偏移，防止其移動(dòng)到其他需要識(shí)別的對(duì)象的網(wǎng)格中，影響識(shí)別的效果。目標(biāo)識(shí)別算法只需要針對(duì)當(dāng)前候選區(qū)域的目標(biāo)框內(nèi)的物體進(jìn)行分類，無須關(guān)注目標(biāo)框外的信息，就可以得到較為精確的分類。模型的損失函數(shù)也將由位置損失與分類損失共同構(gòu)成。

2.基于two-stage的目標(biāo)檢測(cè)算法

Two-stage目標(biāo)檢測(cè)算法，即兩階段目標(biāo)檢測(cè)算法。其主要是將識(shí)別過程分成兩步驟，首先獲取需要識(shí)別的物體的大致位置，然后對(duì)物體進(jìn)行分類和位置的回歸，最終得出分類結(jié)果和所在位置的坐標(biāo)。經(jīng)典的算法有：R-CNN，SPP-net，F(xiàn)ast R-CNN以及Faster R-CNN。該類算法的核心步驟即：1.訓(xùn)練RPN網(wǎng)絡(luò)，通過NMS以獲得存在物體的大致區(qū)域 2.訓(xùn)練目標(biāo)區(qū)域檢測(cè)網(wǎng)絡(luò)以獲取對(duì)于物體的精確位置以及相應(yīng)的類別。

Faster R-CNN流程如圖所示。

首先將監(jiān)控像頭獲取的視頻分幀轉(zhuǎn)換成所需要的圖片，經(jīng)過預(yù)處理后，送入主干網(wǎng)絡(luò)中。然后通過卷積提取到相應(yīng)的深層特征圖，將特征圖送入RPN網(wǎng)絡(luò)，經(jīng)過滑動(dòng)窗口，獲得相應(yīng)的包含物體的候選框，此時(shí)的候選框起到的作用是將前景和背景區(qū)分開。然后將所獲得的候選框映射到特征圖中，進(jìn)入roi_pooling層，進(jìn)行位置回歸和修正。在得到較為準(zhǔn)確的候選目標(biāo)對(duì)應(yīng)特征圖上的一部分區(qū)域的特征后，會(huì)經(jīng)過全連接層來進(jìn)一步對(duì)候選區(qū)域的特征進(jìn)行表示。最終通過分類和回歸的分支操作，分別完成對(duì)于候選目標(biāo)類別的判斷和精確位置的確定。

對(duì)于主干網(wǎng)絡(luò)來說，首選CNN網(wǎng)絡(luò)，該網(wǎng)絡(luò)隨著網(wǎng)絡(luò)深度的提升，能夠獲取更加復(fù)雜且深層次的圖片特征。面對(duì)一些需要提取較為深度特征的情況，存在兩種解決策略，第一種是增大網(wǎng)絡(luò)的寬度，比如GoogleNet，優(yōu)點(diǎn)是可以有效增加神經(jīng)元個(gè)數(shù)，提升模型的復(fù)雜度的同時(shí)提高學(xué)習(xí)能力，缺點(diǎn)是學(xué)習(xí)能力過強(qiáng)容易導(dǎo)致過擬合現(xiàn)象的發(fā)生。另一種解決策略是加深網(wǎng)絡(luò)的深度，比如ResNet，深層次的網(wǎng)絡(luò)可以有效加強(qiáng)其對(duì)于非線性特征的泛化表達(dá)能力，增強(qiáng)其魯棒性。但深層次的網(wǎng)絡(luò)規(guī)模會(huì)導(dǎo)致計(jì)算量增大，同時(shí)會(huì)導(dǎo)致梯度消失和梯度離散等問題。因此在網(wǎng)絡(luò)深度較大的時(shí)候會(huì)同時(shí)采用殘差結(jié)構(gòu)來保證網(wǎng)絡(luò)學(xué)習(xí)特征的能力。

針對(duì)道路上車輛識(shí)別的情況來看，很多卷積神經(jīng)網(wǎng)絡(luò)是運(yùn)行在終端的。也就是說不能忽視目前計(jì)算機(jī)運(yùn)算能力有限的前提條件，無休止的增大網(wǎng)絡(luò)的寬度和深度。而應(yīng)該在設(shè)計(jì)網(wǎng)絡(luò)的同時(shí)，考慮其深度，寬度和其實(shí)際性能的平衡。

3.特征融合方式

在目標(biāo)檢測(cè)的過程中，大部分使用的是以卷積神經(jīng)網(wǎng)絡(luò)為骨架的特征提取網(wǎng)絡(luò)。網(wǎng)絡(luò)層數(shù)越淺，計(jì)算量相對(duì)較少，相對(duì)來說，能夠較好保留圖片中物體的輪廓信息，但是能提取到的深層語義和信息就越少。網(wǎng)絡(luò)層數(shù)越深，可以更好地獲取深層的特征，但是因?yàn)榫矸e層數(shù)過多，所需的參數(shù)就越多，因此為了減少參數(shù)量，通常使用池化操作來減少參數(shù)。池化后的特征圖，保留了關(guān)鍵特征，但是卻消除了一些小物體的信息。

如果在交通監(jiān)控中，僅僅使用經(jīng)過多次卷積池化得到的特征圖來作為車輛目標(biāo)識(shí)別的對(duì)象，當(dāng)卷積池化的次數(shù)較多時(shí)，會(huì)影響離攝像頭較遠(yuǎn)處車輛的識(shí)別效果。當(dāng)卷積池化次數(shù)較少時(shí)，面對(duì)車輛外觀區(qū)別不大的情況，會(huì)影響對(duì)不同車輛的區(qū)分效果。

因此我們需要將低層特征和深層特征進(jìn)行融合，以此達(dá)到最好的特征提取效果。

（1）雙線性插值法

圖像在進(jìn)行池化操作后，其尺寸通常會(huì)發(fā)生變化，如果想融合特征，就需要將不同尺寸的圖像進(jìn)行合并。如果是將大尺寸圖像進(jìn)行縮放，所得到的像素值一般不是整數(shù)，圖像嚴(yán)重失真，如果是將小尺寸圖像放大，小圖像的像素點(diǎn)到大圖像中不是滿射，失去細(xì)節(jié)紋理。而雙線性插值法充分利用了原圖上四個(gè)真實(shí)存在的像素值來共同決定目標(biāo)圖中的一個(gè)像素值，所取得的效果要優(yōu)于最近鄰插值法。

（2）FPN網(wǎng)絡(luò)

FPN網(wǎng)絡(luò)，即特征金字塔。在其出現(xiàn)之前，深度學(xué)習(xí)僅僅采用特征提取網(wǎng)絡(luò)的最高層所提取的特征作為送入下一層網(wǎng)絡(luò)的輸入。而FPN在前人的基礎(chǔ)上提出自上而下的特征提取體系結(jié)構(gòu)，通過調(diào)節(jié)不同尺寸特征圖的大小，有效融合不同尺度特征圖所提取到的特征信息，完成特征融合。以此實(shí)現(xiàn)對(duì)于大目標(biāo)和小目標(biāo)的更加有效的檢測(cè)。

在進(jìn)行車輛目標(biāo)檢測(cè)的過程中，攝像頭經(jīng)常會(huì)面臨著較差可視角度以及遠(yuǎn)距離的車輛目標(biāo)檢測(cè)的情況。因此，實(shí)現(xiàn)圖片的深層語義信息和淺層的外觀信息的有效融合，可以提高對(duì)于圖像或視頻中車輛的識(shí)別效果。

在對(duì)車輛目標(biāo)檢測(cè)的任務(wù)中，主要采用的是卷積神經(jīng)網(wǎng)絡(luò)作為骨架的一階段或是二階段目標(biāo)檢測(cè)算法，對(duì)于小目標(biāo)車輛的檢測(cè)，采用特征融合的方式，加強(qiáng)所需要提取的物體的信息。本文介紹了傳統(tǒng)目標(biāo)檢測(cè)算法，基于卷積神經(jīng)網(wǎng)絡(luò)的one-stage目標(biāo)識(shí)別算法，two-stage目標(biāo)識(shí)別算法及提高識(shí)別效果的特征融合方法。

在智能交通監(jiān)控?cái)z像頭下進(jìn)行車輛目標(biāo)檢測(cè)任務(wù)中，由于傳統(tǒng)的目標(biāo)識(shí)別算法使用滑動(dòng)窗口的方式獲取相應(yīng)的目標(biāo)對(duì)象，需要在整張圖像上進(jìn)行滑動(dòng)搜索，檢測(cè)的速度會(huì)遜于使用基于卷積神經(jīng)網(wǎng)絡(luò)的目標(biāo)識(shí)別算法，因此采用基于卷積神經(jīng)網(wǎng)絡(luò)的目標(biāo)識(shí)別算法。采用one-stage目標(biāo)檢測(cè)算法，可以在更短的時(shí)間內(nèi)獲取所有出現(xiàn)的目標(biāo)對(duì)象，但是相對(duì)精度較低，使用two-stage目標(biāo)檢測(cè)算法，可以實(shí)現(xiàn)較高精度的目標(biāo)檢測(cè)效果，但是時(shí)間慢于one-stage檢測(cè)算法。因此需要進(jìn)行進(jìn)一步研究在不同的情境下相對(duì)更優(yōu)的算法。同時(shí)，基于卷積神經(jīng)網(wǎng)絡(luò)的特征提取網(wǎng)絡(luò)，雖然相較于傳統(tǒng)算法，可以獲得更加深層次的語義信息，但是仍然存在著卷積核相較于整張圖像中較小的范圍從而導(dǎo)致忽視了整張圖的關(guān)聯(lián)信息，以及龐大的參數(shù)量仍然影響在實(shí)際應(yīng)用中的檢測(cè)速度的問題。因此更加理想的組合模型勢(shì)必需要廣大研究者們的推進(jìn)與探索，從而針對(duì)特定問題設(shè)計(jì)魯棒性更強(qiáng)的車輛目標(biāo)檢測(cè)算法。

作者單位：北方工業(yè)大學(xué)