基于深度學(xué)習(xí)的道路車輛目標(biāo)檢測系統(tǒng)設(shè)計

梅玲玲

(重慶對外經(jīng)貿(mào)學(xué)院 數(shù)學(xué)與計算機(jī)學(xué)院，重慶 401520)

0 引言

近幾年來，計算機(jī)技術(shù)不斷發(fā)展，為人民的生活、生產(chǎn)提供便利，現(xiàn)代人類也依托于現(xiàn)代科技從而獲得更好的生活質(zhì)量。人類從未停止過對汽車無人駕駛技術(shù)的研發(fā)，希望能夠通過人工智能技術(shù)、雷達(dá)技術(shù)、監(jiān)控系統(tǒng)及全球定位系統(tǒng)，利用電腦可實(shí)現(xiàn)汽車的自動駕駛，目前該類汽車雖未得到大幅推廣，但普通汽車的智能化程度確有提高，部分汽車已經(jīng)實(shí)現(xiàn)了自動泊車、自動變速等功能，為人們生活帶來便利，但也帶來了許多危險。如進(jìn)一步提升汽車的智能化程度，讓其能夠自動感知道路路況即可獲得更加安全的駕駛體驗(yàn)，基于此，基于視覺的道路車輛感知方法研究勢在必行，且具有重要意義。對道路車輛的感知主要應(yīng)用的是計算機(jī)視覺技術(shù)，其主要分為目標(biāo)識別、圖像問答、行為識別、圖像分類及場景識別多個種類，而本次研究的就是關(guān)于道路車輛的目標(biāo)識別技術(shù)。所謂目標(biāo)識別就是應(yīng)用攝像頭等傳感器充當(dāng)人類的眼睛收集信息，再根據(jù)其特征的不同對事物進(jìn)行分類處理，繼而得到檢測結(jié)果，為人們提供服務(wù)。隨著科技的迅猛發(fā)展，關(guān)于道路車輛的目標(biāo)檢測已受到研究學(xué)者的關(guān)注，并已取得一定突破，如今如何讓設(shè)備更加快速、準(zhǔn)確地對采集信息中的物體進(jìn)行分類成為該領(lǐng)域的研究熱點(diǎn)[1-2]。

國內(nèi)外均對該問題進(jìn)行研究，并獲得一定研究成果。在20世紀(jì)末期，哥倫比亞大學(xué)學(xué)者David Lowe提出利用尺度不變特征變換算法實(shí)現(xiàn)目標(biāo)檢測，即通過尺度空間極值檢測、關(guān)鍵點(diǎn)的定位、方向的確定及關(guān)鍵點(diǎn)的描述完成物體特征的檢測和匹配，該算法可在小型數(shù)據(jù)庫中的達(dá)到實(shí)時監(jiān)測，但其仍然存在一定局限性，即其對物體外觀存在一定限制，無法對多款車型進(jìn)行精準(zhǔn)檢測。我國學(xué)者也對于此問題進(jìn)行研究，目前已經(jīng)具有一定研究成果。如馬永杰[3]等人針對實(shí)時監(jiān)控遮擋嚴(yán)重問題提出了車輛精準(zhǔn)識別方法，即利用K-means++聚類算法完成車輛目標(biāo)候選框的聚類，對Anchor box數(shù)量進(jìn)行合理選取，在網(wǎng)絡(luò)中添加了特征提取層提升車輛目標(biāo)提取的精準(zhǔn)度，將改進(jìn)YOLO v3模型和Deep-SORT算法相結(jié)合，提高監(jiān)控上下幀關(guān)聯(lián)信息的關(guān)注度，提升在實(shí)時監(jiān)控遮擋狀態(tài)下的檢測效果。該方法在應(yīng)用過程中具有一定應(yīng)用價值，但其存在計算量較大，識別結(jié)果不精準(zhǔn)的問題。楊宏偉[4]等人提出了基于機(jī)器視覺的道路車輛目標(biāo)檢測方法，以提升夜間目標(biāo)車輛識別精準(zhǔn)度。該方法先對車輛路面灰度等級變化過程進(jìn)行分析,然后采用Robinson邊緣檢測算法獲得圖像梯度值,根據(jù)方向模板算子確定圖像中心灰度值及中心點(diǎn)方向，然后利用機(jī)器視覺技術(shù)對目標(biāo)數(shù)據(jù)進(jìn)行跟蹤,完成目標(biāo)車輛識別及運(yùn)動軌跡的判斷。該方法在實(shí)現(xiàn)的過程中只能對前方車輛的運(yùn)動軌跡進(jìn)行檢測，局限性較大[4]。

針對傳統(tǒng)方法應(yīng)用中的不足，本次研究引用深度學(xué)習(xí)理論，提出了一種新的道路車輛檢測方法。深度學(xué)習(xí)是一種經(jīng)典的特征學(xué)習(xí)算法，可模仿人腦的神經(jīng)元進(jìn)行計算，且每一個節(jié)點(diǎn)計算的結(jié)果都會被用于下一節(jié)點(diǎn)[5]。本文選用的深度學(xué)習(xí)算法中較為經(jīng)典的YOLOv4算法可在保證檢測精度的同時提升檢測速度。希望通過本文系統(tǒng)的研究提高道路車輛的檢測質(zhì)量和檢測效率。

1 道路車輛目標(biāo)檢測系統(tǒng)硬件設(shè)計

1.1 信號輸入模塊

信號輸入模塊是完成道路車輛目標(biāo)圖像采集的主要模塊，主要用于輸入目標(biāo)信號，其模塊的結(jié)構(gòu)如圖1所示。

圖1 信號輸入模塊結(jié)構(gòu)圖

觀察圖1可知，信號輸入模塊由ADC變換器、輸入緩沖器、匹配運(yùn)算器、選擇開關(guān)陣列和參數(shù)估計器構(gòu)成。ADC變換器可完成圖像信號格式的轉(zhuǎn)變，輸入信號的范圍為±2 V[6]。緩沖器能在采集目標(biāo)頻率和存儲模塊頻率之間起到緩沖作用，如果緩存的數(shù)據(jù)較少，并沒有達(dá)到SDRAM兩頁數(shù)據(jù)的大小，則其還會持續(xù)產(chǎn)生緩存請求，數(shù)據(jù)輸入后通過匹配運(yùn)算器對目標(biāo)進(jìn)行運(yùn)算，匹配運(yùn)算器由6個絕對值減法器構(gòu)成，電路為并行流水器結(jié)構(gòu)，每個目標(biāo)對應(yīng)一個匹配運(yùn)算器，實(shí)施并行運(yùn)算，選擇開關(guān)陣列能調(diào)整目標(biāo)的權(quán)值，參數(shù)估計器根據(jù)目標(biāo)的矢量估計全局參數(shù)[7-8]。

1.2 控制模塊

控制模塊能夠完成對輸入信號的預(yù)處理，通過控制目標(biāo)的權(quán)值刪除離群點(diǎn)并輸出有效的全局參數(shù)，控制器采用Xilinx公司生產(chǎn)的XCV50E芯片，芯片電路如圖2所示。

圖2 芯片電路圖

根據(jù)圖2可知，XCV50E芯片內(nèi)部有4個信號器，利用LPF實(shí)現(xiàn)信號處理。該芯片的核心電壓為1.5V，同步時鐘頻率為130 MHz，XCV50E有強(qiáng)大的系統(tǒng)內(nèi)編程能力，能夠完成對整個系統(tǒng)的邏輯控制[9]。同時，此芯片能夠?qū)崿F(xiàn)雙口操作，具有64 kB的同步塊同存。除此以外，芯片中還有16個4 kB的塊內(nèi)存，塊內(nèi)存能用作FIFO或高速RAM(random access memory)，芯片內(nèi)部通過布線矩陣與其他模塊相連，使各個模塊構(gòu)成一個統(tǒng)一的高速運(yùn)作整體。雙向長線遍布整個芯片，可快速分配信號[10]。

1.3 中央處理模塊

中央處理模塊的作用是對目標(biāo)信號進(jìn)行處理，并且其還需要形成顯示窗口，已對其處理指令或處理結(jié)果進(jìn)行顯示。本文設(shè)計的中央處理模塊是以TI公司生產(chǎn)的TMS320C6202芯片為核心構(gòu)建而言，該芯片工作頻率為240 MHz，由2個硬件乘法器和6個算術(shù)邏輯單元組成，可滿足本文的應(yīng)用要求。中央處理模塊如圖3所示。

圖3 中央處理模塊

觀察圖3可知，TMS320C6202是系統(tǒng)運(yùn)算的核心，程序的結(jié)構(gòu)為并行流水線結(jié)構(gòu)。C6202傳輸信號時采用的是DMA處理器，多個緩沖串口能實(shí)現(xiàn)多種協(xié)議下的直接連接。其擴(kuò)展總線能達(dá)到32位，能支持多種接口，如同步FIFO、異步PCI橋等。正常情況下，完成一幀圖像目標(biāo)處理的時間約為5 ms，且各幀之間的間隔為30 ms。DSP可對SDRAM中的被存儲數(shù)據(jù)進(jìn)行調(diào)用，并按照相關(guān)算法對數(shù)據(jù)進(jìn)行處理，處理后的數(shù)據(jù)仍然存儲于SDRAM中[11]。

1.4 輸出通道模塊

輸出通道模塊主要負(fù)責(zé)向主機(jī)傳遞數(shù)據(jù)處理結(jié)果。本文設(shè)計的輸出通道模塊主要采用了一種PCI總線專用接口芯片達(dá)到其傳遞數(shù)據(jù)的目的，其型號為PCI9054[12]。該芯片傳輸效率能達(dá)到128 MB/s，可選串行EEPROM接口。輸出通道模塊結(jié)構(gòu)如圖4所示。

圖4 輸出通道模塊

由圖4可知，該模塊所采用的PCI9054芯片中32 bit的Mailnox寄存器共有8個。除此之外，還有2個32位的Doorbell寄存器。在數(shù)據(jù)傳輸過程中，主控設(shè)備可利用該芯片訪問其周圍的PCI總線，當(dāng)其處于高電位時，數(shù)據(jù)就可開始傳輸，按照協(xié)議傳輸8 bit數(shù)據(jù)后，通過數(shù)據(jù)配置再次響應(yīng)，以此往復(fù)，數(shù)據(jù)就完成了輸出。

2 道路車輛目標(biāo)檢測系統(tǒng)軟件設(shè)計

在上述硬件基礎(chǔ)上，完成本文軟件設(shè)計。其主要包括用戶登錄、數(shù)據(jù)采集處理、目標(biāo)檢測模型及模型訓(xùn)練等部分的設(shè)計，具體介紹如下。

2.1 用戶登錄模塊設(shè)計

根據(jù)系統(tǒng)需求完成用戶登錄模塊的設(shè)計，新用戶在登錄前必須先填寫信息完成注冊，然后系統(tǒng)判斷其輸入合法且填寫完整后，將該用戶信息核對并存儲在數(shù)據(jù)庫中。核對流程主要檢測該信息是否在數(shù)據(jù)庫中已存在，避免重復(fù)注冊。若該信息已經(jīng)存在，系統(tǒng)會提醒用戶重新輸入注冊信息或者用以往賬號登錄；若不存在，用戶信息會直接保存在數(shù)據(jù)庫中。注冊完畢后，新用戶可用注冊的信息正常完成登錄。用戶登錄和用戶注冊的流程如圖5所示。

圖5 用戶登錄注冊流程圖

2.2 數(shù)據(jù)采集處理設(shè)計

在正常自然環(huán)境下對道路車輛的圖像進(jìn)行采集和處理時，往往會因?yàn)槭艿焦饩€、障礙物等自然環(huán)境的影響出現(xiàn)圖像質(zhì)量差等問題，其獲取的影像中還會存在一些干擾信號，妨礙了道路車輛目標(biāo)檢測的精準(zhǔn)度。干擾信號往往來源于背景的非平穩(wěn)移動，某些背景由于權(quán)值與前景權(quán)值接近而被誤判為前景[13-14]。

基于上述背景，本文建立數(shù)據(jù)采集處理模塊。在自然條件下完成圖像采集后，先對圖像進(jìn)行預(yù)處理，以提升其圖像的質(zhì)量，便于后期識別工作。先采用直方圖均衡算法對圖像進(jìn)行處理，增強(qiáng)圖像的對比度。該方法主要適用于光線不佳情況的圖像處理。待對圖像進(jìn)行預(yù)處理后，建立YOLOv4目標(biāo)檢測模型對其圖像中的目標(biāo)進(jìn)行識別。為提高其模型的推理能力，采用Mobilenetv2中的深度可分離卷積與倒殘差網(wǎng)絡(luò)對其主干網(wǎng)絡(luò)Cspdarknet53進(jìn)行優(yōu)化改進(jìn)，把傳統(tǒng)的卷積運(yùn)算轉(zhuǎn)化成可深度分解的卷積，并將主干網(wǎng)Cspdarknet53中的常規(guī)殘差結(jié)構(gòu)轉(zhuǎn)變?yōu)榈箽埐罱Y(jié)構(gòu)。為提升該模型對圖像中小目標(biāo)的檢測效果，將YOL0v2的 passthrough加入到Y(jié)OL0v4模型之中，將Cspdarknet53引出的三個分支中的一部分轉(zhuǎn)化為深度可分離卷積，并在YOLO頭部增加了三個卷積層,這三個卷積層并不進(jìn)行深度可分離卷積的改造，以此提升其模型的運(yùn)算效率。

為進(jìn)一步提升模型的運(yùn)算速率，將注意力機(jī)制引入YOLOv4模型中，提升其圖像特征提取效果。注意力機(jī)制就是將注意力集中在圖像的某一點(diǎn)中去判斷，這樣可縮短判斷時間，使整體的目標(biāo)檢測行為更為簡單[16]。對于物體圖像的特征提取而言，引入注意力機(jī)制可幫助算法有選擇性地關(guān)注圖像中極具特點(diǎn)的區(qū)域，這樣便于更快地提取圖像特征，完成目標(biāo)檢測。通常在圖像處理的過程中會將圖像分為前景信息和背景信息，并對其分別進(jìn)行測算，以更好的判斷目標(biāo)[17]。本系統(tǒng)為特征較為突出的區(qū)域設(shè)更大的權(quán)重，對于背景區(qū)域給予小權(quán)重，完成注意力圖的生成，針對前景圖像進(jìn)行分析識別，以縮短模型的運(yùn)算時間。

引入注意力機(jī)制后，對圖像信息進(jìn)行編碼是將其編為一個序列，而不是將其編為一個固有的長度，同時其相應(yīng)解碼也與之前不同，需要對向量序列中的子集進(jìn)行逐一處理。先設(shè)置查詢指令Q和一組鍵值對K，將其維度均設(shè)為dk，然后利用模型中的激活函數(shù)完成鍵權(quán)重系數(shù)的確定，最后對其鍵值加權(quán)求和[18]，獲取圖像注意力值計算公式如下所示:

(1)

fR(n) = ∑m?mn· (Wv·fAm)

(2)

式中，Wv表示線性變換矩陣，?mn表示第N個物體與其余的關(guān)系權(quán)重，其計算方式如下所示:

(3)

(4)

其中:WK、WQ均為評價指標(biāo)矩陣，fAm、fAn代表兩物體的外觀特征；dk代表維度界面。將物體外觀特征投入到高維界面中，利用內(nèi)積完成特征相似度的比較，然后聯(lián)系多個關(guān)系特征，增強(qiáng)輸入對象的外觀特征，便于在基礎(chǔ)特征提取網(wǎng)絡(luò)中完成圖像特征提取。

在目標(biāo)檢測網(wǎng)絡(luò)中采用改進(jìn)的特征金字塔網(wǎng)絡(luò)(FPN)進(jìn)行圖采樣及融合。在對兩個特征圖進(jìn)行融合時，為保證其原始特征點(diǎn)信息不丟失，直接將其通道進(jìn)行拼接，并在3個尺度分別進(jìn)行預(yù)測。其改進(jìn)后的架構(gòu)如圖6所示。

圖6 改進(jìn)YOLOv4算法架構(gòu)圖

利用上述改進(jìn)YOLOv4算法對干擾信息進(jìn)行處理，其處理流程如圖7所示。

圖7 目標(biāo)檢測流程

首先，利用濾波器對噪聲進(jìn)行過濾，合適的濾波器模板能防止目標(biāo)漏檢；然后，通過設(shè)置面積閾值，將極小的目標(biāo)去掉，這樣可去除大量的噪聲目標(biāo)；其次，如果有物體長期處于同一位置，則可判定其并非檢測的目標(biāo)，自動將其扣除；最后，對目標(biāo)進(jìn)行顏色處理，利用波長的連續(xù)波動判斷是否為背景干擾，若是，則修正為背景，經(jīng)過對干擾信息的處理，目標(biāo)檢測的準(zhǔn)確性得到了進(jìn)一步的提高[19-20]。

2.3 模型訓(xùn)練設(shè)計

將本文模型設(shè)計完畢后，對其進(jìn)行訓(xùn)練，使其可達(dá)到一定精度。將模型和初始權(quán)重準(zhǔn)備好后，加載訓(xùn)練樣本，通過前向傳播計算輸出與真實(shí)值之間存在的誤差，然后通過反向傳播給網(wǎng)絡(luò)以反饋，便于其調(diào)整權(quán)重參數(shù)，進(jìn)入下一代迭代循環(huán)，直至達(dá)到停止條件后停止迭代訓(xùn)練，其整體流程如圖8所示。

圖8 模型訓(xùn)練流程圖

在訓(xùn)練過程中，學(xué)習(xí)率可決定模型在每一次迭代過程中的更新幅度。在訓(xùn)練的過程中，如果無法選擇合適的學(xué)習(xí)率，將會導(dǎo)致訓(xùn)練時間過長；選擇一個合適的學(xué)習(xí)率，則可使得模型快速收斂。故本文模型在訓(xùn)練過程中，通過調(diào)整學(xué)習(xí)率來達(dá)到加速收斂的目的，如初期將其設(shè)置為0.000 1，系統(tǒng)迭代100次后將其調(diào)整為0.001，之后每迭代1 000次，學(xué)習(xí)率就增長10倍，待模型迭代至30 000次后將學(xué)習(xí)率重新調(diào)整為初始數(shù)值，直至模型停止訓(xùn)練。模型訓(xùn)練過程中的參數(shù)更新是采用梯度下降法來完成的，將動量參數(shù)設(shè)為0.9，利用動量參數(shù)進(jìn)行迭代更新以消除由于梯度下降導(dǎo)致的振蕩問題。為讓模型更具魯棒性，本文還采用了多尺度訓(xùn)練的方式，即每訓(xùn)練一定樣本，就對模型輸入尺寸進(jìn)行重新調(diào)整，以此來提升訓(xùn)練的準(zhǔn)確率。

2.4 車輛目標(biāo)檢測

本模塊主要利用搭建的網(wǎng)絡(luò)模型針對待檢測圖像進(jìn)行檢測以實(shí)現(xiàn)車輛目標(biāo)識別的。從數(shù)據(jù)庫中完成待檢測圖像的抽取，然后對其進(jìn)行檢測，利用引入注意力機(jī)制的YOLOv4模型完成其圖像特征的提取之后，再對其干擾信息進(jìn)行處理，就此得到最終的檢測結(jié)果。對于檢測結(jié)果的判別，本文采用交并比的方法驗(yàn)證其檢測結(jié)果的正確性。交并比是現(xiàn)代目標(biāo)檢測中一種較為經(jīng)典的評價方法，其主要計算模型產(chǎn)生目標(biāo)窗口與原來標(biāo)記窗口的交疊率，以此來驗(yàn)證其檢測的準(zhǔn)確率，其計算公式如下所示：

(5)

式中，SA代表目標(biāo)車輛檢測矩形框的面積；SB代表圖像中目標(biāo)車輛的真實(shí)矩陣框的面積；SI代表檢測矩形框與真實(shí)矩陣框的交集面積。本次研究設(shè)定當(dāng)交并比大于0.9時，即檢測矩形框與真實(shí)矩形框重合度大于90%才可判斷其檢測正確；否則視為檢測錯誤。以此為基礎(chǔ)完成車輛目標(biāo)的檢測。

2.5 數(shù)據(jù)庫設(shè)計

本文系統(tǒng)中數(shù)據(jù)庫的設(shè)計應(yīng)充分滿足車輛目標(biāo)檢測、統(tǒng)計信息保存等業(yè)務(wù)的需求，準(zhǔn)確表達(dá)數(shù)據(jù)之間的聯(lián)系。本文通過分析研究，利用E-R圖來表達(dá)實(shí)體之間的關(guān)系，其關(guān)系如圖9所示。

圖9 實(shí)體間關(guān)系的E-R圖

如圖9所示，本文建立了三個實(shí)體，即為用戶、道路監(jiān)控文件及統(tǒng)計信息，由此根據(jù)其系統(tǒng)功能需求設(shè)計了三個表格，其分別如表1～3所示。

表1 用戶信息表

表2 道路監(jiān)控文件信息表

表3 統(tǒng)計信息表

表1～3中，利用用戶信息表完成系統(tǒng)用戶信息的保存，利用道路監(jiān)控文件信息表完成監(jiān)控文件的保存，利用統(tǒng)計信息表完成存儲結(jié)果的保存，由此完成數(shù)據(jù)庫的設(shè)計。

2.6 后臺管理設(shè)計

系統(tǒng)管理人員可利用后臺管理模塊對相應(yīng)信息進(jìn)行處理，給系統(tǒng)的數(shù)據(jù)更新提供相關(guān)幫助。該模塊大致分為兩個部分，分別是用戶管理和文件管理。利用后臺的管理界面中，后臺的管理員可通過操作完成用戶相關(guān)信息的修改和保存，除此之外，還會為不同級別的用戶賦予權(quán)限。監(jiān)控文件管理主要是指管理員利用修改及添加等功能對存儲的監(jiān)控文件進(jìn)行修改。管理員可通過相關(guān)步驟完成目標(biāo)圖像的上傳，本文上傳的便是道路的監(jiān)控圖像，并且按照系統(tǒng)的提示信息可完成其上傳文件的保存。利用Add File Controller ，可將上傳的數(shù)據(jù)保存到本文設(shè)計的數(shù)據(jù)庫之中，后給予管理員保存成功的反饋結(jié)果。管理人員還可對監(jiān)控文件進(jìn)行刪除，先獲取文件的id，然后調(diào)用delete File 將文件從數(shù)據(jù)庫中刪除。通過后臺管理過程，幫助系統(tǒng)完成相應(yīng)維護(hù)工作。

3 實(shí)驗(yàn)結(jié)果與分析

3.1 系統(tǒng)功能測試

將系統(tǒng)設(shè)計完畢后對其進(jìn)行功能、性能檢測，判斷其是否具有一定應(yīng)用性。借助一臺PC機(jī)和云服務(wù)器完成實(shí)驗(yàn)環(huán)境的搭建，其應(yīng)用部署在Surface電腦中，利用其模擬正常使用場景，對系統(tǒng)進(jìn)行測試，其測試環(huán)境參數(shù)如表4所示。

表4 測試環(huán)境參數(shù)表

選取500張不同場景的道路圖像作為樣本集開展測試，其中100張為訓(xùn)練集，剩余400張為測試集，在測試集中包含100張不同場景下車輛運(yùn)行的圖片，其樣本如圖10所示。

圖10 不同場景下車輛圖像樣本圖示

在對本文系統(tǒng)的測試中需要實(shí)現(xiàn)的測試目標(biāo)如下所示：

1)檢查客戶端運(yùn)轉(zhuǎn)是否正常，可否能完成圖像選取和上傳操作；

2)檢查服務(wù)端運(yùn)轉(zhuǎn)是否正常，判斷其是否能準(zhǔn)確接收到客戶端傳遞的信息，并順利實(shí)現(xiàn)解譯；

3)本文所創(chuàng)建的模型是否可對其傳輸?shù)男畔⑦M(jìn)行正確處理，并且顯示檢測結(jié)果；

4)本文設(shè)計的數(shù)據(jù)庫操作是否正常，是否能方便系統(tǒng)調(diào)動，實(shí)現(xiàn)數(shù)據(jù)查詢；

5)檢查用戶是否能安全用戶注冊流程完成用戶注冊及登錄；

6)檢查檢測結(jié)果的可視化顯示，判斷用戶是否能正常查看檢測結(jié)果并完成保存。

通過對本文系統(tǒng)進(jìn)行功能性測試，判斷其是否具有性能缺陷。由于本文前端是采用可視化的形式，其YOLO 目標(biāo)檢測登錄界面如圖11所示。

圖11 用戶登錄及注冊界面

利用本文方法檢測道路車輛，先采用直方圖均衡法對圖像進(jìn)行預(yù)處理，其對比實(shí)物如圖12所示。

圖12 直方圖均衡處理前后對比

如圖12所示，經(jīng)過均衡化后，圖像的清晰度得到較大提升，利于后期目標(biāo)檢測。采用改進(jìn)后的YOLOv4模型對圖片中的道路車輛進(jìn)行檢測，如圖13所示。

圖13 目標(biāo)檢測圖像

經(jīng)測試表明，本文系統(tǒng)的功能健全，上述功能性目標(biāo)均可實(shí)現(xiàn)，可對系統(tǒng)性能進(jìn)行下一步檢測。

3.2 系統(tǒng)性能測試

完成對系統(tǒng)的功能測試后，對系統(tǒng)的性能進(jìn)行測試。對實(shí)驗(yàn)進(jìn)行真實(shí)情況的模擬，測試其客戶端顯示的檢測時間和服務(wù)端檢測所用時間。采用Postman進(jìn)行接口測試以獲取對測試系統(tǒng)調(diào)用圖片所用時間。利用該軟件能夠?qū)崿F(xiàn)對其接口相關(guān)信息的統(tǒng)計，如每個信息的調(diào)用時間、調(diào)動返回值及報文大小等?；诖耍肞ostman軟件和服務(wù)端的統(tǒng)計工具，對系統(tǒng)的每一次請求耗時進(jìn)行記錄，得到測試結(jié)果如圖14所示。

圖14 系統(tǒng)性能測試結(jié)果

如圖14所示，本次共進(jìn)行了25次測試，服務(wù)器響應(yīng)時間一直較為穩(wěn)定，在指令發(fā)出1 s左右進(jìn)行圖像數(shù)據(jù)的調(diào)取。其實(shí)本文系統(tǒng)模型在測試之前就已經(jīng)完成文件信息的讀取及訓(xùn)練，本次測試所耗費(fèi)的時間均為用于網(wǎng)絡(luò)傳輸?shù)臅r間，所以其整體耗時較短。由于各個圖像的大小存在不同，所以其傳播耗時也并不相同，其網(wǎng)絡(luò)傳輸?shù)臅r間存在差異。客戶端的響應(yīng)時間除第一次測試時響應(yīng)時間較長為6 s 外，其余響應(yīng)時間穩(wěn)定在3 s左右，測試效果較為穩(wěn)定。造成客戶端第一次響應(yīng)耗時較長的原因是在于客戶端第一次檢測時與服務(wù)端處于冷鏈狀態(tài)，需要進(jìn)行連接的建立，這需要消耗大量的時間，在通信鏈路建立完畢后，其響應(yīng)時間明顯縮短。以上完成對系統(tǒng)性能的測試，該系統(tǒng)服務(wù)器響應(yīng)時間和客戶端的響應(yīng)時間均較短且穩(wěn)定，可對其進(jìn)行對比實(shí)驗(yàn)，測試其與同類系統(tǒng)產(chǎn)品相比具有的優(yōu)勢。

3.3 對比測試

為了驗(yàn)證本文設(shè)計檢測系統(tǒng)的有效性，選取文獻(xiàn)[3]中的基于改進(jìn)YOLO v3模型與Deep-SORT算法的道路車輛檢測方法和文獻(xiàn)[4]中的基于機(jī)器視覺的夜間道路前方車輛目標(biāo)檢測方法為對比方法，與本文系統(tǒng)進(jìn)行實(shí)驗(yàn)對比，對汽車晚間行駛、汽車白天行駛及汽車在惡劣天氣下行駛的圖像進(jìn)行檢測，計算檢測準(zhǔn)確率，計算公式為：

(6)

其中：Y為檢測到的數(shù)量；Z為實(shí)際運(yùn)行目標(biāo)數(shù)量；M為檢測準(zhǔn)確率。利用Matlab仿真平臺搭建對比系統(tǒng)，開展實(shí)驗(yàn)，獲取汽車夜間行駛檢測結(jié)果如表5所示。

表5 汽車夜間行駛檢測準(zhǔn)確率實(shí)驗(yàn)結(jié)果

根據(jù)表5可知，本文系統(tǒng)在汽車夜間情況下行駛的檢測準(zhǔn)確率率均高于94%，而其余兩種系統(tǒng)的檢測準(zhǔn)確率均為71%～87%之間，由此得知，本文系統(tǒng)優(yōu)于對比系統(tǒng)。這主要是由于本文設(shè)計的系統(tǒng)利用深度學(xué)習(xí)算法中的YOLOv4模型進(jìn)行檢測，且利用注意力機(jī)制對其特征提取進(jìn)行優(yōu)化，從而保證能夠更準(zhǔn)確地實(shí)現(xiàn)車輛目標(biāo)檢測。

對汽車白天行駛的圖像進(jìn)行檢測，獲取三種系統(tǒng)檢測結(jié)果如表6所示。

根據(jù)表6可知，在該種環(huán)境中。本文提出的檢測系統(tǒng)在相同的狀況下檢測準(zhǔn)確率均在94%以上，而文獻(xiàn)[3]系統(tǒng)檢測準(zhǔn)確率最高僅為86%，文獻(xiàn)[4]系統(tǒng)的檢測準(zhǔn)確率低于79%，故本文系統(tǒng)檢測效果遠(yuǎn)優(yōu)于兩種對比系統(tǒng)。本文研究的檢測系統(tǒng)引入了直方圖均衡法及改進(jìn)YOLOv4算法對圖像信息進(jìn)行預(yù)處理，幫助圖像檢測排除了環(huán)境因素的大量干擾信息，保證其檢測模型可平穩(wěn)運(yùn)行，使其在時間積累到一定程度下，能夠?qū)崿F(xiàn)信號轉(zhuǎn)換，使得本文系統(tǒng)可準(zhǔn)確地確定目標(biāo)位置。

表6 汽車白天行駛檢測準(zhǔn)確率

獲取汽車在惡劣天氣下行駛的檢測準(zhǔn)確率實(shí)驗(yàn)結(jié)果如表7所示 。

表7 汽車在惡劣天氣下行駛檢測準(zhǔn)確率

由表7可知，對惡劣天氣條件下圖像進(jìn)行檢測，本文檢測準(zhǔn)確率高于90%，而其余兩種系統(tǒng)的檢測準(zhǔn)確率低于79%，故本文系統(tǒng)檢測準(zhǔn)確率遠(yuǎn)高于其余兩種系統(tǒng)，所以本文系統(tǒng)檢測性能優(yōu)于對比系統(tǒng)。造成這種現(xiàn)象的原因在于本文系統(tǒng)不僅引入了深度學(xué)習(xí)的YOLOv4算法和直方圖均衡法對干擾信息進(jìn)行處理，引入了注意力機(jī)制，優(yōu)化了圖像特征提取過程，還采用了多尺度訓(xùn)練的方式，使其能夠保證檢測模型運(yùn)行的穩(wěn)定性，快速完成車輛特征的提取，提高目標(biāo)檢測的準(zhǔn)確率。

4 結(jié)束語

針對道路車輛目標(biāo)檢測容易出現(xiàn)誤檢、漏檢的問題，提出基于深度學(xué)習(xí)的道路車輛目標(biāo)檢測系統(tǒng)，先利用改進(jìn)YOLOv4算法完成干擾信息的處理，建立目標(biāo)檢測模型，然后基于注意力機(jī)制完成圖像特征提取過程的優(yōu)化，使其能夠更加準(zhǔn)確、快速地完成車輛圖像特征的提取。最后利用實(shí)驗(yàn)證明所提系統(tǒng)的實(shí)用性，所提系統(tǒng)錯檢、漏檢率低，具有一定應(yīng)用價值。