基于YOLO和卷積模糊神經網絡的智能交通監控系統

摘要 隨著城市化進程的加快，城市之間通行的車輛數量顯著增加，帶來了諸如交通擁堵、車輛種類繁多等問題。為解決交通問題，道路數據的收集至關重要。文章開發了一種基于YOLO和卷積模糊神經網絡（CFNN）的智能交通監控系統，能夠記錄道路上的交通流量和車輛類型信息。在該系統中，首先使用YOLO進行車輛檢測，并結合車輛計數方法計算交通流量。接著，提出了用于車輛分類的兩種有效模型（CFNN和Vector-CFNN）及網絡映射融合方法。實驗結果表明，該方法在北京理工大學的公開數據集上達到了90.45%的準確率；在GRAM-RTM數據集上，CF-YOLO和VCF-YOLO車輛分類方法的平均精度和F1得分達到99%，優于其他方法；在實際道路上，CF-YOLO和VCF-YOLO方法不僅在車輛分類上具有很高的F1得分，而且在車輛計數方面也表現出色。因此，提出的智能交通監控系統適用于實際環境中的車輛分類和計數。

關鍵詞 YOLO；卷積模糊神經網絡；智能交通；監控

中圖分類號 U495 文獻標識碼 A 文章編號 2096-8949（2024）22-0020-03

0 引言

道路交通監控是一個重要的研究課題。通過分析道路上的車輛類型和交通流量，可以了解當前的交通狀況，并向交通管理部門提供可操作的信息。這些信息有助于這些部門做出決策，改善人們的生活質量。例如在節假日，可以使用道路交通流量信息向駕駛員推薦替代路線，從而將交通分流到不擁堵的區域。此外，如果大卡車經常使用某條道路，可以安裝路邊警告以提醒駕駛員，減少交通事故的發生。并且，還可以利用特定車輛的類型和顏色識別來追蹤犯罪嫌疑人的車輛。上述應用均依賴于道路監控系統收集的信息進行分析。

近年來，許多研究者使用基于區域的卷積神經網絡（R-CNN）系列模型解決車輛檢測問題[1]。R-CNN通過區域提議網絡（RPN）提取目標位置，并使用傳統的卷積神經網絡（CNN）對其進行分類。雖然該架構提高了分類的準確性，但由于使用了大量參數，執行速度較慢，因此不適合實時檢測。房鑫等人[2]使用密集連接塊替代網絡中的殘差塊，解決了小目標的漏檢問題；Asim等人[3]將自適應網絡模糊推理系統應用于分類問題，相比傳統神經網絡，取得了更高的分類準確率；Lin等人[4]使用區間二型模糊神經網絡進行了工具磨損預測，效果顯著。此外，還有一些研究者使用局部遞歸功能鏈接模糊神經網絡[5]和Takagi-Sugeno-Kang型模糊神經網絡[6]解決了系統辨識和預測問題，均取得了良好效果。

為了克服這些問題，該文提出了一種基于YOLO和卷積模糊神經網絡（CFNN）的智能交通監控系統。該系統不僅能夠實時檢測和分類車輛，還能夠有效地統計交通流量。與傳統方法相比，該系統通過YOLO和CFNN技術的有效結合，極大地提高了車輛檢測的準確性和分類效率。

1 基于CF-YOLO的智能交通監控方法

該部分介紹了所提出的智能交通監控系統，其具備三個主要功能：（1）車輛檢測；（2）車輛計數；（3）車輛分類。首先，通過交通攝像頭實時獲取道路圖像。接著，使用提出的改進YOLOv4-tiny模型（mYOLOv4-tiny）進行車輛檢測。為了避免同一車輛在不同幀中被重復記錄，系統引入了一個計數算法，用于跟蹤車輛。在這一過程中，系統為同一輛車在不同幀中分配相同的身份標識符（ID）。在執行計數算法之前，系統會通過篩選目標車輛的虛擬檢測區域以減少計算負擔。最終，系統對通過虛擬檢測區域的車輛進行計數和分類，并收集信息以供后續分析。

1.1 使用改進YOLOv4-tiny進行車輛檢測

傳統的YOLOv4-tiny是一個簡化的輕量化網絡，使用卷積層和最大池化層提取物體特征。此外，YOLOv4-tiny通過上采樣層和連接層合并特征，并擴展特征信息，以進一步提升檢測效果。與其他YOLO和SSD方法相比，YOLOv4-tiny具有更快的檢測速度。然而，由于大幅度簡化了網絡架構，其檢測精度低于YOLO和SSD方法。

為了提高檢測精度，該文設計了一個改進版的YOLOv4-tiny（mYOLOv4-tiny），具有用于車輛檢測的三個輸出，如圖1所示。改進YOLOv4-tiny網絡架構總共使用了二十四個卷積層和三個最大池化層，最終使用了三個預測尺度：25×15，50×30和100×60。在該系統中，mYOLOv4-tiny模型僅用于檢測車輛對象。

1.2 車輛計數方法

上述YOLO目標檢測方法可以從單張圖片中識別車輛及其位置信息。然而，在實際的交通應用中，輸入的是連續的圖像幀，不同幀中檢測到的車輛彼此獨立。因此，同一車輛可能會被多次計數，導致車輛信息錯誤。為了解決這一問題，必須為檢測到的車輛配置ID以防止重復計數。在該系統中，添加了一個對象計數方法，以關聯和匹配不同圖像幀中檢測到的車輛，并判斷是否為新增車輛。該方法使用由檢測方法獲取的上一幀車輛位置信息，通過卡爾曼濾波器預測當前幀中的車輛位置，其主要由兩個步驟組成：預測和更新。其中，預測的計算公式如下：

x ? ? k=Ax ? k?1+Buk?1 （1）

P? k=APk?1AT+Q （2）

式中，x ? ? k——當前時刻的狀態向量；P? k——當前時刻的協方差矩陣；x ? k?1——上一時刻的狀態向量；Pk?1——上一時刻的協方差矩陣；A——狀態轉移矩陣；B——控制矩陣；uk?1——控制輸入；Q——過程噪聲協方差。

根據卡爾曼增益對預測數據進行更新，其計算公式如下：

Kk=P? kHT（HP? kHT+R）?1 （3）

式中，Kk——卡爾曼增益；H——觀測矩陣；R——觀測噪聲協方差。

接著，計算卡爾曼濾波器估計的當前位置與實際檢測到的車輛位置之間的重疊率（IoU）作為距離代價，最后應用匈牙利算法匹配車輛，實現車輛的準確跟蹤。

1.3 使用CFNN進行車輛分類

通過前述方法，車輛的位置信息可以從完整圖像中進行確定，接著對車輛進行分割。收集車輛類型信息，對分割后的車輛圖像進行分析，并生成分類結果。若需要增加新的信息項，則不必重新訓練YOLO模型，因此其擴展性優于傳統方法，且類別擴展后的訓練時間顯著減少。為了實現車輛分類，該文提出了兩種CFNN模型：CFNN和Vector-CFNN。首先，卷積層用于從圖像中提取特征，而最大池化層則用于壓縮這些特征以減少計算量。然后，使用交互式堆疊方法增加模型深度以完成多種形狀特征組合，并添加一個特征融合層降低特征維度并整合信息。最后，融合后的特征信息被送入模糊神經網絡（FNN）進行分類，得到車輛類型的分類結果。

為了減少傳統CNN模型中存在的冗余參數，該文提出了一種Vector-CFNN模型，其結構圖如圖2所示。該模型的架構與CFNN類似，但用兩層向量核卷積層替代了傳統的卷積層，以進一步減少模型參數數量和計算復雜度。

2 實驗結果

BIT-Vehicle數據集包含9 850張車輛圖像，所有圖像均是在高速公路上不同的時間和地點使用2臺攝像機拍攝的不同亮度、比例和顏色的車輛圖像，數據集涵蓋六種類型車輛，包括公交車、小型巴士、小型貨車、轎車、運動型多用途車（suv）和卡車。每類車輛隨機選取200張圖像進行訓練和測試，共計2 400張圖像分別作為訓練集和測試集，實驗進行10次取平均值。實驗結果如表1所示，在網絡映射融合法下，CFNN和Vector-CFNN模型的準確率分別為90.20%和90.45%，比全局池化和通道池化的方法更優。

為了全面評估所提出的CF-YOLO和VCF-YOLO方法的性能，使用GRAM-RTM（M-30）數據集將它們與先進的目標檢測方法（包括RetinaNet、SSD、YOLOv4和YOLOv4 tiny）進行了性能比較。GRAM-RTM（M-30）數據集包含7 520幀（800×480分辨率，30 FPS），記錄了包括大型卡車、卡車、轎車、面包車和摩托車等多種車輛類型。訓練數據與測試數據的比例為8：2，即80%（6 016幀）用于訓練，20%（1 504幀）用于測試。訓練過程首先是車輛檢測模型（mYOLOv4-tiny），隨后是分類模型（CFNN和Vector-CFNN），實驗結果如表2所示。結果顯示，CF-YOLO、VCF-YOLO和YOLOv4的mAP高達99%；CF-YOLO和VCF-YOLO在F1分數上優于其他模型。

由表2可知，經典模型Retinanet與SSD的準確率均較高，但略低于該文提出的方法，且檢測速度遠低于該文所提出的方法。相比于傳統YOLOv4-tiny模型，盡管檢測速度更快（291 FPS），但其F1和mAP低于其他模型。相比之下，CF-YOLO和VCF-YOLO在檢測速度超過70 FPS的同時，也在評估指標上表現優異。

為了驗證系統在實際環境中的有效性，將所提出的智能交通監測系統應用于實際道路中，其架構在該實驗中，使用兩個實際的道路交通視頻評估所提出的車輛計數方法。在被測試的監測道路上實現了兩個功能，即車輛分類和交通流量計算。在評估中，將所提出的車輛流量計數結果除以人工計數結果，以確定車輛計數的準確性。所提出的智能交通監測系統能很好地完成車輛分類和計數。

3 結論

該文提出了一種智能交通監測系統，其結合了YOLOv4-tiny模型和計數方法，用于交通流量統計和車輛類型分類。通過引入融合方法和FNN設計了所提出的CFNN和Vector-CFNN，它們不僅可以有效減少網絡參數的數量，還能提高分類準確率。在BIT數據集上，所提出的網絡映射融合方法優于常用的池化方法，可以有效地整合圖像特征并提高分類準確率，網絡映射融合法比池化法識別準確率提高了3.59%～5.92%。在GRAM-RTM數據集上，與目前最先進的目標檢測方法（Retinanet、SSD、YOLOv4和YOLOv4 tiny）相比，所提出的CF-YOLO、VCF-YOLO具有較高的mAP率、準確的計數精度、實時的車輛計數和分類能力（超過30 FPS）。在實際的道路交通場景中，所提出的CF-YOLO和VCF-YOLO方法在車輛分類方面取得了較高的F1分數，且在車輛計數方面具有較高的準確率?？傊?，該文提出的CFNN和Vector-CFNN模型不僅具有良好的車輛分類效果，而且相對于其他模型具有較少的參數。因此，所提出的模型適用于硬件性能有限環境的信息分析。

參考文獻

[1]Zhang W.， Zheng Y.， Gao Q.， et al. Part-aware region proposal for vehicle detection in high occlusion environment[J]. IEEE Access， 2019（7）：100383-100393.

[2]房鑫，陳兵旗，彭書博，等.基于改進YOLOv4的前方車輛檢測方法[J].傳感器與微系統，2024（10）：155-159.

[3]Asim Y.， Raza B.， Malik A. K.， et al. A hybrid adaptive neuro-fuzzy inference system （ANFIS） approach for professional bloggers classification[J]. In Proc. 22nd Int. Multitopic Conf. （INMIC）， 2019：1-6.

[4]Lin C.-J.， Jhang J.-Y.， Chen S.-H.， et al. Using an interval type-2 fuzzy neural network and tool chips for flank wear prediction [J]. IEEE Access， 2020（8）： 122626-122640.

[5]Yeh J.-W.， Su S.-F. Efficient approach for RLS type learning in TSK neural fuzzy systems[J]. IEEE Trans. Cybern.， 2017（9）： 2343-2352.

[6]Lin C.-J.， Lin C.-H.， Jhang J.-Y. Dynamic system identification and prediction using a self-evolving Takagi–Sugeno–Kang-type fuzzy CMAC network[J]. Electronics， 2020（4）： 631.