山地城市下基于YOLO的目標檢測算法

摘要：在復雜道路場景下檢測圖像存在光照變化、遮擋、背景雜亂等問題，導致對場景里多目標的檢測難度增大，尤其是在山地城市的道路場景下的檢測。為解決此類問題，提出了一種基于YOLO算法的目標檢測模型YOLO-MIS（YOLO for Multi-target in Infrared Scene）。在典型山地城市數據集上的實驗結果表明：YOLO-MIS在滿足網絡模型輕量的情況下，與原模型相比其檢測精度提升了57%，實現了在復雜交通場景中對目標的精確檢測。

關鍵詞：智能交通；復雜交通場景；目標檢測；深度學習

中圖分類號：U495" 收稿日期：2024-11-13

DOI：1019999/jcnki1004-0226202502019

1 前言

在自動駕駛技術中，目標檢測是極其重要的一部分，利用檢測算法可以有效對道路場景中的目標進行實時捕捉。精確地辨識并定位道路目標能為行駛中的車輛提供實時的路況數據，輔助車輛進行行車決策，從而確保行車安全。近年來，深度學習技術取得了顯著進步，極大地增強了計算機視覺在行人及車輛識別方面的可行性。將深度學習驅動的目標檢測算法融入行人車輛識別技術，對于自動駕駛汽車環境感知能力的提升及其研究應用而言，具有深遠的意義[1]。

用于目標檢測的深度學習算法可分為兩大類[2]。第一類是建立在候選區域生成的基礎上（即兩階段方法），其工作流程分為兩大步驟：首先，通過算法的一個子網絡來產生一系列可能的候選區域框；接著，對這些候選框進行細致的分類與精確定位。R-CNN[3]、Fast R-CNN[4]，以及Faster R-CNN[5]等，均屬于這一類方法的代表算法。另一類檢測方法是基于直接回歸的檢測（單階段法），這種方法省去了生成候選框的步驟，而是直接在最終的特征映射圖上產生候選邊界框，并同時進行分類與定位處理。YOLO[6-9]系列算法和SSD[10]算法便是此類方法的典型代表。

兩階段算法參數較多、較為復雜，其通常具有較高的檢測水平，但對于有實時檢測需求的車輛來說，其檢測速度過慢；單階段算法的模型結構相對簡單，檢測速度也更快，但其精度沒有雙階段算法高。

隨著近幾年的深度學習算法的發展，單階段目標檢測算法在滿足實時檢測的基礎上，準確率也接近雙階段算法的水平，這對于自動駕駛領域的研究仍有較高的研究意義。

因此，本文以單階段算法中的YOLOv5檢測網絡為基礎，做了以下改進：

a.使用了輕量化RepViT結構，提高模型對場景內目標關鍵特征的關注度，降低復雜背景信息的影響。

b.在特征融合網絡上添加高效多尺度注意力模塊（EMA），以增強模型在不同尺度下的檢測能力。

c.添加MemoryEfficientMish 激活函數，使不同層級間特征圖的信息充分融合。

d.將原有的損失函數改進為Wise-IoU，使錨框的質量得到改善，提高模型的整體性能。

2 改進后的YOLO模型

圖1所示為優化后的目標檢測模型YOLO-MIS的網絡框架。首先，在Neck中替換高效的RepViTBlock主干網絡，極大地提升了模型在復雜場景下對目標特征融合的能力；其次，對C3模塊引入EMA注意力機制，以多尺度的手段提取目標特征，有效抑制場景中的特征不明顯、特征差異大的現象；最后，分別對激活函數和損失函數進行調整，增強訓練的平滑性。

21 新型輕量化RepViT結構

在原模型中，YOLOv5通過在Neck網絡層中使用“FPN-PAN”的結構，實現了精度的提升，但由于特征金字塔網絡結構受限于單向信息傳遞的約束，使得模型變得冗余。因此，本文將輕量化RepViT[11]添加至Neck網絡中，對于復雜場景中同一類目標變化大、特征信息差距大的情況，加入了RepViT結構的網絡，整合了不同階段的目標特征信息，增強了模型特征表達能力，進一步增強了場景中對多個目標的檢測能力。RepViT在MobileNetV3的基礎上，將DW卷積模塊提前，使通道混合器和令牌混合器分開，在推理期間又合并到一起。然后，引入了結構重參數化技術來增強模型的訓練學習，使模型獲得最大化的準確性收益和最小化的延遲增量，消除了推斷期間的計算和內存成本，大大提高了模型的整體性能。

22 高效多尺度EMA注意力機制

Efficient Multi-Scale Attention（EMA）注意力機制模塊[12] 模塊使用了一種跨空間學習策略，首先，把輸入的通道維度（c×h×w）重塑為批量維度（3×g×h×w），從而得到多個并行子網絡，接著在并行子網絡中構建局部的跨通道交互連接，同時整合兩個并行子網絡的輸出特征，建立通道之間的短和長依賴關系，即在提高了目標的特征表示的同時，避免了注意力機制進行通道降維時的影響。EMA的網絡結構圖如圖2所示，其中輸入維度為c×h×w。

23 基于動態非單調聚焦機制的WIOU

本文采用的WIOU_Loss（wise intersection over union loss）[13]很好地處理了預測框與目標框之間方向一致性的問題，基于特殊的聚焦方法，使用了新的標準方法來評估錨框質量，減少了對低質量目標的關注，避免了模型學習到不利梯度的影響，大大提升了預測框與目標框之間的對應關系，使得模型可以很好地處理目標特征信息弱的問題。其公式如下：

式中，[x]、[y]為預測框的中心點橫縱坐標；[w]和[h]分別為預測框的寬度和高度；[xgt]、[ygt]是真實框中心點的橫縱坐標；[wgt]和[hgt]是真實框的寬度和高度；[Wg]和[Hg]為預測框與真實框區域構成的最小封閉盒的寬度和高度；[Wi]和[Hi]為兩者重疊區域的寬度和高度；[LIOU]為[LIOU]（交并比損失）的滑動平均值；[r]作為一個梯度增益因子，通過調整其值可以加快或減慢模型的學習速度，并影響模型的穩定性；[β]用于衡量樣本的離群程度，其數值越大，意味著樣本的質量越低。

24 MEMish激活函數

Mish激活函數[14]在集成ReLU函數無上限且有下限特性的基礎上，還進一步融合了平滑性和單調性的優勢，這些特點使訓練過程中梯度下降更加順暢，有助于加速模型的收斂，并提高檢測的精確度。MEMish（Memory Efficient Mish）是為了在模型中節省內存而設計的改進Mish激活函數，通過近似的方式來簡化計算，以降低計算復雜度，從而節省內存。與原模型的SiLU函數相比，MEMish激活函數在分類的檢測準確率上要更高，對于模型面對復雜場景的訓練時，效果更加顯著。以下是SiLU函數與MEMish函數的數學表達式：

3 實驗結果與分析

31 實驗數據集和參數設置

為驗證本文改進算法的有效性，本文使用采自云南昆明的數據集作為實驗數據集，該數據集包含各種復雜場景以及山地城市的典型場景，共包含1 886張圖像，涵蓋7種較廣泛的檢測類別，如車輛、行人、騎車人、動物、交通設施、障礙物和雜項，具體細分了35個標簽。

表1為本文實驗的環境及訓練的基本參數。針對場景的特性，在訓練過程中采用如下參數進行優化：輸入圖像分辨率為460×460，使用SGD優化器，學習率設為001，batch_size為16，啟用Mosaic數據增強技術，加載預訓練模型訓練200個epoch。

32 實驗評測指標

為了對改進后的模型進行性能評估，需要從多方面出發考量，通常使用以下指標進行評估：Params用來衡量模型的大小，Params越小，占用的內存就越小；AP表示單個類別的準確率；mAP表示所有類別的AP平均值，mAP的值越高，模型的性能越強；FPS為幀率的簡稱，直接表示的是每秒鐘顯示的圖像幀數量，即模型處理圖片的速度。公式如下：

3.3 消融實驗

為了驗證改進后的模型是否有效，進行了一系列消融實驗，實驗結果如表2所示，“√”表示針對原始模型進行的改進點。以YOLOv5s作為基準模型，并使用mAP、FPS等常用指標作為評價指標來評估實驗效果。

如表2所示，對于A組實驗，替換了輕量化的RepViT主干網絡，雖然模型的參數量和計算量略有增加，但是mAP相比于原始的算法提升了25 %，輕量化主干在參數量增加不大的前提下，使算法對復雜場景內的檢測性能得到了較大的增強。對于B組實驗，在上一組實驗的基礎上，添加了EMA注意力機制，其mAP較上一組實驗提升了15%，EMA高效、多尺度的特點，使其具有捕捉通道間短和長依賴關系的特點。對于C組實驗，又添加了損失函數WIOU，相比上一組mAP提升了14%。對于D組實驗，進行更換了Mish激活函數的實驗，mAP又提升了03%。整體實驗表明，改進后的模型精度達到了較大的提升，參數略有增加，處理圖片的能力仍然滿足需求。

4 結語

針對在山地城市場景下存在的目標檢測效率低的問題，本文提出了一種輕量化目標檢測模型，即YOLO-MIS，在本文的研究中取用了35個類別共1 886張圖像進行實驗，結果表明：a.YOLO-MIS與原始YOLOv5s相比，整體上得到較大改善，其表現在檢測精度、模型復雜度等方面，更適用于移動端；b.模型檢測精度、召回率、mAP均有不同程度的提升，最高精度可達995%，摩托車、嬰兒車、拖車、交通崗哨、花籃、路面散落物的檢測精度達到了90%以上；c.模型能夠很好地應對場景中復雜背景、行人目標密集以及小目標行人的檢測任務，可以解決在小目標場景、遮擋場景等復雜場景中多目標識別檢測難的問題，在一定程度上可降低行車的車禍發生率。

參考文獻：

[1]段續庭，周宇康，田大新，等深度學習在自動駕駛領域應用綜述[J]無人系統技術，2021，4（6）：1-27

[2]肖雨晴，楊慧敏目標檢測算法在交通場景中應用綜述[J]計算機工程與應用，2021，57（6）：30-41

[3]Girshick R，Donahue J， Darrell T， et al Rich feature hierarchies for accurate object detection and semantic segmentation [C]//Proceedings of the IEEE conference on computer vision and pattern recognition，2014：580-587

[4]Girshick R Fast r-cnn[C]//Proceedings of the IEEE international conference on computer vision，2015：1440-1448

[5]Ren Shaoqing， He Kaiming， Girshick Ross，et al Faster R-CNN： towards real-time object detection with region proposal networks[J]IEEE transactions on pattern analysis and machine intelligence，2017，39（6）：102-110

[6]Redmon J， Divvala S， Girshick R， et al You only look once：Unified， real-time object detection[C] //Proceedings of the IEEE conference on computer vision and pattern recognition，2016：779-788

[7]Redmon J， Farhadi A YOLO9000： better， faster， stronger[C]//Proceedings of the IEEE conference on computer vision and pattern recognition，2017： 7263-7271

[8]Redmon J， Farhadi A Yolov3： An incremental improvement [J] arXiv preprint arXiv：180402767，2018

[9]Bochkovskiy A，Wang C Y，Liao H Y MYolov4：Optimal speed and accuracy of object detection[J]arXiv preprint arXiv：200410934， 2020

[10]Liu W， Anguelov D，Erhan D，et alSsd：Single shot multibox detector[C]//European conference on computer vision Springer，Cham，2016：21-37

[11]Wang A，Chen H，Lin Z，et alRepvit：Revisiting mobile cnn from vit perspective[C]//Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition，2024：15909-15920

[12]Ouyang D，He S，Zhang G，et alEfficient multi-scale attention module with cross-spatial learning[C]//ICASSP 2023-2023 IEEE International Conference on Acoustics，Speech and Signal Processing （ICASSP）IEEE，2023：1-5

[13]Tong Z，Chen Y，Xu Z，et alWise-IoU：bounding box regression loss with dynamic focusing mechanism[J]arxiv preprint arxiv：230110051，2023

[14]Su X，Zhang J，Ma Z，et alIdentification of Rare Wildlife in the Field Environment Based on the Improved YOLOv5 Model[J] Remote Sensing，2024，16（9）：1535

作者簡介：

郭躍強，男，1999年生，碩士研究生，研究方向為新能源汽車關鍵技術。