結合動態(tài)概率定位模型的道路目標檢測

左治江，胡 軍，鄭文遠，梅天燦*

（1.江漢大學 機電與建筑工程學院，湖北 武漢 430056；2.武漢大學 電子信息學院，湖北 武漢 430072）

傳統(tǒng)的車輛檢測框架主要采用顯式模型［1-3］或隱式模型［4-7］，其特征表達均屬于基于人工設計的特征表達，很難保證車輛檢測的魯棒性和穩(wěn)定性，而基于神經(jīng)網(wǎng)絡的特征表達則是基于學習的特征表達，在影像分類和檢測中表現(xiàn)出了優(yōu)異的性能［8-10］。針對現(xiàn)有R- CNN 系列［11-13］模型和概率定位模型LocNet［14］的局限，本文提出一種端到端卷積神經(jīng)網(wǎng)絡車輛檢測模型HyperLocNet，通過對候選框生成網(wǎng)絡RPN［14］，改進概率定位模型以及目標識別網(wǎng)絡進行聯(lián)合訓練，從而使得各個子任務之間相互協(xié)同，提高目標定位和檢測的精度，有效解決了目標檢測任務中定位信息少、模型不穩(wěn)定和對小目標檢測效果不理想等問題。

1 HyperLocNet車輛檢測網(wǎng)絡

目標檢測包含目標定位和目標識別兩個關鍵問題。針對現(xiàn)有回歸定位和概率定位兩種定位方法的局限，HyperLocNet 將定位和識別網(wǎng)絡融合在同一個網(wǎng)絡中共享信息，實現(xiàn)多任務的端到端學習，其模型結構如圖1 所示。待檢測圖像經(jīng)過基礎卷積網(wǎng)絡之后得到激活特征圖，激活特征圖首先進入RPN 網(wǎng)絡產(chǎn)生候選框。RPN 網(wǎng)絡與后續(xù)檢測網(wǎng)絡共享基礎卷積層的權重，包括候選框坐標回歸及前景與背景預分類兩個分支。根據(jù)每個候選框分類得分進行非極大值抑制操作，訓練階段選擇前2 000 個候選框?qū)罄m(xù)的檢測網(wǎng)絡進行訓練，測試階段選擇前300 或者100 個候選框進入檢測網(wǎng)絡。經(jīng)過NMS 篩選得到的候選框被映射至激活特征圖，經(jīng)過ROI 池化層輸出固定尺寸的特征向量，再進入檢測網(wǎng)絡進行精細定位并分類。

圖1 HyperLocNet 檢測模型圖Fig.1 HyperLocNet detection model

不同于Faster R- CNN 的檢測網(wǎng)絡和RPN 采用回歸模型進行定位，HyperLocNet 采用的定位模塊提供了關于目標位置的條件概率，使得模型的穩(wěn)定性更好，可以處理多個目標彼此接近的情形。對于小目標的檢測需要更多的細節(jié)語義信息，而深層卷積網(wǎng)絡由于池化層的原因，特征圖尺寸不斷減小，對細節(jié)語義信息響應不明顯，HyperLocNet 改變VGG16 的pool/4 池化層的參數(shù)，使得conv4_3 經(jīng)過池化層后尺寸不變，即將步長（stride）由16 變?yōu)?，特征圖尺寸縮小為檢測圖像的1/8，以適應小目標的檢測。

HyperLocNet 在目標定位模塊中將X和Y兩個分支的任務融合到一個分支中，舍棄了原來模型目標定位模塊中的多個卷積層和池化層。通常在卷積網(wǎng)絡架構中的連續(xù)卷積層之間插入池化層，池化層使用Max Pooling 操作，在保證深度維度不變的前提下，減小了網(wǎng)絡特征向量的尺寸，從而保證了特征的尺度和旋轉不變性。但是目標定位任務對尺度和旋轉非常敏感，尤其是檢測小目標時，幾個像素的移動就會導致最終的定位結果偏差很大。LocNet 模型中ROI 層之后的池化層可能會丟棄用于精確定位的關鍵信息，故HyperLocNet 在ROI 層之后直接通過全連接層提取位置信息，即X 和Y 方向的條件概率，從而保證從激活特征圖傳遞出來的信息的完整性。而基礎卷積層中的池化層已經(jīng)可以保證特征的尺度和旋轉不變性，使得檢測模型的識別模塊具有較強的泛化性和穩(wěn)定性。

在對目標進行精確定位時，LocNet 要求初始候選框包含目標框，當該條件不滿足時，其定位誤差比回歸模型大。圖2 是概率定位模型與回歸定位模型的比較，其中黑色框為概率模型搜索區(qū)域，黃色框為初始候選框，紅色框為回歸模型定位結果，藍色框為概率模型定位結果，黃色箭頭表示回歸模型將候選框逼近目標框的過程。如圖2（a）所示，當目標在初始候選框之外時概率模型不能準確定位，而回歸定位模型無論初始候選框是否包含目標框，都可以使候選框逼近目標框。如圖2（b）所示，當目標處在搜索區(qū)域中時，概率模型可以更加精確地定位。針對兩種定位模型的特點，HyperLocNet 中RPN 采用回歸模型定位生成距離目標比較近的候選框，后續(xù)檢測網(wǎng)絡采用概率模型對RPN 候選框進行精細定位提高定位精度。邊界概率和邊界內(nèi)外概率的基本形式為表述為在區(qū)域R 內(nèi)，任意行或者列是第c類的邊界的概率（或者在第c類的邊界內(nèi)的概率），圖3 是兩種概率定位示意圖，其中青色框為原始候選框，黃色框為將原始候選框放大一定范圍得到的搜索區(qū)域，藍色框為目標實際邊界框。圖3（a）表示邊界內(nèi)外概率，即搜索區(qū)域內(nèi)的行列在目標邊界內(nèi)的條件概率；圖3（b）表示邊界概率，即搜索區(qū)域內(nèi)的行列為目標邊界的概率。通過試驗發(fā)現(xiàn)由于本文檢測目標為小目標，檢測難度大，單獨采用邊界概率定位效果不佳，而采用組合概率時間開銷比較大，定位結果改善不明顯，因此本文僅考慮邊界內(nèi)外概率的作用。

圖2 概率定位模型與回歸定位模型的比較Fig.2 Comparison between probabilistic location model and regression location model

2 HyperLocNet網(wǎng)絡損失函數(shù)

本文提出的檢測網(wǎng)絡以VGG16 為基礎，以ImageNet 上訓練的圖像分類模型為初始權重。在概率定位模型中，對于N個候選框訓練樣本定位損失為

圖3 概率定位模型示意圖Fig.3 Schematic diagram of probabilistic location model

HyperLocNet 模型后續(xù)檢測網(wǎng)絡的多任務損失函數(shù)為

式（2）中Lcls(θ)表示所有類別的分類損失，Lloc(θ)為式（1）表示的定位損失。只有前景才產(chǎn)生定位損失，其中λ設為 1。

HyperLocNet 中的RPN 的多任務損失為

P= (Px,Py,Pw,Ph) 表示初始候選框在檢測圖像的中心坐標位置和長、寬。G=(Gx,Gy,Gw,Gh)代表原標記框（ground- truth box）在檢測圖像的中心坐標位置和長、寬。訓練RPN 時，式（3）的λ設置為 3。

綜合式（3）和式（4），HyperLocNet 訓練過程中總的損失為

3 試驗與分析

3.1 試驗數(shù)據(jù)與訓練參數(shù)設置

為了驗證本文提出的HyperLocNet 檢測模型的效果，制作了自定義的道路車輛目標數(shù)據(jù)集TVOWHU 進行檢測試驗，并將文獻［14- 20］中的幾種方法應用在該數(shù)據(jù)集上，與HyperLocNet檢測結果相比較。

TVOWHU 數(shù)據(jù)集由分布在車流量較大的十字路口處的監(jiān)控相機采集的視頻流中隨機采樣得到的826 幅平均大小為601× 395 的圖像組成，仿照Pascal VOC 的形式，以JPEG 格式呈現(xiàn)。其中707 個樣本作為訓練數(shù)據(jù)，其余119 個樣本作為測試數(shù)據(jù)。訓練HyperLocNet 時，RPN 中檢測框與ground- truth 的交疊率大于0.4 的為正樣本，小于0.3 的為負樣本，后續(xù)檢測網(wǎng)絡中，交疊率大于0.4 的為正樣本，在0.1 ～ 0.4 之間的為負樣本。表1 展示了LocNet 和HyperLocNet 檢測模型的訓練參數(shù)設置。LocNet 檢測模型分別訓練了識別網(wǎng)絡和定位網(wǎng)絡，識別網(wǎng)絡為去掉定位部分的Fast R- CNN 網(wǎng)絡。

表1 訓練參數(shù)設置Tab.1 Training parameters setting

3.2 檢測結果比較與分析

圖4 為不同檢測模型在TVOWHU 數(shù)據(jù)集上的Recall- IoU 曲線，可以看出HyperLocNet 的檢測效果始終優(yōu)于Faster R- CNN。當IoU ＞ 0.5，候選框數(shù)量為300 時，HyperLocNet 的召回率為 71.5% ，F(xiàn)aster R- CNN 的召回率為 62.5% 。與 YOLO- v2 相比，IoU 較低時，HyperLocNet 的檢測效果更好，當 RPN 產(chǎn)生 300 個候選框時，HyperLocNet 在 IoU ＞ 0.5 和 IoU ＞ 0.65 時召回率比YOLO- v2 分別高出15 個和5 個百分點。

圖4 不同檢測模型在TVOWHU 數(shù)據(jù)集上的Recall-IoU 曲線（Proposals = 300）Fig.4 Recall-IoU curves of different detection models on TVOWHU data (Proposals = 300)

表2 為TVOWHU 數(shù)據(jù)集的整體檢測結果，表中AP 表示平均檢測精度（average precision）。LocNet 在PASCAL 數(shù)據(jù)集上試驗時，采用多次迭代的方法提高檢測效果，最終確定迭代次數(shù)為4 次。在試驗中發(fā)現(xiàn)，對TVOWHU 數(shù)據(jù)集，最多迭代2 ～3 次就可以達到最好的檢測效果。對于Selective Search 產(chǎn)生的質(zhì)量較高的候選框，當數(shù)量較多，為1 k 時，只需迭代1 次即可，數(shù)量較少，為300 時，需迭代2 次；對于Sliding- window 產(chǎn)生的質(zhì)量較低的候選框，當數(shù)量較多，為1 k時，需迭代2 次，當數(shù)量較少，為300 時，需迭代3 次。但即使由Selective Search 產(chǎn)生1 k 候選框，LocNet 的 AP 與 HyperLocNet 相比仍然有較大差距。比如 RPN 產(chǎn)生 50 個候選框，IoU ＞ 0.5 時，HyperLocNet 的 AP 為 57.7% ，而 LocNet 的 AP 僅為 49.5% 。文獻［16，20］采用手工設計特征識別車輛，只考慮了IoU ＞ 0.5 的情況，與之相比HyperLocNet 的AP 整體高出10% ，由此可以看出卷積神經(jīng)網(wǎng)絡的特征表達能力更強。與LocNet 相比，HyperLocNet 檢測效果更好，說明網(wǎng)絡聯(lián)合訓練、共享權重可以使得識別和定位兩個任務相互促進。與R- CNN 系列模型相比，HyperLocNet的優(yōu)勢很明顯，說明概率定位模型應用在目標檢測框架中可以提高檢測性能。雖然IoU ＞ 0.5 時，HyperLocNet 的 AP 略低于 YOLO- v2［9］，但值得說明的是，當 0.5 ＜ IoU ＜ 0.7時，HyperLocNet 的AP 始終在 30% ～ 60% 之間，而 YOLO- v2 在 IoU ＞ 0.7 時 AP 已經(jīng)為 23.6% 。這一結果表明在IoU 較低時HyperLocNet模型更為穩(wěn)定，在這種條件下，隨著在IoU 增大時，檢測效果沒有急劇下降。

表2 TVOWHU 測試結果Tab.2 TVOWHU test results

表3 為各檢測模型處理一張圖片所用的時間，括號內(nèi)為每秒處理的圖片容量。這里所示的均為所有檢測情況下檢測效果最好結果的運行時間，比如LocNet 模型由Sliding- window 提供1 k個候選框時，迭代2 次效果最好。由表3 可以看出端到端模型的檢測時間最短，HyperLocNet 可以達到13 幀/s，完全具有實時處理的潛質(zhì)，今后我們也將繼續(xù)探索，在保證檢測效果的前提下，提高檢測效率。除文獻［15- 16］的檢測模型外，HyperLocNet、LocNet、Fast R- CNN 模型均基于caffe 深度學習框架，YOLO- v2 基于DarkNet 深度學習框架，在GeForce GTX 1080Ti 上運行。

表3 TVOWHU 測試時間Tab.3 TVOWHU test time

3.3 檢測結果可視化

圖5 展示了HyperLocNet 和其他幾種檢測模型在TVOWHU 數(shù)據(jù)集上的檢測結果，其中綠色箭頭所指為漏檢或者定位框誤差較大的情況。即使在車輛分布密集，車身目標小，車輛目標相互之間有重疊的情況下，HyperLocNet 的檢測結果依然比較好。其他幾種檢測模型有不同程度的漏檢，或者有定位框位置不準確等問題。在車輛分布較密集的區(qū)域，HyperLocNet 只有一處出現(xiàn)一個漏檢，其他檢測框架出現(xiàn)漏檢的情況較多，而且Fast R- CNN 的多個定位框的位置誤差較大。

圖5 檢測結果Fig.5 Test results

從TVOWHU 數(shù)據(jù)集檢測結果來看，本文提出的HyperLocNet 檢測模型對于小目標的檢測效果比R- CNN 系列模型和YOLO- v2 的檢測效果好。造成這種差距的原因，第一是因為概率定位模型在穩(wěn)定性方面發(fā)揮了優(yōu)勢，對于大目標和小目標，訓練階段和測試階段輸出的條件概率都在0 ～1 之間，保證了模型的穩(wěn)定性，使得對大目標和小目標的檢測效果都很好；第二是因為在HyperLocNet 檢測網(wǎng)絡中，定位和識別都采用了概率模型，這更有利于多任務學習中兩個任務相互促進、相互制約，提高整個模型的穩(wěn)定性和泛化性能；第三是因為在概率定位模型中，搜索區(qū)域R 是以候選框為中心并將其放大的特定區(qū)域，放大候選框，將目標周圍的背景信息融入其中，也是一種特征融合的過程，有利于改善模型性能。

4 結語

本文提出一種新的基于視頻流影響的道路車輛目標檢測框架HyperLocNet，實現(xiàn)端到端檢測，并達到13 幀/s 的處理速度。為解決基于CNN 的目標檢測框架中使用回歸模型定位輸出信息較少，定位精度受限的問題，利用改進概率定位模型輸出條件概率，提供更多有用的關于目標位置的信息，使檢測模型更加穩(wěn)定。進一步，本文將目標識別和目標定位融合在一個深度學習網(wǎng)絡中，使得識別和定位任務共享卷積層和兩個完全連接層的計算，降低了計算成本。在這個多任務模型中，識別和定位任務相互促進，使得檢測性能比LocNet 大大提高。在自定義的TVOWHU道路目標數(shù)據(jù)集中，本文提出的模型檢測效果比廣泛使用的Faster R- CNN 和YOLO- v2 等方法有了明顯提高。