基于注意力機(jī)制的運動車輛檢測方法

朱辰光 史燕中 王春華 劉惟錦 高昊飛

摘要：由于視覺注意力機(jī)制模仿了人類視覺系統(tǒng)的視覺原理，因此引入計算機(jī)視覺注意力機(jī)制方法來測試車輛信息是一項被廣泛關(guān)注的任務(wù)。在基于視頻廣播確定交通信息時，目標(biāo)標(biāo)識是一般交通信息的基礎(chǔ)。而從交通現(xiàn)場視頻中提取目標(biāo)對于后續(xù)的跟蹤、分類和數(shù)據(jù)分析等任務(wù)具有十分有效的幫助，從而可以降低算法的復(fù)雜性并提高其效率。該文主要著眼于識別道路上的車輛，基于視覺注意力模型，提出了一種基于注意力機(jī)制的車輛興趣區(qū)提取系統(tǒng)。通過實驗，將該算法與背景差分法的結(jié)果進(jìn)行了比較。

關(guān)鍵詞：視覺注意力;車輛檢測;識別;背景差分法

中圖分類號：TP18 文獻(xiàn)標(biāo)識碼：A

文章編號：1009-3044（2020）13-0013-02

1引言

機(jī)動車檢測模塊是智能交通系統(tǒng)中起到承上啟下作用的核心功能模塊，設(shè)計一個具備實時性、泛化能力強(qiáng)、識別準(zhǔn)確率高的檢測與屬性識別解決方案具有實際應(yīng)用價值。近幾年計算機(jī)視覺技術(shù)在深度學(xué)習(xí)理論的促進(jìn)下取得了巨大進(jìn)步，注意力（Attention）機(jī)制的研究則在深度神經(jīng)網(wǎng)絡(luò)中取得了很大的成功和廣泛的應(yīng)用，有不少研究證明，引入注意力機(jī)制能夠很好地改善現(xiàn)有神經(jīng)網(wǎng)絡(luò)模型的性能。本文擬對智能交通系統(tǒng)中的機(jī)動車檢測問題展開研究，同時從數(shù)據(jù)收集與算法設(shè)計兩個方面人手，擬引入注意力機(jī)制模塊，提高檢測效率。

2基于視覺注意機(jī)制的車輛感興趣區(qū)域提取

本文提出了一種視覺注意模型，該方法具有較為顯著的有效性。靜態(tài)元素與低緯度特征提取組合出運動特征圖以捕捉運動中的車輛目標(biāo)。確切的算法如下：

1）從視覺焦點格式中提取輸入到視頻中的每個視頻幀的四個亮度、顏色和方向，并組合相同類型的特征圖和不同的比例的特征圖，獲取最后一個靜態(tài)元素的貼圖類型;

2）通過多幀歸一化方法提取和更新背景，從背景差方法中提取運動特征，得到二值映射圖M的運動特征;

3）靜態(tài)特征圖通過最大類方差法進(jìn)行雙峰化得到二值圖像，靜態(tài)特征圖與S特征圖集成在一起，以獲取感興趣的最新圖片;

4）對最后關(guān)注的對象執(zhí)行物理操作，以檢索車輛中的關(guān)注區(qū)域。

圖1顯示了基于注意力機(jī)制的行駛中車輛的關(guān)注區(qū)域的過程。

3動態(tài)特征和靜態(tài)特征的提取與融合

3.1動態(tài)背景的提取與更新

環(huán)境的變化通常會導(dǎo)致視頻圖像背景的變化。如果我們繼續(xù)提取運動特征而不更新背景，則將極大地影響提取運動對象的準(zhǔn)確性。因此，必須提取并更新動態(tài)背景，否則會影響以后的發(fā)現(xiàn)。本文使用多元平均方法。

多幀平均是創(chuàng)建和更新背景的常用方法。該方法首先獲取視頻幀的平均幀，然后計算視頻幀的平均值，然后獲取平均背景圖像。此方法在公式（1）中給出：

Benson過程中對比度的選擇直接決定了微米發(fā)射的效果，所傳輸視頻幀的背景像素的灰度值不固定，并且圖像分割所需的調(diào)節(jié)方法是必需的。

本文使用最大變化方法。OTSU提出了最大的類間差異方法。該方法使用基于最大灰度圖像的灰度直方圖類間距離標(biāo)準(zhǔn)確定波段分類級別，檢測最大變化值，并將圖像分為背景和目標(biāo)。計算公式如下：

T閾值將圖像分為兩部分A和B，σ²代表兩個類之間的最大變化，B分別整個圖片的平均灰度。由此可知，采用兩種類型方差σ²σ²（T）最大值的T是最佳閾值。

3.4二值形態(tài)學(xué)處理

原圖的靜態(tài)二項式特征和二項式圖的運動特征的二值處理，獲得最終圖像，并提取感興趣區(qū)域，影響很大，所以我對它附帶的圖像處理非常感興趣。

其中B（x）是結(jié)構(gòu)元素，x是圖像空間E中的一個點。

靜態(tài)操作可能是兩個獨立的對象執(zhí)行，并且單獨圖像中的兩個載具很小。擴(kuò)展操作的復(fù)制品是加寬前景對象的邊界點并填充前景對象中的孔并填充感興趣的圖像。

3.5實驗結(jié)果對比與分析

經(jīng)過大量測試，本文對視頻中的行駛中的車輛進(jìn)行了檢測，檢測精度達(dá)到94.5%，具有良好的檢測效果。如表l所示，大多數(shù)商用視頻車輛檢測系統(tǒng)現(xiàn)在已廣泛應(yīng)用于生活中。該算法的檢測精度與商用視頻車輛檢測系統(tǒng)的檢測精度相當(dāng)。

4總結(jié)

本文分析了基于視覺注意機(jī)制的車輛檢測算法，提出了一種基于視覺注意機(jī)制的一種基于原始車輛檢測算法提取運動特征的區(qū)域提取方法。視覺焦點模型用于選擇要素、定向光色。通過結(jié)合靜態(tài)特征鹽度圖和動態(tài)特征圖，通過原始車輛檢測算法獲得的目標(biāo)圖像具有更完整的前景目標(biāo)，增強(qiáng)了空腔、裂縫和聲音現(xiàn)象，并在捕獲目標(biāo)圖像輪廓的同時捕獲了計算圖像。運動車輛的輪廓最終能夠在視頻圖像中檢測和識別運動車輛。