基于深度學(xué)習(xí)的隧道視頻車輛檢測

姜東陽　張健陽　楊瑞建　張震　王先勇　袁彥各

摘 要：針對現(xiàn)有的基于視頻進行車輛自動識別的方法在隧道交通擁堵路段存在提取圖像特征困難、識別效果差等問題，本文提出了基于深度學(xué)習(xí)的隧道視頻車輛檢測的方法。（1）對視頻圖像進行道路區(qū)域的界定，用人工勾勒出感興趣區(qū)域ROI作為待檢測區(qū)域，并基于形態(tài)學(xué)檢測方法將待檢測區(qū)域進行子塊劃分;（2）對圖像子塊進行公交車、小汽車和道路標線分類，據(jù)此建立圖像基準庫;（3）建立CaffeNet深度學(xué)習(xí)模型，利用圖像基準庫對CaffeNet模型進行訓(xùn)練測試。結(jié)果顯示，公交車和道路標線識別準確率為100%，小汽車識別準確率為98.80%，表明本方法可準確有效地識別隧道交通視頻中的車輛種類及道路標線。

關(guān)鍵詞：智能交通;深度學(xué)習(xí);隧道視頻;車輛檢測

在現(xiàn)代交通系統(tǒng)中，基于視頻的交通信息檢測是一種重要交通信息采集技術(shù)。由于其具有可視化、安裝維護便捷、可獲取多種交通參數(shù)且不破壞路面結(jié)構(gòu)等優(yōu)勢，在交通監(jiān)控管理和交通研究等領(lǐng)域得到了廣泛的應(yīng)用。但現(xiàn)有的基于視頻進行車輛自動識別的方法在交通擁堵路段存在提取圖像特征困難、識別效果差等問題。

近年來深度學(xué)習(xí)成為研究熱點，在車輛顏色[1]、無牌車檢測[2]、機動車檢測與分類[3]、目標跟蹤[4]、車輛定位[5]等相關(guān)的技術(shù)方面也比較成熟。深度學(xué)習(xí)能夠很好地獲取較為穩(wěn)定的特征，搜索的相似目標更精確，搜索準確率在95%以上。目前深度學(xué)習(xí)在交通領(lǐng)域中的應(yīng)用還有車輛檢測與感知[6]、車輛身份特征識別[7]、交通視頻的分析應(yīng)用[8]等。

因此，本文提出了基于深度學(xué)習(xí)的隧道視頻車輛檢測方法，有效避免了圖像特征提取困難、識別效果差等問題。

1 方法簡介

本文基于方法步驟如下：

（1）視頻采集。

（2）圖像預(yù)處理。將采集的視頻轉(zhuǎn)化為圖像，并經(jīng)過一系列圖像預(yù)處理過程獲得原始數(shù)據(jù)庫。

（3）深度學(xué)習(xí)圖像基準庫構(gòu)建。人工分類原始數(shù)據(jù)庫內(nèi)的圖像，構(gòu)建訓(xùn)練集、測試集與驗證集。

（4）CaffeNet模型訓(xùn)練測試。將訓(xùn)練集與測試集同CaffeNet模型結(jié)合進行模型的訓(xùn)練與測試，并不斷調(diào)整優(yōu)化模型的參數(shù)，直到滿足準確率-損失值閾值條件。

（5）CaffeNet模型驗證與分析。利用訓(xùn)練好的CaffeNet模型分類驗證集的圖像，若準確率太低則調(diào)整參數(shù)后重新進行模型的訓(xùn)練與測試;若準確率達到要求，則可以進行車輛檢測。

2 深度學(xué)習(xí)圖像基準庫構(gòu)建

將原始數(shù)據(jù)庫內(nèi)的圖像按類別歸類整理，本文將路面上的目標分成3類，分別是bus（公交車）、car（小汽車）以及l(fā)anemarking（標線）。各類別樣圖如圖1至圖3所示。

圖像基準庫由四部分組成，包括basic_dataset（原始數(shù)據(jù)庫）、train_dataset（訓(xùn)練集）、test_dataset（測試集）以及predict_dataset（驗證集）。其中，原始數(shù)據(jù)庫是由原始視頻轉(zhuǎn)化成圖像后經(jīng)過人工截取檢測目標后的原始圖像。圖像基準庫各部分樣圖數(shù)量如表1所示。

3 CaffeNet模型訓(xùn)練測試

3.1 CaffeNet深度學(xué)習(xí)模型簡介

深度神經(jīng)網(wǎng)絡(luò)模型常見模型有LeNet、AlexNet、CaffeNet、GoogLeNet與Vgg_16，本文使用的模型是CaffeNet模型。CaffeNet模型除了輸入層和輸出層之外，由5個卷積層與3個全連接層組成，模型運行圖如圖4所示。

3.2 CaffeNet深度學(xué)習(xí)模型訓(xùn)練測試

CaffeNet模型訓(xùn)練測試主要有準備數(shù)據(jù)集、標記數(shù)據(jù)、創(chuàng)建lmdb格式的數(shù)據(jù)庫文件、建立Caffenet網(wǎng)絡(luò)和訓(xùn)練參數(shù)、執(zhí)行訓(xùn)練五個步驟。本文CaffeNet模型基本訓(xùn)練參數(shù)如表2所示。

經(jīng)過訓(xùn)練與測試，得到結(jié)果圖分為Train loss、Test loss和Accuracy三個部分，當(dāng)Train loss和Test loss趨近于0時，Accuracy趨近于1時，訓(xùn)練測試結(jié)果越好。如圖5所示為CaffeNet模型的訓(xùn)練測試結(jié)果圖，可見模型的精確率較高，可進行模型驗證步驟。

4 CaffeNet模型驗證與分析

模型驗證有準備有關(guān)類名文件、準備驗證圖像集、準備網(wǎng)絡(luò)構(gòu)架說明文件、準備分類器并執(zhí)行批處理文件幾個步驟。部分驗證概率值如表3所示。

根據(jù)統(tǒng)計得到，“bus”的驗證準確率為100%，“car”的驗證準確率為98.80%，“l(fā)anemarking”的驗證準確率為100%。從表中可看出，Caffenet模型對車輛檢測的驗證準確率很高，但是依然存在識別誤差，誤差主要集中在小轎車和公交車以及小轎車和標線之間的識別。

5 隧道視頻車輛檢測

對于隧道視頻圖像中的任意子塊，如圖6所示，利用CaffeNet深度學(xué)習(xí)模型進行公交車、小汽車、道路標線的種類識別。然后，將識別結(jié)果在原始視頻圖像中進行標記，如圖7所示。

6 結(jié)論

本文設(shè)計的基于深度學(xué)習(xí)的隧道視頻車輛檢測方法，彌補了現(xiàn)有視頻車輛檢測方法的不足，有助于實時交通信息采集，在交通監(jiān)控管理和交通研究等領(lǐng)域拓展交通流理論研究范疇、推動交通流分析等相關(guān)研究，具有較廣闊的工程應(yīng)用價值和理論意義。

基于深度學(xué)習(xí)的隧道視頻車輛檢測，具有更直觀、穩(wěn)定可靠、識別效率高、易操作等優(yōu)勢，依靠神經(jīng)網(wǎng)絡(luò)訓(xùn)練時自動從低級特征到高級特征不斷學(xué)習(xí)提取圖像的特征，從而規(guī)避了人工提取圖像特征的復(fù)雜性、模糊性以及特征匹配時的不穩(wěn)定性。

但是，目前深度學(xué)習(xí)在交通領(lǐng)域的研究還不夠成熟，需要挖掘的地方還有很多。另外，模型訓(xùn)練樣本的構(gòu)建以及神經(jīng)網(wǎng)絡(luò)模型的訓(xùn)練都比較耗時，特別是參數(shù)的優(yōu)化。模型的準確度將直接影響后面預(yù)測的可靠性，所以對于深度學(xué)習(xí)需要更全面的測試和長期深入的研究。

參考文獻：

[1]張強，李嘉鋒，卓力，等.基于卷積神經(jīng)網(wǎng)絡(luò)的監(jiān)控場景下車輛顏色識別[J].測控技術(shù)，2017（10）：11-14.

[2]鄒剛，蔣濤，李鴻升.基于深度學(xué)習(xí)的車牌檢測方法，CN106022232A[P].2016.

[3]郭少博.基于深度學(xué)習(xí)的機動車檢測與屬性識別研究[D].中國科學(xué)技術(shù)大學(xué)，2017.

[4]管皓，薛向陽，安志勇.融合視覺先驗與背景信息的視頻目標跟蹤方法[J].小型微型計算機系統(tǒng)，2016，37（9）：2074-2078.

[5]張飛云.基于深度學(xué)習(xí)的車輛定位及車型識別研究[D].江蘇大學(xué)，2016.

[6]陳惠珍.基于深度學(xué)習(xí)的無人車避障策略研究[D].湖南大學(xué)，2016.

[7]王夢偉.基于深度學(xué)習(xí)的車輛特征識別系統(tǒng)研究與實現(xiàn)[D].電子科技大學(xué)，2016.

[8]柴江武，王茜，魯斌.基于深度學(xué)習(xí)的道路交通態(tài)勢在線視頻判別系統(tǒng)[J].科研，2016（12）：151.