基于改進(jìn)YOLOv3-tiny的輕量級車輛檢測網(wǎng)絡(luò)

李孝疆，黎敬濤，邱 潤

（昆明理工大學(xué) 信息工程與自動化學(xué)院，云南 昆明 650500）

0 引 言

隨著經(jīng)濟(jì)的快速發(fā)展，我國城市的機(jī)動車輛不斷增加，帶來了嚴(yán)重的交通堵塞問題。為了緩解交通阻塞，提高交通運(yùn)輸效率，智能交通系統(tǒng)應(yīng)運(yùn)而生。智能交通監(jiān)控是智能交通系統(tǒng)的一個重要組成部分，其首要任務(wù)是準(zhǔn)確地檢測車輛[1]。車輛檢測技術(shù)是大多數(shù)交通應(yīng)用如道路實(shí)時(shí)監(jiān)控、智能交通控制及無人駕駛等的關(guān)鍵技術(shù)[2]。因此，實(shí)時(shí)的車輛檢測和類別識別，是智能交通監(jiān)控急需解決的一個問題。

1 相關(guān)研究

車輛檢測主要依靠目標(biāo)檢測算法。目標(biāo)檢測算法分為雙階段和單階段兩種方法。

在雙階段的方法中，具有代表性的網(wǎng)絡(luò)有基于區(qū)域的卷積神經(jīng)網(wǎng)絡(luò)（Region-based Convolutional Neural Networks，R-CNN）[3]、Fast R-CNN[4]、Faster R-CNN[5]和SPP-net[6]。這類網(wǎng)絡(luò)在預(yù)測方面有很高的準(zhǔn)確性，但由于網(wǎng)絡(luò)在候選框的選取上耗費(fèi)了大量的時(shí)間，因此檢測速度往往不能滿足實(shí)時(shí)性的需求。

在單階段方法中，具有代表性的網(wǎng)絡(luò)有YOLO系列算法[7]。這類算法直接通過卷積神經(jīng)網(wǎng)絡(luò)預(yù)測目標(biāo)的位置和類別，摒棄了候選框的選取，因此在犧牲一定準(zhǔn)確率的條件下，很大程度地提高了物體檢測速率。

對于車輛檢測來說，檢測網(wǎng)絡(luò)要盡可能地簡單，模型必須容易部署，因此模型參數(shù)要盡可能地小。但不論是R-CNN系列的網(wǎng)絡(luò)還是YOLO系列的網(wǎng)絡(luò)，模型都很大，不利于模型的部署。除此之外，現(xiàn)有的目標(biāo)檢測主要集中在物體檢測而不是更具體的車輛檢測，如果將物體檢測網(wǎng)絡(luò)直接用于車輛檢測，檢測效果將會大打折扣。車輛檢測需要低級別的特征圖，而且要有足夠快的速度來實(shí)時(shí)預(yù)測，同時(shí)需要較高的準(zhǔn)確性。因此本文的主要目的是改進(jìn)YOLOv3-tiny的網(wǎng)絡(luò)結(jié)構(gòu)，設(shè)計(jì)一個實(shí)時(shí)的輕量級的車輛檢測網(wǎng)絡(luò)。

2 研究內(nèi)容

2.1 YOLOv3-tiny網(wǎng)絡(luò)結(jié)構(gòu)

YOLOv3-tiny網(wǎng)絡(luò)是YOLOv3[8]物體檢測網(wǎng)絡(luò)的一個微型版本，網(wǎng)絡(luò)檢測速度很快，但檢測精度不高。該網(wǎng)絡(luò)的特征提取層由10個卷積層和6個最大池層構(gòu)成，檢測層由卷積層和上采樣層構(gòu)成。YOLOv3-tiny網(wǎng)絡(luò)結(jié)構(gòu)如圖1所示。

圖1 YOLOv3-tiny網(wǎng)絡(luò)結(jié)構(gòu)圖

2.2 YOLO-s網(wǎng)絡(luò)結(jié)構(gòu)

2.2.1 網(wǎng)絡(luò)結(jié)構(gòu)的改進(jìn)

擬定的系統(tǒng)由一個改進(jìn)的YOLOv3-tiny網(wǎng)絡(luò)組成，稱為YOLO-s網(wǎng)絡(luò)。YOLO-s網(wǎng)絡(luò)結(jié)構(gòu)如圖2所示。YOLO-s的特征提取層由5個殘差塊構(gòu)成，并且使用了mish激活函數(shù)，該函數(shù)是一個平滑的曲線，因此可以很好地使特征信息深入神經(jīng)網(wǎng)絡(luò)，從而使模型擁有更好的準(zhǔn)確性和泛化性。利用卷積層代替YOLOv3-tiny中的最大池化下采樣層，在特征提取層的末尾加入SPP網(wǎng)絡(luò)。SPP網(wǎng)絡(luò)可以在不同尺寸上提取車輛特征，一次性形成特征圖，因此一定程度上減少了網(wǎng)絡(luò)的計(jì)算復(fù)雜度，加快了網(wǎng)絡(luò)檢測速度。

圖2 YOLO-s網(wǎng)絡(luò)結(jié)構(gòu)圖

輸出層對預(yù)測結(jié)果進(jìn)行處理，并生成一系列的錨框。在錨框的聚類生成方面，為了減少k-means算法中初始聚類中心的選擇對聚類結(jié)果的影響，本文使用了k-means++算法。利用k-means++算法對數(shù)據(jù)集選取了6個聚類中心，因此有6個簇的錨框。當(dāng)輸入圖片的尺寸為416×416時(shí)，聚類出來的 錨 框 尺 寸 為（16×23）、（38×40）、（87×73）、（113×161）、（254×197）、（312×304）。前3個錨點(diǎn)是為了在輸出層2檢測較小的車輛，而后3個錨點(diǎn)則用于輸出層1檢測較大尺寸的車輛。

2.2.2 損失的計(jì)算

YOLOv3的定位損失使用的是均方誤差（Mean Square Error，MSE）損失，交并比（Intersection over Union，IoU）損失與MSE損失相比，IoU損失可以很好地反映預(yù)測框和真實(shí)框的重合程度。由于重合程度與矩形框的尺度是無關(guān)的，因此IoU損失具有尺度不變性。IoU損失計(jì)算公式如式（1）所示。預(yù)測邊界框與真實(shí)邊界框的位置關(guān)系圖如圖3（a）所示。其中，G表示真實(shí)邊界框，B表示預(yù)測邊界框。

圖3 預(yù)測邊界框與真實(shí)邊界框的位置關(guān)系圖

但是IoU損失也有著明顯的缺點(diǎn)。當(dāng)預(yù)測邊界框和真實(shí)邊界框不相交時(shí)，交并比為0，此時(shí)就會出現(xiàn)梯度消失的現(xiàn)象，網(wǎng)絡(luò)將無法進(jìn)行權(quán)重更新。針對此問題，文獻(xiàn)[9]提出了泛化交并比（Generalized Intersection over Union，GIoU）損失。GIoU不僅關(guān)注重疊區(qū)域，還關(guān)注其他的非重合區(qū)域，因此能更好地反映預(yù)測框和真實(shí)框的重合程度，GIOU損失計(jì)算公式如式（2）所示。預(yù)測邊界框與真實(shí)邊界框的位置關(guān)系圖如圖3（b）所示。其中，C表示可以將預(yù)測邊界框和真實(shí)邊界框框住的最小矩形框。

但是GIoU損失也存在一定的缺點(diǎn)。當(dāng)預(yù)測目標(biāo)邊界框和真實(shí)目標(biāo)邊界框有著相同的高和寬并處于水平位置時(shí)，GIoU損失就會退化成IoU損失，且IoU損失和GIoU損失有著收斂慢、回歸不準(zhǔn)確的問題。因此本文使用了距離交并比（Distance Intersection over Union，DIoU）損失函數(shù)[10]。DIoU損失函數(shù)能夠直接最小化兩個邊界框之間的距離，同時(shí)考慮了邊界框的重疊率和尺度，因此收斂速度更快，目標(biāo)框回歸更加穩(wěn)定。DIOU損失計(jì)算公式如式（3）示。預(yù)測邊界框與真實(shí)邊界框的位置關(guān)系圖如圖3（c）所示。其中d表示兩邊界框中心點(diǎn)之間的歐式距離，s表示C矩形框兩對角之間的歐式距離。

3 實(shí)驗(yàn)結(jié)果與分析

本文使用UA-DETRAC作為車輛檢測的數(shù)據(jù)集[11]。為了減少模型訓(xùn)練時(shí)間，同時(shí)保證模型訓(xùn)練效果，本文選取了UA-DETRAC數(shù)據(jù)集中20 000張圖片，同時(shí)從網(wǎng)上選取了1 000張道路監(jiān)控圖片，并對其進(jìn)行手工標(biāo)注，制作了補(bǔ)充數(shù)據(jù)集。數(shù)據(jù)集共有21 000張圖片，按照8∶2的比例分為訓(xùn)練集和測試集。數(shù)據(jù)集包含4個類別的車輛數(shù)據(jù)，分別為car、van、bus、others。本文實(shí)驗(yàn)環(huán)境配置為：CPU為Intel i5-10500，主頻3.1 GHz，內(nèi)存為16 GB，GPU 為GeForce RTX 3060，顯存大小為 12 GB，操作系統(tǒng)為Windows 10。

在車輛檢測中，圖片邊緣的車輛目標(biāo)往往比較小，因此較難檢測到。為了提高訓(xùn)練的效果，本文使用了馬賽克數(shù)據(jù)增強(qiáng)的方法將4張圖片按照一定的比例拼接組合成一張圖片。該方法可以有效解決小目標(biāo)車輛難以檢測的問題。在訓(xùn)練階段，初始學(xué)習(xí)率設(shè)為0.001，借助余弦函數(shù)的特性來調(diào)整學(xué)習(xí)率；在迭代優(yōu)化的中期，學(xué)習(xí)率減小、速度加快，因此梯度下降速度加快；在迭代優(yōu)化的后期，學(xué)習(xí)率的減小速度會變慢，這將有助于算法的收斂。學(xué)習(xí)率變化曲線圖4所示。

圖4 學(xué)習(xí)率變化曲線

本文對車輛目標(biāo)檢測模型的評價(jià)指標(biāo)主要有平均精度（mean Average Precision，mAP）、每秒傳輸幀數(shù)（Frames Per Second，F(xiàn)PS）以及網(wǎng)絡(luò)模型大小。mAP表示檢測4種類別車輛的平均精度，F(xiàn)PS表示1 s內(nèi)所能檢測的圖片數(shù)量。不同車輛目標(biāo)檢測算法的測試結(jié)果如表1所示。

表1 常見的網(wǎng)絡(luò)模型與YOLOv3-s的性能比較

由表1可知，在平均精度方面，改進(jìn)的YOLOv3-tiny網(wǎng)絡(luò)YOLOv3-s的mAP為74.58%，與YOLOv3-tiny模型相比提高了5.64%的平均精度，與MobileNet[12]模型相比提高了4.56%的平均精度。在檢測速度方面，處理速度最快的是YOLOv3-tiny模型，本文提出的YOLOv3-s模型的檢測速度比YOLOv3-tiny模型下降了8 FPS，但是比MobileNet模型提高了78 FPS。在模型大小方面，YOLOv3-s比起YOLOv3-tiny模型小了0.1 Mb。綜合表1可以看出，YOLOv3-s在犧牲較小的檢測速度、保持較小的模型大小的情況下，較大地提升了車輛檢測的平均精度。

MobileNet、YOLOv3-tiny、YOLOv3-s網(wǎng) 絡(luò) 的檢測效果如圖5所示。從圖5可以看出，MobileNet和YOLOv3-tiny對圖像邊緣的車輛都存在一定的漏檢，但是YOLOv3-s對圖像邊緣的車輛檢測效果要好很多。

圖5 MobileNet、YOLOv3-tiny與YOLOv3-s的檢測效果對比

4 結(jié) 語

本文提出了一種基于YOLOv3-tiny改進(jìn)的輕量級車輛檢測網(wǎng)絡(luò)YOLOv3-s。YOLOv3-s的特征提取層中引入了殘差模塊，并在特征提取層后加入了SPP網(wǎng)絡(luò)，同時(shí)，使用DIoU損失函數(shù)加快模型的收斂。所提出的網(wǎng)絡(luò)在UA-DETRAC數(shù)據(jù)集中實(shí)現(xiàn)了74.58%的mAP，124 FPS的檢測速度。實(shí)驗(yàn)結(jié)果表明，YOLO-s可以從交通監(jiān)控?cái)z像頭的反饋中實(shí)時(shí)檢測車輛，且具有較高的準(zhǔn)確率。但是該算法對重合的車輛存在漏檢的情況，未來的研究需要優(yōu)化模型結(jié)構(gòu)和數(shù)據(jù)集來解決這些問題。