基于MobileNet_SSD的交通違章檢測(cè)系統(tǒng)

張子恒，肖 建，王新宇，章佳琪，許 杰

(南京郵電大學(xué) 電子與光學(xué)工程學(xué)院、微電子學(xué)院，江蘇 南京 210003)

0 引 言

近年來(lái)，國(guó)內(nèi)汽車(chē)保有量持續(xù)快速增長(zhǎng)，對(duì)城市交通運(yùn)轉(zhuǎn)帶來(lái)極大壓力，各類(lèi)交通事故頻發(fā)。為保證道路交通安全，各地交通管理部門(mén)派出警力處理機(jī)動(dòng)車(chē)道路違章行為[1]。然而，由于交通警力資源的有限性，需要利用現(xiàn)代化技術(shù)研究智能交通違章檢測(cè)系統(tǒng)，節(jié)省警力資源，高效檢測(cè)違章[2]。

目前常見(jiàn)的路口交通違章行為檢測(cè)技術(shù)可分為埋設(shè)線圈法和虛擬線圈法。埋設(shè)線圈法安裝繁瑣且維護(hù)成本高，已逐漸被虛擬線圈法代替[3]。虛擬線圈法指基于圖像處理的違章檢測(cè)算法，已廣泛應(yīng)用于電子警察系統(tǒng)，此類(lèi)方法檢測(cè)準(zhǔn)確率高，檢測(cè)類(lèi)別多，且維護(hù)成本低[4]。蘇菠等人提出了通過(guò)三幀差分法和卡爾曼濾波器預(yù)測(cè)跟蹤車(chē)輛狀態(tài)[5]。黃丹等人提出了改進(jìn)的背景差分算法，結(jié)合CAMShift算法跟蹤車(chē)輛[6]。徐揚(yáng)等人提出了一種基于分塊和鄰域信息的背景更新方法，結(jié)合超像素分割和陰影檢測(cè)算法跟蹤目標(biāo)車(chē)輛[7]。此類(lèi)算法在復(fù)雜場(chǎng)景下的檢測(cè)精度不穩(wěn)定，不具有較強(qiáng)的魯棒性。

隨著人工智能的發(fā)展，將深度學(xué)習(xí)算法用于車(chē)輛違章檢測(cè)系統(tǒng)，可解決多目標(biāo)跟蹤精度不佳、違章檢測(cè)精度不佳的問(wèn)題，具有較高的研究應(yīng)用價(jià)值[8]。付世達(dá)等人提出結(jié)合SSD和車(chē)道信息的雙通道卷積神經(jīng)網(wǎng)絡(luò)檢測(cè)車(chē)輛[9]。鄭凱等人提出結(jié)合YOLO和幀間差分法檢測(cè)車(chē)輛及其遺留物，實(shí)現(xiàn)機(jī)動(dòng)車(chē)不禮讓行人檢測(cè)[10]。但基于深度學(xué)習(xí)的檢測(cè)算法存在計(jì)算量較大，無(wú)法應(yīng)用于嵌入式設(shè)備的問(wèn)題。

為解決上述問(wèn)題，文中提出了一種基于MobileNet_SSD的路口交通違章檢測(cè)系統(tǒng)。以MobileNet_SSD網(wǎng)絡(luò)檢測(cè)路口車(chē)輛，以幀間歐氏距離算法追蹤車(chē)輛軌跡，結(jié)合違章行為判定策略，實(shí)現(xiàn)5種機(jī)動(dòng)車(chē)違章行為檢測(cè)及取證。系統(tǒng)實(shí)時(shí)統(tǒng)計(jì)路口遵章率，上報(bào)交管中心增派警力，實(shí)現(xiàn)數(shù)據(jù)指導(dǎo)勤務(wù)功能。在EAIDK-610開(kāi)發(fā)平臺(tái)下，車(chē)輛檢測(cè)mAP約為83.18%，違章檢測(cè)準(zhǔn)確率97%，系統(tǒng)運(yùn)行速度8.31 FPS。實(shí)驗(yàn)結(jié)果表明，系統(tǒng)不僅提升了在嵌入式設(shè)備上的檢測(cè)速度，同時(shí)對(duì)復(fù)雜場(chǎng)景的檢測(cè)具有較好的魯棒性。

1 MobileNet_SSD目標(biāo)檢測(cè)模型

1.1 SSD目標(biāo)檢測(cè)算法

SSD是Liu Wei等人提出的一種one-stage目標(biāo)檢測(cè)算法，在檢測(cè)速度和準(zhǔn)確率上均優(yōu)于傳統(tǒng)檢測(cè)算法[11]。SSD以VGG-16為基礎(chǔ)提取圖像特征，額外添加6個(gè)不同尺度的卷積層，分別進(jìn)行多尺度分類(lèi)和目標(biāo)框回歸。同時(shí)設(shè)置不同尺寸的先驗(yàn)框，提高了小尺寸目標(biāo)的識(shí)別準(zhǔn)確率，SSD的網(wǎng)絡(luò)結(jié)構(gòu)如圖1所示。

圖1 SSD網(wǎng)絡(luò)結(jié)構(gòu)

SSD算法結(jié)合了YOLO的回歸思想和Fast R-CNN的候選框機(jī)制，有效提升了目標(biāo)識(shí)別精度和效率[9]。但仍無(wú)法在嵌入式平臺(tái)下實(shí)時(shí)運(yùn)行。針對(duì)這一問(wèn)題，采用MobileNet網(wǎng)絡(luò)結(jié)構(gòu)降低特征提取計(jì)算量和網(wǎng)絡(luò)參數(shù)量。

1.2 MobileNet網(wǎng)絡(luò)結(jié)構(gòu)

MobileNet是一種小巧而高效的CNN模型，優(yōu)點(diǎn)在于提出了深度可分離卷積，降低了計(jì)算量和參數(shù)量[12]。深度可分離卷積包括深度卷積(depthwise convolution)和點(diǎn)卷積(pointwise convolution)，先對(duì)不同輸入通道進(jìn)行深度卷積，然后采用1*1點(diǎn)卷積進(jìn)行結(jié)合[13]。在精度損失較小的情況下，成倍減少了計(jì)算量和模型參數(shù)量。

假設(shè)輸入大小為(Hin,Win,Cin)的特征圖，經(jīng)卷積運(yùn)算后，輸出大小為(Hout,Wout，Cout)的特征圖，卷積核大小為(DK,DK)，如圖2所示。

標(biāo)準(zhǔn)卷積計(jì)算量MACstd和深度可分離卷積計(jì)算量MACdepth分別可表示為：

(1)

Cin*Cout*Hout*Wout

(2)

通常卷積輸出通道數(shù)Cout較大，因此1/Cout可近似為零。標(biāo)準(zhǔn)卷積和深度可分離卷積計(jì)算量之比可表示為：

圖2 卷積方式對(duì)比

(3)

根據(jù)式(3)所示，若卷積核DK等于3，采用深度可分離卷積可降低大約9倍的計(jì)算量，因此MobileNet有效提升了檢測(cè)效率。

考慮到進(jìn)一步減少計(jì)算量和參數(shù)量，MobileNet引入了寬度超參數(shù)α和分辨率超參數(shù)ρ，分別按比例減少通道數(shù)和特征圖尺寸[13]。依次降低運(yùn)算量和參數(shù)量，在精度損失較小的情況下，得到的最終計(jì)算量MACm為：

MACm=αCin*DK*DK*ρHout*ρWout+

αCin*αCout*ρHout*ρWout

(4)

1.3 基于MobileNet_SSD的違章車(chē)輛檢測(cè)算法

綜上所述，為提升檢測(cè)效率，采用MobileNet_SSD作為目標(biāo)檢測(cè)算法。MobileNet_SSD在SSD的基礎(chǔ)上，將特征提取部分由VGG-16替換為MobileNet Conv0-Conv13，降低了計(jì)算量和模型參數(shù)量[14]。網(wǎng)絡(luò)結(jié)構(gòu)如圖3所示。

圖3 MobileNet_SSD網(wǎng)絡(luò)結(jié)構(gòu)示意圖

在MobileNet Conv0-Conv13中，采用深度可分離卷積進(jìn)行卷積運(yùn)算，其他網(wǎng)絡(luò)層仍采用標(biāo)準(zhǔn)卷積。將Conv11、Conv13、Conv14_2、Conv15_2、Conv16_2和Conv17_2層作為6個(gè)多尺度特征，進(jìn)行多尺度候選框回歸。MobileNet_SSD算法降低了少量精度，但提升了系統(tǒng)運(yùn)行速度，可在嵌入式設(shè)備上實(shí)時(shí)運(yùn)行。

2 基于幀間歐氏距離的追蹤算法

2.1 車(chē)輛追蹤算法結(jié)構(gòu)

車(chē)輛追蹤算法，就是捕獲監(jiān)控視頻范圍內(nèi)車(chē)輛的行駛軌跡，為違章行為的判定提供依據(jù)[15]。常見(jiàn)的車(chē)輛跟蹤算法受陰影、遮擋和交通擁堵等因素限制，適用場(chǎng)景單一，不具備魯棒性[16]。

2.2 追蹤增益函數(shù)的建立

2.2.1 圖像尺度不一致性

路口交通監(jiān)控設(shè)備通常采用固定支撐架與支撐梁的方式安裝在道路上方，通過(guò)攝像頭內(nèi)置處理器實(shí)現(xiàn)違章行為的判定，并以千兆以太網(wǎng)回傳數(shù)據(jù)管理中心。已知有效監(jiān)控畫(huà)面的縱向視場(chǎng)范圍為θ1～θ2，監(jiān)控設(shè)備高度為L(zhǎng)cam，數(shù)據(jù)獲取方式如圖4所示。可知數(shù)據(jù)采集時(shí)與水平方向夾角固定，導(dǎo)致圖像存在尺度不一致性。

圖4 數(shù)據(jù)獲取場(chǎng)景示意圖

圖像的尺度不一致性是指在有效監(jiān)控畫(huà)面的縱向視場(chǎng)范圍[θ1,θ2]內(nèi)，實(shí)際場(chǎng)景在圖像上的映射比例是不均勻的。即若車(chē)輛以相同速度行駛，每輛車(chē)在圖像上的速度vpixel不相等，由尺度誤差導(dǎo)致閾值分割的標(biāo)準(zhǔn)不統(tǒng)一。計(jì)算尺度系數(shù)αi，恢復(fù)統(tǒng)一的圖像映射比例，保證車(chē)輛追蹤算法適用于不同比例的目標(biāo)。已知有效監(jiān)控畫(huà)面縱向視場(chǎng)范圍為[θ1,θ2]，且θ1,θ2均小于π/2、設(shè)備高度為L(zhǎng)cam、圖像縱向分辨率himg，當(dāng)前車(chē)輛在圖像的(wi,hi)處，尺度系數(shù)αi可表示為：

(5)

2.2.2 幀間歐氏距離

由于車(chē)輛行駛具有連續(xù)性，且路口車(chē)速是穩(wěn)定的，假設(shè)行駛車(chē)輛在相鄰數(shù)幀間的位移較小，即同一輛車(chē)在相鄰時(shí)刻的距離最近，與其他車(chē)較遠(yuǎn)。根據(jù)此假設(shè)，由上節(jié)所述的車(chē)輛檢測(cè)算法得到車(chē)輛位置，計(jì)算每輛車(chē)的中心點(diǎn)坐標(biāo)，統(tǒng)一到相機(jī)坐標(biāo)系中，作為軌跡跟蹤的事實(shí)依據(jù)。歐幾里得度量描述了兩點(diǎn)間的直線距離，直觀地顯示了目標(biāo)間的關(guān)系[17]。因此車(chē)輛在視頻幀中的變化關(guān)系可以由歐氏距離表示，如圖5所示。

圖5 車(chē)輛追蹤算法效果示意圖

(6)

2.2.3 車(chē)輛軌跡預(yù)測(cè)

城市路口交通情況復(fù)雜多變，車(chē)流量日益增多且路口交通擁擠，導(dǎo)致監(jiān)控畫(huà)面中車(chē)輛距離過(guò)近，發(fā)生誤追蹤現(xiàn)象，降低了車(chē)輛追蹤算法準(zhǔn)確率。計(jì)算方向系數(shù)βi預(yù)測(cè)行車(chē)方向，改善擁堵情況下不同車(chē)輛的軌跡跟蹤效果，提升算法的魯棒性，如圖5所示。

(7)

(8)

依次計(jì)算每輛車(chē)與歷史軌跡預(yù)測(cè)值的損失值，將每幀數(shù)據(jù)的損失值做歸一化處理，得到方向系數(shù)βi為：

(9)

2.2.4 車(chē)輛追蹤增益函數(shù)

(10)

以增益函數(shù)表示當(dāng)前車(chē)輛與各軌跡之間的關(guān)系，計(jì)算當(dāng)前幀內(nèi)每輛車(chē)的追蹤增益Hi，表示當(dāng)前車(chē)輛對(duì)每條軌跡的增益值。設(shè)置判定條件：若該增益小于閾值ε，則將其作為某軌跡的新坐標(biāo)存儲(chǔ)。否則將其作為新軌跡存儲(chǔ)或者無(wú)效坐標(biāo)丟棄。

3 路口違章檢測(cè)系統(tǒng)設(shè)計(jì)與實(shí)現(xiàn)

3.1 系統(tǒng)架構(gòu)

以上述算法為核心，開(kāi)發(fā)基于MobileNet_SSD的路口交通違章檢測(cè)系統(tǒng)，用于檢測(cè)機(jī)動(dòng)車(chē)闖紅燈、違章轉(zhuǎn)彎、違章壓線等行為。以高精度網(wǎng)絡(luò)攝像頭為數(shù)據(jù)采集設(shè)備，實(shí)時(shí)采集路口交通數(shù)據(jù)，采用音響設(shè)備對(duì)車(chē)輛的違章信息進(jìn)行語(yǔ)音播報(bào)，并通過(guò)屏幕顯示遠(yuǎn)程監(jiān)控界面，方便用戶(hù)查看、管理和參數(shù)配置，結(jié)構(gòu)如圖6所示。系統(tǒng)具有可移植性，在測(cè)試中分別以Arm EAIDK-610開(kāi)發(fā)套件和PC為主控平臺(tái)，測(cè)試系統(tǒng)性能，詳細(xì)說(shuō)明請(qǐng)見(jiàn)下節(jié)實(shí)驗(yàn)分析。

圖6 系統(tǒng)結(jié)構(gòu)示意圖

系統(tǒng)分為車(chē)輛追蹤、違章判定和遠(yuǎn)程控制三個(gè)模塊，結(jié)構(gòu)如圖6所示。車(chē)輛追蹤模塊實(shí)時(shí)采集圖像，以基于MobileNet_SSD的車(chē)輛檢測(cè)算法和基于幀間歐氏距離的車(chē)輛追蹤算法為核心，實(shí)現(xiàn)路口車(chē)輛軌跡追蹤；違章判定模塊根據(jù)道路交通安全法制定違章判定策略，結(jié)合車(chē)輛行駛軌跡，檢測(cè)各類(lèi)違章行為；遠(yuǎn)程控制模塊開(kāi)發(fā)基于Qt的遠(yuǎn)程控制界面，實(shí)時(shí)監(jiān)控路口交通狀態(tài)，違章發(fā)生時(shí)進(jìn)行語(yǔ)音播報(bào)，自主劃定違章虛擬線圈，并顯示遵章率、車(chē)流量、違章日志等交通指標(biāo)。

分析路口監(jiān)控畫(huà)面可知，店鋪、樹(shù)木和電桿等物體分布與本算法無(wú)關(guān)，將原始圖像全部輸入模型會(huì)降低車(chē)輛追蹤準(zhǔn)確率，降低系統(tǒng)運(yùn)行效率，因此采用多線程分割處理圖像。設(shè)車(chē)輛行駛區(qū)域?yàn)橹饕獧z測(cè)區(qū)域，無(wú)關(guān)特征分布在無(wú)效區(qū)域，如圖7所示。

圖7 多線程檢測(cè)分布圖

根據(jù)路口實(shí)際情況，將輸入圖像分割為兩個(gè)主要檢測(cè)區(qū)域，并設(shè)置20%重疊區(qū)域，保證銜接處的檢測(cè)成功率。分別輸入線程A、B運(yùn)行基于MobileNet_SSD的車(chē)輛檢測(cè)算法，提高車(chē)輛定位精度。當(dāng)A/B線程分別運(yùn)行完一幀數(shù)據(jù)時(shí)，統(tǒng)一車(chē)輛位置為相機(jī)坐標(biāo)系。

3.2 違章行為判定

3.2.1 虛擬線圈判定違章行為

目前路口常以填埋線圈法判定違章行為，即在特定區(qū)域填埋金屬線圈及傳感器，當(dāng)車(chē)輛違章行駛過(guò)路口后觸發(fā)報(bào)警[3]。但此方法消耗成本過(guò)大、破壞路面美觀、易損壞、修復(fù)過(guò)程繁瑣且對(duì)某些違章行為檢測(cè)不精準(zhǔn)。系統(tǒng)根據(jù)MobileNet_SSD算法追蹤車(chē)輛，劃定違章區(qū)域?yàn)樘摂M線圈，并制定相應(yīng)的違章判定法則，實(shí)現(xiàn)違章行為判定。

根據(jù)中華人民共和國(guó)道路交通安全法有關(guān)規(guī)定，各類(lèi)違章行為的判定標(biāo)準(zhǔn)不同。本系統(tǒng)共實(shí)現(xiàn)了五種違章行為判定：機(jī)動(dòng)車(chē)闖直行方向紅燈、機(jī)動(dòng)車(chē)闖左行方向紅燈、機(jī)動(dòng)車(chē)闖右行方向紅燈、機(jī)動(dòng)車(chē)壓黃線和機(jī)動(dòng)車(chē)駛?cè)敕菣C(jī)動(dòng)車(chē)道。以機(jī)動(dòng)車(chē)闖直行方向?yàn)槔枳C明車(chē)輛在紅燈時(shí)，連續(xù)碾壓路口停止線并通過(guò)路口中心，才可判定違章。

3.2.2 自主線圈劃定

各交通路口的道路方向和特點(diǎn)不同，固定的虛擬線圈無(wú)法適用于其他路口，因此開(kāi)發(fā)一種基于Qt的自主線圈劃定功能。用戶(hù)可根據(jù)需求在線劃定虛擬線圈，具體劃定線圈方式如圖8所示。

圖8 自主劃定線圈

在GUI界面的右上方找到“設(shè)定ROI區(qū)域選項(xiàng)”，點(diǎn)擊下拉菜單找到各虛擬線圈的名稱(chēng)，選定其中一項(xiàng)。找到畫(huà)面中需要設(shè)定虛擬線圈的區(qū)域，點(diǎn)擊鼠標(biāo)拖動(dòng)一個(gè)矩形框至合適大小，則該區(qū)域?yàn)橹付ǖ奶摂M線圈位置。右圖中顯示了目前定制的所有虛擬線圈，分別用于五種車(chē)輛違章行為判定。

3.2.3 違章車(chē)牌提取

提取違章車(chē)輛車(chē)牌，用于違章行為取證及處罰[18]。將違章車(chē)輛圖像進(jìn)行X方向的Sobel濾波，得到水平方向的邊緣特征。對(duì)梯度幅值進(jìn)行非極大值抑制(NMS)去除模糊部分得到邊緣圖像。同時(shí)對(duì)原始圖像進(jìn)行HSV色彩空間變換，根據(jù)車(chē)牌閾值范圍分割出對(duì)應(yīng)部分。比較閾值分割圖像與邊緣特征篩選出車(chē)牌所在區(qū)域，通過(guò)圖像形態(tài)學(xué)運(yùn)算填平圖像中的小孔，彌合裂縫。最后提取車(chē)牌輪廓，并限制輪廓的長(zhǎng)寬和非零像素比，提取完整車(chē)牌輪廓。

3.3 數(shù)據(jù)指導(dǎo)勤務(wù)

機(jī)動(dòng)車(chē)路口違章極易發(fā)生交通事故，導(dǎo)致交通停滯擁堵，因此交警支隊(duì)根據(jù)各路段違章數(shù)量等數(shù)據(jù)，增派警力指揮交通[19]。本系統(tǒng)設(shè)計(jì)了遵章率、車(chē)流量統(tǒng)計(jì)、違章日志顯示、違章查詢(xún)、歷史數(shù)據(jù)查詢(xún)等功能，實(shí)現(xiàn)數(shù)據(jù)指導(dǎo)勤務(wù)。遵章率是固定時(shí)間內(nèi)，路口遵守交規(guī)車(chē)輛占總體的比例。已知某時(shí)間間隔Δt內(nèi)車(chē)流量為N，違章車(chē)輛數(shù)量為K，根據(jù)本系統(tǒng)檢測(cè)到的機(jī)動(dòng)車(chē)違章情況，統(tǒng)計(jì)遵章率ρ可表示為：

(11)

根據(jù)路口遵章率在24 h內(nèi)的分布規(guī)律，確定遵章率等級(jí)，對(duì)違章、事故多發(fā)路口增派警力，可有效改善交通狀況，緩解交通壓力。

4 實(shí)驗(yàn)與結(jié)果分析

4.1 實(shí)驗(yàn)環(huán)境

分別選擇Arm EAIDK-610和PC為主控平臺(tái)。以EAIDK-610為主控時(shí)，使用異構(gòu)計(jì)算庫(kù)HCL和嵌入式深度學(xué)習(xí)框架Tengine運(yùn)行MobileNet_SSD算法，系統(tǒng)運(yùn)行在RK3399的六核CPU環(huán)境下；以PC為主控時(shí)，使用CUDA10并行計(jì)算架構(gòu)，使用TensorFlow框架[20]運(yùn)行MobileNet_SSD算法。其詳細(xì)配置如表1所示。

4.2 結(jié)果分析

4.2.1 車(chē)輛檢測(cè)算法性能分析

在表1所述的PC實(shí)驗(yàn)環(huán)境下對(duì)MobileNet_SSD算法進(jìn)行測(cè)試，并對(duì)比SSD算法的性能。通過(guò)路口交通監(jiān)控設(shè)備采集數(shù)據(jù)，選取其中200張圖像作為測(cè)試集，共包含983個(gè)待檢測(cè)目標(biāo)，測(cè)試集圖像分辨率為1 920×1 080。實(shí)驗(yàn)僅統(tǒng)計(jì)車(chē)輛檢測(cè)精度，因此在統(tǒng)計(jì)檢測(cè)精度時(shí)只考慮車(chē)輛類(lèi)別的識(shí)別精度，最終結(jié)果如表2所示。

表2 不同算法的車(chē)輛檢測(cè)性能對(duì)比

分析表2，MobileNet_SSD采用深度可分離卷積，引入寬度、分辨率超參數(shù)有效降低計(jì)算量和模型參數(shù)量，提升檢測(cè)速度，平均檢測(cè)時(shí)間約為28.68 ms，F(xiàn)PS約為SSD的2.74倍。但相比SSD(VGG-16)算法提取的特征更少，導(dǎo)致降低了約1.1%的檢測(cè)精度。考慮到路口監(jiān)控視頻采集速率約為60 FPS，MobileNet_SSD算法在圖像中出現(xiàn)的檢測(cè)誤差不影響系統(tǒng)運(yùn)行。

路口交通違章檢測(cè)系統(tǒng)受到空間、能耗等因素的限制，需要在嵌入式設(shè)備下運(yùn)行。實(shí)驗(yàn)分別對(duì)比了MobileNet_SSD算法在EAIDK-610平臺(tái)和PC平臺(tái)的檢測(cè)性能，實(shí)驗(yàn)環(huán)境如4.1節(jié)所示，測(cè)試數(shù)據(jù)集相同，則最終結(jié)果如表3所示。

表3 不同平臺(tái)下車(chē)輛檢測(cè)性能對(duì)比

分析表3，在EAIDK-610平臺(tái)下，MobileNet_SSD算法檢測(cè)精度比PC端降低了約1.77%，其原因在于Tengine深度學(xué)習(xí)框架對(duì)網(wǎng)絡(luò)進(jìn)行量化處理。算法檢測(cè)一幀圖像平均耗時(shí)約為73.26 ms，運(yùn)行幀頻約為13.65 FPS，耗時(shí)約為PC平臺(tái)的2.55倍。實(shí)驗(yàn)證明，以EAIDK-610為主控平臺(tái)，實(shí)時(shí)運(yùn)行MobileNet_SSD算法檢測(cè)路口車(chē)輛是可行的。

4.2.2 違章檢測(cè)系統(tǒng)性能分析

以下通過(guò)實(shí)驗(yàn)對(duì)比文中算法和三幀差分法[21]等經(jīng)典算法在違章檢測(cè)方面的性能。在EAIDK-610平臺(tái)下，實(shí)驗(yàn)輸入數(shù)據(jù)為100組機(jī)動(dòng)車(chē)違章的監(jiān)控視頻，測(cè)試本系統(tǒng)和三幀差分法的違章判定精度，最終結(jié)果如表4所示。

表4 不同算法下的違章檢測(cè)性能對(duì)比

分析表4，此系統(tǒng)違章檢測(cè)準(zhǔn)確率約為97%，比基于三幀差分法的系統(tǒng)高約3.32%。平均檢測(cè)時(shí)間約為114.16 ms，幀頻達(dá)到8.76 FPS，耗時(shí)僅為三幀差分法的51.37%。綜上所述，本系統(tǒng)在違章行為檢測(cè)精度和系統(tǒng)運(yùn)行效率上均優(yōu)于傳統(tǒng)違章檢測(cè)算法。

5 結(jié)束語(yǔ)

為提高路口交通違章檢測(cè)系統(tǒng)的準(zhǔn)確性和實(shí)時(shí)性，并適用于嵌入式平臺(tái)，文中提出了一種基于MobileNet_SSD的路口交通違章檢測(cè)系統(tǒng)。以MobileNet_SSD網(wǎng)絡(luò)模型檢測(cè)車(chē)輛，結(jié)合幀間歐氏距離算法追蹤車(chē)輛軌跡，實(shí)現(xiàn)對(duì)5種機(jī)動(dòng)車(chē)違章行為的檢測(cè)及取證。在EAIDK-610開(kāi)發(fā)平臺(tái)下，模型mAP約為83.18%，違章檢測(cè)準(zhǔn)確率為97%，系統(tǒng)運(yùn)行速度為8.31 FPS。實(shí)驗(yàn)結(jié)果表明，系統(tǒng)不僅提升了在嵌入式設(shè)備上的檢測(cè)速度，同時(shí)對(duì)復(fù)雜場(chǎng)景的檢測(cè)具有較好的魯棒性。