機器學習在圖像分析與識別中的應(yīng)用研究

陳 超

（廣州鐵路職業(yè)技術(shù)學院，廣東 廣州 511300）

智慧軌道交通已經(jīng)成為現(xiàn)代城市交通管理的常見手段，圖像分析與識別在智慧軌道交通系統(tǒng)中至關(guān)重要。然而，圖像數(shù)據(jù)具有多樣性及交通場景的復(fù)雜性，傳統(tǒng)的圖像分析與識別方法存在效率低、準確率低等問題。而機器學習是一種強大、高效的方法與工具，為圖像分析與識別提供了新的思路與方向，可以通過深入處理與分析提取出海量交通場景圖像數(shù)據(jù)中的高價值信息，進行道路標志檢測與識別、行人檢測與跟蹤以及交通流量統(tǒng)計等。這不僅能顯著提高交通安全性與服務(wù)質(zhì)量，還能有效改善城市交通管理并促進智慧軌道交通系統(tǒng)的發(fā)展。

1 案例背景

在智慧軌道交通背景下，機器學習在圖像分析與識別的具體應(yīng)用之一是道路標志檢測與識別。某市智慧軌道交通系統(tǒng)需要精準檢測與識別道路標志，以實現(xiàn)道路狀況的實時監(jiān)測，從而為駕駛輔助與交通管理決策提供準確的數(shù)據(jù)依據(jù)。該文為實現(xiàn)準確、高效的道路標志檢測與識別，使用基于U-Net網(wǎng)絡(luò)架構(gòu)與GCDA模塊的道路標志檢測與識別算法，為某市智慧軌道交通系統(tǒng)提供一種可行、有效的解決方案，同時將宏平均指標F1與Top1準確性作為評估模型性能的指標，借助GCDA模塊來提高道路標志檢測與識別的魯棒性與準確性[1]。將該道路標志檢測與識別算法應(yīng)用于該市智慧軌道交通系統(tǒng)中，該市智慧軌道交通系統(tǒng)可以及時、準確地檢測與識別道路標志，并實時監(jiān)測道路狀況，如危險警示標志、止/停車標志及限速標志，同時還提供了對應(yīng)的駕駛輔助功能，包括但不限于危險預(yù)警、限速提醒等。另外，道路標志檢測與識別還能夠有效支持交通管理決策，幫助相關(guān)部門與管理人員更好地完成違規(guī)檢測、交通流量監(jiān)控等工作。

2 機器學習在圖像分析與識別中的應(yīng)用

2.1 機器學習算法及模型

2.1.1 監(jiān)督學習算法

監(jiān)督學習算法的基本原理是使用給定的輸入樣本及對應(yīng)標簽來訓練模型并預(yù)測未知數(shù)據(jù)的標簽，其在圖像分析與識別的具體應(yīng)用中可完成圖像分類與目標檢測等任務(wù)。監(jiān)督學習算法較多，包括但不限于隨機森林、決策樹及支持向量機等。這些算法擁有不同特點與適用范圍，均能通過學習樣本與標簽間的關(guān)系來構(gòu)建有效的分類與監(jiān)測模型。

2.1.2 無監(jiān)督學習算法

無監(jiān)督學習算法旨在發(fā)現(xiàn)未標記的數(shù)據(jù)中隱藏的結(jié)構(gòu)與模式，其在圖像分析與識別的具體應(yīng)用中可完成圖像分割與特征提取任務(wù)。與監(jiān)督學習算法相比，無監(jiān)督學習算法不需要事先標注標簽，可以通過學習數(shù)據(jù)內(nèi)在結(jié)構(gòu)與本身分布來自動尋找與發(fā)現(xiàn)隱藏的模式和規(guī)律。無監(jiān)督學習算法也有很多種，如主成分分析、聚類算法等，這些算法通過聚類或降維處理圖像數(shù)據(jù)，將相似的特征或像素歸到一起，從而達到圖像分割和特征提取的目的。

2.1.3 深度學習算法

深度學習算法使用多層神經(jīng)網(wǎng)絡(luò)來完成圖像處理和特征提取，其在圖像分析與識別的具體應(yīng)用中可完成目標檢測、圖像分類與生成等任務(wù)。該文采用的是深度卷積神經(jīng)網(wǎng)絡(luò)（CNN）。作為一種特殊類型的神經(jīng)網(wǎng)絡(luò)，CNN由全連接層、池化層以及卷積層等部分組成，并通過權(quán)值共享與局部感知視野的方式有效捕捉圖像中的空間特征。由于其具有較強的特征提取能力，因此被廣泛應(yīng)用于圖像分類與目標檢測等領(lǐng)域[2]。

2.2 數(shù)據(jù)收集與預(yù)處理

2.2.1 數(shù)據(jù)收集與數(shù)據(jù)集

為訓練與客觀評估道路標志檢測與識別模型，需要采集含有道路標志的圖像數(shù)據(jù)，常見的采集方式包括現(xiàn)場拍攝，公共數(shù)據(jù)集獲取及合成數(shù)據(jù)集生成等，常用的道路標志公共數(shù)據(jù)集有BelgiumTS、LISA Traffic Sign Dataset等。該文選用BelgiumTS數(shù)據(jù)集。該數(shù)據(jù)集包括多種顏色、類型及形狀的道路標志，可覆蓋各種實際場景。數(shù)據(jù)集中的每個圖像配備對應(yīng)的標簽，如類別、位置等。該數(shù)據(jù)集包括訓練集與測試集，以便進行模型訓練與客觀評估[3]。

2.2.2 數(shù)據(jù)預(yù)處理

檢測與識別道路標志前需要預(yù)處理采集的圖像數(shù)據(jù)，以提高模型的推理效果。主要步驟包括圖像去噪、尺寸調(diào)整、圖像增強及數(shù)據(jù)增強等。其中，圖像去噪是指使用去噪算法或濾波器來去除圖像數(shù)據(jù)中的干擾與噪聲；尺寸調(diào)整是指將圖像調(diào)整成統(tǒng)一固定的尺寸，以符合模型輸入的要求，通常借助插值方法來縮放或裁剪圖片；圖像增強是指使用亮度調(diào)整、直方圖均衡化及增加對比度等方法來增強圖像特征，以此提高模型檢測和識別道路標志的能力；數(shù)據(jù)增強是指借助縮放、平移、翻轉(zhuǎn)及旋轉(zhuǎn)等操作，得到更多訓練樣本，以增加數(shù)據(jù)集的數(shù)量與多樣性。數(shù)據(jù)預(yù)處理旨在通過統(tǒng)一圖像尺寸、減少噪聲及增強圖像特征來提高模型的泛化能力與魯棒性。

2.3 圖像分析與識別

2.3.1 圖像分類

該文采用分組卷積與雙注意力機制進行圖像分類。其中，分組卷積負責將輸入特征圖劃分為若干個組并完成卷積操作，然后將各組輸出特征圖進行拼接并輸出，以此增加特征的多樣性、減少計算量并提高網(wǎng)絡(luò)對輸入圖像的感知范圍，還有助于降低參數(shù)量與存儲量，使神經(jīng)網(wǎng)絡(luò)在資源有限的情況下也能進行高效運算[4]。分組卷積原理示意圖如圖1所示。

圖1 分組卷積示意圖

注意力機制在深度學習中有應(yīng)用廣泛。該文采用2種注意力機制，即空間注意力與通道注意力來處理輸入數(shù)據(jù)的空間維度與通道維度，以減少冗余信息并提取重要特征。為更好地融合這2種機制，該文引入卷積塊注意力模塊（CBAM），可以有選擇地關(guān)注不同空間和通道上的特征，從而更好地完成目標區(qū)分。

卷積塊注意力模塊實現(xiàn)思路與步驟如下：1）定義空間注意力模塊，使用卷積層來處理輸入特征圖，得到相應(yīng)空間注意力圖。2）定義通道注意力模塊，利用全局平均池化層及全連接層來處理輸入特征圖的通道維度，從而得到相應(yīng)通道注意力圖。3）將通道注意力圖與空間注意力圖相乘后得到加權(quán)特征圖，再將加權(quán)后的特征圖作為卷積塊注意力模塊的輸出。另外，實現(xiàn)卷積塊注意力模塊的過程中，可以結(jié)合實際需求進行優(yōu)化與調(diào)整，并結(jié)合數(shù)據(jù)集的特點與具體任務(wù)的復(fù)雜程度來選用合適的注意力機制、激活函數(shù)以及卷積層，與此同時還可以調(diào)整模塊的寬度、深度并添加跳躍連接，進一步提升卷積塊注意力模塊的效果與性能。在圖像分析與識別中引入卷積塊注意力模塊，能夠更好地處理圖像通道信息與空間信息，從而顯著提高模型的準確性與性能。應(yīng)用該注意力機制有助于高效提取關(guān)鍵特征，顯著減少冗余特征，并增強算法對目標區(qū)域的感知能力[5]。

此外，有效結(jié)合雙重注意力融合網(wǎng)絡(luò)（DANet），可同時關(guān)注不同空間和通道上的特征，進一步提高模型的性能。該文將GCDA模塊應(yīng)用于ResNet50的圖像分類算法模塊中，顯著提高網(wǎng)絡(luò)在圖像特征方面的敏感度，大幅提升圖像分類的準確性。GCDA模塊的實現(xiàn)思路如下。1）全局上、下文感知。利用自適應(yīng)平均池化操作，將相應(yīng)輸入特征圖轉(zhuǎn)換成全局特征向量，從而捕捉全局上、下文信息。2）雙重注意力機制。使用全連接層、Sigmoid激活函數(shù)來處理全局特征，計算出全局上、下文感知權(quán)重。該權(quán)重可以選擇性地關(guān)注不同通道上的特征，從而提升網(wǎng)絡(luò)對重要特征的敏感度。3）特征加權(quán)。將輸入特征圖與全局上、下文感知權(quán)重相乘，獲得加權(quán)后的特征圖，如此能使網(wǎng)絡(luò)聚焦于感知權(quán)重較大的特征，以此有效提高特征的表達能力。

2.3.2 目標檢測

目標檢測是指準確定位和識別圖像數(shù)據(jù)中感興趣的目標物體。傳統(tǒng)目標檢測方法通常使用手工設(shè)計的特征和分類器，隨著深度學習的發(fā)展，基于CNN的目標檢測方法取得了較大進展。其中，最具代表性的方法有Fast R-CNN及R-CNN等。這些方法通過生成候選框，并對其進行分類與位置校正。具體而言，上述方法利用卷積神經(jīng)網(wǎng)絡(luò)（CNN）來提取圖像特征，并結(jié)合候選框的位置信息確定每個候選框中的物體類別與位置，從而進行高準確率的目標檢測。

2.3.3 圖像分割

圖像分割是將圖像數(shù)據(jù)劃分為若干具有語義信息的像素或區(qū)域的過程。傳統(tǒng)圖像分割方法需要手動選擇特征與參數(shù)，效果會受復(fù)雜度與圖像質(zhì)量的限制。但隨著深度學習的發(fā)展，基于深度學習的圖像分割方法有了較大突破。該文選用的是U-Net。U-Net基于編碼－解碼結(jié)構(gòu)，網(wǎng)絡(luò)結(jié)構(gòu)形狀與字母“U”相似，使用編碼器提取圖像特征，再使用解碼器完成上采樣并生成分割結(jié)果。

2.3.4 語義分析

實際語義分包括涉及數(shù)據(jù)準備、模型編譯、訓練、評估、預(yù)測、后續(xù)處理以及分割結(jié)果評估等一系列步驟。首先，清洗和標注原始數(shù)據(jù)，得到相應(yīng)的真實標簽圖像，再將數(shù)據(jù)集劃分成訓練與驗證集。其次，定義損失函數(shù)和優(yōu)化器，同時編譯U-Net模型。再次，用訓練數(shù)據(jù)集訓練模型，使用驗證數(shù)據(jù)集來客觀評估得到的模型，同時使用測試數(shù)據(jù)集完成模型預(yù)測，并得到相應(yīng)的分割圖像。從次，對預(yù)測結(jié)果進行平滑邊緣、去噪等后續(xù)處理，得到最終的分割結(jié)果。最后，客觀評估分割結(jié)果，使用像素準確率（PA）、均類別像素準確率（MPA）和平均交并比（MIU）等指標來衡量模型的準確性與性能。

該文使用U-Net網(wǎng)絡(luò)來完成圖像語義分割任務(wù)，利用一系列的卷積與池化操作來完成特征提取與上采樣，得到像素級別的分割結(jié)果。在U-Net網(wǎng)絡(luò)中，編碼器部分用于提取圖像數(shù)據(jù)中的低級特征信息，經(jīng)過多次卷積與池化操作，持續(xù)縮小圖像尺寸。解碼器部分則利用反卷積與上采樣層，將提取的特征信息恢復(fù)至原始圖像尺寸，并形成像素級別的分割結(jié)果。為充分使用不同層級的特征信息，將跳躍連接引入U-Net網(wǎng)絡(luò)中，將編碼器與解碼器中相應(yīng)層級的特征進行連接，以使神經(jīng)網(wǎng)絡(luò)可以同時使用低級與高級特征，從而提高分割準確性[6]。U-Net網(wǎng)絡(luò)結(jié)構(gòu)簡化圖如圖2所示。

圖2 U-Net網(wǎng)絡(luò)結(jié)構(gòu)簡化圖

該文使用的U-Net網(wǎng)絡(luò)共5層，包括4次下采樣與4次上采樣操作，輸入與輸出圖像為512×512像素。每一次下采樣經(jīng)過卷積和池化操作后，圖像尺寸會減至一半，而每一次上采樣經(jīng)過反卷積與上采樣層，圖像尺寸會擴大2倍。與此同時，在下采樣過程中增加2次4×4的最大池化層，分別處于第1層～第3層與第3層～第5層。通過使用U-Net網(wǎng)絡(luò)，可以從輸入圖像中高效提取有效特征，并得到像素級別的分割結(jié)果，此外，跳躍連接的設(shè)計使神經(jīng)網(wǎng)絡(luò)可以充分利用不同層級的特征信息，從而顯著提升分割準確性。

2.4 算法實現(xiàn)與評估

該文基于U-Net網(wǎng)絡(luò)架構(gòu)、GCDA模塊，實現(xiàn)道路標志檢測與識別算法，并利用訓練數(shù)據(jù)集訓練模型。在評估階段，通過計算得出各性能指標，具體試驗結(jié)果評價見表1，圖像分類結(jié)果見表2。

表1 U-Net算法的試驗結(jié)果評價

表2 圖像分類結(jié)果

上述試驗結(jié)果表明，該道路標志檢測與識別算法平均準確率高達92%，在智慧軌道交通中具有較好的性能與準確性。上述試驗與評估驗證了該算法在智慧軌道交通場景中具有較好的可行性與有效性，能夠為智慧交通系統(tǒng)提供高效、準確的道路標志信息，可為交通安全控制、駕駛輔助系統(tǒng)及交通管理決策等提供有力的技術(shù)支撐。

3 應(yīng)用效果

某市智慧軌道交通系統(tǒng)應(yīng)用該道路標志檢測與識別算法一段時間后，取得了顯著應(yīng)用效果。具體的應(yīng)用效果如下：在道路狀況監(jiān)測方面，系統(tǒng)可以準確、有效地檢測與識別道路上的各種標志，包括禁止停車標志、限速標志等，同時還支持駕駛輔助功能，如危險預(yù)警等，顯著提高了駕駛安全性。在交通管理決策支持方面，系統(tǒng)能實時監(jiān)測道路狀況，幫助交通部門自動完成違規(guī)檢測與交通流量監(jiān)控等工作。這些數(shù)據(jù)又可以作為優(yōu)化交通流量、制定合理交通管理策略的重要數(shù)據(jù)依據(jù)，大幅提升交通效率。在駕駛輔助功能方面，系統(tǒng)提供了必要的駕駛輔助功能，有效提高了駕駛員對道路狀況的認知，大幅減少了交通事故的發(fā)生概率。在數(shù)據(jù)分析和統(tǒng)計方面，系統(tǒng)自動分析和統(tǒng)計所檢測的道路標志數(shù)據(jù)，并生成違規(guī)統(tǒng)計、交通狀況報告等信息，從而幫助交通部門與相關(guān)管理人員更好地完成規(guī)劃與決策。

4 結(jié)語

綜上所述，基于機器學習，智慧軌道交通系統(tǒng)能夠準確地進行圖像分析與識別，從而提高交通安全性與服務(wù)質(zhì)量。然而，機器學習在現(xiàn)有圖像分析與識別應(yīng)用中仍存在很多限制與問題，如算法復(fù)雜性、計算資源需求以及圖像數(shù)據(jù)質(zhì)量/多樣性等。未來，將持續(xù)致力于改進、優(yōu)化機器學習模型與算法，同時不斷探索其他先進信息技術(shù)手段，如數(shù)據(jù)聯(lián)合與傳感器融合分析等，以提高算法的效率與準確率，進而提升智慧軌道交通系統(tǒng)的性能。