一种改进的YOLOv3嵌入式实时车辆检测算法_刘永鑫.pdf

敬请登录网站在线投稿（）年第期 一种改进的 嵌入式实时车辆检测算法刘永鑫，高成，吴政，郭超（沈阳工业大学 化工过程自动化学院，辽阳 ；苏州光创电子科技有限公司）基金项目：辽宁省自然科学基金（）。摘要：受制于嵌入式平台的性能和资源制约，基于深度学习的车辆检测算法在部署时面临网络参数量过大、模型复杂、移植困难等问题。提出一种基于 网络的 改进目标检测算法，使用轻量级 网络替换传统主干特征提取网络 ，修改 特征金字塔为 结构，同时引入注意力机制以提高算法的检测精度。在计算机平台和瑞芯微 嵌入式平台上的实验结果表明，改进后的 算法模型减小，检测精度提升，推理时间缩短。关键词：；实时车辆检测；注意力机制中图分类号：文献标识码：，（，；）：，：；引言近年来，国内汽车保有量快速提升引发的交通拥堵和事故频发等问题日益突出，而智慧交通是解决我国交通问题的有效途径。作为智能交通系统的重要组成部分，车辆检测技术是实现智能化监测、控制、分析、决策、调度和疏导的基本依据，对提升道路交通安全通行具有重要促进作用，该技术水平的高低直接关系到道路监控、运行及管理的效果。年 等人提出单阶段的 系列算法，将目标检测问题转换为回归问题，大大提高了算法 的 实 时 性，但 降 低 了 检 测 精 度。顾 晋等 人 对 模型进行简化，并且引用 函数代替原有的 函数，提升了 的识别精度。王硕等人则针对 算法，利用 模块改进特征提取网络增加网络宽度，并利用 聚类方法确定了更适合的目标候选框尺寸，在保证实时性的基础上，改进的算法平均精度（）有所提升。王玲等人则提出了一种融合多尺度的目标检测算法 ，通过将位置信息明确的浅层特征与语义丰富的深层特征进行多尺度融合，并且在预测阶段使用转置卷积操作替换最近邻插值法作为新的上采样方法，较好地提升了 的检测精度和速度。年谷歌提出专注于移动端或嵌入式设备的轻量级 网络 ，在准确率小幅降低的前提下大大减少了模型的参数与运算量。张达为等人通过将 引入 ，作为基础特征提取网络，形成 目标检测网络模块，并且引入两条 连接进行特征融合，减少了检测算法的模型参数，提高了模块的检测速度。上述 算法的不断优化虽使其能够更好地适 年第期 用于车辆检测领域和部分嵌入式平台，但对大多数嵌入式平台，其网络结构还是过于庞大，实际部署应用时依然无法很好地适配。本文提出将 网络代替 中的主干特征提取网络 ，改进 算法的 结构以增强不同特征层的特征融合，并在网络中增加注意力机制以提高对检测目标的特征提取能力。实验结果表明，本文提出的算法相较于 算法在检测精度、网络复杂度方面都有更优的表现，并且大大缩短了嵌入式平台的推理时间。算法原理 算法基于提取多特征层进行目标检测，其主干特征提取网络 借鉴了残差网络的思想，由多个残差块构成。当一张待检测图片输入到 网络中，经过 网络提取出个不同大小的特征层，其大小分别为（）、（）、（），这个特征层输入到 特征金字塔中经过卷积、上采样等操作后相互融合获得多层目标信息，处理后的个特征层输入到 中得到预测结果。以 数据集为例，输出的个预测结果的大小分别为（，）、（，）（，），其中代表 的大小，则表示为（），其中为每个网格具有个先验框，为预测得到目标位置信息分别为、和，代表是否有待检测目标的置信度，为分类的结果。获得检测结果后对其进行解码操作，得出检测到的目标边界框的坐标、以及宽高、，其计算公式为：（）（）（）（）（）（）其中，和为该点所在网格的左上角距离最左上角相差的格子数。和为原始先验框的边长。和为目标中心点相对于该点所在网格左上角的偏移量。和为预测边框的宽和高。网络 网络是谷歌于 年推出的，共发布了两个版本，分别为 和 。为了更好地在嵌入式平台上运行，本文使用 。深度可分离卷积 网络相较于传统网络最大的差别就是使用了深度可分离卷积，其可以在不影响精度的前提下大大降低网络的计算量，深度可分离卷积由深度卷积（）和逐点卷积（）两部分组成。深度卷积与普通卷积的不同之处在于普通卷积在做卷积时每个卷积核的维度与输入维度相同，每个通道做完运算后相加，而深度卷积在做卷积时使用的卷积核只有一维，负责一个通道，卷积后的通道数不会改变。逐点卷积的运算与普通卷积类似，其不同之处在于参与卷积的卷积核的大小为（为输入数据的维度），逐点卷积运算会将上一层的特征图在通道方向上进行加权组合，生成新的特征图，新的特征图的大小与输入数据的大小一致，用较少的计算量对输入数据进行降维或升维操作。深度卷积和逐点卷积两者组合构成了深度可分离卷积，它是由一层深度卷积与一层逐点卷积组合而成的，每一层 卷 积 之 后 都 有 批 规 范 化（）和 激活函数。如图所示，在处理一个尺寸为 的特征图时，当卷积核大小为 时，输出特征图尺寸为 。普通卷积的参数量为 ，计算量为 。而利用深度可分离卷积的参数量为 ，计算量为 。相比较可知，深度可分离卷积的参数量和计算量仅是普通卷积的倍。图深度可分离卷积 注意力机制 网络在原来的逆残差结构中增加了 （）模块，其可以通过学习来自动获取到每个特征通道的重要程度，依据获得的结果提升有用特征并抑制对当前任务无用的特征。其结构如图所示。模 块 由 压 缩（）、激 励（）、重 标 定（）三部分构成，压缩部分是将输入的每个特征通道通过全局平均池化（）压缩为一个实数，获得输入特征图全局范围的感受野。其公式为：（）（，）（）敬请登录网站在线投稿（）年第期 图 模块结构图式中，为输入特征图，大小为，得到的结果输入激励操作。激励部分由两个全连 接 层 和 、激活函数构成，其中全连接层能够融合全部的输入特征信息，而最后的 函 数 可 以 将 输 出范围映射到。其公式可表示为：（，）（，）（）式中，为压缩后获得的全局描 述，为 非 线 性 激 活 函 数 ，保证输出结果不为负。、为两个全连接层，为 函数。重标定部分是将原始特征图与经激励部分输出的各个通道的权重相乘，完成重新标定。（，）（）本文尝试在网络不同的位置嵌入 模块。实验结果表明，在 部分嵌入 模块对算法的平均精度均值（）有小幅度提升。模块嵌入位置如图所示。图嵌入 模块的 结构 网络 改进的 结构传统的 在得到主干特征提取网络输出的个特征层后将其输入到 特征金字塔中，利用底层特征的高分辨率和高层特征的信息，使用上采样的方法自上而下地将不同层特征进行融合，得到更多的目标信息。本文在 的基础上增加了 结构，对 结构进行补充，将低层的强定位特征传递上去，自下而上再次进行特征融合，为更好利用原始特征信息，引入一条主干特征网络输出的特征图层进行特征传递，以便获得待检测目标位置信息，其结构如图所示。图 结构 网络检测流程如图所示，进入网络前待检测图片首先大小会被调整为 ，输入到 网络后输出个特征层大小分别为（）、（）、（）、（），通 过 层 扩 张 通 道 数 将 其 调 整 为（）、（）、（）、（），经过 模块处理后输入到 结构进行多尺度特征融合。将其结果输入到 得到个不同尺度的预测结果，而后经过非极大值抑制（）算法去除冗余框，得到检测目标的位置信息与类别信息。实验结果及分析 实验环境本文实验环境参数如表所列。表实验环境参数平台类别版本计算机平台操作系统 处理器 （）（）深度学习框架 显存大小 嵌入式平台处理器瑞芯微 算力 数据集本 文 实 验 所 用 的 数 据 集 为 北 京 理 工 大 学 发 布 的 车辆检测数据集，其数据共 张，图片分辨率为 和 两种。将待检测车辆 年第期 图 网络结构分为 、和 六类标签。训练集、验证集、测试集的划分比例为 ：。评价准则本文使用平均精确度均值（）作为目标检测算法的评价标准，是指平均精确度（）的均值，计算公式为：（）（）式中，为待检测目标的分类数量，（）为每个分类的平均精确度，平均精确度基于召回率（）和精确率（）计算得到，以两者为横纵坐标组成的 曲线围成的面积得到 的值，其面积越大代表算法的检测性能越好。其中，召回率与精确率的计算公式为：（）（）式中，为分类正确的目标数量，为分类错误的目标数量，为未检测出的目标数量。在嵌入式平台上的评测，通过调用 （）接口对计算机平台生成的权重文件进行转换得到可以在瑞芯微嵌入式平台运行的 文件。其中量化类型使用 ，并调用 （）接口对网络模型进行性能评估。训练过程本文训练所使用的 为，共迭代 次，优化器 采 用 中 的 。初 始 学 习 率 设 置 为，权重衰减设置为。学习率调整采用 框 架 中 的 函 数，其 中 设 为，设为。实验结果数据集测试效果如图所示。图 算法在 数据集上的测试效果实验 结 果 如 表 所 列。实 验 结 果 表 明，相 较 于 网络，改进后的 网络在 数据集上的 值提升了，模型减小了，网络复杂度和模型参数都大大降低，且在 嵌入式平台测试一张图片的推理时间也减少到 （数据刷新率为 ），满足嵌入式平台实时车辆检测的需求。敬请登录网站在线投稿（）年第期 表 网络与 网络实验效果对比平台算法模型 计算机平台 值 各个类别的 值 模型大小 嵌入式平台推理时间 检测速率 转化后模型大小 结语本文提出的嵌入式实时车辆检测改进算法通过引入 网络缩小 算法的网络参数以及计算量，使用 结构并添加 模块作为算法的 部分，增强不同尺度特征层的融合。在 数据 集 上 的 实 验 结 果 表 明，改 进 后 的 网络在参数量、计算量上相较于 都有明显减少，并且对车辆的检测精度有小幅度提升。而在嵌入式平台的推理时间相较于 缩短了一半，使得检测速率明显提升，更利于在嵌入式平台上的部署。参考文献 ，：，顾晋，罗素云基于改进的 车辆检测方法农业装备与车辆工程，（）：王硕，王孝兰，王岩松，等 基于改进 的车辆检测方法 计算机与数字工程，（）：王玲，张松，王鹏，等 基于 的车辆目标实时检测算法计算机应用与软件，（）：，：张达为，刘绪崇，周维，等 基于改进 的实时交通标志检测算法 计算机应用，（）：，：，（），：，：，：，（），（），刘永鑫、吴政（硕士研究生），主要研究领域为计算机视觉、深度学习；高成（教授），主要研究领域为机器人视觉伺服、机器人控制；郭超（高级工程师），主要研究领域为计算机视觉。通信作者：高成，。（责任编辑：薛士然收修改稿日期：）薛萌，黄斐，贾仕达，等 基于 的高稳定度半导体激光器驱动系统设计软件导刊，（）：方冉，沈丽娜一种蝶形激光器驱动技术研究安徽师范大学学报（自然科学版），（）：周根弟高稳定度激光光源温度控制算法研究和实现北京：北京邮电大学，穆叶，胡天立，陈晨，等 采用模拟 控制的 激光器温度控制系统研制红外与激光工程，（）：，（）：，（）：，刘霜，李汉钊，刘路，等激光器频率噪声功率谱密度测试技术及在谐振式光纤陀螺中的应用 光学学报，（）：丁少轩（硕士研究生），主要研究方向为电路设计与系统应用；刘文耀（教授），主要研究方向为微纳光学传感、微纳器件制造与系统集成。通信作者：刘文耀，。（责任编辑：薛士然收稿日期：）