1. 引言
智能交通是交通运输信息化发展的战略目标，信息化是实现智能交通的重要手段，涵盖了人、车辆、道路等多维度信息提取，快速、准确地提取交通参数信息是智能交通系统正常运行的前提和保障。作为一种重要的交通参数，车型的分类研究得到了极大的关注。
传统的交通参数提取主要用到雷达 [1] [2]、声波 [3]、激光 [4]、地感线圈 [5] [6] 等传感器设备，由于受限于设备安装、维护以及费效比等因素，传统的参数提取设备难以大范围普及。目前路侧的视频监控设施非常完备，其主要目的是为交通管理部门进行远程监测和提供实时路况信息，这些数量庞大的监控摄像数据，是交通参数提取和有效利用的重要应用场景 [7] [8] [9] [10]。车型分类的前提是车辆目标的检测，目前广大专家学者已提出许多车辆检测方法，包括：基于背景建模的检测方法 [11] [12] [13]，该类方法处理速度快，缺点是容易受到环境因素的扰动，对于交通场景中的静态目标检测效果不佳；基于统计学习的检测方法 [14] [15]，该类方法预先训练手工特征目标分类器，采用多尺度滑动窗口搜索目标区域，能够对环境因素有效抑制，减少干扰，不受场景中物体阴影的影响，但处理速度较慢，且泛化能力较差；基于深度学习的检测方法 [7] [8] [9] [10] [16] - [28]，随着大规模数据集的出现及计算机软硬件的升级，基于深度学习的目标检测方法的精度得到了快速提升，其中以Yolo [23] 为代表的回归模型在检测精度和速度上都占据了优势。
本文的主要工作聚焦于如何稳定、鲁棒地对交通场参数进行实时提取，基于利旧的原则，利用部署在道路龙门架上的原有交通监控视频数据，结合改进后的YOLOv3的深度学习模型，实现交通场景中车辆的实时检测和车型的分类。
2. 算法模型
目前基于深度学习的目标检测算法主要分为两大类：一是基于区域提名的方法，因其主要包含两个过程，因此又称为两阶段方法，以R-CNN (Regions with CNN features) [16] [20] 为代表，基本思路为针对图像中目标物体位置，预先提出候选区域，再利用卷积神经网络提取图像深度特征并判断区域内物体类型，该类算法的检测精度普遍较高，但是耗时比较严重；另一种是基于端到端学习的方法，又称为单阶段方法，以YOLO (You Only Look Once) [24] [25] 和SSD (Single Shot MultiBox Detector) [26] [28] 为代表，其主要思路是均匀地在图片的不同位置进行密集抽样，抽样时可以采用不同尺度和长宽比，然后利用卷积神经网络提取特征并直接进行分类与边框回归，整个过程只需要一步，因此该类方法检测速度普遍较快。
本文的研究基于实时监控视频，对目标检测算法的实时性要求十分严苛。上述深度学习检测算法中只有SSD和YOLO系列能够达到实时检测，其中YOLOv2算法的检测精度与SSD相当，但检测速度却是后者的2倍，而YOLOv3是对YOLOv2的进一步改进，因此本文的算法模型建立在YOLOv3的基础上。
由于交通监控视频分辨率普遍较大，当归一化至YOLOv3所需的尺寸后，会使得图像中尺寸较小的摩托车、行人等目标变得更小，导致对这些交通场景中小目标的检测效果下降，因此本文针对交通道路监控场景，对YOLOv3算法进行改进，设计了一种更适用于交通道路监控场景的深度学习车辆检测与车型分类算法。
2.1. 网络结构
本文采用的特征提取网络为Darknet53，包含52个卷积层和1个全连接层，借鉴了ResNet的残差学习的思想，在网络结构中大量使用残差单元，而且性能要比ResNet101和ResNet152两种深层残差网络更好。残差单元结构如图1所示。
(a) 标准残差单元 
(b) Darknet 53中残差单元
Figure 1. Residual element structure
图1. 残差单元结构
使用残差单元的目的在于保证卷积神经网络在很深的情况下仍然能够使损失收敛，从而使网络可以不断加深，表达出更好的特征并提升分类与定位的精度。残差单元中的1 × 1卷积核可以对特征图每个像素在不同通道上进行线性组合，在不改变特征图原有平面结构的情况下调节其深度，从而实现拓宽通道数的升维或减少参数的降维功能，也在一定程度上减少了网络计算量。
Darknet53前面的52层是一个全卷积网络，执行下采样时没有使用池化层而是使用步长为2的卷积核，总共执行了5次，即对输入图像实现最多32倍下采样。本文的车辆检测算法在主网络的基础上又增加了2个更大尺度的卷积层，与原来3个卷积层组成5个不同尺度的特征金字塔，整个网络结构如图2所示。
第一个卷积层使用32个大小为3 × 3的卷积核过滤归一化至416 × 416大小的彩色三通道输入图像，得到416 × 416 × 32的特征图；接着用步长为2的64个3 × 3的卷积核对之前层的输出进行滤波，实现下采样操作，得到208 × 208 × 64的特征图；接下来依次执行残差单元数量为1、2、8、8、4的5组残差网络，每组残差网络之间使用步长为2的卷积核构成的卷积层执行下采样操作，分别输出104 × 104 × 128、
52 × 52 × 256、26 × 26 × 512和13 × 13 × 1024的特征图。此外，所有卷积层卷积后都执行批量标准化(Batch Normalization)操作以规范网络，加快收敛速度，同时用非线性函数Leaky ReLU进行激活。
特征金字塔的5个卷积层尺寸分别与特征提取网络中5种尺寸的特征图对应，这样做的目的在于充分利用特征提取网络获得的每一种尺寸的特征图，更多地考虑到图像的全局信息与局部信息，让网络同时学习深层特征和浅层特征，使得网络对图像具有更好的表达能力。
2.2. 锚盒机制
锚盒机制最早由Faster R-CNN提出，用于替代图像金字塔，实现对不同尺度与宽高比例的边界框的高效预测，同时降低网络模型训练复杂度，加快检测速度。本文检测算法延用YOLOv3中的锚盒机制，每种尺度特征图的网格预测3种不同尺寸的边界框，5种尺度特征图共计15种尺寸的边界框，使用K-means聚类 [28] 的方法从训练数据集中确定了15个锚盒，即15种边界框的先验。聚类中的距离定义如下：
(1)
其中IOU (Intersection over Union)为两个边界框交集与并集的比。适当的IOU可以使得网络模型在复杂度和召回率之间取得较好的平衡，本文选取的IOU > 0.5作为阈值。
2.3. 多尺度预测
本文检测算法采取多尺度特征融合预测的策略，直接在多个尺度的特征图上回归预测车辆边界框和类型。如图2所示，首先将最后一组残差网络输出13 × 13的特征图用于第一次预测；其次执行2倍上采样得到26 × 26的特征图，并与特征提取网络中相应尺寸的特征图进行拼接后进行第二次预测；再次继续进行上采样和拼接操作，最后总共执行5次不同尺度的特征融合和预测。
当使用一个尺度为N × N的特征图进行检测时，检测算法会将输入图像划分为N × N个网格(Cell)，每个网格包括的区域称为特征图的感受野，因此越小的特征图其感受野越大，蕴含更多全局信息和语义层次更高的特征；越大的特征图其感受野越小，包含更多的局部信息和特征。每个网格的任务是负责检测中心位于该网格内的目标，即预测目标边界框和目标类别，如图3所示。
每个边界框需要预测4个参数(tx, ty, tw, th)，记负责该边界框的网格左上角在全图的坐标为(cx, cy)，边界框对应的先验框宽为pw，高为ph，logistic函数σ(t)负责将坐标归一化到0到1之间，则边界框信息可以通过式(1)计算得出。训练时对边界框坐标的损失计算方式采用平方和距离误差损失。
(2)
检测算法对每个边界框通过逻辑回归预测一个目标的得分，若预测的边界框与真实的边界框大部分重叠且比其它所有的预测要好，则目标得分为1。若重叠率未达到阈值0.5，则该边界框将会被忽略，也就是会显示为没有损失值。
对于目标类别，每个边界框使用多标记分类来预测框中可能包含的类，分类时单独的逻辑分类器代替Softmax，并在训练过程中采用二元交叉熵损失。
每种尺度的特征图划分的网格预测3种不同尺寸的边界框，每个边界框预测4个坐标、1个目标得分和C个分类得分，因此每种尺度的特征图预测的张量为N × N × [3 × (4 + 1 + C)]。以本文面向的交通场景为例，类别数量为9，因此对一幅图需要预测(13 × 13 + 26 × 26 + 52 × 52 + 104 × 104 + 208 × 208) × 3 = 172,887个边界框，预测总张量为(13 × 13 + 26 × 26 + 52 × 52 + 104 × 104 + 208 × 208) × 3 × (4 + 1 + 9) = 2,420,418。最后采用非极大值抑制(NMS)检查同类型里高度重叠的边界框并丢弃除最高置信度以外的其它预测框。
3. 实验结果与分析
3.1. 实验环境
实验的硬件环境为PC机，CPU为IntelCore i7-7700K4核处理器，内存为16 GB，GPU为NVIDIA GeForce GTX 1080，显存为8GB，软件环境为64位Windows10操作系统，CUDA版本为8.0，cuDNN版本为8.0，深度学习框架为Darknet。
3.2. 实验方法
本文使用的数据集图像样本尺寸有1920 × 1080、1280 × 960等尺寸，在训练时统一归一化至416 × 416。通过K-means聚类算法在训练集中产生了15个锚盒，大小分别为(7 × 13)，(11 × 18)，(14 × 28)，(21 × 35)，(19 × 52)，(30 × 53)，(31 × 70)，(41 × 81)，(46 × 116)，(65 × 97)，(58 × 152)，(67 × 196)，(136 × 143)，(96 × 253)，(145 × 266)。
这里的网络模型在训练时进行了50,200次迭代，批量(batch)大小设为64，动量设为0.9，衰减设为0.0005，学习率初始为0.001，依次在迭代40,000和45,000次时下调至原来的0.1倍。
3.3. 实验结果与分析
训练过程中的平均损失和平均IOU如图4所示。
(a) 平均损失 
(b) 平均IOU
Figure 4. Training set average loss and average IOU
图4. 训练集平均损失和平均IOU
图4(a)和图4(b)分别显示了本文网络模型的平均损失在训练过程中的下降趋势和平均IOU的上升趋势。其中损失在前2000次迭代中下降很快，在迭代30,000次之后基本收敛，在迭代40,000次时由于学习率自动调整为原来的1/10，损失又有小范围的降低；IOU在整个训练过程中整体上呈上升趋势，但波动范围较大，说明网络模型可以对目标边界框的主体进行较好的拟合，但是边界不够稳定，会在一定范围内波动。
本文将原版YOLOv3在本文训练集上进行训练，并将改进前后的模型在测试集中进行测试，效果对比如下：
如表1所示，在输入图像尺寸相同的情况下，本文方法在测试集上的mAP (Mean Average Precision)达到了83.24%，比原版YOLOv3的82.54%有0.7个百分点的提升，同时本文方法的平均IOU达到73.92%，比原版YOLOv3的72.15%提高了1.77个百分点，说明本文提出的目标检测与分类方法在分类平均精度和定位平均准确度方面均优于原版YOLOv3。此外，本文方法的检测速度为35.51帧/秒，虽然低于原版的38.92帧/秒，但是仍可以满足实时性需求，本文检测算法在实际监控视频中的检测效果如图5所示。
(a) 
(b) 
(c) 
(d)
Figure 5. This paper detects the algorithm effect diagram
图5. 本文检测算法效果图
Table 1. The detection results of the improved methods on the test set in this paper
表1. 改进前后的方法在本文测试集上的检测结果
图5中每个车辆目标对应一个矩形边界框，边界框左上角显示了该目标的分类置信度和英文类标签，其中类标签包括：Car (中小客车)、SmallTruck (小型货车)、Bus (大客车)、MediumTruck (中型货车)、LargeTruck (大型货车)、HugeTruck (特大型货车)、ContainerTruck (集装箱车)、Motorbike (摩托车)以及Person (行人)。
综合以上实验结果，可以确认本文提出的算法，能够利用路侧摄像机的视频数据进行交通参数的提取，分类精度与定位精度相较于YOLOv3都有提升，且依然能够满足道路交通参数提取系统所需的实时性。
4. 结论
本文针对交通场景中的车型分类问题，基于交通监控视频，设计并实现了一种基于YOLOv3的改进型车辆检测和分类方法。本文设计的方法通过将深度特征图与浅层特征图进行融合形成多尺度预测，充分利用了特征提取网络中每一种尺寸的特征图，增强了对图像特征的表达能力。本文还采取K-means聚类算法在训练集中自动生成锚盒，在提高网络模型定位精度的同时也加快了检测速度。实验结果表明，本文的检测和分类算法不仅具有很好的实时性，而且在车辆检测与分类精度方面优于传统的YOLOv3算法。该算法可以有效利用路侧原有监控设备进行实时交通参数提取，提高交通场景能效比，辅助智能交通发展。
基金项目
廊坊市科学技术研究与发展计划项目(编号：2021013071，2021011066)。