梁銘峰 李 蠡(成都信息工程大學(xué) 四川 成都 610000)

0 引 言

隨著高速公路與高速城市道路交通事故頻率的不斷攀升，防碰撞預(yù)警輔助裝置的需求也在日益增多。由于行車(chē)記錄儀的鏡頭物理特性導(dǎo)致在高速情況下出現(xiàn)圖像失真、檢測(cè)目標(biāo)模糊等情況，通過(guò)消除模糊并提前預(yù)警前車(chē)的突然出現(xiàn)或者異常狀況可以最大程度地使駕駛員做出相應(yīng)的防御措施。模糊圖像去模糊方法分為兩種不同的類(lèi)型：盲目和非盲目去模糊。早期傳統(tǒng)方法主要圍繞著非盲目去模糊展開(kāi)，如Lucy提出的一種基于貝葉斯理論且使用最頻繁、變體最多的迭代去卷積方式Lucy-Richardson圖模糊算法[1]。Wiener或Tihkonov regularization范數(shù)最小化誤差去卷積正則法也是最常用于獲得IS估計(jì)的兩種方法[2]。但在實(shí)際中很難找到適合模糊圖像的濾波系數(shù)，因?yàn)槊恳粋€(gè)模糊圖像的像素模糊都存在不確定性，無(wú)法預(yù)先設(shè)定好系數(shù)使其完美濾波。自從生成對(duì)抗模型被提出以來(lái)，GAN已經(jīng)擴(kuò)展到各種應(yīng)用程序[3]。針對(duì)高速運(yùn)動(dòng)模糊的運(yùn)用場(chǎng)景，本文對(duì)于模糊圖像的處理采用生成對(duì)抗網(wǎng)絡(luò)(GAN)。相較于傳統(tǒng)處理模糊圖像的方法，GAN網(wǎng)絡(luò)的效率更高，對(duì)于圖像的重建效果更好。本文采用的GAN網(wǎng)絡(luò)主要為DeblurGAN[4]，是基于條件對(duì)抗式生成網(wǎng)絡(luò)和內(nèi)容損失的端對(duì)端學(xué)習(xí)網(wǎng)絡(luò)。深度檢測(cè)算法可以分為“one-stage”和“two-stage”兩類(lèi)；“two-stage”檢測(cè)算法將檢測(cè)問(wèn)題劃分為兩個(gè)階段，首先產(chǎn)生候選區(qū)域(region proposals)，然后對(duì)候選區(qū)域進(jìn)行識(shí)別位置調(diào)整與目標(biāo)分類(lèi)，這類(lèi)算法的典型代表是基于region proposal的R-CNN系算法[5]，如R-CNN[6]、SPPNet[7]、Faster R-CNN[8]、FPN[9]、R-FCN系列算法[10]?！皁ne-stage”檢測(cè)算法由于不需要region proposal這個(gè)過(guò)程，直接產(chǎn)生物體的類(lèi)別概率和位置坐標(biāo)值，經(jīng)過(guò)單次檢測(cè)即可得到最終的檢測(cè)結(jié)果，因此有著更快的檢測(cè)速度，如YOLO、SSD[11]、Retina-Net[12]。為了更好地處理動(dòng)態(tài)場(chǎng)景中的去模糊與目標(biāo)檢測(cè)所具有實(shí)時(shí)性與高準(zhǔn)確性的要求，本文在YOLOv3[13]的網(wǎng)絡(luò)基礎(chǔ)上根據(jù)目標(biāo)尺度進(jìn)行網(wǎng)絡(luò)裁剪壓縮，與預(yù)處理網(wǎng)絡(luò)相結(jié)合，形成深度融合的快速防碰撞交通檢測(cè)模型。

1 DeblurGAN與YOLO檢測(cè)原理

1.1 生成對(duì)抗網(wǎng)絡(luò)

生成對(duì)抗網(wǎng)絡(luò)(GAN)[14]是非監(jiān)督式學(xué)習(xí)的一種方法，該方法由Goodfellow等在2014年首次提出。該網(wǎng)絡(luò)主要由一個(gè)生成網(wǎng)絡(luò)與一個(gè)判別網(wǎng)絡(luò)構(gòu)成，兩個(gè)網(wǎng)絡(luò)相互具有競(jìng)爭(zhēng)性。生成模型G的目標(biāo)旨在生成與真實(shí)圖像相似的圖像。判別模型鑒別器D的目標(biāo)旨在將來(lái)自發(fā)生器的偽圖像與真實(shí)樣本盡可能分辨出來(lái)。兩個(gè)網(wǎng)絡(luò)模型都是基于深度神經(jīng)網(wǎng)絡(luò)構(gòu)建的，因此，GAN網(wǎng)絡(luò)構(gòu)建了一種反饋循環(huán)結(jié)構(gòu)，其中生成模型G幫助改進(jìn)鑒別器D，與此同時(shí)鑒別器D幫助改善發(fā)生器G的生成質(zhì)量，這兩個(gè)網(wǎng)絡(luò)模型相互反饋，針對(duì)目標(biāo)任務(wù)相互優(yōu)化，其原理與損失函數(shù)如圖1所示。

(1)

式中：B來(lái)源于模糊圖像數(shù)據(jù)源；S來(lái)源于真實(shí)圖像數(shù)據(jù)源；psharp表示真實(shí)圖像集中的圖像S所對(duì)應(yīng)的分布情況；pblurry表示模糊圖像集中的模糊圖像B經(jīng)生成器G所產(chǎn)生的輸出分布；E表示期望；D表示判別器對(duì)輸入圖像為真的概率；G表示生成器對(duì)圖像的生成結(jié)果。

1.2 生成對(duì)抗去模糊預(yù)處理網(wǎng)絡(luò)

DeblurGAN的網(wǎng)絡(luò)結(jié)構(gòu)主要由模糊生成器、去模糊處理和比較器三個(gè)模塊組成，網(wǎng)絡(luò)結(jié)構(gòu)中包含兩個(gè)1/2間隔的卷積單元、9個(gè)residual單元和兩個(gè)反卷積單元。每個(gè)ResBlock由一個(gè)卷積層、一個(gè)實(shí)例歸一化層和一個(gè)ReLU激活函數(shù)組成，這樣可以模擬更逼真和復(fù)雜的模糊像素。該算法遵循Boracchi等[15]描述的隨機(jī)軌跡生成的想法，通過(guò)將子像素內(nèi)插于軌跡向量來(lái)生成圖像。每個(gè)軌跡是復(fù)值向量，其對(duì)應(yīng)于在值與連續(xù)域中跟隨2D隨機(jī)運(yùn)動(dòng)的對(duì)象的離散位置。軌跡生成是通過(guò)馬爾可夫過(guò)程完成的，軌跡的下一個(gè)點(diǎn)的位置是基于先前的點(diǎn)速度和位置、高斯擾動(dòng)、脈沖擾動(dòng)和確定性慣性分量隨機(jī)生成的。DeblurGAN的原理如圖2所示。

圖2 DeblurGAN原理

隨后對(duì)抗過(guò)程是使用兩個(gè)卷積進(jìn)行兩倍下采樣，同時(shí)將網(wǎng)絡(luò)的通道數(shù)由原來(lái)的64增加至256。之后經(jīng)由9個(gè)residual殘差模塊進(jìn)行去模糊處理，最后由兩個(gè)反卷積模塊對(duì)圖像的上采樣還原圖像最初的輸入尺寸。DeblurGAN網(wǎng)絡(luò)結(jié)構(gòu)如圖3所示。

圖3 DeblurGAN網(wǎng)絡(luò)結(jié)構(gòu)

1.3 YOLOv3檢測(cè)網(wǎng)絡(luò)原理

YOLO是一種一階段目標(biāo)檢測(cè)算法，是端到端目標(biāo)檢測(cè)算法，它可以直接預(yù)測(cè)目標(biāo)的類(lèi)別和位置，因此具有高效的檢測(cè)速度與精確度[16]。YOLOv3新提出了一種名為Darknet-53的深度特征提取網(wǎng)絡(luò)架構(gòu)，它包含53個(gè)卷積層，每個(gè)卷積后面都有標(biāo)準(zhǔn)池化層和Leaky ReLU激活層，并使用步長(zhǎng)為2的卷積層來(lái)對(duì)特征圖進(jìn)行下采樣。

YOLOv3將待檢測(cè)圖像劃分為N×N個(gè)網(wǎng)格，如果待檢測(cè)目標(biāo)的中心位置落入網(wǎng)格中，網(wǎng)格則發(fā)起檢測(cè)，預(yù)測(cè)出邊界框的分布及其置信度得分，同時(shí)得到待檢測(cè)目標(biāo)分類(lèi)的概率。邊界框的組成包含五個(gè)數(shù)據(jù)值，即x、y、w、h和置信度，其中：x和y表示當(dāng)前網(wǎng)格預(yù)測(cè)的對(duì)象邊界框中心位置的坐標(biāo)；w和h是邊界框的寬度和高度。置信度的定義如下：

(2)

式中：pr(·)表示目標(biāo)是否存在，當(dāng)待檢測(cè)目標(biāo)落入網(wǎng)格中時(shí)pr(Object)=1，其他情況pr(Object)=0；IoU用于表示所預(yù)測(cè)的邊框與實(shí)際邊框的重合率大小，當(dāng)多個(gè)邊界框檢測(cè)到同一目標(biāo)時(shí)，則使用非最大值抑制(NMS)[17]用于選擇最佳邊界框。盡管YOLO的檢測(cè)速度比R-CNN系列檢測(cè)速度更快，但它具有較高的檢測(cè)誤差。為了解決這個(gè)問(wèn)題，YOLOv3提出的第一項(xiàng)改進(jìn)是使用多標(biāo)簽分類(lèi)，使用多標(biāo)簽分類(lèi)的Logistic分類(lèi)器，對(duì)于重疊的標(biāo)簽，可以更好地模擬數(shù)據(jù)。以前的YOLO版本使用Softmax函數(shù)用于分類(lèi)，而YOLOv3中的分類(lèi)損失函數(shù)對(duì)每個(gè)標(biāo)簽使用二進(jìn)制交叉熵?fù)p失判別，從而代替先前版本中使用的一般均方誤差。第二項(xiàng)改進(jìn)是使用不同的邊界框預(yù)測(cè)方法，先前版本使用passthrough layer層，其作用是將前一層的feature map進(jìn)行特征重排，然后與后一層的全連接層進(jìn)行連接，感受野范圍的縮小有利于提升對(duì)小目標(biāo)檢測(cè)的精確度，這個(gè)思想在YOLOv3版本中得到了更進(jìn)一步提升。同時(shí)使用批量標(biāo)準(zhǔn)化BN(Batch Normalization)技術(shù)，它通過(guò)歸一化的預(yù)處理達(dá)到調(diào)整和縮放激活輸入圖層，在所有卷積層上添加BN層后，YOLOv3的mAP提高了2%。此外，伴隨著B(niǎo)N與Dropout技術(shù)的使用，使得模型過(guò)擬合的情況得到抑制。YOLOv3采用了3個(gè)不同尺度的特征圖進(jìn)行檢測(cè)，經(jīng)過(guò)32倍的下采樣得到13×13的特征圖，這里特征圖感受野比較大，適合中大尺寸對(duì)象檢測(cè)，第79層進(jìn)行上采樣與第61層進(jìn)行特征融合得到較細(xì)粒度的特征圖，具有中等尺度的感受野，適合中等目標(biāo)檢測(cè)。最后，第91層特征圖再次上采樣，并與第36層特征圖融合，最后得到相對(duì)輸入圖像8倍下采樣的特征圖。它的感受野最小，適合檢測(cè)小尺寸的對(duì)象[18]。YOLOv3不僅為大特征映射提供了更精細(xì)的目標(biāo)信息，也為小特征映射提供了更深層的語(yǔ)義信息，通過(guò)上采樣調(diào)整特征圖的深度，通過(guò)串聯(lián)與深層的特征圖融合，使其具有良好的檢測(cè)性能。

1.4 運(yùn)動(dòng)模糊原理

通常模糊圖像可以使用式(3)進(jìn)行建模。

F(x)=h(x)*f(x)+n

(3)

式中：F表示模糊圖像；f表示清晰原圖；h表示模糊點(diǎn)擴(kuò)散函數(shù)PSF(Point Spread Function)；*表示卷積運(yùn)算符；n表示附加噪聲，通常情況n是高斯噪聲白噪聲。

運(yùn)動(dòng)模糊是在曝光期間內(nèi)，由待檢測(cè)目標(biāo)與物理鏡頭之間的相對(duì)線性運(yùn)動(dòng)所引起的，且與水平軸成θ角，運(yùn)動(dòng)模糊的點(diǎn)擴(kuò)散函數(shù)表達(dá)公式如下：

(4)

式中：L是模糊長(zhǎng)度；θ是模糊角度；x與y為真實(shí)像素點(diǎn)坐標(biāo)。運(yùn)動(dòng)模糊處理效果如圖4所示。

(a) 清晰原圖

(b) 運(yùn)動(dòng)模糊處理圖4 運(yùn)動(dòng)模糊處理效果

2 BL-YOLOv3

為了實(shí)現(xiàn)檢測(cè)模糊圖像功能，本文在YOLO網(wǎng)絡(luò)的預(yù)處理功能中加入DeblurGAN網(wǎng)絡(luò)，YOLO除了對(duì)輸入的圖片進(jìn)行尺寸自適應(yīng)外，同時(shí)也能夠增強(qiáng)圖像清晰度，并將模型應(yīng)用于防碰撞預(yù)警檢測(cè)任務(wù)，具體流程如圖5所示。在新的網(wǎng)絡(luò)結(jié)構(gòu)中，去除了DeblurGAN網(wǎng)絡(luò)的模糊生成器和比較器，只保留其去模糊處理，盡量減少GAN網(wǎng)絡(luò)的加入對(duì)YOLO原網(wǎng)絡(luò)的影響。當(dāng)YOLO網(wǎng)絡(luò)接收到輸入的圖片經(jīng)過(guò)自適應(yīng)處理生成416×416尺寸的幀圖片后，由DeburlurGAN網(wǎng)絡(luò)中的去模糊處理模塊對(duì)其進(jìn)行去模糊操作，DeburlurGAN在完成去模處理后經(jīng)由反卷積網(wǎng)絡(luò)層將圖片大小重新恢復(fù)成416×416尺寸。去模糊完成后經(jīng)由YOLO特征提取網(wǎng)絡(luò)resnet網(wǎng)絡(luò)進(jìn)行特征的提取。在這一部分本文分析檢測(cè)對(duì)象，行人、汽車(chē)、交通標(biāo)志，三者有明顯的剛性結(jié)構(gòu)特征且不易混淆，先由YOLOv3-tiny網(wǎng)絡(luò)進(jìn)行訓(xùn)練測(cè)試，達(dá)到了mAP 54.23%的檢測(cè)結(jié)果?？紤]到將DebulurGAN加入到Y(jié)OLOv3網(wǎng)絡(luò)中勢(shì)必會(huì)增加網(wǎng)絡(luò)整體的計(jì)算量，大大降低其檢測(cè)速度?；谠赮OLOv3-tiny中測(cè)試得到的結(jié)果，對(duì)特征提取網(wǎng)絡(luò)進(jìn)行網(wǎng)絡(luò)壓縮，降低由于增加去模糊模塊所帶來(lái)的影響。分析YOLO的網(wǎng)絡(luò)結(jié)構(gòu)，其對(duì)于目標(biāo)的特征提取網(wǎng)絡(luò)主要由23個(gè)殘差結(jié)構(gòu)組成，每個(gè)殘差結(jié)構(gòu)由1×1和3×3的卷積層組成，之后分別由三個(gè)不同尺度的YOLO層完成對(duì)目標(biāo)的檢測(cè)。本次實(shí)驗(yàn)中采用的壓縮方法主要為剪裁網(wǎng)絡(luò)層和對(duì)網(wǎng)絡(luò)通道進(jìn)行降維。對(duì)YOLOv3網(wǎng)絡(luò)層的參數(shù)結(jié)構(gòu)進(jìn)行分析，對(duì)于尺度為13和26的特征圖所使用的卷積層通道數(shù)較多，其中含有較多的無(wú)效連接，因此對(duì)于這兩個(gè)尺度的特征提取模塊，本文均對(duì)其卷積層進(jìn)行降維操作。分析整體應(yīng)用場(chǎng)景，本文實(shí)驗(yàn)去除一半52尺度的特征提取通道檢測(cè)，最終訓(xùn)練得出的mAP也能達(dá)到76.48%，相較于網(wǎng)絡(luò)修改前所測(cè)得的mAP 79.14%，只下降了2.66百分點(diǎn)，即說(shuō)明了52尺度的細(xì)粒度場(chǎng)景檢測(cè)對(duì)于本次實(shí)驗(yàn)中的檢測(cè)對(duì)象無(wú)太大檢測(cè)增強(qiáng)作用。在網(wǎng)絡(luò)結(jié)構(gòu)中，本文將60至80層的卷積殘差模塊特征提取通道降為原來(lái)的一半。BL-YOLOv3檢測(cè)流程如圖6所示。

圖5 防碰撞預(yù)警檢測(cè)流程

2.1 建立行駛樣本數(shù)據(jù)集

由于車(chē)輛日常使用環(huán)境的多變性，本實(shí)驗(yàn)通過(guò)行車(chē)記錄儀截取了在不同天氣情況(雷雨、陰天)下以及早中晚不同陽(yáng)光強(qiáng)度下的行駛視頻幀，并充分涵蓋了上坡、快速、街道、下坡、急轉(zhuǎn)彎等復(fù)雜路段。本文檢測(cè)對(duì)象分別是行人(person)、車(chē)輛(Car)、交通標(biāo)志(Traffic Sign)，選取多個(gè)不同環(huán)境下且具有良好目標(biāo)特征的視頻幀后，利用LabelImg標(biāo)工具對(duì)目標(biāo)進(jìn)行標(biāo)示，最后將標(biāo)簽數(shù)據(jù)文件.xml轉(zhuǎn)化為YOLO訓(xùn)練所需要的的TXT文本。數(shù)據(jù)集如表1所示。

2.2 模型訓(xùn)練

YOLOv3中的默認(rèn)anchor尺度是由作者通過(guò)聚類(lèi)VOC數(shù)據(jù)集得到的，20類(lèi)目標(biāo)中大到bicycle、bus，小到bird、cat，這樣的anchor參數(shù)并不適合本場(chǎng)景的待檢測(cè)目標(biāo)對(duì)象，本文利用標(biāo)簽中的先驗(yàn)信息進(jìn)行聚類(lèi)計(jì)算anchor，提高bounding box的檢出率。同時(shí)批次樣本數(shù)(Batch)設(shè)置為64，為了進(jìn)一步提升訓(xùn)練效率，將Subdivsion Size提高到16，將圖像輸入的默認(rèn)resize尺寸由416提升到608以達(dá)到提升圖像識(shí)別精度，迭代次數(shù)設(shè)置為83 000次，采用小批量SDG(隨機(jī)梯度下降法)進(jìn)行訓(xùn)練。本實(shí)驗(yàn)條件如下：基于Windows 10下的Visual Studio 2015平臺(tái)，CPU為Intel I7-8700K，內(nèi)存為32 GB，GPU為NVIDIA GTX-1080TI，硬件加速庫(kù)為NVIDIA CUDA10.1。

3 實(shí) 驗(yàn)

3.1 去模糊塊對(duì)比實(shí)驗(yàn)

為了檢驗(yàn)BL-YOLOv3的去模糊塊有效性，本文采用Lucy-Richardson算法估計(jì)點(diǎn)擴(kuò)展函數(shù)(PSF)與維納濾波器的傳統(tǒng)圖模糊算法、生成對(duì)抗網(wǎng)絡(luò)去模糊塊(deblur)與基于深度學(xué)習(xí)的圖像超分辨率重建算法在二級(jí)運(yùn)動(dòng)模糊情況下進(jìn)行仿真實(shí)驗(yàn)。Lucy-Richardson算法是一種基于貝葉斯思想的空間域上的圖像復(fù)原方法，該算法從貝葉斯理論出發(fā)推導(dǎo)了圖像迭代復(fù)原的基本框架。維納濾波器則是用最小均方差濾波來(lái)去除含有噪聲的模糊圖像，其目標(biāo)是找到未污染圖像的一個(gè)估計(jì)，使它們之間的均方差最小。超分辨率重建算法則是對(duì)于一個(gè)低分辨率圖像，先使用雙三次(bicubic)插值將其放大到目標(biāo)大小，再通過(guò)三層卷積網(wǎng)絡(luò)做非線性映射，得到的結(jié)果作為高分辨率圖像輸出。本實(shí)驗(yàn)采用Tenengrad梯度的算法對(duì)增強(qiáng)圖像質(zhì)量進(jìn)行評(píng)估。該方法利用Sobel算子分別計(jì)算水平和垂直方向的梯度，同一場(chǎng)景下梯度值越高，圖像越清晰，衡量的指標(biāo)是圖像的平均灰度值，值越大，代表圖像越清晰。去模糊實(shí)驗(yàn)效果如圖7所示，圖像質(zhì)量評(píng)估結(jié)果如表2所示。

(a) Lucy-Richardson算法結(jié)果

(d) 超分辨率重建算法圖7 去模糊實(shí)驗(yàn)效果

表2 圖像質(zhì)量評(píng)估

由結(jié)果可知，在相同運(yùn)動(dòng)的模糊強(qiáng)度條件下，Lucy-Richardson與維納濾波器算法增強(qiáng)結(jié)果較差，當(dāng)噪聲較為復(fù)雜時(shí)，傳統(tǒng)濾波方法難以計(jì)算出噪聲的頻域模型，不能合理地去除噪聲干擾，在這個(gè)應(yīng)用場(chǎng)景下幾乎失去了目標(biāo)檢測(cè)條件。相對(duì)于超參數(shù)處理算法，deblur的Tenengrad的Sobel結(jié)果更大，質(zhì)量評(píng)估效果更好，超參數(shù)處理算法在還原清晰圖像過(guò)程中，會(huì)帶來(lái)峰值信噪比(PSNR)與結(jié)構(gòu)相似性指標(biāo)(SSIM)的下降從而失去一些有用的細(xì)節(jié)部分，神經(jīng)網(wǎng)絡(luò)在淺層的特征提取只是位置信息，而加入的噪聲會(huì)導(dǎo)致在深層提取細(xì)節(jié)信息時(shí)造成干擾。由于YOLOv3具有良好的泛化能力，在模型計(jì)算開(kāi)銷(xiāo)與實(shí)時(shí)性的客觀要求下，deblur去模糊算法取得了較好的效果。

3.2 檢測(cè)網(wǎng)絡(luò)優(yōu)化

由于本次檢測(cè)的目標(biāo)主要為車(chē)輛，其目標(biāo)體積較大易檢測(cè)。在YOLOv3結(jié)構(gòu)的設(shè)計(jì)中為了增強(qiáng)小目標(biāo)的檢測(cè)加入了52尺度的特征檢測(cè)，但根據(jù)實(shí)際應(yīng)用場(chǎng)景中需要檢測(cè)的目標(biāo)為大目標(biāo)較多，故本模型對(duì)52尺度的feature map進(jìn)行裁剪，減少網(wǎng)絡(luò)整體不必要的推算，并對(duì)裁剪前后的檢測(cè)效果進(jìn)行比對(duì)。同時(shí)對(duì)網(wǎng)絡(luò)層的參數(shù)量進(jìn)行計(jì)算，13和26尺度的feature map存在有計(jì)算量較多的層，為保證不丟失過(guò)多的目標(biāo)信息，只對(duì)每個(gè)殘差塊中最后一個(gè)3×3卷積層進(jìn)行通道壓縮，壓縮后的前后精度測(cè)試結(jié)果如表3所示。

表3 目標(biāo)檢測(cè)模型優(yōu)化對(duì)比結(jié)果

綜上，經(jīng)過(guò)剪裁與壓縮后的網(wǎng)絡(luò)在精度上并沒(méi)有太大損失，但對(duì)于計(jì)算量的減少與計(jì)算速度的提升有一定程度的優(yōu)化。

3.3 訓(xùn)練結(jié)果與分析

本文進(jìn)行了兩組對(duì)比實(shí)驗(yàn)，分別使用改進(jìn)算法BL-YOLOv3和YOLOv3算法在自建數(shù)據(jù)上進(jìn)行訓(xùn)練測(cè)試,并計(jì)算出各自算法的AP(Average Precision)，如圖8所示。

圖8 平均準(zhǔn)確率對(duì)比

實(shí)驗(yàn)結(jié)果表明，相比在相同基礎(chǔ)訓(xùn)練集上的YOLOv3模型，BL-YOLOv3網(wǎng)絡(luò)在輕量化處理以后，其在準(zhǔn)確性與精度上均達(dá)到了不錯(cuò)的水平，同時(shí)也加快了模型的識(shí)別速率與訓(xùn)練速度。從圖8中可以得到，本文提出的BL-YOLOv3獲得了75.48%的mAP，在此使用場(chǎng)景下，精度方面優(yōu)于YOLOv3，在視頻檢測(cè)中，實(shí)時(shí)速率達(dá)到了42.16幀/s，滿足實(shí)時(shí)檢測(cè)的要求?？梢钥吹?，本文提出的模型對(duì)車(chē)輛、人、交通標(biāo)志的檢測(cè)分類(lèi)具有較好的魯棒性。

圖9(c)和圖9(d)右邊圖像為Deblur預(yù)處理過(guò)后的識(shí)別效果，對(duì)比未先預(yù)處理過(guò)的YOLOv3模型，可以看出，BL-YOLO在該應(yīng)用場(chǎng)景下的(人、車(chē)、交通標(biāo)志)的AP數(shù)據(jù)有了一定幅度的提升(約13%)，取得了較好的效果。

(a) 模型視頻幀測(cè)試場(chǎng)景示意1

(b) 模型視頻幀數(shù)測(cè)試場(chǎng)景示意2

3.4 實(shí)驗(yàn)結(jié)果與分析

按照3.1節(jié)的實(shí)驗(yàn)配置，本文將結(jié)合BL-YOLO與YOLOv3在同一超參數(shù)設(shè)置下進(jìn)行訓(xùn)練，并對(duì)測(cè)試結(jié)果做了橫向?qū)Ρ?。首先是?duì)兩個(gè)網(wǎng)絡(luò)進(jìn)行25 000次的迭代訓(xùn)練，將訓(xùn)練日志保存輸出，繪制出兩個(gè)網(wǎng)絡(luò)的訓(xùn)練損失曲線圖。曲線圖如圖10所示。

為了降低DeblurGAN網(wǎng)絡(luò)的加入對(duì)YOLOv3檢測(cè)速度影響，本實(shí)驗(yàn)對(duì)YOLO的主干網(wǎng)絡(luò)進(jìn)行了壓縮，減少網(wǎng)絡(luò)參數(shù)加快了網(wǎng)絡(luò)的計(jì)算。通過(guò)訓(xùn)練損失曲線圖可以看出，雖然對(duì)主干網(wǎng)絡(luò)的壓縮操作會(huì)對(duì)特征的提取造成一定的影響，但是壓縮前后的訓(xùn)練損失偏差值只在0.1～0.2的范圍區(qū)間，說(shuō)明其檢測(cè)精度并未大幅度下降，滿足實(shí)際運(yùn)用條件。

根據(jù)8 ∶2的訓(xùn)練集與測(cè)試集比例需求，本文使用測(cè)試集對(duì)BL-YOLOv3和YOLOv3進(jìn)行對(duì)比測(cè)試。測(cè)試的內(nèi)容主要包括準(zhǔn)確率、召回率、漏檢率和平均準(zhǔn)確率，測(cè)試集為6 961幅經(jīng)過(guò)運(yùn)動(dòng)模糊處理的樣本。測(cè)試結(jié)果如表4所示。

表4 測(cè)試結(jié)果(%)

(5)

(6)

(7)

(8)

分析表4數(shù)據(jù)，YOLOv3即使擁有良好的泛化能力，但是對(duì)于模糊圖像的檢測(cè)，其檢測(cè)精度與檢測(cè)性能都有明顯下降。但是加入去模糊處理的BL-YOLOv3對(duì)于模糊圖像的檢測(cè)，精度與性能接近于目前深度學(xué)習(xí)算法對(duì)于該類(lèi)目標(biāo)檢測(cè)的平均值，說(shuō)明了去模糊處理的加入在很大程度上提高了檢測(cè)性能。

關(guān)于二者的性能對(duì)比，查準(zhǔn)率結(jié)果如圖11所示，本實(shí)驗(yàn)直觀地從P-R曲線圖中可以看出，對(duì)于模糊目標(biāo)樣本的檢測(cè)，優(yōu)化后的BL-YOLOv3要優(yōu)于YOLOv3。

圖11 查準(zhǔn)率結(jié)果

另外本實(shí)驗(yàn)采集了道路實(shí)景照片，經(jīng)過(guò)不同等級(jí)的運(yùn)動(dòng)模糊處理模仿實(shí)際情況中可能出現(xiàn)的模糊效果，對(duì)改進(jìn)前后的YOLOv3進(jìn)行對(duì)比，二者的檢測(cè)結(jié)果如圖12所示。

(b) 二級(jí)模糊圖12 運(yùn)動(dòng)模糊處理圖像

圖12(a)采用一級(jí)運(yùn)動(dòng)模糊模(一次運(yùn)動(dòng)模糊處理)擬車(chē)速較快時(shí)出現(xiàn)的模糊情況，圖12(b)采用二級(jí)運(yùn)動(dòng)模糊(在一次運(yùn)動(dòng)模糊的基礎(chǔ)上，保持相同參數(shù)再次模糊)模擬當(dāng)車(chē)輛經(jīng)過(guò)減速帶等崎嶇路面抖動(dòng)造成的模糊情況。

對(duì)于一級(jí)模糊的檢測(cè)對(duì)比如圖13所示。

(a) YOLOv3

(b) BL-YOLOv3圖13 一級(jí)運(yùn)動(dòng)模糊檢測(cè)效果對(duì)比圖

對(duì)于二級(jí)模糊的檢測(cè)對(duì)比如圖14所示。

從圖13(a)和圖13(b)的對(duì)比結(jié)果直觀分析，在一級(jí)模糊的情況下YOLOv3的檢測(cè)只出現(xiàn)了小規(guī)模的漏檢情況，但在二級(jí)模糊條件下，如圖14(a)和圖14(b)所示，YOLOv3基本失去檢測(cè)能力。但是改進(jìn)后的算法仍然能對(duì)目標(biāo)進(jìn)行有效檢測(cè)，說(shuō)明了加入去模糊模塊對(duì)檢測(cè)性能的提升有很大的幫助。

4 結(jié) 語(yǔ)

本文提出一個(gè)基于生成對(duì)抗網(wǎng)絡(luò)去模糊網(wǎng)絡(luò)模塊實(shí)時(shí)檢測(cè)算法的目標(biāo)檢測(cè)神經(jīng)網(wǎng)絡(luò)BL-YOLOv3，并用于實(shí)時(shí)防碰撞預(yù)警駕駛視頻目標(biāo)檢測(cè)，為汽車(chē)前向目標(biāo)防碰撞測(cè)試提出了優(yōu)化方案。利用DeblurGAN的快速盲去模糊預(yù)處理的方法，優(yōu)化了一般檢測(cè)算法在模糊環(huán)境下的檢測(cè)精度。為了證明本文方法的有效性，將其與YOLOv3方法進(jìn)行了比較。實(shí)驗(yàn)結(jié)果表明，與YOLOv3模型相比，BL-YOLOv3在檢測(cè)速度與精度上有了顯著的提高。目前對(duì)灰暗環(huán)境以及處于反光條件的小目標(biāo)交通標(biāo)志的識(shí)別中，仍然出現(xiàn)空目標(biāo)或者識(shí)別框不準(zhǔn)確等問(wèn)題，這是下一步需要繼續(xù)完善的地方。