謝耀華,代 玉,周 欣,李 剛

1(國(guó)家山區(qū)公路工程技術(shù)研究中心,重慶 400067)

2(招商局 重慶交通科研設(shè)計(jì)院有限公司,重慶 400067)

3(自動(dòng)駕駛技術(shù)交通運(yùn)輸行業(yè)研發(fā)中心,重慶 400067)

4(長(zhǎng)安大學(xué) 電子與控制工程學(xué)院,西安 710064)

1 引言

化學(xué)危險(xiǎn)品簡(jiǎn)稱為危化品,在工業(yè)生產(chǎn)、人民生活、科技發(fā)展等領(lǐng)域有著舉足輕重的作用.隨著?；返纳a(chǎn)、運(yùn)輸、使用越來(lái)越規(guī)范,各行各業(yè)對(duì)?；返男枨笠彩桥c日俱增的[1].不同其他常用的生產(chǎn)、生活材料,危化品本身具有很大的危險(xiǎn)性.這些危險(xiǎn)性包括燃燒、爆炸、有毒、具有放射性等,一旦出現(xiàn)?；肥鹿?對(duì)于國(guó)家和人民來(lái)說(shuō)都將是一場(chǎng)可怕的災(zāi)難[2].國(guó)家對(duì)于危化品的生產(chǎn)、運(yùn)輸、使用也制定了嚴(yán)格的規(guī)定,這在很大程度上避免了很多事故的發(fā)生.但?；芬l(fā)的事故仍然時(shí)有發(fā)生,而且很多是發(fā)生在運(yùn)輸?shù)耐局械腫3].在我國(guó),道路運(yùn)輸是危化品運(yùn)輸?shù)闹饕侄?每年有60%的?；肥峭ㄟ^(guò)道路進(jìn)行運(yùn)輸?shù)?隨著我國(guó)道路交通網(wǎng)絡(luò)不斷的發(fā)展和完善,這個(gè)比例會(huì)逐步上升[3].為了提高道路運(yùn)輸?shù)陌踩?使用深度學(xué)習(xí)技術(shù)在重要路段對(duì)?；奋?chē)輛進(jìn)行識(shí)別和跟蹤,通過(guò)對(duì)?；奋?chē)輛的監(jiān)測(cè),在危險(xiǎn)路段或事故高發(fā)路段提早對(duì)?；奋?chē)輛進(jìn)行警示,避免因司機(jī)或路段的問(wèn)題導(dǎo)致事故的發(fā)生,也可以在事故發(fā)生后及早進(jìn)行救援行動(dòng),減少人員和財(cái)產(chǎn)的損失,避免二次事故的發(fā)生.

?；奋?chē)輛和普通貨車(chē)在外形上很像,通過(guò)外形大小來(lái)對(duì)?；奋?chē)輛進(jìn)行識(shí)別是不靠譜的.危化品車(chē)輛獨(dú)有的標(biāo)識(shí)是車(chē)頂?shù)娜切挝ｋU(xiǎn)標(biāo)識(shí)和車(chē)牌旁的矩形危險(xiǎn)品標(biāo)識(shí)[4].如圖1所示,圖1(a)是車(chē)頂標(biāo)識(shí)牌,圖1(b)是車(chē)牌標(biāo)識(shí).一般的,通過(guò)對(duì)這兩個(gè)標(biāo)識(shí)進(jìn)行檢測(cè)和識(shí)別是比較有效的,但相比于整個(gè)車(chē)輛,這兩個(gè)標(biāo)志由于其位置和大小的特殊性,檢測(cè)起來(lái)也更加困難.

相較于傳統(tǒng)人工設(shè)計(jì)進(jìn)行特征提取的方式,使用深度學(xué)習(xí)進(jìn)行車(chē)輛檢測(cè)的方法得到了越來(lái)越多研究者的認(rèn)可,通過(guò)卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行特征提取有效的提高了目標(biāo)檢測(cè)的精度和速度.Watkins 等人[5]對(duì)ResNet50網(wǎng)絡(luò)進(jìn)行優(yōu)化,使用空間加權(quán)池化結(jié)構(gòu),同時(shí)在分類(lèi)過(guò)程之前添加了一個(gè)本地化步驟,在綜合汽車(chē)數(shù)據(jù)集上進(jìn)行訓(xùn)練,最終的結(jié)果準(zhǔn)確度比傳統(tǒng)神經(jīng)網(wǎng)絡(luò)方法提高了3.7%.費(fèi)東煒等[6]針對(duì)網(wǎng)絡(luò)對(duì)于未訓(xùn)練數(shù)據(jù)識(shí)別差的問(wèn)題,以HashNet[7]為基礎(chǔ),使用雙線性模塊替換原網(wǎng)絡(luò)中的AlexNet[8]部分,提高模型的細(xì)粒度特征提取能力,然后通過(guò)匹配特征生成的哈希碼和數(shù)據(jù)庫(kù)中的哈希碼實(shí)現(xiàn)對(duì)車(chē)輛的細(xì)粒度特征提取能力檢測(cè).史凱靜等[9]在Faster-RCNN[10]的基礎(chǔ)上進(jìn)行改進(jìn),融合多種網(wǎng)絡(luò)模型,進(jìn)一步提高了模型的準(zhǔn)確性和魯棒性.

張富凱和楊峰等[11]通過(guò)提出單階段的深度神經(jīng)網(wǎng)絡(luò):DF-YOLOv3 模型實(shí)現(xiàn)對(duì)車(chē)輛的實(shí)時(shí)檢測(cè),DF-YOLOv3通過(guò)融合6 個(gè)不同尺度的卷積特征圖和殘差網(wǎng)絡(luò)中相應(yīng)尺度的特征圖,作為用來(lái)進(jìn)行預(yù)測(cè)任務(wù)的特征金字塔,最終結(jié)果表明模型具有較高的檢測(cè)性能.鄭冬和李向群等[12]針對(duì)深度神經(jīng)網(wǎng)絡(luò)規(guī)模過(guò)大的問(wèn)題,設(shè)計(jì)了一種輕量化的SSD[13]網(wǎng)絡(luò)模型.該網(wǎng)絡(luò)模型使用MobileNetv2[14]代替VGG[15]進(jìn)行特征提取,然后使用SSDLite 代替SSD,從而達(dá)到減小模型規(guī)模,加快檢測(cè)速度的目的.

目前比較常見(jiàn)的神經(jīng)網(wǎng)絡(luò)框架有單階段和雙階段兩種.雙階段神經(jīng)網(wǎng)絡(luò)如Faster-RCNN,這種模型的檢測(cè)步驟分為兩步,首先使用區(qū)域建議算法得到大致目標(biāo)位置,然后進(jìn)行分類(lèi),這種方法精度高,但速度慢.單階段神經(jīng)網(wǎng)絡(luò)如SSD和YOLO,這種模型可以一次性進(jìn)行目標(biāo)分類(lèi),是一種端到端的方法,這種方法速度快,但精度沒(méi)有雙階段網(wǎng)絡(luò)高[16].

?；奋?chē)輛檢測(cè)任務(wù)作為一個(gè)二分類(lèi)任務(wù),有其特殊性[17],為了能在保證檢測(cè)精度的同時(shí),盡可能的提高檢測(cè)的速度,本文基于高速路危化品車(chē)輛數(shù)據(jù)集,提出了一種將殘差網(wǎng)絡(luò)和雙向特征金字塔結(jié)合神經(jīng)網(wǎng)絡(luò)模型.該模型充分利用殘差網(wǎng)絡(luò)和雙向特征金字塔的優(yōu)勢(shì),可以極大的提高目標(biāo)檢測(cè)的精度,同時(shí),為了減少網(wǎng)絡(luò)中的參數(shù)量和計(jì)算量,改進(jìn)了殘差塊的卷積層,使得整個(gè)模型可以實(shí)現(xiàn)高精度和高速度的目的.

2 基于雙向特征金字塔和殘差網(wǎng)絡(luò)的危險(xiǎn)品車(chē)輛檢測(cè)算法

危險(xiǎn)品車(chē)輛檢測(cè)的目的是通過(guò)一系列的算法和手段在圖像中對(duì)特定車(chē)輛進(jìn)行識(shí)別[17],根據(jù)識(shí)別出的車(chē)輛位置信息對(duì)特定車(chē)輛的運(yùn)行軌跡進(jìn)行再現(xiàn)和跟蹤[18].為實(shí)現(xiàn)這個(gè)目的,本文提出了一種基于雙向特征金字塔(BFPN)[19]和殘差網(wǎng)絡(luò)[20]的危險(xiǎn)品運(yùn)輸車(chē)輛檢測(cè)算法,用于對(duì)公路上運(yùn)行的危險(xiǎn)品車(chē)輛進(jìn)行識(shí)別和跟蹤.

?；奋?chē)輛檢測(cè)算法流程如圖2所示.

圖2 危化品車(chē)輛檢測(cè)算法流程圖

2.1 ?；奋?chē)輛數(shù)據(jù)集的建立

對(duì)于深度學(xué)習(xí)模型來(lái)說(shuō),數(shù)據(jù)集至關(guān)重要.本文從重慶市高速路監(jiān)控?cái)z像視頻中截取包含危險(xiǎn)品車(chē)輛的圖像用來(lái)制作危險(xiǎn)品車(chē)輛檢測(cè)數(shù)據(jù)集,同時(shí)還對(duì)非危險(xiǎn)品車(chē)輛圖像進(jìn)行截取,最終采集到2 500 張?jiān)架?chē)輛圖像數(shù)據(jù),其中?；奋?chē)輛1 500 張,非?；奋?chē)輛1 000張.采集到的原始圖像像素大小為4096×2160.

得到這些圖像數(shù)據(jù)后,通過(guò)數(shù)據(jù)平移、旋轉(zhuǎn)和亮度調(diào)整等數(shù)據(jù)擴(kuò)增方式,將整個(gè)數(shù)據(jù)集擴(kuò)增至8 000 張.原始數(shù)據(jù)圖像通過(guò)LabelImg 軟件對(duì)危險(xiǎn)品車(chē)輛圖像進(jìn)行標(biāo)注,標(biāo)注標(biāo)準(zhǔn)是除了盡可能包含整個(gè)車(chē)輛外,對(duì)于危險(xiǎn)標(biāo)識(shí)和車(chē)牌同樣進(jìn)行標(biāo)注.圖3為標(biāo)注圖片時(shí)軟件界面截圖.

如圖3所示,標(biāo)注車(chē)輛標(biāo)簽時(shí)分為?；奋?chē)輛和普通車(chē)輛進(jìn)行標(biāo)注,危化品車(chē)輛需要對(duì)整車(chē)、車(chē)牌、車(chē)頂和車(chē)牌旁危險(xiǎn)標(biāo)志分別使用不同標(biāo)簽進(jìn)行標(biāo)注,普通車(chē)輛對(duì)整車(chē)和車(chē)牌使用不同標(biāo)簽進(jìn)行標(biāo)注.標(biāo)注完成的圖片自動(dòng)生成對(duì)應(yīng)的xml 文件.圖4展示了通過(guò)LabelImg 軟件標(biāo)注后生成的xml 文件和文件打開(kāi)后顯示的部分內(nèi)容.

圖3 數(shù)據(jù)集標(biāo)注界面

如圖4所示,圖4(a)是生成的xml 文件,圖4(b)是xml文件打開(kāi)后顯示的部分內(nèi)容.Xml 文件內(nèi)包含有圖片標(biāo)注的詳細(xì)信息,包括文件名、文件地址、目標(biāo)標(biāo)簽、目標(biāo)坐標(biāo)等信息.通過(guò)Python 代碼對(duì)這些文件進(jìn)行讀取,得到模型訓(xùn)練所需的信息.

圖4 標(biāo)注完成后生成的xml 文件及文件內(nèi)容展示

2.2 ?；奋?chē)輛檢測(cè)模型的搭建

本文提出的車(chē)輛檢測(cè)神經(jīng)網(wǎng)絡(luò)模型(Res-BFPN)基于雙向特征金字塔和殘差網(wǎng)絡(luò).在模型設(shè)計(jì)上使用殘差網(wǎng)絡(luò)作為前期特征提取網(wǎng)絡(luò),每層輸出分辨率不同的特征圖輸入到雙向特征金字塔網(wǎng)絡(luò),通過(guò)雙向特征金字塔融合不同分辨率的特征圖,進(jìn)行結(jié)果的識(shí)別,下面進(jìn)行詳細(xì)描述.

2.2.1 雙向特征金字塔網(wǎng)絡(luò)

特征金字塔[21]通過(guò)一個(gè)自頂向下的結(jié)構(gòu)進(jìn)行多尺度信息融合,很好的解決了在進(jìn)行目標(biāo)檢測(cè)時(shí)多尺度特征難以處理的問(wèn)題.很多網(wǎng)絡(luò)融合特征金字塔后,性能都有了一定程度的提升.但由于單向信息流的限制,這種結(jié)構(gòu)無(wú)法更好的對(duì)特征進(jìn)行融合,對(duì)模型效果的提升有限[19].

本文采用的雙向特征金字塔結(jié)構(gòu)如圖5所示.在結(jié)構(gòu)上舍去了只有單個(gè)輸入的節(jié)點(diǎn),借鑒U-Net[22]的跳躍連接思想,額外增加了一個(gè)從輸入直接到達(dá)輸出的通道,同時(shí),為了更好的進(jìn)行特征融合,將這種網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計(jì)成一個(gè)神經(jīng)網(wǎng)絡(luò)層,根據(jù)不同的目標(biāo)需求,可以進(jìn)行組合疊加[19].

圖5 雙向特征金字塔網(wǎng)絡(luò)結(jié)構(gòu)圖

如圖5所示,不同于傳統(tǒng)的單向特征金字塔,本文使用的雙向特征金字塔增加了一個(gè)自下而上的傳輸通道,同時(shí),剔除了只有單個(gè)輸入的上下兩個(gè)節(jié)點(diǎn),在中間的同級(jí)節(jié)點(diǎn)間增加了從輸入直達(dá)輸出的通道,這種網(wǎng)絡(luò)結(jié)構(gòu)的設(shè)計(jì)有以下3 個(gè)優(yōu)勢(shì).

(1)相比于其他的雙向特征金字塔,簡(jiǎn)化了結(jié)構(gòu),在不影響性能的前提下減少了參數(shù)數(shù)量;

(2)這種直接從輸入到輸出的通道豐富了特征信息,使得網(wǎng)絡(luò)的特征融合更加準(zhǔn)確;

(3)本文的雙向特征金字塔網(wǎng)絡(luò)可以看作是一個(gè)神經(jīng)網(wǎng)絡(luò)層,在使用時(shí)更加靈活,更具有針對(duì)性.

2.2.2 殘差網(wǎng)絡(luò)模型

殘差網(wǎng)絡(luò)一經(jīng)提出就受到大量研究人員的關(guān)注,很快便成為特征提取網(wǎng)絡(luò)的熱門(mén),各種改進(jìn)網(wǎng)絡(luò)也層出不窮.ResNet 之所以受到如此多的關(guān)注,主要原因在于它可以實(shí)現(xiàn)更深的網(wǎng)絡(luò),同時(shí)避免深層神經(jīng)網(wǎng)絡(luò)帶來(lái)的梯度消失或爆炸的問(wèn)題.本文使用ResNet50 作為特征提取網(wǎng)絡(luò),就是考慮到它以更少的參數(shù),更深的網(wǎng)絡(luò),可以帶來(lái)更好的效果[20].

同時(shí)考慮到?；奋?chē)輛檢測(cè)時(shí)需要同時(shí)對(duì)多種尺度的目標(biāo)進(jìn)行檢測(cè),我們引入了循環(huán)殘差網(wǎng)絡(luò)模塊(RRCNN)[23]替換原本的卷積層.循環(huán)殘差網(wǎng)絡(luò)模塊基于循環(huán)神經(jīng)網(wǎng)絡(luò)和殘差網(wǎng)絡(luò)的思想進(jìn)行設(shè)計(jì),在保證模型深度的同時(shí),大大簡(jiǎn)化了模型參數(shù);通過(guò)內(nèi)部的特征積累進(jìn)行更好的特征表示,對(duì)于小像素特征有更好的提取能力.循環(huán)殘差模塊中有一個(gè)超參數(shù)t代表卷積層后跟的循環(huán)卷積單元數(shù).在本模型中設(shè)置t的值為3.圖6(a)是循環(huán)殘差模塊結(jié)構(gòu),圖6(b)是展開(kāi)的循環(huán)殘差單元結(jié)構(gòu)圖.循環(huán)殘差模塊可以作為單個(gè)卷積層進(jìn)行使用.

圖6 循環(huán)殘差網(wǎng)絡(luò)模型結(jié)構(gòu)圖

基于循環(huán)殘差模塊,我們改進(jìn)的殘差塊(R2 Res block)如圖7所示.我們通過(guò)將原本殘差塊中間的卷積層替換為循環(huán)殘差模塊層,其他保持不變.

圖7 殘差塊結(jié)構(gòu)圖.

2.2.3 Res-BFPN 網(wǎng)絡(luò)模型的建立

基于殘差網(wǎng)絡(luò)和雙向特征金字塔網(wǎng)絡(luò),本文提出了用于危險(xiǎn)品運(yùn)輸車(chē)輛檢測(cè)的Res-BFPN 網(wǎng)絡(luò)模型,模型的整體架構(gòu)如圖8所示,左側(cè)是殘差網(wǎng)絡(luò)用于特征提取,中間是3 個(gè)雙向特征金字塔網(wǎng)絡(luò)串行連接用于不同尺度的特征融合,右側(cè)是進(jìn)行分類(lèi)和回歸的網(wǎng)絡(luò).

如圖8所示,整個(gè)模型以殘差網(wǎng)絡(luò)為骨架進(jìn)行搭建,結(jié)合雙向特征金字塔和循環(huán)殘差網(wǎng)絡(luò)模塊進(jìn)行設(shè)計(jì).左側(cè)的殘差網(wǎng)絡(luò)共5 個(gè)卷積塊,每個(gè)卷積塊由不同數(shù)量的殘差塊組成,因此總的卷積層數(shù)為50.圖像從底部的第一層進(jìn)入網(wǎng)絡(luò),每經(jīng)過(guò)一次卷積特征圖都會(huì)縮小,得到該層最終的特征圖后,然后輸入到對(duì)應(yīng)的特征金字塔網(wǎng)絡(luò)層.特征金字塔接收到ResNet 輸出的特征圖后進(jìn)行特征融合.首先是自頂向下的一個(gè)通道.由于取消了頂層和底層的節(jié)點(diǎn),因此頂層和底層相當(dāng)于直接一個(gè)從輸入到輸出的通道,其余兩層除了本層的節(jié)點(diǎn)外還通過(guò)一個(gè)跳躍連接進(jìn)行傳輸,輸出到對(duì)應(yīng)的自底向上的節(jié)點(diǎn),整個(gè)模型使用3 個(gè)雙向特征金字塔進(jìn)行連接,特征金字塔輸出的信息最終輸入到分類(lèi)和回歸網(wǎng)絡(luò)中,通過(guò)分類(lèi)和回歸網(wǎng)絡(luò)得到最終的結(jié)果.

圖8 Res-BFPN 網(wǎng)絡(luò)模型的整體架構(gòu)

3 實(shí)驗(yàn)與分析

3.1 實(shí)驗(yàn)環(huán)境

本文進(jìn)行實(shí)驗(yàn)的平臺(tái)是高算云服務(wù)平臺(tái),通過(guò)Xshell 軟件進(jìn)行連接,搭建基于PyTorch的深度學(xué)習(xí)環(huán)境進(jìn)行模型的訓(xùn)練和驗(yàn)證.該高算平臺(tái)擁有16 個(gè)計(jì)算節(jié)點(diǎn),2 個(gè)GPU 節(jié)點(diǎn),具有大容量的并行文件系統(tǒng),完全可以滿足本文模型進(jìn)行所需的實(shí)驗(yàn)條件.

3.2 模型訓(xùn)練

為了能更好的對(duì)模型進(jìn)行訓(xùn)練,我們按照6:2:2的比例將數(shù)據(jù)集隨機(jī)分為訓(xùn)練集、驗(yàn)證集和測(cè)試集.為了找到模型合適的參數(shù),經(jīng)過(guò)反復(fù)訓(xùn)練和測(cè)試,最終模型參數(shù)設(shè)置如下:學(xué)習(xí)率為0.025,迭代次數(shù)10 000 次,批次大小為10,權(quán)重衰減為0.000 2,使用Adam 優(yōu)化器進(jìn)行優(yōu)化,圖9所示為模型訓(xùn)練損失圖.

從圖9可以看到,損失從最開(kāi)始的3.4 快速下降,最終在0.2 左右小幅波動(dòng),說(shuō)明模型基本得到了充分訓(xùn)練,達(dá)到了良好的訓(xùn)練效果.

圖9 模型訓(xùn)練損失曲線圖

3.3 模型對(duì)比與指標(biāo)

為了能驗(yàn)證本文模型的有效性,選取了目標(biāo)檢測(cè)領(lǐng)域非常有代表性、效果比較好的幾種網(wǎng)絡(luò)模型作為對(duì)比.這些模型包括有傳統(tǒng)方法的結(jié)合:方向梯度直方圖(histogram of oriented gradient,HOG)[24]結(jié)合支持向量機(jī)(support vector machine,SVM)[25],雙階段檢測(cè)算法:以ResNet101為基礎(chǔ)網(wǎng)絡(luò)的Faster-RCNN 網(wǎng)絡(luò),以ResNet101為基礎(chǔ)網(wǎng)絡(luò)的基于區(qū)域的全卷積網(wǎng)絡(luò)(R-FCN)[26],單階段檢測(cè)算法:YOLOv3 網(wǎng)絡(luò)[27]和SSD 網(wǎng)絡(luò).

為了直觀的對(duì)各個(gè)模型的性能進(jìn)行比較,本文選用準(zhǔn)確率(accuracy)、精確率(precision)、召回率(recall)、每秒處理的圖像數(shù)量(FPS)和網(wǎng)絡(luò)模型參數(shù)作為模型的評(píng)價(jià)指標(biāo).前3 個(gè)指標(biāo)通過(guò)混淆矩陣可以直接進(jìn)行計(jì)算,如表1所示為混淆矩陣表.

表1 混淆矩陣

表1中,TP又叫做真陽(yáng)性,在這里表示正確識(shí)別?；奋?chē)輛的個(gè)數(shù),TN叫做真陰性,表示正確識(shí)別的非危化品車(chē)輛的個(gè)數(shù),FP叫做假陽(yáng)性,表示錯(cuò)誤識(shí)別為?；奋?chē)輛的個(gè)數(shù),FN叫假陰性,表示錯(cuò)誤識(shí)別為非?；奋?chē)輛的個(gè)數(shù).通過(guò)混淆矩陣可以得到準(zhǔn)確率、精確率和召回率的計(jì)算如式(1)–式(3)所示.模型每秒處理的圖像數(shù)量則通過(guò)測(cè)試集中所有圖像檢測(cè)速度的平均值作為模型的檢測(cè)速度.

3.4 實(shí)驗(yàn)結(jié)果與對(duì)比

如表2所示,共6 種模型在本文自行采集的?；奋?chē)輛數(shù)據(jù)集上進(jìn)行了實(shí)驗(yàn),實(shí)驗(yàn)結(jié)果表明,基于深度學(xué)習(xí)的神經(jīng)網(wǎng)絡(luò)在檢測(cè)精度上要明顯優(yōu)于HOG+SVM的傳統(tǒng)方法,Faster-RCNN 網(wǎng)絡(luò)和R-FCN 網(wǎng)絡(luò)在檢測(cè)精度上要優(yōu)于YOLOv3和SSD,但在速度上則不如YOLOv3,SSD 網(wǎng)絡(luò)和HOG+SVM,YOLOv3和SSD網(wǎng)絡(luò)在速度上則要優(yōu)于HOG+SVM.這一結(jié)果是由各個(gè)模型結(jié)構(gòu)上的差異導(dǎo)致的.雙階段網(wǎng)絡(luò)模型將檢測(cè)任務(wù)分成兩步,在獲得高精度的同時(shí)降低了模型檢測(cè)速度,單階段網(wǎng)絡(luò)模型則通過(guò)犧牲部分精度換取更高的檢測(cè)速度,傳統(tǒng)的檢測(cè)方法通過(guò)手工標(biāo)記的方式得到目標(biāo)特征,然后進(jìn)行分類(lèi)訓(xùn)練,沒(méi)有神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu),反而比復(fù)雜的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)在速度上更快.

表2 各種模型檢測(cè)性能對(duì)比表

本文提出的模型通過(guò)融合殘差網(wǎng)絡(luò)和雙向特征金字塔,同時(shí)使用循環(huán)殘差模塊改進(jìn)殘差塊中的常規(guī)卷積塊,可以有效的減少網(wǎng)絡(luò)模型的參數(shù),在提高檢測(cè)精度的同時(shí),在速度上也具有很大的優(yōu)勢(shì),實(shí)驗(yàn)結(jié)果也表明我們的模型在精度上要優(yōu)于Faster-RCNN 網(wǎng)絡(luò)和RFPN 網(wǎng)絡(luò),在速度上和SSD 網(wǎng)絡(luò)相差不大.這些結(jié)果有效的證明了我們模型的優(yōu)越性.

圖10是各個(gè)模型的準(zhǔn)確率和FPS,從圖中可以更加直觀的看到傳統(tǒng)的HOG+SVM 方法雖然精度是最低的,但FPS 卻比Faster-RCNN和R-FPN 要高,同時(shí)可以看到,我們的模型在取得了最高的準(zhǔn)確率的同時(shí)保證了很高的FPS.

圖10 各個(gè)模型準(zhǔn)確率和FPS 對(duì)比圖

圖11是本文模型對(duì)危險(xiǎn)品車(chē)輛檢測(cè)的部分結(jié)果圖.兩張圖中紅色卡車(chē)具有很大的相似性,其區(qū)別僅在于車(chē)頂和車(chē)牌下是否有危險(xiǎn)品標(biāo)志.

從圖11中可以看到,危險(xiǎn)品車(chē)輛被藍(lán)色框線框出,并被準(zhǔn)確分類(lèi)為危險(xiǎn)品車(chē)輛,非危險(xiǎn)品車(chē)輛被綠色線框出,被識(shí)別為普通車(chē)輛.最終的識(shí)別結(jié)果是正確的.

圖11 模型檢測(cè)結(jié)果圖示例

4 結(jié)論

本文針對(duì)高速公路危險(xiǎn)品車(chē)輛檢測(cè)問(wèn)題提出了一種新的車(chē)輛檢測(cè)模型.本文提出的模型以融合循環(huán)殘差模塊的殘差網(wǎng)絡(luò)作為特征提取網(wǎng)絡(luò),結(jié)合雙向特征金字塔網(wǎng)絡(luò)進(jìn)行特征融合,最終通過(guò)分類(lèi)和預(yù)測(cè)網(wǎng)絡(luò)輸出預(yù)測(cè)結(jié)果.為了能更好的對(duì)模型進(jìn)行訓(xùn)練,我們通過(guò)對(duì)高速路監(jiān)控?cái)z像視頻進(jìn)行篩選,制作了專門(mén)的?；奋?chē)輛數(shù)據(jù)集.通過(guò)在我們的數(shù)據(jù)集上進(jìn)行實(shí)驗(yàn),我們對(duì)比了包括HOG+SVM、Faster-RCNN、R-FCN、YOLOv3和SSD 共5 種方法,實(shí)驗(yàn)結(jié)果表明,本文提出的模型在識(shí)別精度上要優(yōu)于其他5 種方法,達(dá)到了0.961,檢測(cè)速度上僅僅略低于YOLOv3,達(dá)到了43.2,基本實(shí)現(xiàn)了實(shí)時(shí)檢測(cè).