李 卓

（山東科技大學(xué)交通學(xué)院 山東 青島 266400）

0 引言

隨著社會(huì)經(jīng)濟(jì)的快速發(fā)展，運(yùn)輸行業(yè)也因此得到大力發(fā)展，人們對出行的需求日益增加?，F(xiàn)如今，道路上會(huì)出現(xiàn)各種類型的車輛，使道路環(huán)境愈加復(fù)雜，截至2022年，全國汽車保有量已達(dá)3.07億輛，這對道路行車安全是極大的挑戰(zhàn)，而車輛檢測在自動(dòng)駕駛[1]和交通安全[2]領(lǐng)域中已廣泛使用，智能車輛的目標(biāo)檢測技術(shù)能大大彌補(bǔ)交通參與者因?yàn)槠诨蜃呱穸l(fā)的交通事故，對車輛的識別檢測也是駕駛風(fēng)險(xiǎn)評估的重要組成部分。

相較于傳統(tǒng)方式的目標(biāo)檢測，目前主流的目標(biāo)檢測算法大致上可以分為雙階段（two-stage）檢測算法和單階段（one-stage）檢測算法，雙階段檢測算法中具有代表性的有Ross Girshick[3]提出的R-CNN算法和Ren[4]提出的Fast-RCNN算法，它們第一階段運(yùn)用算法定位出可能含有目標(biāo)的感興趣區(qū)域，第二階段則是進(jìn)行深層特征提取，然后根據(jù)這些特征點(diǎn)去定位到檢測的目標(biāo)。而一階段檢測算法的代表作是Redmon等[5]提出的YOLOv3算法，它是目前使用非常廣泛的目標(biāo)檢測算法，YOLOv3算法以固定數(shù)量的錨框代替二階段算法中無定量且大量冗余的區(qū)域提案，大幅提升了檢測效率，比Fast R-CNN快100倍，但因?yàn)樘卣魈崛∥恢貌粔蛉?，所以檢測容易發(fā)生遺漏，精度較二階段算法低。

國內(nèi)外學(xué)者在提高檢測精度、優(yōu)化訓(xùn)練網(wǎng)絡(luò)上已經(jīng)做了大量研究。劉學(xué)平等[6]結(jié)合K-means聚類并在YOLOv3網(wǎng)絡(luò)中加入SENet結(jié)構(gòu)來增加網(wǎng)絡(luò)的感受野；為了提高檢測的實(shí)時(shí)性，徐麗等[7]基于YOLOv4算法模型，將主干特征提取網(wǎng)絡(luò)更改為靈活性強(qiáng)且易于實(shí)現(xiàn)的MobileNet V2，并用深度可分離卷積替換掉原來加強(qiáng)特征提取網(wǎng)絡(luò)里面的普通卷積；為了避免傳統(tǒng)錨框?qū)τ跈z測性能所產(chǎn)生的負(fù)面影響，F(xiàn)u等[8]提出了一種基于特征平衡和細(xì)化網(wǎng)絡(luò)的小目標(biāo)檢測方法，使用無錨框機(jī)制進(jìn)行語義增強(qiáng)使檢測效果達(dá)到最佳；為了緩解正樣本和負(fù)樣本的數(shù)量不均衡問題，并且解決數(shù)據(jù)集小且少的問題，Yu等[9]提出了一種Scale Match方法，對預(yù)訓(xùn)練數(shù)據(jù)集進(jìn)行尺度變換，實(shí)現(xiàn)了額外數(shù)據(jù)的增強(qiáng)式擴(kuò)充。

綜上，權(quán)衡實(shí)時(shí)性與準(zhǔn)確性，本文決定以YOLO系列中識別效率高的YOLOX-S為基礎(chǔ)，對其網(wǎng)絡(luò)結(jié)構(gòu)進(jìn)行優(yōu)化改進(jìn)，通過加入注意力機(jī)制CBAM以實(shí)現(xiàn)網(wǎng)絡(luò)自適應(yīng)，減少計(jì)算資源的浪費(fèi)，并且使用Gamma變換進(jìn)行數(shù)據(jù)集增強(qiáng)，避免過擬合，從而提高模型的泛化能力，進(jìn)一步提高該算法的檢測性能。

2 基于CBAM和數(shù)據(jù)集增強(qiáng)的YOLOX網(wǎng)絡(luò)模型

2.1 YOLOX網(wǎng)絡(luò)結(jié)構(gòu)

YOLOX使用了Anchor-free和標(biāo)簽分配策略SimOTA[10]。在輸入端中，YOLOX對輸入到網(wǎng)絡(luò)的圖片進(jìn)行Mosaic和Mixup數(shù)據(jù)增強(qiáng)，輸入圖像的3個(gè)通道在輸入后，繼續(xù)使用Focus網(wǎng)絡(luò)將圖像的長和寬的信息集中到12個(gè)通道信息中去，backbone主干網(wǎng)絡(luò)部分采用了CSPDarknet-53作為提取網(wǎng)絡(luò)，然后運(yùn)用卷積和silu激活函數(shù)，通過不同池化核大小的最大池化進(jìn)行特征提取。

在Neck結(jié)構(gòu)中，采用了FPN結(jié)構(gòu)進(jìn)行特征融合，它是對主干網(wǎng)絡(luò)中提取到的特征點(diǎn)進(jìn)行強(qiáng)化，在此YOLOX沿用了YOLOv3中經(jīng)典的特征金字塔網(wǎng)絡(luò)結(jié)構(gòu)。它將從主干系統(tǒng)中收集到的有效特征層，先進(jìn)行對深層特征層的取樣并與淺層特征層結(jié)合，之后再對與淺層特征層混合后的數(shù)據(jù)進(jìn)行下取樣并與深層特征層中的有效特征結(jié)合。

Yolo Head是目標(biāo)檢測的分類器和回歸器[11]，預(yù)測時(shí)先進(jìn)行分類，然后再進(jìn)行特征點(diǎn)對比回歸。首先經(jīng)過卷積運(yùn)算和激活函數(shù)找到與特征點(diǎn)最接近的物體的種類來進(jìn)行分類，然后進(jìn)行相同的卷積激活操作查找到與這個(gè)特征點(diǎn)相匹配的對象。本文YOLOX基于YOLOv3的整體架構(gòu)， 在此部分將Head進(jìn)行了decouple，這種去耦合方式能夠更好地讓網(wǎng)絡(luò)學(xué)習(xí)到類別和對應(yīng)的坐標(biāo)回歸。

綜上，YOLOX的網(wǎng)絡(luò)結(jié)構(gòu)如圖1所示。

圖1 YOLOX網(wǎng)絡(luò)結(jié)構(gòu)

2.2 CBAM注意力機(jī)制

在人眼視覺中，人類會(huì)選擇性地關(guān)注視覺區(qū)域內(nèi)的特定部分，然后集中關(guān)注它，同時(shí)忽略其他可見的信息，這樣可以避免造成視覺資源的浪費(fèi)；注意力機(jī)制的核心重點(diǎn)就是讓網(wǎng)絡(luò)關(guān)注到它更需要關(guān)注的地方，使用注意力機(jī)制可以讓卷積神經(jīng)網(wǎng)絡(luò)去自適應(yīng)的關(guān)注重要的物體，它是實(shí)現(xiàn)網(wǎng)絡(luò)自適應(yīng)注意的一個(gè)方式。

CBAM是注意力機(jī)制的一種，是通道注意力機(jī)制和空間注意力機(jī)制的結(jié)合，比SENet單獨(dú)的注意力機(jī)制對網(wǎng)絡(luò)的優(yōu)化更好。CBAM對輸入進(jìn)來的特征層進(jìn)行通道注意力模塊和空間注意力模塊的運(yùn)算后，分別得到通道和空間的注意力權(quán)重，然后將權(quán)重與原始特征圖相乘，從而對特征進(jìn)行自適應(yīng)調(diào)整，更關(guān)注對目標(biāo)物體的識別，使其關(guān)注重要特征，抑制不必要特征。其實(shí)現(xiàn)示意圖如圖2所示。

圖2 CBAM注意力機(jī)制示意圖

由圖2可知，圖像的前半部分為通道注意力機(jī)制，通道注意力機(jī)制的實(shí)現(xiàn)可以分為兩個(gè)部分，它會(huì)對輸入進(jìn)來的單個(gè)特征層，分別進(jìn)行平均池化和最大池化，通過全連接層處理經(jīng)過平均池化和最大池化的特征層，接著對得到的兩個(gè)結(jié)果進(jìn)行相加，再取一次sigmoid函數(shù)后，獲得輸入特征層的通道的權(quán)值，最后再將這個(gè)權(quán)值乘上原輸入特征層。綜上，通道注意力機(jī)制公式如下式所示：

式中，σ為sigmoid函數(shù)，MLP為人工神經(jīng)網(wǎng)絡(luò)，MLP的權(quán)重由W0和W1共享；

圖像的后半部分為空間注意力機(jī)制，它會(huì)對輸入進(jìn)來的特征層，在每一個(gè)特征點(diǎn)的通道上取最大值和平均值，之后將這兩個(gè)結(jié)果進(jìn)行一次堆疊，利用一次通道數(shù)為1的卷積調(diào)整通道數(shù)，然后取一次激活函數(shù)，此時(shí)獲得了輸入特征層的特征點(diǎn)的權(quán)值，最后同樣是將這個(gè)權(quán)值乘上原輸入特征層。綜上，通道注意力機(jī)制公式如下式所示：

式中，σ為sigmoid函數(shù)，f7×7為7×7大小的卷積核。

本文在主干網(wǎng)絡(luò)Darknet中加入注意力機(jī)制，在提取出來的三個(gè)有效特征層上增加了注意力機(jī)制，同時(shí)在特征金字塔中每個(gè)上采樣和下采樣之后使用注意力機(jī)制。在之后的實(shí)驗(yàn)中將未添加注意力機(jī)制之前和添加注意力機(jī)制之后的算法效果進(jìn)行對比實(shí)驗(yàn)，從而證明本文注意力機(jī)制對車輛檢測方法的有效性。

2.3 數(shù)據(jù)集增強(qiáng)——Gamma變換

數(shù)據(jù)集的拍攝時(shí)間為中午12點(diǎn)到傍晚6點(diǎn)，其光照強(qiáng)度由30 000 lux變化到500 lux，亮度變化明顯，由于傍晚的車輛亮度不足的原因，處于圖像暗部時(shí)車輛輪廓模糊，若將未處理的數(shù)據(jù)集直接輸入，目標(biāo)檢測的難度會(huì)大大增加，于是對數(shù)據(jù)集進(jìn)行增強(qiáng)。

Gamma變換又稱冪律變換[12]，是圖像數(shù)據(jù)預(yù)處理的一種常用方法，尤其適用于目標(biāo)處于過度曝光和曝光不足時(shí)，通過拓展圖像的灰度值，調(diào)整亮度及對比度，對圖像進(jìn)行矯正。在此主要是用來提升暗部細(xì)節(jié)，它的主要原理是對輸入圖像灰度值進(jìn)行非線性操作，讓輸出圖像灰度值與輸入圖像灰度值呈指數(shù)關(guān)系：

式中Vout為輸出的灰度值，Vin為輸入的灰度值，γ為Gamma，當(dāng)γ=1時(shí)，此變換是線性的，通過線性方式改變原圖，當(dāng)γ不為1時(shí)，輸出圖像會(huì)通過拉伸暗區(qū)域的灰度或壓縮亮區(qū)域的灰度，來使處于陰影或過度曝光區(qū)域內(nèi)的物體變得清晰。經(jīng)過Gamma轉(zhuǎn)化的前后圖像效果對比如圖3所示。

圖3 前后效果對比圖

3 實(shí)驗(yàn)過程與分析

3.1 實(shí)驗(yàn)平臺及參數(shù)配置

本次實(shí)驗(yàn)編程語言選擇使用python3.7。實(shí)驗(yàn)所用的計(jì)算機(jī)硬件配置：CPU為AMD Ryzen9 5900HX with Radeon Graphics 3.30 GHz，內(nèi)存為雙通道16 GB，顯卡為RTX3060，顯存為8G，操作系統(tǒng)為Windows11家庭版，訓(xùn)練的batch size設(shè)置為16，有300個(gè)epoch，initial lr為0.01。進(jìn)行數(shù)據(jù)集采集的攝像頭默認(rèn)分辨率為640*480，輸入訓(xùn)練網(wǎng)絡(luò)時(shí)圖片resize為640*640。

3.2 實(shí)驗(yàn)數(shù)據(jù)集與評價(jià)指標(biāo)

本次目標(biāo)檢測實(shí)驗(yàn)的原始數(shù)據(jù)集采用自建數(shù)據(jù)集，測試時(shí)間為白天和傍晚，光照強(qiáng)度在每次實(shí)驗(yàn)前使用照度計(jì)進(jìn)行測試，數(shù)據(jù)集獲取地點(diǎn)是青島市黃島區(qū)，是以駕駛員為第一視角，在不同時(shí)間段不同光照強(qiáng)度下進(jìn)行的，數(shù)據(jù)集中含有照片1 887張，其中設(shè)置了訓(xùn)練集1 287張，驗(yàn)證集300張，測試集300張，本次實(shí)驗(yàn)使用Labelimg對數(shù)據(jù)集進(jìn)行標(biāo)注。本次實(shí)驗(yàn)會(huì)采用準(zhǔn)確率（P），召回率（R）和平均精度（AP）等指標(biāo)來衡量模型性能。在網(wǎng)絡(luò)進(jìn)行訓(xùn)練的過程中，對數(shù)據(jù)集進(jìn)行檢測驗(yàn)證時(shí)，通常會(huì)產(chǎn)生這4類檢測結(jié)果：

TP：預(yù)測為正例（P），事實(shí)上是反例（N）的數(shù)量（預(yù)測錯(cuò)誤）；

TN：預(yù)測為反例（N），事實(shí)上是反例（N）的數(shù)量（預(yù)測正確）；

FP：預(yù)測為正例（P），事實(shí)上是正例（P）的數(shù)量（預(yù)測正確）；

FN：預(yù)測為反例（N），事實(shí)上是正例（P）的數(shù)量（預(yù)測錯(cuò)誤）。

式中，P、R分別代表準(zhǔn)確率與召回率，以準(zhǔn)確率為縱坐標(biāo)，召回率為橫坐標(biāo)，得到準(zhǔn)確率－召回率曲線，這條曲線和坐標(biāo)軸圍成的面積就是目標(biāo)檢測的平均精度（AP）。

實(shí)驗(yàn)中使用遷移學(xué)習(xí)進(jìn)行模型訓(xùn)練，用Labelimg進(jìn)行標(biāo)注，下圖為使用Labelimg軟件進(jìn)行數(shù)據(jù)標(biāo)注時(shí)的界面，車輛被標(biāo)注為car。Labelimg界面圖如圖4所示。

圖4 Labelimg界面圖

3.3 實(shí)驗(yàn)結(jié)果

利用改進(jìn)的YOLOX算法檢驗(yàn)自建數(shù)據(jù)集的識別效果，通過訓(xùn)練自建車輛的數(shù)據(jù)集，獲得最終車輛檢測模型權(quán)重。改進(jìn)后的YOLOX檢測網(wǎng)絡(luò)對車輛的檢測精確率達(dá)到93.11%，召回率達(dá)到86.27%，模型的平均精度達(dá)到91.98%，其效果圖如圖5、圖6所示。

圖5 模型的精確率和召回率

圖6 模型的平均精度

為了證實(shí)結(jié)合CBAM和數(shù)據(jù)集增強(qiáng)的檢測方法的有效性，本次實(shí)驗(yàn)還對比了不同的深度學(xué)習(xí)網(wǎng)絡(luò)，具體如表1所示?？梢钥闯?，在對同一種數(shù)據(jù)集進(jìn)行深度學(xué)習(xí)時(shí)，改進(jìn)的算法相較Faster R-CNN算法在Precision值、Recall值和AP值上都有較大的提升；與直接使用YOLOX檢測網(wǎng)絡(luò)模型進(jìn)行檢測對比，在精確率（Precision）提高了1.63%，平均精度（AP）提高了1.64%；對比之前經(jīng)常使用的二階段算法YOLOv5，在Precision值、Recall值和AP值上均分別提高了2.44%,1.27%,4.52%，因此，結(jié)合CBAM和數(shù)據(jù)集增強(qiáng)的YOLOX訓(xùn)練模型在車輛檢測實(shí)驗(yàn)中具有較好的魯棒性。

表1 不同網(wǎng)絡(luò)模型對比

為了驗(yàn)證改進(jìn)后算法的檢測性能和它在應(yīng)用場景中的檢測效果，選取隧道內(nèi)、傍晚光照不足環(huán)境時(shí)的圖像，兩個(gè)場景的實(shí)際運(yùn)用中的檢測效果如圖7和圖8所示。從兩張圖中可以看出，原始YOLOX算法對于處于隧道口黑暗環(huán)境，輪廓不鮮明的車輛的檢測效果不太理想，很容易產(chǎn)生漏檢。改進(jìn)后的YOLOX算法能對在不同光照強(qiáng)度下的車輛進(jìn)行準(zhǔn)確的識別檢測，在車輛目標(biāo)較小，光照不同的道路環(huán)境下，也能取得較為穩(wěn)定良好的效果。因此，在實(shí)際運(yùn)用的道路車輛檢測中尤其是車輛處于弱光照射的環(huán)境中時(shí)，改進(jìn)后的YOLOX算法的檢測效果明顯高于原始YOLOX算法。

圖7 原YOLOX算法檢測結(jié)果

圖8 改進(jìn)后YOLOX算法檢測結(jié)果

4 結(jié)語

綜上所述，本文在YOLOX-S目標(biāo)檢測算法的基礎(chǔ)上，自制交通場景數(shù)據(jù)集并利用Gamma變換進(jìn)行增強(qiáng)，防止過暗場景下的汽車輪廓模糊，避免了特征提取過程中的信息缺失遺漏，加強(qiáng)了網(wǎng)絡(luò)的泛化能力；同時(shí)在網(wǎng)絡(luò)中引入注意力機(jī)制模塊，強(qiáng)化了網(wǎng)絡(luò)性能，使原有網(wǎng)絡(luò)的特征表達(dá)能力得到改善。在對原模型改進(jìn)后的模型和網(wǎng)絡(luò)模型的對比實(shí)驗(yàn)中，實(shí)驗(yàn)結(jié)果表明，相較于傳統(tǒng)YOLOX算法，改進(jìn)后的算法在準(zhǔn)確率、召回率、平均精度方面均提升了1.63%，0.71%和1.64%，車輛檢測效果得到提升。未來車輛檢測系統(tǒng)會(huì)在實(shí)時(shí)性方面進(jìn)行研究，在后續(xù)研究中，訓(xùn)練網(wǎng)絡(luò)會(huì)結(jié)合行車場景，平衡正負(fù)樣本，在準(zhǔn)確性方面進(jìn)一步優(yōu)化，進(jìn)一步提高智能車輛的環(huán)境感知能力。