霍愛清，楊玉艷，謝國坤

(1.西安石油大學(xué) 電子工程學(xué)院，陜西 西安 710065； 2.西安交通工程學(xué)院 電氣工程學(xué)院，陜西 西安 710000)

0 引 言

隨著智能交通的不斷發(fā)展，對車輛目標(biāo)的實(shí)時(shí)檢測[1]成為自動(dòng)駕駛系統(tǒng)中非常重要的一項(xiàng)任務(wù)。在深度學(xué)習(xí)目標(biāo)檢測算法中[2]，目標(biāo)邊框從無到有以及邊框變化的過程在一定程度上體現(xiàn)了檢測是One-stage還是Two-stage的。Two-stage算法通常精度較高，但速度較慢，例如Faster R-CNN(faster region-convoluntional neural network)[3]；One-stage算法將Two-stage算法的兩個(gè)階段合二為一，在一個(gè)階段里完成目標(biāo)物體的定位和類別預(yù)測，速度一般比Two-stage算法更快，但精度會(huì)有所損失，其典型算法如YOLO(you only look once)[4]、SSD(single shot multi box detector)[5]等。

針對車輛目標(biāo)檢測，胡輝等[6]結(jié)合多尺度訓(xùn)練、可變形位置敏感ROI池化和軟化非極大值抑制算法，提出了基于R-FCN模型的車輛檢測方法，減少了復(fù)雜環(huán)境中車輛目標(biāo)的漏檢率；金宇塵等[7]基于YOLOv2算法融合多尺度特征層信息建立額外檢測特征層，并提出自適應(yīng)損失函數(shù)與難樣本生成的方法對網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練，提高了車輛目標(biāo)檢測的準(zhǔn)確率與召回率?；谏疃染矸e神經(jīng)網(wǎng)絡(luò)的算法雖然能夠提升檢測精度，但其復(fù)雜度、參數(shù)量以及計(jì)算量都隨之增大。Iandola F N等[8]在SqueezeNet網(wǎng)絡(luò)設(shè)計(jì)中通過限制通道數(shù)量，使用1×1卷積核代替3×3卷積核來加深網(wǎng)絡(luò)，在ImageNet分類任務(wù)中實(shí)現(xiàn)了參數(shù)量的大幅減少；Howard A G等[9]提出了滿足移動(dòng)設(shè)備要求的高效模型MobileNets，采用深度可分離卷積構(gòu)建輕量級網(wǎng)絡(luò)，將卷積過程分解為深度卷積、逐點(diǎn)卷積兩部分，實(shí)現(xiàn)通道內(nèi)卷積和通道間卷積的分離，達(dá)到了減少模型參數(shù)量的目的；劉萬軍等[10]利用深度可分離卷積設(shè)計(jì)了一種反殘差模塊，有效減少了模型計(jì)算量和存儲(chǔ)量。

綜上可知，提升檢測算法的準(zhǔn)確性和實(shí)時(shí)性已不再是難題，而主干特征提取網(wǎng)絡(luò)中大量卷積層所導(dǎo)致的參數(shù)量和計(jì)算量大的問題是目前難以克服的新難題，并且回歸損失優(yōu)化和IOU(intersection over union)[11]優(yōu)化并不完全等價(jià)，無法直接優(yōu)化預(yù)測框和真實(shí)框之間沒有重疊的部分。為提高模型訓(xùn)練速度，得到更好的識別度，本文提出一種基于YOLOv3的改進(jìn)算法，其主要改進(jìn)包括以下兩點(diǎn)：

(1)對YOLOv3算法的主干特征提取網(wǎng)絡(luò)和殘差單元結(jié)構(gòu)進(jìn)行改進(jìn)，使用深度可分離卷積代替?zhèn)鹘y(tǒng)卷積后對通道施加注意力機(jī)制，并采用更適合訓(xùn)練深層神經(jīng)網(wǎng)絡(luò)的Swish激活函數(shù)，使其在增加網(wǎng)絡(luò)深度和寬度的同時(shí)，減少網(wǎng)絡(luò)模型的參數(shù)量和計(jì)算量；

(2)為提高目標(biāo)框回歸的收斂速度和精度，提出引入CIOU(complete intersection over union)損失作為回歸優(yōu)化損失，在一定程度上解決了損失優(yōu)化方向不一致的問題，同時(shí)可以降低損失函數(shù)對大誤差離群點(diǎn)的敏感度，使目標(biāo)框回歸更加穩(wěn)定。

1 YOLOv3目標(biāo)檢測算法

1.1 YOLOv3目標(biāo)檢測原理

YOLOv3[12]算法是基于YOLO和YOLOv2[13]的改進(jìn)算法，不同于Faster R-CNN等Two-stage目標(biāo)檢測算法，它將圖像分割成不同網(wǎng)格，每個(gè)網(wǎng)格負(fù)責(zé)相應(yīng)的物體，支持多類別目標(biāo)檢測，能夠在保持精度的情況下達(dá)到更快的檢測速度。YOLOv3的網(wǎng)絡(luò)結(jié)構(gòu)如圖1所示，是一種端到端的實(shí)時(shí)目標(biāo)檢測框架，主要包含Darknet-53特征提取網(wǎng)絡(luò)以及多尺度預(yù)測網(wǎng)絡(luò)。

圖1 YOLOv3網(wǎng)絡(luò)結(jié)構(gòu)

Darknet-53網(wǎng)絡(luò)包含大量的卷積操作，其主要特點(diǎn)是使用了殘差單元Residual Block[14]，通過引入殘差跳躍連接結(jié)構(gòu)，緩解了深度卷積神經(jīng)網(wǎng)絡(luò)在加深網(wǎng)絡(luò)層數(shù)時(shí)帶來的梯度消失等問題。Residual Block中的卷積層交替使用1×1和3×3兩種不同尺寸的卷積核，每一次卷積之后連接均值為0、方差為1的BN(BatchNorm)批歸一化處理層，然后再加入Leaky ReLU(leaky rectified linear unit)激活函數(shù)進(jìn)行非線性激活。

在預(yù)測階段，將Darknet-53特征提取網(wǎng)絡(luò)得到的特征層F1、F2和F3分別輸入到多尺度預(yù)測網(wǎng)絡(luò)中，F(xiàn)3經(jīng)過卷積操作得到粗尺度特征層3，用于檢測大尺度目標(biāo)；特征層3經(jīng)過上采樣先與F2融合，再經(jīng)過卷積得到中尺度特征層2，用于檢測中尺度目標(biāo)；特征層2再經(jīng)過上采樣與F1融合卷積，繼而得到細(xì)尺度特征層1，用于檢測小尺度目標(biāo)，這種特征金字塔網(wǎng)絡(luò)(feature pyramid network，F(xiàn)PN)[15]結(jié)構(gòu)使算法對不同尺度的目標(biāo)都能達(dá)到較好的預(yù)測效果。最后，將3個(gè)不同尺度特征層的預(yù)測信息進(jìn)行組合，經(jīng)過非極大抑制(non maximum suppression，NMS)[16]算法得到最終的預(yù)測結(jié)果。

1.2 YOLOv3存在的問題

YOLOv3網(wǎng)絡(luò)雖然在檢測精度和速度上已經(jīng)取得了較好的平衡，但其主干特征提取網(wǎng)絡(luò)中23層的Residual Block共包含了53個(gè)卷積層，在提取特征的同時(shí)給整個(gè)網(wǎng)絡(luò)帶來了龐大的計(jì)算量和參數(shù)量。然而普通移動(dòng)設(shè)備中有限的內(nèi)存和計(jì)算能力并不能達(dá)到Y(jié)OLOv3網(wǎng)絡(luò)檢測的數(shù)據(jù)要求，參數(shù)量的增加給網(wǎng)絡(luò)模型移植帶來很大困難，給整個(gè)網(wǎng)絡(luò)的訓(xùn)練過程也增加了一定難度。此外，YOLOv3算法主要采用均方誤差損失函數(shù)和二值交叉熵?fù)p失函數(shù)，其中均方誤差損失在給予大誤差更高權(quán)重的同時(shí)犧牲掉了其它小誤差數(shù)據(jù)的預(yù)測效果，進(jìn)而降低了模型的檢測精度。

2 改進(jìn)YOLOv3算法

2.1 深度可分離卷積

傳統(tǒng)卷積的每一步計(jì)算都要考慮所有通道中每一個(gè)卷積核，例如，對于一張H×W的圖片，通道數(shù)為3，設(shè)定卷積層共4個(gè)通道，每個(gè)通道包含3個(gè)卷積核，每個(gè)卷積核的大小為3×3，最終輸出4個(gè)特征層。若使用傳統(tǒng)卷積算法，其卷積過程如圖2所示，在不考慮偏置的情況下參數(shù)量為Ntraditional=3×3×3×4=108， 計(jì)算量為Ctraditional=H×W×3×3×3×4=108×H×W。

圖2 傳統(tǒng)卷積過程

相比于傳統(tǒng)卷積，深度可分離卷積[17]的卷積過程由深度卷積(depthwise convolution)和逐點(diǎn)卷積(pointwise convolution)兩部分組成，可以極大地壓縮模型參數(shù)量，同時(shí)還能保持和傳統(tǒng)卷積相差較小的精度。同樣對于一張通道數(shù)為3的H×W圖片，深度可分離卷積的卷積過程如圖3所示。

在第一部分深度卷積中，一個(gè)卷積核負(fù)責(zé)一個(gè)通道，輸入層的通道數(shù)、卷積核數(shù)和卷積后的特征層數(shù)三者保持一致。深度卷積部分的參數(shù)量為Ndepthwise=3×3×3=27， 計(jì)算量為Cdepthwise=H×W×3×3×3=27×H×W。 第二部分逐點(diǎn)卷積的運(yùn)算與傳統(tǒng)卷積非常相似，將深度卷積后的特征層在深度方向上進(jìn)行加權(quán)組合，卷積核尺寸為1×1×M，M為上一層的通道數(shù)，最終有幾個(gè)卷積核就會(huì)輸出幾個(gè)新的特征層。逐點(diǎn)卷積部分中涉及的參數(shù)量和計(jì)算量分別為Npointwise=1×1×3×4=12，Cpointwise=H×W×1×1×3×4=12×H×W。 經(jīng)過逐點(diǎn)卷積之后，同樣輸出了4個(gè)特征層，與傳統(tǒng)卷積的輸出維度相同。深度可分離卷積的總參數(shù)量Nseparable=Ndepthwise+Npointwise=27+12=39， 總計(jì)算量為Cseparable=Cdepthwise+Cpointwise=39×H×W。 可以得出，在相同輸入相同輸出的情況下，深度可分離卷積的參數(shù)量和計(jì)算量大約是傳統(tǒng)卷積的1/3，能夠有效減少算法的計(jì)算成本，提高算法效率。

圖3 深度可分離卷積過程

2.2 殘差單元與網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計(jì)

為解決YOLOv3算法中Darknet-53網(wǎng)絡(luò)引起的參數(shù)量大、計(jì)算成本高的問題，提出利用深度可分離卷積和注意力機(jī)制對殘差單元進(jìn)行重新設(shè)計(jì)，并根據(jù)新的殘差單元重新構(gòu)建主干特征提取網(wǎng)絡(luò)結(jié)構(gòu)。其中新殘差單元(new block)的結(jié)構(gòu)如圖4所示。

圖4 New Block結(jié)構(gòu)

New Block在Darknet-53的Residual Block基礎(chǔ)上增添了5×5尺寸的卷積核，交替使用3×3和5×5卷積核以減少殘差單元疊加的層數(shù)，并在3×3或5×5卷積層中采用深度可分離卷積代替普通卷積，以減少模型參數(shù)量和計(jì)算量。為解決深度可分離卷積減少參數(shù)量的同時(shí)存在一定程度的提取特征不精細(xì)的問題，在3×3或5×5深度可分離卷積后對通道施加一次注意力機(jī)制。先進(jìn)行全局平均池化，然后依次進(jìn)行通道數(shù)較小和通道數(shù)較大的1×1卷積，分別用來壓縮特征和拓張?zhí)卣?，之后再把兩次卷積后的結(jié)果與深度可分離卷積后的特征層相乘。完成注意力機(jī)制的施加后再進(jìn)行1×1卷積降維，并與New Block原始輸入的特征進(jìn)行相加，得到New Block的輸出結(jié)果。同時(shí)，New Block將BatchNorm層后的Leaky ReLU激活函數(shù)全部替換成Swish激活函數(shù)[18]，其函數(shù)構(gòu)成如式(1)所示

(1)

式(1)中β為訓(xùn)練中可調(diào)節(jié)的參數(shù)，當(dāng)β=0時(shí)，Swish函數(shù)變?yōu)榫€性函數(shù)f(x)=0.5x； 當(dāng)β→±∞時(shí)，σ(x)=(1+e-β x)-1為0或1，Swish函數(shù)變?yōu)镽eLU函數(shù)f(x)=max(0,x)。 所以，Swish函數(shù)是介于線性函數(shù)與ReLU函數(shù)之間的平滑函數(shù)，其效果優(yōu)于ReLU和Leaky ReLU函數(shù)，更適合訓(xùn)練深層神經(jīng)網(wǎng)絡(luò)。

圖5為改進(jìn)后的新主干特征提取網(wǎng)絡(luò)，包含16層New Block，相比原YOLOv3中23層Residual Block，共減少了7層。由于YOLOv3的Darknet-53特征提取網(wǎng)絡(luò)輸出F1、F2、F3這3個(gè)特征層作為多尺度預(yù)測網(wǎng)絡(luò)的輸入，這3個(gè)特征層分別是輸入圖片長和寬壓縮3次、4次、5次的結(jié)果，因此在網(wǎng)絡(luò)改進(jìn)中，需要先找出新主干特征提取網(wǎng)絡(luò)里輸入圖片長和寬壓縮3次、4次、5次的有效特征層。由圖5可知，輸入圖片長和寬壓縮3次的結(jié)果即為Block3的輸出，將其作為特征提取網(wǎng)絡(luò)的第一層輸出F1；Block4的輸出為長和寬壓縮4次的結(jié)果，由于Block5的步長為1，為了加深網(wǎng)絡(luò)深度獲得更好的特征層，將Block4與Block5合并，作為特征提取網(wǎng)絡(luò)的第二層輸出F2；同理，將Block6與Block7合并，作為特征提取網(wǎng)絡(luò)的第三層輸出F3。

圖5 新主干特征提取網(wǎng)絡(luò)結(jié)構(gòu)

在采用新主干特征提取網(wǎng)絡(luò)的同時(shí)，保留原YOLOv3特征金字塔結(jié)構(gòu)的多尺度預(yù)測網(wǎng)絡(luò)，得到改進(jìn)后的YOLOv3網(wǎng)絡(luò)結(jié)構(gòu)如圖6所示。利用新主干特征提取網(wǎng)絡(luò)增加網(wǎng)絡(luò)深度和寬度后，將特征提取網(wǎng)絡(luò)輸出的3個(gè)有效特征層輸入到特征金字塔網(wǎng)絡(luò)中，通過兩次上采樣與淺層特征融合分別進(jìn)行預(yù)測，再利用多個(gè)1×1卷積來幫助降維，使網(wǎng)絡(luò)能夠準(zhǔn)確預(yù)測出不同尺度的目標(biāo)。

圖6 改進(jìn)后的YOLOv3網(wǎng)絡(luò)結(jié)構(gòu)

2.3 損失函數(shù)改進(jìn)

YOLOv3算法的損失函數(shù)組成如式(2)所示，主要體現(xiàn)在對目標(biāo)框的坐標(biāo)、置信度和分類類別3個(gè)方面的衡量

(2)

在目標(biāo)框回歸過程中，YOLOv3采用均方誤差(mean square error，MSE)損失函數(shù)，MSE函數(shù)連續(xù)且處處可導(dǎo)，隨著誤差的減小，梯度也在減小，有利于收斂。但當(dāng)預(yù)測值和真實(shí)值的差值大于1時(shí)，MSE會(huì)放大誤差，并且會(huì)對較大誤差給予更高的權(quán)重，這就會(huì)犧牲其它小誤差數(shù)據(jù)的預(yù)測效果，最終降低整體的模型性能。而且，MSE函數(shù)的回歸損失優(yōu)化和IOU(intersection over union)優(yōu)化并不是完全等價(jià)的，其Loss越低并不等價(jià)于IOU值越高，無法直接優(yōu)化預(yù)測框和真實(shí)框之間沒有重疊的部分。

AAAI2020會(huì)議上同時(shí)提出了DIOU(distance intersection over union)和CIOU(complete intersection over union)[19]，由于DIOU將預(yù)測框與真實(shí)框之間的距離、重疊率以及尺度都考慮進(jìn)去，所以DIOU要比IOU更加符合對目標(biāo)框回歸的衡量，而CIOU在DIOU的基礎(chǔ)上多加入了長寬比因素，使目標(biāo)框回歸更加穩(wěn)定，收斂速度更快且精度更高?；贑IOU的考慮因素更全面，本文采用CIOU損失替換YOLOv3的MSE損失，CIOU與CIOU損失的計(jì)算分別如式(3)、式(4)所示

(3)

(4)

其中，ρ2(b,bgt) 表示預(yù)測框和真實(shí)框中心點(diǎn)之間的歐氏距離，c代表的是能夠同時(shí)包含預(yù)測框和真實(shí)框的最小閉包區(qū)域的對角線距離，v衡量了框的長寬比，而α中既包含了面積交并比IOU，又融合了v， 兩者之積αv就是CIOU比DIOU多考慮的部分。

3 車輛目標(biāo)檢測實(shí)驗(yàn)與分析

3.1 實(shí)驗(yàn)平臺(tái)與數(shù)據(jù)集

本文實(shí)驗(yàn)在Windows10操作系統(tǒng)下進(jìn)行，深度學(xué)習(xí)框架為Keras2.1.5；計(jì)算機(jī)CPU為Intel Core i7-10750H，內(nèi)存為16 GB；GPU為NVIDIA GeForce GTX 1650，顯存為8 GB；程序運(yùn)行軟件為Anaconda平臺(tái)下的VSCode(visual studio code)，使用Python3.6版本；配置了NVIDIA CUDA10.0 和Cudnn7.4.1加速GPU運(yùn)算；并且安裝了Tensorflow1.13.2和Numpy1.17.4等一系列第三方庫來支持代碼的運(yùn)行。

3.2 模型訓(xùn)練及回歸損失實(shí)驗(yàn)分析

對YOLOv3網(wǎng)絡(luò)和改進(jìn)YOLOv3網(wǎng)絡(luò)分別進(jìn)行訓(xùn)練，訓(xùn)練采用動(dòng)量因子為0.9的梯度下降法，共進(jìn)行75個(gè)周期訓(xùn)練。網(wǎng)絡(luò)設(shè)置不同大小的學(xué)習(xí)率，每25個(gè)周期分別設(shè)置學(xué)習(xí)率為0.001、0.0001、0.000 01。受GPU內(nèi)存限制，訓(xùn)練批量數(shù)據(jù)設(shè)置為4，以防止出現(xiàn)內(nèi)存爆滿現(xiàn)象。最后利用Tensorflow第三方庫中的Tensorboard可視化訓(xùn)練過程，其中改進(jìn)YOLOv3網(wǎng)絡(luò)的損失變化曲線如圖7所示，圖中橫坐標(biāo)為周期(epoch)，縱坐標(biāo)為損失(loss)。

圖7 改進(jìn)YOLOv3網(wǎng)絡(luò)損失曲線

由于曲線后階段縱軸變化范圍極小，為直觀看到每個(gè)周期的Loss值，將該曲線分3段顯示，結(jié)果如圖8(a)～圖8(c)所示，分別為不同學(xué)習(xí)率下的分段損失曲線。

圖8 改進(jìn)YOLOv3不同學(xué)習(xí)率下的分段損失曲線

從圖7和圖8損失曲線可以看出，改進(jìn)YOLOv3網(wǎng)絡(luò)的損失函數(shù)值在剛開始迅速下降，隨著訓(xùn)練周期的增加，在20個(gè)周期后曲線的下降速度逐漸緩慢，并且在40個(gè)周期后趨于穩(wěn)定，Loss值穩(wěn)定變化在0.114到0.119之間，此時(shí)再調(diào)低學(xué)習(xí)率對Loss值的影響不大，網(wǎng)絡(luò)損失最終收斂于0.117左右，達(dá)到了神經(jīng)網(wǎng)絡(luò)在訓(xùn)練階段的預(yù)期學(xué)習(xí)效果。

圖9(a)、圖9(b)分別為YOLOv3和改進(jìn)YOLOv3網(wǎng)絡(luò)的回歸損失(regression loss)曲線。由于YOLOv3算法在目標(biāo)框回歸過程中采用MSE損失函數(shù)，對大誤差離群點(diǎn)比較敏感，容易出現(xiàn)發(fā)散現(xiàn)象。從圖9可以看出，改進(jìn)YOLOv3算法使用CIOU作為回歸損失后，在訓(xùn)練過程中目標(biāo)框回歸比YOLOv3更加穩(wěn)定，收斂速度和精度更高。

圖9 YOLOv3和改進(jìn)YOLOv3網(wǎng)絡(luò)回歸損失曲線對比

3.3 改進(jìn)YOLOv3算法對比實(shí)驗(yàn)分析

針對目標(biāo)檢測的不同評價(jià)指標(biāo)，先對兩種不同改進(jìn)方法進(jìn)行消融實(shí)驗(yàn)，然后將改進(jìn)YOLOv3算法與其它目標(biāo)檢測算法進(jìn)行比較，分別進(jìn)行參數(shù)量、訓(xùn)練時(shí)間和FPS(frames per second)對比分析，平均精度(average precision，AP)和平均精度均值(mean average precision，mAP)對比分析，以及可視化結(jié)果對比分析。

(1)不同改進(jìn)方法消融實(shí)驗(yàn)

為獲得更高性能的車輛目標(biāo)檢測算法，在訓(xùn)練階段分別采用本文提出的主干特征提取網(wǎng)絡(luò)改進(jìn)、損失函數(shù)改進(jìn)以及兩方法組合改進(jìn)，這些方法對YOLOv3算法在參數(shù)量和準(zhǔn)確率方面的提升效果見表1。

表1 不同改進(jìn)方法對算法性能的提升

從表1可以看出，改進(jìn)后的主干特征提取網(wǎng)絡(luò)通過增加網(wǎng)絡(luò)深度和寬度，模型參數(shù)量相比原YOLOv3算法下降了39.89 M，同時(shí)算法準(zhǔn)確率提高了約2.5個(gè)百分點(diǎn)。而使用損失函數(shù)改進(jìn)方法減少了算法對大誤差離群點(diǎn)的敏感度，對檢測精度也有一定的提升，mAP值提高了約1.2個(gè)百分點(diǎn)。由此可以說明，改進(jìn)算法1和改進(jìn)算法2對YOLOv3算法分別有一定的性能提升效果。而使用兩種方法的組合對YOLOv3算法進(jìn)行改進(jìn)并訓(xùn)練，得到的改進(jìn)YOLOv3算法參數(shù)量為19.56 M，比YOLOv3算法下降了近67%，mAP為90.03%，提高了3.68%，說明采用改進(jìn)后的主干特征提取網(wǎng)絡(luò)和CIOU回歸優(yōu)化損失降低了模型參數(shù)量，同時(shí)也提高了模型檢測的準(zhǔn)確率，改進(jìn)后的YOLOv3算法具有較明顯的優(yōu)越性。

(2)參數(shù)量、訓(xùn)練時(shí)間和FPS(frames per second)對比

在訓(xùn)練周期和學(xué)習(xí)率相同的情況下，對Faster R-CNN、SSD、YOLOv3算法，YOLOv3-Tiny、Mobilenet-YOLOv3輕量級算法，以及改進(jìn)YOLOv3算法均使用本文數(shù)據(jù)集進(jìn)行訓(xùn)練，訓(xùn)練中的參數(shù)量、訓(xùn)練時(shí)間和FPS對比數(shù)據(jù)見表2。

表2 不同算法參數(shù)量、訓(xùn)練時(shí)間和FPS對比

由表2可知，改進(jìn)YOLOv3算法的參數(shù)量為19.56 M，相比其它算法參數(shù)量最少，訓(xùn)練時(shí)間最短，尤其在模型參數(shù)量下降方面比YOLOv3-Tiny和Mobilenet-YOLOv3兩種輕量級算法更有優(yōu)勢。改進(jìn)YOLOv3算法的參數(shù)量比YOLOv3算法下降了近67%，訓(xùn)練時(shí)間也相對減少約4.5 h，同時(shí)在圖片處理速度上有著明顯提升，每秒提高了8幀，能夠?qū)σ曨l進(jìn)行流暢處理。

(3)AP和mAP對比

為驗(yàn)證改進(jìn)YOLOv3算法的有效性，實(shí)驗(yàn)均使用本文數(shù)據(jù)集進(jìn)行訓(xùn)練，設(shè)置相同置信度、相同周期的權(quán)重進(jìn)行測試，對比了Faster R-CNN、SSD、YOLOv3算法，YOLOv3-Tiny、Mobilenet-YOLOv3輕量級算法，以及本文改進(jìn)YOLOv3算法的AP和mAP值，實(shí)驗(yàn)結(jié)果見表3。

根據(jù)表3數(shù)據(jù)可以看出，本文提出的改進(jìn)YOLOv3算法mAP為90.03%，相較于Faster R-CNN、SSD、YOLOv3算法分別提升了8.05%、4.38%、3.68%，相較于YOLOv3-Tiny和Mobilenet-YOLOv3兩種輕量級算法分別提升了7.88%和4.72%，并且每一類的AP值相對其它幾種算法均有不同程度的提升，說明采用改進(jìn)后的主干特征提取網(wǎng)絡(luò)和CIOU回歸優(yōu)化損失提升了模型的檢測性能，具有較明顯的優(yōu)越性。

(4)可視化結(jié)果對比

為了驗(yàn)證本文算法是否存在對小目標(biāo)漏檢、誤檢等情況，對含有不同大小的車輛目標(biāo)、光線遮擋、夜晚場景和太陽反光等幾種場景進(jìn)行了可視化實(shí)驗(yàn)，圖10為YOLOv3和改進(jìn)YOLOv3算法在不同道路環(huán)境下的檢測效果對比結(jié)果，其中左列采用YOLOv3算法，右列采用改進(jìn)YOLOv3算法。

從圖10檢測結(jié)果可知，YOLOv3算法存在小目標(biāo)漏檢情況，在光線遮擋、夜晚場景和太陽反光的情況下均出現(xiàn)了漏檢和誤檢現(xiàn)象，本文提出的改進(jìn)YOLOv3算法很大程度地減少了小目標(biāo)漏檢情況，在復(fù)雜道路環(huán)境下均沒有出現(xiàn)漏檢、誤檢現(xiàn)象，并且分類置信度更高，檢測效果更好。

表3 不同算法的AP和mAP值對比

圖10 YOLOv3和改進(jìn)YOLOv3算法可視化結(jié)果對比

4 結(jié)束語

本文提出了一種改進(jìn)YOLOv3算法對車輛目標(biāo)進(jìn)行實(shí)時(shí)檢測，解決了深度卷積神經(jīng)網(wǎng)絡(luò)參數(shù)量大、實(shí)時(shí)性差等問題。在主干特征提取網(wǎng)絡(luò)改進(jìn)中使用深度可分離卷積代替?zhèn)鹘y(tǒng)卷積并對通道施加注意力機(jī)制，增加網(wǎng)絡(luò)深度和寬度的同時(shí)減少了參數(shù)量和計(jì)算量；在目標(biāo)框回歸優(yōu)化損失上引入了CIOU損失，緩解了模型訓(xùn)練過程中目標(biāo)框回歸出現(xiàn)的發(fā)散現(xiàn)象，以及MSE損失優(yōu)化和IOU優(yōu)化不完全等價(jià)對模型性能的影響，使得目標(biāo)框回歸更加穩(wěn)定，收斂速度和精度更高。對實(shí)驗(yàn)結(jié)果分析可知，改進(jìn)YOLOv3算法mAP相比原YOLOv3算法提升了3.68%，F(xiàn)PS每秒提高了8幀，同時(shí)參數(shù)量下降了近67%，在檢測精度、檢測速度、模型大小上均優(yōu)于YOLOv3等其它算法，具有較高的適用性和魯棒性。