劉元峰，姬海軍，劉立波*

（1.寧夏大學(xué) 信息工程學(xué)院，寧夏 銀川 750021；2.寧夏路網(wǎng)監(jiān)測與應(yīng)急處置中心，寧夏 銀川 750021）

1 引 言

精準(zhǔn)、快速檢測出車輛目標(biāo)是高速交通控制和管理的重點(diǎn)、難點(diǎn)問題，具有重要的研究價(jià)值［1］。為提升檢測效率，研究人員提出了單階段目 標(biāo) 檢 測 方 法，主 要 代 表 有SSD［2］、YOLO系列［3-6］等。該類方法通過卷積網(wǎng)絡(luò)提取特征并直接對目標(biāo)定位識別，通過減少網(wǎng)絡(luò)參數(shù)使檢測速度得以提高，但卻導(dǎo)致檢測精度有所下降。因此，如何在車輛目標(biāo)實(shí)時(shí)檢測中既能保證檢測速度又能提升檢測精度，已成為研究的熱點(diǎn)問題。

王瀅暄等［7］提出一種基于改進(jìn)YOLOv4高速公路車輛目標(biāo)實(shí)時(shí)檢測方法，制作了各種復(fù)雜場景下的車輛數(shù)據(jù)集并對其進(jìn)行數(shù)據(jù)增強(qiáng)，提升了檢測精度。袁小平等［8］提出一種改進(jìn)YOLOv3的行人車輛目標(biāo)檢測算法，采用ResNeXt代替ResNet模塊，并引入密集連接，提升了小目標(biāo)的檢測精度。于博等［9］采用一種用于遠(yuǎn)紅外圖像的優(yōu)化YOLO檢測與分割網(wǎng)絡(luò)模型，通過KMeans算法設(shè)定錨框尺寸以及使用自適應(yīng)閾值分割方法，保證了實(shí)時(shí)檢測要求，且能較有效地檢測行人目標(biāo)。Lai等［10］提出了一種基于車輛檢測和交通計(jì)數(shù)區(qū)域的二次檢測框架，通過多角度、多路況數(shù)據(jù)采集，能夠較精確地檢測和統(tǒng)計(jì)出車輛信息。上述方法在車輛目標(biāo)實(shí)時(shí)檢測方面均有應(yīng)用價(jià)值，但在檢測過程中，模型對于細(xì)節(jié)特征學(xué)習(xí)能力較弱且提取了大量冗余信息，導(dǎo)致檢測精度降低。

本文提出一種基于YOLOv5s的高速公路車輛實(shí)時(shí)檢測算法，通過在殘差單元中加入卷積注意力模塊，強(qiáng)化模型學(xué)習(xí)細(xì)節(jié)特征，抑制冗余信息干擾；在金字塔網(wǎng)絡(luò)中加入卷積注意力模型，加強(qiáng)關(guān)鍵特征融合；在自行構(gòu)建的寧夏高速公路車輛數(shù)據(jù)集上進(jìn)行實(shí)驗(yàn)，結(jié)果表明，本文方法能夠準(zhǔn)確、快速地檢測出車輛目標(biāo)，在高速公路車輛管理和控制方面具有一定的應(yīng)用價(jià)值。

2 模 型

YOLOv5系列包含s、m、l、x四種不同大小的網(wǎng)絡(luò)模型［11-13］，其中YOLOv5s網(wǎng)絡(luò)參數(shù)最少，檢測速度更適合實(shí)時(shí)車輛目標(biāo)檢測場景。YOLOv5s主要由Backbone和Head兩部分組成。Backbone部分用于提取圖像特征，包含F(xiàn)ocus、4個(gè)基礎(chǔ)卷積（Convolution，Conv）、3個(gè)ResBCSPn模塊和空間金字塔池化（Spatial Pyramid Pooling，SPP）；Head部分由金字塔網(wǎng)絡(luò)（Pyramid Attention Network，PANet）和 分 類 回 歸 預(yù) 測 模 塊Detect構(gòu)成，分別用于多尺度特征信息融合和預(yù)測。整體網(wǎng)絡(luò)結(jié)構(gòu)如圖1所示。

圖1 YOLOv5模型架構(gòu)Fig.1 Model architecture of YOLOv5s

ResBCSPn作為Backbone的核心模塊，主要由一個(gè)及以上殘差單元（ResBottlebeck）和跨階段局部模塊（Cross Stage Partial，CSP）組成。其中，殘差單元用于加深網(wǎng)絡(luò)記憶，防止網(wǎng)絡(luò)因?qū)訑?shù)加深而導(dǎo)致梯度消失；跨階段局部模塊用于組合特征、降低網(wǎng)絡(luò)參數(shù)量。Head的核心模塊是金字塔網(wǎng)絡(luò)，該部分采用自頂向下與自底向上聯(lián)合的特征融合方式，更好地進(jìn)行了多尺度融合，加強(qiáng)了不同尺度特征之間的語義關(guān)聯(lián)性。

3 本文方法

3.1 注意力機(jī)制

注意力機(jī)制是計(jì)算機(jī)視覺領(lǐng)域常用的特征強(qiáng)化方法，源于人類大腦對視覺信號處理機(jī)制的模擬。人類在觀察某一物體時(shí)，會(huì)重點(diǎn)關(guān)注目標(biāo)有特點(diǎn)的細(xì)節(jié)部位，忽略全局和背景等冗余信息。這種選擇性關(guān)注的方式與車輛目標(biāo)實(shí)時(shí)檢測任務(wù)中依靠車輛特點(diǎn)進(jìn)行識別分類的理念相一致，近年來已在該領(lǐng)域得到了廣泛應(yīng)用。因此，為達(dá)到抑制圖像中冗余信息、學(xué)習(xí)和融合關(guān)鍵細(xì)節(jié)特征進(jìn)而提升模型檢測精度的目的，本文引入一種多維注意力機(jī)制——卷積注意力模型（Convolutional Block Attention Module，CBAM）［14-16］，其包括通道域（Channel Attention Module，CAM）和空間域（Spartial Attention Module，SAM）兩部分，分別處理圖像的特征通道和特征空間。

由卷積網(wǎng)絡(luò)生成的特征圖中包含不同的特征空間和通道，每個(gè)空間、通道表示圖像中的不同信息，其中可能包含與目標(biāo)無關(guān)的背景冗余特征。因此，讓網(wǎng)絡(luò)將注意力集中于提取和學(xué)習(xí)圖像中關(guān)鍵細(xì)節(jié)特征，使其具備更高的權(quán)重系數(shù)，能有效提升模型的檢測精度。本文在主干網(wǎng)絡(luò)中使用CBAM提取特征的通道和空間生成注意力權(quán)重圖，并將其與原特征圖進(jìn)行特征融合，將融合后的模塊添加到殘差單元之后，形成卷積注意力殘差單元以獲取并學(xué)習(xí)不同維度、更為豐富的關(guān)鍵細(xì)節(jié)特征。在金字塔網(wǎng)絡(luò)中，使用相同的方法得到融合后的模塊，將其放置在不同尺度特征圖的上采樣和下采樣后，形成卷積注意力金字塔網(wǎng)絡(luò)以加強(qiáng)不同尺度的關(guān)鍵細(xì)節(jié)特征融合。

3.2 卷積注意力殘差單元

主干網(wǎng)絡(luò)中由卷積函數(shù)生成特征圖，由于卷積函數(shù)具有相同卷積核，導(dǎo)致無法辨析圖像中關(guān)鍵細(xì)節(jié)特征。而卷積注意力模塊作為一種特征強(qiáng)化方法，通過提高關(guān)鍵細(xì)節(jié)特征權(quán)重、降低冗余信息權(quán)重，使網(wǎng)絡(luò)著重關(guān)注感興趣區(qū)域，從而實(shí)現(xiàn)提升檢測精度的目的。因此，本文將卷積注意力模塊放置于殘差單元后，形成卷積注意力殘差單元（CBAMReBottleneck，CR），如圖2所示。

圖2 卷積注意力殘差模塊。（a）殘差單元；（b）CAM；（c）SAM。Fig.2 Convolutional attention residual module.（a）ResBottleNeck；（b）CAM；（c）SAM.

卷積注意力殘差模塊主要由殘差單元（Res-BottleNeck）、CAM和SAM三部分構(gòu)成，分別如圖2中（a）、（b）、（c）所示。輸入特征x∈Rw×h×c進(jìn)入殘差單元。殘差單元通過兩層3×3的卷積提取x得到具備高級語義信息的特征f（x）后，使用跳躍連接將其與x相加得到X，這使流入到下一層網(wǎng)絡(luò)的特征由f（x）變?yōu)閒（x）+x，從而保留了淺層信息。該過程增強(qiáng)了特征信息。但并未改變特征維度，因此特征X∈Rw×h×c。處理流程如圖3（a）所示，具體公式如式（1）、（2）所示：

式中：w×h為特征維度大小，c為特征通道數(shù)，Conv代表卷積核為3×3的卷積，X是保留淺層信息的殘差單元輸出特征圖。

經(jīng)過殘差單元疊加淺層信息的特征X由CAM單元處理，CAM重點(diǎn)關(guān)注特征的通道維度。不同卷積核生成的特征通道存在重要性差異，但網(wǎng)絡(luò)公平捕獲特征的方式忽略了這一問題。為此，CAM賦予各通道不同的權(quán)重系數(shù)來衡量其差異性，使網(wǎng)絡(luò)根據(jù)權(quán)重系數(shù)聚焦關(guān)鍵通道特征。具體操作如下：首先，并行平均和最大池化將X的空間信息聚合壓縮得到兩個(gè)1×1×c大小的張量。然后，將其輸送到共享網(wǎng)絡(luò)MLP中獲取通道注意力分布。MLP是包含一個(gè)隱藏層的感知機(jī)，利用其處理非線性數(shù)據(jù)分類的能力實(shí)現(xiàn)了通道注意力分布。接著對重新分配通道注意力權(quán)重的張量進(jìn)行求和運(yùn)算得到最終的通道 權(quán) 重Cweight，Cweight∈R1×1×c。最 后 將 其 與X相乘融合得到通道注意力特征圖Mc，Mc∈Rw×h×c。處理流程如圖3（b）所示，具體公式如式（3）所示：

式中：AP為平均池化，MP為最大池化，σ為sigmoid激活函數(shù)，MLP為多層感知機(jī)，⊕為矩陣求和運(yùn)算，?為矩陣乘積運(yùn)算，Mc是生成的通道注意力特征圖。

經(jīng)過CAM處理得到的特征圖Me進(jìn)入SAM模塊用以計(jì)算空間特征權(quán)重。SAM首先將不同通道在同一平面空間點(diǎn)上的值并行平均和最大池化分別獲取兩個(gè)維度為w×h×1的空間權(quán)重圖，再通過卷積層和sigmoid函數(shù)對兩個(gè)空間特征圖進(jìn)行非線性激活得到最終的空間權(quán)重圖Sweight，Sweight∈Rw×h×1，最后將其與Mc相乘融合得到空間注意力特征圖。處理流程如圖3（c）所示，具體操作公式如式（4）所示：

式中：Conv7是卷積核大小7×7的卷積，Ms為生成的空間注意力特征圖。

上述步驟產(chǎn)生的中間特征X、Mc和Ms，經(jīng)過卷積等操作處理后，無法明確分析其中的差異性，為此給予中間過程特征的相應(yīng)熱力圖［17］進(jìn)行直觀描述，具體效果如圖3所示。

圖3 中間過程效果圖Fig.3 Intermediate process renderings

由圖3可知，特征圖X能夠檢測出車輛目標(biāo)并將注意力集中在車側(cè)上方，說明信息主要疊加在該區(qū)域；特征圖Mc通過通道域處理，加強(qiáng)了各通道之間的依賴性，使注意力權(quán)重集中在信息豐富的區(qū)域，在圖3（b）中已知車側(cè)上方信息豐富，因此圖3（c）中該位置高亮效果更為顯著；特征圖Ms經(jīng)過空間域處理，突出了各通道上不同空間重要程度，在圖3（c）基礎(chǔ)上，額外獲取了車頭、車門等關(guān)鍵部位特征，增大了有效預(yù)測區(qū)域。

由于YOLOv5s將輸入圖像調(diào)整為640×640×3的格式，因此在經(jīng)過主干特征提取網(wǎng)絡(luò)卷積后會(huì)得到維度分別為80×80×256、40×40×512、20×20×1 024的特征圖f1、f2和f3，并將其輸入到金字塔網(wǎng)絡(luò)中進(jìn)行多尺度特征融合。金字塔網(wǎng)絡(luò)通過融合多尺度特征圖加強(qiáng)了不同語義、分辨率特征圖像的信息關(guān)聯(lián)度，但破壞了特征的權(quán)重系數(shù)，網(wǎng)絡(luò)無法著重融合關(guān)鍵位置信息。

3.3 卷積注意力金字塔網(wǎng)絡(luò)

目標(biāo)檢測主要有兩大任務(wù)：目標(biāo)分類和定位，兩者分別依賴于深層網(wǎng)絡(luò)中的高級語義信息和淺層網(wǎng)絡(luò)中的車輛目標(biāo)位置信息。在3.2節(jié)中，卷積注意力殘差單元主要通過提取關(guān)鍵特征用以提升分類精確度，在本小節(jié)中，卷積注意力金字塔網(wǎng)絡(luò)則側(cè)重于解決目標(biāo)定位問題。

金字塔網(wǎng)絡(luò)主要通過采樣操作融合不同層級之間的特征，以保證其兼顧高級語義和車輛位置信息，但如3.2節(jié)中提到的網(wǎng)絡(luò)無法區(qū)分特征重要程度。為此，借鑒上述思想，通過在不同層次特征融合之前加入CBAM注意力機(jī)制，給定特征空間和通道方向上的一個(gè)權(quán)重，以保證金字塔網(wǎng)絡(luò)能夠融合關(guān)鍵信息，進(jìn)而提升模型準(zhǔn)確度。具體方式是在金字塔網(wǎng)絡(luò)上采樣和下采樣模塊后加入卷積注意力機(jī)制，形成卷積注意力金字塔網(wǎng)絡(luò)（CBAMPANet，CP）。卷積注意力金字塔網(wǎng)絡(luò)結(jié)構(gòu)如圖4所示。其中，圖4（a）為主干特征提取網(wǎng)絡(luò)；圖4（b）代表深層特征降通道 維度拼接淺層位置信息的過程，中間特征為［P3，P2，P1］；圖4（c）代表淺層升通道維度融合深層語義的過程，該過程會(huì)產(chǎn)生最終待分類回歸特征［N1，N2，N3］。為清晰直觀地描述中間過程特征，通過給予對應(yīng)熱力圖進(jìn)行分析，效果如圖5所示。

圖4 卷積注意力金字塔網(wǎng)絡(luò)。（a）主干特征提取網(wǎng)絡(luò)；（b）自上向下的路徑增強(qiáng)；（c）自下向上的路徑增強(qiáng)。Fig.4 Convolutional attention pyramid network.（a）Backbone；（b）Up-bottom path augmentation；（c）Bottom-up path augmentaion.

圖5 中間過程熱力圖Fig.5 Intermediate process heat map

特征圖P3來自于深層特征f1，因此具備全網(wǎng)絡(luò)中最為豐富的語義信息，但由于深層網(wǎng)絡(luò)目標(biāo)位置信息欠缺，導(dǎo)致最終預(yù)測區(qū)域并不理想，僅能檢測到車側(cè)上方部分，這一效果與3.2節(jié)中最終效果類似，說明圖像中該區(qū)域特征在全局中的信息最為豐富；P3經(jīng)上采樣、CBAM處理后與特征圖f2拼接形成P2，f2相較于f1，兼顧了語義和位置信息，而P3上采樣過程中融入了CBAM模塊，使用權(quán)重將注意力集中在關(guān)鍵區(qū)域，因此預(yù)測范圍囊括了車身和車頭等關(guān)鍵部位，基本覆蓋整體車輛，具有較好的檢測效果；P1來自于同級特征f3和經(jīng)CBAM處理的上級特征，由于P1作為圖4（b）中最后一步，包含的特征信息更為豐富，覆蓋預(yù)測區(qū)域更為廣泛且明顯。N1是基于P1進(jìn)行的卷積等操作，從而預(yù)測區(qū)域與P1相似；N2檢測效果較好的原因，一方面是來自同級特征P2在上采樣操作中包含的信息已較為豐富，另一方面下級特征P1經(jīng)CBAM處理后將注意力集中在特征關(guān)鍵部分；N3與N2原理基本相同，作為圖4（c）中最后一步，其包含了豐富的疊加信息，因此預(yù)測區(qū)域優(yōu)于所有中間過程效果圖。

在圖4（b）中，淺層特征（如f3）車輛位置清晰，但由于卷積處理較少，特征語義信息欠缺，無法精確進(jìn)行分類；深層特征（如P3）車輛信息模糊，但經(jīng)過更多卷積提取，語義信息豐富；因此圖4（a）過程主要利用深層特征的語義信息豐富淺層特征，使其能夠精確定位和分類，融合后的特征如P1所示，該過程可描述為：深層特征通過上采樣降低特征維度、增強(qiáng)位置信息，然后經(jīng)過CBAM進(jìn)行賦權(quán)，最后與淺層特征進(jìn)行拼接。而圖4（b）過程的目的在于，通過利用淺層特征的位置信息豐富深層特征，使其具備明顯的車輛信息，拼接后的特征如N3所示，該過程可描述為：淺層特征通過下采樣提升特征維度、豐富語義信息，經(jīng)過CBAM進(jìn)行賦權(quán)后與淺層特征進(jìn)行融合。上采樣（UpSample）用于擴(kuò)展圖像尺度并壓縮通道，下采樣（DownSaple）用于壓縮圖像空間并擴(kuò)張通道。具體公式如式（5）、（6）所示：

式中：TransConv是卷積核2×2的反卷積，Conv是卷積核為3×3的卷積，fc代表當(dāng)前特征的通道，fw×h為當(dāng)前特征的寬高。

在殘差單元之后加入CBAM，強(qiáng)化主干特征提取網(wǎng)絡(luò)對目標(biāo)細(xì)節(jié)的學(xué)習(xí)能力，抑制冗余信息干擾，獲取關(guān)鍵的高級語義信息以保證提升目標(biāo)分類準(zhǔn)確度；在不同的層級特征融合之前加入CBAM，給予待融合特征重要性權(quán)重，豐富特征的關(guān)鍵車輛位置信息來增強(qiáng)目標(biāo)定位精準(zhǔn)度。通過上述內(nèi)容可知，卷積注意力殘差單元和卷積金字塔網(wǎng)絡(luò)分別用于完善目標(biāo)分類和定位任務(wù)。為證明改進(jìn)方法的有效性，在4.5節(jié)中將對各改進(jìn)模塊進(jìn)行消融實(shí)驗(yàn)。

4 實(shí)驗(yàn)與結(jié)果分析

4.1 實(shí)驗(yàn)環(huán)境與數(shù)據(jù)集

實(shí)驗(yàn)過程在Pytorch框架下進(jìn)行，訓(xùn)練及測試的計(jì)算機(jī)硬件配置GPU為NVIDIA Geforce RTX 3 090 Ti，操 作 系 統(tǒng) 為Ubuntu 16.04.12，python版本為3.6.5。使用寧夏地區(qū)2020年8月6日至2021年11月24日的高速公路視頻數(shù)據(jù)，共計(jì)26.2G，視頻顯示格式為1 080 P，每秒傳輸幀數(shù)為25，囊括普通高速公路、分岔路口、收費(fèi)站、盤山公路、隧道和高架橋等6類高速道路場景下的各類遮擋物與截?cái)嗄繕?biāo)，可滿足本文方法對于復(fù)雜場景數(shù)據(jù)的需求。

寧夏高速公路車輛數(shù)據(jù)集構(gòu)建方式如下：首先通過人工清洗車輛缺失目標(biāo)、模糊視頻；然后使用Python腳本文件將視頻截幀（截幀間隔2 s）并清洗，去除冗余、圖像撕裂、馬賽克等無效數(shù)據(jù)；接著使用labelimg工具標(biāo)注圖像車輛目標(biāo)，并設(shè)置Car、Van、Bus和Truck四種車輛類別標(biāo)簽，標(biāo)注完成1 200張圖片后經(jīng)數(shù)據(jù)增強(qiáng)得到3 000張；最后按照訓(xùn)練集∶驗(yàn)證集∶測試集=8∶1∶1的比例對數(shù)據(jù)集進(jìn)行劃分，得到訓(xùn)練集圖像數(shù)量2 400張、驗(yàn)證集圖像數(shù)量300張、測試集圖像300張。各類車型數(shù)據(jù)如表1所示。

表1 數(shù)據(jù)集內(nèi)容描述Tab.1 Datasets content description

4.2 評價(jià)指標(biāo)

本文使用每秒傳輸幀數(shù)（Frames Per Second，F(xiàn)PS）［18］評估算法檢測速度，采用均值平均精度（Mean Average Precision，mAP）［19-24］對算法檢測精度進(jìn)行定量評估。

FPS即視頻中的畫面數(shù)，每秒幀數(shù)越多，所顯示的動(dòng)作就越流暢。通常情況下，F(xiàn)PS高于50 f/s時(shí)，就可滿足實(shí)時(shí)目標(biāo)檢測的要求。計(jì)算公式如式（7）所示：

式中：frameCount代表視頻總幀數(shù)，elapsedTime代表視頻總時(shí)間。

mAP由精確率（Precision）和召回率（Recall）求出。精確率又被稱為查準(zhǔn)率，用于衡量算法的準(zhǔn)確度；召回率又稱查全率，用于衡量算法的漏檢率，計(jì)算公式如式（8）、（9）所示：

其中：TP表示正確分類樣本數(shù)量，F(xiàn)P表示誤分樣本數(shù)量，F(xiàn)N表示樣本誤檢數(shù)量。

平均精度（Average Precision，AP）用于計(jì)算單類別的檢測精度；其表示精確率與召回率所圍成曲線的面積，均值平均精度用于計(jì)算多個(gè)類別的平均精度，計(jì)算公式如式（10）所示：

其中，M代表數(shù)據(jù)集的類別總數(shù)。

4.3 網(wǎng)絡(luò)訓(xùn)練

本實(shí)驗(yàn)采用多任務(wù)損失函數(shù)優(yōu)化網(wǎng)絡(luò)參數(shù)，利用k-means算法［25］對寧夏高速公路車輛數(shù)據(jù)集進(jìn)行聚類獲得多尺度錨框，寬高分別為（15，12）、（23，18）、（41，18），（36，28）、（65，30）、（78，59），（122，51）、（154，90）、（189，171）。設(shè)置相同模型參數(shù)：輸入圖像尺寸為640×640，初始學(xué)習(xí)率設(shè)置為0.001，網(wǎng)絡(luò)模型訓(xùn)練過程中選擇余弦退火方式［26］來降低學(xué)習(xí)率，訓(xùn)練批次大?。˙atch size）設(shè)置為32，迭代次數(shù)為15 000次。訓(xùn)練過程損失下降曲線如圖6所示。由圖6可知，網(wǎng)絡(luò)訓(xùn)練初期下降較快，在2 000次左右到達(dá)拐點(diǎn)，損失下降梯度減緩，14 500次左右損失下降趨于平穩(wěn)，最終損失收斂在0.025左右。

圖6 損失下降曲線Fig.6 Loss decline curve

4.4 對比實(shí)驗(yàn)

為驗(yàn)證和評估本文改進(jìn)方法的性能，實(shí)驗(yàn)將本文方法（YOLOv5s-CRCP）與主流的車輛目標(biāo)實(shí) 時(shí) 檢 測 算 法SSD、YOLOv3、YOLOv4、YOLOv5s在寧夏高速公路車輛數(shù)據(jù)集上進(jìn)行對比。檢測精度和檢測速度的實(shí)驗(yàn)結(jié)果如表2和表3所示。

表2 不同算法在寧夏高速公路車輛數(shù)據(jù)集的檢測精度對比Tab.2 Comparison of detection accuracy of different algorithms on Ningxia expressway vehicle datasets

表3 不同算法在寧夏高速公路車輛數(shù)據(jù)集的檢測速度對比Tab.3 Comparison of test results of different algorithms on Ningxia expressway vehicle datasets

由表2可知，本文方法通過在殘差單元和金字塔網(wǎng)絡(luò)中融合卷積注意力模塊，提高了模型的檢測精度，各類車輛的檢測精度分別為99.5%、74.4%、92.3%和98.6%，均值檢測精度高達(dá)91.2%，優(yōu)于表中任一主流車輛目標(biāo)實(shí)時(shí)檢測模型。SSD模型均值檢測精度僅為78.2%，主要原因是主干網(wǎng)絡(luò)的低級特征卷積層數(shù)少，特征提取不充分，并且未對不同尺度特征進(jìn)行融合。YOLOv3模型通過使用DarkNet53作為骨干網(wǎng)絡(luò)以加深網(wǎng)絡(luò)層數(shù)，充分提取特征信息，并使用特征金字塔網(wǎng)絡(luò)充分融合不同尺度特征，將均值檢測精度提升到84.5%。YOLOv4使用數(shù)據(jù)增強(qiáng)，擴(kuò)充訓(xùn)練數(shù)據(jù)將模型均值檢測精度提高到88.6%。YOLOv5s模型由于網(wǎng)絡(luò)參數(shù)量大幅減少導(dǎo)致檢測精度相較于YOLOv4下降1.5%，為87.1%，能達(dá)到實(shí)時(shí)目標(biāo)檢測的要求。

由表3可知，在同一環(huán)境下，SSD模型主要采用VGG16作為特征提取網(wǎng)絡(luò)，因參數(shù)量過多導(dǎo)致網(wǎng)絡(luò)檢測速度較慢，其檢測速度僅為26 f/s。YOLOv3模型以DarkNet53作為骨干網(wǎng)絡(luò)模型，網(wǎng)絡(luò)中參數(shù)量大幅降低，檢測速度為36 f/s，相較于SSD模型具有明顯的提升。YOLOv4使用CSPDarkNet53模型分組處理特征，降低了網(wǎng)絡(luò)參數(shù)量，使檢測速度略微提升，達(dá)到38 f/s。YOLOv5s模型對主干網(wǎng)絡(luò)模型進(jìn)行深度和寬度壓縮并使用focus結(jié)構(gòu)分治處理輸入特征，極大降低了網(wǎng)絡(luò)參數(shù)量，檢測速度達(dá)到77 f/s。本文方法在YOLOv5s的基礎(chǔ)上添加了CBAM機(jī)制，由于CBAM中包含MLP結(jié)構(gòu)，導(dǎo)致參數(shù)量有所增加，使檢測速度略微降低，為75 f/s，但仍能達(dá)到實(shí)時(shí)檢測的要求。

4.5 消融實(shí)驗(yàn)

本文以圖3輸入的特征圖像為例，對上述各模塊進(jìn)行消融實(shí)驗(yàn)過程說明。整體處理流程為：（1）待檢測圖像經(jīng)過包含卷積注意力殘差單元的主干特征提取網(wǎng)絡(luò)提取到多尺度特征；（2）輸入到卷積注意力金字塔網(wǎng)絡(luò)中進(jìn)行多尺度特征融合。處理步驟（1）、（2）分別如圖7所示。

圖7 整體實(shí)驗(yàn)流程圖Fig.7 Overall process flowchart

4.5.1卷積注意力殘差單元實(shí)驗(yàn)分析

為驗(yàn)證卷積注意力殘差單元融入主干特征提取網(wǎng)絡(luò)后的性能，本文基于寧夏高速車輛數(shù)據(jù)集進(jìn)行實(shí)驗(yàn)：實(shí)驗(yàn)1.基準(zhǔn)模型（YOLOv5s）；實(shí)驗(yàn)2.僅使用CAM模塊；實(shí)驗(yàn)3.僅引入SAM單元；實(shí)驗(yàn)4.同時(shí)添加CAM和SAM模塊（YOLOv5s-CR）。實(shí)驗(yàn)結(jié)果如表4所示。

由表4可知，加入CAM模塊后，檢測精度提升了1.6%，這主要?dú)w功于MLP多層感知機(jī)使用全連接提取了更多的細(xì)節(jié)特征；引入SAM模塊檢測精度提升不明顯，原因在于SAM僅通過串行池化的方式增大了感受野，但依舊采用卷積捕獲特征，因此精度提升不大；同時(shí)引入SAM和CAM時(shí)，模型精度相較于原模型提升了2.2%，有著較好的檢測效果，故最終本文采用實(shí)驗(yàn)4的模型架構(gòu)。

表4 卷積注意力殘差單元的消融實(shí)驗(yàn)Tab.4 Ablation experiment of CR

為進(jìn)一步說明CAM和SAM的作用，對其引入到主干特征提取網(wǎng)絡(luò)前后的提取結(jié)果通過熱力圖進(jìn)行對比分析，如圖8所示。在不引入任何注意力機(jī)制時(shí)，具體實(shí)驗(yàn)結(jié)果如圖8（b）所示；引入SAM時(shí)，主干特征提取網(wǎng)絡(luò)提取結(jié)果如圖8（c）所示；引入CAM時(shí)，提取特征實(shí)驗(yàn)結(jié)果如圖8（d）所示；同時(shí)引入CAM和SAM的提取結(jié)果如圖8（e）所示。

圖8 主干網(wǎng)絡(luò)提取特征結(jié)果Fig.8 Backbone network extraction feature results

由圖8可知，引入注意力機(jī)制后，網(wǎng)絡(luò)能夠更加關(guān)注目標(biāo)關(guān)鍵特征，進(jìn)而突出車輛輪廓，忽略背景冗余信息，因此特征的提取效果均高于原模型；使用CAM捕獲特征的效果要高于SAM，主要表現(xiàn)CAM能夠?qū)⒆⒁饬性谡w車身等明顯的車輛特征部位，而SAM僅能突出車頂部位，對于其他關(guān)鍵部位的處理效果較弱；同時(shí)引入CAM和SAM時(shí)，整體車身、車頭等關(guān)鍵部位均能關(guān)注，效果顯著。

4.5.2卷積注意力金字塔網(wǎng)絡(luò)實(shí)驗(yàn)分析

為驗(yàn)證CBAM加入特征融合網(wǎng)絡(luò)后的性能，本文進(jìn)行如下實(shí)驗(yàn)：實(shí)驗(yàn)1.基準(zhǔn)模型（YOLOv5s）；實(shí)驗(yàn)2.僅在上采樣單元添加CBAM模塊；實(shí)驗(yàn)3.僅在下采樣單元添加CBAM模塊；實(shí)驗(yàn)4.在上、下采樣后同時(shí)添加CBAM模塊（YOLOv5s-CP）。最終實(shí)驗(yàn)結(jié)果如表5所示。

由表5可知，僅在特征融合網(wǎng)絡(luò)中上采樣后加入CBAM模塊精度提升了2.3%；僅在下采樣后添加CBAM，精度提升了1.6%，低于實(shí)驗(yàn)3的原因?yàn)?，下采樣過程在上采樣特征融合完成之后，其目標(biāo)位置信息并不清晰，因而提升效果略低；同時(shí)添加CBAM模塊的檢測精度較于原模型提升了3%，在實(shí)際應(yīng)用中表現(xiàn)良好，因而本文使用實(shí)驗(yàn)4的模型架構(gòu)。

表5 卷積注意力殘差單元的消融實(shí)驗(yàn)Tab.5 Ablation experiment of CP

為進(jìn)一步說明在特征融合網(wǎng)絡(luò)的上下采樣操作后加入CBAM的作用，對提取結(jié)果通過熱力圖進(jìn)行對比分析，如圖9所示。在不添加CBAM時(shí)，PANet具體融合實(shí)驗(yàn)結(jié)果如圖9（b）所示；下采樣后引入CBAM的實(shí)驗(yàn)結(jié)果如圖9（c）所示；上采樣后添加CBAM的特征融合效果如圖9（d）所示；上、下采樣后同時(shí)引入CBAM的提取結(jié)果如圖9（e）所示。

圖9 特征融合結(jié)果Fig.9 Feature fusion result

由圖9可知，未添加注意力機(jī)制的特征圖注意力主要集中在車頂部位，并不能很好地將注意力集中在車輛整體模塊；在下采樣操作后添加CBAM，能夠?qū)⒆⒁饬μ嵘杰図敽蛙嚿聿糠治恢?，但效果依舊不理想；在上采樣過程后添加CBAM的效果明顯優(yōu)于前者，網(wǎng)絡(luò)將注意力擴(kuò)散至車輛整體架構(gòu)，對于車身能夠整體覆蓋；在上下采樣后同時(shí)添加CBAM，突出重點(diǎn)位置基本與圖9（d）相似，但是覆蓋面積更為廣泛，效果更好。

4.5.3最終模型實(shí)驗(yàn)分析

為探究各改進(jìn)模塊對最終模型檢測效果的影響，在寧夏高速公路車輛數(shù)據(jù)集上進(jìn)行了以下實(shí)驗(yàn)：實(shí)驗(yàn)1.基準(zhǔn)模型（YOLOv5s）；實(shí)驗(yàn)2.加入卷積注意力殘差單元；實(shí)驗(yàn)3.加入卷積金字塔網(wǎng)絡(luò)；實(shí)驗(yàn)4.同時(shí)添加卷積注意力殘差單元和卷積注意力金字塔網(wǎng)絡(luò)。結(jié)果如表6所示。

在4.5.1和4.5.2節(jié)中詳細(xì)分析了引入卷積注意力殘差單元和卷積注意力金字塔網(wǎng)絡(luò)的效果，本實(shí)驗(yàn)主要關(guān)注同時(shí)融入兩者的影響。從表6中可知，實(shí)驗(yàn)4通過同時(shí)在主干特征提取網(wǎng)絡(luò)和特征融合網(wǎng)絡(luò)中加入CBAM模塊，分別用于提取關(guān)鍵特征和融合關(guān)鍵信息，最終檢測精度達(dá)到了91.2%，相較于基準(zhǔn)模型提升4.1%；在檢測速度方面，由于添加了CBAM模塊，導(dǎo)致網(wǎng)絡(luò)參數(shù)略微增加，F(xiàn)PS降低為75，但與原模型差距不大，仍能保持實(shí)時(shí)檢測。因此，本文改進(jìn)模型能夠在兼顧檢測速度的同時(shí)，提升了檢測精度，更能滿足實(shí)際車輛目標(biāo)檢測場景。本文模型對寧夏高速公路數(shù)據(jù)集中的Car、Van、Truck和Bus四類車型進(jìn)行檢測，效果如圖10所示。由圖10可知，本文方法能夠?qū)⒆⒁饬性谲囕v目標(biāo)的關(guān)鍵部位，如車頭、車身以及車頂?shù)龋渲蠧ar和Truck效果最佳，基本可將車輛整體進(jìn)行覆蓋；Bus和Van可覆蓋主要車身部分，但對于車頭注意力較弱，主要由于數(shù)據(jù)量相對較少，特征提取不充分。

表6 最終算法消融實(shí)驗(yàn)Tab.6 Final algorithm ablation experiment

圖10 特征融合結(jié)果Fig10 Feature fusion results

4.6 車輛目標(biāo)檢測結(jié)果

為直觀表述本文方法在不同道路環(huán)境下的有效性，選取寧夏高速公路測試集中普通道路、分岔路口、收費(fèi)站、盤山公路、隧道和高架橋等不同道路場景進(jìn)行定性分析測試，并將本文模型與主流實(shí)時(shí)目標(biāo)檢測算法進(jìn)行對比。檢測效果如圖11所示，每組依次為原圖、SSD、YOLOv3、YOLOv4、YOLOv5s和 本 文算法。

圖11 寧夏高速公路車輛測試集上的效果圖Fig.11 Renderings on Ningxia expressway vehicle test sets

通過對比發(fā)現(xiàn)，在普通道路、分岔路口和收費(fèi)站口場景下，各算法均能正確檢測出車輛類別，主要原因是道路情況較為簡單，數(shù)據(jù)集中Truck和Car標(biāo)簽充足，但本文方法檢測得分更高；在盤山公路場景下，SSD出現(xiàn)漏檢車輛Car，其余算法均能正確檢測出目標(biāo)；在隧道中，SSD算法再次出現(xiàn)漏檢現(xiàn)象，并且各算法均將Van誤檢為Truck，主要原因在于Van的特征與Truck相似、不易區(qū)分，而本文算法通過卷積注意力機(jī)制模塊的添加則能很好學(xué)習(xí)車輛細(xì)節(jié)特征，最終正確檢測出車輛類別；在高架橋中，SSD和YOLOv3將Van分 別 誤 檢 為Car和Bus并均存在漏檢車輛，YOLOv4檢測正確但檢測精度較低，YOLOv5s則出現(xiàn)了重復(fù)標(biāo)簽現(xiàn)象，本文方法則取得了較高的檢測精度。

5 結(jié) 論

針對復(fù)雜高速場景下YOLOv5s算法細(xì)節(jié)特征學(xué)習(xí)能力弱、提取冗余信息過多和關(guān)鍵特征融合不充分等問題，本文提出了基于YOLOv5s的實(shí)時(shí)車輛目標(biāo)檢測模型，在YOLOv5s的殘差單元和金字塔網(wǎng)絡(luò)中加入卷積注意力機(jī)制模塊，通過動(dòng)態(tài)分配特征權(quán)重系數(shù)的方式，改善了上述問題。在自構(gòu)建的寧夏高速公路車輛數(shù)據(jù)集上進(jìn)行實(shí)驗(yàn)，通過評價(jià)指標(biāo)mAP、FPS和測試效果圖可知，相較于主流的實(shí)時(shí)目標(biāo)檢測算法，本文的改進(jìn)模型具有更好的檢測性能，但仍存在數(shù)據(jù)集不充分和極小目標(biāo)車輛檢測精度低等問題，因此在后續(xù)工作中將繼續(xù)擴(kuò)充數(shù)據(jù)集并提升極小目標(biāo)車輛的檢測精度。