劉奧強(qiáng)，張旭

（201620 上海市 上海工程技術(shù)大學(xué) 機(jī)械與汽車工程學(xué)院）

0 引言

近年來，自動駕駛技術(shù)成為圖像領(lǐng)域的研究熱點(diǎn)之一。自動駕駛技術(shù)在減少交通事故、減緩交通擁堵、降低能耗、保護(hù)環(huán)境等方面具有巨大潛能，較好的分類識別模型可有效提高安全駕駛水平。在實(shí)際的道路場景中，路面狀態(tài)可分為：干燥路面、結(jié)冰路面、潮濕路面、積雪路面、泥濘路面等，且路面狀態(tài)受天氣、光照變化、運(yùn)動模糊等不利因素影響。傳統(tǒng)的圖像分類方法雖然能提取圖像特征對路面進(jìn)行一定的分類識別，但提取的特征準(zhǔn)確度不穩(wěn)定，且路面分類識別適應(yīng)性較差，因此路面狀態(tài)識別分類存在諸多待研究改進(jìn)的方面。

20 世紀(jì)80 年代，多層神經(jīng)網(wǎng)絡(luò)[1]這一概念被學(xué)者提出，LECUN[2-3]等人在文字識別中應(yīng)用卷積神經(jīng)網(wǎng)絡(luò)，減少了人工提取特征的工作量；KRIZHEVSKY[4-5]等人提出經(jīng)典卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，并在圖像識別任務(wù)上取得重要突破。近年來，CNN（Convolutional Neural Network）在許多鄰域發(fā)展迅速，在處理圖像目標(biāo)檢測[6]與分類等問題上表現(xiàn)優(yōu)越。在路面狀態(tài)分類識別方面，文獻(xiàn)[7]提出一種經(jīng)典的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，但網(wǎng)絡(luò)分類正確率較低；文獻(xiàn)[8]提出一種基于顏色空間特征的路面狀態(tài)識別方法；文獻(xiàn)[9]提出基于改進(jìn)支持向量機(jī)識別路面狀態(tài)，在混合路況識別率達(dá)到85%，但樣本量少。

深度學(xué)習(xí)受到眾多研究者喜愛，其中一個關(guān)鍵因素是網(wǎng)絡(luò)模型的不斷改進(jìn)和創(chuàng)新。神經(jīng)網(wǎng)絡(luò)的改進(jìn)會影響數(shù)據(jù)集特征提取的效果，因此，模型選擇是深度神經(jīng)網(wǎng)絡(luò)中重要的組成部分。

深度殘差網(wǎng)絡(luò)塊的優(yōu)化改進(jìn)，既能顯著增強(qiáng)特征提取的多樣性，又能有效減低訓(xùn)練誤差，因此本文在ResNet50 基礎(chǔ)上研究圖像分類識別，并進(jìn)一步研究殘差塊對圖像分類準(zhǔn)確率的影響，提出一種改進(jìn)的深度殘差網(wǎng)絡(luò)模型，并在路面狀態(tài)數(shù)據(jù)集上進(jìn)行實(shí)驗(yàn)研究。實(shí)驗(yàn)結(jié)果表明，改進(jìn)后的深度殘差網(wǎng)絡(luò)提高了分類的準(zhǔn)確度。

1 模型調(diào)整

在特定的任務(wù)中，選擇模型是不可忽視的重要環(huán)節(jié)，改變一些參數(shù)都可能對分類結(jié)果產(chǎn)生很大影響，所以本文以ResNet 為例研究模型調(diào)整的效果。

1.1 ResNet50 結(jié)構(gòu)

ResNet 網(wǎng)絡(luò)作為圖像分類的主流模型，其作用被研究者認(rèn)同，主要原因是其很深的層次結(jié)構(gòu)于分類識別領(lǐng)域有很大作用。

從階段2 開始，每個階段從下采樣塊開始，然后是幾個剩余塊。在下采樣塊中，有2 個路徑。左邊路徑具有3 個卷積，其卷積大小分別為1×1，3×3 和1×1，這是一個完整的瓶頸結(jié)構(gòu)；另一個路徑使用1×1 轉(zhuǎn)換，步長為2?？梢詫? 個路徑疊加求和，得到輸出。

ResNet網(wǎng)絡(luò)模型作為一個圖像分類大的框架，有很多變體，都是改變網(wǎng)絡(luò)模型的卷積層數(shù)，達(dá)到模型的深度結(jié)構(gòu)，更深的模型有ResNet152 等。

1.2 ResNet50 結(jié)構(gòu)調(diào)整

受ResNet 啟發(fā)，我們注意到下采樣塊的路徑B 中的1×1 卷積也忽略了3/4 的輸入特征映射，需要對其進(jìn)行修改，便不會忽略任何信息。經(jīng)驗(yàn)發(fā)現(xiàn)，在卷積前增加一個2×2 的平均匯集層，步長為2，步長變?yōu)? 在實(shí)踐中效果很好，對計(jì)算成本的影響很小。圖1 說明了這一調(diào)整。

圖1 改進(jìn)前后ResNet50 殘差塊結(jié)構(gòu)Fig.1 Resnet50 residuals block structure before and after Improvement

2 實(shí)驗(yàn)結(jié)果與分析

2.1 實(shí)驗(yàn)平臺及數(shù)據(jù)集

本文是在Windows 10（x64）操作系統(tǒng)下進(jìn)行仿真實(shí)驗(yàn)，選擇的軟件平臺為MATLAB R2020b。在GeForce GTX 880M GPU 工作站上運(yùn)行，結(jié)果證明對數(shù)據(jù)集的識別準(zhǔn)確率較高。

本文道路狀態(tài)數(shù)據(jù)采用牛津機(jī)器人數(shù)據(jù)集[10]和KITTI 數(shù)據(jù)集[11]，道路狀態(tài)分類如表1 所示。經(jīng)過視頻圖像預(yù)處理后，每類樣本各有1 000 幅圖像，訓(xùn)練數(shù)據(jù)800 幅，測試數(shù)據(jù)200 幅。實(shí)驗(yàn)流程如圖2 所示。

表1 道路狀態(tài)分類Tab.1 Road condition classification

圖2 路面狀態(tài)分類識別流程圖Fig.2 Flow chart of pavement condition classification and identification

選擇圖片中間軸線作為中心基面，前方選擇相應(yīng)的矩形像素點(diǎn)進(jìn)行分類識別。建立路面數(shù)據(jù)集后，圖像數(shù)據(jù)預(yù)處理經(jīng)過以下步驟：去除模糊圖像；應(yīng)用同態(tài)濾波對圖片光照強(qiáng)度統(tǒng)一化處理[12]；對路面狀態(tài)集中圖像標(biāo)簽標(biāo)定；最后將數(shù)據(jù)圖片放入深度學(xué)習(xí)模型中訓(xùn)練識別。本文所采用的CNN 網(wǎng)絡(luò)結(jié)構(gòu)示意圖如圖3 所示。

圖3 CNN 網(wǎng)絡(luò)結(jié)構(gòu)示意圖Fig.3 Schematic diagram of CNN network structure

2.2 不同方法實(shí)驗(yàn)對比分析

將本文的神經(jīng)網(wǎng)絡(luò)與AlexNet，VGG16，ResNet50 這3 種網(wǎng)絡(luò)模型進(jìn)行對比，并且加入SVM、BP 神經(jīng)網(wǎng)絡(luò)2 個傳統(tǒng)機(jī)器學(xué)習(xí)模型分析結(jié)果進(jìn)行比較。SVM 與BP 模型采用HVS 顏色空間特征和灰度共生矩陣特征，各模型實(shí)驗(yàn)平均準(zhǔn)確度分類結(jié)果如表2 所示。

表2 準(zhǔn)確率對比Tab.2 Comparison of accuracy

表2 展示了這6 種機(jī)器學(xué)習(xí)模型在路面狀態(tài)數(shù)據(jù)集中的分類識別結(jié)果。結(jié)果表明，改進(jìn)的深度殘差網(wǎng)絡(luò)達(dá)到了很好的分類準(zhǔn)確率。傳統(tǒng)的機(jī)器學(xué)習(xí)模型SVM 與BP 神經(jīng)網(wǎng)絡(luò)對于干燥的路面狀況識別效果較差，主要原因是光照強(qiáng)度改變但沒設(shè)置合適的特征用于模型的訓(xùn)練；SVM 模型適合小數(shù)據(jù)集（500 張圖片）的分類識別，故在該數(shù)據(jù)中訓(xùn)練沒達(dá)到最好的性能，且反映出傳統(tǒng)的SVM 模型不適用于智能駕駛系統(tǒng)。本文在深度殘差網(wǎng)絡(luò)的基礎(chǔ)上進(jìn)行了調(diào)整，增強(qiáng)了網(wǎng)絡(luò)對于路面狀態(tài)數(shù)據(jù)集的特征提取效果，從而驗(yàn)證了本文提出的網(wǎng)絡(luò)模型應(yīng)用于路面狀態(tài)分類識別的有效性。

3 結(jié)語

深度殘差網(wǎng)絡(luò)具有很強(qiáng)的分類學(xué)習(xí)能力，在解決圖像分類識別問題中具有優(yōu)秀的性能。本文選用深度學(xué)習(xí)的方法，結(jié)合改進(jìn)的深度殘差網(wǎng)絡(luò)和具有強(qiáng)大運(yùn)算能力的GPU，對常見的5 類路面狀態(tài)進(jìn)行分類識別。結(jié)果顯示：調(diào)整的深度殘差網(wǎng)絡(luò)具有較高的識別準(zhǔn)確率，本文的數(shù)據(jù)集中平均識別準(zhǔn)確率達(dá)到94.35%，且該網(wǎng)絡(luò)模型具有較好的推廣應(yīng)用能力。實(shí)驗(yàn)發(fā)現(xiàn)，提出改進(jìn)殘差網(wǎng)絡(luò)結(jié)構(gòu)的深度學(xué)習(xí)模型在參數(shù)和架構(gòu)上仍然具有提升的空間，所以將來在提高識別準(zhǔn)確率的圖像分析處理工作中，完善路面狀態(tài)數(shù)據(jù)集、改善網(wǎng)絡(luò)結(jié)構(gòu)和參數(shù)是下一個研究目標(biāo)。