郭克友，李 雪，楊 民

（北京工商大學(xué) 人工智能學(xué)院，北京 100048）

0 引言

隨著相關(guān)技術(shù)的發(fā)展，人們對交通監(jiān)控系統(tǒng)的需求不斷增加，安全輔助駕駛系統(tǒng)的技術(shù)也逐漸走進(jìn)大眾的視野。車輛目標(biāo)檢測是安全輔助駕駛領(lǐng)域極具挑戰(zhàn)的問題，該領(lǐng)域主要分為傳統(tǒng)目標(biāo)檢測算法和基于深度學(xué)習(xí)的檢測算法。

傳統(tǒng)目標(biāo)檢測方法主要分為三類：以高斯混合模型（Mixture Of Gaussians，MOG）［1］、MOG2［2］和幾何多重網(wǎng)格（Geometric MultiGid，GMG）［3］為代表的背景差分法；以兩幀差法［4］、三幀差法［5］為代表的幀差分法；以及利用相鄰兩幀中對應(yīng)的灰度保持不變原理評估二維圖像變化的光流場法［6］。然而，傳統(tǒng)目標(biāo)檢測算法存在魯棒性差、適應(yīng)性弱等缺陷［7］。

近年來，深度學(xué)習(xí)技術(shù)在目標(biāo)檢測等任務(wù)中取得了巨大的成就?；谏疃葘W(xué)習(xí)的目標(biāo)檢測主要分為兩大類［8］：1）基于區(qū)域建議的方法，這類算法的典型代表是R-CNN（Region Convolutional Neural Network）［9］、SPP-net（Spatial Pyramid Pooling network）［10］、Fast R-CNN［11］、Faster R-CNN［12］等；2）基于無區(qū)域建議的方法，這類方法主要采用回歸的思想，比較典型的算法如YOLO（You Only Look Once）、SSD（Single Shot multi-box Detector）［13］?；趨^(qū)域建議的方法精度高但速度慢，訓(xùn)練時(shí)間較長；基于無區(qū)域建議的方法準(zhǔn)確度低，對小物體的檢測效果較差，但速度快。

目前，應(yīng)用最廣泛的是YOLO 系列檢測算法。YOLOv1［14］的檢測速度非?？欤w移能力強(qiáng)，但是對很小的群體檢測效果不好；YOLOv2［15］經(jīng)多種改進(jìn)方法后，檢測速度得到大幅提升，但檢測精度提升效果并不明顯；YOLOv3［16］中提供了Darknet-53 以及輕量級的Tiny-Darknet 骨干網(wǎng)絡(luò)，使用者可根據(jù)需求選擇不同的骨干網(wǎng)絡(luò)，其靈活性使得它在實(shí)際的工程中受到了大家的青睞；YOLOv4［17］在傳統(tǒng)YOLO 的基礎(chǔ)上添加了許多實(shí)用技巧，實(shí)現(xiàn)了檢測速度和檢測精度的最佳權(quán)衡；YOLOv5 在性能上略弱于YOLOv4，但在靈活性以及速度上都遠(yuǎn)優(yōu)于YOLOv4。

為應(yīng)對復(fù)雜路況下車輛多目標(biāo)實(shí)時(shí)檢測的挑戰(zhàn)，本文選擇檢測精度和檢測速度較為平衡的YOLOv4 作為研究對象。為進(jìn)一步提高模型的檢測精度，并且使其能夠部署在移動端，提出一種輕量化的YOLOv4 交通信息實(shí)時(shí)檢測方法。由于現(xiàn)有的大型公開數(shù)據(jù)集對道路復(fù)雜場景的適用性不強(qiáng)，本文針對真實(shí)交通場景構(gòu)建了與之對應(yīng)的數(shù)據(jù)集，并在測試前對數(shù)據(jù)集進(jìn)行K-means++［18］聚類處理；除此之外，為提高檢測性能，對YOLOv4 網(wǎng)絡(luò)進(jìn)行修改，大幅提高車輛目標(biāo)的檢測速率。

1 改進(jìn)的YOLOv4

YOLOv4 網(wǎng)絡(luò)模型結(jié)構(gòu)如圖1 所示，它保留了YOLOv3 的Head 部分，將主干網(wǎng)絡(luò)修改為CSPDarkent53（Cross Stage Partial Darknet53），同時(shí)采用空間金字塔池化（Spatial Pyramid Pooling，SSP）擴(kuò)大感受野，PANet（Path Aggregation Network）作為Neck 部分，并使用了多種訓(xùn)練技巧，對激活函數(shù)和損失函數(shù)進(jìn)行了優(yōu)化，使YOLOv4 在檢測精度和檢測的速度方面均有所提升［19-20］。

圖1 YOLOv4網(wǎng)絡(luò)結(jié)構(gòu)Fig.1 Network structure of YOLOv4

CSPDarknet 作為YOLOv4 算法的主干網(wǎng)絡(luò)，經(jīng)特征融合后，輸出層的尺寸分別變?yōu)檩斎氤叽绲?/8、1/16、1/32。CSPDarknet53 將原有的Darkent53 中的殘差塊改為CSP 網(wǎng)絡(luò)結(jié)構(gòu)。CSP-DarkNet 在每組Residual block 加上一個(gè)Cross Stage Partial 結(jié)構(gòu)；并且，CSP-DarkNet 中還取消了Bottleneck的結(jié)構(gòu)，減少了參數(shù)使其更容易訓(xùn)練。

SPP 以及PANet 將主干網(wǎng)絡(luò)提取的特征圖進(jìn)行融合，SPP對全連接層前的卷積層進(jìn)行不同池化大小的池化，然后拼接，由此增加網(wǎng)絡(luò)感受野。PANet提出了一種bottom-up的信息傳播路徑增強(qiáng)方式，通過對特征的反復(fù)提取實(shí)現(xiàn)了了不同特征圖之間的特征交互。PANet 可以準(zhǔn)確地保存空間信息，有助于正確定位像素點(diǎn)，增強(qiáng)實(shí)例分割的過程。

最后，YOLOv4 Head 進(jìn)行大小為3×3 和1×1 兩次卷積，對特征層的3 個(gè)先驗(yàn)框進(jìn)行目標(biāo)及目標(biāo)種類的判別，并進(jìn)行非極大抑制處理和先驗(yàn)框調(diào)整，最后得到預(yù)測框。

為了進(jìn)一步提高模型的檢測速率，減少模型的參數(shù)量，本文對YOLOv4 檢測算法做如下改進(jìn)：由MobileNet-v3 構(gòu)成主干特征提取模塊，經(jīng)過特征提取后可以得到52×52、26×26、13×13 共3 個(gè)尺度的特征層，減少模型參數(shù)量；使用帶泄露修正線性單元（Leaky Rectified Linear Unit，LeakyReLU）激活函數(shù)代替MobileNet-v3 淺層網(wǎng)絡(luò)中的ReLU 激活函數(shù)，提高檢測精度；利用深度卷積網(wǎng)絡(luò)代替?zhèn)鹘y(tǒng)卷積網(wǎng)絡(luò)。下面對網(wǎng)絡(luò)結(jié)構(gòu)的設(shè)計(jì)和參數(shù)設(shè)置進(jìn)行闡述。

1.1 主干特征提取網(wǎng)絡(luò)

2019 年，Google 公司在MobileNet 的基礎(chǔ)上提出了MobileNet-v3 網(wǎng)絡(luò)，在保持輕量化的同時(shí)，MobileNet-v3 模型進(jìn)行了部分優(yōu)化，經(jīng)優(yōu)化后的MobileNet 模型衍生出MobileNet-v3-Large 和MobileNet-v3-Small 兩個(gè)版本。在ILSVRC（ImageNet Large Scale Visual Recognition Challenge）分類任務(wù)中：MobileNet-v3-Large 的準(zhǔn)確率與檢測速度相較于MobileNet-v2 模型分別提高了3.2% 和15%，MobileNetv3-Small 模型相較于MobileNet-v2 模型則分別提高了4.6%和5%；在COCO 數(shù)據(jù)集的檢測過程中，在滿足精度的同時(shí)，與使用MobileNet-v2 模型相比，MoboileNet-v3-Large 的檢測速率提升了25%［21］。MobileNet-v3 的整體結(jié)構(gòu)如圖2 所示。

圖2 MobileNet-v3結(jié)構(gòu)Fig.2 Structure of MobileNet-v3

MobileNet-v3 在核心構(gòu)架中引入了名為Squeeze-and-Excitation 的神經(jīng)網(wǎng)絡(luò)（SeNet），該網(wǎng)絡(luò)的核心思想是通過顯式建模網(wǎng)絡(luò)卷積特征通道之間的相互依賴關(guān)系來提高網(wǎng)絡(luò)的質(zhì)量，即通過學(xué)習(xí)來自動獲取每個(gè)特征通道的重要程度，并以此為依據(jù)提升有用的特征，抑制用處較小的特征。本文將MobileNet-v3 代替?zhèn)鹘y(tǒng)YOLOv4 的主干的網(wǎng)絡(luò)，以減少參數(shù)量，使模型更加輕量化。

1.2 深度可分離卷積

在深度可分離卷積出現(xiàn)之前，神經(jīng)網(wǎng)絡(luò)基本由不同尺度的卷積核堆疊而成，伴隨技術(shù)的發(fā)展，人們對網(wǎng)絡(luò)模型的精度要求不斷提高［22］。面對不斷增加的深度核模型參數(shù)量，為了在保證模型精度的情況減少參數(shù)量，2017 年谷歌公司提出了基于深度可分離卷積的MobileNet［23］，隨后提出了MobileNet-v2［24］、MobileNet-v3［25］系列網(wǎng)絡(luò)。

MobileNet-v3 使用深度可分離卷積代替標(biāo)準(zhǔn)卷積塊，深度可分離卷積（DepthWise Conv）由深度卷積和逐點(diǎn)卷積（PointWise Conv）組成，由此可大幅減少模型的理論參數(shù)（Params）和每秒峰值速度（FLoating-point Operations Per Second，F(xiàn)LOPs）。

設(shè)輸入數(shù)據(jù)為M×M×N，卷積核大小為K×K×P，設(shè)置步長為1，標(biāo)準(zhǔn)卷積操作利用卷積內(nèi)核提取特征，隨后將特征進(jìn)行組合產(chǎn)生新的表示效果［26］。如圖3（a）所示，此時(shí)，標(biāo)準(zhǔn)卷積的參數(shù)量為：

計(jì)算量為：

深度可分離卷積是將提取特征和結(jié)合特征分為深度卷積和逐點(diǎn)卷積兩步，如圖3（b）所示：在深度卷積過程中，主要對每一個(gè)輸入通道進(jìn)行一個(gè)卷積核的操作，然后利用1 ×1 的卷積將深度卷積的輸出結(jié)果結(jié)合到特征中；隨后通過1 × 1 卷積計(jì)算深度卷積的輸出線性特征組合為新的特征。深度卷積和1 × 1 卷積（逐點(diǎn)卷積）組成了深度可分離卷積［27］，其參數(shù)量為：

圖3 標(biāo)準(zhǔn)卷積與深度可分離卷積Fig.3 Standard convolution and depth separable convolution

計(jì)算量為：

兩種卷積對應(yīng)參數(shù)比為：

通過對比可知，深度可分離卷積與標(biāo)準(zhǔn)卷積相比更加高效，故本文用深度可分離卷積代替原始YOLOv4 網(wǎng)絡(luò)中的標(biāo)準(zhǔn)卷積，以提高檢測效率。

1.3 損失函數(shù)

MobileNet-v3 淺層部分利用線性整流單元（Rectified Linear Unit，ReLU）作為激活函數(shù)，該函數(shù)主要分為兩部分：在小于0 的部分，激活函數(shù)輸出為0；在大于0 的部分，激活函數(shù)的輸出為輸入，計(jì)算方法如式（7）。

該函數(shù)的收斂速度快，不存在飽和區(qū)間，在大于0 的部分梯度固定為1，能有效解決Sigmoid 中存在的梯度消失問題；但是當(dāng)一個(gè)巨大的梯度經(jīng)過ReLU 神經(jīng)元時(shí)，ReLU 函數(shù)將不具有激活功能，產(chǎn)生“Dead Neuron”現(xiàn)象。

為避免“Dead Neuron”現(xiàn)象發(fā)生，本文中MobileNet-v3 特征提取網(wǎng)絡(luò)采用帶泄露修正線性單元（Leaky Rectified Linear Unit，LeakyReLU）代替?zhèn)鹘y(tǒng)的ReLU 函數(shù)，該函數(shù)可有效地避免上述現(xiàn)象發(fā)生。其計(jì)算方式如下：

實(shí)際中，LeakyReLU 的α取值一般是0.01。在使用過程中，對于LeakyReLU 激活函數(shù)輸入小于零的部分，也可以計(jì)算得到梯度，而不是像ReLU 一樣值為0，由此可避免ReLU函數(shù)存在的梯度方向鋸齒問題。

2 數(shù)據(jù)集構(gòu)建

2.1 數(shù)據(jù)集的制作

本實(shí)驗(yàn)采用的數(shù)據(jù)集由搭載HP-F515 行車記錄儀的實(shí)驗(yàn)平臺在北京市內(nèi)真實(shí)道路場景下進(jìn)行采集，包括城市主干道、橋梁公路、信號岔口等。采集流程為：為模擬駕駛員真實(shí)駕駛情況，將行車記錄儀搭載于后視鏡處，行車路線全長11 km，行駛時(shí)間分別為15：00—17：00 和19：00—21：00，該時(shí)間段內(nèi)，測試路線車流量較大，存在部分擁堵路段。

對錄制的視頻進(jìn)行分幀，設(shè)置大小為1 920×1 080，并依據(jù)正常公路場景下的車輛目標(biāo)類型將車輛目標(biāo)分為3 種，分別是大型車（large vehicle）、中型車（medium）和小型車（compact car）。實(shí)驗(yàn)共計(jì)12 614 張圖片，并將標(biāo)簽分別設(shè)置為2、3、4，具體情況如表1 所示。

表1 三種目標(biāo)及其標(biāo)簽Tab.1 Three types of objects and their labels

2.2 性能測評指標(biāo)

目標(biāo)檢測中，常通過準(zhǔn)確率P（Precision）、召回率R（Recall），計(jì)算平均精度（Average Precision，AP），平均精度均值（mean Average Precision，mAP）作為目標(biāo)檢測的評價(jià)指標(biāo)，如式（9）～（11）所示：

其中：TP為檢測正確的目標(biāo)數(shù)量；FP為檢測錯誤的目標(biāo)數(shù)量；FN表示漏檢數(shù)量表示所有缺陷類別的AP 值總和；Nclass表示缺陷總類別數(shù)。

本文另選檢測速度作為模型性能的評價(jià)指標(biāo)之一，利用每秒可處理圖像幀數(shù)量（Frames Per Second，F(xiàn)PS）作為檢測速度的評價(jià)指標(biāo)。FPS 計(jì)算公式如下：

其中：Numfigure表述樣本檢測數(shù)量；TIME表示檢測耗費(fèi)的時(shí)間。

2.3 錨框優(yōu)化

K-means 算法隨機(jī)產(chǎn)生聚類中心，使得每次聚類效果不盡相同，進(jìn)而影響模型的檢測效果。為解決初始聚類中心不斷變化等問題，本文采用K-means++算法進(jìn)行先驗(yàn)框的計(jì)算。設(shè)本文數(shù)據(jù)集內(nèi)包含N個(gè)樣本，數(shù)據(jù)集表示為α={xi|xi=(xi1，xi2，xi3，L，xim)，i=1，2，…，N}，取集合α中k個(gè)數(shù)據(jù)作為初始的聚類中心點(diǎn)P={pj|pj=(pj1，pj2，pj3，L，pjm)，j=1，2，…，k}。通過式（13）可得樣本點(diǎn)xi到質(zhì)心pj在m維空間的歐氏距離d，隨后依據(jù)式（14）遍歷每個(gè)樣本數(shù)據(jù)被選為下一個(gè)聚類中心的概率C［28］。

重復(fù)上述步驟，直到選出k個(gè)聚類中心。分別計(jì)算樣本點(diǎn)數(shù)據(jù)xi到k個(gè)聚類中心的歐氏距離d，按照鄰近原則將樣本點(diǎn)歸類到距離其最近的聚類中心簇中，取聚類中心簇內(nèi)的樣本點(diǎn)，計(jì)算均值用來表示聚類中心，經(jīng)過迭代，計(jì)算誤差平方和，直到ISSE取最小值。其中ISSE又稱為畸變程度，ISSE越小，表明畸變程度越低，簇內(nèi)樣本點(diǎn)的關(guān)系越緊密?；兂潭葧鶕?jù)類別的增加而降低。

Si為樣本點(diǎn)xi的輪廓系數(shù)，b(xi)是xi到聚類中心簇的平均距離，a(xi)是b(xi)中的最小值。

St是樣本點(diǎn)輪廓系數(shù)的平均值，它反映了聚類的密集度和離散度，由式（17）可知，St介于0～1，St越大，表明類內(nèi)樣本的密集度越高，各類樣本的離散度越高，聚類效果越好。

K-Means++算法通過輪廓系數(shù)和ISSE的值得出分類效果最好的最佳簇類數(shù)量。對自制數(shù)據(jù)集重新聚類后得到9 組先驗(yàn)框?yàn)椋?0.84，43.92），（90.80，61.82），（26，87.25），（24.26，49.68），（51.35，189.15），（81.4，57.78），（38.16，38.13），（19.64，21.95），（90.7，124.8）。

3 實(shí)驗(yàn)與結(jié)果分析

3.1 實(shí)驗(yàn)環(huán)境配置

硬件配置為Intel Core i7-7700CPU @3.60 GHz，內(nèi)存為16 GB，GPU 為NVIDIA GeForce GTX1080Ti，深度學(xué)習(xí)框架為Pytorch1.2.0 版本；CUDA 版本為11.3；Python 版本為3.8.10。

本實(shí)驗(yàn)基于Pytorch 深度學(xué)習(xí)框架，數(shù)據(jù)集基于第2 章的數(shù)據(jù)預(yù)處理，訓(xùn)練過程為350 epoch，前50個(gè)epoch利用凍結(jié)網(wǎng)絡(luò)方式進(jìn)行訓(xùn)練，學(xué)習(xí)率為0.001；之后的300個(gè)epoch學(xué)習(xí)率為0.000 1，訓(xùn)練過程采用了退火余弦算法以及標(biāo)簽平滑。

3.2 改進(jìn)模型有效性評價(jià)

為驗(yàn)證改進(jìn)方法對YOLOv4 模型的性能影響，對上述4種改進(jìn)方法進(jìn)行消融實(shí)驗(yàn)，結(jié)果如表2 所示。其中：“√”表示在網(wǎng)絡(luò)實(shí)驗(yàn)中使用了該改進(jìn)策略，“—”表示未使用該策略。由表2 可知，將主干網(wǎng)絡(luò)替換為MobileNet-v3 后，權(quán)值文件大小由161 MB 變?yōu)榱?3.7 MB；通過利用深度可分離卷積代替原始YOLOv4 網(wǎng)絡(luò)中的標(biāo)準(zhǔn)卷積，大幅減少了網(wǎng)絡(luò)結(jié)構(gòu)中的參數(shù)量；輕量化后的模型與原模型相比，本文所提出輕量YOLOv4 算法的mAP 下降并不明顯，仍可以保持較好的性能。

表2 消融實(shí)驗(yàn)結(jié)果對比Tab.2 Comparison of ablation experimental results

3.3 性能評價(jià)

AP、Recall、Precision 和F1 結(jié)果如表3 所示。YOLOv4 算法獲得了90.64%的準(zhǔn)確率均值，91.6%的召回率均值，91.33%的F1 均值；輕量化的YOLOv4 算法獲得了92.9%準(zhǔn)確率均值，90.71%的召回率均值，92%的F1 均值。

表3 輕量化YOLOv4與其他YOLO算法對比Tab.3 Comparison of lightweight YOLOv4 and other YOLO algorithms

mAP 與FPS 結(jié)果如表4 所示，可以看出，當(dāng)輸入分辨率一致時(shí)，輕量化的YOLOv4 檢測算法在實(shí)時(shí)性上有所上升，雖然mAP 下降了0.76 個(gè)百分點(diǎn)，但是檢測速率提升了79%，不僅可以減少誤檢、漏檢還能保證檢測精度，提高檢測速度。

表4 網(wǎng)絡(luò)模型檢測速度及均值平均精度對比Tab.4 Comparison of detection speed and mAP

本文使用MobileNet-v3 和深度可分離卷積代替YOLOv4的主干網(wǎng)絡(luò)和標(biāo)準(zhǔn)卷積使計(jì)算量下降到1.1 × 107，檢測速度由原始47.74 FPS 升高至85.60 FPS。從以上分析可知，輕量化的YOLOv4 檢測算法相較于YOLOv4 檢測算法在保證檢測精度的同時(shí)，提高了檢測效率；但與同樣為輕量化系列的Tiny YOLOv4 以及YOLOx 相比在檢測速度方面仍有較大差距。

3.4 效果測試

為了進(jìn)一步直觀地展示本文算法的有效性，圖4、5 展示了原始YOLO 系列檢測算法和輕量化的YOLOv4 檢測算法在車輛目標(biāo)數(shù)據(jù)集的檢測結(jié)果。

圖4 是道路情況較為簡單（道路中的車輛不存在遮擋情況）時(shí)的檢測結(jié)果，可以看出三類檢測器對車輛目標(biāo)的檢測效果均良好：當(dāng)?shù)缆分谐霈F(xiàn)較多車輛，且車輛間不存在大量重疊和遮擋的情況下，檢測器的檢測效果相當(dāng)，均可檢測出道路中的中型車以及小型車；當(dāng)?shù)缆分谐霈F(xiàn)不完整車輛目標(biāo)、遮擋目標(biāo)和小目標(biāo)時(shí)，原始YOLOv4 檢測模型、Tiny YOLOv4 以及YOLOx模型對遠(yuǎn)處目標(biāo)的檢測效果比輕量化YOLOv4略差。

圖4 不存在重疊目標(biāo)時(shí)的檢測結(jié)果對比Fig.4 Comparison of detection results without overlapping targets

存在重疊目標(biāo)時(shí)的檢測結(jié)果如圖5 所示。通過圖5 的對比，面對道路車輛較多，且存在明顯遮擋現(xiàn)象的情況：原始YOLOv4 檢測算法可以檢測出1 個(gè)大型車，無法識別遠(yuǎn)處的車輛小目標(biāo)；Tiny YOLOv4 無法檢測出遠(yuǎn)處車輛小目標(biāo)；輕量化的YOLOv4檢測算法共測出2個(gè)車輛目標(biāo)，包含遠(yuǎn)處的小目標(biāo)車輛；YOLOx檢測器也可檢測出2個(gè)車輛目標(biāo)，但其檢測精確度不如輕量化的YOLOv4。當(dāng)車輛目標(biāo)數(shù)量增多，但車輛之間的重疊情況較少時(shí)，遠(yuǎn)處的小目標(biāo)可以在輕量化的YOLOv4 檢測模型中被測得，但是原始YOLOv4、Tiny YOLOv4以及YOLOx 都存在遠(yuǎn)處的重疊目標(biāo)的漏檢現(xiàn)象，其中Tiny YOLOv4檢測器漏檢情況較原始YOLOv4檢測器較為嚴(yán)重；當(dāng)?shù)缆分谐霈F(xiàn)柵欄等遮擋物且車輛目標(biāo)較多的情況下，原始YOLOv4 檢測器檢測出了2 個(gè)車輛小目標(biāo)，Tiny YOLOv4 檢測器僅檢測出1 個(gè)車輛小目標(biāo)，YOLOx 檢測出了3 個(gè)車輛目標(biāo)，面對遮擋目標(biāo)存在一定的漏檢情況，輕量化的YOLOv4 檢測器檢測出了3個(gè)近處目標(biāo)以及1個(gè)遠(yuǎn)處小目標(biāo)。

圖5 存在重疊目標(biāo)時(shí)的檢測結(jié)果對比Fig.5 Comparison of detection results with overlapping targets

為了對比三種模型算法針對不完整目標(biāo)和小目標(biāo)的檢測能力，選擇100 張含有大量重疊車輛目標(biāo)以及小目標(biāo)的圖片作為測試數(shù)據(jù)集，其檢測性能的對比如表5 所示，通過對比Recall、AP、F1 和Precision 值可看出，輕量化的YOLOv4 算法效果好于原始YOLOv4 和Tiny YOLOv4，略差于YOLOx。

表5 針對不完整目標(biāo)和小目標(biāo)的檢測效果對比Tab.5 Detection results comparison for incomplete targets and small targets

綜合上述分析可知，輕量化的 YOLOv4 模型和其他模型都可以準(zhǔn)確識別出近處的未被遮擋的完整目標(biāo)，但是在部分復(fù)雜路況下：原始YOLOv4 無法識別出近處的被遮擋目標(biāo)；Tiny YOLOv4 對近處的不完整目標(biāo)存在一定的漏檢，對于不完整的目標(biāo)、重疊目標(biāo)以及遠(yuǎn)處的小目標(biāo)的漏檢情況較為嚴(yán)重；YOLOx 面對遠(yuǎn)處遮擋小目標(biāo)存在一定的漏檢現(xiàn)象；但輕量化的YOLOv4 算法能準(zhǔn)確地識別出不完整目標(biāo)、重疊目標(biāo)以及遠(yuǎn)處的小目標(biāo)。

4 結(jié)語

本文提出了一種輕量化的YOLOv4 交通信息實(shí)時(shí)檢測算法，為模擬真實(shí)道路路況信息，利用行車記錄儀錄制不同時(shí)段的北京道路場景信息并制作相應(yīng)數(shù)據(jù)集，隨后利用K-Means++算法對錨框進(jìn)行聚類。使用MobileNet-v3 網(wǎng)絡(luò)代替YOLOv4 主干網(wǎng)絡(luò)，并將MobileNet-v3 網(wǎng)絡(luò)中的淺層激活函數(shù)替換為LeakyReLU 激活函數(shù)，最后將YOLOv4 中的標(biāo)準(zhǔn)卷積替換為深度可分離卷積降低運(yùn)算量。實(shí)驗(yàn)結(jié)果表明：輕量化的YOLOv4 檢測算法與原始YOLOv4 檢測算法相比，在檢測速率為85.6 FPS 時(shí)，mAP 值為94.24%，本文模型可以為原始YOLOv4 檢測算法進(jìn)行針對復(fù)雜場景下的重疊目標(biāo)、不完整目標(biāo)和小目標(biāo)提供輔助檢測；但本模型仍有改進(jìn)空間，如何提高檢測速率，并使用與更豐富的檢測場景是接下來待解決的問題。