李 妍，楊雨霖，朱 宇，王潤(rùn)民，周文帥

（1.長(zhǎng)安大學(xué) 信息工程學(xué)院，陜西 西安 710000；2.長(zhǎng)安大學(xué) 電子與控制工程學(xué)院，陜西 西安 710000；3. 河南中天高新智能科技股份有限公司，河南 鄭州 450000）

0 引 言

隨著汽車工業(yè)、人工智能、深度學(xué)習(xí)的迅速發(fā)展，智能交通系統(tǒng)的發(fā)展步伐也隨之加快。車輛的識(shí)別和分類是智能交通系統(tǒng)中的核心部分，其任務(wù)是確定目標(biāo)車的分類屬性[1-2]。起初車輛的分類大部分是利用硬件設(shè)備加人工篩查的方法進(jìn)行的，硬件設(shè)備包括地磁傳感器、激光雷達(dá)以及無線通信設(shè)備，先利用這些設(shè)備進(jìn)行車輛的檢測(cè)，隨后工作人員對(duì)篩查硬件設(shè)備檢測(cè)到的車輛信息進(jìn)行人為判斷、分類以實(shí)現(xiàn)車輛的分類，這種分類方法設(shè)備成本較高，且人工進(jìn)行圖片、視頻篩查會(huì)耗費(fèi)大量人力、時(shí)間，還容易發(fā)生誤判、誤分類，準(zhǔn)確率較低，不具有普適性。隨著圖像處理、機(jī)器學(xué)習(xí)[3]在交通方面的廣泛應(yīng)用，這種方法逐漸被淘汰。Saripan等人[4]提出了一種基于決策樹的車輛分類方法，該方法中用樹的結(jié)構(gòu)、樹的各個(gè)節(jié)點(diǎn)分別代表不同車輛外形上不同特征點(diǎn)的屬性，不同類別的車輛分別在樹的不同分支上體現(xiàn)，但是這種方法分類準(zhǔn)確性較低。Purohit等人[5]結(jié)合SVM和HOG兩種經(jīng)典的機(jī)器學(xué)習(xí)算法進(jìn)行車輛分類。實(shí)驗(yàn)結(jié)果表明，該方法在車輛分類的準(zhǔn)確率上相較于利用決策樹的方法有明顯的提高。該方法利用方向梯度直方圖對(duì)不同車輛的外觀進(jìn)行特征提取，根據(jù)提取后的特征利用支持向量機(jī)完成對(duì)車輛的分類，這種方法在復(fù)雜場(chǎng)景下效果并不是很好，抗噪聲能力較差，結(jié)果具有較大偏差。Shravani等人[6]基于貝葉斯理論構(gòu)建動(dòng)態(tài)貝葉斯網(wǎng)絡(luò)進(jìn)行車輛分類，在實(shí)驗(yàn)過程中發(fā)現(xiàn)只有在大規(guī)模的數(shù)據(jù)集上進(jìn)行實(shí)驗(yàn)才會(huì)使結(jié)果更好，這種方法取得了較好的效果，但是分類器培訓(xùn)時(shí)間過長(zhǎng)。近年來，隨著深度學(xué)習(xí)技術(shù)的發(fā)展，基于深度學(xué)習(xí)的方法在車輛分類問題上具有顯著優(yōu)勢(shì)?，F(xiàn)已對(duì)全國(guó)的ETC門架進(jìn)行了改造，并且進(jìn)行了全國(guó)聯(lián)網(wǎng)。同時(shí)，門架上的高速公路視頻監(jiān)控系統(tǒng)的逐漸升級(jí)，基于圖片和視頻的車輛檢測(cè)[7]、分類[8]的技術(shù)迅速發(fā)展。一種魯棒性好、檢測(cè)速度快、車型分類準(zhǔn)確率高、適用于高速公路場(chǎng)景的車輛分類方法在高速公路稽查系統(tǒng)中能夠發(fā)揮重要作用。

基于深度學(xué)習(xí)的目標(biāo)檢測(cè)方法可以分為以下幾類：（1）基于常規(guī)圖像分類的網(wǎng)絡(luò)，例如AlexNet[9]、VGG[10]、GoogleNet[11]以及ResNet[12]等；（2）基于區(qū)域識(shí)別問題的目標(biāo)塊檢測(cè)與分類的網(wǎng)絡(luò)，例如R-CNN[13]、Fast R-CNN[14]等；（3）基于回歸問題的目標(biāo)檢測(cè)及分類，例如YOLO[15]系列、SSD[16]系列。采用R-CNN、Fast R-CNN進(jìn)行車輛分類任務(wù)時(shí)，由于它們是兩步（Two-Stage）的分類網(wǎng)絡(luò)，即先檢測(cè)后分類，網(wǎng)絡(luò)結(jié)構(gòu)較為復(fù)雜導(dǎo)致需要機(jī)器進(jìn)行大量計(jì)算，耗費(fèi)時(shí)間較多，不能滿足在ETC門架下進(jìn)行實(shí)時(shí)檢測(cè)的要求；對(duì)于SSD網(wǎng)絡(luò)來說，由于SSD是基于VGG 16作為主干網(wǎng)絡(luò)的，雖然解決了實(shí)時(shí)性的問題，但是融合各部分卷積特征時(shí)，并沒有考慮各個(gè)卷積層之間的關(guān)系，所以SSD網(wǎng)絡(luò)的檢測(cè)精確率不高，存在誤檢、漏檢的問題；在YOLO的各個(gè)版本之中，YOLOv3[17]是一個(gè)相當(dāng)經(jīng)典的網(wǎng)絡(luò)，它在進(jìn)行檢測(cè)和分類時(shí)準(zhǔn)確度和檢測(cè)速度在同類網(wǎng)絡(luò)中屬于佼佼者，但也存在著目標(biāo)漏檢、誤檢、重復(fù)檢測(cè)的現(xiàn)象。

本文針對(duì)上述問題，對(duì)YOLOv3的網(wǎng)絡(luò)進(jìn)行改進(jìn)，提出一種基于改進(jìn)YOLOv3的高速公路稽查系統(tǒng)車輛分類的方法，解決了YOLOv3在車輛檢測(cè)和分類時(shí)存在的問題。改進(jìn)的算法可以在高速公路場(chǎng)景下實(shí)時(shí)、有效、準(zhǔn)確地完成對(duì)車輛的分類。

1 車輛分類

隨著我國(guó)公路運(yùn)輸?shù)母咚侔l(fā)展，高速公路的內(nèi)外環(huán)境發(fā)生了變化，針對(duì)高速公路上車輛的車型多樣化問題、高速公路運(yùn)輸情況變化問題、出現(xiàn)多種新型收費(fèi)技術(shù)問題，國(guó)家對(duì)現(xiàn)行的車型分類標(biāo)準(zhǔn)進(jìn)行了修訂。為滿足高速公路收費(fèi)的新發(fā)展要求，國(guó)務(wù)院辦公廳印發(fā)了《深化收費(fèi)公路制度改革取消高速公路省界收費(fèi)站實(shí)施方案》[17]，提出了調(diào)整貨車通行費(fèi)計(jì)費(fèi)方式、統(tǒng)一按車（軸）型收費(fèi)、修訂《收費(fèi)公路車輛通行費(fèi)車型分類》[18]標(biāo)準(zhǔn)等任務(wù)要求。《收費(fèi)公路車輛通行費(fèi)車型分類》（JT/T 489-2019）是2019年9月1日實(shí)施的一項(xiàng)中華人民共和國(guó)交通運(yùn)輸行業(yè)標(biāo)準(zhǔn)，歸口于全國(guó)交通工程設(shè)施（公路）標(biāo)準(zhǔn)化技術(shù)委員會(huì)。表1為各類車輛的分類標(biāo)準(zhǔn)。

表1 收費(fèi)公路車輛通行費(fèi)客車車型分類

做好高速公路車輛類型分類，是推進(jìn)高速公路取消省界收費(fèi)站、實(shí)現(xiàn)不停車快捷收費(fèi)的有效途徑，將進(jìn)一步提高綜合交通運(yùn)輸網(wǎng)絡(luò)運(yùn)行效率、降低物流成本。在高速公路的實(shí)際場(chǎng)景下，采用ETC門架上的攝像頭對(duì)車輛信息進(jìn)行采集有局限性，只能采集車頭和車尾的圖片信息，對(duì)車輛側(cè)身的信息采集不到。本文設(shè)計(jì)了一種改進(jìn)的YOLOv3方法，利用在ETC門架上提取到的有限的車輛圖片信息實(shí)現(xiàn)對(duì)車輛類別的大體劃分。

2 YOLOv3網(wǎng)絡(luò)

YOLOv3首先將高速公路門架上拍攝的圖像尺寸縮放為416×416，接著將這些圖像送入YOLOv3中Darknet-53主干網(wǎng)絡(luò)進(jìn)行車輛外觀特征的提取。在Darknet-53主干網(wǎng)絡(luò)中，每一個(gè)卷積塊都會(huì)基于輸入車輛圖片提取到的特征信息生成不同尺寸的特征圖。得到的特征圖會(huì)在圖像上劃分s×s個(gè)網(wǎng)格，若某個(gè)被檢測(cè)車輛的中心落在劃分的網(wǎng)格中，則該網(wǎng)格就負(fù)責(zé)對(duì)當(dāng)前車輛進(jìn)行預(yù)測(cè)，最終再通過Softmax分類器對(duì)車輛進(jìn)行分類，并輸出結(jié)果。圖1為YOLOv3的預(yù)測(cè)流程。

圖1 YOLOv3預(yù)測(cè)流程

2.1 改進(jìn)YOLOv3模型結(jié)構(gòu)

圖2是改進(jìn)YOLOv3網(wǎng)絡(luò)模型結(jié)構(gòu)，主要由卷積塊、殘差塊和殘差組件構(gòu)成。

圖2 改進(jìn)YOLOv3網(wǎng)絡(luò)模型結(jié)構(gòu)

2.1.1 主干特征提取網(wǎng)絡(luò)

Darknet-53網(wǎng)絡(luò)中一共有2+（1×2）+1+（2×2）+1+（8×2）+1+（8×2）+1+（4×2）+1=53個(gè) 卷 積 層。 與YOLOv2[19]不同的是，YOLOv2的主干特征提取網(wǎng)絡(luò)是Darknet-19，而YOLOv3的主干特征提取網(wǎng)絡(luò)是Darknet-53。Darknet-53網(wǎng)絡(luò)的Top-1（第一個(gè)標(biāo)簽預(yù)測(cè)的正確率）的值達(dá)到了77.2，相較于Darknet-19網(wǎng)絡(luò)Top-1的值為74.1，有較為明顯的提升。同時(shí)YOLOv3的主干提取網(wǎng)絡(luò)中沒有最大池化層Maxpool，取而代之的是殘差結(jié)構(gòu)Residual；在Darknet-53網(wǎng)絡(luò)中所有的下采樣基本上都是通過卷積來實(shí)現(xiàn)的，所以提升了檢測(cè)效果。其結(jié)構(gòu)如圖2中的Darknet-53主干網(wǎng)絡(luò)所示。Darknet53結(jié)構(gòu)相較于Resnet較為簡(jiǎn)單，共進(jìn)行了53次卷積操作和5次下采樣操作。

由圖2中的卷積塊示意圖可以看出，網(wǎng)絡(luò)中卷積塊由卷積、批量歸一化BN（Batch Normalization）和Leaky ReLU激活函數(shù)三部分構(gòu)成。在本文中，為了提高車輛分類的精度對(duì)激活函數(shù)進(jìn)行了改進(jìn)，由原來的Leaky ReLU激活函數(shù)換成了Mish激活函數(shù)。如圖2所示，殘差塊和殘差組件構(gòu)成了殘差結(jié)構(gòu)，在殘差結(jié)構(gòu)中主分支為一個(gè)1×1的卷積層，再通過一個(gè)3×3的卷積層，最后將輸入進(jìn)殘差結(jié)構(gòu)“捷徑”分支上的輸出和主分支上的輸出相加得到最終的輸出。

2.1.2 預(yù)測(cè)特征層的輸出

在YOLOv3中第一個(gè)預(yù)測(cè)特征層是從Darknet53中去平均池化層和全連接層之后的一個(gè)結(jié)構(gòu)，此時(shí)輸出的預(yù)測(cè)圖大小是13×13，接著會(huì)通過一個(gè)Convolutional Set，如圖2所示，在Convolutional Set中有5個(gè)卷積層堆疊在一起。通過Convolutional Set的一條分支再通過一個(gè)3×3的卷積就得到了第一張預(yù)測(cè)特征圖（大小為13×13），最后使用一個(gè)距離和大小為1×1的預(yù)測(cè)器在預(yù)測(cè)圖上進(jìn)行預(yù)測(cè)，這就是預(yù)測(cè)特征層一；另外一個(gè)分支通過一個(gè)1×1的卷積，再通過一個(gè)上采樣層，通過上采樣之后圖的高和寬會(huì)擴(kuò)大為原來的兩倍（由13×13變成了26×26），擴(kuò)大之后它會(huì)與Darknet53當(dāng)中通過8個(gè)殘差結(jié)構(gòu)輸出為26×26大小的圖進(jìn)行深度方向的拼接，將拼接之后得到的特征矩陣再經(jīng)過Convolutional Set進(jìn)行處理，同樣一個(gè)分支通往預(yù)測(cè)特征層二；另外一個(gè)分支繼續(xù)通過一個(gè)1×1的卷積再進(jìn)行上采樣（由26×26變?yōu)?2×52），接著再和Darknet53當(dāng)中通過8個(gè)殘差結(jié)構(gòu)輸出為52×52大小的圖進(jìn)行深度方向的拼接，將拼接之后得到的特征矩陣再經(jīng)過Convolutional Set進(jìn)行處理，同樣一個(gè)分支通往預(yù)測(cè)特征層三。預(yù)測(cè)特征圖一為13×13，所以在預(yù)測(cè)特征層一上預(yù)測(cè)相對(duì)較大的目標(biāo)。預(yù)測(cè)特征圖二的大小為26×26，所以在這個(gè)特征圖上預(yù)測(cè)尺度中等的目標(biāo)。最后一個(gè)預(yù)測(cè)特征層的細(xì)膩度最高，它的大小是52×52，所以在預(yù)測(cè)特征圖三上預(yù)測(cè)小目標(biāo)。

2.1.3 激活函數(shù)的改進(jìn)

深度學(xué)習(xí)能夠取得如今的成績(jī)不僅因?yàn)槠浒藘?yōu)秀的卷積結(jié)構(gòu)，還得益于激活函數(shù)的發(fā)展。因此一個(gè)性能優(yōu)良的激活函數(shù)在網(wǎng)絡(luò)中尤其重要。傳統(tǒng)的激活函數(shù)ReLU在深度學(xué)習(xí)中經(jīng)常被使用，ReLU可以對(duì)先進(jìn)的深度網(wǎng)絡(luò)進(jìn)行完全監(jiān)督的訓(xùn)練。當(dāng)ReLU函數(shù)的輸入為正時(shí)，梯度能夠正常流動(dòng)；輸入為負(fù)時(shí)，稀疏度增加。稀疏激活只激活網(wǎng)絡(luò)中的部分神經(jīng)元，ReLU的稀疏激活只激活正值，不激活網(wǎng)絡(luò)中的負(fù)值神經(jīng)元，阻止了負(fù)值的傳播，會(huì)導(dǎo)致網(wǎng)絡(luò)無法從負(fù)值中學(xué)習(xí)參數(shù)。如圖3（a）所示，激活函數(shù)ReLU對(duì)于小于0的值，神經(jīng)元的梯度永遠(yuǎn)都會(huì)是0，會(huì)導(dǎo)致神經(jīng)元失活，權(quán)重不再更新，阻礙網(wǎng)絡(luò)學(xué)習(xí)。在實(shí)際操作中，若learning rate很大，很可能網(wǎng)絡(luò)中有較多的神經(jīng)元失活，即使是較小的learning rate，這種情況也很有可能發(fā)生。為了解決ReLU函數(shù)這個(gè)缺點(diǎn)，在負(fù)半軸引入一個(gè)泄露（Leaky）值，使得其不完全屏蔽掉負(fù)值，如圖3（b）所示，所以稱為L(zhǎng)eaky ReLU函數(shù)。Leaky ReLU的數(shù)學(xué)表達(dá)式為：

其中Leak是一個(gè)很小的常數(shù)，這樣保留了一些函數(shù)在負(fù)半軸的值，使得負(fù)半軸的信息不會(huì)全部丟失。

在YOLOv3中原本使用的激活函數(shù)為L(zhǎng)eaky ReLU。在本文中，為了再次提高車輛分類的精度對(duì)激活函數(shù)進(jìn)行了改進(jìn)，由原來的Leaky ReLU激活函數(shù)換成了YOLOv4中的Mish激活函數(shù)。Mish是光滑的非單調(diào)激活函數(shù)，可定義為：

2019年，Misra通過搜索技術(shù)構(gòu)造了Mish函數(shù)[20]。Mish函數(shù)圖像沒有上界，無飽和值，因此網(wǎng)絡(luò)中的正參數(shù)可以達(dá)到任意大。與Leaky類似的是，Mish也保留了部分負(fù)半軸的值，保證對(duì)網(wǎng)絡(luò)中負(fù)參數(shù)的輕微允許，使得網(wǎng)絡(luò)獲得更好的梯度。實(shí)驗(yàn)證明，平滑的激活函數(shù)可以使網(wǎng)絡(luò)更有效地學(xué)習(xí)數(shù)據(jù)的分布，得到更高的準(zhǔn)確性和泛化性[19]。因此Mish激活函數(shù)相較于Leaky ReLU激活函數(shù)更適合神經(jīng)網(wǎng)絡(luò)。Mish函數(shù)具有軟飽和的特點(diǎn)，該特點(diǎn)可以保證網(wǎng)絡(luò)在訓(xùn)練過程中不會(huì)由于零梯度的產(chǎn)生而使訓(xùn)練急劇減慢的現(xiàn)象發(fā)生。軟飽和的特點(diǎn)還具有較強(qiáng)的正則化效果，從而減少過擬合情況的發(fā)生。如圖3（c）所示，像Leaky ReLU一樣，理論上對(duì)負(fù)值也有一些取值，這樣能有更好的梯度流，而不是像ReLU中那樣零邊界。

圖3 激活函數(shù)圖像

2.2 目標(biāo)邊界框的預(yù)測(cè)

在YOLOv3中目標(biāo)邊界框預(yù)測(cè)采用的是和YOLOv2一樣的機(jī)制，在YOLOv3網(wǎng)絡(luò)中所預(yù)測(cè)的有關(guān)目標(biāo)中心點(diǎn)的回歸參數(shù)并不是相對(duì)于Anchor的，而是相對(duì)于當(dāng)前的Gride Cell （網(wǎng)格）的左上角的點(diǎn)。當(dāng)一個(gè)1×1的卷積層滑動(dòng)到目標(biāo)中心點(diǎn)所在的Cell當(dāng)中，它會(huì)針對(duì)每一個(gè)Anchor模板預(yù)測(cè)四個(gè)回歸參數(shù)（tx，ty，tw，th）、一個(gè)目標(biāo)參數(shù)和對(duì)應(yīng)每一個(gè)類別的Score（分?jǐn)?shù)）。如圖4所示，圖中虛線所構(gòu)成的矩形框就是Anchor，圖中黑色粗實(shí)線所構(gòu)成的矩形框是網(wǎng)絡(luò)最終預(yù)測(cè)目標(biāo)的位置以及大小。

圖4 目標(biāo)邊界框預(yù)測(cè)

最終預(yù)測(cè)目標(biāo)的位置由以下公式計(jì)算得出：

其中：pw和ph分別為Anchor的寬度和高度；cx和cy分別為當(dāng)前的Gride Cell距離左上角的偏移量；Sigmoid(x)是一個(gè)常見的激活函數(shù)。得到的bx和by為最終預(yù)測(cè)目標(biāo)中心點(diǎn)的(x,y)坐標(biāo)，bw和bh分別為最終預(yù)測(cè)網(wǎng)絡(luò)的寬度和高度。

3 實(shí)驗(yàn)及結(jié)果分析

3.1 數(shù)據(jù)集創(chuàng)建

本實(shí)驗(yàn)利用京港澳高速公路路段上收集的來自ETC門架上的圖片信息進(jìn)行數(shù)據(jù)集的創(chuàng)建，同時(shí)根據(jù)《收費(fèi)公路車輛通行費(fèi)車型分類》文件對(duì)數(shù)據(jù)集上的車輛圖片進(jìn)行車輛類別的劃分：9座以及9座以下轎車為type I，9座以上車輛、貨車及專項(xiàng)作業(yè)車為type II。為了得到可靠的訓(xùn)練模型，數(shù)據(jù)集通過ETC門架上的攝像頭收集到了車輛圖片56 553張，去除雨雪天氣和分辨率低的圖片，可供訓(xùn)練的車輛訓(xùn)練集圖片共有2 300張，其中驗(yàn)證集占數(shù)據(jù)集的9%。數(shù)據(jù)集中包括各種主要的場(chǎng)景（如黑夜、白天）、車輛品牌（奧迪、奔馳、大眾、比亞迪、寶馬、尼桑等）、車型條件（普通客車、大面包車、旅游大巴、大型卡車、大型拉土車、專項(xiàng)作業(yè)車等）、車身的遠(yuǎn)近視角、車身的平視視角和俯視視角等。圖5所示為數(shù)據(jù)集中部分車輛圖片。

圖5 數(shù)據(jù)集中部分車輛圖片

本實(shí)驗(yàn)利用Labelimg軟件，對(duì)數(shù)據(jù)集中車輛圖片內(nèi)車輛的實(shí)際位置進(jìn)行了人為標(biāo)注（如圖6所示），類別有普通私家車、越野車、小型面包車、大型客車、大型貨車等，標(biāo)注后的文件轉(zhuǎn)換為“.txt”文本文檔的格式保存在訓(xùn)練集中，以供訓(xùn)練使用。

圖6 Labelimg軟件標(biāo)注

3.2 實(shí)驗(yàn)環(huán)境

本實(shí)驗(yàn)環(huán)境基于Windows，用Python編寫，使用Tensor flow1.14深度學(xué)習(xí)框架，硬件CPU處理器為Intel（R）Core（TM） i7-7700K CPU @4.20 GHz，GPU 為 NVIDIA GTX1080ti。

3.3 模型訓(xùn)練

在訓(xùn)練神經(jīng)網(wǎng)絡(luò)模型之前，需要對(duì)訓(xùn)練中的各個(gè)參數(shù)進(jìn)行設(shè)定，超參數(shù)的值會(huì)對(duì)訓(xùn)練的結(jié)果產(chǎn)生很大的影響。模型訓(xùn)練參數(shù)設(shè)置見表2所列。開始神經(jīng)網(wǎng)絡(luò)訓(xùn)練時(shí)，開啟學(xué)習(xí)率余弦下降、GPU加速和標(biāo)簽平滑的操作，使得訓(xùn)練之后得到的模型是最優(yōu)模型。在模型訓(xùn)練結(jié)束后，對(duì)測(cè)試集中的207張圖片進(jìn)行測(cè)試，并計(jì)算真實(shí)值。最后對(duì)其各項(xiàng)指標(biāo)進(jìn)行計(jì)算。

表2 模型訓(xùn)練參數(shù)設(shè)置

3.4 實(shí)驗(yàn)結(jié)果

在對(duì)車輛分類訓(xùn)練后所得到的模型進(jìn)行評(píng)估時(shí)，衡量模型的指標(biāo)一般采用精確率P（Precision）和召回率R（Recall）。精確率是模型預(yù)測(cè)的所有目標(biāo)中預(yù)測(cè)正確的比例。召回率是所有真實(shí)目標(biāo)中模型預(yù)測(cè)正確的目標(biāo)比例。公式如下：

式中：TP（True Positives）表示正樣本被正確識(shí)別為正樣本的數(shù)量；FP（False Positives）表示負(fù)樣本被錯(cuò)誤識(shí)別為正樣本的數(shù)量；FN（False Negatives）表示正樣本被錯(cuò)誤識(shí)別為負(fù)樣本的數(shù)量。

由圖7中的精確率-召回率曲線可知，曲線位置越靠近右上方，算法的精確度就越高；且在算法改進(jìn)后不同類型車輛的精確率均高于原始算法。

圖7 改進(jìn)前后各類型車輛的精確率-召回率曲線

F1的值由公式（11）計(jì)算可得，其中P為精確率，R為召回率。該分值越高表明該算法越優(yōu)秀。表3為改進(jìn)前后YOLOv3檢測(cè)模型的各類指標(biāo)統(tǒng)計(jì)。

表3 評(píng)價(jià)指標(biāo)統(tǒng)計(jì)

本文采用 mAP（mean Average Precision） 指標(biāo)對(duì)訓(xùn)練結(jié)果進(jìn)行評(píng)估，其中AP是以P和R為兩個(gè)軸作圖所圍成的面積，m表示取平均值，即各類AP的均值。如圖8所示為算法改進(jìn)前后的mAP。

圖8 改進(jìn)前后的mAP值

圖8（a）表示改進(jìn)前的實(shí)驗(yàn)訓(xùn)練結(jié)果的mAP，圖8（b）表示采用本文所述方法優(yōu)化后的實(shí)驗(yàn)訓(xùn)練結(jié)果的mAP?？芍黝愜囕v都有較好的精度，整體驗(yàn)證集的mAP值由89.65%提高到了90.92%，能夠滿足實(shí)際應(yīng)用需要。

4 結(jié) 語

本文基于目標(biāo)檢測(cè)及分類中的YOLOv3模型，求出適合本文車輛數(shù)據(jù)集的Anchor Boxes 坐標(biāo)；并采用Mish激活函數(shù)代替YOLOv3中原來的激活函數(shù)Leaky ReLU。在自行收集并標(biāo)注好的數(shù)據(jù)集上進(jìn)行模型的訓(xùn)練與測(cè)試。實(shí)驗(yàn)結(jié)果表明，改良后的YOLOv3模型的性能得到了提升，車輛檢測(cè)準(zhǔn)確性較高，能夠滿足高速公路通行車輛分類的需要。