陳 超

（廣州鐵路職業(yè)技術(shù)學(xué)院，廣東 廣州 511300）

智慧軌道交通已經(jīng)成為現(xiàn)代城市交通管理的常見(jiàn)手段，圖像分析與識(shí)別在智慧軌道交通系統(tǒng)中至關(guān)重要。然而，圖像數(shù)據(jù)具有多樣性及交通場(chǎng)景的復(fù)雜性，傳統(tǒng)的圖像分析與識(shí)別方法存在效率低、準(zhǔn)確率低等問(wèn)題。而機(jī)器學(xué)習(xí)是一種強(qiáng)大、高效的方法與工具，為圖像分析與識(shí)別提供了新的思路與方向，可以通過(guò)深入處理與分析提取出海量交通場(chǎng)景圖像數(shù)據(jù)中的高價(jià)值信息，進(jìn)行道路標(biāo)志檢測(cè)與識(shí)別、行人檢測(cè)與跟蹤以及交通流量統(tǒng)計(jì)等。這不僅能顯著提高交通安全性與服務(wù)質(zhì)量，還能有效改善城市交通管理并促進(jìn)智慧軌道交通系統(tǒng)的發(fā)展。

1 案例背景

在智慧軌道交通背景下，機(jī)器學(xué)習(xí)在圖像分析與識(shí)別的具體應(yīng)用之一是道路標(biāo)志檢測(cè)與識(shí)別。某市智慧軌道交通系統(tǒng)需要精準(zhǔn)檢測(cè)與識(shí)別道路標(biāo)志，以實(shí)現(xiàn)道路狀況的實(shí)時(shí)監(jiān)測(cè)，從而為駕駛輔助與交通管理決策提供準(zhǔn)確的數(shù)據(jù)依據(jù)。該文為實(shí)現(xiàn)準(zhǔn)確、高效的道路標(biāo)志檢測(cè)與識(shí)別，使用基于U-Net網(wǎng)絡(luò)架構(gòu)與GCDA模塊的道路標(biāo)志檢測(cè)與識(shí)別算法，為某市智慧軌道交通系統(tǒng)提供一種可行、有效的解決方案，同時(shí)將宏平均指標(biāo)F1與Top1準(zhǔn)確性作為評(píng)估模型性能的指標(biāo)，借助GCDA模塊來(lái)提高道路標(biāo)志檢測(cè)與識(shí)別的魯棒性與準(zhǔn)確性[1]。將該道路標(biāo)志檢測(cè)與識(shí)別算法應(yīng)用于該市智慧軌道交通系統(tǒng)中，該市智慧軌道交通系統(tǒng)可以及時(shí)、準(zhǔn)確地檢測(cè)與識(shí)別道路標(biāo)志，并實(shí)時(shí)監(jiān)測(cè)道路狀況，如危險(xiǎn)警示標(biāo)志、止/停車(chē)標(biāo)志及限速標(biāo)志，同時(shí)還提供了對(duì)應(yīng)的駕駛輔助功能，包括但不限于危險(xiǎn)預(yù)警、限速提醒等。另外，道路標(biāo)志檢測(cè)與識(shí)別還能夠有效支持交通管理決策，幫助相關(guān)部門(mén)與管理人員更好地完成違規(guī)檢測(cè)、交通流量監(jiān)控等工作。

2 機(jī)器學(xué)習(xí)在圖像分析與識(shí)別中的應(yīng)用

2.1 機(jī)器學(xué)習(xí)算法及模型

2.1.1 監(jiān)督學(xué)習(xí)算法

監(jiān)督學(xué)習(xí)算法的基本原理是使用給定的輸入樣本及對(duì)應(yīng)標(biāo)簽來(lái)訓(xùn)練模型并預(yù)測(cè)未知數(shù)據(jù)的標(biāo)簽，其在圖像分析與識(shí)別的具體應(yīng)用中可完成圖像分類(lèi)與目標(biāo)檢測(cè)等任務(wù)。監(jiān)督學(xué)習(xí)算法較多，包括但不限于隨機(jī)森林、決策樹(shù)及支持向量機(jī)等。這些算法擁有不同特點(diǎn)與適用范圍，均能通過(guò)學(xué)習(xí)樣本與標(biāo)簽間的關(guān)系來(lái)構(gòu)建有效的分類(lèi)與監(jiān)測(cè)模型。

2.1.2 無(wú)監(jiān)督學(xué)習(xí)算法

無(wú)監(jiān)督學(xué)習(xí)算法旨在發(fā)現(xiàn)未標(biāo)記的數(shù)據(jù)中隱藏的結(jié)構(gòu)與模式，其在圖像分析與識(shí)別的具體應(yīng)用中可完成圖像分割與特征提取任務(wù)。與監(jiān)督學(xué)習(xí)算法相比，無(wú)監(jiān)督學(xué)習(xí)算法不需要事先標(biāo)注標(biāo)簽，可以通過(guò)學(xué)習(xí)數(shù)據(jù)內(nèi)在結(jié)構(gòu)與本身分布來(lái)自動(dòng)尋找與發(fā)現(xiàn)隱藏的模式和規(guī)律。無(wú)監(jiān)督學(xué)習(xí)算法也有很多種，如主成分分析、聚類(lèi)算法等，這些算法通過(guò)聚類(lèi)或降維處理圖像數(shù)據(jù)，將相似的特征或像素歸到一起，從而達(dá)到圖像分割和特征提取的目的。

2.1.3 深度學(xué)習(xí)算法

深度學(xué)習(xí)算法使用多層神經(jīng)網(wǎng)絡(luò)來(lái)完成圖像處理和特征提取，其在圖像分析與識(shí)別的具體應(yīng)用中可完成目標(biāo)檢測(cè)、圖像分類(lèi)與生成等任務(wù)。該文采用的是深度卷積神經(jīng)網(wǎng)絡(luò)（CNN）。作為一種特殊類(lèi)型的神經(jīng)網(wǎng)絡(luò)，CNN由全連接層、池化層以及卷積層等部分組成，并通過(guò)權(quán)值共享與局部感知視野的方式有效捕捉圖像中的空間特征。由于其具有較強(qiáng)的特征提取能力，因此被廣泛應(yīng)用于圖像分類(lèi)與目標(biāo)檢測(cè)等領(lǐng)域[2]。

2.2 數(shù)據(jù)收集與預(yù)處理

2.2.1 數(shù)據(jù)收集與數(shù)據(jù)集

為訓(xùn)練與客觀評(píng)估道路標(biāo)志檢測(cè)與識(shí)別模型，需要采集含有道路標(biāo)志的圖像數(shù)據(jù)，常見(jiàn)的采集方式包括現(xiàn)場(chǎng)拍攝，公共數(shù)據(jù)集獲取及合成數(shù)據(jù)集生成等，常用的道路標(biāo)志公共數(shù)據(jù)集有BelgiumTS、LISA Traffic Sign Dataset等。該文選用BelgiumTS數(shù)據(jù)集。該數(shù)據(jù)集包括多種顏色、類(lèi)型及形狀的道路標(biāo)志，可覆蓋各種實(shí)際場(chǎng)景。數(shù)據(jù)集中的每個(gè)圖像配備對(duì)應(yīng)的標(biāo)簽，如類(lèi)別、位置等。該數(shù)據(jù)集包括訓(xùn)練集與測(cè)試集，以便進(jìn)行模型訓(xùn)練與客觀評(píng)估[3]。

2.2.2 數(shù)據(jù)預(yù)處理

檢測(cè)與識(shí)別道路標(biāo)志前需要預(yù)處理采集的圖像數(shù)據(jù)，以提高模型的推理效果。主要步驟包括圖像去噪、尺寸調(diào)整、圖像增強(qiáng)及數(shù)據(jù)增強(qiáng)等。其中，圖像去噪是指使用去噪算法或?yàn)V波器來(lái)去除圖像數(shù)據(jù)中的干擾與噪聲；尺寸調(diào)整是指將圖像調(diào)整成統(tǒng)一固定的尺寸，以符合模型輸入的要求，通常借助插值方法來(lái)縮放或裁剪圖片；圖像增強(qiáng)是指使用亮度調(diào)整、直方圖均衡化及增加對(duì)比度等方法來(lái)增強(qiáng)圖像特征，以此提高模型檢測(cè)和識(shí)別道路標(biāo)志的能力；數(shù)據(jù)增強(qiáng)是指借助縮放、平移、翻轉(zhuǎn)及旋轉(zhuǎn)等操作，得到更多訓(xùn)練樣本，以增加數(shù)據(jù)集的數(shù)量與多樣性。數(shù)據(jù)預(yù)處理旨在通過(guò)統(tǒng)一圖像尺寸、減少噪聲及增強(qiáng)圖像特征來(lái)提高模型的泛化能力與魯棒性。

2.3 圖像分析與識(shí)別

2.3.1 圖像分類(lèi)

該文采用分組卷積與雙注意力機(jī)制進(jìn)行圖像分類(lèi)。其中，分組卷積負(fù)責(zé)將輸入特征圖劃分為若干個(gè)組并完成卷積操作，然后將各組輸出特征圖進(jìn)行拼接并輸出，以此增加特征的多樣性、減少計(jì)算量并提高網(wǎng)絡(luò)對(duì)輸入圖像的感知范圍，還有助于降低參數(shù)量與存儲(chǔ)量，使神經(jīng)網(wǎng)絡(luò)在資源有限的情況下也能進(jìn)行高效運(yùn)算[4]。分組卷積原理示意圖如圖1所示。

圖1 分組卷積示意圖

注意力機(jī)制在深度學(xué)習(xí)中有應(yīng)用廣泛。該文采用2種注意力機(jī)制，即空間注意力與通道注意力來(lái)處理輸入數(shù)據(jù)的空間維度與通道維度，以減少冗余信息并提取重要特征。為更好地融合這2種機(jī)制，該文引入卷積塊注意力模塊（CBAM），可以有選擇地關(guān)注不同空間和通道上的特征，從而更好地完成目標(biāo)區(qū)分。

卷積塊注意力模塊實(shí)現(xiàn)思路與步驟如下：1）定義空間注意力模塊，使用卷積層來(lái)處理輸入特征圖，得到相應(yīng)空間注意力圖。2）定義通道注意力模塊，利用全局平均池化層及全連接層來(lái)處理輸入特征圖的通道維度，從而得到相應(yīng)通道注意力圖。3）將通道注意力圖與空間注意力圖相乘后得到加權(quán)特征圖，再將加權(quán)后的特征圖作為卷積塊注意力模塊的輸出。另外，實(shí)現(xiàn)卷積塊注意力模塊的過(guò)程中，可以結(jié)合實(shí)際需求進(jìn)行優(yōu)化與調(diào)整，并結(jié)合數(shù)據(jù)集的特點(diǎn)與具體任務(wù)的復(fù)雜程度來(lái)選用合適的注意力機(jī)制、激活函數(shù)以及卷積層，與此同時(shí)還可以調(diào)整模塊的寬度、深度并添加跳躍連接，進(jìn)一步提升卷積塊注意力模塊的效果與性能。在圖像分析與識(shí)別中引入卷積塊注意力模塊，能夠更好地處理圖像通道信息與空間信息，從而顯著提高模型的準(zhǔn)確性與性能。應(yīng)用該注意力機(jī)制有助于高效提取關(guān)鍵特征，顯著減少冗余特征，并增強(qiáng)算法對(duì)目標(biāo)區(qū)域的感知能力[5]。

此外，有效結(jié)合雙重注意力融合網(wǎng)絡(luò)（DANet），可同時(shí)關(guān)注不同空間和通道上的特征，進(jìn)一步提高模型的性能。該文將GCDA模塊應(yīng)用于ResNet50的圖像分類(lèi)算法模塊中，顯著提高網(wǎng)絡(luò)在圖像特征方面的敏感度，大幅提升圖像分類(lèi)的準(zhǔn)確性。GCDA模塊的實(shí)現(xiàn)思路如下。1）全局上、下文感知。利用自適應(yīng)平均池化操作，將相應(yīng)輸入特征圖轉(zhuǎn)換成全局特征向量，從而捕捉全局上、下文信息。2）雙重注意力機(jī)制。使用全連接層、Sigmoid激活函數(shù)來(lái)處理全局特征，計(jì)算出全局上、下文感知權(quán)重。該權(quán)重可以選擇性地關(guān)注不同通道上的特征，從而提升網(wǎng)絡(luò)對(duì)重要特征的敏感度。3）特征加權(quán)。將輸入特征圖與全局上、下文感知權(quán)重相乘，獲得加權(quán)后的特征圖，如此能使網(wǎng)絡(luò)聚焦于感知權(quán)重較大的特征，以此有效提高特征的表達(dá)能力。

2.3.2 目標(biāo)檢測(cè)

目標(biāo)檢測(cè)是指準(zhǔn)確定位和識(shí)別圖像數(shù)據(jù)中感興趣的目標(biāo)物體。傳統(tǒng)目標(biāo)檢測(cè)方法通常使用手工設(shè)計(jì)的特征和分類(lèi)器，隨著深度學(xué)習(xí)的發(fā)展，基于CNN的目標(biāo)檢測(cè)方法取得了較大進(jìn)展。其中，最具代表性的方法有Fast R-CNN及R-CNN等。這些方法通過(guò)生成候選框，并對(duì)其進(jìn)行分類(lèi)與位置校正。具體而言，上述方法利用卷積神經(jīng)網(wǎng)絡(luò)（CNN）來(lái)提取圖像特征，并結(jié)合候選框的位置信息確定每個(gè)候選框中的物體類(lèi)別與位置，從而進(jìn)行高準(zhǔn)確率的目標(biāo)檢測(cè)。

2.3.3 圖像分割

圖像分割是將圖像數(shù)據(jù)劃分為若干具有語(yǔ)義信息的像素或區(qū)域的過(guò)程。傳統(tǒng)圖像分割方法需要手動(dòng)選擇特征與參數(shù)，效果會(huì)受復(fù)雜度與圖像質(zhì)量的限制。但隨著深度學(xué)習(xí)的發(fā)展，基于深度學(xué)習(xí)的圖像分割方法有了較大突破。該文選用的是U-Net。U-Net基于編碼－解碼結(jié)構(gòu)，網(wǎng)絡(luò)結(jié)構(gòu)形狀與字母“U”相似，使用編碼器提取圖像特征，再使用解碼器完成上采樣并生成分割結(jié)果。

2.3.4 語(yǔ)義分析

實(shí)際語(yǔ)義分包括涉及數(shù)據(jù)準(zhǔn)備、模型編譯、訓(xùn)練、評(píng)估、預(yù)測(cè)、后續(xù)處理以及分割結(jié)果評(píng)估等一系列步驟。首先，清洗和標(biāo)注原始數(shù)據(jù)，得到相應(yīng)的真實(shí)標(biāo)簽圖像，再將數(shù)據(jù)集劃分成訓(xùn)練與驗(yàn)證集。其次，定義損失函數(shù)和優(yōu)化器，同時(shí)編譯U-Net模型。再次，用訓(xùn)練數(shù)據(jù)集訓(xùn)練模型，使用驗(yàn)證數(shù)據(jù)集來(lái)客觀評(píng)估得到的模型，同時(shí)使用測(cè)試數(shù)據(jù)集完成模型預(yù)測(cè)，并得到相應(yīng)的分割圖像。從次，對(duì)預(yù)測(cè)結(jié)果進(jìn)行平滑邊緣、去噪等后續(xù)處理，得到最終的分割結(jié)果。最后，客觀評(píng)估分割結(jié)果，使用像素準(zhǔn)確率（PA）、均類(lèi)別像素準(zhǔn)確率（MPA）和平均交并比（MIU）等指標(biāo)來(lái)衡量模型的準(zhǔn)確性與性能。

該文使用U-Net網(wǎng)絡(luò)來(lái)完成圖像語(yǔ)義分割任務(wù)，利用一系列的卷積與池化操作來(lái)完成特征提取與上采樣，得到像素級(jí)別的分割結(jié)果。在U-Net網(wǎng)絡(luò)中，編碼器部分用于提取圖像數(shù)據(jù)中的低級(jí)特征信息，經(jīng)過(guò)多次卷積與池化操作，持續(xù)縮小圖像尺寸。解碼器部分則利用反卷積與上采樣層，將提取的特征信息恢復(fù)至原始圖像尺寸，并形成像素級(jí)別的分割結(jié)果。為充分使用不同層級(jí)的特征信息，將跳躍連接引入U(xiǎn)-Net網(wǎng)絡(luò)中，將編碼器與解碼器中相應(yīng)層級(jí)的特征進(jìn)行連接，以使神經(jīng)網(wǎng)絡(luò)可以同時(shí)使用低級(jí)與高級(jí)特征，從而提高分割準(zhǔn)確性[6]。U-Net網(wǎng)絡(luò)結(jié)構(gòu)簡(jiǎn)化圖如圖2所示。

圖2 U-Net網(wǎng)絡(luò)結(jié)構(gòu)簡(jiǎn)化圖

該文使用的U-Net網(wǎng)絡(luò)共5層，包括4次下采樣與4次上采樣操作，輸入與輸出圖像為512×512像素。每一次下采樣經(jīng)過(guò)卷積和池化操作后，圖像尺寸會(huì)減至一半，而每一次上采樣經(jīng)過(guò)反卷積與上采樣層，圖像尺寸會(huì)擴(kuò)大2倍。與此同時(shí)，在下采樣過(guò)程中增加2次4×4的最大池化層，分別處于第1層～第3層與第3層～第5層。通過(guò)使用U-Net網(wǎng)絡(luò)，可以從輸入圖像中高效提取有效特征，并得到像素級(jí)別的分割結(jié)果，此外，跳躍連接的設(shè)計(jì)使神經(jīng)網(wǎng)絡(luò)可以充分利用不同層級(jí)的特征信息，從而顯著提升分割準(zhǔn)確性。

2.4 算法實(shí)現(xiàn)與評(píng)估

該文基于U-Net網(wǎng)絡(luò)架構(gòu)、GCDA模塊，實(shí)現(xiàn)道路標(biāo)志檢測(cè)與識(shí)別算法，并利用訓(xùn)練數(shù)據(jù)集訓(xùn)練模型。在評(píng)估階段，通過(guò)計(jì)算得出各性能指標(biāo)，具體試驗(yàn)結(jié)果評(píng)價(jià)見(jiàn)表1，圖像分類(lèi)結(jié)果見(jiàn)表2。

表1 U-Net算法的試驗(yàn)結(jié)果評(píng)價(jià)

表2 圖像分類(lèi)結(jié)果

上述試驗(yàn)結(jié)果表明，該道路標(biāo)志檢測(cè)與識(shí)別算法平均準(zhǔn)確率高達(dá)92%，在智慧軌道交通中具有較好的性能與準(zhǔn)確性。上述試驗(yàn)與評(píng)估驗(yàn)證了該算法在智慧軌道交通場(chǎng)景中具有較好的可行性與有效性，能夠?yàn)橹腔劢煌ㄏ到y(tǒng)提供高效、準(zhǔn)確的道路標(biāo)志信息，可為交通安全控制、駕駛輔助系統(tǒng)及交通管理決策等提供有力的技術(shù)支撐。

3 應(yīng)用效果

某市智慧軌道交通系統(tǒng)應(yīng)用該道路標(biāo)志檢測(cè)與識(shí)別算法一段時(shí)間后，取得了顯著應(yīng)用效果。具體的應(yīng)用效果如下：在道路狀況監(jiān)測(cè)方面，系統(tǒng)可以準(zhǔn)確、有效地檢測(cè)與識(shí)別道路上的各種標(biāo)志，包括禁止停車(chē)標(biāo)志、限速標(biāo)志等，同時(shí)還支持駕駛輔助功能，如危險(xiǎn)預(yù)警等，顯著提高了駕駛安全性。在交通管理決策支持方面，系統(tǒng)能實(shí)時(shí)監(jiān)測(cè)道路狀況，幫助交通部門(mén)自動(dòng)完成違規(guī)檢測(cè)與交通流量監(jiān)控等工作。這些數(shù)據(jù)又可以作為優(yōu)化交通流量、制定合理交通管理策略的重要數(shù)據(jù)依據(jù)，大幅提升交通效率。在駕駛輔助功能方面，系統(tǒng)提供了必要的駕駛輔助功能，有效提高了駕駛員對(duì)道路狀況的認(rèn)知，大幅減少了交通事故的發(fā)生概率。在數(shù)據(jù)分析和統(tǒng)計(jì)方面，系統(tǒng)自動(dòng)分析和統(tǒng)計(jì)所檢測(cè)的道路標(biāo)志數(shù)據(jù)，并生成違規(guī)統(tǒng)計(jì)、交通狀況報(bào)告等信息，從而幫助交通部門(mén)與相關(guān)管理人員更好地完成規(guī)劃與決策。

4 結(jié)語(yǔ)

綜上所述，基于機(jī)器學(xué)習(xí)，智慧軌道交通系統(tǒng)能夠準(zhǔn)確地進(jìn)行圖像分析與識(shí)別，從而提高交通安全性與服務(wù)質(zhì)量。然而，機(jī)器學(xué)習(xí)在現(xiàn)有圖像分析與識(shí)別應(yīng)用中仍存在很多限制與問(wèn)題，如算法復(fù)雜性、計(jì)算資源需求以及圖像數(shù)據(jù)質(zhì)量/多樣性等。未來(lái)，將持續(xù)致力于改進(jìn)、優(yōu)化機(jī)器學(xué)習(xí)模型與算法，同時(shí)不斷探索其他先進(jìn)信息技術(shù)手段，如數(shù)據(jù)聯(lián)合與傳感器融合分析等，以提高算法的效率與準(zhǔn)確率，進(jìn)而提升智慧軌道交通系統(tǒng)的性能。