改進(jìn)的Yolo_v2違章車(chē)輛檢測(cè)方法

張成標(biāo)，童寶宏，程 進(jìn)，張炳力，張 潤(rùn)

1.安徽工業(yè)大學(xué) 機(jī)械工程學(xué)院，安徽 馬鞍山 243002

2.合肥工業(yè)大學(xué) 汽車(chē)與交通工程學(xué)院，合肥 230009

1 引言

智能交通系統(tǒng)（Intelligent Traffic System，ITS）是未來(lái)檢測(cè)城市交通違章的有效手段，智能交通系統(tǒng)將先進(jìn)的信息技術(shù)、數(shù)據(jù)通信技術(shù)、傳感器技術(shù)、電子控制技術(shù)以及計(jì)算機(jī)技術(shù)有效地綜合運(yùn)用于整個(gè)交通管理體系[1-2]。車(chē)輛檢測(cè)利用傳感器技術(shù)與計(jì)算機(jī)技術(shù)是智能交通系統(tǒng)數(shù)據(jù)前端采集的一個(gè)重要環(huán)節(jié)。智能交通系統(tǒng)中的車(chē)輛檢測(cè)需要結(jié)合攝像頭、激光雷達(dá)、毫米波雷達(dá)等設(shè)備，而強(qiáng)大的視覺(jué)識(shí)別系統(tǒng)可以一定程度上替代昂貴的激光雷達(dá)與毫米波雷達(dá)的作用，降低檢測(cè)系統(tǒng)的成本[3-5]。目前基于視覺(jué)的車(chē)輛檢測(cè)主要是利用卷積神經(jīng)網(wǎng)絡(luò)對(duì)圖像中車(chē)輛與車(chē)牌進(jìn)行識(shí)別，并將檢測(cè)的車(chē)牌圖片提取出來(lái)傳輸?shù)結(jié)olo_v2-tiny 卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行識(shí)別[6-7]。

近年來(lái)隨著計(jì)算機(jī)視覺(jué)在車(chē)輛檢測(cè)的興起，基于卷積神經(jīng)網(wǎng)絡(luò)的車(chē)輛檢測(cè)也成為主流方法。目前主流的卷積神經(jīng)網(wǎng)絡(luò)主要有R-CNN、Fast R-CNN、Faster R-CNN、Yolo 等[7-8]。傳統(tǒng)的計(jì)算機(jī)視覺(jué)方法常用精心設(shè)計(jì)的手工特征（如SIFT、HOG）描述圖像，而深度學(xué)習(xí)的方法則倡導(dǎo)習(xí)得特征[8-13]。從圖像分類(lèi)任務(wù)的經(jīng)驗(yàn)來(lái)看，CNN網(wǎng)絡(luò)自動(dòng)習(xí)得的特征取得的效果已經(jīng)超出了手工設(shè)計(jì)的特征，發(fā)揮卷積網(wǎng)絡(luò)學(xué)習(xí)高質(zhì)量特征的能力。R-CNN的想法直接明了，即將檢測(cè)任務(wù)轉(zhuǎn)化為區(qū)域上的分類(lèi)任務(wù)，是深度學(xué)習(xí)方法在檢測(cè)任務(wù)上的試水[14]。之后Fast R-CNN 用RPN 網(wǎng)絡(luò)完成了檢測(cè)任務(wù)的“深度化”，使用滑動(dòng)窗口生成anchor box使得Faster R-CNN可以在單個(gè)GPU 上的速度提升到5 f/s[15]。由于對(duì)實(shí)時(shí)性的要求越來(lái)越高，Yolo 也應(yīng)運(yùn)而生，Yolo 的誕生標(biāo)志著單階段方法的開(kāi)始。它將檢測(cè)任務(wù)表述成一個(gè)統(tǒng)一的、端到端的回歸問(wèn)題，只處理一次圖片同時(shí)得到位置和分類(lèi)，大大提高了檢測(cè)實(shí)時(shí)性[16-18]。

目前傳統(tǒng)的違章檢測(cè)基于多傳感器融合或人工識(shí)別篩選圖像，增加了成本與人工的投入。本文將改進(jìn)的Yolo_v2卷積神經(jīng)網(wǎng)絡(luò)模型與車(chē)牌識(shí)別系統(tǒng)集成進(jìn)ROS（Robot Operating System）系統(tǒng)，并與QT-Creator 可視化界面進(jìn)行交互，做到實(shí)時(shí)對(duì)道路上違章車(chē)輛進(jìn)行檢測(cè)。

2 Yolo_v2卷積神經(jīng)網(wǎng)絡(luò)的改進(jìn)

2.1 原Yolo_v2卷積神經(jīng)網(wǎng)絡(luò)

Yolo_v2是基于回歸的目標(biāo)檢測(cè)方法，Yolo_v2借鑒了Yolo_v1以及SSD的網(wǎng)絡(luò)結(jié)構(gòu)。由于Yolo_v2將候選框提取、特征提取、目標(biāo)分類(lèi)、目標(biāo)定位統(tǒng)一于同一個(gè)卷積神經(jīng)網(wǎng)絡(luò)中，Yolo_v2 不僅訓(xùn)練過(guò)程中能夠?qū)崿F(xiàn)端到端的優(yōu)化，而且檢測(cè)過(guò)程耗時(shí)少，能夠滿足實(shí)時(shí)處理需求。Yolo_v2 相較于Yolo_v3 網(wǎng)絡(luò)結(jié)構(gòu)簡(jiǎn)單，并且在NVIDIA Jetson TX2開(kāi)發(fā)板上的實(shí)時(shí)性好，檢測(cè)速率可以達(dá)到30 f/s。

Yolo_v2 網(wǎng)絡(luò)包含了19 個(gè)卷積層和5 個(gè)最大池化層。為了壓縮特征的同時(shí)增加網(wǎng)絡(luò)深度，在3×3的卷積核之間加入1×1的卷積核，每次池化操作后將通道數(shù)翻倍。在每一層網(wǎng)絡(luò)前先對(duì)輸入的圖像數(shù)據(jù)進(jìn)行批量歸一化操作，可以有效提高準(zhǔn)確率（mAP）以及顯著改善收斂性，防止過(guò)擬合。

2.2 改進(jìn)Yolo_v2的網(wǎng)絡(luò)結(jié)構(gòu)

Yolo_v2 相對(duì)于Yolo 有效地提高了準(zhǔn)確率（mAP）以及檢測(cè)速率（FPS），但檢測(cè)經(jīng)常會(huì)出現(xiàn)漏檢、誤檢的情況。針對(duì)此問(wèn)題，在Yolo_v2 的基礎(chǔ)上增加殘差網(wǎng)絡(luò)結(jié)構(gòu)來(lái)提升對(duì)小目標(biāo)車(chē)輛的檢測(cè)精度，同時(shí)增加一個(gè)不同尺度的Yolo層對(duì)圖像中的目標(biāo)進(jìn)行多尺度預(yù)測(cè)[19-22]。因?yàn)樵黾恿藲埐罱Y(jié)構(gòu)與多尺度預(yù)測(cè)，Yolo_v2 網(wǎng)絡(luò)結(jié)構(gòu)變得厚重，對(duì)采集的路況視頻檢測(cè)速率只有16 f/s，因此在不降低準(zhǔn)確率的情況下，將原19 層卷積層縮減為14層，并每隔3層添加殘差網(wǎng)絡(luò)層，精簡(jiǎn)后的Yolo_v2結(jié)構(gòu)如表1所示。

表1 改進(jìn)Yolo_v2的網(wǎng)絡(luò)結(jié)構(gòu)

2.3 添加殘差網(wǎng)絡(luò)與多尺度層

本文中搭建的卷積神經(jīng)網(wǎng)絡(luò)是基于Yolo_v2的網(wǎng)絡(luò)結(jié)構(gòu)。為了使卷積神經(jīng)網(wǎng)絡(luò)加快收斂保留了Yolo_v2的池化層，極大地縮減了參數(shù)數(shù)量，并添加Yolo_v3的殘差網(wǎng)絡(luò)結(jié)構(gòu)來(lái)提高檢測(cè)精度。為了降低卷積過(guò)程的計(jì)算量，將兩個(gè)3×3的卷積層替換為兩個(gè)1×1卷積層與一個(gè)3×3的卷積層，如圖1所示。圖1左圖中是兩個(gè)3×3×256的卷積，參數(shù)數(shù)目為：3×3×256×256×2=1 179 648，右圖是第一個(gè)卷積層將256 通道降到了64 通道，最后通過(guò)1×1卷積層進(jìn)行恢復(fù)，整體的參數(shù)數(shù)目為：1×1×256×64+3×3×64×64+1×1×64×256=69 632。新的殘差結(jié)構(gòu)的參數(shù)數(shù)量比原殘差結(jié)構(gòu)的參數(shù)數(shù)量減少了16.94 倍，這使得訓(xùn)練速度得到加快[23-25]。添加改進(jìn)后的殘差網(wǎng)絡(luò)，在隨著訓(xùn)練時(shí)網(wǎng)絡(luò)深度的加深，訓(xùn)練錯(cuò)誤大大小于普通網(wǎng)絡(luò)訓(xùn)練時(shí)出現(xiàn)的錯(cuò)誤，錯(cuò)誤減少的同時(shí)準(zhǔn)確率也相對(duì)應(yīng)提高了。

圖1 改進(jìn)殘差結(jié)構(gòu)對(duì)比圖

卷積神經(jīng)網(wǎng)絡(luò)中較深層特征有很大的感受野以及豐富的語(yǔ)義信息。深層特征對(duì)于物體姿態(tài)、遮擋和局部變形等變化具有魯棒性，但由于分辨率的降低導(dǎo)致幾何細(xì)節(jié)信息丟失。相反淺層特征有很小的感受野和豐富的幾何細(xì)節(jié)信息，但分辨率較高，語(yǔ)義信息匱乏。在卷積神經(jīng)網(wǎng)絡(luò)中，物體的語(yǔ)義信息可以在不同層出現(xiàn)。對(duì)于小物體而言，淺層特征包含一些細(xì)節(jié)信息，隨著層數(shù)加深，所提取特征的幾何細(xì)節(jié)信息可能完全消失，所以通過(guò)深層特征檢測(cè)小物體就變得很困難，而對(duì)于大物體而言，它語(yǔ)義信息將出現(xiàn)在較深層特征中。如圖2 所示，在一張圖像中有完整的車(chē)輛、被遮擋的車(chē)輛以及小目標(biāo)車(chē)輛，為了使圖像中的車(chē)輛都能被標(biāo)記，在Yolo_v2的基礎(chǔ)上添加一個(gè)Yolo層來(lái)進(jìn)行多尺度預(yù)測(cè)，從而提取更全面的信息，既有全局的整體信息又有局部的詳細(xì)信息，同時(shí)對(duì)小目標(biāo)車(chē)輛也有很高的檢測(cè)準(zhǔn)確率，如圖3所示[22，26-28]。

圖2 被遮擋車(chē)輛示意圖

圖3 多尺度層結(jié)構(gòu)圖

2.4 設(shè)計(jì)激活函數(shù)

激活函數(shù)是深度神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)的核心所在，目前常見(jiàn)的激活函數(shù)主要有sigmoid 系的sigmoid、tanh 函數(shù)，Relu系的Relu、Lrelu函數(shù)等。但sigmoid系的函數(shù)在后向傳遞過(guò)程中會(huì)出現(xiàn)了梯度消失問(wèn)題，極大地降低訓(xùn)練速度[29-31]。

Relu函數(shù)能夠有效緩解梯度消失問(wèn)題，顯著提升了深度神經(jīng)網(wǎng)絡(luò)的性能。Elu激活函數(shù)是為解決Relu激活函數(shù)存在的問(wèn)題而提出，Elu既涵蓋了Relu的優(yōu)點(diǎn)，又避免了Dead relu（未被激活神經(jīng)元）問(wèn)題且輸出的均值接近0[32-34]。

基于Elu 激活函數(shù)設(shè)計(jì)激活函數(shù)Kelu（函數(shù)圖如圖4 所示），Kelu 激活函數(shù)包含了Elu 激活函數(shù)的優(yōu)點(diǎn)，Kelu 激活函數(shù)的處處可微保證了在優(yōu)化中梯度的可計(jì)算性，Kelu 激活函數(shù)不僅滿足處處可微，且在梯度變化的平滑性也優(yōu)于Elu 激活函數(shù)（如圖5 所示），這使得所有輸入的數(shù)據(jù)都會(huì)得到優(yōu)化。并且Kelu 激活函數(shù)在x＞ 0 的正半軸隨著x的增大f′(x)無(wú)限接近于1，不存在梯度爆炸現(xiàn)象，在x＜0 的負(fù)半軸保留了一些負(fù)軸的值，使得負(fù)軸信息不會(huì)全部丟失，正負(fù)信息的值與激活函數(shù)相應(yīng)橫坐標(biāo)下縱坐標(biāo)的值根據(jù)函數(shù)公式進(jìn)行運(yùn)算，使Kelu激活函數(shù)的輸出均值是接近于零的。Kelu激活函數(shù)公式如公式（1）所示：

圖4 Kelu激活函數(shù)圖

圖5 Elu激活函數(shù)圖

Kelu激活函數(shù)的導(dǎo)數(shù)公式如公式（2）所示：

由Elu 激活函數(shù)求導(dǎo)公式可得在x=0 點(diǎn)處1 ≠α，左右導(dǎo)數(shù)不同，從而導(dǎo)致Elu激活函數(shù)在x=0 不平滑，也導(dǎo)致在x=0 處附近部分參數(shù)的不可計(jì)算，從而丟失少部分?jǐn)?shù)據(jù)。

Elu激活函數(shù)公式如公式（3）所示：

對(duì)f(x)求導(dǎo)如公式（4）所示：

由于改進(jìn)后的Kelu 激活函數(shù)在x＞0 正半軸為指數(shù)運(yùn)算，計(jì)算機(jī)對(duì)指數(shù)運(yùn)算的時(shí)間要明顯大于非指數(shù)運(yùn)算。所以Kelu激活函數(shù)在卷積神經(jīng)網(wǎng)絡(luò)檢測(cè)中實(shí)時(shí)性要低于其他激活函數(shù)，但是應(yīng)用于交通違章檢測(cè)并不需要過(guò)高的實(shí)時(shí)性，達(dá)到每秒3幀的傳輸速率就可以精確地監(jiān)測(cè)違章。

在保證檢測(cè)速率的情況下，Kelu激活函數(shù)在檢測(cè)精度的表現(xiàn)都優(yōu)于Elu、Leaky-relu等激活函數(shù)。

3 數(shù)據(jù)集制作

3.1 多方位車(chē)輛數(shù)據(jù)集制作

本文檢測(cè)違章車(chē)輛是需要對(duì)道路上的不同形態(tài)的車(chē)輛進(jìn)行分類(lèi)檢測(cè)，如圖6所示。車(chē)輛的形態(tài)分為側(cè)前方（Side Front）、側(cè)后方（Side Behind）、正前方（Front）、正后方（Behind）、正側(cè)方（Side）五種類(lèi)型。為了增加卷積神經(jīng)網(wǎng)絡(luò)的泛化性，制作數(shù)據(jù)集的圖像來(lái)源于KITTI數(shù)據(jù)集、剪輯后的視頻圖像的車(chē)輛圖片，利用Labelimg軟件對(duì)圖片進(jìn)行標(biāo)注歸類(lèi)制作成數(shù)據(jù)集[35-37]。同時(shí)為了降低誤檢率，提高其背景區(qū)分能力，應(yīng)保證有適量的負(fù)樣本集，負(fù)樣本集是照片中不存在目標(biāo)車(chē)輛的背景圖片，所以在數(shù)據(jù)集中通過(guò)添加負(fù)樣本圖像來(lái)制作負(fù)樣本集。為了增強(qiáng)網(wǎng)絡(luò)模型的泛化能力，防止訓(xùn)練的網(wǎng)絡(luò)過(guò)擬合（Over-fitting），將圖像樣本作為訓(xùn)練數(shù)據(jù)輸入到網(wǎng)絡(luò)前，通過(guò)隨機(jī)旋轉(zhuǎn)、平移圖像以及改變圖像的飽和度、曝光和色調(diào)的方式，對(duì)訓(xùn)練集中的圖像實(shí)現(xiàn)擴(kuò)增，這樣不僅能得到更多的樣本，還能增強(qiáng)網(wǎng)絡(luò)模型對(duì)新數(shù)據(jù)樣本的判斷能力[35-37]。

圖6 車(chē)輛形態(tài)分類(lèi)圖

3.2 車(chē)牌數(shù)據(jù)集

在前節(jié)通過(guò)車(chē)輛形態(tài)識(shí)別出違章車(chē)輛的基礎(chǔ)上，需要對(duì)違章車(chē)輛進(jìn)行車(chē)牌提取。由于完整車(chē)牌數(shù)據(jù)集與被分割后的車(chē)牌數(shù)據(jù)集是分開(kāi)進(jìn)行訓(xùn)練，得到的是不同的權(quán)重文件，所以車(chē)牌數(shù)據(jù)集主要分為兩類(lèi)，分別是車(chē)牌完整數(shù)據(jù)集與車(chē)牌字符分割后的單個(gè)字符數(shù)據(jù)集[35-37]。完整的車(chē)牌圖像（如圖7所示）是車(chē)輛圖像經(jīng)過(guò)卷積神經(jīng)網(wǎng)絡(luò)檢測(cè)后被提取發(fā)送給車(chē)牌識(shí)別系統(tǒng)。完整車(chē)牌進(jìn)行字符分割后將七個(gè)單個(gè)字符圖片（如圖8所示）依次傳輸?shù)結(jié)olo_v2-tiny卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行識(shí)別。

圖7 完整車(chē)牌數(shù)據(jù)集

4 實(shí)驗(yàn)結(jié)果分析與應(yīng)用

4.1 實(shí)驗(yàn)環(huán)境搭建

本文實(shí)驗(yàn)環(huán)境如表2所示。

圖8 單個(gè)字符數(shù)據(jù)集

表2 實(shí)驗(yàn)環(huán)境

4.2 激活函數(shù)比較

選擇平均準(zhǔn)確率（mAP）、召回率（recall）、神經(jīng)網(wǎng)絡(luò)每秒檢測(cè)幀數(shù)（FPS）以及反映網(wǎng)絡(luò)收斂的Loss 曲線作為卷積神經(jīng)網(wǎng)絡(luò)模型優(yōu)劣的評(píng)價(jià)指標(biāo)。

首先選取原Yolo_v2 網(wǎng)絡(luò)作為基本框架，分別選取Leaky、Relu、Elu 激活函數(shù)對(duì)自制車(chē)輛多方位數(shù)據(jù)集進(jìn)行訓(xùn)練，利用訓(xùn)練的權(quán)重在測(cè)試集進(jìn)行批量檢測(cè)，通過(guò)得到的評(píng)價(jià)指標(biāo)來(lái)選取適合的激活函數(shù)；其次對(duì)Yolo_v2卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行改進(jìn)，分別添加了殘差網(wǎng)絡(luò)結(jié)構(gòu)與多尺度層，將選取的最優(yōu)激活函數(shù)搭載到改進(jìn)好的卷積神經(jīng)網(wǎng)絡(luò)中對(duì)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，利用訓(xùn)練權(quán)重在測(cè)試集測(cè)試得到相關(guān)評(píng)價(jià)指標(biāo)，如表3所示。

表3 不同激活函數(shù)訓(xùn)練后的評(píng)價(jià)指標(biāo)

利用改進(jìn)的Yolo_v2 卷積神經(jīng)網(wǎng)絡(luò)搭載Kelu 激活函數(shù)對(duì)訓(xùn)練集進(jìn)行訓(xùn)練得到權(quán)重，利用所得的權(quán)重在測(cè)試集上進(jìn)行測(cè)試得到相關(guān)評(píng)價(jià)指標(biāo)；最后將三組測(cè)試后評(píng)價(jià)指標(biāo)進(jìn)行對(duì)比。

（1）訓(xùn)練數(shù)據(jù)集時(shí)生成的loss值可以反映模型收斂的穩(wěn)定性，原Yolo_v2 網(wǎng)絡(luò)結(jié)構(gòu)三組激活函數(shù)下loss 值對(duì)比如圖9。

圖9 不同激活函數(shù)下的loss變化值

在原Yolo_v2網(wǎng)絡(luò)為框架下，利用Leaky激活函數(shù)、Relu激活函數(shù)、Elu激活函數(shù)訓(xùn)練得到loss值。對(duì)比圖9由收斂速度及收斂穩(wěn)定性可以看出搭載Elu激活函數(shù)的卷積神經(jīng)網(wǎng)絡(luò)更加適用于多方位車(chē)輛的檢測(cè)。

（2）訓(xùn)練改進(jìn)的Yolo_v2 網(wǎng)絡(luò)搭載Elu 激活函數(shù)與Kelu激活函數(shù)下評(píng)價(jià)指標(biāo)對(duì)比如表4所示。

表4 改進(jìn)后網(wǎng)絡(luò)不同激活函數(shù)訓(xùn)練后評(píng)價(jià)指標(biāo)

在改進(jìn)的Yolo_v2 網(wǎng)絡(luò)結(jié)構(gòu)下，Kelu 激活函數(shù)和Elu 激活函數(shù)下的 loss 值如圖10、11 所示。Kelu 激活函數(shù)的loss值在訓(xùn)練1 000次后就降到1以下，收斂速度高于Elu 激活函數(shù)；對(duì)比圖10 與圖11 可得，在收斂過(guò)程中Kelu激活函數(shù)下的loss值收斂平滑，出現(xiàn)噪點(diǎn)的數(shù)量遠(yuǎn)遠(yuǎn)低于Elu激活函數(shù)下的loss值的噪點(diǎn)數(shù)量。

圖10 Kelu激活函數(shù)下loss變化值

圖11 Elu激活函數(shù)下loss變化值

4.3 車(chē)輛違章識(shí)別實(shí)驗(yàn)

本文的基于改進(jìn)Yolo_v2的車(chē)輛多方位識(shí)別方法可識(shí)別車(chē)輛的多種形態(tài)，在一定程度上替代了激光雷達(dá)與毫米波雷達(dá)的作用。本文將識(shí)別多方位車(chē)輛方法應(yīng)用在檢測(cè)交通違章上。

改進(jìn)后的神經(jīng)網(wǎng)絡(luò)算法封裝于ROS 軟件平臺(tái)中，并與QT 可視化界面建立通信，方便顯示檢測(cè)信息。將檢測(cè)系統(tǒng)硬件固定在高度一定的支架上，并將支架擺放在禁止車(chē)輛掉頭（轉(zhuǎn)向）的路口來(lái)檢測(cè)車(chē)輛違章，如圖12所示。

圖12 虛擬檢測(cè)示意圖

由圖13所示通過(guò)攝像頭將路況視頻通過(guò)ROS節(jié)點(diǎn)將視頻每秒3幀以圖片的形式發(fā)送給改進(jìn)的Yolo_v2網(wǎng)絡(luò)，檢測(cè)之后利用ROS節(jié)點(diǎn)將車(chē)輛方位的類(lèi)別信息、準(zhǔn)確率及檢測(cè)圖片通過(guò)節(jié)點(diǎn)發(fā)布給QT 可視化界面。在ROS下的QT程序包中定義節(jié)點(diǎn)接受卷積神經(jīng)網(wǎng)絡(luò)發(fā)布的檢測(cè)信息，若檢測(cè)到車(chē)輛的正側(cè)身（Side）與側(cè)前身（Side Front），則判定車(chē)輛違章。如果違章，則判定違章的按鈕變紅（如圖13（b）所示），并且在檢測(cè)到車(chē)牌后將車(chē)牌圖片提取出通過(guò)字符分割后通過(guò)卷積神經(jīng)網(wǎng)絡(luò)檢測(cè)車(chē)牌，將檢測(cè)到的車(chē)牌號(hào)顯示在QT界面上，同時(shí)發(fā)布提取的車(chē)牌圖片（如圖13（b）所示）。

圖13 違章系統(tǒng)顯示平臺(tái)

根據(jù)實(shí)車(chē)實(shí)驗(yàn)結(jié)果分析，改進(jìn)的Yolo_v2 卷積神經(jīng)網(wǎng)絡(luò)及設(shè)計(jì)的Kelu激活函數(shù)對(duì)多方位車(chē)輛的檢測(cè)準(zhǔn)確率優(yōu)于原Yolo_v2卷積神經(jīng)網(wǎng)絡(luò)。

5 結(jié)語(yǔ)

本文從車(chē)輛多方位識(shí)別的角度出發(fā)，對(duì)現(xiàn)有的Yolo_v2 卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行改進(jìn)，分別在原Yolo_v2 網(wǎng)絡(luò)的基礎(chǔ)上增加了殘差網(wǎng)絡(luò)結(jié)構(gòu)和多尺度層，并且在Elu 激活函數(shù)的基礎(chǔ)上設(shè)計(jì)了Kelu 激活函數(shù)。實(shí)驗(yàn)結(jié)果表明在改進(jìn)了網(wǎng)絡(luò)結(jié)構(gòu)和激活函數(shù)后，新的網(wǎng)絡(luò)可以更加精確且高效地識(shí)別道路上的多方位車(chē)輛，并驗(yàn)證了本文所設(shè)計(jì)的方法可用于違規(guī)掉頭車(chē)輛違章檢測(cè)中。

在下一步研究中，將本文所研究的基于改進(jìn)的Yolo_v2卷積神經(jīng)網(wǎng)絡(luò)車(chē)輛多方位識(shí)別方法應(yīng)用于更多的道路違章監(jiān)測(cè)和車(chē)聯(lián)網(wǎng)應(yīng)用。