基于深度學習的交通標志檢測方法研究

吳 鑫，劉沄沄

（湘潭大學 公共管理學院，湖南 湘潭 411105）

0 引言

目標檢測是計算機視覺領域的一個基本問題。近年來，在智能監控、智能分類和產品檢測方面取得了長足的進步[1]。然而，自然條件下的目標檢測任務仍然存在很多挑戰，其中遮擋因素對檢測效果的影響很大。因為遮擋會導致圖像中被檢測目標的局部特征丟失，影響目標特征的完整性，從而影響檢測過程中的實際檢測精度[2]。

為了達到較高的準確率，檢測模型被廣泛應用于目標檢測領域。利用卷積神經網絡提取圖像各部分的特征，直接對目標信息進行回歸，實現目標檢測。在YOLO9000模型的基礎上，將Fast R-CNN的瞄框引入YOLOv1并結合全卷積網絡，提高模型的識別精度和速度[3]。上述方法雖然提高了圖像中大小目標的檢測精度，但在實際檢測中，遮擋仍然會影響檢測精度。因此，為了更好地解決遮擋中的目標檢測精度問題，一般認為YOLOv3是更好的解決方案。理論上，與基于YOLOv1的檢測模型相比，基于YOLOv3網絡的檢測模型可以增強目標邊緣檢測的能力。平均檢測精度會明顯高于傳統的YOLOv1模型，可以達到更好的檢測效果。

本文研究了傳統目標檢測模型的應用現狀。根據調查分析結果，傳統的基于YOLOv1網絡的物體檢測模型在檢測被遮擋物體時，往往存在檢測不準確、精度低等技術問題。針對這個問題，提出了一種基于YOLOv3網絡模型的改進優化設計。本文基于YOLOv3網絡模型，進行了整體框架重構， 優化了特征融合算法、加入注意力機制等一系列操作，大大提高了檢測精度。為了進一步驗證優化模型的實際效果，本文對YOLOv3網絡模型和YOLOv1網絡模型進行了仿真測試對比。通過對檢測結果的分析，可以看出改進后的模型進一步提高了模型在復雜背景和目標被遮擋環境下的檢測精度。

1 YOLOv3算法原理

YOLOv3目標檢測算法是2018年Joseph Redmon和Ali Farhadi提出的基于回歸的實時目標檢測算法，一種卷積神經網絡，可以同時預測多個目標幀的位置和類別。它是對YOLOv1模型的改進。YOLOv3使用殘差神經網絡作為特征提取的基本網絡；在此基礎上，加入卷積層，對3種不同尺度的圖像進行預測，從而獲得更高的語義信息。另外，考慮到分類標簽的重疊性，YOLOv3使用logistic分類器代替softmax分類器，分類損失也通過二元交叉熵損失來計算。YOLOv3利用FPN網絡在多個尺度上檢測不同大小的目標。單元越細，可以越細地檢測到目標信息。每個預測任務的特征圖大小如下：

其中為N目標大小，3為每個目標周圍的瞄框數，4為瞄框的坐標數，1為目標預測值，class_num為類別數。

2 基于三分支注意力機制的T-YOLOv3網絡

YOLOv3網絡平等分配每個通道的特征，這顯然在某種程度上限制了網絡的性能。為了進一步提升網絡精度，本文使用Triad Attention對YOLOv3中的Darknet53特征提取模塊網絡進行改進，改進后的模型命名為ENYOLOv3。Triad模塊是一種非常有效的注意力機制，網絡結構如圖1所示。

圖1 Triad attention網絡結構

其原理是通過3個分支分別捕獲空間維度和通道維度中的特征依賴關系，其中一個分支負責捕獲特征圖在任意兩個位置之間的空間依賴關系，另一個分支負責捕獲任意兩個通道之間的通道依賴關系，剩下的一個分支用來捕獲全局范圍內的特征依賴關系，通過三分支的輸出進行融合后來實現維度交互。

傳統的FCNs生成的特征會將物體錯誤分類，但本文引入的分支模塊在局部特征上建立了豐富的上下文關系，融合了更廣泛的上下文信息；傳統的通道注意力機制會選取高層特征圖進行全局池化，將每個輸出通道的二維特征壓縮為一個實數，但會丟失大量的空間信息，無法挖掘出通道圖之間的相互依賴關系，降低了特定語義特征的表達。本文設計的通道模塊可以很好的挖掘出通道圖之間的相互依賴關系，明顯突出了特征圖之間相互的依賴關系，提高了特定語義的特征表達。結合三分支注意力模塊改進的T-YOLOv3模型骨干網絡結構如圖2所示。

圖2 ENYOLOv3骨干網絡結構

3 改進目標定位損失函數

YOLOv3針對目標框回歸采用均方誤差損失，類別和置信度采用交叉熵損失，具體形式如下所示：

其中λcoord，λclass，λnoobj分別代表坐標損失、置信度損失以及類別損失占總loss的權重，S表示grid size，B表示box，如果表示在i，j處的box有目標，其值為1，反之則為0，表示如果在i，j處的box沒有目標，則其值為1，反之則為0。(ωi,xi,yi,hi,ci,pi)分別代表真實目標框的寬、中心坐標、高、置信度和類別；分別代表預測目標框的中心坐標、寬、高、置信度和類別。

由于交通標志數據存在樣本不均衡且不宜分類等問題，采用MSE損失函數對于目標框的坐標回歸并不能準確地反映其預測框和目標框之間IOU，因而使用Focal loss來優化分類損失，該損失函數可以解決一階段模型中背景分類不平衡和正負樣本嚴重失衡的問題，改進的Focal loss計算公式如式（6）所示：

4 實驗與分析

本實驗在計算機環境配置為Windows 10，CUDA10.0，CUDNN7.0。硬件配置為Intel-CPU-i7-10870H處理器，顯卡為NVIDIA GEFORCE GTX 2080Ti，調用GPU進行加速訓練。

4.1 交通標志數據集

本文在德國交通標志檢測數據集（GTSDB）上進行了消融實驗，驗證前文所述方法的提升效果，GTSDB數據集中圖片拍攝角度以及分類更規范，因此作為本文算法的主要研究數據集。GTSDB數據集共包含3大類交通標志，選取了數據集中的4 000張圖片，并通過裁剪、翻轉、變化顏色通道等操作擴充數據集。在GTSDB數據集中選取這3類交通標志作為檢測識別對象，分別為“prohibition”“warning” “direction”，共計5 860個標簽。將標注信息生成與之對應的XML格式的目標區域位置的信息，編寫Python程序將XML格式的目標區域位置信息統一轉換為TXT格式，以便能讓YOLOv3讀取圖片標注信息位置。最后按照VOC2007數據集格式進行了整理，分別按3∶1比例將數據集中的圖片分為訓練集和測試集兩種。

4.2 模型訓練

此實驗以YOLOv3為網絡檢測算法框架，基于遷移學習的方法，使用預訓練模型作為提取基礎特征的網絡，整個過程共迭代了300次，其中批量大小設置為16，使用隨機梯度下降的方法，初始學習率為0.001，動量和權重衰減率分別設置為0.936和0.000 5。

5 實驗結果及分析

5.1 評價標準

本文采用多個標準來評估不同算法的性能，包括準確率P（precision）、F1值、平均準確率均值mAP（mean Average Precision）以及檢測速率幀每秒（Frame Per Second）。計算公式如下：

其中，TP表示針對某一目標類，被正確分類的正樣本數目，FP表示被錯誤分類的負樣本的數目，FN表示被錯誤分類的正樣本數目。mAP為所有類別平均準確率的均值，p(rc)表示在c類召回率為rc時的準確率。

5.2 消融實驗

為了論證上述改進方法的有效性，本文在GTSDB數據集上實行消融實驗，構建基礎網絡baseline，通過組合上述所提及的CSPResNeXt、三分支注意力（Triad attention）、Focal loss，來驗證不同模塊對網絡性能的提升。測試結果如表1所示。表1列出了precision，recall，F1和mAP（IoU=0.5）4種指標。與baseline和模型A，B，C可知，CSPResNeXt、三分支注意力（Triad attention）、Focal loss對于模型的性能均有所提升，并在mAP上分別提高了1.20%，1.70%，0.6%。而集合3個模塊的T-YOLOv3在precision，recall，F1，mAP上均取得了最好的結果，與baseline相比，分別提升了4.4%，4.3%，4.7%、5.1%。表2為GTSDB 數據集上對比實驗結果。

表1 GTSDB 數據集上消融實驗結果

表2 GTSDB 數據集上對比實驗結果

實驗結構可知，CSPResNeXt，Triad attention，Focal loss對于網絡性能的提升是有效的。

6 結語

針對使用 YOLOv3 網絡直接檢測交通標志圖像時存在的部分漏檢與檢測精度不高的問題，本文提出了一種Triad Attention 機制的名為T-YOLOv3的目標檢測方法。實驗表明，T-YOLOv3模型相比于原始模型在本文數據集上檢測交通標志的平均準確率和平均速率均有一定的提升，具有一定的泛化性。