基于深度學習的隧道視頻車輛檢測

姜冬陽 張建陽 楊瑞建 張震 王先勇 袁彥各

摘 要：針對現有的基于視頻進行車輛自動識別的方法在隧道交通擁堵路段存在提取圖像特征困難、識別效果差等問題，本文提出了基于深度學習的隧道視頻車輛檢測的方法。（1）對視頻圖像進行道路區域的界定，用人工勾勒出感興趣區域ROI作為待檢測區域，并基于形態學檢測方法將待檢測區域進行子塊劃分;（2）對圖像子塊進行公交車、小汽車和道路標線分類，據此建立圖像基準庫;（3）建立CaffeNet深度學習模型，利用圖像基準庫對CaffeNet模型進行訓練測試。結果顯示，公交車和道路標線識別準確率為100%，小汽車識別準確率為98.80%，表明本方法可準確有效地識別隧道交通視頻中的車輛種類及道路標線。

關鍵詞：智能交通;深度學習;隧道視頻;車輛檢測

在現代交通系統中，基于視頻的交通信息檢測是一種重要交通信息采集技術。由于其具有可視化、安裝維護便捷、可獲取多種交通參數且不破壞路面結構等優勢，在交通監控管理和交通研究等領域得到了廣泛的應用。但現有的基于視頻進行車輛自動識別的方法在交通擁堵路段存在提取圖像特征困難、識別效果差等問題。

近年來深度學習成為研究熱點，在車輛顏色[1]、無牌車檢測[2]、機動車檢測與分類[3]、目標跟蹤[4]、車輛定位[5]等相關的技術方面也比較成熟。深度學習能夠很好地獲取較為穩定的特征，搜索的相似目標更精確，搜索準確率在95%以上。目前深度學習在交通領域中的應用還有車輛檢測與感知[6]、車輛身份特征識別[7]、交通視頻的分析應用[8]等。

因此，本文提出了基于深度學習的隧道視頻車輛檢測方法，有效避免了圖像特征提取困難、識別效果差等問題。

1 方法簡介

本文基于方法步驟如下：

（1）視頻采集。

（2）圖像預處理。將采集的視頻轉化為圖像，并經過一系列圖像預處理過程獲得原始數據庫。

（3）深度學習圖像基準庫構建。人工分類原始數據庫內的圖像，構建訓練集、測試集與驗證集。

（4）CaffeNet模型訓練測試。將訓練集與測試集同CaffeNet模型結合進行模型的訓練與測試，并不斷調整優化模型的參數，直到滿足準確率-損失值閾值條件。

（5）CaffeNet模型驗證與分析。利用訓練好的CaffeNet模型分類驗證集的圖像，若準確率太低則調整參數后重新進行模型的訓練與測試;若準確率達到要求，則可以進行車輛檢測。

2 深度學習圖像基準庫構建

將原始數據庫內的圖像按類別歸類整理，本文將路面上的目標分成3類，分別是bus（公交車）、car（小汽車）以及lanemarking（標線）。各類別樣圖如圖1至圖3所示。

圖像基準庫由四部分組成，包括basic_dataset（原始數據庫）、train_dataset（訓練集）、test_dataset（測試集）以及predict_dataset（驗證集）。其中，原始數據庫是由原始視頻轉化成圖像后經過人工截取檢測目標后的原始圖像。圖像基準庫各部分樣圖數量如表1所示。

3 CaffeNet模型訓練測試

3.1 CaffeNet深度學習模型簡介

深度神經網絡模型常見模型有LeNet、AlexNet、CaffeNet、GoogLeNet與Vgg_16，本文使用的模型是CaffeNet模型。CaffeNet模型除了輸入層和輸出層之外，由5個卷積層與3個全連接層組成，模型運行圖如圖4所示。

3.2 CaffeNet深度學習模型訓練測試

CaffeNet模型訓練測試主要有準備數據集、標記數據、創建lmdb格式的數據庫文件、建立Caffenet網絡和訓練參數、執行訓練五個步驟。本文CaffeNet模型基本訓練參數如表2所示。

經過訓練與測試，得到結果圖分為Train loss、Test loss和Accuracy三個部分，當Train loss和Test loss趨近于0時，Accuracy趨近于1時，訓練測試結果越好。如圖5所示為CaffeNet模型的訓練測試結果圖，可見模型的精確率較高，可進行模型驗證步驟。

4 CaffeNet模型驗證與分析

模型驗證有準備有關類名文件、準備驗證圖像集、準備網絡構架說明文件、準備分類器并執行批處理文件幾個步驟。部分驗證概率值如表3所示。

根據統計得到，“bus”的驗證準確率為100%，“car”的驗證準確率為98.80%，“lanemarking”的驗證準確率為100%。從表中可看出，Caffenet模型對車輛檢測的驗證準確率很高，但是依然存在識別誤差，誤差主要集中在小轎車和公交車以及小轎車和標線之間的識別。

5 隧道視頻車輛檢測

對于隧道視頻圖像中的任意子塊，如圖6所示，利用CaffeNet深度學習模型進行公交車、小汽車、道路標線的種類識別。然后，將識別結果在原始視頻圖像中進行標記，如圖7所示。

6 結論

本文設計的基于深度學習的隧道視頻車輛檢測方法，彌補了現有視頻車輛檢測方法的不足，有助于實時交通信息采集，在交通監控管理和交通研究等領域拓展交通流理論研究范疇、推動交通流分析等相關研究，具有較廣闊的工程應用價值和理論意義。

基于深度學習的隧道視頻車輛檢測，具有更直觀、穩定可靠、識別效率高、易操作等優勢，依靠神經網絡訓練時自動從低級特征到高級特征不斷學習提取圖像的特征，從而規避了人工提取圖像特征的復雜性、模糊性以及特征匹配時的不穩定性。

但是，目前深度學習在交通領域的研究還不夠成熟，需要挖掘的地方還有很多。另外，模型訓練樣本的構建以及神經網絡模型的訓練都比較耗時，特別是參數的優化。模型的準確度將直接影響后面預測的可靠性，所以對于深度學習需要更全面的測試和長期深入的研究。

參考文獻：

[1]張強，李嘉鋒，卓力，等. 基于卷積神經網絡的監控場景下車輛顏色識別[J].測控技術， 2017（10）：11-14.

[2]鄒剛，蔣濤，李鴻升.基于深度學習的車牌檢測方法，CN 106022232 A[P].2016.

[3]郭少博.基于深度學習的機動車檢測與屬性識別研究[D].中國科學技術大學，2017.

[4]管皓，薛向陽，安志勇.融合視覺先驗與背景信息的視頻目標跟蹤方法[J].小型微型計算機系統，2016，37（9）：2074-2078.

[5]張飛云.基于深度學習的車輛定位及車型識別研究[D]. 江蘇大學，2016.

[6]陳惠珍.基于深度學習的無人車避障策略研究[D].湖南大學，2016.

[7]王夢偉.基于深度學習的車輛特征識別系統研究與實現[D].電子科技大學，2016.

[8]柴江武，王茜，魯斌.基于深度學習的道路交通態勢在線視頻判別系統[J].科研，2016（12）：151.