基于深度學習的高速公路收費車輛分類研究

摘 要：為增強高速公路收費車輛分類的實時性和準確性，對比分析了SSD、YOLO和Faster R-CNN圖像識別算法的優缺點，提出了一種結合MixUp數據增強、Focus網絡結構和CIOU損失函數的高速公路收費車輛分類方法，對門架高清攝像機抓拍的圖像進行識別和分類，在京港澳高速公路數據集上進行驗證。結果表明：YOLO模型系列中的YOLOv3模型對于收費車輛分類的平均準確率超過了Faster R-CNN和SSD模型，并且在使用了MixUp數據增強、Focus網絡結構和CIOU損失函數時平均準確率達到了92.04%，FPS為22.8。進行消融實驗，使用MixUp數據增強后，模型精度提高了0.62%；使用Focus網絡結構后，模型FPS提高了1.4；使用CIOU損失函數后，模型精度提高0.28%。由此說明，改進后的YOLOv3模型在高速公路收費車輛分類中可以準確、實時地實現收費車輛分類，為高速公路智能收費系統提供技術支撐。

關鍵詞：高速公路；深度學習；圖像識別；車輛分類；YOLOv3；模型精度

中圖分類號：TP39；U495 文獻標識碼：A 文章編號：2095-1302（2024）02-0-04

0 引 言

高速公路逃費現象屢禁不止，給國家帶來了巨大的經濟損失，因此必須采取有效措施減少偷逃費行為，集中執法力量、提升處罰力度[1]。以往的查處主要是以經驗為主，通過建立黑名單系統，調取抓拍圖像進行分析對比[2]。然而高速公路通行車輛多，人工進行分析對比難度大，打擊效率不高。D Burgess表示新技術的創新應用為解決偷逃費行為提供了新的方式[3]。日本學者Fukasawa等人開發出全自動收費系統，從技術層面制定了減少偷逃費行為的方案[4]。Claus Doll等學者借助GPS定位系統對車輛進行定位，有效解決了車輛收費過程中里程難以確定等問題[5]。

本文針對高速公路收費車輛的圖像特點，利用基于深度學習算法對高速公路收費車輛進行智能識別[6]和分類[7]，從分類準確率、識別速度等方面進行分析對比，并對算法進行改進，在收集的數據集上進行對比實驗和消融實驗，驗證算法的可行性，為打擊高速公路偷逃費的及時性和準確性提供支撐。

1 圖像識別算法

圖像識別算法能夠提取和分析圖像的特征，進而實現分類。在21世紀前，圖像識別方法僅限于簡單的數字。隨著21世紀計算機性能的提升，計算機運算神經網絡的效率大幅提升，結構復雜、高維度、復雜的深度神經網絡層出不窮。2010年以來，R-CNN系列、SSD、YOLO系列等基于深度學習的圖像識別算法應運而生。R-CNN系列最新的算法是Faster R-CNN[8]，具有很高的準確率，但是識別速度較慢。SSD[9]算法既快又準確，但調試過程依賴經驗，很難找到算法的最佳參數。YOLO[10]系列不斷改進和迭代，算法的準確率和檢測速度也在不斷提高，目前具有較好的檢測效果。

考慮到高速公路收費車輛分類對于速度和準確率的要求都較高，且車輛目標相對較大，對于大型車輛不能拍攝到完整的車軸信息，無法進行大型車輛的細分類，但是可以依據圖片信息對大型車輛和小型車輛進行粗分類。因此本文選擇采用YOLOv3算法構建分類模型，并結合MixUp數據增強、Focus網絡結構和CIOU損失函數對ETC門架上提取的車輛圖片進行粗分類。

2 高速公路收費車輛分類方法

YOLOv3網絡是速度和精度最均衡的目標檢測網絡，YOLOv3網絡主要有特征提取網絡、特征融合層和解碼層。其識別流程為：輸入圖像，通過特征提取網絡提取特征，通過特征融合層融合不同尺度的特征，將加強的特征通過解碼層輸出在圖像上。同時，考慮到高速公路收費車輛特征具有部分相似性，不易區分的特點，在訓練過程中應用MixUp數據增強、Focus網絡結構和CIOU損失函數進一步提升模型的性能。

2.1 MixUp數據增強

神經網絡需要大量數據進行訓練，然而優質的訓練數據數量較少，如果訓練數據只擁有目標的一部分特征，網絡就會在此部分過度擬合。因此，需要大量訓練數據以覆蓋目標的所有特征。在數據量有限的情況下，通過旋轉、裁剪、移位、翻轉等方式增加數據量，可以提高網絡對目標識別的準確率。MixUp數據增強方法能提供不同數據類別之間的連續數據樣本，擴大了訓練集的分布，從而使網絡的檢測準確率更高，如圖1所示。

具體過程：每次讀取兩張圖片，分別對這兩張圖片進行翻轉、縮放、色域變化等數據增強，最后將二者的真實框堆疊到一起，再輸入到神經網絡進行訓練。

2.2 Focus網絡結構

神經網絡的檢測速率主要與網絡的計算量和參數量有關，減少參數量能夠提高速率但是降低了準確率。常用的方法包括濾波器級別的剪枝、知識蒸餾、輕量化網絡和結構搜索等方法，但此類方法會改變卷積核或者網絡層級結構，對網絡的檢測精度有一定影響。而Focus模塊則是先對圖片進行切片、拼接和一次卷積，再輸入到特征提取網絡，在不影響檢測準確率的條件下，提高檢測速率。Focus網絡結構如圖2所示。

2.3 CIOU損失函數

損失函數用于評估模型的預測值與真實值之間的差異，作用于神經網絡反向傳播時的權值更新，可以在很大程度上影響模型的收斂效果。

YOLOv3的損失函數計算公式如下：

（1）

式中：λ1，λ2，λ3為平衡系數。目標定位損失Lloc在本文中采用CIOU損失來改進，代替了原有的均方差損失，能夠優化總損失，改善回歸精度。

IOU（Intersection over Union， IOU）交并比，是大部分檢測框使用的Loss。如圖3（a）所示是兩個框的交集比上并集，它可以被定義為：

（2）

式中：area（C）為圖3（a）中紅色框（Candidate Bound）的面積；area（G）為圖3（a）中藍色框（Ground Truth Bound）的面積。

雖然IOU相比原YOLOv3中均方差損失能夠更好地反應重合程度且具有尺度不變性，但是在兩個框不相交的情況下，Loss的值為0，無法反映兩者的距離，而且IOU無法反映兩者的重合度。CIOU解決了在IOU作為損失函數時梯度無法計算的問題，引入框的寬高比，進一步提高了回歸精度。其懲罰項公式如下：

（3）

如圖3（b）所示，ρ代表預測框和真實框的中心點a，abt的歐氏距離。d代表預測框和真實框最小外接矩形的對角線的長度。αv代表的是長寬比，α和v的定義如下：

（4）

（5）

最終LossCIOU的計算公式為：

（6）

3 實驗結果與分析

3.1 訓練數據集

本實驗在京港澳高速公路路段上收集來自ETC門架上的圖片信息建立數據集，根據高速公路收費標準對數據集中的收費車輛類別進行劃分。通過ETC門架攝像頭拍攝得到車輛圖片56 553張，去除雨雪天氣、分辨率低、晚上和重復的圖片，參與實驗的圖片有2 300張。將其中90%用于訓練，10%用于測試。

3.2 評價指標

在對模型進行評估時，速度衡量指標為FPS，表示每秒能處理的圖片數量，準確度衡量指標通常采用精確率P（Precision）和召回率R（Recall）。精確率是模型預測的所有正樣本中，預測正確的比例。召回率是對于所有正樣本，模型預測的正樣本所占的比例。其公式如下所示：

（7）

（8）

式中：TP（True Positives， TP）指正樣本被正確預測為正樣本；FP（False Positives， FP）表示負樣本被錯誤預測為正樣本；FN（False Negatives， FN）表示正樣本被錯誤預測為負樣本。

調和平均數F1是結合精確率和召回率的綜合評價指標。該分值越高表明該算法越優秀。F1的值由公式（9）計算可得：

（9）

mAP（mean Average Precision， mAP）為平均精度均值，其中AP是準確率和召回率所圍成的面積，m表示平均值，mAP即各類AP的均值。AP計算如式（10）所示：

（10）

本文采用mAP和FPS對模型的準確率和速率進行評估。

3.3 訓練結果

YOLOv3與YOLOv3-MFC（改進后的YOLOv3）的mAP關于迭代次數的曲線如圖4所示。其中，橫坐標為迭代次數，縱坐標為mAP。從圖4可以看出，網絡訓練初期模型收斂較快，在迭代到120次左右準確率逐漸達到0.9，然后緩慢增長，最終YOLOv3模型的mAP達到了0.91左右。本文算法YOLOv3-MFC收斂速度更快，最終mAP值穩定在0.92左右，相比原模型有更快的收斂速度和更高的識別精度。

實驗中構建的車輛分類模型對收費車輛的識別效果如圖5所示。

3.4 對比實驗

為了評價改進后模型的優勢，將本文提出的算法與常用的車輛識別算法SSD、Faster R-CNN和YOLOv3進行對比，使用相同的數據集訓練后，從mAP和FPS對模型進行對比和評價。對比實驗結果見表1所列。

由表1可知，Faster R-CNN算法具有較高的平均精度，但是檢測速率較低，無法滿足檢測的實時性要求；SSD算法具有較高的檢測速率，但是平均精度較低，不能滿足檢測的準確性要求；YOLOv3算法具有較好的平均精度和檢測速率，本文算法YOLOv3-MFC在YOLOv3上進行了拓展與改進，在滿足檢測實時性要求的基礎上，平均精度提高了1.27%，F1值提高了0.007，FPS提高了0.4，對于高速公路收費車輛檢測能力有明顯提升。

3.5 消融實驗

為了驗證本算法中不同的改進策略對模型檢測性能的影響，進行了消融實驗。改進部分包括MixUp數據增強、Focus網絡結構和CIOU損失函數，從mAP和FPS來評估影響。消融實驗結果見表2所列。

從表2可以看出，單獨使用MixUp數據增強可以提高模型的檢測準確率，而且不影響檢測速率；使用Focus網絡結構能加快檢測速率，但是降低了檢測精度；使用CIOU損失函數也可以提高模型的檢測準確率，但是降低了檢測速率。綜合使用這3種改進策略時，可以在提高檢測精度的同時提高檢測速率。

4 結 語

本文基于深度學習的收費車輛分類算法，結合收費車輛圖像的識別特點，構建了高速公路收費車輛分類方法，分析了常見的3種模型對于收費車輛分類的精確率、召回率、F1值、mAP和FPS的實驗結果。實驗結果顯示，YOLOv3模型在使用MixUp數據增強、Focus網絡結構和改進的損失函數時的檢測準確率和速率較為理想，可作為高速公路收費車輛分類的模型之一。本文主要針對高速公路收費車輛分類進行研究和驗證，模型的樣本量相對較小、圖像獲得的信息較為局限，未來在實驗條件允許的情況下，可以在雨天、霧天等復雜環境下對收費車輛進行更細的分類，以擴大模型的適用范圍，更好地為高速公路收費系統提供技術支撐。

注：本文通訊作者為劉維宇。

參考文獻

[1] MAGGIO M， SHIFTAN Y. Automated toll enforcement financial and policy considerations：the Dulles toll road case [J]. International journal of traanssport economics，2005，32（3）：267-286.

[2]王俊健，王瑩，王以好. 基于深度學習的高速公路逃費車輛圖像稽查技術研究[J]. 中國交通信息化，2019，21（5）：126-130.

[3] BURGESS D. Caught in the act [J]. Traffic technology international 2008，（2）：37-39.

[4] FUKASAWA K，NATIO K. Efficiently managed electronic toll collection system [J]. Professional translation 2002（6）：54-57.

[5] DOLL C，SCHAFFER A. Economic impact of the introduction of the German HGV toll system [J]. Transport policy，2007，14（1）：49-58.

[6] FERIS R S，SIDDIQUIE B，PETTERSON J，et al. Large-scale vehicle detection，indexing，and search in urban surveillance videos [J]. IEEE transactions on multimedia，2011，14（1）：28-42.

[7] YANG L，LUO P，CHANGE LOY C，et al. A large-scale car dataset for fine-grained categorization and verification [C]// Proceedings of the IEEE conference on computer vision and pattern recognition. 2015：3973-3981.

[8] REN S，HE K，GIRSHICK R，et al. Faster R-CNN：Towards real-time object detection with region proposal networks [J]. IEEE transactions on pattern analysis amp; machine intelligence，2017，39（6）：1137-1149.

[9] LIU W，ANGUELOV D，ERHAN D，et al. Ssd：Single shot multibox detector [C]// Computer Vision-ECCV 2016：14th European Conference，Amsterdam，The Netherlands，October 11-14，2016，Proceedings，Part I 14. Springer International Publishing，2016：21-37.

[10] REDMON J，DIVVALA S，GIRSHICK R，et al. You only look once：Unified，real-time object detection [C]// Proceedings of the IEEE conference on computer vision and pattern recognition. 2016：779-788.