Page 107 - 安防19年12月刊_150dpi

基于深度学习的车辆检测

□ 文/时文忠 王忠荣

随着社会的发展和人民生活水平的提升，汽车保有 组成，网络、损失函数和数据，网络用于提取特征，数
量在不断的快速增长，从一些大城市的车辆限号和限 据用于模型拟合，损失函数决定如何训练。同理，对一
行可以看出来，交通监管面临巨大的压力。各种交通卡 个模型的改进也可以从这三个方面入手：首先网络方
口和红绿灯路口都安装了智能监控，随着人工智能的发 面，改进车辆检测算法的网络，在三个方面影响检测
展，这些繁重的工作可以借助计算机视觉来辅助处理。 性能：网络深度、下采样率和感受野大小；其次数据方
让计算机自动处理这些图像数据，最重要的就是需要 面，本文使用在图像分类领域表现很好的mixup数据增

定位图像中车辆的位置，即车辆检测。本文将深入研究 广方法；最后损失函数方面，本文使用焦点损失和困难
目前的一些目标检测算法并提出本文的检测算法。 样本挖掘提升效果。
数据集
相关工作 目前的公开数据集不多，本文通过采集大量交通

随着目标检测精度和速度要求越来越高，传统方 卡口的视频和图像数据，然后使用一些目标检测工具进
法已经不能满足需求了。近年来，深度学习技术得到 行人工标注。本文使用自建和公开数据集共计25000张
了广泛的应用，产生了一系列目标检测算法，例如两阶 图像，按照9:1的比例划分为检测模型的训练集和验证
段目标检测算法，Girshick等在2014年提出的R-CNN 集。
算法一举夺得当年Pascal VOC比赛的冠军。SPP-Net 在数据预处理方面，本文使用了常见的数据增广
提出空间金字塔池化，Fast R-CNN[3]在R-CNN中加 方法，比如随机裁剪，随机翻转，随机旋转（-30-+30
入RoIPooling层调整特征图的尺寸，Faster R-CNN提 度），另外还使用了一种在图像分类领域表现较好的
出RPN取代以前的选择性搜索方法来更快的生成更 mixup数据增广方法。
准确的候选框，所有步骤由卷积神经网络完成，Faster 网络结构
R-CNN是第一个端到端的两阶段目标检测方法。另外 在目标检测网络的骨干网络部分，在Darknet基础
一大类是单阶段检测算法，以SSD（Single Shot MultiBox 上进行改进，得到扩张卷积暗网络，由48层1*1卷积或
Detector）系列、YOLO（You Only Look Once）系列、 者3*3卷积网络构成的全卷积网络，在网络最后一个模
RetinaNet等为典型代表，基于全局回归和分类的框架， 块使用Dilated Convolution（扩张卷积），扩张卷积的最
从图像像素直接映射到目标边界框和类别概率，可以极 大优点在于不做池化或者下采样的操作，可以增大感
大较少开销提升效率，目前大多数单阶段行人检测器 受野，让每个卷积输出都包含较大范围的信息，同时尽

都可以做到实时检测。 可能保留较大的特征图和图像的空间信息，这对于小
目标检测非常关键。对于目标检测问题，使用扩张卷积
本文方法 可以极大的保留空间信息。使用扩张卷积时，由于特征

在深度学习领域，一个深度学习模型由三大部分 图不减小，这会极大增加计算量，与一般的网络结构不

第五届深圳国际无人机展览会（2020年8月深圳会展中心） www.china-drone.com.cn 89

ᇆିࢌ๙ JOEE ྒ௹ඹ