基于轻量化YOLOv4的交通信息实时检测方法

doi:10.11772/j.issn.1001-9081.2021101849

摘要/Abstract

摘要： 针对日常道路场景下的车辆目标检测问题，提出一种轻量化的YOLOv4交通信息实时检测方法。首先，制作了一个多场景、多时段的车辆目标数据集，并利用K-means++算法对数据集进行预处理；其次，提出轻量化YOLOv4检测模型，利用MobileNet?v3替换YOLOv4的主干网络，降低模型的参数量，并引入深度可分离卷积代替原网络中的标准卷积；最后，结合标签平滑和退火余弦算法，使用LeakyReLU激活函数代替MobileNet?v3浅层网络中原有的激活函数，从而优化模型的收敛效果。实验结果表明，轻量化YOLOv4的权值文件为56.4 MB，检测速率为85.6 FPS，检测精度为93.35%，表明所提方法可以为实际道路中的交通实时信息检测及其应用提供参考。

关键词: 目标检测, 深度学习, 图像处理, 轻量化, YOLOv4

Abstract: Aiming at the problem of vehicle objection detection in daily road scenes， a real?time detection method of traffic information based on lightweight YOLOv4 （You Only Look Once version 4） was proposed. Firstly， a multi?scene and multi?period vehicle object dataset was constructed， which was preprocessed by K?means++ algorithm. Secondly， a lightweight YOLOv4 detection model was proposed， in which the backbone network was replaced by MobileNet?v3 to reduce the number of parameters of the model， and the depth separable convolution was introduced to replace the standard convolution in the original network. Finally， combined with label smoothing and annealing cosine algorithms， the activation function Leaky Rectified Linear Unit （LeakyReLU） was used to replace the original activation function in the shallow network of MobileNet?v3 in order to optimize the convergence effect of the model. Experimental results show that the lightweight YOLOv4 has the weight file of 56.4 MB， the detection rate of 85.6 FPS （Frames Per Second）， and the detection precision of 93.35%， verifying that the proposed method can provide the reference for the real?time traffic information detection and its applications in real road scenes.

Key words: object detection, deep learning, image processing, lightweight, YOLOv4 (You Only Look Once version 4)

中图分类号:

TP391.4

郭克友, 李雪, 杨民. 基于轻量化YOLOv4的交通信息实时检测方法[J]. 计算机应用, 2023, 43(1): 74-80.

GUO Keyou, LI Xue, YANG Min. Real‑time detection method of traffic information based on lightweight YOLOv4[J]. Journal of Computer Applications, 2023, 43(1): 74-80.

参考文献

1 KaewTrakulPONG P， BOWDEN R. An improved adaptive background mixture model for realtime tracking with shadow detection［M］// REMAGNINO P， JONES G A， PARAGIOS N， et al. Video?Based Surveillance Systems： Computer Vision and Distributed Processing. Boston： Springer， 2002：135-144. 10.1007/978-1-4615-0913-4_11
2 ZIVKOVIC Z， HEIJDEN F van der. Efficient adaptive density estimation per image pixel for the task of background subtraction［J］. Pattern Recognition Letters， 2006， 27（7）： 773-780. 10.1016/j.patrec.2005.11.005
3 GODBEHERE A， MATSUKAWA A， GOLDBERG K. Visual tracking of human visitors under variable?lighting conditions for a responsive audio art installation［C］// Proceedings of the 2012 American Control Conference. Piscataway： IEEE， 2012： 4305-4312. 10.1109/acc.2012.6315174
4 SCHARSTEIN D， SZELISKI R. A taxonomy and evaluation of dense two?frame stereo correspondence algorithms［J］. International Journal of Computer Vision， 2002， 47（1/2/3）： 7-42. 10.1023/a:1014573219977
5 BERGEN J R， BURT P J， HINGORANI R， et al. A three?frame algorithm for estimating two?component image motion［J］. IEEE Transactions on Pattern Analysis and Machine Intelligence， 1992， 14（9）： 886-896. 10.1109/34.161348
6 BROX T， BRUHN A， PAPENBERG N， et al. High accuracy optical flow estimation based on a theory for warping［C］// Proceedings of the 2004 European Conference on Computer Vision， LNCS 3024. Berlin： Springer， 2004： 25-36.
7 王滢暄，宋焕生，梁浩翔，等. 基于改进的YOLOv4高速公路车辆目标检测研究［J］. 计算机工程与应用， 2021， 57（13）： 218-226. 10.3778/j.issn.1002-8331.2012-0581 WANG Y X， SONG H S， LIANG H X， et al. Highway vehicle object detection based on improved YOLOv4 method［J］. Computer Engineering and Applications， 2021， 57（13）： 218-226. 10.3778/j.issn.1002-8331.2012-0581
8 张慧，王坤峰，王飞跃. 深度学习在目标视觉检测中的应用进展与展望［J］. 自动化学报， 2017， 43（8）： 1289-1305. 10.16383/j.aas.2017.c160822 ZHANG H， WANG K F， WANG F Y. Advances and perspectives on applications of deep learning in visual object detection［J］. Acta Automatica Sinica， 2017， 43（8）： 1289-1305. 10.16383/j.aas.2017.c160822
9 GIRSHICK R， DONAHUE J， DARRELL T， et al. Rich feature hierarchies for accurate object detection and semantic segmentation［C］// Proceedings of the 2014 IEEE Conference on Computer Vision and Pattern Recognition. Piscataway： IEEE， 2014：580-587. 10.1109/cvpr.2014.81
10 HE K M， ZHANG X Y， REN S Q， et al. Spatial pyramid pooling in deep convolutional networks for visual recognition［J］. IEEE Transactions on Pattern Analysis and Machine Intelligence， 2015， 37（9）： 1904-1916. 10.1109/tpami.2015.2389824
11 GIRSHICK R. Fast R?CNN［C］// Proceedings of the 2015 IEEE International Conference on Computer Vision. Piscataway： IEEE， 2015： 1440-1448. 10.1109/iccv.2015.169
12 REN S Q， HE K M， GIRSHICK R， et al. Faster R?CNN： towards real?time object detection with region proposal networks ［J］. IEEE Transactions on Pattern Analysis and Machine Intelligence， 2017， 39（6）： 1137-1149. 10.1109/tpami.2016.2577031
13 LIU W， ANGUELOV D， ERHAN D， et al. SSD： single shot multiBox detector［C］// Proceedings of the 2016 European Conference， LNCS 9905. Cham： Springer， 2016： 21-37.
14 REDMON J， DIVVALA S， GIRSHICK R， et al. You only look once： unified， real?time object detection［C］// Proceedings of the 2016 IEEE Conference on Computer Vision and Pattern Recognition. Piscataway： IEEE， 2016： 779-788. 10.1109/cvpr.2016.91
15 REDMON J， FARHADI A. YOLO9000： better， faster， stronger［C］// Proceedings of the 2017 IEEE Conference on Computer Vision and Pattern Recognition. Piscataway： IEEE， 2017： 6517-6525. 10.1109/cvpr.2017.690
16 REDMON J， FARHADI A. YOLOv3： an incremental improvement［EB/OL］. （2018-04-18）［2021-10-12］.https：//arxiv.org/pdf/1804.02767.pdf. 10.1109/cvpr.2017.690
17 BOCHKOVSKIY A， WANG C Y， LIAO H Y M. YOLOv4： optimal speed and accuracy of object detection ［EB/OL］（2020-04-23）［2021-10-16］.https：//arxiv.org/pdf/2004.10934.pdf.
18 MacQUEEN J B. Some methods for classification and analysis of multivariate observations ［C/OL］// Proceedings of the 5th Berkeley Symposium on Mathematical Statistics and Probability， Volume 1： Statistics. ［2021-12-06］.https：//typeset.io/pdf/some-methods-for- classification-and-analysis-of-multivariate-4pswti19oz.pdf.
19 钟志峰，夏一帆，周冬平，等. 基于改进YOLOv4的轻量化目标检测算法［J］. 计算机应用， 2022， 42（7）： 2201?2209. ZHONG Z F， XIA Y F， ZHOU D P， et al. Lightweight object detection algorithm based on improved YOLOv4［J］. Journal of Computer Applications， 2022， 42（7）： 2201?2209.
20 LIU S， QI L， QIN H F， et al. Path aggregation network for instance segmentation［C］// Proceeding of the 2018 IEEE/CVF Conference on Computer Vision and Pattern Recognition. Piscataway： IEEE， 2018： 8759-8768. 10.1109/cvpr.2018.00913
21 叶子勋，张红英. YOLOv4口罩检测算法的轻量化改进［J］. 计算机工程与应用， 2021， 57（17）： 157-168. YE Z X， ZHANG H Y. Lightweight improvement of YOLOv4 mask detection algorithm［J］. Computer Engineering and Applications， 2021， 57（17）： 157-168.
22 邓若辰，彭程，边赟. 基于深度可分离卷积的指静脉识别算法［J］. 计算机应用， 2020， 40（S2）： 199-203. 10.11772/j.issn.1001-9081.2020030395 DENG R C， PENG C， BIAN Y. Finger vein recognition algorithm based on depthwise convolution［J］. Journal of Computer Applications， 2020， 40（S2）： 199-203. 10.11772/j.issn.1001-9081.2020030395
23 HOWARD A G， ZHU M L， CHEN B， et al. MobileNets： efficient convolutional neural networks for mobile vision applications［EB/OL］. （2017-04-17）［2021-10-12］.https：//arxiv.org/pdf/1704. 04861.pdf. 10.48550/arXiv.1704.04861
24 SANDLER M， HOWARD A， ZHU M L， et al. MobileNetV2： inverted residuals and linear bottlenecks ［C］// Proceedings of the 2018 IEEE/CVF Conference on Computer Vision and Pattern Recognition. Piscataway： IEEE， 2018： 4510-4520. 10.1109/cvpr.2018.00474
25 HOWARD A， SANDLER M， CHEN B， et al. Searching for MobileNetV3［C］// Proceedings of the 2019 IEEE/CVF International Conference on Computer Vision. Piscataway： IEEE， 2019： 1314-1324. 10.1109/iccv.2019.00140
26 KAMIBABA R， KONISHI K， FUKADA Y， et al， et al. Next generation 650V CSTBTTM with improved SOA fabricated by an advanced thin wafer technology ［C］// Proceedings of the IEEE 27th International Symposium on Power Semiconductor Devices and ICs. Piscataway： IEEE， 2015：29-32. 10.1109/ispsd.2015.7123381
27 王帅，彭意兵，何顶新. 基于深度可分离卷积神经网络的关键词识别系统［J］. 微电子学与计算机， 2019， 36（9）： 103-108. WANG S， PENG Y B， HE N. Keywords spotting system based on deepwise separable convolutional neural network［J］. Microelectronics & Computer， 2019， 36（9）： 103-108.
28 李维刚，杨潮，蒋林，等. 基于改进YOLOv4算法的室内场景目标检测［J/OL］. 激光与光电子学进展. （2021-08-03）［2021-10-12］.https：//kns.cnki.net/kcms/detail/31.1690.TN.20210802.1726.044.html. LI W G， YANG C， JIANG L， et al. Indoor scene object detection based on improved YOLOv4 algorithm［J/OL］. Laser and Optoelectronics Progress. （2021-08-03）［2021-11-05］.https：//kns.cnki.net/kcms/detail/31.1690.TN.20210802.1726.044.html.

[1]	李顺勇, 李师毅, 胥瑞, 赵兴旺. 基于自注意力融合的不完整多视图聚类算法[J]. 《计算机应用》唯一官方网站, 2024, 44(9): 2696-2703.
[2]	潘烨新, 杨哲. 基于多级特征双向融合的小目标检测优化模型[J]. 《计算机应用》唯一官方网站, 2024, 44(9): 2871-2877.
[3]	黄云川, 江永全, 黄骏涛, 杨燕. 基于元图同构网络的分子毒性预测[J]. 《计算机应用》唯一官方网站, 2024, 44(9): 2964-2969.
[4]	秦璟, 秦志光, 李发礼, 彭悦恒. 基于概率稀疏自注意力神经网络的重性抑郁疾患诊断[J]. 《计算机应用》唯一官方网站, 2024, 44(9): 2970-2974.
[5]	王熙源, 张战成, 徐少康, 张宝成, 罗晓清, 胡伏原. 面向手术导航3D/2D配准的无监督跨域迁移网络[J]. 《计算机应用》唯一官方网站, 2024, 44(9): 2911-2918.
[6]	李烨恒, 罗光圣, 苏前敏. 基于改进YOLOv5的Logo检测算法[J]. 《计算机应用》唯一官方网站, 2024, 44(8): 2580-2587.
[7]	张英俊, 李牛牛, 谢斌红, 张睿, 陆望东. 课程学习指导下的半监督目标检测框架[J]. 《计算机应用》唯一官方网站, 2024, 44(8): 2326-2333.
[8]	刘禹含, 吉根林, 张红苹. 基于骨架图与混合注意力的视频行人异常检测方法[J]. 《计算机应用》唯一官方网站, 2024, 44(8): 2551-2557.
[9]	顾焰杰, 张英俊, 刘晓倩, 周围, 孙威. 基于时空多图融合的交通流量预测[J]. 《计算机应用》唯一官方网站, 2024, 44(8): 2618-2625.
[10]	石乾宏, 杨燕, 江永全, 欧阳小草, 范武波, 陈强, 姜涛, 李媛. 面向空气质量预测的多粒度突变拟合网络[J]. 《计算机应用》唯一官方网站, 2024, 44(8): 2643-2650.
[11]	赵亦群, 张志禹, 董雪. 基于密集残差物理信息神经网络的各向异性旅行时计算方法[J]. 《计算机应用》唯一官方网站, 2024, 44(7): 2310-2318.
[12]	徐松, 张文博, 王一帆. 基于时空信息的轻量视频显著性目标检测网络[J]. 《计算机应用》唯一官方网站, 2024, 44(7): 2192-2199.
[13]	张勇进, 徐健, 张明星. 面向轻量化的改进YOLOv7棉杂检测算法[J]. 《计算机应用》唯一官方网站, 2024, 44(7): 2271-2278.
[14]	孙逊, 冯睿锋, 陈彦如. 基于深度与实例分割融合的单目3D目标检测方法[J]. 《计算机应用》唯一官方网站, 2024, 44(7): 2208-2215.
[15]	吴筝, 程志友, 汪真天, 汪传建, 王胜, 许辉. 基于深度学习的患者麻醉复苏过程中的头部运动幅度分类方法[J]. 《计算机应用》唯一官方网站, 2024, 44(7): 2258-2263.