江梟宇，李忠兵，張軍豪，彭 嬌，文 婷

（西南石油大學(xué)電氣信息學(xué)院，成都 610500）

0 概述

環(huán)境感知是無人駕駛汽車路徑規(guī)劃的基礎(chǔ)，無人駕駛系統(tǒng)主要通過攝像頭采集、實(shí)時檢測和獲取周邊車輛信息，對周邊環(huán)境形成認(rèn)知模型，從而實(shí)現(xiàn)對環(huán)境的感知。在車輛檢測方面，傳統(tǒng)車輛檢測方法主要通過梯度直方圖（Histogram of Oriented Gradient，HOG）［1］與尺度不變特征變換（Scale-Invariant Feature Transform，SIFT）［2］提取特征信息，并使用支持向量機(jī)（Support Vector Machine，SVM）［3］、Adaboost［4］或Gradient Boosting［5］等自適應(yīng)分類器進(jìn)行識別，但該方法無法獲取高層語義信息。近年來，深度學(xué)習(xí)技術(shù)在車輛檢測領(lǐng)域得到廣泛應(yīng)用。與傳統(tǒng)車輛檢測方法不同，基于深度學(xué)習(xí)的車輛檢測方法不是人為設(shè)置特征，而是通過反向傳播［6］自適應(yīng)獲取特征，具有較好的高層語義信息描述能力，該方法主要包括One Stage 方法和Two Stage 方法。Two Stage 方法是通過預(yù)選框［7-8］確定位置，針對該位置進(jìn)行識別，例如R-CNN［9］方法、Fast R-CNN［10］方法和Faster R-CNN［7］方法等。One Stage方法是端到端一次性識別出位置與類別，例如YOLO［11-12］方法、SSD［13］方法等?；谏疃葘W(xué)習(xí)的車輛檢測方法具有較好的檢測精度，但是由于網(wǎng)絡(luò)模型復(fù)雜、參數(shù)量大以及計(jì)算周期長導(dǎo)致檢測實(shí)時性較差，因此其無法應(yīng)用于實(shí)際車輛檢測。

為解決上述問題，文獻(xiàn)［14］對YOLO 網(wǎng)絡(luò)進(jìn)行精簡后提出Tiny-Yolo 網(wǎng)絡(luò)，但是該網(wǎng)絡(luò)部署在嵌入式設(shè)備上參數(shù)多，且計(jì)算時間較長。對此，文獻(xiàn)［15］采用神經(jīng)計(jì)算棒進(jìn)行加速計(jì)算。本文受上述文獻(xiàn)的啟發(fā)，使用深度可分離卷積（Depthwise Separable Convolution，DSC）［16］替換傳統(tǒng)車輛檢測算法中Tiny-YOLO 網(wǎng)絡(luò)的標(biāo)準(zhǔn)卷積，將改進(jìn)的Tiny-YOLO網(wǎng)絡(luò)部署到配備NCS2 神經(jīng)計(jì)算棒的嵌入式設(shè)備上，并對目標(biāo)檢測準(zhǔn)確率與實(shí)時性進(jìn)行對比與分析。

1 YOLOV3 原理

在YOLO 系列網(wǎng)絡(luò)中，YOLOV2 是在YOLOV1的基礎(chǔ)上加入1×1 卷積并采用正則化方法防止過擬合，YOLOV3 是對YOLOV2 的改進(jìn)，主要包括基礎(chǔ)網(wǎng)絡(luò)Darknet53 和全卷積層［17］，其中Darknet53 由包含53 個卷積層的殘差結(jié)構(gòu)［18］組成，可降低網(wǎng)絡(luò)訓(xùn)練難度并提高計(jì)算效率。

將輸入的416 像素×416 像素圖像經(jīng)過Darknet53和全卷積層，得到輸出的13 像素×13 像素特征圖、26 像素×26 像素特征圖以及52 像素×52 像素特征圖。每個特征圖被分為多個網(wǎng)絡(luò)域，每個網(wǎng)絡(luò)域輸出尺寸為1×1×（B×（5+C）），其中，1×1 為最后一層卷積的大小，B為每個網(wǎng)絡(luò)域可預(yù)測的邊界框（以下稱為預(yù)測框）數(shù)量。預(yù)測框包括5+C個屬性，分別為每個預(yù)測框中心點(diǎn)x軸坐標(biāo)的偏移值tx、中心點(diǎn)y軸坐標(biāo)的偏移值ty、中心點(diǎn)寬度的偏移值tw、中心點(diǎn)高度的偏移值th、Objectness 分?jǐn)?shù)以及C類置信度。

由于YOLOV3 網(wǎng)絡(luò)訓(xùn)練會造成其梯度不穩(wěn)定，因此在MS COCO 數(shù)據(jù)集樣本中使用K-means 聚類算法［19］生成9 個不同尺度的先驗(yàn)框，預(yù)測框基于這9 個先驗(yàn)框進(jìn)行微調(diào)。設(shè)Px、Py為特征圖中先驗(yàn)框中心點(diǎn)的預(yù)測坐標(biāo)，Pw、Ph分別為特征圖中先驗(yàn)框的預(yù)測寬度和高度，Gx、Gy為特征圖中先驗(yàn)框中心點(diǎn)的真實(shí)坐標(biāo)，Gw、Gh分別為特征圖中先驗(yàn)框的真實(shí)寬度和高度，其對應(yīng)偏移值的計(jì)算公式如下：

先驗(yàn)框高度與寬度的偏移值由真實(shí)值與預(yù)測值相除后縮放到對數(shù)空間得到。先驗(yàn)框預(yù)測值和真實(shí)值之間的偏移值可用于修正先驗(yàn)框和預(yù)測框的偏移關(guān)系，如圖1 所示。

圖1 先驗(yàn)框和預(yù)測框的偏移關(guān)系Fig.1 The offset relationship between prior box and prediction box

圖1 中A 點(diǎn)為預(yù)測框中心點(diǎn)，B 點(diǎn)為預(yù)測中心點(diǎn)，其所在網(wǎng)絡(luò)域的坐標(biāo)為(Cx，Cy)，該坐標(biāo)由Px和Py確定。預(yù)測框中心點(diǎn)的坐標(biāo)值bx、by，以及中心點(diǎn)寬度bw、中心點(diǎn)高度bh由tx、ty、tw和th計(jì)算得到，相關(guān)公式如下：

其中，σ為Sigmoid 函數(shù)。網(wǎng)絡(luò)域尺寸為1×1，使用Sigmoid 函數(shù)將tx和ty縮放到0～1 范圍內(nèi)，可有效確保目標(biāo)中心處于網(wǎng)絡(luò)域中，防止其過度偏移。由于tw和th使用了對數(shù)空間，因此將其通過指數(shù)計(jì)算得到Gw/Pw或者Gh/Ph后再乘以真實(shí)的Pw或Ph可得到真實(shí)的寬度與高度。

Objectness 分?jǐn)?shù)的計(jì)算公式如下：

其中：CObject為網(wǎng)絡(luò)域中含有車輛的自信度；PObject為目標(biāo)是否存在的標(biāo)記值，當(dāng)存在目標(biāo)時，PObject=1，否則PObject=0；IOU 為預(yù)測框和原標(biāo)記框的面積交并比。

在原始YOLOV3 網(wǎng)絡(luò)中，當(dāng)B=3 且C=80 時，表示一個網(wǎng)絡(luò)域需要預(yù)測3 個邊界框且有80 個類別，通過設(shè)計(jì)多個先驗(yàn)框可提高先驗(yàn)框預(yù)測尺寸匹配的概率。

2 改進(jìn)的Tiny-YOLO

Tiny-YOLO 網(wǎng)絡(luò)刪除了原始YOLO 網(wǎng)絡(luò)中加深網(wǎng)絡(luò)的殘差結(jié)構(gòu)，在節(jié)省內(nèi)存的同時加快了計(jì)算速度，且輸出的特征圖中網(wǎng)絡(luò)域個數(shù)只有13×13 和26×26 兩個尺寸，該網(wǎng)絡(luò)中的標(biāo)準(zhǔn)卷積會增大計(jì)算量，而MobileNet［20］的深度可分離卷積可大幅減少計(jì)算量。

2.1 深度可分離卷積

深度可分離卷積將標(biāo)準(zhǔn)卷積分解為深度卷積和逐點(diǎn)卷積，可減少計(jì)算復(fù)雜度，適用于嵌入式設(shè)備，其分解過程如圖2 所示。

圖2 深度可分離卷積分解過程Fig.2 Decomposition procedure of depthwise separable convolution

卷積計(jì)算時的輸入F∈RDf×Df×M，Df×Df為輸入特征圖的大小，M為輸入特征圖的通道數(shù)；卷積K∈RDk×Dk×M×N，Dk×Dk為卷積尺寸，M和N分別為卷積的通道數(shù)和個數(shù)；輸出G∈RDg×Dg×N，Dg×Dg為輸出特征圖的大小，N為輸出特征圖的通道數(shù)。標(biāo)準(zhǔn)卷積的計(jì)算公式如下：

標(biāo)準(zhǔn)卷積的計(jì)算量為：

深度卷積是在輸入特征圖的每個通道上應(yīng)用單個濾波器進(jìn)行濾波，其輸入F∈RDf×Df×M，卷積，計(jì)算公式如下：

深度卷積的計(jì)算量為：

與標(biāo)準(zhǔn)卷積相比，深度卷積能有效進(jìn)行維度變換，其除了過濾輸入通道，還可組合創(chuàng)建新功能。因此，通過1×1 卷積創(chuàng)建線性組合生成新特征，深度可分離卷積計(jì)算量為：

深度可分離卷積計(jì)算量與標(biāo)準(zhǔn)卷積計(jì)算量比值為：

由式（15）可見，當(dāng)N＞1 且Dk不變時，深度可分離卷積計(jì)算量較標(biāo)準(zhǔn)卷積計(jì)算量明顯降低。

2.2 改進(jìn)的Tiny-YOLO 網(wǎng)絡(luò)結(jié)構(gòu)

為進(jìn)一步降低Tiny-YOLO 網(wǎng)絡(luò)的計(jì)算量，本文引入3×3 深度可分離卷積（S Conv）代替原始Tiny-YOLO網(wǎng)絡(luò)中9個3×3標(biāo)準(zhǔn)卷積（Conv），改進(jìn)前后的Tiny-YOLO網(wǎng)絡(luò)結(jié)構(gòu)及3×3 標(biāo)準(zhǔn)卷積的具體信息分別如圖3 和表1所示。為防止池化操作導(dǎo)致低級特征信息丟失，本文刪除原始Tiny-YOLO 網(wǎng)絡(luò)中所有的池化層（Maxpool），并采用全卷積層進(jìn)行連接。

圖3 改進(jìn)前后的Tiny-YOLO 網(wǎng)絡(luò)結(jié)構(gòu)Fig.3 Structure of the Tiny-YOLO network before and after improvement

表1 原始Tiny-YOLO 網(wǎng)絡(luò)中3×3 標(biāo)準(zhǔn)卷積信息Table 1 3 × 3 standard convolution information in original Tiny-YOLO network

3 實(shí)驗(yàn)與結(jié)果分析

本文采用MS COCO 數(shù)據(jù)集作為實(shí)驗(yàn)數(shù)據(jù)集，選取車輛尺度不同且角度隨機(jī)的821 張圖像，圖像高度大于400 像素。將MS COCO 數(shù)據(jù)集中的700 張圖像作為訓(xùn)練集，將MS COCO 數(shù)據(jù)集中121 張圖像和VOC2007 數(shù)據(jù)集中895 張圖像作為測試集。

本文實(shí)驗(yàn)采用Ubuntu 16.04 操作系統(tǒng)和Tensorflow 深度學(xué)習(xí)框架，下位機(jī)設(shè)備為樹莓派Raspberry 3b+與NCS2 神經(jīng)計(jì)算棒，上位機(jī)設(shè)備為E5 2680+GTX1066。

3.1 NCS2 神經(jīng)計(jì)算棒的部署

本文在改進(jìn)Tiny-YOLO 網(wǎng)絡(luò)的基礎(chǔ)上部署NCS2 神經(jīng)計(jì)算棒對網(wǎng)絡(luò)性能進(jìn)一步優(yōu)化，具體流程如圖4 所示。改進(jìn)的Tiny-YOLO 網(wǎng)絡(luò)的訓(xùn)練和測試圖像的輸入尺寸與原始Tiny-YOLO 網(wǎng)絡(luò)一致，通過深度可分離卷積網(wǎng)絡(luò)提取車輛特征信息，再采用兩個不同尺寸的特征圖進(jìn)行預(yù)測。在上位機(jī)設(shè)備上采用Tensorflow 深度學(xué)習(xí)框架對改進(jìn)的Tiny-YOLO 網(wǎng)絡(luò)進(jìn)行訓(xùn)練，獲得Tensorflow 模型后，用Open VINO模型優(yōu)化器將其轉(zhuǎn)換為NCS2 神經(jīng)計(jì)算棒支持的IR文件，并部署到具有NCS2 神經(jīng)計(jì)算棒的樹莓派Raspberry 3b+上。

圖4 NCS2 神經(jīng)計(jì)算棒的部署流程Fig.4 Deployment procedure of NCS2 neural computing stick

3.2 網(wǎng)絡(luò)改進(jìn)前后的計(jì)算量對比

在神經(jīng)網(wǎng)絡(luò)的計(jì)算中，由于乘法計(jì)算次數(shù)遠(yuǎn)大于加法計(jì)算次數(shù)，而一次乘法的計(jì)算時間遠(yuǎn)大于一次加法的計(jì)算時間，因此加法的總計(jì)算時間可忽略。本文將一次乘法計(jì)算記為一次計(jì)算量，則原始Tiny-YOLO 網(wǎng)絡(luò)中9 層3×3 標(biāo)準(zhǔn)卷積在替換為深度可分離卷積前后各卷積層計(jì)算量與總計(jì)算量的對比情況如圖5 所示?？梢钥闯?，標(biāo)準(zhǔn)卷積被深度可分離卷積替換后，各卷積層計(jì)算量與總計(jì)算量均大幅降低，且總計(jì)算量從2.74×109減少到0.39×109，計(jì)算量降幅約為86%。

圖5 卷積替換前后各卷積層計(jì)算量與總計(jì)算量的對比Fig.5 Comparison of the calculation amount of each convolution layer and the total calculation amount before and after convolution replacement

3.3 網(wǎng)絡(luò)改進(jìn)前后準(zhǔn)確率及實(shí)時性對比

本文使用平均準(zhǔn)確率（Mean Average Precision，MAP）對原始Tiny-YOLO 網(wǎng)絡(luò)、改進(jìn)Tiny-YOLO 網(wǎng)絡(luò)以及NCS2 神經(jīng)計(jì)算棒部署下改進(jìn)Tiny-YOLO 網(wǎng)絡(luò)的檢測準(zhǔn)確率進(jìn)行評價，并以每秒傳輸幀數(shù)（Frames Per Second，F(xiàn)PS）作為檢測實(shí)時性的評價指標(biāo)。MAP 的計(jì)算公式為：

其中，P為準(zhǔn)確率，R為召回率，P（R）為不同召回率上的平均準(zhǔn)確率。

表2 為采用改進(jìn)Tiny-YOLO 網(wǎng)絡(luò)的方法（以下稱為改進(jìn)Tiny-YOLO）、原始Tiny-YOLO 網(wǎng)絡(luò)的方法（以下稱為原始Tiny-YOLO）以及NCS2 神經(jīng)計(jì)算棒部署下改進(jìn)Tiny-YOLO 網(wǎng)絡(luò)的方法（以下稱為改進(jìn)Tiny-YOLO+NCS2）得到的實(shí)驗(yàn)結(jié)果?？梢钥闯觯焊倪M(jìn)Tiny-YOLO 在MS COCO 數(shù)據(jù)集和VOC2007 數(shù)據(jù)集上的MAP 值比原始Tiny-YOLO 分別提高0.011 2 和0.002 3，改進(jìn)Tiny-YOLO 的FPS 值為原始Tiny-YOLO的2 倍；改進(jìn)Tiny-YOLO+NCS2 的MAP 值略低于其他兩種方法，但其FPS 值達(dá)到12，遠(yuǎn)高于其他兩種方法。由上述結(jié)果可知，改進(jìn)Tiny-YOLO+NCS2 在犧牲少許檢測精度的情況下，其實(shí)時性較其他兩種方法大幅提高，更適合部署在無人駕駛系統(tǒng)中。

表2 3 種算法的實(shí)驗(yàn)結(jié)果Table 2 Experimental results of three algorithms

3.4 不同場景的效果對比

將改進(jìn)Tiny-YOLO與原始Tiny-YOLO在VOC2007數(shù)據(jù)集上的檢測效果進(jìn)行對比，結(jié)果如圖6 所示，其中每組左、右兩側(cè)圖像分別由原始Tiny-YOLO 和改進(jìn)Tiny-YOLO 檢測得到?？梢钥闯觯寒?dāng)車輛尺寸不同時，原始Tiny-YOLO 較改進(jìn)Tiny-YOLO 更易丟失小目標(biāo)信息；當(dāng)車輛被遮擋時，原始Tiny-YOLO 無法獲取被遮擋的車輛信息，改進(jìn)Tiny-YOLO 可準(zhǔn)確檢測到被遮擋的車輛信息；在惡劣環(huán)境與夜間環(huán)境下，原始Tiny-YOLO較改進(jìn)Tiny-YOLO 易受環(huán)境和光線干擾。上述結(jié)果表明，改進(jìn)Tiny-YOLO 的車輛檢測效果要優(yōu)于原始Tiny-YOLO。

圖6 2 種方法在不同場景下的檢測效果對比Fig.6 Comparison of detection effect of two methods in different scenes

4 結(jié)束語

本文提出一種結(jié)合改進(jìn)Tiny-YOLO 網(wǎng)絡(luò)與NCS2 神經(jīng)計(jì)算棒的車輛檢測方法。采用深度可分離卷積代替原始Tiny-YOLO 網(wǎng)絡(luò)標(biāo)準(zhǔn)卷積，使用NCS2 神經(jīng)計(jì)算棒為低性能嵌入式設(shè)備提供深度學(xué)習(xí)加速功能。實(shí)驗(yàn)結(jié)果表明，采用該方法檢測每秒傳輸幀數(shù)達(dá)到12，實(shí)時性較原始Tiny-YOLO 網(wǎng)絡(luò)大幅提高。后續(xù)將對改進(jìn)Tiny-YOLO 網(wǎng)絡(luò)進(jìn)行量化壓縮提高計(jì)算速度，以應(yīng)用于STM32 等常用嵌入式設(shè)備。