0  引言

近年來，基于視頻的車輛檢測在自動駕駛和交通視頻監(jiān)控領域得到了廣泛的應用。另一方面，基于深度學習的靜態(tài)圖像目標檢測也取得了重要的進展和突破?；谏疃葘W習的圖像目標檢測算法可以分為兩類：基于單階段的算法^［1-3］和兩階段的算法^［4-6］。相比于兩階段算法，單階段算法具有更快的處理速度，因此更適合實時的應用，比如視頻車輛檢測。但是，將這些基于靜態(tài)圖像的目標檢測算法直接應用于視頻目標檢測，即將視頻幀進行獨立的處理時，并不能取得好的檢測結果。因為針對視頻進行目標檢測時，總會遇到運動模糊、視頻失焦等問題，而基于靜態(tài)圖像的目標檢測算法容易受這些問題的影響，得到比較差的檢測結果。

視頻中通常包含著目標的時間維度的信息，這些信息對視頻目標檢測具有非常重要的作用，而基于靜態(tài)圖像目標的檢測算法忽略了這些信息。如果能夠有效利用視頻包含的時間維度的信息，則可以有效解決運動模糊與視頻失焦等問題。比如，如果當前視頻幀中的目標出現(xiàn)模糊，那么就可以利用其鄰近幀的目標信息幫助對當前幀的檢測。因此，如何提取目標運動信息則是最關鍵的。最近，循環(huán)神經網絡LSTM^［7］由于其強大的記憶能力以及可以有效克服訓練神經網絡時出現(xiàn)的梯度消失問題的優(yōu)點，被大量應用于解決時間序列問題，比如機器翻譯^［8］，并且取得了比較好的效果。

本文提出一種基于LSTM的單階段視頻車輛檢測算法，稱為M-DETNet。該算法將視頻看做一系列視頻幀的時間序列，通過LSTM去提取視頻中目標的時間維度信息。該模型可以直接進行端到端的訓練，不需要進行多階段的訓練方式^［4-5］。利用DETRAC車輛檢測數(shù)據(jù)集^［9］訓練該算法并進行驗證和測試，實驗結果表明該算法可以有效提升視頻車輛檢測的準確率。同時，將M-DETNet與其他典型的目標檢測算法進行了對比，實驗結果表明M-DETNet 具有更好的檢測準確率。

1  LSTM網絡

LSTM(Long Short-Term Memory)^［7］屬于循環(huán)神經網絡(Recurrent Neural Network， RNN)，其最大特點是引入了門控單元(Gated Unit)和記憶單元（Memory Cell)。LSTM網絡單元如圖1所示。

LSTM循環(huán)網絡除了外部的RNN循環(huán)外，其內部也有自循環(huán)單元，即記憶單元。由圖1可以看出，LSTM具有3個門控單元，分別是輸入門g、忘記門f和輸出門q。門控單元和記憶單元s的更新公式如下：

其中, x（t）是當前網絡輸入向量,h（t）是當前隱藏層向量,b是偏置向量，U、W是權重向量，⊙表示逐元素相乘。

將普通RNN神經網絡中的神經元替換為LSTM單元，則構成了LSTM網絡。

2  M-DETNet

本文提出的模型M-DETNet如圖2所示。從圖2可以看出，M-DETNet由3個子模塊組成，分別為ConvNet模塊、LSTMNet模塊和FCNet模塊。設算法輸入視頻幀個數(shù)為K。ConvNet模塊首先對K個視頻幀分別處理，提取空間特征；空間特征作為LSTMNet的輸入，得到時間維度的特征信息；FCNet預測輸出最終的結果。

2.1  ConvNet模塊

DarkNet-19^［2］是一個應用廣泛的分類卷積神經網絡，其包含有19個卷積層和5個池化層；相比于其他被廣泛應用的卷積網絡,如VGG-16^［10］, DarkNet-19的特點是需要學習的參數(shù)更少，并且執(zhí)行速度也更快。使用ImageNet數(shù)據(jù)集^［11］訓練DarkNet-19，可以達到72.9%的top-1準確率和93.3%的top-5準確率。本文使用經過在ImageNet上預訓練的DarkNet-19網絡，并去掉最后一個卷積層，作為空間特征提取主干網絡，稱為ConvNet。ConvNet對K個輸入視頻幀分別處理，提取豐富的空間特征。

2.2  LSTMNet模塊

LSTM模塊的主要作用是接收ConvNet產生的空間特征作為輸入，得到連續(xù)幀之間包含的時間維度的特征信息。由圖2可以看到該模塊由兩層雙向LSTM網絡組成，使用雙向LSTM的原因是便于使用當前幀對應的前序幀和后序幀的信息。普通的LSTM網絡的輸入通常為向量，而本文模型的LSTM網絡的輸入為特征圖。

2.3  FCNet模塊4

普通的卷積分類網絡使用全連接網絡預測輸出，而本文模型的FCNet由全卷積網絡組成，即使用全卷積網絡產生最后的輸出，包括車輛的類別概率和矩形框的坐標。FCNet由3個卷積層組成，前兩個卷積層包含1 024個特征圖，卷積核的大小為3×3;最后一個卷積層的卷積核大小為1×1。

仿照YOLO^［2］,網絡不直接預測輸出包含有車輛的真實矩形框的坐標，而是預測真實矩形框相對于參考矩形框的偏移值，并參數(shù)化如下：

其中，（c_x,c_y）為參考矩形框所在特征圖單元（cell）的坐標；（p_w,p_h）為參考矩形框的寬和高；σ(·)為激活函數(shù)，取值范圍為［0,1］；(b_x,b_y,b_w,b_h,b_c) 是最終的結果。

2.4  訓練方法

使用帶動量項(momentum)的隨機梯度下降（Stochastic Gradient Descent,SGD）優(yōu)化方法訓練本文模型，動量項設置為0.9,訓練循環(huán)總次數(shù)(epoch)設置為80次。對于學習率，前60次循環(huán)時設置為0.001，之后將學習率降低為0.000 1。同時，為了增強模型的泛化能力，本文也做了數(shù)據(jù)增廣，包括隨機的裁剪和水平翻轉。訓練的batch大小設置為32。

由于內存的限制，在訓練時選擇3個視頻幀作為網絡的輸入，即K=3。在相對于當前幀的偏移為［-10,10］的范圍內,隨機選擇前序幀和后序幀。對于第一幀和最后一幀，簡單地重復當前幀代表其前序幀或后序幀。

3  實驗及分析

使用DETRAC車輛檢測數(shù)據(jù)集^［9］驗證本文模型。該數(shù)據(jù)集包含有4種天氣場景（晴天、陰天、雨天和夜晚）下的視頻數(shù)據(jù)，總計有14萬視頻幀，包含的車輛總計為8 250輛。為了驗證模型的有效性，設置了兩組實驗。第一組實驗在驗證集上比較了本文模型與YOLO^［2］，以說明本文提出的LSTM模塊的有效性；第二組實驗在測試集上將本文模型與其他典型的方法進行了比較。

3.1  M-DETNet的有效性驗證

如果本文模型去除LSTM模塊，則網絡結構與YOLO^［2］的結構基本一致。為了驗證本文模型中LSTM模塊的有效性，在驗證集上對比了本文模型和YOLO。實驗結果如表1所示。

由表1可知，本文模型不管在4種天氣場景下的性能，還是平均性能均優(yōu)于YOLO。同時，在雨天和夜晚兩種場景下，本文算法性能相對于YOLO具有更大的提升，從數(shù)據(jù)集中可發(fā)現(xiàn)在雨天和夜晚,視頻幀更容易出現(xiàn)視頻模糊等問題。這些結果表明本文提出的LSTM模塊具有獲取時間維度特征的能力，能夠提升車輛檢測的準確率。

3.2 M-DETNet與其他典型算法的比較

將M-DETNet與其他典型的算法在測試集上進行了比較，實驗結果如表2所示。由表2可知，相比于其他算法，本文模型在測試集上的平均準確率最高，達到了52.28%；本文模型在不同難易程度下均具有更好的檢測準確率。同時還可發(fā)現(xiàn)，在夜晚和雨天，本文算法相對于其他算法的準確率提升比在晴天和陰天的提升更大。

在檢測速度方面，本文算法在GPU(1080Ti)上的檢測速度可以達到29 f/s，相比其他算法有很大的優(yōu)勢。

4  結論

本文提出一種基于LSTM的視頻車輛檢測算法，該算法通過LSTM模塊提取視頻幀序列中包含目標的時間維度的信息，這些信息可以有助于克服視頻模糊等問題，進而提升檢測準確率。將本文模型與其他典型的算法進行了比較，實驗結果表明本文模型不僅具有更好的檢測準確率，而且有更快的檢測速度。為了更好地對模型進行測試，未來工作將在實際的應用中對模型進行測試和驗證。

參考文獻

［1］ 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.

［2］ REDMON J, FARHADI A. YOLO9000: better, faster, stronger［J］. arXiv preprint, 2016, 1612.

［3］ LIU W, ANGUELOV D, ERHAN D, et al. SSD: Single shot multibox detector［C］//European Conference on Computer Vision. Springer, Cham, 2016: 21-37.

［4］ GIRSHICK R, DONAHUE J, DARRELL T, et al. Rich feature hierarchies for accurate object detection and semantic segmentation［C］//Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition, 2014: 580-587.

［5］ GIRSHICK R.Fast R-CNN［J］.arXiv preprint arXiv:1504.08083, 2015.

［6］ 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 and Machine Intelligence, 2017, 39(6): 1137-1149.

［7］ HOCHREITER S, SCHMIDHUBER J. LSTM can solve hard long time lag problems［C］//Advances in Neural Information Processing Systems, 1997: 473-479.

［8］ SUTSKEVER I, VINYALS O, LE Q V. Sequence to sequence learning with neural networks［C］//Advances in Neural Information Processing Systems, 2014: 3104-3112.

［9］ WEN L, DU D, CAI Z, et al. UA-DETRAC: a new benchmark and protocol for multi-object detection and tracking［J］. arXiv preprint arXiv:1511.04136, 2015.

［10］ SIMONYAN K, ZISSERMAN A. Very deep convolutional networks for large-scale image recognition［J］. arXiv preprint arXiv:1409.1556, 2014.

［11］ DENG J, DONG W, SOCHER R, et al. ImageNet: a large-scale hierarchical image database［C］//IEEE Conference on Computer Vision and Pattern Recognition, 2009. IEEE, 2009: 248-255.

［12］ FELZENSZWALB P F, GIRSHICK R B, MCALLESTER D, et al. Object detection with discriminatively trained part-based models［J］. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2010, 32(9): 1627-1645.

［13］ DOLLáR P, APPEL R, BELONGIE S, et al. Fast feature pyramids for object detection［J］. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2014, 36(8): 1532-1545.

（收稿日期：2018-03-28）

作者簡介：

李歲纏（1991-），通信作者，男，碩士，主要研究方向：模式識別，深度學習。E-mail:lsc1230@mail.ustc.edu.cn。

陳鋒（1966-），男，博士，副教授，主要研究方向：智能交通，人工智能。