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控領域得到了廣泛的應用。另一方面，基于深度學習的靜態圖像目標檢測也取得了重要的進展和突破。基于深度學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的梯度消失問題的優點，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車輛檢測數據集^［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循環網絡除了外部的RNN循環外，其內部也有自循環單元，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更少，并且執行速度也更快。使用ImageNet數據集^［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，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）優化方法訓練本文模型，動量項設置為0.9,訓練循環總次數(epoch)設置為80次。對于學習率，前60次循環時設置為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，本文也做了數據增廣，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車輛檢測數據集^［9］驗證本文模型。該數據集包含有4種天氣場景（晴天、陰天、雨天和夜晚）下的視頻數據，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，從數據集中可發現在雨天和夜晚,視頻幀更容易出現視頻模糊等問題。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。同時還可發現，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。