基于嵌入式GPU的車流量檢測系統(tǒng) 摘要：交通擁堵是當今世界交通領(lǐng)域面臨的主要問題之一，如何通過現(xiàn)有的交通設(shè)備獲取更加精準的交通信息是亟待解決的問題。圖像識別技術(shù)在智能交通系統(tǒng)中有著廣泛的應(yīng)用，基于深度學習的車流量檢測技術(shù)是智能交通的重要組成局部。本工程設(shè)計了一個基于嵌入式GPU的智能車流量檢測系統(tǒng)，該系統(tǒng)架設(shè)在NVIDIAJetsonTX2平臺上，采用基于深度學習YOLOv3的車輛檢測模型，檢測道路上的車輛目標，設(shè)置興趣區(qū)域，對檢測到的目標進行識別計數(shù)，實現(xiàn)對交通視頻的實時車流量檢測。試驗驗證分析說明，該系統(tǒng)具有較高的檢測精度。 關(guān)鍵詞：深度學習;車流量檢測;YOLO;JetsonTX2 中圖分類號：TP391.41文獻標識碼：A文章編號：1003-5168〔2021〕05-0029-03 Abstract：Trafficcongestionisoneofthemainproblemsintheworld'stransportationfield，howtoobtainmoreaccuratetrafficinformationthroughexistingtransportationequipmentisanurgentproblem.Imagerecognitiontechnologyhasbeenwidelyusedinintelligenttransportationsystems，vehicleflowdetectiontechnologybasedondeeplearningisanimportantpartofintelligenttransportation.ThisprojectdesignedanintelligentvehicleflowdetectionsystembasedonembeddedGPU，whichwasbuiltontheNVIDIAJetsonTX2platform，usedaYOLOv3vehicledetectionmodelbasedondeeplearningtodetectvehicletargetsontheroad，setareasofinterest，identifyandcountthedetectedtargets，andrealizereal-timetrafficflowdetectionontrafficvideos.Testverificationanalysisshowsthatthesystemhashighdetectionaccuracy. Keywords：deeplearning;vehicleflowdetection;YOLO;JetsonTX2 隨著國民經(jīng)濟的開展，交通擁堵、道路平安事故頻發(fā)已經(jīng)成為我國各大城市面臨的嚴峻問題。為了有效地了解城市交通狀況，解決交通堵塞、交通事故等突發(fā)性狀況，美國、德國、英國等興旺國家紛紛開始開發(fā)智能交通系統(tǒng)〔ITS〕【1】。ITS是將車載導航【2】、交通信號燈控制系統(tǒng)【3】和車輛車牌自動識別系統(tǒng)【4】等許多先進的交通技術(shù)集成到交通管理和控制系統(tǒng)中的一種方法。車流量檢測是智能交通系統(tǒng)的關(guān)鍵技術(shù)，光流法〔OpticalFlow〕、背景減除法〔BackgroundSubtraction〕、邊緣檢測法〔Edgedetection〕和運動矢量檢測法〔MeasurementofMotionVector〕是常見的幾種基于視頻的車輛檢測方法[5-6]。 傳統(tǒng)的車輛檢測算法在檢測的實時性、準確性和可靠性上有著一定的技術(shù)痛點，已經(jīng)不能完全滿足智能交通系統(tǒng)實時性的要求，人們急需研發(fā)更高效、更可靠、實時性好、準確性高的車輛檢測算法。 近年來，隨著人工智能技術(shù)和圖像識別技術(shù)的開展，采用機器學習方案來識別車輛通過監(jiān)控屏幕的情況已經(jīng)成為一個新的技術(shù)熱點。深度學習是一種特殊的機器學習方法，其在目標檢測方面比傳統(tǒng)的檢測方法與淺層機器學習模型有著更高的準確率與更好的檢測結(jié)果，它通過應(yīng)用深度卷積神經(jīng)網(wǎng)絡(luò)進行大量的有監(jiān)督訓練來獲取圖像中的車輛特征，從而檢測出車輛【7】。本研究使用YOLOv3作為系統(tǒng)的影像識別根底，在視頻中設(shè)置虛擬的興趣區(qū)域及標記出興趣區(qū)域中的車輛，以到達車輛計數(shù)的目的。試驗說明，該系統(tǒng)可以到達較高的計數(shù)精度。 一個完整的車流量檢測系統(tǒng)由交通視頻采集、車流量檢測算法及檢測結(jié)果輸出三局部組成。傳統(tǒng)的通用計算機存在本錢高、易死機、體積大等缺點，本系統(tǒng)采用NVIDIA公司出品的JetsonTX2作為高性能嵌入式GPU開發(fā)平臺，采用CPU+GPU的協(xié)同處理模式，實現(xiàn)目標對象檢測。 1系統(tǒng)設(shè)計目標 一是實時計數(shù)，要構(gòu)建一個具有魯棒性的車流量計數(shù)系統(tǒng)，實現(xiàn)車輛實時計數(shù)。二是多目標感知。為了準確計算交通流量，車流量計數(shù)系統(tǒng)需要具備同時感知多個目標的處理能力。三是目標分類，在真實交通場景中，攝像頭會獲取多個類型的對象。因此，車輛計數(shù)系統(tǒng)需要從多種類型的移動目標中提取到各種類型車輛。 2系統(tǒng)模型結(jié)構(gòu) 如圖1所示，該系統(tǒng)主要包括三個功能模塊，一是車輛檢測器，二是車輛坐標緩沖器，三是車輛計數(shù)器。筆者將攝像頭或視頻圖像作為數(shù)據(jù)來源，先對視頻進行預(yù)處理，然后檢測器將處理過后的數(shù)據(jù)作為車輛坐標緩沖器的輸入內(nèi)容，最后車輛計數(shù)器將處理緩沖器中的數(shù)據(jù)，并輸出車流量計數(shù)的結(jié)果。下面對該流程做詳細的講解。 本系統(tǒng)采用YOLOv3模型作為車輛檢測算法，YOLO是一個快速、準確的目標探測器。它包含公開可用的數(shù)據(jù)集Pascalvoc2021，其中包含數(shù)百萬個自然圖像，可以使用訓練數(shù)據(jù)集訓練的權(quán)重識別80個類別。對于車流量檢測系統(tǒng)來說，只需要檢測汽車、公共汽車和卡車三種類別的目標。因此，對原有的YOLO代碼做了修改，只輸出上述三類對象識別，并屏蔽掉屏幕上的其他移動對象。 YOLOv3模型采用矩形框標記出檢測到的車輛，車輛標記的矩形框位置用一個元組〔x，y，w，h〕來進行表示。其中，〔x，y〕表示矩形框左上方點的坐標，w，h分別表示矩形框的橫向長度和縱向長度。因此，通過計算可知，標記車輛的質(zhì)心位置坐標為〔x+w/2，y+h/2〕。 由于YOLO采用的是“端對端〞的訓練方法，因此對當前畫面進行處理之后將返回數(shù)據(jù)進行處理，視每一個預(yù)選區(qū)域為單獨個體，在該個體的矩形框上標記其序號，并將其參加列表中，同時根據(jù)質(zhì)心追蹤算法確保其從進入興趣區(qū)域到離開興趣區(qū)域都被標記，存放標記個體的列表根據(jù)檢測實時變化，從而獲取到車輛數(shù)，如圖2所示。 3算法移植 如圖3所示，本系統(tǒng)采用英偉達公司出品的JetsonTX2作為檢測系統(tǒng)的嵌入式平臺，該嵌入式平臺采用256核心的NVIDIAPascalGPU架構(gòu)，擁有256核心NVIDIAPascalGPU，完全支持所有現(xiàn)代圖形API〔ApplicationProgrammingInterface〕，統(tǒng)一著色器實現(xiàn)圖像渲染并支持GPU計算。GPU支持與分立NVIDIAGPU相同的所有功能，涵蓋廣泛的計算API和包括CUDA在內(nèi)的計算庫。兩個CPU集群通過NVIDIA設(shè)計的高性能相干互連結(jié)構(gòu)連接;支持兩個CPU集群同時運行，以實現(xiàn)真正的異構(gòu)多處理〔HMP〕環(huán)境。Denver2〔雙核〕CPU集群針對更高的單線程性能進行了優(yōu)化;ARMCortex-A57MPCore〔四核〕CPU集群更適合多線程應(yīng)用和更輕負載[8]。內(nèi)存系統(tǒng)支持高帶寬LPDDR4〔LowPowerDoubleDataRate4〕，支持128位內(nèi)存控制器，數(shù)據(jù)傳輸速度最高可達3200Mbps?？傮w來說，該嵌入式平臺性能強大，外形小巧，節(jié)能高效，非常適合智能移動機器人、交通巡線無人機、嵌入式智能監(jiān)控器等智能設(shè)備。本嵌入式檢測系統(tǒng)平臺運行所需的軟件為：Ubuntu16.04操作系統(tǒng)、CUDA9.0Toolkit，cuDNN7.0等。 本研究以安陽市萬達天橋采集的交通視頻為數(shù)據(jù)源，一旦該系統(tǒng)接收到需要檢測的視頻，檢測器將采用YOLOv3模型來識別視頻中的車輛，并將車輛的坐標存儲在緩存器中，最后車輛計數(shù)器將處理存儲在緩存器中的數(shù)據(jù)，并輸出車輛計數(shù)的結(jié)果。 4試驗驗證 為了驗證車流量檢測系統(tǒng)〔見圖4〕的有效性和可靠性，將該算法移植入JetsonTX2嵌入式平臺。由于攝像頭在拍攝中受到風及天橋本身的震動影響，攝像頭會產(chǎn)生輕微的晃動，對拍攝視頻的穩(wěn)定性產(chǎn)生一定影響，但是通過測試，該系統(tǒng)對車流量的檢測效果依舊良好。下面三組測試說明了該系統(tǒng)的有效性，如表1所示。 試驗數(shù)據(jù)說明，該系統(tǒng)采用YOLOv3作為車流量檢測算法，準確率較高，比照幀差法具有一定的優(yōu)勢，結(jié)合JetsonTX2強大的GPU運算能力，其根本可以滿足實時檢測的要求，該系統(tǒng)的設(shè)計是可行的。 5結(jié)論 智能交通系統(tǒng)為人們提供了一個平安的交通環(huán)境。得益于圖像識別技術(shù)的快速開展，它可以方便地完成交通流計數(shù)等綜合任務(wù)，通過修改現(xiàn)有的YOLO模型，對檢測到的物體進行識別，以獲得所需的車輛坐標。本文提出了一種利用改進的YOLO模型的嵌入式車流量檢測系統(tǒng)，通過對三段不同的交通視頻進行試驗，驗證了系統(tǒng)的正確性和有效性。 參考文獻： 【1】DimitrakopoulosG，DemestichasP.IntelligentTransportationSystems[J].IEEEVehicularTechnologyMagazine，2021〔1〕：77-84. 【2】KMorinaga.CarnavigationSystem：US，5416478[P].1995-05-16. 【3】KHMolloy，JPWard，VMBenson.TrafficSignalControlSystem：US，3675196[P].1972-07-04. 【5】史忠科，曹力.交通圖像檢測與分析[M].北京：科學出版社，2021. 【6】RCGonzalez，REWoods.Digitalimageprocessing[M].UpperSaddleRiver：PrenticeHall，2021. 【7】馬永杰，宋曉鳳.基于YOLO和嵌入式系統(tǒng)的車流量檢測[J].液晶與顯示，2021，4〔6〕：613-618. [8]高潮，李天長，郭永彩.基于DM642的嵌入式實時多路圖像采集處理系統(tǒng)[J].微計算機信息，2021〔30〕：282-283.